張糲文，李小菊，毛璐，楊姐林

(石河子大學(xué)醫(yī)學(xué)院預(yù)防醫(yī)學(xué)系，新疆 石河子 832000)

個(gè)人衛(wèi)生支出 ( Out of pocket Payments，OOP)是指居民在利用衛(wèi)生服務(wù)過程中支付的現(xiàn)金費(fèi)用, 包括直接購買衛(wèi)生服務(wù)的花費(fèi)以及在各種保障制度下共付的費(fèi)用，也是籌資的重要來源[1]。OOP占衛(wèi)生總費(fèi)用比重作為居民醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)的顯示性指標(biāo)，常被用來衡量不同經(jīng)濟(jì)水平下居民發(fā)生“因病致貧”風(fēng)險(xiǎn)的大小[2]。本文選用GM(1，1)模型、ARIMA模型以及GM(1，1)+ARIMA組合模型，利用最優(yōu)擬合模型測(cè)算OOP占衛(wèi)生總費(fèi)用比重變化趨勢(shì)，以期為相關(guān)衛(wèi)生政策調(diào)整提供理論參考。

1 資料與方法

1.1 資料來源

數(shù)據(jù)來源于2004-2018年新疆生產(chǎn)建設(shè)兵團(tuán)衛(wèi)生總費(fèi)用研究結(jié)果、《新疆生產(chǎn)建設(shè)兵團(tuán)統(tǒng)計(jì)年鑒》以及生產(chǎn)建設(shè)兵團(tuán)統(tǒng)計(jì)網(wǎng)站發(fā)布的相關(guān)時(shí)間序列數(shù)據(jù)。

1.2 研究方法

1.2.1 灰色預(yù)測(cè)模型

灰色系統(tǒng)理論可利用包含不確定因素的系統(tǒng)進(jìn)行模糊預(yù)測(cè)，隨著發(fā)展應(yīng)用至人口、經(jīng)濟(jì)、社會(huì)等諸多領(lǐng)域[3]。GM( 1，1) 是灰色系統(tǒng)理論中的基本模型。其建模過程為：對(duì)原始序列x(0)(n)進(jìn)行累加求和，生成新序列x(1)(k)，建立一階線性微分方程，其表達(dá)式：

(式1)

其中a被稱為發(fā)展系數(shù)，b為灰色作用量。利用最小二乘法得到GM(1，1)的離散解為：

(式2)

1.2.2 ARIMA模型

差分自回歸移動(dòng)平均模型，簡稱ARIMA模型，是時(shí)間序列模型應(yīng)用較廣泛的參數(shù)模型之一，常用于衛(wèi)生領(lǐng)域的預(yù)測(cè)分析[3]。其建模思路是將非平穩(wěn)時(shí)間序列進(jìn)行d階差分轉(zhuǎn)化為平穩(wěn)序列后，對(duì)其滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸。其表達(dá)式如下：

(式3)

ARIMA(p,d,q)模型中參數(shù)p為自回歸階數(shù)，d為差分階數(shù)，q為移動(dòng)平均階數(shù)。

1.2.3 組合模型

研究表明：組合模型可以顯著減少預(yù)測(cè)的系統(tǒng)誤差，提高預(yù)測(cè)效果[5]。一般的線性組合預(yù)測(cè)模型的表達(dá)式：yt=w1yt1+w2yt2。 其中yt為t期組合模型的預(yù)測(cè)值，yt1,yt2分別為GM(1，1)模型和ARIMA模型t期的預(yù)測(cè)值，w1,w2為相應(yīng)的組合權(quán)重。通過求目標(biāo)函數(shù)誤差平方和的最小值確定最優(yōu)權(quán)重，即

(式4)

w1+w2=1

(式5)

通過軟件計(jì)算w1,w2值，得到最優(yōu)權(quán)重。

本文選用均方根誤差(RMSE)和平均絕對(duì)誤差百分比(MAPE)對(duì)三種模型預(yù)測(cè)效果進(jìn)行評(píng)估，指標(biāo)值越小，說明該模型預(yù)測(cè)效果越好。指標(biāo)表達(dá)式如下：

(式6)

(式7)

1.3 統(tǒng)計(jì)軟件

使用Excel 2010、Eviews 10. 0等統(tǒng)計(jì)分析軟件進(jìn)行數(shù)據(jù)處理和分析。

2 結(jié)果

本研究利用新疆生產(chǎn)建設(shè)兵團(tuán)GDP平減指數(shù)(以2018為基年)消除價(jià)格因素對(duì)OOP以及衛(wèi)生總費(fèi)用的影響，在此基礎(chǔ)上，進(jìn)一步消除人口因素的作用，最終得到人均OOP實(shí)際值及人均衛(wèi)生總費(fèi)用實(shí)際值數(shù)據(jù)。

