DOI: https://doi.org/10.3389/fpubh.2025.1729223
PMID: https://pubmed.ncbi.nlm.nih.gov/41626393
تاريخ النشر: 2026-01-15
المؤلف: Lin Wan وآخرون
الموضوع الرئيسي: تحليل الكفاءة باستخدام DEA
نظرة عامة
تستكشف هذه الفقرة من ورقة البحث كفاءة تخصيص الموارد الصحية عبر 31 مقاطعة وبلدية ومنطقة ذاتية الحكم في الصين من 2014 إلى 2023. باستخدام نموذج DEA-BCC لقياس الكفاءة الثابتة ومؤشر مالكويست لتحليل الإنتاجية الكلية الديناميكية، تكشف الدراسة أنه بينما زاد إدخال موارد الرعاية الصحية باستمرار، فإن الناتج لا يزال غير كافٍ. في عام 2023، تم تسجيل متوسط الكفاءة الشامل الوطني عند 0.869، مع تحديد أكثر من نصف المقاطعات على أنها غير فعالة وفقًا لنموذج DEA. ومن الجدير بالذكر أن هناك تباينات إقليمية كبيرة: حيث أظهرت المنطقة الشرقية كفاءة أعلى، بينما تأخرت المنطقة الوسطى، وشهدت المنطقة الغربية تقلبات كبيرة.
تشير التحليلات أيضًا إلى أن متوسط الإنتاجية الكلية الوطنية من 2014 إلى 2023 كان 0.984، مما يعكس اتجاهًا طفيفًا نحو الانخفاض يُعزى بشكل رئيسي إلى تأخيرات في التقدم التكنولوجي. لمعالجة هذه الكفاءات، يوصي المؤلفون بتنفيذ استراتيجية إعادة توازن الموارد مصممة خصيصًا على مستوى المقاطعة للتخفيف من تخصيص المستشفيات والأسرة بشكل مفرط. بالإضافة إلى ذلك، يؤكدون على أهمية تسريع نشر التقنيات الطبية في إعدادات الرعاية الأولية وتعزيز التقدم التكنولوجي من خلال التعاون الإقليمي وتحديث المعدات بشكل إلزامي. تدعو الورقة إلى اعتماد ممارسات إدارة مرجعية من خلال الاستفادة من التجارب الناجحة للمقاطعات ذات الكفاءة العالية في تحالفات الرعاية الصحية المتكاملة ودمج الصحة الرقمية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الأهمية الحاسمة لتخصيص موارد الرعاية الصحية بشكل عقلاني في تعزيز الصحة العامة وتحقيق الأهداف المحددة في خطة “الصين الصحية 2030”. منذ إنشائها في عام 2016، وضعت الخطة أهدافًا طموحة، مثل زيادة متوسط العمر المتوقع إلى 79 عامًا، مما يتطلب توزيعًا دقيقًا وفعالًا للموارد الطبية. كانت السياسات اللاحقة تهدف إلى تعزيز التوزيع العادل للموارد الصحية عالية الجودة، ومع ذلك، أدت التحديات مثل شيخوخة السكان والفجوات الاقتصادية الإقليمية إلى اختلالات كبيرة في تخصيص الموارد، مما يؤثر بشكل خاص على قدرة الرعاية الصحية الأولية. تشكل هذه الفجوات عائقًا كبيرًا أمام التنفيذ الفعال لاستراتيجية الصين الصحية، مما يؤثر في النهاية على وصول الجمهور إلى خدمات الرعاية الصحية عالية الجودة.
لمعالجة هذه القضايا، تستخدم الدراسة نماذج BCC ومؤشر مالكويست ضمن تحليل تغليف البيانات لتقييم الكفاءة الزمانية والمكانية لتخصيص موارد الرعاية الصحية عبر 31 مقاطعة في الصين من 2014 إلى 2023. لا يسلط هذا النهج الضوء فقط على الفجوات العرضية ولكن أيضًا يلتقط التغيرات الديناميكية في الكفاءة مع مرور الوقت. تسهم هذه الأبحاث في المجال من خلال تقديم تحليل شامل يمتد لعقد من الزمن ويشمل جميع الوحدات على مستوى المقاطعة، كاشفًا عن أنماط متميزة بين المناطق الشرقية والوسطى والغربية. تقدم هذه النتائج رؤى قيمة لصانعي السياسات، داعيةً إلى تدخلات مصممة خصيصًا لتحسين توزيع الموارد وتعزيز كفاءة خدمات الرعاية الصحية.
