引用本文： 郭淑巖, 李萌, 董四平. 我國 5 省 511 所二級公立綜合醫院全要素生產率測量. 華西醫學, 2019, 34(12): 1356-1361. doi: 10.7507/1002-0179.201911203 復制
2018 年我國衛生健康事業發展統計公報顯示：截至 2018 年末我國共有二級醫院 9 017 家，是三級醫院數量的 3.5 倍，占全國醫院總數的 27%[1]，是我國醫療服務的重要供給主體之一。新一輪醫藥衛生體制改革特別是分級診療制度實施以來，二級公立醫院作為縣域醫療中心的職責得到強化，一方面承擔著區域內常見病、多發病診療以及急危重癥患者搶救職責[2]，另一方面作為分級診療中“承上啟下”的紐帶，接收三級醫院下轉的急危重癥恢復期患者和社區醫院或鄉鎮衛生院等基層衛生機構上轉患者。提高二級公立醫院生產率對深化公立醫院改革和分級診療工作具有重要作用，但前提是要對其生產率進行精確測算和評估。近年來一些研究者開展了醫藥衛生行業某些領域全要素生產率的測算研究[3-5]。多數研究局限于單個省市醫院的較小樣本，研究結果對于單個省市醫院效率改進具有一定的積極意義，但不能推斷估計全國醫院生產率情況，也不利于開展效率改進標桿學習。本研究采取系統分層典型抽樣方法，抽取部分省份全部二級公立綜合醫院作為研究樣本，對其全要素生產率進行跨期動態測算，并對其變動情況進行指數分解和分析，為評估新一輪醫藥衛生體制改革以來我國二級公立綜合醫院運營生產率和服務效率提供實證研究和政策決策支持。現報告如下。
1 資料與方法
1.1 資料來源
2019 年 2 月—9 月采取系統分層典型抽樣方法確定研究對象和樣本。考慮到我國 4 個直轄市和港澳臺地區在人口、經濟、社會發展和公立醫院發展的特殊性，暫不納入抽樣范圍。依據全國 27 個省（區）2017 年人均國內生產總值排序進行五分位分組，在每一五分位組考慮公立醫院發展情況和調研可行性典型抽取一個省區作為樣本，最終確定山東、湖北、海南、安徽、山西 5 省為樣本省份。課題組分別赴上述 5 省衛生健康委員會和有關醫院開展現場調研，通過各省衛生（健康）統計年鑒、財務年報等資料收集每個省份所有二級公立綜合醫院 2012 年—2018 年面板數據。對數據進行整理和清洗后獲得 511 所醫院相關數據。
1.2 研究方法
數據包絡分析（data envelopment analysis，DEA）是 Farrell[6]在 1957 年提出的一種非參數效率分析方法，目前已廣泛應用在企事業單位，特別是醫院與學校等公共部門的效率評價[7]。Malmquist 指數由 Malmquist 在消費分析的過程中首次提出，自 1982 年有學者提出投入的全要素生產率指數可以用 Malmquist 指數來表示[8]，并能被進一步分解測量生產率變動的原因，被廣泛用于不同時期決策單元的比較。1979 年 Efron[9]首次提出 Bootstrap 方法，該方法根據原始數據對總體進行模擬統計推斷，即通過對已有樣本進行回放抽樣得到大量新樣本及相應的統計量，從而對總體的特征進行統計推斷。針對傳統 DEA 沒有考慮環境變量和隨機誤差等方面影響的不足，本研究將 Bootstrap 方法和傳統 DEA 模型、Malmquist 模型相結合，以更精確測算樣本醫院生產率，為醫院發展提供更精確的實證依據。
Malmquist 模型的生產率變動指數計算公式如下[10]：
 |
其中，
代表全要素生產率變動指數，
代表第 t 期的產出距離函數，
代表第 t+1 期的產出距離函數，
代表以第 t+1 期 n 個決策單元的投入產出作為衡量第 t 期某一投入產出 
的參考集合時的產出距離函數，
代表以第 t 期 n 個決策單元的投入產出作為衡量第 t+1 期某一投入產出
的參考集合時的產出距離函數。當 
>1 時，代表生產率增高，增高率=（
–1）×100%；當 
<1 時，代表生產率降低，降低率=（1?
