人口結構影響醫療費用增長的定性比較分析

劉慶順 李利利

摘?要：如何控制醫療衛生費用的非合理性增長，對“健康中國2030”規劃建設具有戰略意義。已有研究側重于老齡化、城鎮化、收入水平等人口結構因素以及醫療服務需求、醫療技術進步等因素的“凈效應”，即控制其他變量之后的平均效應量。而定性比較分析通過研究這些因素的“組態效應”，探討它們影響高醫療費用的必要性和充分性。研究發現，引致高醫療費用的條件組態主要有三個，可將其歸為兩類模式，即城鎮化推動型和醫療技術推動型;而人口老齡化在三個路徑中僅發揮輔助性作用。這意味著，各地要根據其城鎮化水平、醫療技術及醫療資源供給、醫療保障水平等選擇不同的治理路徑。

關鍵詞：醫療費用;人口結構;組態效應;定性比較分析

中圖分類號：C92-05;R195.1?文獻標識碼：A?文章編號：1000-4149（2020）05-0103-15

DOI：10.3969/j.issn.1000-4149.2020.00.045

一、引言

目前，我國醫療衛生費用增長較快現象仍然十分突出。2019年《中國統計年鑒》數據顯示，全國衛生總費用由2000年的4586億元增長到2018年的59121億元，年均增長速度為15.3%。對于醫療費用增長，許多研究認為人口老齡化、城鎮化、經濟發展水平、醫療技術進步等因素是其根本原因[1-3]。也有研究認為老齡化并非醫療費用增長的決定性因素[4];城鎮化率和人口老齡化會負向影響人均衛生費用[5]。另外，有學者指出人口老齡化和城市化水平提高是我國醫療費用長期穩定增長的因素;但這些因素導致的醫療費用增長實際上是社會進步和居民生活質量提高的表現，因而是正常合理的增長[6]。

可以看出，已有研究主要探討了某個因素影響醫療費用的“凈效應”，而對這些因素的各種組態（configuration）效應研究較少。因此，很容易出現不同情境下研究結論差異較大，甚至截然相反的現象。對于這種多因果關系比較復雜的問題（即多重并發因果關系，而非數據擬合最好的單一因果關系），若仍以傳統的回歸分析來探討單個因素的“凈效應”，或者至多三個變量的調節效應是無法解釋的[7-8]。而定性比較分析（Qualitative Comparative Analysis，QCA）基于集合論而非原子論視角[9]，通過分析影響因素中必要性和充分性，能夠回答這些因素中哪幾種組合會推動醫療費用增長，哪些因素缺失的情況下也會導致醫療費用增長，因此，可以為有效治理醫療費用增長提供理論依據和政策建議。

二、文獻綜述

引致醫療費用增長的因素有很多，影響機制也比較復雜。實際上，中國醫療費用膨脹機制本質上是體制和制度設計問題，是政治、經濟、社會、文化因素結構性互動、社會博弈與體系相互影響的必然結果[10]。

1.人口老齡化效應

相對而言，老齡化影響醫療費用的研究成果最為豐富。國內外研究結論大致可以分為兩類：一是具有顯著正向影響;二是并非主要因素或沒有影響，甚至具有負向效應。

先看第一方面，人口老齡化正向影響醫療費用增長。醫療費用會隨著年齡增長而增加[11];而且無論在發達國家還是發展中國家，老齡化都是導致醫療費用增長主要的、顯著的人口學驅動因素[12]。日本的研究數據表明，20世紀后期日本醫療費用增長有 30% 來自人口年齡結構的變化[13]。經濟合作與發展組織（OECD）國家和地區的數據顯示，20世紀90年代中期，65歲及以上老年人的人均醫療費用是65歲以下人口的2.7—4.8倍[14]。甚至于衛生費用增長的71%取決于人口（撫養比）和非人口因素（主要是收入），政策和制度變量的影響僅有23%[15]。

中國的研究數據顯示，老年撫養系數對居民醫療保健消費支出有正向影響[16];老年人的患病率和患病時間都超過其他年齡段人口，因此老年人數量增加及其對醫療需求的增加導致了費用上升[17-18]; 65歲以上老年人的醫療費用占個人一生醫療費用的70%，是65歲以下人口的4倍甚至更高[19];還有研究認為，老年人口的衛生服務需求與利用的滿足程度，是衛生費用變化的決定因素[20]。

再看另一個方面，人口老齡化并非醫療費用增長的決定性因素。接近死亡效應認為老人臨終前發生的高額醫療支出導致醫療費用快速上漲，因此年齡與醫療費用之間似乎存在的正相關只是一種假象，即老齡化實際上并不影響醫療費用增長[21]。中國的研究也發現，接近死亡老年人的醫療支出顯著高于存活老年人的醫療支出;但控制了接近死亡的時間后，年齡不再顯著影響醫療費用[22]。

中國65歲以上老年人占用的醫療資源份額僅比其人口份額高6個百分點，且高齡老年人（80歲以上）、貧困老年人和女性老年人凈占用份額更低[23]。79歲以上年齡組次均費用是60歲以下年齡組的3倍以上，但是高齡和臨終老人的醫療消費占比和增幅均在下降，并不是拉高醫療費用的主要原因;反而25—59歲年齡的醫療費用占比和增幅均較快[24]。因此，老齡化并非衛生費用增長的決定性因素，它只會緩慢地提高老年人口潛在的醫療服務需求，單純的老齡化只是起到非常微弱的影響[4]。