الطرق
تستخدم الدراسة بيانات سنوية رسمية على مستوى المقاطعة من المكتب الوطني للإحصاء في الصين، تغطي السنوات من 2014 إلى 2023. تصنف مجموعة البيانات الـ 31 مقاطعة إلى ثلاث مناطق: الشرقية (11 مقاطعة)، الوسطى (8 مقاطعات)، والغربية (12 مقاطعة)، وفقًا لمعايير التصنيف الخاصة بالمكتب الوطني للإحصاء. تسهل هذه التصنيف الإقليمي تحليلًا مقارنًا لكفاءة تخصيص الموارد الصحية عبر مناطق جغرافية مختلفة.
منهجياً، تستخدم الأبحاث نموذج Banker-Charnes-Cooper (BCC) ضمن تحليل تغليف البيانات (DEA) لقياس الكفاءة الثابتة ومؤشر مالكويست للتقييم الديناميكي للإنتاجية الكلية للعوامل (TFP). يقيم نموذج DEA-BCC، الذي يفترض عوائد متغيرة على المقياس، ثلاثة مقاييس للكفاءة: الكفاءة التقنية الشاملة (CTE)، الكفاءة التقنية النقية (PTE)، وكفاءة المقياس (SE)، مع درجات تتراوح من 0 إلى 1. تشير درجة 1 إلى كفاءة نسبية، بينما تشير الدرجات الأقل من 1 إلى عدم الكفاءة. من ناحية أخرى، يسمح مؤشر مالكويست بفحص التغيرات في الكفاءة مع مرور الوقت، مميزًا بين التحسينات في الكفاءة التقنية والتقدم التكنولوجي. من خلال دمج DEA مع تحليل TFP، تقدم الدراسة رؤية شاملة لكل من الحالة الحالية والاتجاهات طويلة الأجل في كفاءة تخصيص الموارد الصحية، محددةً المحركات الرئيسية لتباين الكفاءة.
النتائج
كشف تحليل كفاءة تخصيص الموارد الصحية عبر 31 مقاطعة في الصين في عام 2023، باستخدام نموذج DEA-BCC عبر برنامج DEAP 2.1، عن توزيع ملحوظ من ثلاثة مستويات من الكفاءة. على وجه التحديد، تم تصنيف ثماني مقاطعات، بما في ذلك بكين وشنغهاي، على أنها فعالة وفقًا لنموذج DEA، مما يمثل 25.8% من الإجمالي. بالمقابل، أظهرت خمس مقاطعات كفاءة ضعيفة وفقًا لنموذج DEA، مع درجات كفاءة تقنية نقية تبلغ 1 ولكن درجات كفاءة تقنية إجمالية أقل من 1، مما يمثل 16.1% من الحالات. تم اعتبار الـ 18 مقاطعة المتبقية غير فعالة وفقًا لنموذج DEA، مع درجات كفاءة تقنية إجمالية أقل من 1، مما يشكل 58.1% من الإجمالي. كان متوسط الكفاءة التقنية الشاملة عبر جميع المقاطعات 0.869، مع ظهور التبت كأقل كفاءة عند 0.521.
أظهر الفحص الإضافي لكفاءة المقياس متوسطًا قدره 0.954، مع كون التبت وهاينان الأقل كفاءة. جغرافيًا، أظهرت المنطقة الشرقية أعلى كفاءة شاملة، تُعزى إلى كفاءات تقنية نقية وكفاءة مقياس متفوقة، بينما تفوقت المنطقة الغربية في الكفاءة التقنية النقية لكنها تأخرت في كفاءة المقياس. جاءت عدم كفاءة المنطقة الوسطى من انخفاض الكفاءة التقنية النقية على الرغم من كفاءة المقياس القريبة من المثالية. على مدار العقد من 2014 إلى 2023، أظهر متوسط الكفاءة الشامل الوطني تحسنًا طفيفًا، مما يدل على استمرار عدم الكفاءة، خاصة في مناطق مثل تيانجين وهيبي، التي كانت تظهر غالبًا درجات كفاءة منخفضة.