）×100%；當 
=1 時，代表生產率不變。Malmquist 生產率變動指數可以分解成 2 個部分：前一部分為效率變動，即相對于效率前沿從第 t 期到第 t+1 期的改變。如果效率變動=1，說明該決策單元效率無變化；如果效率變動>1，說明該決策單元效率提升；如果效率變動<1，說明該決策單元效率下降。后一部分為技術變動，即該決策單元的效率前沿從第 t 期到第 t+1 期的移動。如果技術變動>1，說明技術的移動是正向的、進步的；如果技術變動<1，說明技術的移動是負向的、退步的；如果技術變動=1，說明技術沒有改變。
1.3 投入產出指標的確定
基于課題組前期對我國醫院效率 DEA 研究分類與投入產出指標分析的結果[11]，本研究選用使用頻率較高的醫院在職職工數、醫院實有床位數作為投入指標，醫院診療人次、出院人次作為產出指標。
1.4 統計學方法
采用 SPSS 23.0 軟件對數據進行處理和分析。采用 R 軟件（3.1.2 版本）和 FEAR 軟件包（2.0.1 版本）[12]計算 2012 年—2018 年樣本醫院的 Malmquist 生產率指數及其組成。在運用 Bootstrap 糾偏時，有放回抽樣 2 000 次，檢驗水準 α=0.05。采用年均環比增長率測量樣本醫院投入、產出指標變動，年均環比增長率計算公式為：年均環比增長率=
。
2 結果
2.1 投入產出指標描述性分析
樣本醫院 2012 年—2018 年投入、產出指標情況由表 1 所示。整體上看，2012 年—2018 年樣本醫院的投入和產出指標均呈現逐年增長的趨勢，醫院在職職工數年均環比增長率為 4.84%，醫院實有床位數年均環比增長率為 4.86%，診療人次年均環比增長率為 7.32%，出院人次年均環比增長率為 5.00%。從年均增長率的數值來看，產出指標的增長率高于投入指標。
表1
2012年—2018年樣本醫院投入產出指標情況（n=511，
）
2.2 基于 Bootstrap-Malmquist-DEA 的醫院全要素生產率分析
樣本醫院 2012 年—2018 年各年度的全要素生產率變動及指數分解情況如表 2 所示。
表2
2012 年—2018 年樣本醫院全要素生產率變動及指數分解情況（n=511）
總體上看，2012 年—2018 年樣本醫院全要素生產率降低 0.22%。進一步分解來看：技術效率降低 5.24%，技術進步 5.29%，純技術效率降低 1.40%，規模效率降低 3.89%。
從全要素生產率分年度情況來看：2012 年—2013 年、2014 年—2015 年與 2017 年—2018 年全要素生產率是提高的，其他年份全要素生產率為降低。2012 年—2013 年技術效率降低 7.62%，技術進步 8.45%，純技術效率降低 4.03%，規模效率降低 3.74%，技術進步是全要素生產率提高的主要原因。2014 年—2015 年技術效率提高 1.59%，技術進步 3.38%，純技術效率提高 1.87%，規模效率降低 0.28%，全要素生產率提高是技術效率提高和技術進步共同產生的結果，純技術效率提高是技術效率提高的主要原因。2017 年—2018 年技術效率降低 2.53%，技術進步 3.47%，純技術效率提高 3.41%，規模效率降低 5.75%，全要素生產率提高是技術進步的結果，規模效率降低是技術效率降低的主要原因。
