基于主成分分析和TOPSIS模型的我國各省份醫療水平評價研究

【摘要】 背景 在新型冠狀病毒感染（COVID-19）疫情全國流行期間，我國醫療資源的空間集聚效應凸顯，各省份醫療水平存在明顯差異，目前，國內學者多運用定量方法對當前全國各省份醫療水平進行評價，應用綜合方法評價全國各省份醫療水平者較少。目的 了解我國各省份在醫療衛生事業發展水平上的差異，以期為醫療衛生事業決策者提供參考。方法 于2022年11月，計算機檢索中國知網、萬方數據知識服務平臺和Web of Science數據庫，檢索有關醫療水平評價的文獻。在借鑒現有研究成果的基礎上，選取相對指標和平均指標來構建評價指標體系。以《2022中國衛生健康統計年鑒》為數據源，提取/計算各評價指標數據。運用主成分分析法和TOPSIS模型，對我國31個省份（未將香港特別行政區、澳門特別行政區、臺灣地區納入統計范疇）的醫療水平進行綜合評價。結果 共檢索出合格文獻6篇，從醫療資源、醫療服務、醫療保障3個方面選取13個相對指標和平均指標構建評價體系。KMO值為0.733，Bartlett's球形檢驗結果顯示，χ2=346.908、Plt;0.001，提示數據適用于主成分分析；按照特征根gt;1.000的標準可提取4個主成分，分別為醫療資源規模和醫療服務質量（F1）、醫療機構工作效率（F2）、傳染病控制能力（F3）、其他因素（F4），4個主成分的累積方差貢獻率為84.012%。根據主成分得分系數矩陣建立各主成分線性模型后，基于4個主成分的方差貢獻率得到可用于評價醫療水平的綜合評價模型：Y=0.439 85×Y1+0.158 54×Y2+0.154 40×Y3+0.087 34×Y4。醫療水平綜合得分位列前3位的省份分別為北京市（151.908分）、上海市（124.379分）、天津市（78.673分）。TOPSIS貼近度排名結果顯示，北京市和上海市處于靠前水平（貼近度分別為0.767、0.646），以貼近度0.400和0.201為節點，可以將31個省份分為3個梯隊，第1梯隊有北京市、上海市和天津市3個省份，第2梯隊有浙江省、四川省等25個省份，第3梯隊包括河北省、寧夏回族自治區和西藏自治區3個省份。結論 中國的醫療水平存在明顯的省際發展不平衡問題，31個省份醫療水平分布整體呈現“中間大、兩頭小”的橄欖型結構特征。政府應加大對河北省等醫療水平排名靠后省份的政策傾斜力度，發揮區域衛生規劃的統籌協調作用，利用遠程醫療和醫療大數據實行定點幫扶。

【關鍵詞】 醫療水平評價；主成分分析法；TOPSIS模型；衛生保健質量，獲取和評價；質量改進

【中圖分類號】 R 197 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0106

【引用本文】 周潔，胡凌娟，懷晴雨. 基于主成分分析和TOPSIS模型的我國各省份醫療水平評價研究［J］. 中國全科醫學，2023，26（34）：4254-4260，4268. DOI：10.12114/j.issn.1007-9572.2023.0106. ［www.chinagp.net］

ZHOU J，HU L J，HUAI Q Y. Evaluation of medical level in China by provinces based on principal component analysis and TOPSIS model［J］. Chinese General Practice，2023，26（34）：4254-4260，4268.

