中國省際全科醫生數及影響因素的空間計量分析

湛大順 ，張翔 *

2011年7月國務院頒布的《關于建立全科醫生制度的指導意見》（國發〔2011〕23號）將全科醫生制度提升為國家戰略［1］，2017年10月習近平同志在十九大報告中提出要加強全科醫生隊伍建設。隨著我國經濟社會發展、衛生服務需求增加、老齡化進程加快及慢性病患病率上升，健康管理服務和家庭醫生簽約服務必須得到充分發展，全科醫生是這些基層衛生服務的主要提供者，其培養發展和全科醫生制度的建立完善也亟待重視起來。現有關于全科醫生的研究，從全科醫生的現狀和問題［2-4］、全科醫生的國際經驗和啟示［5-7］、全科醫生的配置公平性［8-10］等方面進行，這些研究有的是定性方面的研究，有的是定量方面的研究，但考慮全科醫生空間相關性的研究較為缺乏。我國醫療衛生體系有公共性、外部性及關聯性的特征［11］，各省（自治區、直轄市）的全科醫生配置在空間上可能會有聚集性。同時，影響本地區全科醫生配置的各因素也可能會對相鄰省域的全科醫生配置產生空間外溢影響。考慮到全科醫生數能在一定程度上反映全科醫生服務的提供能力［12］，本文利用空間計量模型從全科醫生數入手，分析我國各省（自治區、直轄市）全科醫生配置及影響因素的空間關聯性，以期從空間省域角度探討我國全科醫生的聚集性和影響因素的外溢性。

1 資料與方法

1.1 資料來源 本研究所用數據來源于2013—2017年的《中國衛生和計劃生育統計年鑒》［13-17］及2017年的《中國統計年鑒》［18］。收集的數據包括2012—2016年的全科醫生數及2016年的國民生產總值（GDP）、城鎮化率、政府衛生支出、政府支出、中央預算財政支出、人口數量、文盲率、老齡化率、少兒撫養比、基層診療人次、基層入院人數、人均醫療保健支出、省域面積、人均可支配收入，并計算財政支出分權和人口密度。財政支出分權=人均省內預算財政支出/（人均省內預算財政支出+人均中央預算財政支出）［19］，人口密度=人口數量/省域面積［20］。本研究未收集臺灣地區數據。

1.2 統計學方法 采用Excel 2016進行數據錄入和整理；采用ARCGIS 10.5軟件計算莫蘭指數（Moran'sI）、制作空間自相關（LISA）圖，檢驗全國省際全科醫生數的空間自相關性；采用SPSS 24.0統計軟件中Pearson相關和多元逐步線性回歸篩選可能的影響因素；采用GeoDa軟件中的空間回歸做全科醫生數的空間計量分析，先利用普通最小二乘法（OLS）建立經典空間回歸模型，然后利用空間依賴性的檢驗結果對空間滯后模型（SLM）和空間誤差模型（SEM）做出選擇。

2 結果

2.1 中國全科醫生數概況 中國全科醫生數自2013年的《中國衛生和計劃生育統計年鑒》開始有詳細的數據統計，中國全科醫生數的進展狀況見表1，2016年中國全科醫生數在東中西部的分布情況見表2。由表1可知，我國全科醫生總數、注冊為全科醫學專業的人數、取得全科醫生培訓合格證的人數、每萬人全科醫生數都在逐年增加。由表2可知，我國全科醫生數在地區間的分布存在明顯的差距，2016年東部的全科醫生總數、注冊為全科醫學專業的人數、取得全科醫生培訓合格證的人數、每萬人全科醫生數高于中部和西部。

表1 2012—2016年我國全科醫生數（人）Table 1 Number of general practitioners in China，2012—2016

表2 2016年我國東中西部全科醫生數（人）Table 2 Number of general practitioners in eastern，central and western China in 2016

2.2 2016年全科醫生數空間等級分布 2016年全國各省（自治區、直轄市）全科醫生數見表3。由表3可知全國全科醫生數最高的3個地區分別為江蘇（25 162人）、浙江（22 571人）和廣東（18 338人），而最低的3個地區分別為西藏（202人）、寧夏（654人）和海南（986人）。2016年全科醫生數空間等級分布見圖1。由圖1中可看出，總體上東部沿海地區全科醫生數較高，西部較低。

2.3 2016年全科醫生數空間自相關性分析 本文用Queen一階鄰接矩陣表示各省（自治區、直轄市）的鄰接關系，且設定海南與廣東相鄰，組成空間權重矩陣。分析得出全局Moran'sI=0.219，Z=2.451，P=0.014＜0.05，表明全國各省（自治區、直轄市）全科醫生數存在正向空間自相關性，在空間分布上具有空間聚集性。然后，通過局部空間自相關分析，得出LISA圖（見圖2）。由LISA圖可知，新疆和甘肅表現出低-低聚集（低的地區被低的地區包圍），四川表現為高-低聚集（高的地區被低的地區包圍），福建和江西表現為低-高聚集（低的地區被高的地區包圍），上海、江蘇、安徽、山東表現為高-高聚集（高的地區被高的地區包圍），其他地區的空間自相關性不明顯。