2.人口城鎮化及其交互效應

人口城鎮化和老齡化對衛生總費用發揮著明顯的推動作用[3];經濟發展水平、老齡化及城鎮化三個因素對我國醫療費用的增長均具有顯著影響，其中城鎮化的影響最大、經濟發展水平次之、老齡化最小[25]。一般來說，人口老齡化與城鎮化、經濟發展水平呈正相關關系，那么是不是它們的交互效應推動了醫療費用增長呢？研究發現，城市居民的人均醫療支出隨年齡顯著增加，但農村居民的人均醫療支出隨年齡增長的趨勢并不明顯[26]。而且，城鄉三大醫保政策對居民醫療費用增長的影響具有差異性，只有城鎮職工醫療保險明顯促進了醫療費用增長[27]。

不過也有研究發現，人口老齡化、嬰兒死亡率、城鎮化率等因素負向影響人均衛生費用，而人均GDP、人均可支配收入、每千人口執業醫師數和每千人口醫療衛生機構床位數會正向影響人均衛生費用[5]。由于靜態的日歷年齡研究視角可能夸大了人口老齡化對社會經濟的負面影響;而前瞻年齡視角下65歲及以上老年人口衛生費用的增長速度將比日歷年齡視角下降低20%以上，其中高齡老人衛生費用的增長速度更是會降低40%以上[28]。

3.經濟水平與醫療技術效應

經濟增長是引致我國醫療費用長期穩定增長的因素，這種增長實際上是社會進步和居民生活質量提高的表現，因而是正常合理的增長因素[6]。醫療消費的收入彈性是指在一定時期內，醫療費用的變動對于收入變動的反應程度。如果醫療消費的收入彈性大于1，醫療衛生服務就是奢侈品，只要收入增長就會帶來新的醫療服務需求，驅動醫療衛生費用快速增長。相反，如果收入彈性小于1，醫療衛生服務則是必需品。楊燕綏等利用全國數據估計收入彈性是0.97，已接近奢侈品的邊界，但用省際數據估計則是0.439，說明中央財政轉移支付在發揮作用[29]。而賈慧萍等研究認為收入彈性略大于1，已近似奢侈品的特征，說明居民收入增長推動了我國醫療費用增長[27]。

中國人口老齡化的人均醫療費用彈性為0.558，在人均醫療費用增長的貢獻率為4.9%[2];另外，醫療技術進步、人均GDP增長等因素對于醫療費用的增長貢獻顯著[2]。李相榮等也認為，影響衛生費用的因素包括政府衛生支出占財政比例、人均GDP、65歲及以上人口比例、醫院入院人數、住院病人人均醫療費等[1]。

政府衛生支出占政府財政支出的比例對衛生總費用的影響，不僅存在直接效應，而且存在間接效應;其中，國內生產總值、城鎮人口比重、個人衛生費用支出比例直接影響衛生總費用，而年末總人口數、65歲以上人口數和人均GDP通過GDP間接影響衛生總費用[3]。鄭喜洋等指出，自2009年以來，財政對供方的投入重點由公立醫院轉向基層醫療衛生服務（強基層） 降低了醫療費用，減輕了醫療負擔;而財政補貼重點從醫療衛生機構轉向醫療保障（補需方）則相反[30]。

然而也有研究認為，經濟增長和人口老齡化對我國醫療費用增長的短期影響不大，而且人口老齡化對我國醫療費用增長的影響明顯低于經濟增長的作用[31];預計從2020年開始，老齡化對衛生總費用增長的影響將開始凸顯，并呈加速的趨勢[32]。

另外，收入提高、醫療保險擴張和醫療技術進步等因素會快速釋放老年人口 （及非老年人口） 的衛生費用[4]。

4.醫療保險與道德風險效應

研究顯示，居民收入增長、人口老齡化、城鎮職工保險推動了我國醫療費用增長，其中城鎮職工保險不僅促進了居民醫療費用增長，也加劇了醫生的誘導需求[27]。醫患之間的“共謀”使得過度醫療問題日益嚴重，這是醫療費用上漲、醫保控費有效性下降的重要原因[10]。醫療資源供給增加與誘導需求推動了醫療費用的上漲，醫療服務市場競爭會降低個人醫療費用和政府衛生支出，增加整個國家的衛生總費用[33]。

然而也有研究發現，醫療保險事前道德風險并不存在，人們在有醫療保險之后并不會增加不健康行為的概率[34]。在自付醫療支出占家庭收入的比例低于40% 時，醫療保險對醫療費用的顯著促進作用更多的是事后道德風險因素而非醫療需求的釋放。現有醫療保險制度難以控制醫療費用的上漲，城鎮醫療保險能夠顯著增加門診報銷費用和總報銷費用的額度，但醫療總費用和自付費用不受任何醫療保險的影響[35]。

5.簡要述評

已有研究中探討較多的醫療費用影響因素可歸納為人口年齡結構（如年末總人口數、60或65歲以上人口比重、人口撫養比、嬰兒死亡率、接近死亡效應等），人口城鎮化，經濟水平（如人均GDP、人均可支配收入、醫療費用彈性、政府衛生費用支出、個人衛生費用支出等），醫療保險和道德風險（如保險類型、報銷比例、醫療需求誘導等），醫療技術和服務供給（如每千人口執業醫師數、每千人口醫療衛生機構床位數、醫院入院人數等），以及某兩個因素的交互效應（如老齡化與城鎮化），等等。可以看出，研究結論大多是控制其他變量之后某個因素的單獨效應，因此在影響程度、方向上存在一定的差異，這與指標和數據選取偏好有較大的關系。同時，在揭示高醫療費用的原因時也存在一定的局限性。不過，這為我們進一步探討這些因素的組態效應提供了理論基礎。