從變動分解指數分年度情況來看：除 2014 年—2015 年技術效率提高外，其他年間技術效率均呈現逐年降低狀態；技術變動呈現逐年進步的狀態；純技術效率在 2014 年—2015 年、2016 年—2017 年、2017 年—2018 年表現為提高，其他年份間表現為降低；規模效率則均呈現逐年降低狀態。規模效率的趨勢基本與技術效率一致，技術進步是部分省份全要素生產率提升的主要原因，規模效率降低是部分省份全要素生產率下降的主要原因。
2.3 樣本省份醫院全要素生產率變動及指數分解情況
5 個樣本省份醫院 2012 年—2018 年各年度全要素生產率變動及其分解指數如表 3 所示。
表3
2012 年—2018 年 5 省樣本醫院全要素生產率變動及指數分解情況
2012 年—2018 年，安徽、湖北、海南 3 省樣本醫院的全要素生產率升高，山東、山西 2 省樣本醫院全要素生產率降低，下降最多的是山西省（1.37%）。2012 年—2018 年 5 省樣本醫院的技術效率、規模效率均降低，除山西外其余 4 省樣本醫院純技術效率也是降低的。而 2012 年—2018 年 5 省樣本醫院的技術變動均表現為技術進步，各省變動情況與總體技術變動趨勢一致。
從技術變動的變化趨勢來看：除湖北省 2014 年—2015 年、2015 年—2016 年為技術退步外，其他省份持續處于技術進步狀態。從技術效率和規模效率的變動趨勢來看，二者的變化趨勢基本一致，除個別年份外，5 省樣本醫院整體呈現下降趨勢。從純技術效率的變動趨勢來看，5 省樣本醫院 2012 年—2013 年、2013 年—2014 年均呈下降狀態；2014 年—2015 年除山東外，其余 4 省呈上升狀態；2015 年—2016 年除湖北外，其余 4 省呈下降狀態；2016 年—2017 年、2017 年—2018 年，安徽、湖北 2 省純技術效率下降，海南、山東、山西 3 省樣本醫院純技術效率上升。
3 討論
3.1 研究樣本的選取
近年來一些研究者將全要素生產率測算方法引入基層衛生醫療機構生產率研究中[13-18]，一方面是對某一區域、某家醫院或醫療聯合體（醫聯體）內部某一類別醫療機構生產率的評價；另一方面是以單個省、市部分基層醫療機構為樣本測算所在地醫療機構的生產率。上述研究中前一方面研究范圍相對局限，樣本數量較小，雖然對于研究機構的效率改進有一定意義，但不具有廣泛代表性，可借鑒性不足；后一方面的研究多是對單個省份醫療機構生產效率測量，未對醫療機構進行分層，研究結果無法代表全國整體水平，也不利于不同省份生產效率的比較。本研究采取系統分層典型抽樣方法，獲取 5 省 511 所公立二級醫院 7 個年度的跨期面板數據并進行統計分析，形成決策單元以“醫院”為數據顆粒的較大樣本研究，一方面能提升推斷全國省區公立二級綜合醫院的生產率變動情況的精確性和可靠性，另一方面研究結果可顯示出生產率改進標桿省區，為生產率較低省區提供決策依據。
3.2 樣本醫院全要素生產率情況
2012 年—2018 年樣本醫院的全要素生產率存在年均 0.22% 的降低，通過對全要素生產率變動的分解分析發現，技術效率降低是導致全要素生產率降低的主要原因，而純技術效率和規模效率均下降導致了技術效率降低。從各年間全要素生產率和技術效率變動的情況可以看出全要素生產率的變化主要是技術效率變動和技術變動共同作用的結果。