2.4 全科醫生數影響因素空間計量分析

2.4.1 影響因素指標選取 全科醫生數量配置的影響因素以往并無文獻研究，因此沒有能參照選擇的解釋變量，本文在綜合前人對衛生資源配置的影響因素的研究基礎上［11，21-22］，先廣泛選取可能與之相關的各方面因素進行試探分析，如各省（自治區、直轄市）發展水平方面（GDP、城鎮化率）、政策因素方面（政府衛生支出、財政支出分權）、社會因素方面（人口數量、文盲率）、衛生服務需求方面（老齡化率、少兒撫養比）、衛生服務利用方面（基層診療人次、基層入院人數）、衛生服務利用意識方面（人均醫療保健支出）、衛生服務利用地理和經濟可及性方面（人口密度、人均可支配收入）。

表3 2016年全國各省（自治區、直轄市）全科醫生數（人）Table 3 Number of general practitioners in China at the provincial level in2016

圖1 2016年我國全科醫生數空間等級分布Figure 1 Hierarchical spatial distribution of general practitioners in China in 2016

經Pearson相關性雙側檢驗，與全科醫生數有相關性的因素如表4所示，另外，將無統計學意義的相關因素一起納入全科醫生數的逐步回歸方程中（α入=0.05，α出=0.10），提示“未在拆分的方程中輸入任何變量”，說明這些因素也無法對全科醫生數造成明顯影響，即可直接不考慮這些因素。

但同時考慮到GDP在0.01的標準下與人口數量（r=0.759，P＜0.001）、 政 府 衛 生 支 出（r=0.810，P＜0.001）都具有較強的相關性，在0.05的標準下與老齡化率（r=0.391，P=0.030）有相關性，而且根據常識，政府衛生支出會隨著GDP增長而增加，說明GDP對全科醫生數有直接和間接的復雜影響，因此本研究在認可GDP對全科醫生數量配置有影響的前提下，利用剩余3個變量對全科醫生數的空間分布特征進行分析。各變量的統計學特征如表5所示。

表4 Pearson相關性檢驗結果與全科醫生數相關性分析有統計學意義的因素Table 4 Factors with significant Pearson's correlation test results

圖2 2016年我國全科醫生數LISA空間分布圖Figure 2 LISA for distribution of general practitioners in China in 2016

2.4.2 OLS經典空間回歸結果構建空間計量模型之前，先構建OLS經典空間回歸模型，以檢驗模型擬合效果和選擇下一步的空間計量模型。OLS回歸結果如表6所示。

同時得出：回歸共線性條件數=19.15＜30，說明自變量間不存在明顯的共線性，可以進行下一步分析；全科醫生數的空間依賴性檢驗結果中LM-lag=2.528 8（P=0.123 50＞0.05），LM-error=4.543 5（P=0.042 62＜0.05）。因此，應繼續采用SEM對各省（自治區、直轄市）全科醫生數進行空間計量分析。

2.4.3 SEM回歸結果全科醫生數空間計量分析SEM回歸結果如表7所示。

表5 變量的統計學特征Table 5 Statistical characteristics of variables

表6 全科醫生數OLS經典空間回歸結果Table 6 OLS regression results of the number of general practitioners

表7 全科醫生數SEM回歸結果Table 7 SEM regression results of number of general practitioners

同時得出空間誤差參數λ=0.211，Z=1.647，P＜0.10，即在0.10的水平上有統計學意義，說明SEM在一定程度上能較好地擬合空間數據的全局性結果，各省（自治區、直轄市）的全科醫生數量配置會受相鄰省域全科醫生數量配置的影響。

另外，通過SEM空間計量分析可知，在3個自變量中，全科醫生數與政府衛生支出呈正相關，且僅其回歸系數具有統計學意義（b=19.588，P=0.034＜0.05）。2.4.4 全科醫生數OLS經典空間回歸模型和SEM檢驗效能比較 從表8中可以看出，SEM模型中R2=0.657，說明此模型擬合度良好，對全科醫生數有很好的解釋力。而且，SEM模型中的R2值和LogL值大于OLS模型，AIC值和SC值小于OLS模型，因此可知相較于OLS模型，SEM模型擬合效果更好。此外，SEM模型中各變量回歸系數相較于OLS經典空間回歸模型有一定變化，說明空間上的鄰接關系在一定程度上會影響變量的解釋程度。

表8 全科醫生數OLS經典空間回歸模型和SEM檢驗效能比較Table 8 Comparisons of OLS and SEM test efficiency in the number of general practitioners

