我国区域卫生生产效率及其变化：DEA、SFA和Malmquist指数的比较分析_dea论文

中国区域健康生产效率及其变化——结合DEA、SFA和Malmquist指数的比较分析，本文主要内容关键词为：中国论文,生产效率论文,区域论文,指数论文,健康论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      0 引言

      近年来，健康素质发展问题受到了普遍重视，健康方面的投资以及健康水平都有显著的提高。但与此同时，中国省域间的健康投资与水平状况却有着极大的差异，如2010年，北京的千人卫生技术人员数是贵州的5倍多，江苏地区的人口死亡率是广州的1.5倍多。并且，省域之间投入产出转换能力也存在差异，即卫生资源的丰富程度与健康水平的高低并不对等。对于这些问题，可以将各地区健康系统视为投入产出生产系统，分析其健康生产效率，从而可以深入了解其投入产出状况所反映的信息，以及其转换能力的差异与发展状况。

      目前，有关健康生产效率的研究，以微观层面的分析居多，主要是对一些医疗机构的效率以及相应的影响因素进行研究（如Kirsi，2009[1]；Rosko，1999[2]等）。在国内方面，侯文（2001）[3]和邱亭林（2006分别比较分析了中国不同类型医院的效率，庞瑞芝（2006）[5]进一步分析了影响效率的因素。而健康生产效率宏观层面及其影响因素的研究相对较少（如Sanjeev，2001[6]；Donna，2004[7]等），也有部分学者对中国宏观层面的健康生产效率进行了探讨，如韩华为（2010[8]和刘海英（2010）[9]分别比较分析了区域各主体的卫生投资效率（中国地方政府之间，以及城乡之间）；张宁（2006）[10]则从区域整体视角，分析了健康生产效率及其影响因素之间的关系。

      关于健康效率的评价方法方面，一般采用数据包络分析（Data Envelopment Analysis，DEA）和随机前沿分析（Stochastic Frontier Approach，SFA），两种方法各具优劣，DEA能避免可能的错误函数形式而没有考虑随机因素带来的效率偏差，SFA考虑了随机因素却预设了函数形式（许晓雯等，2006）[11]。而关于中国宏观视角的健康生产效率的研究，都只采用了其中一种方法进行分析，没有比较两种方法的适用性，张鹭鹭（2003）[12]等虽然采用了两种方法进行比较分析，但其研究对象是微观企业，而非针对宏观区域。同时，现有关于中国健康生产效率发展情况的探讨，主要是进行简单的时序变化特征分析，没有进行更为深入的探讨。实际上，Malmquist指数法能通过在不同时期的投入产出向量测算反映投入产出间内在的动态关联关系，并且能够分解为不同成分进而揭示内涵丰富的信息（方毅等，2012[13]）。

      另外，现有研究对健康生产投入产出指标的选取，也有待进一步商榷。如关于卫生经费投入指标，张宁（2006）[10]、韩华为（2010）[8]等大多采用流量指标—卫生经费支出。而卫生投入会影响当期及后期的国民健康，以卫生经费支出作为投入指标，可能会导致测算结果出现较大偏差，从而不能真实地反映各省份国民健康的发展情况。

      本文研究主要目的是测评中国区域健康生产系统的效率及其变化，相较以往研究，在以下三个方面作了拓展：第一，综合运用SFA和DEA两种方法，对健康生产效率进行测评，以期有一个更为全面而可靠的认识。第二，将SFA和DEA分别结合Malmquist生产率指数，全面深入的分析中国健康生产效率的变化状况。第三，对指标的选取有所改进：本文在确定中国各省份健康的投入时，采用经过核算的卫生总费用资本存量；另外，采用总生存人年这一指标来衡量健康生产的产出变量，该指标同时反映了区域人口总量和每个人健康的质量状况，相比死亡率等常规指标更为全面。