分解技術效率變動的原因發現，2014 年—2015 年技術效率表現為提高，純技術效率變動是技術效率變動的主要原因，而 2016 年—2017 年、2017 年—2018 年規模效率下降是導致技術效率下降的主要原因，其余年間技術效率下降是純技術效率和規模效率共同下降的結果。對于純技術效率變動來講，雖然 7 年間有升有降，但是樣本醫院的純技術效率整體依然呈現下降狀態，提示醫院仍需加強內部精細化管理，不斷提升醫院的內部管理水平。對于規模效率變動，7 年間樣本醫院規模效率處于持續下降狀態，且整體下降幅度達到 3.89%，規模效率的下降可能與近年來地方政府對基層醫療機構重視程度不斷加強，多數地區公立二級醫院床位、人員不斷擴張，但設備等條件配套或管理不到位等因素相關[19]。
在分解指數中，7 年間樣本醫院技術變動處于持續進步狀態。這與分級診療制度實施以來，醫聯體、遠程醫療、對口支援等工作廣泛開展有關，基層醫療機構醫療技術水平和診療能力有了很大的提升，最終表現為技術進步[20-22]。
3.3 省際全要素生產率比較
2012 年—2018 年 5 樣本省份醫院全要素生產率及其分解指數的變化情況與總體不全一致，安徽省、湖北省、海南省樣本醫院的技術進步是全要素生產率提升的主要原因，山東省、山西省技術效率降低是全要素生產率下降的主要原因。5 樣本省份醫院規模效率下降都是導致技術效率下降的主要原因，特別是山西省在技術進步和純技術效率上升的狀態下，全要素生產率仍呈現下降狀態，可見規模效率下降是導致生產率下降的主要原因。提示二級公立醫院的規模擴張已經成為制約醫院發展的關鍵因素。劉童等[23]的研究也發現規模效率是造成縣級醫院總體效率較低的主要原因。
3.4 公立二級綜合醫院的發展趨勢
由前述結果可以看出，二級綜合醫院生產率并未隨著規模擴張而同步提升，近 7 年來 5 個樣本省份醫院整體規模效率和分省規模效率皆處于持續下降狀態，部分省份樣本醫院規模效率的下降直接導致生產率的下降。依據譚忠婕等[24]采用基于規模報酬變化規律對二級公立醫院適宜規模定量研究的理論，樣本醫院處于規模報酬遞減狀態。
近 7 年來雖然樣本醫院純技術效率處于提高狀態但并沒有逆轉技術效率降低的趨勢，亟需二級綜合醫院通過控制適宜發展規模、不斷加強精細化管理等方式，提升醫院內部管理水平。潘景香[25]的研究指出，需要充分利用現有的醫療資源，合理控制醫院的發展規模，避免因盲目擴張而降低醫院的運行效率。
3.5 研究局限
一方面，本研究雖然采取系統抽樣方法樣獲取了 5 個省份 511 所醫院數據，且采用 Bootstrap 方法對總體進行了統計推斷，但和全國公立二級綜合醫院數量相比，樣本量仍然較小，后續研究將繼續擴大樣本量，進一步提升統計推斷的可靠性。另一方面，本研究對象均為公立二級綜合醫院，基本符合 DEA 同質性要求，但是甲等醫院和非甲等醫院之間、不同省份醫院之間的產出指標質量仍有較大差異。下一步研究擬引入疾病診斷相關分組的病例組合指數對出院人次數進行校正，提升決策單元的同質性。
綜上所述，本研究結果顯示：首先，我國公立二級綜合醫院全要素生產率在 2012 年—2018 年存在輕微的衰退，技術效率、純技術效率和規模效率均呈現明顯的下降趨勢，規模效率已成為影響醫院運營效率的主要因素。建議政府進一步加強公立醫院的規模控制，探索醫院適宜規模，避免盲目擴張。其次，我國公立二級綜合醫院純技術效率整體呈現衰減狀態，建議醫院管理者關注純技術效率的影響因素，進一步加強內部精細化管理，提升醫院管理水平。最后，我國公立二級綜合醫院呈現技術進步狀態，但尚不足以促進醫院生產率整體提升，建議進一步加強醫聯體和縣域醫療服務共同體建設，促進人員、技術、設備和管理資源下沉，進一步促進基層醫療機構技術進步。