Evaluation of Medical Level in China by Provinces Based on Principal Component Analysis and TOPSIS Model ZHOU Jie，HU Lingjuan*，HUAI Qingyu

School of Management，Beijing University of Traditional Chinese Medicine，Beijing 100029，China

*Corresponding author：HU Lingjuan，Associate professor；E-mail：hulingjuancn@126.com

【Abstract】 Background During the nationwide epidemic of COVID-19 infection，the spatial agglomeration of medical resources in China has been highlighted，and there are obvious differences in medical level among provinces. Currently，the evaluation of medical level in China by provinces was mainly conducted by domestic scholars using quantitative methods，while comprehensive method was less applied to evaluate the medical level by provinces. Objective To understand the differences in the level of healthcare development in China by provinces，so as to provide a reference for healthcare decision makers. Methods In"November 2022，CNKI，Wanfang Data Knowledge Service Platform，and Web of Science were searched by computer for the researches in the field of medical level. Based on the existing research results，relative and average indicators were selected to construct the evaluation index system. The data of each evaluation index was extracted or calculated by using China Health and Health Statistical Yearbook 2022 as the data source. Using the principal component analysis and TOPSIS model，the medical levels of 31 provinces in China（Hong Kong Special Administrative Region，Macao Special Administrative Region and Taiwan Province were not included in the statistics）were comprehensively evaluated. Results A total of 6 qualified papers were retrieved and 13 relative and average indicators were selected from three aspects of medical resources，medical services，and medical security to construct the evaluation system. The KMO value was 0.733，and Bartlett's spherical test showed that χ2=346.908，Plt;0.001，suggesting that the data were suitable for principal component analysis；four principal components were extracted according to the criterion of characteristic root above 1.000，including the scale of medical resources and quality of medical services（F1），the efficiency of medical institutions（F2），infectious disease control ability（F3），and other factors（F4），and the cumulative percent variance of the four principal components was 84.012%. After establishing the linear model of each principal component based on the matrix of the principal component scores，the comprehensive evaluation model for the medical level was obtained based on the cumulative percent variance of the four principal components：Y=0.439 85×Y1+0.158 54×Y2+0.154 40×Y3+0.087 34×Y4. The top three provinces in terms of comprehensive score of medical level were Beijing（151.908 points），Shanghai（124.379 points），and Tianjin（78.673 points）. The TOPSIS proximity ranking showed that Beijing and Shanghai were at the top level（proximity was 0.767 and 0.646，respectively），and the 31 provinces could be divided into three echelons with proximity 0.400 and 0.201 as the nodes. The first echelon included three provinces of Beijing，Shanghai and Tianjin，the second echelon included 25 provinces such as Zhejiang Province and Sichuan Province，the third echelon included three provinces of Hebei Province，Ningxia Hui Autonomous Region and Tibet Autonomous Region. Conclusion There is an obvious imbalance in the level of medical development in China by provinces，showing an olive-shaped structure of \"big in the middle and small at the two ends\" in the overall distribution of medical level in 31 provinces. The government should increase the incline degree of policy for provinces with low ranking in medical level，such as Hebei Province，play a coordinating role in regional health planning，and implement targeted assistance by using telemedicine and medical big data.

【Key words】 Medical level evaluation；Principal component analysis；TOPSIS model；Health care quality，access and evaluation；Quality improvement

《深化醫藥衛生體制改革2022年重點工作任務》提出，要深化醫藥衛生體制改革，促進優質醫療資源擴容和均衡布局［1］。我國醫療資源空間分布不均衡［2］，區域醫療衛生事業發展具有不平衡性（東部地區的醫療水平明顯高于西部地區）［3］，因此對各省份醫療水平做出客觀評價對于提升醫療衛生服務體系的整體運行效率、區域醫療衛生事業協同發展水平具有重要意義。我國學者針對醫療水平評價開展的綜合研究可被分為兩類：一類是運用主成分分析法、TOPSIS法和聚類分析法等方法對31個省份的醫療水平進行評價，如郭玉玲等［4］、李季［5］、劉平清等［6］分別于2016、2019、2020年構建指標體系并基于當年衛生健康統計年鑒數據對我國各省份醫療水平進行評價；另一類是將主成分分析法、TOPSIS法和聚類分析法結合起來評價區域、醫療機構某一方面或科室的醫療水平，如我國學者已嘗試對安徽省［7］、江蘇省［8］、河北省［9］的醫療水平進行評價，對某三級甲等醫院的醫療質量進行評價［10］，以及對醫療機構外科效益進行評價［11］。上述研究均基于構建的綜合評價指標體系評價醫療水平，對于政府部門進一步出臺旨在促進醫藥衛生體制改革順利推行、推動醫療資源配置均等化、提升人民健康水平的政策法規具有借鑒意義，但是上述研究所采用的數據已不能用于充分地解釋我國各省份醫療水平現狀，針對特定區域/機構醫療水平的評價結果也不具備外推性。本文基于衛生健康統計年鑒數據，采用主成分分析法和TOPSIS模型對全國各省份醫療水平進行統計分析，并根據分析結果做出評價，以期為政府相關部門統籌安排全國醫療資源、科學合理決策提供參考。

