中國農村地區衛生基礎設施建設研究

孫 健 張體棟 張釋文

引 言

根據國家發展戰略，2020年中國要實現全面建成小康社會，徹底消除貧困的宏偉目標。而徹底消除貧困問題，主要是要妥善解決“農業、農村、農民”三農問題。對于如何解決“三農問題”與實現鄉村振興和新農村建設，學者與業界的共識同時也是最為重要的內容是加強農村地區基礎設施建設。

農村基礎設施主要包括經濟性基礎設施(農村地區的交通、能源、水利、環保)與社會性基礎設施(教育、體育、文化、養老保險、醫療衛生等)①。國內外大部分的研究已經證明農村基礎設施建設與農村地區的經濟狀況息息相關(鞠晴江，2006；魏躍軍，2011；陳銀娥等，2012；曾福生等，2018)，農村地區的基礎設施建設可以有效促進農民增收，特別是農村基礎設施建設對于收入較低群體獲益更多(張勛、萬廣華，2016)。Fan等(2000，2002)通過研究亞洲地區中國和印度的道路、電力、水利等基礎設施建設對農業產生的影響，發現有明顯的促進作用，特別是對于不發達地區邊際收益更高。胡月等(2019)通過研究美國鄉村演變的歷程，認為目前中國所處的城鄉背景與美國20世紀七八十年代面臨的背景類似，應在政府占主導地位的基礎上引進社會資本加大農村地區基礎設施建設。

中國農村居民的健康問題一直是國家重點關注的問題，穩步提高農村居民的健康狀況，提高農民的生活的幸福感與獲得感是實現全面建成小康社會的重要目標。根據《中國健康和營養調查》，1990-2015年，農村人口健康保健支出占家庭支出比例從3.3%上升到9.2%，農村家庭的健康支出在家庭支出中的占比顯著提升，說明農村居民的健康意識穩步提高；國家政府的健康支出占總健康支出的比重由15.5%升高到30.4%，國家政府越來越注重對于居民身體健康的投入。隨著國家與農村居民家庭的健康支出的增加，研究其內在的影響因素就成為學界的研究熱點。

因此研究分析在鄉村振興與新農村建設中，農村地區基礎設施建設給農村居民所帶來的影響成為在今后的政策制定及實施過程中所必須考慮的。在提高居民的福祉成為國家施政理念的前提下，最重要的是對農村居民健康支出與健康水平方面的影響。國內學者對于農村居民健康方面的研究主要集中于以下幾個方面：

(一)健康支出的經濟效應。張銀等(2010)認為農民的健康資本對于農民的績效具有顯著的正向作用，明顯促進居民的收入和生活水平。提高農村的健康水平，與經濟發展具有相互促進的作用。何凌霄等(2015)研究發現居民和政府的健康支出對經濟發展具有促進作用。王弟海等(2016)通過運用跨國面板數據，分析世界范圍內健康與教育投資與人均產出的關系，發現國外大部分國家健康支出對人均GDP的有明顯的促進作用。

(二)影響農村居民健康支出與健康水平的因素。饒曉輝等(2015)研究了農村收入、病床數量、老齡化率以及藥品價格的上漲的因素。李增剛等(2008)使用自己對山東省17個行政村做的調查問卷數據，研究了農村居民的收入水平、教育程度以及醫療水平對于健康支出的影響。趙為民(2020)研究了新農合大病保險對農村居民健康狀況以及醫療健康支出的影響。鄭適等(2017)同樣研究了新農合對農村居民身心健康的影響，說明國家對農村地區實施新農合政策有助于農村居民健康水平的提高。儲雪玲等(2010)分析了醫療、收入和教育等因素對農村居民健康的影響，認為教育水平、收入水平對農民健康狀況具有顯著的促進作用，醫療價格則對健康狀況有顯著的消極影響。陳在余等(2010)研究了農村居民的收入及收入差距對農民健康的影響。因此，對于農村居民健康支出與水平的影響因素的研究主要有兩個方面：第一，微觀層面的農村居民收入、教育水平等因素對健康支出的影響；第二，分析宏觀政策層面如新農合政策對居民健康的影響。