2018 年我國衛生健康事業發展統計公報顯示：截至 2018 年末我國共有二級醫院 9 017 家，是三級醫院數量的 3.5 倍，占全國醫院總數的 27%[1]，是我國醫療服務的重要供給主體之一。新一輪醫藥衛生體制改革特別是分級診療制度實施以來，二級公立醫院作為縣域醫療中心的職責得到強化，一方面承擔著區域內常見病、多發病診療以及急危重癥患者搶救職責[2]，另一方面作為分級診療中“承上啟下”的紐帶，接收三級醫院下轉的急危重癥恢復期患者和社區醫院或鄉鎮衛生院等基層衛生機構上轉患者。提高二級公立醫院生產率對深化公立醫院改革和分級診療工作具有重要作用，但前提是要對其生產率進行精確測算和評估。近年來一些研究者開展了醫藥衛生行業某些領域全要素生產率的測算研究[3-5]。多數研究局限于單個省市醫院的較小樣本，研究結果對于單個省市醫院效率改進具有一定的積極意義，但不能推斷估計全國醫院生產率情況，也不利于開展效率改進標桿學習。本研究采取系統分層典型抽樣方法，抽取部分省份全部二級公立綜合醫院作為研究樣本，對其全要素生產率進行跨期動態測算，并對其變動情況進行指數分解和分析，為評估新一輪醫藥衛生體制改革以來我國二級公立綜合醫院運營生產率和服務效率提供實證研究和政策決策支持。現報告如下。
1 資料與方法
1.1 資料來源
2019 年 2 月—9 月采取系統分層典型抽樣方法確定研究對象和樣本。考慮到我國 4 個直轄市和港澳臺地區在人口、經濟、社會發展和公立醫院發展的特殊性，暫不納入抽樣范圍。依據全國 27 個省（區）2017 年人均國內生產總值排序進行五分位分組，在每一五分位組考慮公立醫院發展情況和調研可行性典型抽取一個省區作為樣本，最終確定山東、湖北、海南、安徽、山西 5 省為樣本省份。課題組分別赴上述 5 省衛生健康委員會和有關醫院開展現場調研，通過各省衛生（健康）統計年鑒、財務年報等資料收集每個省份所有二級公立綜合醫院 2012 年—2018 年面板數據。對數據進行整理和清洗后獲得 511 所醫院相關數據。
1.2 研究方法
數據包絡分析（data envelopment analysis，DEA）是 Farrell[6]在 1957 年提出的一種非參數效率分析方法，目前已廣泛應用在企事業單位，特別是醫院與學校等公共部門的效率評價[7]。Malmquist 指數由 Malmquist 在消費分析的過程中首次提出，自 1982 年有學者提出投入的全要素生產率指數可以用 Malmquist 指數來表示[8]，并能被進一步分解測量生產率變動的原因，被廣泛用于不同時期決策單元的比較。1979 年 Efron[9]首次提出 Bootstrap 方法，該方法根據原始數據對總體進行模擬統計推斷，即通過對已有樣本進行回放抽樣得到大量新樣本及相應的統計量，從而對總體的特征進行統計推斷。針對傳統 DEA 沒有考慮環境變量和隨機誤差等方面影響的不足，本研究將 Bootstrap 方法和傳統 DEA 模型、Malmquist 模型相結合，以更精確測算樣本醫院生產率，為醫院發展提供更精確的實證依據。
Malmquist 模型的生產率變動指數計算公式如下[10]：
|
