1.6.2　研究方法

1.6.2.1　主要研究方法

本書研究方法主要以理論研究為基礎，調查研究和實證研究相結合。詳見圖1-2。

第一，理論研究。本書運用文獻評述法、德爾菲法、焦點訪談法、頭腦風暴法等，構建政府衛生支出風險理論框架、邏輯框架、風險維度框架、風險因素指標體系、城鄉居民醫保系統動力學模型邊界與指標，確定各類風險評價指標等。

第二，實證研究。本書使用統計描述對各類指標進行描述性分析；運用灰色預測法、協整檢驗、格蘭杰檢驗、系統動力學等進行政府衛生支出規模風險分析；運用柯布道格拉斯函數、拉格朗日函數、基尼系數、泰爾指數、雙變量泰爾指數、數據包絡分析、集中指數等進行政府衛生支出結構風險分析；運用基尼系數、泰爾指數、數據包絡分析等進行政府衛生支出效率風險分析；同時，應用偏最小二乘回歸分析、系統動力學、Tobit回歸模型等進行風險因素實證分析。

第三，調查研究。政府衛生支出風險研究的相關數據的獲取，基于大量實地問卷調查和人員焦點訪談等。筆者在研究過程中走訪山東省濰坊、青島、濟南等各地級市的醫保、財政等相關部門進行專家焦點訪談，深入各區域、城鄉和層級間醫療衛生機構進行問卷調查，全面了解和獲取政府衛生支出相關法律法規、政策文件，以及各類機構衛生財政資金配置和使用狀況的相關數據，例如濰坊市各縣市區居民醫保類數據等，為本書提供了大量且有效的基礎性調研數據和資料。

1.6.2.2　方法學基礎

1.理論研究部分——德爾菲法

德爾菲法，主要應用于政府衛生支出風險因素分析。德爾菲法（Delphi Method），又稱征詢專家意見法，是一種綜合多名專家經驗和主觀判斷的方法，通過信函的方式，利用一系列簡明扼要的征詢表對專家征得意見，并進行有控制的反饋，從而獲得一組最可靠的專家統一意見。該方法具有匿名性、反饋性、統計性三大特性，能夠有效規避社會心理因素對調查研究的干擾，使調查結果更加準確地反映專家集體意見。

2.風險分析部分

（1）灰色預測模型

灰色預測模型GM（1，1），主要應用于政府衛生支出充足性和可持續性風險分析。灰色預測，是指對既含有已知信息又含有不確定未知信息的“小樣本”數據系統的行為發展變化進行預測，即對與時間序列有關、在一定范圍內發展變化的“灰過程”進行預測。“灰過程”表象看似隨機且雜亂無章，實則有序且有界，數據具有潛在規律。灰色預測法就是利用該規律建立灰色模型，對灰色系統進行相關預測。

目前，GM（1，1）灰色預測模型因可減少時間序列隨機性和具有較高預測精準度等優點，被廣泛應用于樣本量較小或原始時間序列呈指數變化規律的相關預測，例如費用預測。GM（1，1）是基于隨機性較強的原始時間序列，經時間累計后形成新的時間序列，新序列所呈現的變化規律可用一階線性微分方程的解來逼近和擬合。GM（1，1）灰色預測模型的參數a為發展系數［9］。當|a|≤0.30時，模型可應用于長期費用預測；當0.30＜|a|≤0.50時，模型可應用于短期費用預測；當0.50＜|a|≤0.80時，模型可應用于短期費用預測，但需謹慎；當0.80＜|a|≤1.00時，應使用殘差修正GM（1，1）灰色預測模型；當|a|＞1.00時，不宜用GM（1，1）灰色預測模型進行預測。平均模擬相對誤差“△”，間接反映出模型預測精度，相對精準度為“1-△”，平均模擬相對誤差小于35%，即模型的擬合優度等級高［177］。

