基于因子分析的2020 年我國各省市醫院服務水平比較研究

褚振海，羅妮娜，李娜，劉超，劉圓

天津市眼科醫院院長辦公室，天津 300020

當前，實施“健康中國”戰略已成為國家發展基本方略中的重要內容,健康中國建設已被上升至國家戰略地位。 但中國醫療資源整體供給不足，區域醫療資源不均衡，醫院服務水平差異度高的現狀，成為健康中國戰略實現的重要限制因素之一。為了充分了解我國各省市健康服務產業的發展程度，尤其是各省市醫院服務的水平差異，現以全國31 個省、自治區、直轄市作為研究對象，從國家衛生健康委發布的 《中國衛生健康統計年鑒2021》中，甄選與醫院服務水平相關的11 個變量指標，采集各地區2020 年1—12 月截面數據， 通過因子分析的方法，對各省市醫院服務水平展開綜合評價，從而實現對我國各省市醫療服務發展水平的整體掌握，為國家相關部門決策提供有效參考，現報道如下。

1 資料與方法

1.1 數據來源

本研究所采用的資料均為2020 年1—12 月我國31 個省、自治區、直轄市衛生健康事業發展情況的統計數據，來源為國家統計局發布的《中國衛生健康統計年鑒》2021 卷，數據內容截至2020 年年底。

1.2 研究對象

以我國各省市醫院相關數據為研究對象，選取能夠反映醫院服務水平的11 項指標為基礎數據， 包括醫院衛生技術人員數（X1）、公立醫院數（X2）、公立醫院門診病人次均費用（X3）、公立醫院住院病人次均費用（X4）、醫院數（X5）、醫院門診診療人次數（X6）、醫院入院人數（X7）、醫院出院人數（X8）、醫院住院病人手術人次（X9）、醫師日均擔負診療人次（X10）、醫院病床工作日（X11）。

1.3 方法

采用SPSS 24.0 統計學軟件進行數據處理， 運用因子分析的方法， 對反映醫院服務水平的11 項指標進行降維處理， 篩選出能代表原指標多數信息的公因子，計算公因子得分，從而對各省市醫院服務水平進行綜合評價與排名。

2 結果

2.1 數據的標準化處理

為了消除指標之間的量綱和取值范圍差異的影響，避免原始數據量綱不同可能造成的誤差，采取數理統計中常用的Z-score 標準化方法， 對所選取指標的原始數據進行標準化處理。

2.2 因子分析的適應性檢驗

KMO（Kaiser-Meyer-Olkin）檢驗統計量是用于比較變量間簡單相關系數和偏相關系數的重要指標。 Bartlett's球形檢驗是用于相關陣中各變量間的相關性檢驗，即檢驗各個變量是否各自獨立。一般而言，為了保證統計方法的合理使用，在進行因子分析前，進行KMO 檢驗和Bartlett's 球形檢驗。 通過輸出的檢驗表可以看到，KMO 統計量值為0.752>0.7， 且Bartlett's 球形度檢驗P＜0.001，拒絕了原假設，相關系數不大，可能是單位陣，即原始變量之間存在相關性（P＜0.001）。 原始數據通過因子分析的適應性檢驗，較適于進行因子分析。見表1。

表1 KMO 和巴特利特檢驗

2.3 確定公共因子的數量

通過樣本數據求解因子載荷矩陣是提取公因子的關鍵。通過主成分分析法，得到11 個指標的公因子提取率。 從輸出的公因子方差提取率可以看出，11 個變量指標的提取率除X11為85.1%外，其他10 個指標的提取率均在92%以上，提取效果非常理想。 見表2。

表2 公因子方差

利用主成分分析法對標準化后的全部數據進行因子分析，建立初始因子載荷矩陣，并對該矩陣進行方差最大化正交旋轉，得到了需要提取的公因子數量。 前3個指標變量的特征值均>1， 分別為λ1=6.538，λ2=2.401，λ3=1.383，累計方差貢獻率達到93.838%。對因子載荷矩陣進行旋轉后，累計方差貢獻率依然是93.838%。 可見，這3 個公因子F1、F2、F3對各變量的解釋能力都較強，能夠很好地反映所選取變量指標的主要信息，由此，確定了公因子的數量，見表3、圖1。