其中， 代表全要素生產率變動指數， 代表第 t 期的產出距離函數， 代表第 t+1 期的產出距離函數， 代表以第 t+1 期 n 個決策單元的投入產出作為衡量第 t 期某一投入產出 的參考集合時的產出距離函數， 代表以第 t 期 n 個決策單元的投入產出作為衡量第 t+1 期某一投入產出 的參考集合時的產出距離函數。當 >1 時，代表生產率增高，增高率=（–1）×100%；當 <1 時，代表生產率降低，降低率=（1?）×100%；當 =1 時，代表生產率不變。Malmquist 生產率變動指數可以分解成 2 個部分：前一部分為效率變動，即相對于效率前沿從第 t 期到第 t+1 期的改變。如果效率變動=1，說明該決策單元效率無變化；如果效率變動>1，說明該決策單元效率提升；如果效率變動<1，說明該決策單元效率下降。后一部分為技術變動，即該決策單元的效率前沿從第 t 期到第 t+1 期的移動。如果技術變動>1，說明技術的移動是正向的、進步的；如果技術變動<1，說明技術的移動是負向的、退步的；如果技術變動=1，說明技術沒有改變。
1.3 投入產出指標的確定
基于課題組前期對我國醫院效率 DEA 研究分類與投入產出指標分析的結果[11]，本研究選用使用頻率較高的醫院在職職工數、醫院實有床位數作為投入指標，醫院診療人次、出院人次作為產出指標。
1.4 統計學方法
采用 SPSS 23.0 軟件對數據進行處理和分析。采用 R 軟件（3.1.2 版本）和 FEAR 軟件包（2.0.1 版本）[12]計算 2012 年—2018 年樣本醫院的 Malmquist 生產率指數及其組成。在運用 Bootstrap 糾偏時，有放回抽樣 2 000 次，檢驗水準 α=0.05。采用年均環比增長率測量樣本醫院投入、產出指標變動，年均環比增長率計算公式為：年均環比增長率=。
2 結果
2.1 投入產出指標描述性分析
樣本醫院 2012 年—2018 年投入、產出指標情況由表 1 所示。整體上看，2012 年—2018 年樣本醫院的投入和產出指標均呈現逐年增長的趨勢，醫院在職職工數年均環比增長率為 4.84%，醫院實有床位數年均環比增長率為 4.86%，診療人次年均環比增長率為 7.32%，出院人次年均環比增長率為 5.00%。從年均增長率的數值來看，產出指標的增長率高于投入指標。
表1
2012年—2018年樣本醫院投入產出指標情況（n=511，）
2.2 基于 Bootstrap-Malmquist-DEA 的醫院全要素生產率分析
樣本醫院 2012 年—2018 年各年度的全要素生產率變動及指數分解情況如表 2 所示。
表2
2012 年—2018 年樣本醫院全要素生產率變動及指數分解情況（n=511）
總體上看，2012 年—2018 年樣本醫院全要素生產率降低 0.22%。進一步分解來看：技術效率降低 5.24%，技術進步 5.29%，純技術效率降低 1.40%，規模效率降低 3.89%。
從全要素生產率分年度情況來看：2012 年—2013 年、2014 年—2015 年與 2017 年—2018 年全要素生產率是提高的，其他年份全要素生產率為降低。2012 年—2013 年技術效率降低 7.62%，技術進步 8.45%，純技術效率降低 4.03%，規模效率降低 3.74%，技術進步是全要素生產率提高的主要原因。2014 年—2015 年技術效率提高 1.59%，技術進步 3.38%，純技術效率提高 1.87%，規模效率降低 0.28%，全要素生產率提高是技術效率提高和技術進步共同產生的結果，純技術效率提高是技術效率提高的主要原因。2017 年—2018 年技術效率降低 2.53%，技術進步 3.47%，純技術效率提高 3.41%，規模效率降低 5.75%，全要素生產率提高是技術進步的結果，規模效率降低是技術效率降低的主要原因。