通過梳理既有的研究文獻，國內研究主要集中于農村基礎設施建設特別是交通、水電等經濟型基礎設施對農村經濟產生的影響②，而對衛生基礎設施的研究較少。對衛生基礎設施的研究主要集中在兩個方面。第一，衛生基礎設施的經濟影響：張亦弛等(2018)將村衛生室數量作為農村衛生基礎設施的代理指標，發現農村衛生基礎設施建設對農業經濟增長有顯著的促進作用；彭代彥(2002)認為農村醫療衛生設施在降低農民生產支出和增加農民收入方面具有顯著作用。第二，農村衛生基礎設施對農村居民健康方面的影響：農村的環境衛生狀況對農村居民醫療保健支出有重要的負向影響(高洪洋等，2016)，農村地區的“改廁改水”等衛生基礎設施工程可以有效降低農村污水排放對中老年農村居民健康的負面影響(王兵等，2016)。

本文從中國農村衛生基礎設施建設政策實施的角度出發，運用PSM-DID模型，研究分析農村地區衛生基礎設施建設對于農村居民健康支出以及健康水平的影響，并提出相關的政策建議，以使惠及農村居民的基礎設施政策落到實處。

一、計量模型的設定與數據說明

(一)計量模型的設定

由于本篇文章內容研究的是公共政策的實施所產生的影響，因此選用PSM-DID模型進行分析。使用PSM-DID模型對公共政策進行分析的優勢由Heckman等(1997，1998)提出的，該模型可以控制未觀察到的非時變變量的組間差異。

1.雙重差分法(DID)

根據雙重差分模型(difference-in-difference，DID)的理論基礎，同時引入時間虛擬變量，同一組的政策實施前為對照組，政策實施后為實驗組。構建如下的基本公式：

(1)

(1)式中，D表示政策處理效應，treatment代表實驗組，control代表對照組，t1表示政策實施后，t0表示政策實施之前。實驗組與對照組在政策實施之后與之前的差分結果再次差分就得到了政策的處理效應。

2.傾向得分匹配(PSM)

在本次研究分析中，不同的省份之間異質性較大，時間效應難以趨于一致。因此，在做雙重差分之前需要找到某些與實驗組相一致的特征。統計學家Rosenbaum和Rubin在1983年首次提出“傾向性得分”③，主要用于處理難以區分實驗組與對照組的數據，即某一個樣本個體，在各個匹配變量值都給定的情況下，計算其被挑選為實驗組的概率。具體步驟如下：

第一，計算傾向得分。通過Logit回歸模型計算每個省市進入實驗組與對照組的概率，將這種概率作為傾向得分：

P(X)=pr(treatit=1|xi)=F(Xi)

(2)

(2)式中，treatit為實驗組虛擬變量；Xi為第i個省市的特征變量；F(·)為Logistic函數。

第二，根據傾向得分進行匹配。根據上一步得出的傾向得分值，以及趨勢評分滿足平衡性的準則，在對照組中找到與實驗組的傾向得分值最為相近的，同時要保證匹配完成的兩組之間不存在顯著的差別。

綜上，本研究PSM-DID分析方法具體過程為：

第一步，運用PSM方法匹配實驗組與對照組。首先進行Logit回歸。建立基于被解釋變量和解釋變量的logit回歸模型，估算得到每個樣本在所有解釋變量的當前值時的傾向評分，并基于估算的傾向得分重新分配樣本實驗組和對照組。

第二步，將匹配完成的兩組進行DID估計。將得到的新的政策虛擬變量和交互變量再構建雙重差分模型來研究中國農村衛生基礎設施建設對農村居民健康支出，傳染病發病率，死亡率的影響效果。PSM-DID的基本回歸方程如下所示：

Yit=β0+β1treatit+β2yearit+β3treatit×yearit+∑βjXit+μi+εit

(3)

(3)式中，Yit為被解釋變量，本文選取人均健康支出、傳染性疾病發生率與傳染性疾病死亡率三個不同維度衡量農村地區衛生基礎設施建設對農村居民健康支出與健康水平的影響，下標i與t分別表示省份與時間信息。treatit為個體虛擬變量，反應t年某省份開始實施衛生基礎設施建設取值為1，未開始實施取值為0。yearit為時間虛擬變量，表示開始實施衛生基礎設施建設措施之后的年份取值為1，之前取值為0。交互項(treatit×yearit)的系數β3是本文分析的衛生基礎設施建設對實驗組與對照組的不同的影響。Xit表示控制變量。μi為個體固定效應。εit為隨機干擾項。