2.1 人均OOP實(shí)際值預(yù)測(cè)

GM(1,1)模型：對(duì)原始序列進(jìn)行預(yù)處理后，利用最小二乘法估計(jì)參數(shù)，結(jié)果：a=-0.0101，b=6.3040，對(duì)應(yīng)得到GM(1,1)的白微分方程及時(shí)間響應(yīng)方程；ARIMA模型：根據(jù)差分后的平穩(wěn)序列的自相關(guān)函數(shù)、偏相關(guān)函數(shù)以及AIC準(zhǔn)則構(gòu)建模型ARIMA(1，1，1)；組合模型：通過計(jì)算得到GM(1,1)模型組合權(quán)重w1=0.6963，ARIMA(1，1，1)模型權(quán)重w2=0.3037，此時(shí)的組合模型的均方根誤差和平均絕對(duì)誤差百分比值最小。

比較三種模型預(yù)測(cè)效果的精準(zhǔn)性，可以看出組合模型預(yù)測(cè)效果較為理想(表1)。從結(jié)果趨勢(shì)圖(圖1)也可以發(fā)現(xiàn)，組合模型的擬合趨勢(shì)與真實(shí)值最為接近。

圖1 人均OOP實(shí)際值預(yù)測(cè)結(jié)果擬合效果

表1 三種模型對(duì)人均OOP實(shí)際值預(yù)測(cè)結(jié)果比較(元)

2.2 人均衛(wèi)生總費(fèi)用實(shí)際值預(yù)測(cè)

同理，對(duì)人均衛(wèi)生總費(fèi)用實(shí)際值進(jìn)行測(cè)算。組合模型最優(yōu)權(quán)重為w1=0.6173，w2=0.3827。從表2結(jié)果來看，組合模型預(yù)測(cè)人均衛(wèi)生總費(fèi)用實(shí)際值的RMSE和MAPE值最小，精準(zhǔn)度最高。如圖2所示，組合預(yù)測(cè)模型擬合趨勢(shì)較接近真實(shí)值水平。

圖2 人均衛(wèi)生費(fèi)用實(shí)際值預(yù)測(cè)結(jié)果擬合效果

表2 三種模型對(duì)人均衛(wèi)生總費(fèi)用實(shí)際值預(yù)測(cè)結(jié)果比較(元)

2.3 OOP占衛(wèi)生總費(fèi)用比重變化趨勢(shì)

根據(jù)前面研究結(jié)果，選擇人均OOP實(shí)際值及人均衛(wèi)生總費(fèi)用實(shí)際值序列數(shù)據(jù)預(yù)測(cè)精度較高的模型結(jié)果，計(jì)算比值，得到2019-2023年個(gè)人衛(wèi)生支出占衛(wèi)生總費(fèi)用比重。結(jié)果顯示，2019-2023年人均OOP實(shí)際值的年均增速為8.09%，較前5年平均水平下降1.46個(gè)百分點(diǎn)；人均衛(wèi)生總費(fèi)用實(shí)際值年均增速11.00%，較前5年平均水平升高0.61個(gè)百分點(diǎn)；OOP占衛(wèi)生總費(fèi)用比重則延續(xù)之前呈下降趨勢(shì)。(表3)。

表3 2019-2023年OOP占衛(wèi)生總費(fèi)用比重預(yù)測(cè)值(2018年=1)

3 討論與建議

3.1 辯證認(rèn)識(shí)OOP占衛(wèi)生總費(fèi)用比重

從理論上講，OOP不具備風(fēng)險(xiǎn)分?jǐn)偣δ?，OOP占衛(wèi)生總費(fèi)用比重越高，籌資系統(tǒng)的風(fēng)險(xiǎn)保護(hù)功能越弱[6]。過高的個(gè)人衛(wèi)生支出占比會(huì)對(duì)居民的基本衛(wèi)生服務(wù)利用產(chǎn)生影響，特別是貧困人口，因此，OOP比重也被用作衡量“因病致貧”的關(guān)鍵指標(biāo)[7]。但是，OOP作為一種籌資渠道，可以迅速籌集資金，改善因公共資金不足導(dǎo)致的居民基本衛(wèi)生服務(wù)利用較差的狀況，同時(shí)提高居民費(fèi)用意識(shí)，減少資源浪費(fèi)。因此，OOP占衛(wèi)生總費(fèi)用比重需要辯證的去看待，并不是越低越好，應(yīng)結(jié)合自身實(shí)際深入研究OOP增長的內(nèi)在構(gòu)成，提出更有針對(duì)性的籌資政策。