      本文将中国各省份视为一个投入一定人力和财力的健康生产部门，应用SFA和DEA方法，结合Malmquist生产率指数，分析各个省份的健康生产效率及其变化状况，试图在比较分析两类方法适用性基础上，对中国健康生产效率有一个更确切的了解。文章后续部分安排如下：首先描述研究方法，其次说明变量选择和数据核算，接着对测算结果进行比较分析，最后给出结论。

      1 研究方法

      1.1 DEA方法

      

      

      1.2 SFA方法

      Kumbhakar & Lovell（2000）[15]总结出了SFA生产函数模型的一般形式：

      

      技术效率TE等于实际产出期望与前沿面产出期望的比值：

      

      1.3 Malmquist生产率指数

      在两个数据点之间，Malmquist指数通过计算每个数据点相对于普通技术的距离比值，来测量全要素生产效率（TFP）的变化。根据

（1992）[16]的研究，在s时期和t时期之间的Malmquist全要素生产效率变化指数（Malmquist TFP index）（产出导向）可以表示为：

      

      式中等号后面的前半部分表示从s到t期的技术效率变化EFFCH，后半部分表示从s到t期在生产和管理方面的前沿技术进步TECH，两者的乘积等于Malmquist生产率指数。技术效率变化EFFCH可以再分解为纯技术效率变化率PECH和规模效率变化率SECH，即：

      

      PECH和SECH分别表示从s到t期第i个决策单元纯技术效率和规模效率的变化情况，其中PECH反映的是决策单元的日常管理水平状况。下标v与c，它们分别相对于不考虑规模收益（VRS）技术与考虑规模收益（CRS）技术。

      2 数据与变量

      本文所使用的基础数据来源于2002～2010年各期的《中国统计年鉴》、《中国卫生统计年鉴》和部分地方统计年鉴。由于本文所使用的一个重要指标，社会卫生投入（社会医疗保险基金支出），从2002年中国才开始全面推行，其数据最早只能追溯至此，故以2002年为考察基期。文中研究对象为中国内地的31个省级行政地区，其中部分地区数据不全，本文通过插值法等进行数据处理而获得。这样，31个省份9年的时间跨度，共计279个样本观测值。

      2.1 产出变量

      衡量健康产出的指标一般都集中于预期寿命、死亡率及其相关变量。世界卫生组织[17]将经残疾率校正的预期寿命（Disability-Adjusted Life，DALE）和儿童死亡率作为评测国家和地区总体健康水平的指标；联合国[18]则采用了预期寿命、婴儿死亡率、儿童死亡率三个指标。关于中国健康水平的衡量也主要采用预期寿命（张宁，2006[10]等）、死亡率（王弟海，2008[19]）等这些指标。这些指标中，预期寿命能很好地反应区域的健康水平，但这方面的统计数据较少；死亡率作为衡量指标，简单明了，且有相关详细的统计数据，但其作为一个相对量不能较全面地反映一个区域的健康水平。

      本研究中，将采用各地区人口的总生存人年作为健康生产的产出变量。地区总生存人年，指地区中所有人截止当期所生存年限的总和，这一指标即反映了区域人口总量，也反映了每个人健康的存量状态（年龄）。这一综合指标的数据由来自中国统计年鉴、中国卫生统计年鉴等多个变量综合而得，囿于统计数据限制，用各地区人均年龄与各地区年末人口数量乘积求得。其中，各地区人均年龄用全国0～14岁、15～64岁、65岁以上三个年龄段人口平均年龄，与各地区三个年龄段人口数量百分比的加权总和求得，而全国三大年龄段人均年龄用全国每5岁年龄段人口数量数据求得。各地区年末人口数量、各地区三个年龄段人口数量、全国每5岁年龄段人口数量，这三个指标数据来源于各统计年鉴。