(二)變量解釋與描述性統計：

本文使用的數據來源于《中國農村年鑒》、《中國統計年鑒》、《中國衛生健康統計年鑒》、《中國環境統計年鑒》以及《中國文化文物統計年鑒》等。文章統計了2012-2017年全國30個省市的相關數據(缺失西藏)。

1.被解釋變量選擇。本文選取了三個解釋變量，分別為：人均健康支出、傳染性疾病發生率、傳染性疾病死亡率，分別反應農村居民的健康支出水平以及與健康水平。如表1所示：

表1 被解釋變量與解釋變量的定義與度量

2.解釋變量選擇。

本次研究中農村基礎設施建設中涉及衛生基礎設施領域的主要包括環境基礎設施、醫療基礎設施等。

本文選取農村地區衛生間改革與否(某些省市開始實施衛生間改革政策取值為1，未開始實施取值為0)、衛生間覆蓋率以及衛生間改革投入資金作為環境基礎設施建設的代理變量。同時經過分析發現，2015年前后全國各省份農村地區衛生間改革的差異較大。由于2015年國家開始提倡推進農村地區衛生間改革，將衛生間“改造”升級為“改革”的戰略高度，因此將2015年作為衛生基礎設施建設開始實施時間。此外，2016年10月印發的《“健康中國2030”規劃綱要》中指出要加快無害化衛生間建設，力爭到2030年，全國農村居民基本都能用上無害化衛生間。《“十三五”衛生與健康規劃》中提出：加快推進農村生活污水治理和無害化衛生間建設，農村衛生廁所普及率達到85%以上。綜上，以2015年為時間節點分析農村衛生基礎設施建設的影響具有明確的理論與現實意義。

本文選取各地區村衛生室個數以及每萬人醫護人員個數作為各省市農村地區醫療基礎設施建設水平的代理變量。

交互項(Treat*year)為農村地區衛生間基礎設施建設這一政策與時間的交互，反映衛生基礎設施政策對實驗組與對照組的不同的影響，是PSM-DID模型關鍵的解釋變量。

盡管DID模型可以消除部分內生性問題，但是為了更準確找到實驗組省市與對照組省市之間的差異，控制變量指標選用衛生間覆蓋率、衛生間改革投入資金等用以說明各個省市的衛生間普及水平；選用文化服務惠及人次、文化服務普及率用以說明該地區的文化文明程度，其中文化服務普及率的計算方式是農村文化服務惠及人次與該地區鄉村人口的比值；選取農村貧困人口規模用以說明該地區的貧困程度；同時，由于中國東中西地域差距較大，因此模型中設定地區變量用以衡量地域不同所帶來的不同的影響。

下表2為主要變量的描述性統計(為了減少人為確定實驗組和對照組偏好影響問題，隨機分配實驗組和對照組樣本)：

表2 主要變量描述性統計實驗組： Treat=1

對照組：Treat=0

二、實證結果分析

(一)雙重差分(DID)分析

首先，對隨機分配出的實驗組與對照組進行雙重差分分析。對于處理完成的數據用Two-Sample T test 對實驗組和對照組進行協變量基準線平衡檢驗，得到檢驗結果詳見表3。

表3 協變量基準線平衡T檢驗結果(TWO-SAMPLETTEST)

***p<0.01;**p<0.05;*p<0.1

根據上表可以看出，在基準線即政策實施前的全部觀測樣本有81個，其中實驗組42個樣本，對照組39個樣本。解釋變量衛生間覆蓋率，文化服務惠及人次在10%水平下有顯著不同；人均健康支出，文化服務普及率，農村貧困人口規模，每萬人醫護人員和地區變量在1%水平下有顯著不同。

進一步分析其他因素對人均健康支出，傳染性疾病發生率與死亡率的影響，把其他解釋變量加入模型中進行DID回歸得到結果如下表4所示：

表4 直接DID回歸結果

從上表4可以看出，基礎設施建設政策項與人均健康支出顯著負相關且對傳染性疾病發生率有顯著的負相關關系。衛生間改革投入資金對傳染性疾病死亡率在1%水平下有顯著的負相關關系。每萬人醫護人員對傳染性疾病死亡率顯著負相關。