1 資料與方法

1.1 對醫療水平的概念界定 國內外學者對醫療水平的定義不同，各定義側重點也不同。中國政府提出醫療水平為區域性、整體性概念［12］，但是其并未對醫療水平的概念進行詳細解釋。醫療水平的主體具有多樣性，如醫生的醫療水平、醫療機構的醫療水平，乃至區域的醫療水平［13］。國內學者很少對醫療水平進行定義，多僅在醫療責任認定過程中對“當時的醫療水平”做出界定。張眾等［14］認為，醫療水平可通過醫療機構及其醫務人員在診療活動中遵守診療規范及遵循科學、安全、合理、有效、經濟、倫理原則的前提下，為患者提供的與自身能力相適應的醫療服務來體現。在國外研究中，學者在對醫療水平進行界定時主要聚焦健康公平性。Kai Huter認為在公共資源稀缺的背景下，是否將公共衛生領域的資源用于旨在實際減少健康不平等（門診與住院衛生服務利用不公平、門診與住院費用不公平、住院費用補償不公平等［15-16］）現象的項目是醫療水平評價的重要內容［17］。既往研究雖并未系統性地提出醫療水平的概念，但是根據其研究內容和結果可以總結出醫療水平的評價內容不僅涵蓋醫療服務，還應涵蓋患者的滿意度、醫療工作效率、醫療技術經濟效果（投入產出關系），以及醫療的連續性和系統性。

1.2 構建醫療水平的指標體系、明確資料來源 能夠有效反映醫療水平的指標體系既要具有全面性，又要具有代表性［18］。于2022年11月，以“醫療水平”“醫療水平評價”為關鍵詞檢索中國知網、萬方數據知識服務平臺，以“Medical level evaluation”“Medical level”為主題詞檢索Web of Science數據庫，獲取有關醫療水平評價的文獻。檢索時限為建庫至2022年11月。剔除綜述和評論，以及關鍵詞不包含醫療水平或醫療水平評價、內容不涉及評價指標的文獻。最終共檢索出合格文獻6篇［4-9］。6篇［4-9］文獻提及了醫療服務能力方面的評價指標，主要包括病床使用率、病死率等；5篇［4-5，7-9］文獻提及了醫療資源方面的評價指標，主要包括醫療機構數、醫院床位數、衛生人員數；3篇［4-5，7］文獻提及了醫療保障能力方面的評價指標，主要包括衛生總費用、城鄉居民醫療保險參保人數等。為了消除人口數等干擾因素的影響［4］，在借鑒現有研究成果的基礎上，從醫療資源、醫療服務能力、醫療保障能力3個方面選取13個相對指標和平均指標來構建評價體系，見表1。從《2022中國衛生健康統計年鑒》［19］中提取相關指標數據，或利用從《2022中國衛生健康統計年鑒》中提取的數據對指標進行計算，其中x9基本醫療保險參保率由從《2022中國衛生健康統計年鑒》中提取的各省份基本醫療保險參保人數除以附表中的各省份人口數得出，其余指標數據直接從《2022中國衛生健康統計年鑒》中提取。各省份在13個評價指標上的數據見表2。