從變動分解指數分年度情況來看：除 2014 年—2015 年技術效率提高外，其他年間技術效率均呈現逐年降低狀態；技術變動呈現逐年進步的狀態；純技術效率在 2014 年—2015 年、2016 年—2017 年、2017 年—2018 年表現為提高，其他年份間表現為降低；規模效率則均呈現逐年降低狀態。規模效率的趨勢基本與技術效率一致，技術進步是部分省份全要素生產率提升的主要原因，規模效率降低是部分省份全要素生產率下降的主要原因。
2.3 樣本省份醫院全要素生產率變動及指數分解情況
5 個樣本省份醫院 2012 年—2018 年各年度全要素生產率變動及其分解指數如表 3 所示。
表3
2012 年—2018 年 5 省樣本醫院全要素生產率變動及指數分解情況
2012 年—2018 年，安徽、湖北、海南 3 省樣本醫院的全要素生產率升高，山東、山西 2 省樣本醫院全要素生產率降低，下降最多的是山西省（1.37%）。2012 年—2018 年 5 省樣本醫院的技術效率、規模效率均降低，除山西外其余 4 省樣本醫院純技術效率也是降低的。而 2012 年—2018 年 5 省樣本醫院的技術變動均表現為技術進步，各省變動情況與總體技術變動趨勢一致。
從技術變動的變化趨勢來看：除湖北省 2014 年—2015 年、2015 年—2016 年為技術退步外，其他省份持續處于技術進步狀態。從技術效率和規模效率的變動趨勢來看，二者的變化趨勢基本一致，除個別年份外，5 省樣本醫院整體呈現下降趨勢。從純技術效率的變動趨勢來看，5 省樣本醫院 2012 年—2013 年、2013 年—2014 年均呈下降狀態；2014 年—2015 年除山東外，其余 4 省呈上升狀態；2015 年—2016 年除湖北外，其余 4 省呈下降狀態；2016 年—2017 年、2017 年—2018 年，安徽、湖北 2 省純技術效率下降，海南、山東、山西 3 省樣本醫院純技術效率上升。
3 討論
3.1 研究樣本的選取
近年來一些研究者將全要素生產率測算方法引入基層衛生醫療機構生產率研究中[13-18]，一方面是對某一區域、某家醫院或醫療聯合體（醫聯體）內部某一類別醫療機構生產率的評價；另一方面是以單個省、市部分基層醫療機構為樣本測算所在地醫療機構的生產率。上述研究中前一方面研究范圍相對局限，樣本數量較小，雖然對于研究機構的效率改進有一定意義，但不具有廣泛代表性，可借鑒性不足；后一方面的研究多是對單個省份醫療機構生產效率測量，未對醫療機構進行分層，研究結果無法代表全國整體水平，也不利于不同省份生產效率的比較。本研究采取系統分層典型抽樣方法，獲取 5 省 511 所公立二級醫院 7 個年度的跨期面板數據并進行統計分析，形成決策單元以“醫院”為數據顆粒的較大樣本研究，一方面能提升推斷全國省區公立二級綜合醫院的生產率變動情況的精確性和可靠性，另一方面研究結果可顯示出生產率改進標桿省區，為生產率較低省區提供決策依據。
3.2 樣本醫院全要素生產率情況
2012 年—2018 年樣本醫院的全要素生產率存在年均 0.22% 的降低，通過對全要素生產率變動的分解分析發現，技術效率降低是導致全要素生產率降低的主要原因，而純技術效率和規模效率均下降導致了技術效率降低。從各年間全要素生產率和技術效率變動的情況可以看出全要素生產率的變化主要是技術效率變動和技術變動共同作用的結果。