三、研究設計與測量校準

1.研究方法與數據來源

定性比較分析（QCA）是一種“案例導向”的集合理論研究方法，它不完全等同于定量方法追求更多的樣本量、更好的統計顯著性、更普遍的解釋力，也不完全等同于定性方法側重于個案研究[36];它通過實證資料與相關理論的不斷對話，從小樣本數據中建構出研究議題的因果性關系。

拉金（Ragin）認為社會現象發生的原因條件間多是相互依賴而非獨立的，因此解釋社會現象發生的原因需要采取“整體的”、組合的方式[37]。QCA旨在通過案例間的比較，找出條件組態與結果間的因果關系，回答“條件的哪些組態可以導致期望的結果出現，哪些組態導致結果的不出現”這種問題。這不同于傳統回歸分析方法，假定變量（條件）相互獨立起作用，分析單個變量的獨特“凈效應”;QCA是采取整體視角，聚焦于當自變量間相互相關、單個變量的獨特效應可能被相關變量掩蓋時的“組態效應”分析[38]。

QCA方法中的“條件”對應于回歸分析中的自變量，“結果”對應于因變量。本研究將全國每個省（市、自治區）分別作為一個“案例”（case），這符合伯努瓦·里豪克斯等認為“每個案例被定義為一系列特征的組合”的觀點[8]。根據案例中條件與結果的特征，我們采取模糊集QCA（以下簡稱fsQCA），原因在于探討的因果條件都是連續變量，使用該方法能夠更充分地捕捉到前因條件在不同水平或程度上的變化所帶來的細微影響[9]。

從空間橫向維度來看，我國東、中、西部各省份的醫療衛生水平、經濟水平、老齡化和城鎮化水平等，也間接反映了縱向維度上全國平均水平在過去一段時期內的發展趨勢。基于QCA條件變量的選取原則（4—7個）當條件變量個數n增加時，條件組態以指數倍增加（2n），因果復雜性將變得非常復雜。一般來說，中等樣本（如10—40個案例）條件變量的個數為4—7個;而本文案例數量為31個，借鑒已有研究成果選取了人口老齡化等5個條件變量，選取原則具體可參考文獻[36]和[38]。選擇人口老齡化、人口城鎮化、人均可支配收入、醫療需求誘導、醫療技術水平5個條件變量，結果變量則是人均衛生總費用。其中，人口老齡化、人口城鎮化和人均可支配收入數據來源于《中國統計年鑒2018》;而人均衛生總費用、醫療需求誘導和醫療技術水平數據則來自《中國衛生健康統計年鑒2018》。

2.變量測量與校準

在QCA研究中，每一個條件（即5個影響因素）與結果（醫療費用）都分別被看作一個集合，而每一個案例在這些集合中都具有一定的隸屬值。給案例賦予集合隸屬值的過程就是校準[39]，根據條件和結果的數據類型，本研究選擇直接校準法對數據進行校準。校準的三個臨界閾值分別為95%分位數（完全隸屬）、50%分位數（交叉點）和5%分位數（完全不隸屬），校準后的集合隸屬度全部介于0—1之間。借鑒已有研究經驗[7，40]，本文的結果與條件變量的3個臨界閾值，分別設為原始數據的上四分位數、上下四分位數的均值、下四分位數。

人均衛生總費用（EXPENSE）。衛生總費用指一個國家或地區在一定時期內，為開展衛生服務活動而從全社會籌集衛生資源的貨幣總額。按來源法核算，包括政府衛生支出、社會衛生支出和個人現金衛生支出三部分。2017年31個省（市、自治區）的人均衛生總費用如圖1所示。

人口老齡化（ELDERLY）。該因素是已有研究中探討最多的一個條件變量，而且研究結論具有較大差異。也有研究提出人口撫養比是一個比較重要的影響因素[15-16]，但本研究認為這兩個因素的效應具有相互替代性，因此仍采用65歲及以上人口占總人口的比重來測量人口老齡化水平。

人口城鎮化（URBAN）。城鎮人口是指居住在城鎮范圍內的全部常住人口。

人均可支配收入（INCOME）。有研究采取人均GDP來反映經濟發展對衛生總費用的影響，但我們認為居民可支配收入與醫療費用的關系更加直接一些。可支配收入是指居民可用于最終消費支出和儲蓄的總和，即居民可用于自由支配的收入，既包括現金收入也包括實物收入。按照收入的來源，可支配收入包含四項，分別為工資性收入、經營凈收入、財產凈收入和轉移凈收入。

醫療需求誘導（NEED）。醫療需求誘導的效應很難量化，但醫院床位密度對居民醫療費用增長具有顯著影響[27]，而且每千人口執業醫師數和每千人口醫療衛生機構床位數正向影響人均衛生費用[5]，有研究顯示，我國臺灣地區的醫療費用也受到醫師數的正向影響[41]。由此可以推理，醫院床位與醫生數越多，則越傾向于尋求更多的利潤與收入，進而推動醫療費用增長。這是因為，醫生作為醫院和患者的雙重代理人，同時承擔了兩種委托任務，即醫院委托醫生通過向患者提供服務為醫院贏得經濟回報，以及患者委托醫生向自己提供適度醫療方案的醫療服務;其中向患者提供適度醫療方案與醫生的收入無關，而多開藥、多開檢查卻直接與收入相關[42]。