1.3 研究方法

1.3.1 主成分分析法 主成分分析法是一種降維算法，通過正交變換，將多個具有一定相關關系的指標轉換成主成分，這些主成分是原始變量的線性組合，且彼此之間互不相關。首先，評價指標中的甲乙類法定傳染病死亡率、平均住院日和病死率是低優指標，需要先對其進行同趨勢化處理。將甲乙類法定傳染病死亡率和病死率取倒數后再乘以100，將平均住院日取倒數后再乘以1 000，使3者從低優指標變成高優指標。同時為了消除不同指標間的量綱差異，對所有原始數據進行標準化處理［20］。其次，將處理后的數據導入SPSS 26.0軟件，對其進行KMO和Bartlett' s球形檢驗，依據特征值和累積方差貢獻率提取主成分，通常選取的前n個主成分若能夠反映原始指標信息量的85%，就認為提取的n個主成分可用［5］。最后，建立因子荷載矩陣，解釋各個主成分反映的主要信息，依據主成分得分系數矩陣得出各主成分線性模型，將各主成分的方差貢獻率作為權重對n個主成分進行加權求和，得到評價各省份醫療水平的綜合評價模型，進而計算各省份醫療水平綜合得分并依據綜合得分對各省份進行排名。

1.3.2 TOPSIS模型 TOPSIS法是一種根據各評價對象與理想解的接近程度對各評價對象進行排序的方法。基于31個省份在各主成分上的得分形成原始矩陣，將其導入Excel 2016軟件，對原始矩陣進行標準化處理，再通過提取每個評價指標的最大值和最小值，計算出各評價對象距離最大值的距離di+和距離最小值的距離di-，最終計算出各評價對象與最佳對象的距離，即貼近度（Si值）。Si值取值為0～1，越接近1表示綜合水平越高［6］。

2 結果

2.1 主成分分析結果

2.1.1 KMO值及Bartlett' s球形檢驗結果 KMO值為0.733，Bartlett' s球形檢驗結果為χ2=346.908、Plt;0.001，說明變量間的相關性較強，滿足主成分分析的前提條件，可以進行下一步分析。

2.1.2 提取主成分 以特征值gt;1.000為標準，可提取4個主成分，4個主成分的累積方差貢獻率達到84.012%（表3），即前4個主成分能夠用于充分反映全國31省份的醫療水平。

2.1.3 建立因子荷載矩陣 采用最大方差法對初始因子荷載矩陣進行Kaiser標準化正交旋轉（表4），依據原始指標在各主成分上的荷載量大小判斷原始指標歸屬［7］。x1（每千人口衛生技術人員數）、x2（每千人口醫療衛生機構床位數）、x10（人均衛生總費用）、x11（預期壽命）、x12（住院患者次均醫藥費）、x13（門診患者次均醫藥費）6個指標在第1個主成分上的荷載量最大，這6個指標主要反映醫療資源規模和醫療服務質量，故將F1稱為醫療資源規模和醫療服務質量。x3（醫師日均擔負診療人次）、x4（居民年平均就診次數）、x7（病床使用率）在第2個主成分上的荷載量最大，這3個指標主要反映醫療機構工作效率，故將F2命名為醫療機構工作效率。僅x5（甲乙類法定傳染病死亡率）在第3個主成分上的荷載量最大，故將F3命名為傳染病控制能力。x6（平均住院日）、x8（病死率）、x9（基本醫療保險參保率）在第4個主成分上的荷載量最大，這3個變量共線性不顯著，故將F4稱為其他因素。F1體現的是醫療資源規模和醫療服務效益，F2體現的是醫療機構工作效率，F3和F4均包含病死率方面的指標，故F1、F2是效益型指標，F3、F4是成本型指標。

2.1.4 主成分線性模型和醫療水平綜合評價模型的建立 根據主成分得分系數矩陣（表5），得出各個主成分線性模型：

Y1=0.398×x1+0.050×x2-0.100×x3+0.064×x4+0.006×x5+0.122×x6-0.091×x7-0.039×x8+0.179×x9+0.281×x10+0.013×x11+0.174×x12+0.277×x13