المناقشة
في قسم المناقشة من ورقة البحث، يحلل المؤلفون كفاءة تخصيص موارد الرعاية الصحية في الصين من 2014 إلى 2023، مشيرين إلى وجود اختلال كبير بين نمو المدخلات والمخرجات الصحية. بينما نمت المدخلات مثل الفنيين الصحيين والأسرة المؤسسية والمرافق الطبية بشكل كبير (64.54%، 54.12%، و48.32%، على التوالي)، فإن المخرجات، التي تقاس بعدد الزيارات الخارجية وخروج المرضى من المستشفيات، كانت متخلفة عند 25.64% و47.93%. تشير هذه الفجوة إلى عدم كفاءة هيكلية في استخدام الموارد، خاصة في المقاطعات ذات كفاءة تحليل تغليف البيانات (DEA) المنخفضة، حيث يتواجد فائض في المدخلات، خاصة في عدد المستشفيات، مع نقص في المخرجات. تشير النتائج إلى أن العديد من المناطق لم تقم بتحسين موارد الرعاية الصحية الخاصة بها، مما يبرز الحاجة إلى تدخلات سياسية مستهدفة لمواءمة تخصيص الموارد مع الطلبات المحلية للرعاية الصحية.
كما تكشف التحليلات عن تباينات إقليمية ملحوظة في كفاءة الرعاية الصحية، حيث أظهرت المنطقة الشرقية أعلى مستويات الكفاءة، مدفوعة بأسس اقتصادية قوية وتقدم تكنولوجي. في المقابل، تُظهر المنطقة الوسطى أدنى كفاءة، ويُعزى ذلك إلى نقص التركيز على تطوير المواهب والابتكار التكنولوجي. بينما تحسن الوضع في المنطقة الغربية، إلا أنها لا تزال متخلفة. يجادل المؤلفون بضرورة تعزيز التعاون الإقليمي والدعم المستهدف لتحسين توزيع موارد الرعاية الصحية، خاصة في المناطق النامية. علاوة على ذلك، تم تحديد التقدم التكنولوجي كعائق حاسم أمام الإنتاجية الكلية للعوامل، مع انخفاض سنوي متوسط قدره 1.6%. يوصي المؤلفون بمعالجة التأخير في التكنولوجيا الطبية وتحسين إمدادات الكوادر الصحية الماهرة لتعزيز كفاءة الخدمة والنتائج الصحية العامة في الصين.
القيود
تستعرض هذه الفقرة عدة قيود للدراسة، تركز بشكل أساسي على المقاييس المستخدمة لتقييم الكفاءة. مؤشرات المخرجات هي في الغالب مقاييس حجم الخدمة، والتي، على الرغم من كونها ذات صلة لتقييم العملية والكمية، إلا أنها لا تأخذ في الاعتبار المقاييس الموجهة نحو النتائج المتعلقة بحالة الصحة أو جودة الخدمة. قد يؤدي هذا القيد إلى تشويه تفسير نتائج تحليل تغليف البيانات (DEA)، حيث تشير القيم العالية للكفاءة إلى إنتاج حجم خدمة فعال ولكنها لا تتوافق بالضرورة مع جودة خدمة متفوقة أو تحسينات صحية.