借鑒已有研究成果，本文選擇每千人口衛生技術人員數與每十萬人口醫院床位數之和來測量醫療需求誘導效應。其中，各地區每千人口衛生技術人員數，包括執業醫師、執業（助理）醫師、注冊護士;而醫院床位包括綜合醫院、中醫醫院、中西醫結合醫院、民族醫院、專科醫院和護理院，但不包括社區衛生服務中心、鄉鎮衛生院等基層醫療衛生機構和專業公共衛生機構。

醫療技術水平（TECHNOLOGY）。醫療技術進步是影響醫療費用的一個重要因素，但它較難測量或者量化，并且醫療技術是多變的[2]。本研究曾嘗試用“生物、醫藥和醫療器械技術合同成交金額”或“醫學、獸醫學、衛生學專利批準數”來測量醫療技術進步水平，但發現這兩個指標相對于分地區而言，更具全國范疇的意義。因此，選擇“公立醫院人均住院檢查費與手術費之和”來反映醫療技術水平。比如，江蘇與貴州在該指標上差異很大，除了經濟發展水平之外，也反映了兩省醫療技術水平的明顯差異。

全國各省（市、自治區）的數據基本特征及其四分位數如表1 所示。同時，運用fsQCA3.0軟件進行數據校準。

3.多元線性回歸分析

在探討上述5個影響因素的組態效應之前，我們先通過回歸統計來分析其單個因素的凈效應。無論是用變量的原始數據，還是取自然對數之后的數據，統計結果基本一致;即回歸模型具有顯著統計學意義，而且都能夠解釋因變量80%以上的變異量。考慮到樣本數量太少，以對數值統計分析結果為例，具體見表2—表4。

可以看出，觀測值之間相互獨立（德賓-沃森檢驗值為1.918，接近于2），且不存在共線性（容忍度都大于0.1，不過人口城鎮化、人均可支配收入和醫療技術水平都是僅僅大于?0.1，這可能與樣本數量太少有一定的關系）。回歸模型具有十分顯著的統計學意義（F值=23.24，顯著性sig.=0.000<0.001），這表明因變量與自變量之間存在線性相關，而且能夠解釋因變量82.3%的變異量（R2=0.823），即使剔除了自變量個數的影響，還能解釋78.8%的變異量（調整后R2=0.788）。這也意味著，即使刪掉模型中不顯著的變量人口城鎮化（t值=-1.542，顯著性sig.=0.136>0.05）和醫療技術水平（t值=0.456，顯著性sig.=0.652>0.05），其他三個變量仍能解釋78.8%的變異量。

另外，從回歸系數可以看出，人口城鎮化、人口老齡化與人均衛生總費用是負向關系（盡管城鎮化不顯著，但其負向關系還是有一定意義），這與已有的文獻研究結論“人口老齡化、城鎮化率等因素負向影響人均衛生費用[5]”比較一致。在分別控制其他四個變量的情況下，人均可支配收入（t值=3.676，顯著性sig.=0.001<0.05，Beta=0.905）和醫療需求誘導（t值=4.229，顯著性sig.=0.000<0.001，Beta=0.419），則分別是最具有統計學意義且影響效應最大的變量，而且都是正相關關系。與已有研究結論相比，除了醫療技術水平和醫療需求誘導的影響效應存在一定的爭議之外，收入水平則是一致認同的高醫療費用影響因素。

四、醫療費用增長的fsQCA結果與討論

定量分析是一種跨案例（量大）的因果推斷方法，而定性分析則是案例內（量小）的因果推斷方式。前者關注的是平均因果效應，后者則更加關注個體因果機制（案例數量越少，越有利于剖析因果機制;當只有一個案例的時候，就是個案研究）。另外，回歸分析解釋了“只要某幾個條件出現（具有顯著統計學意義），結果就出現”，但沒有回應“某幾個條件沒有出現，結果是否還會出現”的問題，而這正是定性比較分析方法的優勢。在QCA中，采用一致性水平（consistency）來描述條件與結果之間必要性和充分性因果關系。運用fsQCA3.0軟件，首先要對校準后的數據進行單個條件（包括非集）的必要性分析，然后再進行條件組態的充分性分析，最后是穩健性檢驗。

1.單個條件的必要性分析

單個條件的必要性分析，就是檢驗結果集合是否為某個條件集合的子集。若條件X是結果Y的必要條件，則Y對應的集合是X對應集合的一個子集;即當Y發生時，X總是存在。一般來說，當一致性水平大于0.9時，可以判斷X是Y的必要條件[39，43]。

另外，還可以根據一致性指標來判斷X是否為Y的充分性條件。如果X的模糊集分值小于等于Y的模糊集分值，且一致性指標大于0.8，則說明條件X為結果Y的充分性條件。當一致性滿足后，需要通過覆蓋度來判定條件X對結果Y的解釋力度;覆蓋度越大，則說明X在經驗上對Y的解釋力度越大[8，36]。

表5為單個條件的必要性分析結果。從中可以看出，所有條件的一致性水平均小于0.9，因此都并非高醫療費用的必要條件。而且，也沒有一致性水平均大于0.8的條件，意味著也沒有一個條件是充分條件;即高醫療費用不存在，這些條件也不存在。不過，除了人口老齡化，其他4個條件的覆蓋度都在80%以上，可見這4個條件分別都能夠解釋80%以上的案例。