Y2=-0.179×x1-0.073×x2+0.353×x3+0.230×x4-0.185×x5-0.030×x6+0.405×x7+0.068×x8-0.079×x9-0.065×x10+0.149×x11+0.015×x12-0.066×x13

Y3=-0.206×x1-0.336×x2+0.087×x3+0.016×x4+0.357×x5+0.008×x6-0.186×x7-0.069×x8-0.432×x9-0.046×x10+0.058×x11+0.054×x12-0.076×x13

Y4=0.154×x1-0.222×x2-0.034×x3+0.101×x4+0.036×x5+0.554×x6+0.041×x7+0.359×x8+0.231×x9+0.094×x10-0.216×x11-0.032×x12+0.035×x13

分別將上述4個主成分的方差貢獻率作為權重，對4個主成分進行加權求和，得到評價各省份醫療水平的綜合評價模型：

Y=0.439 85×F1+0.158 54×F2+0.154 40×F3+0.087 34×F4

2.1.5 各省份醫療水平綜合得分及排名 將經標準化處理的數據代入綜合評價模型，計算得到各省份醫療水平綜合得分（表6）。綜合得分排前3位的省份分別為北京市（151.908分）、上海市（124.379分）、天津市（78.673分），排在后3位的省份分別為黑龍江省（-38.368分）、甘肅省（-39.934分）、貴州省（-45.811分）。

2.2 TOPSIS分析結果 以主成分分析中各主成分的方差貢獻率作為權重，構建加權標準化矩陣，最終得出最優值、最劣值和Si值，見表7。Si值排名結果顯示，北京市和上海市處于靠前水平（Si值分別為0.767、0.646），以Si值0.400和0.201為節點，可以將31個省份分為3個梯隊，第1梯隊有北京市、上海市和天津市3個省份，第2梯隊有浙江省、四川省等25個省份，第3梯隊包括河北省、寧夏回族自治區和西藏自治區3個省份。

3 討論

3.1 采用主成分分析和TOPSIS模型相結合的方法評價各省份醫療水平更加科學、合理，但是也有一定的局限性 可用于我國醫療水平評價的方法較多，包括TOPSIS法、層次分析法、德爾菲法、主成分分析法和綜合指數法等。實現對醫療水平的評價需要1個綜合的指標體系，只基于單一指標來評價醫療水平過于片面。考慮到在1個綜合的指標體系中，評價指標之間可能會發生相互作用，若未采用主成分分析法（主成分分析法可以將多個相互之間有關聯的指標通過一定的數學運算轉換成互相獨立的幾個主成分［10］），評價指標間的交互作用可導致評價結果客觀性和真實性降低。本研究中，提取出的4個主成分替代了原始的13個評價指標，4個主成分的累積方差貢獻率達84.012%，提示4個主成分能夠反映原始指標的大部分信息，主成分分析的結果具有全面性。將各主成分的方差貢獻率作為權重進行TOPSIS分析，計算各評價對象距離最優解和最劣解的距離，最終得出各省份醫療水平的綜合排名；采用此方法可避免人為確定權重，且此方法有較好的數學理論基礎，保證了評價結果的客觀性。劉平清等［6］曾采用主成分分析法和TOPSIS模型相結合的方法評價我國整體醫療水平，但其評價我國醫療水平時只基于少量衛生資源和門、急診衛生服務利用方面的指標，且指標數據來源于《2018中國衛生健康統計年鑒》，故研究結果對于目前相關部門做出決策參考意義不大。本研究在借鑒現有研究成果的基礎上，將符合我國當前國情的“甲乙類法定傳染病死亡率”這一指標納入指標體系，構建了科學、合理、完整的評價指標體系，并將主成分分析法和TOPSIS模型結合起來綜合評價各省份的醫療水平。主成分分析法和TOPSIS模型對數據的分布無要求，能夠消除量綱和數量級對評價結果的影響，可使評價結果具有全面性、客觀性，被廣泛應用于醫療水平評價、醫療質量評價等領域［11］。