      2.2 投入变量

      健康投资衡量指标的选择比较宽泛，狭义上的健康投资，主要是指直接作用于健康的投资，可以分为卫生资源存量状况和卫生资源使用状况两个层面。卫生资源存量状况层面，包括卫生保健人力资源（Retzlaff-Roberts et al.，2004[20]）、卫生保健设备等，如Grosskopf和Valdmanis（1987）[21]将净资产作为医院资本投入变量。卫生资源使用状况层面，包括医疗保健消费支出（Berger & Messer，2002[22]）、医疗机构服务状况等，如Ferrier & Valdmanis（1996）[23]的研究中使用急诊住院人日、加护病房住院人日、急性住院人日、手术人次、门诊人次及出院人次等变量。

      本文所考察的健康投入，是指当年用于健康生产的相关资源的状况，即将健康生产投入从狭义上定义为医疗卫生投入。基于这一视角衡量健康投入的指标体系，一般都采用卫生技术人员数、卫生医疗机构床位数和卫生总费用三个指标（如张宁，2006[10]等），也有研究采用其中一种或两种指标（如韩华为，2010[8]等），并且在每个指标采用均值还是总量方面不能统一。但是，来自政府、社会以及个人对医疗卫生的费用投入，都用在了医疗卫生方面的机构建设、设施设备购置、医疗人员队伍建设与培训等所有方面，所以，从积累的存量角度界定的卫生总费用，其必然内在的涵盖了卫生医疗机构床位、医疗净资产等指标所表示的内容。鉴于此，我们在考虑用卫生总费用衡量健康投入的情况下，不宜再考虑后两个指标。另外，医疗卫生技术人员的队伍建设的费用方面虽然来自卫生总费用，但其内含的人力资本，是不能为卫生总费用所能涵盖的。基于此，类似内生经济增长理论（将资本存量和人力资本作为投入变量），我们将投入的卫生总费用和卫生技术人员（由于没有进一步的人力资本数据，在此假定每个个体内含人力资本存量均等）作为衡量健康投入的两个指标，并且都采用总量指标。

      卫生技术人员数，数据来源与《中国统计年鉴》，采用总量数据（2009与2010年度只有“每千人口卫生技术人员总数”这一指标数据，该年度总量数据由此指标数据和“地区人口总数”（常住人口）核算所得）。

      卫生总费用，许多研究者采用了这一指标，包括个人卫生支出、社会卫生支出和政府卫生支出，但大多采用名义数据，且没有考虑到当期投入对后期的影响。考虑到卫生总费用是年度内各投资主体在卫生医疗方面的资金投入，是一项流量指标，并且，它对当期和后期的健康生产都将产生影响。因此，应该核算出卫生总费用的资本存量，在此本文采用永续盘存法进行核算：

      

      

      对于各投资主体的实际卫生支出指标，其核算方法如下：（1）实际个人卫生支出（GR）：其值是以2002年为基期，根据价格指数，对名义个人卫生支出进行平减。其中，名义个人卫生支出=各地区城市居民人均医疗卫生支出×各地区城市人口数量+各地区农村居民人均医疗卫生支出×各地区农村人口数量，价格指数则是各地区居民消费价格分类指数中的医疗保健消费价格指数（上年=100，核算为2002为基期的价格指数）。（2）实际政府卫生投入（ZF）：其值同样以2002年为基期，根据价格指数，对名义政府卫生投入进行平减。其中，名义政府卫生投入以各地财政支出中的医疗卫生费用指标表示，价格指数=各地区消费价格指数×各地区消费百分比+各地区固定资产价格指数×各地区固定投资百分比，指标各地区消费百分比和各地区固定投资百分比，其值是通过统计年鉴中各地区最终消费率和资本形成率两个指标数据核算所得。（西藏没有固定资产价格指数，以综合价格指数代替）（政府卫生投入包括中央政府和地方政府的财政预算卫生支出，其中中央政府预算卫生支出占总预算卫生支出的比例非常小，约3%左右，因此，本文不予考虑。）（3）实际社会卫生投入（SH）：其值同样以2002年为基期，根据价格指数，对名义社会卫生投入进行平减。其中，名义社会卫生投入以各地社会医疗保险基金支出指标来表示（社会医疗保险基金从2002年开始在全国推广，价格指数与实际政府卫生投入核算所用价格指数相同）。