2.條件組態的充分性分析

組態分析與單個條件分析不同，其特征為多個條件構成的不同組態是否會導致結果產生的充分性分析。從集合論角度而言，也就是條件組態集合是否為結果集合的子集。與單個條件分析類似，同樣也使用一致性指標來衡量條件組態的充分性，但可接受的最低標準和計算方法有所差異。施耐德（Schneider）等認為，判定條件組態充分性的一致性水平不得低于0.75，而在頻數閾值的確定上，則需要根據樣本規模而定（中小樣本的頻數閾值為1即可，而大樣本的頻數閾值應該大于1）[39]。杜運周等認為，頻數閾值的設定應當至少包含 75%的觀察案例[38]。基于上述分析，本文組態分析的一致性閾值設定為 0.75，頻數閾值為1。

fsQCA3.0軟件分析會輸出三種復雜程度不同的解，即復雜解（complex）、簡約解（parsimonious）和中間解（intermediate）。復雜解沒有經過任何簡化處理，是完全按照變量設定而得出的結果，完整性較好;簡約解是按照結果變量強弱出現的，相對簡單，但往往與事實不符;中間解介于兩者之間，更容易理解。借鑒已有研究，本文匯報中間解并輔之以簡約解[7，36，44]。

根據前面分析可知，人口老齡化等5個條件變量的影響效應尚未達成一致結論或缺乏明確的理論預期，難以做出明確的反事實分析。因此，在中間解生成過程中5個條件分別都選擇了“存在或缺席”。

引致高醫療費用的組態分析結果如表6所示。其中，空格表示一種模糊狀態（即該條件可存在亦可缺席）;大圓為核心條件（即同時存在于簡約解和中間解的條件），小圓為輔助條件（即僅僅存在于中間解的條件）。覆蓋度是QCA中衡量經驗相關性的一個重要指標，它反映條件組態的經驗切題性或重要性，類似于回歸中的R2[7]。

可以看出，組態1的一致性水平為0.7575，組態2、3、4的一致性水平都大于0.8。實際上，組態1可以判定為并非結果的充分性條件。即使勉強作為充分性條件，但與組態2相比，人口老齡化與人口城鎮化具有非常明顯的替代性關系，也就是說這兩個條件無須同時存在，便可與組態1和2中的其他3個條件一起導致結果產生。除此之外，總體解的一致性為0.8472，總體解的覆蓋度為0.6720，也就是說能夠解釋67%的案例。因此可以認為，組態2、組態3和組態4是引致高醫療費用的充分條件組合;而且從橫向單個條件來看，人口城鎮化與醫療需求誘導都發揮了十分重要的作用。

3.穩健性檢驗

判斷QCA結果穩健的兩個指標，分別是“不同組態的集合關系狀態”和“不同組態的擬合參數差異”;而檢驗方法包括調整一致性水平和改變測量方法兩種[39]。因此，我們首先調整一致性水平，將之前的一致性閾值從0.75 提高至 0.80，頻數閾值保持不變，結果如表7所示。

可以看出，首先最大的一個變化是組態由4個變為3個，而沒有出現的正是表6中一致性較低（0.7575）的組態1。提高一致性水平后的組態A、B、C，正好對應于表6中的組態2、組態3、組態4，而且擬合參數幾乎沒有變化。不過，組態C中的人口老齡化由之前的核心作用變成了輔助性作用，因為在簡約解中沒有出現人口老齡化因素。另外由于組態解少了一個，總體解的一致性和覆蓋度也發生了變化。其中，總體解的一致性由之前的0.8472提高至0.8704;總體解的覆蓋度由之前的0.6720下降至0.6300。

其次，改變結果變量的校準值進一步檢驗。結果變量人均衛生總費用北京為9498元、上海為7601元、天津為5311元，與最少的江西（2359元）等省份差別很大。實際上，北京、上海、天津的醫療費用包括部分外地人尋醫治病的費用，尤其是上海的三級醫院收治的省外就醫患者占比高達19.93%數據引自：http：//news.sina.com.cn/c/2019-10-09/doc-iicezuev/033897.shtml，考慮到這個因素，將校準值由之前的百分位數3745、3352、2736修改為5000、3658、2500（其中，3658為全國平均值）。然后，一致性閾值直接設為0.80，頻數閾值保持不變，結果顯示仍然比較穩健。具體組態解有三個，分別為ELDERLY* URBAN* INCOME * TECHNOLOGY（一致性水平為0.7971）、ELDERLY* URBAN* NEED * TECHNOLOGY（一致性水平為0.8045）、elderly* URBAN* income*NEED * technology（一致性水平為0.9415），總體解的一致性為0.8000、覆蓋度為0.6700。