主成分分析法作為近年來被廣泛應用的綜合評價方法，可以利用較少的變量對原資料中的大部分變異進行解釋，但由于31個省份的區域衛生規劃目標、衛生事業發展目標不同，各省份居民的健康需求也不盡相同，如北京市和上海市擁有較為發達的醫療系統，當地居民不僅要求基本醫療需求得到滿足，還對診療質量提出較高要求，而西藏自治區為經濟欠發達地區，現階段在工作任務上側重于基層醫療體系建設，也出臺了相應的政策促進民族醫藥的發展，所以僅基于一套指標體系來評價31個省份的醫療水平具有一定的不合理性。在評價各省份醫療水平時，除了采用主成分分析、TOPSIS模型等綜合評價方法之外，還應當結合各省份的實際情況，從而保證評價結果和提出的相應建議更加科學、合理。

3.2 梯隊的醫療水平與其經濟發展水平相對應 從分析結果來看，中國的醫療水平存在明顯的省際發展不平衡問題，與中國31個省份當前經濟發展水平分布結構特征［21］相一致，31個省份醫療水平分布整體呈現“中間大、兩頭小”的橄欖型結構特征。Si值位居前3位的省份依次為北京市、上海市、天津市，其Si值均大于0.400，為第1梯隊，此3個省份均為我國經濟發展水平排名靠前的省份，醫療水平也相應較高［6］。北京市和上海市作為我國的政治和經濟中心，擁有大量優質醫療資源，大量高水平醫務人員聚集在此，所轄部分醫療機構代表了中國醫療的最高水平。從單個指標來看，北京市Y1得分最高，這可能與其每千人口衛生技術人員數最多有關。天津市的醫療水平也位于前沿，這與其獨特的地理位置及經濟發展水平較高密切相關。天津市在Y3上的得分排名靠前，可能與其在新型冠狀病毒感染疫情防控工作中表現較為優秀有關。天津市面對突發疫情反應迅速，率先采用中醫療法應對新型冠狀病毒感染，有效降低了新型冠狀病毒感染患者的病死率［22］。另外，大量外省份患者選擇至北京市、上海市、天津市等省份的醫療機構就醫，但異地就醫導致的各省份居民年平均就診次數變化相關數據在統計年鑒中并未被單獨列出，這可能會對本研究的結論產生一定影響。異地就醫導致的各省份居民年平均就診次數變化對各省份醫療水平排名的影響有待進一步研討。

Si值排后3位的省份依次為河北省、寧夏回族自治區、西藏自治區，Si值均≤0.201，屬于第3梯隊，三者均有各自優點和缺點：旨在推進少數民族醫藥傳承創新、應用發展和人才培養的政策向寧夏回族自治區和西藏自治區傾斜［23］，河北省依托京津冀一體化戰略正在與京津加強醫學科研合作、人才交流。據中央人民政府發布的31個省份2022年地區生產總值，這3個省份中，河北省地區生產總值達4萬億元級，排名第12，在全國處于中等水平，但是其醫療水平卻排在倒數，可見經濟水平高的地區醫療水平也高的結論不完全正確，還應根據實際情況作進一步討論。河北省醫療水平排在倒數第3，尤其是在Y1和Y2上的得分很低，表明河北省的醫療資源規模和醫療服務效益、醫療機構工作效率都低于一般水平，有可能與河北省對自身醫療衛生事業投入不足有關。河北省三級甲等醫院數量較少，將較多的醫療資源集中投放到經濟發展水平較高的城市，醫療基礎設施在全省范圍內布局不均衡，且受京津冀一體化戰略的影響，當地居民更偏向前往北京市和天津市獲取醫療服務。因此，河北省應通過加大對衛生健康領域的財政投入力度、吸引人才、創新管理模式等來改善醫療環境、提高醫療服務質量。西藏自治區和寧夏回族自治區因其地理環境和歷史文化的特殊性，醫療水平低于其他省份，但根本原因還是經濟落后、醫療資源不足、醫療基礎設施不完善、民族醫藥因發展受限無法最大限度發揮作用。