      经过核算，本文将所使用的变量、指标的数据描述性统计汇总于表1。通过Pearson相关性分析，发现总生存人年、卫生技术人员数和卫生总费用存量都显著高度相关（相关系数分别为0.956、0.766、0.872，且都通过0.01的双侧检验）。由此可以用卫生总费用存量为代表描述投入产出数据基本特征，图1与图2分别描绘了卫生总费用存量的年度均值发展状况以及地区均值。由图1可知，卫生总费用存量的年度均值呈现逐年稳步增长态势，从2002年的403亿元到2010年的1625亿元，年均增长19.05%。由图2，可知各地区卫生总费用存量差异很大，其与经济相对发达程度有一定关系，如广东、山东、浙江、江苏、上海排名前五，西藏、青海、海南、宁夏、贵州则是最后五名。

      3 结果比较分析

      3.1 健康生产效率比较分析

      SFA生产函数常用的有柯布—道格拉斯生产函数和超越对数生产函数两种，结合本文选取的健康生产投入产出指标体系，建立如下柯布—道格拉斯生产函数随机前沿模型（式（9））和超越对数生产函数随机前沿模型（式（10））：

      

      

      

      运用Frontier 4.0软件包对式（9）和（10）进行回归，结果如表2。其中，两模型的γ值都大于0.999，且都通过了0.01水平的显著性检验，表明在SFA方法中技术非效率贡献了99.9%以上的误差，说明了SFA方法的两种模型从整体上都适用于本文的数据处理；另从回归估计检验结果来看，两模型虽有部分参量估计值没通过检验，但都多半通过了检验，说明两模型都具有较强的解释力。进一步，通过关键判定参量来判定两种模型的适用性，即核算广义似然统计量（计算公式：λ=-ln（L（

）/L（

）），其中L（

）和L（

）对应表2中的Log函数值）：λ=167.18，远大于1%水平上的临界值16.812，由此可知，超越对数生产函数形式的随机前沿模型应更适宜解释样本数据。因此，在下文分析中，对于SFA方法本文将采用超越对数生产函数形式模型。另外，超越对数模型的η值为负值，且远小于0，说明技术效率表现出一定的随时间递减特征，但不显著；因而无需进行假定技术效率不随时间改变的模型检验。

      

      

      采用DEAP 2.1软件包对DEA的健康生产效率进行估算，将结果与超越对数生产函数SFA的结果进行比较分析，表3列出了两种方法估算结果的描述性统计。可以看出，中国区域健康生产效率整体上处于中等程度的水平，健康发展状况一般，其中DEA方法测算结果较高，但其总体均值也只达到0.6502，仍有35%左右的提升空间。两种方法的结果都远低于张宁（2006[10]、罗良清（2008）[24]的测算，实际上，由于指标选取与处理，以及时期选择上存在较大差异，使得几种研究结果的可比性不强。从标准差的来看，SFA方法测算结果的总体标准差要高于DEA方法，说明其对样本数据的敏感性更高一些；同时，SFA方法的省域均值标准差也高于DEA方法，说明SFA方法对省域之间的区分更加显著；而DEA方法的年度均值标准差要高于SFA方法，这在一定程度上说明DEA测算结果在时序上具有更大的波动性。

      下面，从纵向时序和横向省域上比较分析两种方法的测度结果以及效率值自身特征，图1、2分别描绘了其均值和标准差。

      首先可以看出，两种方法所测量的结果存在较大差异。各时期上SFA测算的效率均值都低于DEA方法，省域均值方面三分之二以上的DEA测算结果高于SFA方法，其中，海南、西藏、青海、宁夏等偏远省份的效率值相差最大。进一步，运用配对t检验和斯皮尔曼等级相关检验，从配对和排序两方面比较两种方法测算结果的差异性。检验结果为：时序上配对t统计量值为21.20，省域上配对t检验值为4.069，都通过了0.001显著性检验；省域均值排序的斯皮尔曼相关系数为0.457（显著性为0.01）。这进一步说明两种方法的测算结果，其差异是显著的，同时，在省域排序上表现出一定程度的相关，一致性不强。这些方法层面上的结论，与李向东（2011）[25]的研究类似。