4.結果分析與討論

鑒于組態1的一致性水平較低，我們直接選擇將其刪掉后（一致性閾值設為0.8）的組態A、B、C進行討論。其中，在組態A（URBAN* income* NEED* technology）中，人口城鎮化與醫療需求誘導的存在發揮了核心作用，而人均可支配收入和醫療技術水平的缺席則起到了輔助性作用，人口老齡化的作用則是可有可無。QCA的一個潛在優勢在于能夠準確確定特定組態所覆蓋的案例，或者說支撐該組態成為充分條件的案例。組態A的唯一覆蓋度是0.0828，代表性案例是黑龍江省和寧夏回族自治區。全國人均醫療費用為3658元，而黑龍江和寧夏的人均醫療費用分別為3141元、3691元，全國低于3141元的省份有10個，低于3691元的省份有21個。可以看出，這兩個省份的人均醫療費用相對較高。另外，黑龍江和寧夏的人口城鎮化水平分別為59.40%、57.98%（全國平均為58.98%），醫療需求誘導分別為11.40個、12.41個（全國平均為11.07個），人均可支配收入21205元、20561元（全國平均為25923元），醫療技術水平為1052元、1257元（全國平均為1481元），人口老齡化分別為12.14%、8.46%（全國平均為10.90%）。因此，組態A足以解釋僅僅人口城鎮化與醫療需求誘導就可以導致高醫療費用。很明顯，醫療需求誘導意味著更多的串謀騙保行為[44]。

組態B（URBAN* INCOME * need * TECHNOLOGY）中，人口城鎮化的存在繼續發揮著核心作用，同時人均可支配收入和醫療技術水平的存在也發揮了核心作用;而醫療需求誘導的缺席則起到了輔助性作用。該組態唯一覆蓋度為0.1259，代表性案例為福建、廣東和天津三個省市。這三個案例省份醫療需求誘導的得分為9.46、9.82、10.36，均低于全國平均得分（11.07），說明該三個省份在缺少醫療需求誘導的情況下，人口城鎮化、人均可支配收入和醫療技術水平也推動了醫療費用增長。

組態C（ELDERLY* URBAN* NEED *TECHNOLOGY）發揮核心作用的是人口城鎮化、醫療需求誘導和醫療技術水平的存在，人口老齡化的存在則發揮了輔助性作用;人均可支配收入則成了無足輕重的因素，存在或缺席都不影響結果。該組態一致性水平最高（0.9392），這意味著對于結果而言該組態的充分性最高。而且，組態C的唯一覆蓋度也最高（0.2704），也就是說，該條件組合能夠解釋案例數量的27%，典型案例省份包括上海、北京、遼寧、浙江、江蘇、湖北、山東和內蒙古8個省（市、自治區）。可以看出，除了內蒙古自治區之外都是我國經濟發展水平較高的地區，因此在不考慮經濟發展水平以及人口老齡化起到的輔助作用情況下，人口城鎮化、醫療需求誘導和醫療技術水平會共同推高醫療費用。實際上，內蒙古的人口城鎮化水平為62.02%，高于全國平均水平（58.98%），而且人口老齡化、醫療需求誘導和醫療技術水平分別為10.84%、11.79個、1474元，與全國平均水平持平（10.90%、11.07個、1481元）。

綜上分析，根據組態A、B、C橫向和縱向間的關系，以及其包含的核心條件和背后的邏輯解釋，我們將其歸為兩類增長模式，即城鎮化推動型和醫療技術推動型。很明顯，人口城鎮化在3個組態中都發揮了核心條件作用，也就是說沒有人口城鎮化的核心性作用，就很難引致醫療費用增長。無論人口老齡化作為輔助性條件還是可有可無，無論人均可支配收入可有可無還是其作為核心條件缺失，人口城鎮化都是引致高醫療費用必不可少的條件之一。實際上這很容易解釋，因為中國的城鎮化水平承載了城鄉二元社會結構的太多差異，比如可支配收入、醫療保障水平、醫療技術和服務可及性等。

三個組態中，醫療需求誘導和醫療技術水平作為核心條件，要么缺席一個（組態A和B中可以相互替代），要么同時存在（組態C的一致性最高），都會推動高醫療費用產生。實際上，醫療需求誘導和醫療技術水平往往是相互促進的，如為了回收成本而過度使用設備、新醫療技術刺激醫療服務需求的增加、新醫療技術提早發現疾病并產生新的醫療費用等。美國醫療費用增長中的50%就歸因于新醫療技術引入;而且全民健保及醫療保險和保障制度加速了新技術的運用和推廣[45]。

與回歸分析的結果相比較，組態效應的結果差異較大。在影響因素的單獨效應中，人口城鎮化與醫療技術是不顯著的，而人均可支配收入影響效應最大。實際上，這兩種研究方法的結論不能直接進行比較，而是相互補充。即回歸分析能夠發現單個因素是否有影響，然后QCA將具有統計學意義的影響因素進行組態效應分析，進一步揭示事件發生的原因。另外，回歸分析中的交互效應體現了QCA的部分思想，因此我們又進行了詳細的交互分析，包括人口城鎮化*人口老齡化、人口城鎮化*人均可支配收入、人口城鎮化*醫療需求誘導、人口城鎮化*醫療技術水平、人口老齡化*人均可支配收入、人口老齡化*醫療需求誘導、人口老齡化*醫療技術水平、人均可支配收入*醫療需求誘導、人均可支配收入*醫療技術水平、醫療需求誘導*醫療技術水平，以及人口城鎮化*人口老齡化*人均可支配收入和人口城鎮化*人口老齡化*醫療技術水平。結果發現，模型具有顯著統計學意義，而且能解釋因變量90.4%的變異量;但通過檢驗的交互項只有人口城鎮化*醫療技術水平（顯著性sig.=0.027<0.05）和人口城鎮化*人口老齡化*醫療技術水平（顯著性sig.=0.04<0.05）。這兩個交互效應與組態B和組態C具有較大的一致性，都是人口城鎮化與醫療技術水平起到核心作用。可以看出，盡管兩種研究方法的思路、分析路徑、技術手段等截然不同，但主要研究結論還是比較穩定的。