排名位于中間的多個省份在綜合評價中表現突出，屬于第2梯隊，其中廣東省和江蘇省的醫療水平總體較好，這離不開長期積累的優質醫療資源和較高的經濟水平支撐，但其醫療水平仍有提升空間。山東省Y2得分為-0.043，提示山東省醫療機構工作效率較低，且山東省醫師日均擔負診療人次與甘肅省相當。究其原因：一是山東省人口眾多，省內各城市間經濟發展水平差距大，優質醫療資源過度集中在經濟發達城市；二是每千人口衛生技術人員較多有助于減輕醫師的工作壓力。

3.3 建議處于不同梯隊的省份選擇適合自身的發展路徑 根據上述分析結果，本研究提出以下建議：（1）我國醫療水平存在明顯省際發展不平衡問題，應進一步縮小省際醫療水平差距。因此，國家需要加大對經濟欠發達地區的財政投入力度，將資金和政策向欠發達地區傾斜，促進其經濟發展。同時也要繼續發揮政府在醫療資源配置中的主導作用，通過定點幫扶，使醫療資源更多地流向欠發達地區，更好地提升欠發達地區醫療水平，提高當地居民健康水平。（2）第1梯隊的省份醫療水平較高，應持續推進醫療水平高質量發展。因此，醫療水平較高的地區應發揮自身優勢，提升醫療機構工作效率，依托遠程醫療、醫療大數據等發揮自身輻射效應，帶動區域醫療水平整體進步。處于第2梯隊的省份在保持現有醫療水平基礎上，要根據區域衛生規劃目標，分析當前區域醫療衛生事業發展的優勢和不足，注重區域醫療衛生事業發展協同性，通過讓省份內發達地區帶動欠發達地區，提高全省醫療水平。（3）第3梯隊的省份醫療水平落后，應從多方面著手提高醫療水平。國家需要加強對第3梯隊省份的政策傾斜，加快農村醫療體系建設，促進優質醫療資源均衡布局、完善分級診療制度。就河北省而言，要發揮北京市和天津市對河北省的輻射效應，深入推動京津冀一體化發展；在促進河北省經濟發展的同時，推進河北省醫藥衛生體制改革和醫療衛生事業發展進程。就寧夏回族自治區和西藏自治區來說，國家不僅應加大對其的財政投入、鼓勵衛生技術人員至當地執業、幫助其完善醫療基礎設施，還應加快實施衛生健康對口支援、健康扶貧工程，進而防止當地居民因病致貧、返貧，從根源上提升欠發達地區醫療水平。

本研究基于構建的評價指標體系對中國各省份醫療水平做出評價并進行分析，但仍存在不足之處。異地就醫導致指標的客觀性、評價結果的全面性受到一定影響。同時研究者僅基于主成分分析法和TOPSIS模型評價各省份的醫療水平，而兩種方法均有各自的局限性，一定程度上會對實證分析結果的論證強度造成不利影響。

作者貢獻：周潔負責提出研究理念，進行統計學分析，撰寫論文；胡凌娟負責提供思路指導，提出修改意見，對文章整體負責；懷晴雨負責收集數據。

本文無利益沖突。

參考文獻

國務院辦公廳. 關于印發深化醫藥衛生體制改革2022年重點工作任務的通知［A/OL］. （2022-05-25）［2022-11-06］. http：//www.gov.cn/zhengce/content/2022-05/25/content_5692209.htm.

WAN S，CHEN Y，XIAO Y，et al. Spatial analysis and evaluation of medical resource allocation in China based on geographic big data［J］. BMC health services research，2021，21（1）：1-18.