      其次，通过比较，可以发现SFA方法和DEA方法的测量结果具有各自特点，能反映出健康生产效率信息的不同方面。相较而言，SFA测算的年度健康生产效率均值，呈现出的是较为平缓和均匀的上升态势；这一态势，与原始数据中健康产出与健康投入平均水平的逐年增长态势，表现一致。而DEA方法测算的年度均值，时序上虽也表现为上升态势，但有一定的波动性，于2004年下探至最低（0.613），随后各期呈现出阶梯性上扬趋势，期末水平（2010年）达到了最高水平0.744，比期初效率水平（0.614）提高约20.4%；这与原始数据中，健康产出与健康投入年度增长率的不均匀变化，尤其是2005年度和2010年度的突变，表现出一定的相似波动态势。这些说明了SFA能较好的排除随机因素而反映其现实实质，而DEA能反应由随机因素引起的现实波动。标准差方面，年度标准差反映了每一年度省域间健康生产效率值的离散程度，SFA与DEA方法所得的标准差各年基本持平，说明两种方法都有较好的稳健性；另外，SFA方法测算的各期效率标准差均高于DEA方法，说明SFA方法对省域个性的识别性更强。相反，在省域均值标准差方面，除了贵州外，其余各个省份的DEA结果均大于SFA结果，进一步说明DEA方法更能反映出时序上的波动。通过对两种方法测算结果的比较分析，能同时了解健康生产效率发展的内在实质和随机波动性。

      另外，根据核算结果，可以发现中国区域健康生产效率呈现出的一些特点。从时序上看，无论是SFA还是DEA方法，其测算结果均值都呈现上升态势，表明健康生产效率处于持续不断的改善过程中。横向省域均值比较来看，DEA和SFA各自所得的最大值和最小值之间分别相差3倍和45倍，变异系数分别为0.221和0.585，表明省域之间的健康生产效率差异较大；同时，两种方法测量结果的年度标准差在时序上变化不大，说明各省域间的健康生产效率差异随时间变化不大。另外，高投入的省份不一定是高产出，其效率也不一定处于高水平，如健康投入水平处于前几位的北京和上海，其两种方法所核算的健康生产效率排名都是后几位，分别是DEA的31和30，SFA的26和24，这与这两个省份的原始数据中，其健康产出年度平均水平排名的26和24，显现出较强的相关性。进一步，通过Pearson相关性分析，分析两种方法测算省域效率均值与健康投入水平相关性，发现健康投入费用存量与DEA测算效率结果不相关，而与SFA测算效率结果呈现出较高相关性（相关系数分别为-0.134和0.736，后者通过0.01的双侧检验）。

      3.2 健康生产效率变化的比较分析

      1）两种方法Malmquist指数的核算原理

      衡量健康生产效率变化，本文采用Malmquist全要素生产效率变化指数及其分解指数。对于DEA方法，需要先计算出投入和产出的各种距离函数，然后运用式子（4）～（5）进行运算。这些距离函数可以通过解第i个决策单元DEA问题来进行，具体基于投入的式子如下：

      

      

      对于SFA方法，前文的分析中选择了超越对数函数形式，依据Fuentes，Grifell-Tatjé and Perelman（2001）[26]和Orea（2002）[27]的研究，可以运用基于导数的技术对Malmquist生产效率变化各分解指数进行求解。其中，效率变化指数EFFCH为：

      

      