五、研究結論與政策建議

我國東、中、西部社會經濟發展水平差異較大，同樣都面臨著醫療費用快速增長的問題，但影響因素與路徑應該存在較大差異。運用fsQCA方法研究發現，引致全國31個省、市、自治區高醫療費用的因素組合（條件組態）主要有三條路徑，可將其歸為兩類增長模式，即城鎮化推動型和醫療技術推動型。其中，城鎮化推動型意味著人口城鎮化在三個路徑中都發揮著核心作用，在人均可支配收入、醫療需求誘導和醫療技術水平的配合下，能夠解釋不同的案例（省份）;而醫療技術推動型則表明醫療需求誘導和技術進步是僅次于人口城鎮化的重要條件。同時也發現，人口老齡化在這三個路徑中僅發揮著輔助性作用（組態C）或可有可無，并不影響結果（組態A和B）。不過，人口城鎮化是否包含了人口老齡化的效應呢？相關分析顯示，它們的相關系數為0.508（顯著性sig.=0.004），因此后續研究還要深入探討這個問題。

《關于控制公立醫院醫療費用不合理增長的若干意見》（國衛體改發〔2015〕89號）也指出，醫療費用不合理增長的突出表現是部分城市公立醫院醫療費用總量增幅較大，藥品收入占比較大，大型醫用設備檢查治療和醫用耗材的收入占比增加較快，不合理就醫等導致的醫療服務總量增加較快等。本研究的政策含義不僅僅能夠為該《意見》提供理論解釋，更重要的是“多因并發”的代表案例（省份）意味著控費政策要因地而異。現實中，許多治理政策基于“凈效應”研究而習慣于全國一刀切，形成了極具特色的“運動式”治理模式。結果往往是短時有效，傾力打造的“樣板”、“試點”也會水土不服，長期來看治理效果較差。本研究結論意味著各地要根據實際情況（尤其是城鎮化水平、醫療技術及醫療資源供給、醫療保障水平等）選擇不同的治理路徑。

本研究的局限性在于只選擇了截面數據，而醫療費用增長更多地體現于一段時期內，即時間序列的效應。這是傳統QCA的局限性，近年來逐漸興起的時序定性比較分析（Time-Series QCA）能夠解決這個問題[46]。另外，由于篇幅和研究設計所限，沒有選擇某幾個代表性個案進行因果過程追蹤研究，而這種質性研究比QCA更加邏輯嚴密。未來研究不僅可以適當調整條件變量的選擇，還可以選擇1998年、2003年、2008年、2015年等醫保改革的重要節點進行時序定性比較分析。此外，針對某幾個代表性省份進行個案研究，探討影響因素發揮效應的微觀機制和過程也是十分必要的。

參考文獻：

[1]李相榮， 湯榕， 張晨曦， 等. 我國衛生總費用影響因素分析[J]. 衛生軟科學， 2018（1）： 50-53.

[2]李樂樂， 楊燕綏. 人口老齡化對醫療費用的影響研究——基于北京市的實證分析[J]. 社會保障研究， 2017（3）： 27-39.

[3]丁李路， 孫強. 我國衛生總費用影響因素通徑分析[J]. 山東大學學報（醫學版）， 2015（12）： 86-89.

[4]王超群.老齡化是衛生費用增長的決定性因素嗎？[J]. 人口與經濟， 2014（3）： 23-30.

[5]顏琰. 我國人均衛生費用的主成分分析[J]. 中國衛生經濟， 2017（12）： 43-45.

[6]李軍山. 我國醫療費用增長的影響因素與控制研究[D]. 南京：南京航空航天大學， 2009：4.

[7]FISS?P C. Building better casual theories： a fuzzy set approach to typologies in organizational research[J]. Academy of Management Journal，2011， 549（2）： 393-420.

[8]伯努瓦·里豪克斯，查爾斯· C.拉金. QCA 設計原理與應用[M]. 杜運周，等譯. 北京：機械工業出版社，2017：7.

[9]RIHOUX?B， RAGIN C C. Configurational comparative methods： qualitative comparative analysis （QCA） and related techniques[M]. Thousand Oaks，CA：Sage Publication Inc.，2009：7.

[10]劉軍強， 劉凱， 曾益. 醫療費用持續增長機制——基于歷史數據和田野資料的分析[J]. 中國社會科學， 2015（8）： 104-125，206-207.

[11]GROSSMAN M. On the concept of health capital and the demand for health[J].The Journal of Political Economy， 1972， 80（2）： 223-255.

[12]DE CLAUDIE?M， BRAM W， JOHAN P， et al.The effect of population aging on health expenditure growth： a critical review[J].European Journal of Aging， 2013， 4（10）： 353-361.

[13]Yasushi Iwamoto. Issues in Japanese health policy and medical expenditure[C]. The Second International Forum of the Collaboration Projects， Tokyo， 2001.

[14]ANDERSON G F， HUSSEY P S. Population aging： a comparison among industrialized countries[J]. Health Affairs， 2000， 19（3）： 191-203

[15]MAISONNEUVE C D L， MORENOSERRA R， MURTIN F， et al. The drivers of public health spending： integrating policies and institutions[M].Paris： OECD Publishing， 2016：1-42.