歷史數(shù)據(jù)顯示新疆生產(chǎn)建設(shè)兵團(tuán)OOP占衛(wèi)生總費(fèi)用比重自2010年起降到30%以內(nèi)，并呈現(xiàn)波動(dòng)式下行的趨勢(shì)，而本研究預(yù)測(cè)結(jié)果與這一趨勢(shì)相符合，預(yù)計(jì)到2023年，該比重將進(jìn)一步下降到21.61%。但從OOP比重下降到居民個(gè)人和家庭層面的醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)降低,還需要通過具體服務(wù)項(xiàng)目和機(jī)制來實(shí)現(xiàn)，是一個(gè)復(fù)雜的作用機(jī)制和傳導(dǎo)過程[8]。

3.2 確保政府衛(wèi)生投入的可持續(xù)性和穩(wěn)定性，不斷優(yōu)化其內(nèi)部結(jié)構(gòu)

政府衛(wèi)生投入是衛(wèi)生健康事業(yè)發(fā)展的重要保障[9]。近年來，新疆生產(chǎn)建設(shè)兵團(tuán)政府衛(wèi)生支出金額持續(xù)增長，從2009年的14.77億元增長到2018年的54.76億元 ，年均增速為15.67%，高于個(gè)人衛(wèi)生支出年均增速13.81%。可見，政府加大衛(wèi)生領(lǐng)域的投入總量可以緩解個(gè)人衛(wèi)生支出增長的壓力。從預(yù)測(cè)結(jié)果看，雖然政府衛(wèi)生投入規(guī)模持續(xù)增大，但增速明顯放緩。因此，更需要關(guān)注政府衛(wèi)生投入結(jié)構(gòu)的調(diào)整，提高投入績效[9]。建立基于全生命周期的衛(wèi)生投入機(jī)制，優(yōu)化資金配置，加大對(duì)公共衛(wèi)生領(lǐng)域的投入力度，實(shí)現(xiàn)從以治療為主向以預(yù)防為主的投入模式的轉(zhuǎn)變[11]。從短期看可能對(duì)居民經(jīng)濟(jì)負(fù)擔(dān)影響較小，但從長期看，會(huì)為衛(wèi)生投入帶來較高的社會(huì)效益和經(jīng)濟(jì)效益。

3.3 完善醫(yī)療保障體系，進(jìn)一步降低患者醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)

為進(jìn)一步降低患者醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)，需要在確保政府衛(wèi)生投入可持續(xù)性和穩(wěn)定性的基礎(chǔ)上，進(jìn)一步完善和發(fā)展以衛(wèi)生需求為導(dǎo)向的多層次醫(yī)療保障體系。一方面是減輕門診患者的醫(yī)療費(fèi)用負(fù)擔(dān)。2020年頒布的《中共中央國務(wù)院關(guān)于深化醫(yī)療保障制度改革的意見》中最新提到：將逐步將門診醫(yī)療費(fèi)用納入基本醫(yī)療保險(xiǎn)統(tǒng)籌基金支付范圍，改革職工基本醫(yī)療保險(xiǎn)個(gè)人賬戶，建立健全門診共濟(jì)保障機(jī)制[12]。這將有效降低門診患者的個(gè)人衛(wèi)生支付比例。另一方面，探索在醫(yī)療保險(xiǎn)籌資中給予成本效果好預(yù)防服務(wù)項(xiàng)目一定資金支持，如健康體檢、計(jì)劃外免疫等，提高醫(yī)保資金使用效率[13]。同時(shí)，穩(wěn)步提高商業(yè)健康保險(xiǎn)的保障水平，減輕對(duì)衛(wèi)生需求較高的特殊人群的費(fèi)用負(fù)擔(dān)。

3.4 預(yù)測(cè)模型的選擇與局限性

組合預(yù)測(cè)的主要思想是根據(jù)各單項(xiàng)預(yù)測(cè)模型的貢獻(xiàn)度來分配權(quán)重，因此選擇合適的單項(xiàng)預(yù)測(cè)模型可以提高預(yù)測(cè)精度及穩(wěn)定性[14]。灰色預(yù)測(cè)模型及ARIMA模型對(duì)具有線性關(guān)系的時(shí)間序列數(shù)據(jù)預(yù)測(cè)效果較理想，應(yīng)用性比較強(qiáng)[15]。從2種單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)結(jié)果看，均具有較好的預(yù)測(cè)能力，因此，在此基礎(chǔ)上建立的組合預(yù)測(cè)模型具有較高的精度與穩(wěn)定性。研究結(jié)果顯示組合預(yù)測(cè)模型的均方根誤差較小，是較理想的預(yù)測(cè)方法。不足之處，本研究各模型的建立是基于歷史已有數(shù)據(jù)，盡管排除了人口因素對(duì)衛(wèi)生費(fèi)用的影響，但未考慮衛(wèi)生政策變化、老齡化等因素的作用，可能導(dǎo)致預(yù)測(cè)結(jié)果存在一定偏差。因此，本研究的預(yù)測(cè)值只能作為相關(guān)衛(wèi)生政策制定的參考。