（2）協整檢驗和格蘭杰因果檢驗

協整檢驗（Granger，1987）和格蘭杰因果檢驗（Granger，1969）主要應用于研究政府衛生支出（組成部分）與個人衛生支出之間的長期均衡因果關系。協整理論和方法，常用以避免非平穩序列建模引起的“偽回歸”現象，可以對擁有“共同隨機趨勢”的經濟變量做適當線性組合，以消除隨機趨勢，從而得到平穩性序列。協整檢驗可以用來反映多個單位根變量之間，由于某種經濟變量而存在的“長期均衡關系”，但并不能驗證變量之間的因果關系，需使用格蘭杰因果檢驗進一步分析變量從x到y、從y到x，或雙向因果關系。因此，相關研究常將兩者結合使用，以判斷變量之間的長期均衡因果關系。

（3）系統動力學模型

系統動力學的理論和方法，主要應用于醫療保障支出超支風險分析。系統動力學（system dynamics，SD），由福瑞斯特（Forrester J.W.）（1956）提出，是一種以反饋控制理論為基礎，以仿真技術為手段，從系統內部機制尋找問題根源，定量和定性研究相統一的系統科學方法。系統動力學，常用以研究復雜的社會經濟系統，尤其是對系統的行為趨勢和政策變化影響進行長期預測［10］。

系統動力學模型的建立過程一般分為以下步驟：

第一步，設立研究目標。通過明確研究目的，來確定研究目標，再通過研究目標，來界定研究的范圍。

第二步，選定關鍵因素。在眾多的影響因素中，篩選出關鍵的影響因素，分析各類影響因素之間的層次關系和影響方向。

第三步，構建數學模型。利用系統動力學軟件系統，構建社會系統運行機制仿真模型。

第四步，設定參數模擬。對待定的參數進行合理的設定，對系統的結果進行模擬分析。

第五步，系統結果分析。根據模擬的結果進行參數調整，再根據系統仿真的結果進行分析。

第六步，調整政策靶點。根據構建的仿真系統的結果，對政策運行機制中的關鍵靶點進行調整，給政策制定者提供科學參考。

（4）泰爾指數和基尼系數

因收入和支出是經濟學中體現“生產要素生產產品的貨幣價值”的對立維度，本書將支出替代為收入，選取泰爾指數和基尼系數共同判定政府衛生支出城鄉、層級、區域分配風險。

泰爾指數（Theil index），由荷蘭經濟學家泰爾（Theil）（1967）提出，是衡量地區收入不平等度、資源配置差異的指標。它具有樣本逐層分解的特點，能夠彌補基尼系數僅能反映“總體差異程度”的缺陷。在本書中，泰爾指數使用收入作為權重，泰爾指數數值越大，政府衛生支出不均等性程度越高。同時，泰爾指數可分為單變量泰爾指數和雙變量泰爾指數2類，在政府衛生支出城鄉分配風險中，使用單變量泰爾指數進行風險識別，雙變量泰爾指數進行風險分解。

基尼系數（Gini coefficient），由意大利統計與社會學家基尼（Corrado Gini）（1912）提出，是國際上通用的衡量區域收入差距的指標。其根據洛倫茨曲線，計算和判斷收入分配的公平程度。基尼系數最大值為1，最小值為0，越接近0表明收入分配越公平。聯合國開發計劃署等組織規定，基尼系數若低于0.2表示指數等級極低（高度平均）；0.2~0.29表示指數等級低（比較平均）；0.3~0.39表示指數等級中（相對合理）；0.4~0.59表示指數等級高（差距較大）；0.6以上表示指數等級極高（差距懸殊）。國際慣例，通常把基尼系數0.4作為收入差距的警戒值，超過則極易引起社會動蕩。本書使用基尼系數分析政府衛生支出分配差異，將政府衛生支出代替收入值，其含義變成按照人口或地域分布所形成的政府衛生支出平均差距，相對于政府衛生支出總體期望值的相對偏離程度。基尼系數0.4~0.6，為政府衛生支出分配差異的警戒線和風險臨界點。