分解技術效率變動的原因發現，2014 年—2015 年技術效率表現為提高，純技術效率變動是技術效率變動的主要原因，而 2016 年—2017 年、2017 年—2018 年規模效率下降是導致技術效率下降的主要原因，其余年間技術效率下降是純技術效率和規模效率共同下降的結果。對于純技術效率變動來講，雖然 7 年間有升有降，但是樣本醫院的純技術效率整體依然呈現下降狀態，提示醫院仍需加強內部精細化管理，不斷提升醫院的內部管理水平。對于規模效率變動，7 年間樣本醫院規模效率處于持續下降狀態，且整體下降幅度達到 3.89%，規模效率的下降可能與近年來地方政府對基層醫療機構重視程度不斷加強，多數地區公立二級醫院床位、人員不斷擴張，但設備等條件配套或管理不到位等因素相關[19]。
在分解指數中，7 年間樣本醫院技術變動處于持續進步狀態。這與分級診療制度實施以來，醫聯體、遠程醫療、對口支援等工作廣泛開展有關，基層醫療機構醫療技術水平和診療能力有了很大的提升，最終表現為技術進步[20-22]。
3.3 省際全要素生產率比較
2012 年—2018 年 5 樣本省份醫院全要素生產率及其分解指數的變化情況與總體不全一致，安徽省、湖北省、海南省樣本醫院的技術進步是全要素生產率提升的主要原因，山東省、山西省技術效率降低是全要素生產率下降的主要原因。5 樣本省份醫院規模效率下降都是導致技術效率下降的主要原因，特別是山西省在技術進步和純技術效率上升的狀態下，全要素生產率仍呈現下降狀態，可見規模效率下降是導致生產率下降的主要原因。提示二級公立醫院的規模擴張已經成為制約醫院發展的關鍵因素。劉童等[23]的研究也發現規模效率是造成縣級醫院總體效率較低的主要原因。
3.4 公立二級綜合醫院的發展趨勢
由前述結果可以看出，二級綜合醫院生產率并未隨著規模擴張而同步提升，近 7 年來 5 個樣本省份醫院整體規模效率和分省規模效率皆處于持續下降狀態，部分省份樣本醫院規模效率的下降直接導致生產率的下降。依據譚忠婕等[24]采用基于規模報酬變化規律對二級公立醫院適宜規模定量研究的理論，樣本醫院處于規模報酬遞減狀態。
近 7 年來雖然樣本醫院純技術效率處于提高狀態但并沒有逆轉技術效率降低的趨勢，亟需二級綜合醫院通過控制適宜發展規模、不斷加強精細化管理等方式，提升醫院內部管理水平。潘景香[25]的研究指出，需要充分利用現有的醫療資源，合理控制醫院的發展規模，避免因盲目擴張而降低醫院的運行效率。
3.5 研究局限
一方面，本研究雖然采取系統抽樣方法樣獲取了 5 個省份 511 所醫院數據，且采用 Bootstrap 方法對總體進行了統計推斷，但和全國公立二級綜合醫院數量相比，樣本量仍然較小，后續研究將繼續擴大樣本量，進一步提升統計推斷的可靠性。另一方面，本研究對象均為公立二級綜合醫院，基本符合 DEA 同質性要求，但是甲等醫院和非甲等醫院之間、不同省份醫院之間的產出指標質量仍有較大差異。下一步研究擬引入疾病診斷相關分組的病例組合指數對出院人次數進行校正，提升決策單元的同質性。
綜上所述，本研究結果顯示：首先，我國公立二級綜合醫院全要素生產率在 2012 年—2018 年存在輕微的衰退，技術效率、純技術效率和規模效率均呈現明顯的下降趨勢，規模效率已成為影響醫院運營效率的主要因素。建議政府進一步加強公立醫院的規模控制，探索醫院適宜規模，避免盲目擴張。其次，我國公立二級綜合醫院純技術效率整體呈現衰減狀態，建議醫院管理者關注純技術效率的影響因素，進一步加強內部精細化管理，提升醫院管理水平。最后，我國公立二級綜合醫院呈現技術進步狀態，但尚不足以促進醫院生產率整體提升，建議進一步加強醫聯體和縣域醫療服務共同體建設，促進人員、技術、設備和管理資源下沉，進一步促進基層醫療機構技術進步。