宋佳欣，趙文英，祖培福. 改進TOPSIS法在我國各省醫療衛生水平綜合評價中的應用［J］. 黑龍江科學，2021，12（18）：151-153，156. DOI：10.3969/j.issn.1674-8646.2021.18.062.

郭玉玲，劉欽普. 中國醫療衛生發展水平區域差異綜合評價［J］. 中國衛生統計，2016，33（2）：251-253.

李季. 基于主成分分析和聚類分析的各地區醫療水平狀況研究［J］. 軟件，2020，41（6）：242-246.

劉平清，朱桂玲，張慧愿. 基于因子分析與TOPSIS模型的醫療水平綜合評價［J］. 電腦知識與技術，2020，16（29）：10-12.

孟婷，王祎輝，朱家明. 基于因子分析對安徽省醫療衛生服務水平的綜合評價研究［J］. 哈爾濱師范大學自然科學學報，2020，36（3）：87-94.

黃子泓，林秋. 基于主成分分析的江蘇省城市醫療水平評價［J］. 高師理科學刊，2019，39（10）：33-36.

吳祎帆. 河北省各城市醫療衛生服務水平的評價與分析［D］. 保定：河北大學，2019.

婁苗苗，黃陸光，楊艷華，等. 基于主成分分析綜合評價某三甲醫院醫療質量［J］. 中國衛生統計，2021，38（4）：539-541.

李斌，程霓虹，涂西林，等. 運用SPSS中主成分分析法評價外科效益［J］. 中國衛生統計，2010，27（3）：313-314，316.

國家衛生健康委，國家中醫藥管理局. 關于印發公立醫院高質量發展促進行動（2021—2025年）的通知［EB/OL］.（2021-09-14）［2023-01-10］. http：//www.gov.cn/gongbao/content/2021/content_5618942.htm.

孫健，文秋林. 競爭戰略視角下的醫院戰略管理［J］. 衛生軟科學，2016，30（3）：146-147，160.

張眾，鮑海紅. 以醫學視角解讀《民法典》中“醫療水平”之內涵［J］. 醫院管理論壇，2022，39（5）：8-11.

MAO Y，XU F，ZHANG M J，et al. Equity of health service utilization of urban residents：data from a western Chinese city［J］. Chin Med J（Engl），2013，126（13）：2510-2516.

SUN X，ZHANG H，HU X，et al. Measurement and analysis of equity in health：a case study conducted in Zhejiang Province，China［J］. Int J Equity Health，2018，17（1）：36.

LORENC T，PETTICREW M，WELCH V，et al. What types of interventions generate inequalities？ Evidence from systematic reviews［J］. Journal of Epidemiology and Community Health，2012，67（2）：190. DOI：10.1136/jech-2012-201257.

王璐，龐皓. 綜合評價中的指標選擇方法［J］. 統計與決策，2007，23（1）：58-59. DOI：10.3969/j.issn.1002-6487.2007.01.031.

國家衛生健康委員會. 2022中國衛生健康統計年鑒［M］. 北京：中國協和醫科大學出版社，2022.

沈思瑜，邰蕾蕾，荊巧玉. 基于主成分分析法的我國衛生總費用影響因素分析［J］. 中國物價，2022，34（7）：67-70.

王元，孔偉艷. 未來30年中國社會發展趨勢及促進共享發展的建議［J］. 宏觀經濟研究，2019，39（5）：5-19，32. DOI：10.16304/j.cnki.11-3952/f.2019.05.002.

白佳麗，張建新. 天津：中醫藥深度介入防控治療康復全程［N］. 經濟參考報，2022-04-06（006）.

中華人民共和國中醫藥法［A/OL］. （2016-12-26）［2023-06-09］. http：//www.natcm.gov.cn/fajiansi/zhengcewenjian/2018-03-24/2249.html.

（收稿日期：2023-02-27；修回日期：2023-06-10）

（本文編輯：陳俊杉）