3 討論

3.1 全科醫生數在快速增長但存在較大缺口 與2012年相比，2016年中國每萬人全科醫生數增幅達84.6%，說明我國全科醫生數量已有大幅改善。但2011年《國務院關于建立全科醫生制度的指導意見》中提出2020年城鄉每萬人要有2～3名合格的全科醫生，而到2016年全國每萬人全科醫生數僅1.51名，僅東部地區目前能達標，與此政策目標仍有一定距離。同時，有研究提到，衛生體系完善的發達國家，每萬人至少需5名全科醫生［23］，說明我國的全科醫生隊伍建設和發達國家仍有很大差距。全科醫生存在較大缺口主要與醫生本身培養周期長、難度大，以及全科醫生崗位吸引力低，機構和個人都缺乏長效激勵等有關［24-25］。

3.2 全科醫生數存在省際空間自相關性和地區不均衡性 不論是全局空間自相關中的Moran'sI，還是SEM中的空間誤差參數λ，都顯示我國大陸31省（自治區、直轄市）的全科醫生數存在空間自相關性，各省（自治區、直轄市）全科醫生數會受相鄰省域的影響，在空間分布上具有空間聚集性。而且，從局部空間自相關中的全科醫生數LISA空間分布圖可以更清楚地看出全國各省（自治區、直轄市）間的聚集特征，如有部分省（自治區、直轄市）間沒有很明顯的空間關聯，高-高聚集和低-高聚集主要在華東地區，低-低聚集主要在西北地區，而高-低聚集的四川則位于西南地區。這種空間自相關性，可能與我國地區發展的不均衡導致的政策制定關注程度、全科醫生扶持力度不同有關。另外，全科醫生數的空間聚集性同時說明我國全科醫生配置存在地區不均衡性。由表4和圖1可以看出，東部沿海地區全科醫生隊伍建設明顯更為完善，地區的不均衡性還可能與地區的發展狀況不同導致的人才流動有關［24，26］。

3.3 全科醫生數主要與地區發展水平和政府衛生支出有關 有文獻對我國省際衛生人力資源分布公平性的多種影響因素進行研究，結果表明GDP是導致其分布不公平的多種因素中最主要的［27］，本文證實GDP與全科醫生數省際分布也有強相關性。另外，SEM的空間計量分析顯示，人口數量、政府衛生支出、老齡化率這3個與全科醫生數相關的變量中，僅政府衛生支出對全科醫生數有明顯影響，說明我國省際全科醫生數量配置主要與地區發展水平和政府衛生支出有關。SEM結果也說明我國各省（自治區、直轄市）的全科醫生數量配置是政策導向的，在很大程度上受政府扶持力度的影響，而不是根據人口數量、主要服務對象老年人的數量而進行市場變動。這也提示全科醫生數量配置主要受政府衛生規劃的影響，要增加全科醫生數量，就必須提高政府衛生支出，這與黃冬梅等［24］和鄒嘉瑜等［28］的研究結果一致，黃冬梅等［24］的研究中提到全科醫生職業價值不能在當前薪酬體系中體現，也無法隨經濟發展自動實現，需利用公共籌資機制解決；鄒嘉瑜等［28］的研究中提到薪酬低是臨床本科生不愿意成為全科醫生的首要原因，各級政府應增加財政剛性投入。

本文引入空間權重矩陣，利用空間計量模型分析了全科醫生數及其影響因素，考慮到了傳統回歸模型無法考慮的數據的空間屬性，具有更好的分析效果。但本文仍有不足之處，一方面是此次空間計量分析只利用了全國2016年的截面數據，未考慮時間序列；另一方面是只考慮了全科醫生數量，而全科醫生服務的提供能力還與全科醫生質量有關。因此，未來利用全科醫生的面板數據并綜合考慮全科醫生的質量來對全科醫生服務進行探討，將會有更好的研究價值。

作者貢獻：湛大順負責文章具體完成和數據摘錄、計算、分析；張翔負責主題選擇指導和討論部分修改。

本文無利益沖突。

本文鏈接：

進行空間分析的思路是：采用空間統計分析指數檢驗變量間是否存在空間自相關性，如果存在，則需要在空間計量經濟學理論方法支持下，將空間影響納入其中，建立空間計量模型，進行空間計量估計和檢驗。

空間自相關性檢驗：在計算和檢驗區域空間相關性存在時，空間統計學常使用到2個類似于相關系數的統計量：Moran提出的空間相關指數Moran'sI和Geary所定義的Gearyc，與Gearyc相比，Moran'sI不易受偏離正態分布的影響，因此，大多數應用中Moran'sI更為常用。Moran'sI在功用上大致可以分為兩類：全域空間自相關Moran'sI和局域空間自相關Moran'sI。

空間計量模型的建立：目前主流的空間計量模型主要包括空間截面數據模型、空間面板數據模型和離散數據的空間計量模型。其中空間橫截面數據模型包括空間自回歸模型（SLM）、空間誤差模型（SEM）及變異數地理加權回歸模型（GWR），空間面板數據模型包括空間回歸面板計量模型和空間誤差面板計量模型。