بالإضافة إلى ذلك، يفتقر نموذج DEA المستخدم إلى التحكم في العوامل البيئية الخارجية، والتي يمكن أن تؤثر بشكل كبير على تقديرات درجات الكفاءة. يحد هذا الإغفال من القوة التفسيرية فيما يتعلق بالعلاقات السببية. كما أن حساسية نتائج DEA لاختيار المؤشرات وغياب التباين العشوائي تعقد النتائج. أخيرًا، بينما تقترح الدراسة مسار تحسين من خلال تحليل تفكيك الكفاءة وتحليل الفائض، إلا أنها لا تقوم بإجراء تحليل تكلفة-فائدة مفصل أو تقييم التكيف المحلي بسبب قيود البيانات الكلية. يجب أن تهدف الأبحاث المستقبلية إلى دمج مؤشرات موجهة نحو الجودة والعوامل البيئية الخارجية لتعزيز قوة تقييمات الكفاءة وتقديم رؤى أوضح حول الفجوات الإقليمية.
DOI: https://doi.org/10.3389/fpubh.2025.1729223
PMID: https://pubmed.ncbi.nlm.nih.gov/41626393
Publication Date: 2026-01-15
Author(s): Lin Wan et al.
Primary Topic: Efficiency Analysis Using DEA
Overview
This research paper section investigates the allocation efficiency of healthcare resources across 31 provinces, municipalities, and autonomous regions in China from 2014 to 2023. Utilizing the DEA-BCC model for static efficiency measurement and the Malmquist index for dynamic total factor productivity analysis, the study reveals that while healthcare resource input has consistently increased, the output remains inadequate. In 2023, the national average comprehensive efficiency was recorded at 0.869, with over half of the provinces identified as DEA-inefficient. Notably, significant regional disparities were observed: the eastern region exhibited superior efficiency, the central region lagged, and the western region experienced considerable fluctuations.
The analysis further indicates that the average national total factor productivity from 2014 to 2023 was 0.984, reflecting a slight downward trend primarily attributed to technological progress delays. To address these inefficiencies, the authors recommend implementing a tailored resource rebalancing strategy at the provincial level to mitigate the over-allocation of hospitals and beds. Additionally, they emphasize the importance of accelerating the dissemination of medical technologies to primary care settings and enhancing technological progress through regional cooperation and mandatory equipment updates. The paper advocates for benchmarking management practices by leveraging the successful experiences of high-efficiency provinces in integrated healthcare alliances and digital health integration.
Introduction
The introduction of this research paper emphasizes the critical importance of rational healthcare resource allocation in promoting public health and achieving the goals outlined in the “Healthy China 2030” Blueprint. Since its inception in 2016, the Blueprint has set ambitious targets, such as increasing life expectancy to 79 years, necessitating precise and efficient distribution of medical resources. Subsequent policies have aimed to enhance the equitable distribution of high-quality healthcare resources, yet challenges such as population aging and regional economic disparities have led to significant imbalances in resource allocation, particularly affecting primary healthcare capacity. These disparities pose a substantial barrier to the effective implementation of the Healthy China strategy, ultimately impacting public access to quality healthcare services.
To address these issues, the study employs the BCC and Malmquist index models within Data Envelopment Analysis to evaluate the spatiotemporal efficiency of healthcare resource allocation across China’s 31 provinces from 2014 to 2023. This approach not only highlights cross-sectional disparities but also captures the dynamic changes in efficiency over time. The research contributes to the field by providing a comprehensive analysis that spans a decade and encompasses all provincial-level units, revealing distinct patterns among eastern, central, and western regions. These findings offer valuable insights for policymakers, advocating for tailored interventions to optimize resource distribution and enhance healthcare service efficiency.
Methods
The study employs official provincial-level annual data from the National Bureau of Statistics of China, covering the years 2014 to 2023. The dataset categorizes the 31 provinces into three regions: Eastern (11 provinces), Central (8 provinces), and Western (12 provinces), following the classification standards of the National Bureau of Statistics. This regional classification facilitates a comparative analysis of healthcare resource allocation efficiency across different geographical areas.
Methodologically, the research utilizes the Banker-Charnes-Cooper (BCC) model within Data Envelopment Analysis (DEA) for static efficiency measurement and the Malmquist index for dynamic evaluation of total factor productivity (TFP). The DEA-BCC model, which assumes variable returns to scale, assesses three efficiency metrics: Comprehensive Technical Efficiency (CTE), Pure Technical Efficiency (PTE), and Scale Efficiency (SE), with scores ranging from 0 to 1. A score of 1 indicates relative efficiency, while scores below 1 indicate inefficiency. The Malmquist index, on the other hand, allows for the examination of efficiency changes over time, distinguishing between improvements in technical efficiency and technological advancements. By integrating DEA with TFP analysis, the study provides a comprehensive view of both the current state and long-term trends in healthcare resource allocation efficiency, identifying key drivers of efficiency variation.