      将SFA方法核算的技术效率TE结果带入式子（12），并将式子（10）带入（13）和（14）进行核算即可得到效率变化、技术进步变动和规模效率变化。进一步，Malmquist全要素生产效率变化指数TFPCH，可由技术效率变化EFFCH和技术进步变动TECH的乘积得到；纯技术效率变化率PECH，可由技术效率变化EFFCH除以规模效率变化率SECH得到。

      2）两种方法的Malmquist指数比较

      本文计算了各地区2002～2010年基于随机前沿分析和数据包络分析的技术效率改进、前沿技术进步、规模效率改进、纯技术效率改进和全要素生产率变化的Malmquist指数。表4提供了以各地区几何平均计算的历年Malmquist生产率指数及其分解值，并绘制成直观图3～7（限于篇幅，不列出以历年几何平均计算的各地区Malmquist生产率指数及其分解值）。

      总体而言，SA结果显示改革以来中国TFP年平均增长率为3.19%，其中前沿技术进步率为0.43%，技术效率增长率为2.78%，纯技术效率改进率为15.67%，规模效率变动率为-8.9%，而DEA的相应结果分别为-5.5%、-7.11%、3.06%、2.69%和0.38%（表3）。从时间变化趋势上看，SFA结果显示的5种指数的变动都较为平缓，这与其所测度效率年度平均水平变化的平稳性具有很好的一致性，进一步说明SFA方法能很好地排除随机因素带来的影响。而DEA结果中，全要素生产效率变动指数TFPCH在时序上的起伏较大，说明其随机性较大，而这一随机性主要取决于起伏更大的效率变动指数EFFCH；同时，DEA结果中效率变动指数EFFCH所呈现的随机性，更多的是受到起伏变化较大的纯技术效率变动指数PECH的影响；这些指数呈现的波动特征，也与DEA方法所测度效率年度平均水平的增长波动性，表现出很好的一致性。SFA和DEA所反映的纯技术效率变动指数PECH对技术效率变动指数EFFCH的贡献，都远高于规模效率变动指数SECH的贡献；其中SFA更为特别，其所反映的纯技术效率变动指数PECH是5个变动指数中均值最高的，相反其所反映的规模效率变动指数SECH是最低的，并且是唯一的一个均值低于1的变动指数。

      全要素生产效率变动指数TFPCH方面，SFA结果显示2002年以来中国的TFP增速变化较为平稳，并呈略微下降趋势；DEA结果显示TFP变动是下降的，2002年到2006年度中国的TFP降速呈现逐渐变小，并于2006～2007年度出现拐点，到2010年度表现为逐渐增大（图3）。与现有研究类似，本文SFA和DEA分析的结果也存在较大差异，历年全国平均的结果都表明SFA得到的TFPCH指数显著高于DEA结果；更为突出的是，SFA结果都表现为增长，而DEA结果都表现为降低。可以看出，导致这一决然相反的结果，其主要源头是DEA方法TECH值所做的负向贡献，极大地降低了其TFPCH值。

      

      

      技术进步变动指数TECH表示决策单元在s期至t期的生产或管理技术变化的程度，代表了决策单元两个时期内生产前沿面的移动情况，表明技术进步或创新的程度。SFA结果中，除少数省份结果表现为降低外，大部分地区和所有年度的TECH表现为发展态势，显示前沿技术的年平均增长率为0.43%，相对符合中国社会的技术创新与发展的现实（图4）。但与现有诸多研究类似，本文发现无论从地区还是年度来看，DEA的结果全面的显示出前沿技术退步，即技术前沿内陷。“显然难以从经济学上给出合理可信的解释”林毅夫、刘培林（2003）[28]认为现实中已掌握的前沿技术一般不会被遗忘，除非出现战争等类似的灾难破坏。可以推断，造成这一结果的主要原因，是中国健康人力资本发展过程中存在着DEA不能反映的随机因素，因而使用DEA方法对生产者效率测算存在偏误。因此，从技术进步视角来看，由于中国健康人力资本发展过程中不可避免地存在诸多随机扰动和不可观测因素，特别是位于生产前沿的东部发达地区，其受体制转轨和国际市场环境等不完全可控因素的影响更为突出，基于此，SFA方法所测结果比DEA更为客观，其结论也更为可靠。