(二)PSM-DID分析

下面將應用PSM-DID方法對樣本數據進行分析檢驗。本文運用PSM方法的另一個意義是通過比較與DID模型的分析方法，驗證模型檢驗和估計結果的可靠性。

首先估計傾向得分和匹配得到的實驗組與對照組協變量結果，詳細見表5：

表5 Logit模型估計傾向得分結果

從上表可以看出，prob>chi2值等于0，小于0.05 滿足chi2檢驗，另外R2值為0.2758，logit模型估計傾向得分整體結果較好。根據估算得到得各變量系數，計算傾向得分值。為了進一步檢驗匹配得結果，用Pstest來檢驗匹配結果是否較好地平衡了數據，得到結果如下表6所示。從表6可以看出，不同變量匹配前和匹配后得不同實驗組和對照組均值及偏差，可以看到除了地區變量region，其他變量的偏差都有大幅度的減少。T檢驗結果也體現了，匹配后大部分變量得實驗組和對照組之間得差別顯著性降低，匹配后較好地平衡了數據。進一步對比實驗組與對照組的Kernel分布圖詳見圖1，可以發現對照組的傾向得分主要集中在0到0.2之間，而實驗組的傾向得分主要集中在0.8到1之間。

圖1 傾向得分Kernel 分布圖

根據計算得到的傾向得分，重新匹配實驗組和對照組，進一步分析PSM-DID模型，對匹配后新的實驗組和對照組的樣本進行PSM-DID回歸，得到衛生基礎設施建設政策因素和其他因素對人均健康支出，傳染性疾病發生率與死亡率的影響的PSM-DID回歸結果詳見表7。

表6 Pstest檢驗結果

表7 多變量PSM-DID回歸模型

*p<.05;**p<.01;***p<.001

從上表7可以看出，PSM匹配方法平衡了實驗組和對照組數據，使得政策與時間的交互項變量對人均健康支出在5%水平下顯著負相關，對傳染性疾病發生率在1%顯著性水平下正相關。其他變量也體現了不同程度的顯著性水平。整體模型擬合結果R2值，說明對人均健康支出和傳染性疾病死亡率變量擬合的PSM-DID效果優于一般DID模型。

(三)主要實證回歸結果分析

1.環境基礎設施的影響

根據表7可以看出，政策與時間的交互項對人均健康支出呈現負相關，對傳染性疾病的發病率呈現正相關，對傳染性疾病的死亡率并沒有顯著性水平。而在計量經濟學分析中，交互項系數顯著說明解釋變量與被解釋變量之間存在相互作用的機制，系數的正負不代表其影響的方向問題。因此可以看出，中國農村地區的衛生基礎設施建設影響了農村地區居民的健康支出水平與傳染性疾病的發病率。但對于傳染性疾病的死亡率并沒有相互作用的機制。

政策與時間項。重新匹配后的政策項，通過回歸系數可以看出，農村地區衛生間改革政策對農村居民的健康支出有正向的促進作用，增加了農村居民的健康支出，實驗組與對照組相比，健康支出平均多了82.173元，且每年平均顯著增加88.96元。同時發現實施政策項對傳染性疾病的發病率及死亡率都是具有負向作用，實驗組與對照組相比傳染性疾病的發病率降低了近27(每10萬)，隨著時間的增長傳染性疾病發生率會逐步降低。傳染性疾病死亡率也有相應的降低，說明衛生間改革提高了農村居民的健康水平，降低了傳染性疾病的發病率。造成健康支出增多的具體原因是，一方面農村衛生間改造雖然在全國大部分地區是政府補貼一部分，但是農村還必須負擔改造的費用(以山東為例，改造一戶衛生間的費用約1000元左右，政府財政負擔900元，居民負擔100元左右)；另一方面，衛生間改造完成之后，后期維護費用增加了農村居民的健康支出。

衛生間覆蓋率與衛生間改革投入資金。兩者對居民健康支出水平與傳染性疾病的發病率呈負相關關系，因此，隨著衛生間改革的深入發展，衛生基礎設施建設可以逐步提高居民的健康水平，從而降低居民的健康支出。

2.醫療基礎設施的影響

從表7可以看出，變量各地區衛生室個數對三個被解釋變量未產生顯著的相關關系。而每萬人增加一個醫護人員會增加2.5元的健康支出，同時降低了0.042(每10萬)的傳染性疾病的死亡率，因此農村醫療基礎設施的建設改善，尤其是醫護人員的增多，農村居民的健康意識增強，農村居民可以享受到更多的醫療服務。