（5）集中指數

集中指數，是改進的基尼系數法，是瓦格斯塔夫（Adam Wagstaff）（1998）在分析醫療衛生服務公平程度時引入的方法，目前，常被用于評價與收入相關的健康相關變量分布的公平性研究。集中指數可以反映某社會經濟特征在量化參照標準的條件下，對變量不公平性的影響程度。本書使用集中指數，分析政府衛生支出層級資金分配風險。集中指數取值范圍為-1~1，數值越接近-1和1，不均等程度越高。如取值為0，資金層級分配絕對公平；如取值小于0，資金層級分配傾向于生產效率低的層級，存在不均等性；如取值大于0，資金層級分配傾向于生產效率高的層級，存在不均等性。

（6）數據包絡分析

數據包絡分析，主要應用于政府衛生支出資源配置、健康生產效率風險分析。數據包絡分析（data envelopment analysis，DEA），由美國運籌學家查恩斯和庫伯（A.Charnes & W.W.Cooper）（1978）提出，是運籌學、數學、數理經濟學和管理科學交叉研究的新領域。DEA是一種對政府衛生支出健康效率進行相對比較的非參數分析方法，運用數學規劃模型評價同類決策單元（具有多產出多投入）間的相對有效性。

DEA由于原理簡單，無須測算權重，無量綱要求，客觀性好，具有分析“多投入與產出”的特殊優勢，因此，適用范圍廣，被廣泛應用于醫療衛生服務的各類效率評價。換言之，DEA是一種可以讓具有稀缺性的醫療衛生資源實現“最小投入、最大產出”的評價模式。

DEA中最常使用的模型包括規模報酬可變模型（variable return scale，VRS）和規模報酬不變模型（constant return scale，CRS）。基于“投入和產生”兩個角度，DEA效率核算可以分為投入導向型和產出導向型。投入導向型是在控制產出水平不變的條件下，達到投入最小化；而產出導向型是指在控制投入水平不變的條件下，考察如何產出最大化。由于政府衛生支出具有較強的社會公益性和價格剛性，以及醫療衛生服務需求彈性小等特點，本書采用VRS投入導向型測算各類效率，分析在現有國民健康水平下，政府衛生支出配置是否合理。

VRS模型通常測算綜合效率、技術效率和規模效率。綜合效率表示決策單元實現產出不變、投入最少，或投入不變、產出最多的能力；技術效率表示技術配置能否符合總體要求（綜合效率）并發揮最大效益；規模效率表示由靠近最優生產規模而引發的生產率增加量。三者函數關系：綜合效率=技術效率×規模效率。DEA測算結果，若效率值為1，則決策單元資源配置為有效；若效率值小于1，則資源配置無效。同時，依據DEA效率分類方法，若效率值為1，則決策單元資源配置為有效，若效率值小于1，則資源配置無效。無效值小于0.7為低效率，無效值介于［0.7，0.9）為中效率，無效值介于［0.9，1）為高效率。

3.實證研究部分——偏最小二乘回歸和Tobit回歸模型

現有政府衛生支出風險因素分析，主要采用傳統多元回歸模型（如逐步回歸法），通過數據相關系數和共線性診斷分析，發現某些自變量間存在高度相關，相關系數超過0.9，如使用一般多元回歸模型，可能出現多重共線性問題，無法準確判斷單個自變量對因變量的影響是否顯著，而偏最小二乘回歸作為研究方法優勢明顯，既有效避免了自變量之間的多重共線性，又保留了所有變量，使風險因素分析整體性研究更強、結論更可靠；同時，DEA效率模型測算出的政府衛生支出健康生產效率取值在“0”到“1”之間，屬于因變量為“片段”和“切割”數值，如果使用普通最小二乘法，會導致參數估計的信息偏移。而遵循“最大擬然法則”的Tobit回歸模型，可以有效規避這類問題。因此，本書主要采用偏最小二乘回歸和Tobit回歸模型，對政府衛生支出風險因素進行分析。