Effizienzbewertung von öffentlichen Krankenhäusern auf Kreisebene in Hainan, China: Ein vierstufiges Data-Envelopment-Analyse-Modell basierend auf Paneldaten
Hainan, die südlichste Provinz Chinas, hat aufgrund seiner raschen Entwicklung in verschiedenen Sektoren, einschließlich des Gesundheitswesens, zunehmend internationale Aufmerksamkeit erhalten. Trotz bedeutender Fortschritte bei Gesundheitsdienstleistungen bleiben Disparitäten in der Effizienz zwischen Krankenhäusern ein kritisches Problem. Um diese Disparitäten anzugehen und effektive Reformmaßnahmen zu formulieren, ist eine wissenschaftliche Bewertung der Effizienz öffentlicher Krankenhäuser auf Kreisebene in Hainan unerlässlich. Diese Studie zielt darauf ab, die Effizienz dieser Krankenhäuser zu bewerten, Effizienzveränderungen zwischen 2015 und 2017 zu beobachten und die Einflussfaktoren dieser Veränderungen zu analysieren.
Die Studie verwendete ein geschichtetes Stichprobendesign, um eine repräsentative Stichprobe von 88 Krankenhäusern aus 12 Landkreisen in Hainan auszuwählen. Die Stichprobenziehung berücksichtigte geografische, wirtschaftliche und versorgungsbezogene Bevölkerungsmerkmale. Der Stichprobenumfang wurde anhand der Data-Envelopment-Analyse (DEA) bestimmt, die eine Mindestkapazität von 2-mal dem Produkt der Anzahl an Input- und Output-Indikatoren erfordert. Die finale Stichprobe umfasste 264 Beobachtungen, bestehend aus 66 Allgemeinkrankenhäusern (GHs) und 22 Krankenhäusern der Traditionellen Chinesischen Medizin (TCMHs). Patientenbezogene Daten wurden nicht einbezogen, wodurch keine Ethikprüfung oder Einwilligungserklärung erforderlich war.
Die Analyse erfolgte mit der Software Stata v.14.0 unter Verwendung von Tobit-Regressionen und Random-Effects-Modellen basierend auf den Ergebnissen eines Hausman-Tests. Ein vierstufiges DEA-Modell wurde zur Effizienzbewertung der Krankenhäuser eingesetzt.
Stufe 1: Super-Effizienz-DEA-Modell
In der ersten Stufe wurde ein Super-Effizienz-DEA-Modell angewendet. Dieses bewertet, ob ein Krankenhaus sowohl technische als auch Skaleneffizienz erreicht. Es identifiziert Einflussfaktoren auf den Krankenhausnutzen, optimiert Ressourcenallokation und verbessert die Effizienz durch Inputreduktion bei konstantem Output. Das Modell ermöglicht einen detaillierten Vergleich effizienter Krankenhäuser.
Stufe 2: Tobit-Regression für Slack-Variablen
In der zweiten Stufe wurde eine Tobit-Regression genutzt, um den Einfluss externer Umweltfaktoren auf die Slack-Variablen der Entscheidungseinheiten (DMUs) zu analysieren. Slack-Variablen repräsentieren die Differenz zwischen tatsächlichem Input und dem Input der effizientesten Vergleichseinheit. Unabhängige Variablen waren Umwelteinflussfaktoren. Ziel war die Identifizierung externer Ineffizienzursachen.
Stufe 3: Anpassung der Inputfaktoren
In der dritten Stufe wurden die ursprünglichen Inputfaktoren basierend auf der Tobit-Regression adjustiert, um Umwelteinflüsse zu eliminieren. DMUs mit günstigeren Umweltbedingungen erhielten höhere Inputanpassungen, um vergleichbare Bewertungsbedingungen zu schaffen.
Stufe 4: Adjustierte DEA-Analyse
In der vierten Stufe wurde die Super-Effizienz-DEA mit den adjustierten Inputfaktoren und originalen Outputdaten wiederholt. Die resultierenden Effizienzwerte reflektierten die bereinigte, umweltunabhängige Effizienz der Krankenhäuser.
Ergebnisse
Die deskriptive Statistik zeigte signifikante Input-Output-Disparitäten zwischen den 88 Krankenhäusern. Die DEA-Ergebnisse ergaben, dass 13 Krankenhäuser volle technische Effizienz, 29 reine technische Effizienz und 13 Skaleneffizienz erreichten. Die Tobit-Regression identifizierte das verfügbare Einkommen städtischer Einwohner, Finanzsubventionen und die tägliche Patientenbelastung pro Arzt als signifikante Effizienzfaktoren. Nach Adjustierung stieg die Anzahl skalenefizienter Krankenhäuser auf 49 (2015), 46 (2016) und 36 (2017).
Diskussion
Die Studie offenbarte, dass eine Nichtberücksichtigung externer Umweltvariablen die Effizienzwerte überschätzt. Die Einbindung des Super-Effizienz-DEA-Modells ermöglichte präzisere Effizienzvergleiche. Im Gegensatz zu früheren Studien von Jiang et al. waren hier vor allem sozioökonomische Faktoren entscheidend. Limitationen umfassen den kurzen Beobachtungszeitraum und unzureichende Daten für dynamische Langzeitanalysen.
Fazit
Die Studie, gefördert durch den Natural Science Foundation of Hainan Province, China (Nr. 817139), liefert wertvolle Erkenntnisse zur Reduzierung von Effizienzdisparitäten in Hainans Krankenhaussektor. Zukünftige Forschung sollte auf die Identifikation kausaler Faktoren und dynamische Effizienzbewertungen abzielen.
doi.org/10.1097/CM9.0000000000001293