3.文化文明程度。從表7可以看出文化文明程度對健康支出、傳染性疾病的發病率以及死亡率并沒有明確的正負項關系，說明在現階段文化文明程度對農村地區衛生間改革無明顯的影響關系。

4.農村貧困人口規模。貧困程度與農村居民健康支出具有顯著的負相關關系，與傳染性疾病死亡率有正相關關系。貧困人口每增加萬人，平均健康支出降低0.477元，死亡率顯著增加0.002(每10萬)。說明隨著貧困程度的增加，居民患有疾病之后可能因為經濟問題不能進行有效及時的醫療救助，造成了死亡率的增加。

5.地區選項。地區選項并未對被解釋變量產生顯著的相關關系，說明中國東中西三個不同的地區對被解釋變量的影響力較小，地域的不同不再是制約農村衛生基礎設施建設與居民健康的主要的影響因素。

三、結 論

從2004年開始一直到2020年，中央政府連續17年發布關于“三農”問題的中央一號文件，“三農”是國家發展的基礎。中國農村衛生基礎設施建設特別涉及“農村與農民”問題，因此解決好農村居民面臨的衛生健康問題，成為當前面臨的重中之重問題。因此本文研究中國農村衛生基礎設施建設與居民健康支出以及健康水平的關系具有非常重要的理論與現實意義。

本文基于中國省級面板數據，并通過研究公共政策最為有效的PSM-DID模型著重分析了農村衛生間改革對農村地區居民健康支出及健康水平的關系。通過對回歸結果進行分析可以發現，政策實施與時間的交互項對居民健康支出與傳染性疾病的發病率產生較為顯著的影響。這意味著農村衛生基礎設施建設政策的實施確實對健康支出及健康水平產生了明顯的影響。本文進一步研究發現衛生基礎設施建設政策增加了農村居民的健康支出，但同時降低了傳染性疾病的發病率與死亡率。研究還發現對傳染性疾病起顯著性影響的是衛生間改革財政投入資金、農村貧困人口規模以及每萬人醫護人員個數，其中財政投入資金、每萬人醫護人員對于傳染性疾病死亡率有明顯的負向關系。

基于文章的研究結論，從以下幾個方面提出一些政策建議：第一，降低農村居民在參與衛生基礎設施建設過程中的經濟負擔。以本文的衛生間改革為例，農村居民在參與改造過程中，需要自負一定的比例(全國不同省市自負比例不同)，進而增加了農村居民的健康支出，因此國家財政應對農村居民自負部分進行更大程度補貼，以減輕農村居民負擔。第二，從上文的總結可以看出，衛生基礎設施建設完成后，后期每年的維護費用同樣增加了農民的經濟壓力，因此國家財政要著重加強對衛生基礎設施建設實施后產生的維護費用的覆蓋，應每年發放一定的基礎設施維護補貼，逐步緩釋農村居民因衛生基礎設施建設產生的經濟壓力。第三，由于農村地區的醫護人員數量的增加可以顯著降低傳染性疾病的死亡率以及各地區衛生室個數并沒有對傳染性疾病的發生率及死亡率有顯著的影響，國家有關部門應努力提高農村地區醫護人員的數量以及醫護水平，完善農村地區醫護人員及科室配置，同時避免片面擴大村衛生室數量。第四，由于貧困人口規模與傳染性疾病的死亡率有顯著的正向關系，因此應加強對農村貧困人口的醫療救助。例如，針對農村貧困人口全面推行“先就醫、后付款”以及提高農村貧困人口的報銷比例等措施，避免出現農村貧困人口因經濟問題而產生就醫不及時現象。

本文研究受限于可獲得的相關數據，并未區分健康支出主要支出在哪幾個類型。因此，細化健康支出類型與深入研究影響程度將是下一步對該主題的研究方向。

①駱永民、樊麗明：《中國農村基礎設施增收效應的空間特征》，北京：《管理世界》，2012年第5期，第71頁。

②李谷成、尹朝靜、吳清華：《農村基礎設施建設與農業全要素生產率》，武漢：《中南財經政法大學學報》，2015年第1期，第142頁。

③Rosenbaum, P.R. and Rubin, D.B. The central role of the propensity score in observational studies for causal effects.Biometrika, 1983, 70(1), p.45.