[16]王學義，張沖.中國人口年齡結構與居民醫療保健消費[J].統計研究，2013（3）：59-63.

[17]李靜.老齡化對居民醫療保健消費支出增長的影響[J].衛生經濟研究，2016（6）：44-47.

[18]周少甫，范兆媛.年齡對醫療費用增長的影響：基于分位數回歸模型的分析[J].中國衛生經濟，2016（6）：65-67.

[19]胡乃軍，楊燕綏，于淼.中國城鎮人口老齡化與城鎮居民消費研究[J]. 人口學刊， 2014（5）： 61-71.

[20]李紅浪， 李麗清， 盧祖洵. 人口老齡化對衛生費用的影響及作用機理分析[J]. 江西社會科學， 2016（1）： 185-189.

[21]ZWEIFEL P， FELDER S， MEIERS M. Ageing of population and health care expenditure： a red herring？[J]. Health Economics， 1999， 8（6）： 485-496.

[22]蘭烯. 人口老齡化對醫療費用的影響及其機制的實證研究[D]. 成都：西南財經大學， 2014：35.

[23]閻竣， 陳玉萍.農村老年人多占用醫療資源了嗎？——農村醫療費用年齡分布的政策含義[J]. 管理世界， 2010（5）： 91-95.

[24]楊燕綏， 張丹， 李樂樂. 公共政策視角的老齡化對醫療費用影響及對策： 議“未老先衰”問題及改善[J]. 中國衛生經濟， 2016（12）： 5-10.

[25]徐長生， 張澤棟. 城鎮化、老齡化及經濟發展對我國醫療費用影響回歸分析[J]. 中國衛生經濟， 2015（6）： 54-55.

[26]封進， 余央央， 樓平易. 醫療需求與中國醫療費用增長——基于城鄉老年醫療支出差異的視角[J]. 中國社會科學， 2015（3）： 85-103，207.

[27]賈慧萍， 杜瑤， PETER C， 陳在余. 醫保全民覆蓋背景下居民醫療費用的影響因素分析——基于2005—2014年省際面板數據分析[J]. 湖南農業大學學報（社會科學版）， 2019（2）： 76-83.

[28]楊昕，左學金，王美鳳.前瞻年齡視角下的人口老齡化及其對我國醫療費用的影響[J].人口研究，2018（2）：84-98.

[29]楊燕綏， 妥宏武. 衛生費用增長控制與醫療保障治理機制研究——基于全國與省際數據的實證分析[J]. 國家行政學院學報， 2018（2）： 52-58.

[30]鄭喜洋， 申曙光. 財政衛生支出： 提升健康與降低費用——兼論企業醫保降費[J]. 經濟管理， 2019（1）： 5-21.

[31]何平平. 經濟增長、人口老齡化與醫療費用增長——中國數據的計量分析[J]. 財經理論與實踐， 2006（2）： 90-94.

[32]鄭前明. 我國人口老齡化對衛生總費用增長的影響[D]. 成都：西南財經大學， 2013：2.

[33]王文娟， 曹向陽. 增加醫療資源供給能否解決“看病貴”問題？——基于中國省際面板數據的分析[J]. 管理世界， 2016（6）： 98-106.

[34]謝明明， 王美嬌， 熊先軍. 道德風險還是醫療需求釋放？——醫療保險與醫療費用增長[J].保險研究， 2016（1）： 102-112.

[35]方敏， 吳少龍. “新醫改”讓醫療費用下降了嗎？——基于CHARLS對甘肅、浙江的追蹤數據[J]. 北京行政學院學報， 2017（6）： 18-27.

[36]萬筠，王佃利.中國鄰避沖突結果的影響因素研究——基于40個案例的模糊集定性比較分析[J].公共管理學報，2019（1）：66-76.

[37]RAGIN C C. Fuzzy-set social science[M]. Chicago： University of Chicago Press， 2000：19.

[38]杜運周， 賈良定. 組態視角與定性比較分析（QCA）：管理學研究的一條新道路[J].管理世界， 2017（6）： 155-167.

[39]SCHNEIDER C Q， WAGEMANN C. Set-theoretic methods for the social sciences： a guide to qualitative comparative analysis[M]. Cambridge： Cambridge University Press， 2012：135.

[40]程建青，羅瑾璉，杜運周，等.制度環境與心理認知何時激活創業？——一個基于QCA方法的研究[J].科學與科學技術管理，2019（2）：114-131.

[41]SHIU Y M， CHIU M C. Re-estimating the demographic impact on health care expenditure： evidence from Taiwan[J]. The Geneva Papers on Risk and Insurance-?Issues and Practice，2008， 33（4）： 728-743.

[42]姚宇. 控費機制與我國公立醫院的運行邏輯[J]. 中國社會科學， 2014（12）： 60-80.

[43]張明，陳偉宏，藍海林.中國企業“憑什么”完全并購境外高新技術企業——基于94個案例的模糊集定性比較分析（fsQCA）[J].中國工業經濟，2019（4）：117-135.

[44]李美時，姜斌.我省對欺詐騙保行為“零容忍”[N].黑龍江日報，2019-02-28（2）.

[45]胡蘇云. 新技術：拉升醫療費用的主力[N]. 醫藥經濟報， 2013-06-14（3）.

[46]AIRO H. Time-series QCA： studying temporal change through Boolean analysis[J]. Sociology Theory and Methods， 2009， 24（2）： 247-265.

[責任編輯?武?玉]