表3 總方差解釋

圖1 碎石圖

2.4 公因子載荷分配

因子載荷表示變量與公共因子的相關程度，當某變量在某公因子的載荷絕對值越大，表明該變量與該公共因子關系更密切。 為了確定公因子的實際含義，對因子采取方差最大正交旋轉，得到旋轉成分矩陣。可以看出，醫院衛生技術人員數、醫院出院人數、醫院入院人數、醫院數、公立醫院數、醫院住院患者手術人次、醫院門診診療人次數在第一個公因子上有較大的載荷，說明這7 個變量的相關性較強，可以歸為一類。 這4 個變量代表醫院醫療服務能力的強弱，因此，將第一公因子F1命名為“醫療服務能力因子”； 公立醫院住院患者次均費用、公立醫院門診患者次均費用在第二公因子上均有較大的載荷，根據其相關性特征，將其歸為一類。通過對其變量所代表的意義分析可知，它們反映著醫療費用承受能力的高低，因此，將第二公因子F2命名為“醫療服務費用因子”。醫師日均擔負診療人次、醫院病床工作日在第三公因子上均有較大的載荷，根據其相關性特征，將其歸為一類，代表著醫療服務效率的高低，因此，將第三公因子F3命名為“醫療服務效率因子”。 見表4。

表4 旋轉后的成分矩陣

2.5 因子得分

通過因子得分系數矩陣，可以獲取3 個公因子的得分情況。 見表5。 由表5 輸出結果可知，3 個公因子的得分表達式為：

表5 成分得分系數矩陣

結合表3 中的數據，由各因子特征值的方差貢獻率和該因子得分乘積的加權和與累計方差貢獻率之比，計算綜合得分。

按照綜合得分公式，可計算出全國各地區醫院服務水平的綜合得分及排名。 見表6。

表6 全國各地區醫院服務水平綜合得分及排名

3 討論

本研究基于SPSS 24.0 統計學軟件， 使用因子分析對2020 年全國各省市醫院服務水平進行綜合評價和排名。 根據評價的結果可以看出，我國各省市醫院服務水平之間存在著較大的差距，醫療資源供給不均衡，各地區接診能力與服務效率均存在不同程度的差異，醫療服務能力的均衡化道路任重道遠。

在以“醫療服務能力因子”F1為依據進行的評價排名中，上海和天津排名都比較靠后，這與一般認知不同。通過原始數據指標的分析可知， 因直轄市轄區面積與人口規模所限，公因子F1所代表的指標，包括醫院衛生技術人員數、醫院出院人數、醫院入院人數、醫院數、公立醫院數、醫院住院患者手術人次、醫院門診診療人次數均表現不夠突出，整體診療規模比較有限，影響了F1得分。

在以“醫療服務費用因子”F2為依據進行的評價排名中，排名前5 位的是北京、天津、上海、廣東、江蘇，均為我國經濟發達地區， 醫療服務的費用水平也整體較高。而相對而言，青海、貴州、廣西、云南、甘肅5 個地區，醫療服務的費用水平排名靠后， 均為我國西部地區，經濟發展水平較低。 可以得知，醫療費用的支出與經濟發展水平呈正相關關系。

在以“醫療服務效率因子”F3為依據進行的評價排名中，上海作為國內最發達的城市，確實體現出明顯的優勢，醫師日均擔負診療人次、醫院病床工作日都高居榜首。 但像天津、北京在F3排名中名次靠后，分別為19 名和25 名。 通過原始指標分析發現，天津、北京醫院病床工作日排名較為靠后，究其原因，是因為直轄市醫療資源規模受限，公立醫院整體數量等較其他面積與人口較多省市有差距。 但同樣作為直轄市，上海市卻未因規模受限而影響F3排名。 綜合相關因素可知，上海作為我國經濟社會最為發達的國際化大都市，醫院服務效率首屈一指。

綜上所述，經濟發展水平高、人口較多的地區，醫療資源的供給也相對較高，醫院服務水平亦整體較高。 廣東、山東、江蘇、四川、河南、浙江、河北均為我國綜合實力較強的省份，在綜合評價得分中排名前列。內蒙古、甘肅、海南、寧夏、青海、西藏多為我國西部地區，且經濟與社會發展水平相對較低，人口相對較少，醫療資源供給數量與質量都呈現較低水平。本研究綜合評價結果與實際認知情況較為相符。