Results
The analysis of healthcare resource allocation efficiency across China’s 31 provinces in 2023, utilizing the DEA-BCC model via DEAP 2.1 software, revealed a notable three-tier distribution of efficiency levels. Specifically, eight provinces, including Beijing and Shanghai, were classified as DEA-efficient, representing 25.8% of the total. Conversely, five provinces exhibited weak DEA efficiency, with pure technical efficiency scores of 1 but overall technical efficiency scores below 1, accounting for 16.1% of cases. The remaining 18 provinces were deemed DEA-ineffective, with overall technical efficiency scores below 1, making up 58.1% of the total. The average comprehensive technical efficiency across all provinces was 0.869, with Tibet showing the lowest efficiency at 0.521.
Further examination of scale efficiency indicated a mean of 0.954, with Tibet and Hainan being the least efficient. Geographically, the eastern region displayed the highest comprehensive efficiency, attributed to superior pure technical and scale efficiencies, while the western region excelled in pure technical efficiency but lagged in scale efficiency. The central region’s inefficiency stemmed from low pure technical efficiency despite near-optimal scale efficiency. Over the decade from 2014 to 2023, the national average comprehensive efficiency showed minimal improvement, indicating persistent inefficiencies, particularly in regions like Tianjin and Hebei, which frequently exhibited low efficiency scores.
Discussion
In the discussion section of the research paper, the authors analyze the efficiency of China’s healthcare resource allocation from 2014 to 2023, highlighting a significant imbalance between the growth of healthcare inputs and outputs. While inputs such as health technicians, institutional beds, and medical facilities grew substantially (64.54%, 54.12%, and 48.32%, respectively), the outputs, measured by outpatient visits and hospital discharges, lagged behind at 25.64% and 47.93%. This disparity indicates a structural inefficiency in resource utilization, particularly in provinces with low Data Envelopment Analysis (DEA) efficiency, where input excess, especially in hospital numbers, coexists with output shortfalls. The findings suggest that many regions have not optimized their healthcare resources, emphasizing the need for targeted policy interventions to align resource allocation with local healthcare demands.
The analysis also reveals marked regional disparities in healthcare efficiency, with the eastern region exhibiting the highest efficiency levels, driven by robust economic foundations and technological advancements. In contrast, the central region shows the lowest efficiency, attributed to insufficient focus on talent development and technological innovation. The western region, while improving, still lags behind. The authors argue for enhanced regional collaboration and targeted support to optimize healthcare resource distribution, particularly in underdeveloped areas. Furthermore, technological progress is identified as a critical constraint on total factor productivity, with an average annual decline of 1.6%. The authors recommend addressing the lag in medical technology and improving the supply of skilled healthcare personnel to enhance service efficiency and overall healthcare outcomes in China.
Limitations
This section outlines several limitations of the study, primarily focusing on the metrics used for assessing efficiency. The output indicators are predominantly service volume measures, which, while relevant for process and quantity evaluation, do not account for outcome-oriented metrics related to health status or service quality. This limitation may skew the interpretation of Data Envelopment Analysis (DEA) results, as high efficiency values indicate effective service volume production but do not necessarily correlate with superior service quality or health improvements.
Additionally, the DEA model employed lacks control for external environmental factors, which could significantly influence the estimated efficiency scores. This omission restricts the explanatory power regarding causal relationships. The sensitivity of DEA results to indicator selection and the absence of stochastic variation further complicate the findings. Lastly, while the study proposes an optimization path through efficiency decomposition and redundancy analysis, it does not perform a detailed cost-benefit analysis or assess local adaptability due to macro data limitations. Future research should aim to integrate quality-oriented indicators and external environmental factors to enhance the robustness of efficiency assessments and provide clearer insights into regional disparities.