      技术效率变动指数EFFCH表示的是每一个决策单元对生产可能性边界的追赶程度。从地区或者年度来看，SFA的结果都大于等于1，显示出逐渐逼近生产前沿的追赶态势。虽然DEA均值大于1，但其地区或年度结果之间差异较大（图5），其中四个年度之间的变动表现为远离生产前沿面的态势，另外四个年度之间的变动表现为逼近生产前沿面的追赶态势；地区之中，除黑龙江外，所有其他省份的历年均值都显示出追赶态势。

      纯技术效率变动指数PECH表示的是日常管理水平对决策单元影响而产生的技术效率变动。从地区或者年度来看，SFA的结果显示其改进达到15.67%，是所有变动指标中最高的，且地区和年度值都大于1，反映着管理水平的改进对技术效率变动起着极大的作用（图6）。DEA的结果都小于SFA所得结果，其中，除年度中的2003～2004和2005～2006年度以及地区中的黑龙江省以外，其他年度和地区均值都超过1，也反映出管理水平的改进对技术效率变动起着正向的作用。

      

      

      

      

      

      规模效率变动指数SECH表示的是规模报酬影响而导致的技术效率变动。比较特别的是，从地区或者年度来看，除江苏省以外，其他SFA的均值结果都小于1，显示出规模报酬的影响与管理水平的发展作用相反，阻碍了技术效率对生产前沿的追赶（图7）。DEA的结果正好相反，虽然其对技术效率变动的贡献为0.38%，远小于纯技术效率变动的贡献率2.69%，但其大部分地区和年度均值大于1，显示出规模报酬方面的影响促进了技术效率对生产前沿的追赶。

      4 结论

      本文同时采用随机前沿分析（SFA）和数据包络分析（DEA）两种方法，结合Malmquist生产率指数，测算中国各省域的健康生产效率及其变化状况，在考量两种方法适应性的同时，进而更加全面深入的了解近年来中国的健康投入产出绩效。研究结果表明：

      1）但无论是效率测算还是效率变动的测算，两种方法都存在较大差异。效率测算结果方面，SFA普遍低于DEA；全要素生产率增长率与前沿技术进步率方面，SFA与DEA都表现为一增一减，而反映的规模效率变动率方面是一减一增。

      2）两种方法各有特点，都具有一定的适用性。首先，SFA和DEA的测算相对自身而言都表现出较好的稳定性；其次，对于效率测度，SFA更能突出的反映出省域个体差异；最后，对于效率及其变化的测度，SFA能较好的排除随机因素而反映其现实实质，而DEA则能较为直接地反映出由随机因素引起的现实波动；比较特别的一点是，就所测度的技术进步率而言，SFA方法测算结果比DEA方法更为符合现实状况。

      3）就中国区域健康生产效率而言，研究表明其近年来一直处于不断改善过程中，整体上均处于中等水平，仍有较大的提升空间；省域间效率值差异较大，存在投入产出反转现象。就效率变化而言，技术效率增长率和纯技术效率变动率都表现为增长态势，即生产效率对技术前沿一直保持追赶态势，其管理方面的因素促进了这一追赶态势。

      以上结论的政策涵义也是显而易见的，首先，在加大中国国民健康投入的同时，更加需要进一步的提高中国各省域的健康生产效率，就全国而言，在保持良好态势的基础上，需要向效率低下的省域进行适当的政策倾斜；其次，在推动全要素生产效率发展方面，在强调通过创新来促进技术进步的基础上，更应关注技术效率变化这一生产系统内相当可控部分，应该着力于保持其对技术前沿的持续追赶上面；最后，在保障技术效率持续增长方面，重点是需要引导规模效率的改善，使之能够对持续的技术效率改进产生正向积极的影响。

标签：dea论文;  生产效率论文;  差异分析论文;