Индекс Мальмквиста показал себя как надежный инструмент

Правительство Российской Федерации
Федеральное государственное автономное образовательное
учреждение высшего профессионального образования
«Национальный исследовательский университет
"Высшая школа экономики"»
Санкт-Петербургский филиал федерального государственного
автономного образовательного учреждения высшего профессионального
образования
«Национальный исследовательский университет "Высшая школа экономики"»
Факультет экономики
Кафедра финансовых рынков и финансового менеджмента
БАКАЛАВРСКАЯ РАБОТА
На тему: «Оценка эффективности финансирования отрасли
здравоохранения»
Направление 080100.62 Экономика
Студентка группы № 141
Ю.Е. Шевченко
(подпись)
Научный руководитель
К.э.н., старший преподаватель
В.С. Липатников
(подпись)
Санкт-Петербург
2014
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ.................................................................................................................................................. 3
ГЛАВА 1. Теоретические основы оценки финансирования отрасли здравоохранения. ...................... 7
1.1. Выбор подхода к измерению эффективности, спецификации Input и Output ............................ 7
1.3. Объяснение разницы в эффективности и возможности методологии ......................................11
1.4. Основные выводы ..........................................................................................................................16
ГЛАВА 2. Методология............................................................................................................................20
2.1. SFA – анализ стохастических границ. ..........................................................................................20
2.2. DEA – анализ среды функционирования. MI – индекс Мальмквиста.......................................24
2.3. Регрессионный анализ ...................................................................................................................28
ГЛАВА 3. Практический аспект финансирования отрасли здравоохранения ....................................33
3.1. Инновации в здравоохранении .....................................................................................................34
3.2. Сбор данных, выбор параметров модели. ....................................................................................37
3.3. Расчеты DEA...................................................................................................................................46
3.4. Регрессионные модели...................................................................................................................52
3.5. Результаты и выводы .....................................................................................................................60
ЗАКЛЮЧЕНИЕ .........................................................................................................................................63
СПИСОК ЛИТЕРАТУРЫ.........................................................................................................................66
ПРИЛОЖЕНИЯ .........................................................................................................................................71
Приложение № 1 ...................................................................................................................................71
Приложение № 2 ...................................................................................................................................74
Приложение № 3 ...................................................................................................................................76
2
ВВЕДЕНИЕ
Проблемы, связанные с отраслью здравоохранения в настоящий
момент находятся под пристальным вниманием, они обсуждаемы и
актуальны. Вопросы здравоохранения представляют важность для развития
страны, здоровья нации и спасения человеческих жизней, тем самым
оказывая влияние на различные сферы деятельности и социальные
институты. Решение проблем включает в себя многие аспекты, например,
доступность медицины для населения, уровень обслуживания, оснащенность
отрасли, квалификация и оплата труда медицинских работников, а также
финансирование здравоохранения.
Показатели состояния страны и ее развития включают в себя
рождаемость, смертность и ряд других факторов, относящихся к здоровью
населения, и принадлежат к мировым показателям развития (World
Development Indicators).
Врачебные ошибки, невозможность или несвоевременность в оказании
помощи,
недоверие
к
медицине,
плохая
техническая
оснащенность
оказывают влияние на указанные показатели. Создав условия, при которых
появилась бы возможность увеличения рождаемости, продолжительности
жизни, снижения младенческой смертности, можно было бы выйти на новый
уровень и значительно повысить качество жизни населения страны.
Использование финансируемых в отрасль средств также включает в себя
создание более благоприятных условий жизни людям с ограниченными
возможностями, серьезными заболеваниями.
Для решения проблем разработана «Стратегия 2020», в соответствии с
которой выполнение тех или иных пунктов программы должно к 2020
приблизить Россию к абсолютно новому уровню здравоохранения. В
некоторой степени ценность исследования связана и со стратегией, т.к.
выявление эффективной системы здравоохранения позволяет в дальнейшем
понять за счет чего можно добиться хороших показателей и соответственно
3
провести сравнение и дать критику стратегии. Актуальность данного
исследования
возрастает,
сформировать
эффективный
когда
государством
поставлена
государственно-частный
задача
механизм
по
обеспечению охраны здоровья. Данные об эффективности финансирования
относительно некоторых стран, позволяют дать более адекватную оценку
того, каким аспектам стоит уделить внимание и сформировать понимание, на
каком
из
уровней
содержится
главный
источник
неэффективности
(институциональный, социальный, технический и т.д.)
Статистические методы, доступные для использования, позволяют
провести анализ, определить, оценить эффективность работы отрасли
здравоохранения по многим аспектам, в том числе и в использовании
поступающих в отрасль средств.
Цель данной работы состоит в получении оценок эффективности
финансирования отрасли здравоохранения в России на основе анализа
сравнительных оценок стран, включенных в расчеты.
Для получения оценок в анализ включены помимо России семь стран.
Такие страны как Польша, Украина и Беларусь двадцать лет назад
находились примерно в одинаковых условиях с Россией, после чего
стратегии политики здравоохранения выбраны были разные, что и
обусловило их выбор для включения в исследование. Также представляет
интерес сравнение с некоторыми странами «старыми» членами Евросоюза. В
анализ включены четыре страны: Франция, Дания, Германия, Польша.
В качестве объекта исследования выступают непосредственно отрасли
здравоохранения указанных выше стран.
Предметом
исследования
являются
факторы,
характеризующие
отрасль. Финансирование относится к входным факторам (Input), остальные
же показатели характеризуют результат работы, то, что мы получаем «на
выходе» (Output).
4
Основной причиной наличия проблем называют недостаточное
финансирование отрасли здравоохранения. Непосредственно этот факт будет
исследован в данной работе. Таким образом, основанием текущего
исследования
служит
гипотеза
о
неэффективном
использовании
финансируемых в отрасль здравоохранения средств в России по сравнению с
другими странами.
Для достижения поставленной цели, необходимо выполнение задач,
приведенных далее.
В первую очередь необходим анализ работ, посвященных оценке
эффективности медицины и охраны здоровья. Это сформирует понимание,
каким образом можно провести такого рода исследование, какие ошибки
стоит учесть и насколько вообще актуально исследование, отличается от
сделанного ранее.
В соответствии с изученной литературой будет сформирован выбор
метода/методов, подходящих для текущего исследования. Наряду с этим
будет составлена спецификация моделей в соответствии с каждой
методологией.
Выбор данных, которые должны быть использованы для получения
искомых оценок, определение необходимых для моделей параметров
основываются на рациональном познании реального положения в отрасли и
допущения методологии. Основываясь на этом, нужно провести сбор
данных, которые в дальнейшем будут использованы в построении моделей и
анализу результатов.
Получив данные, становится возможным подсчет необходимых
показателей (получение оценок), построение моделей, на основе которых
будет выполнен анализ и интерпретация полученных результатов. Завершают
работу выводы, оценивающие весь объем информации, содержащийся в
исследовании, выделяя ключевые моменты, представляющие наибольшую
5
ценность в терминах получения оценок эффективности, методологии и
подходов, практического применения результатов.
6
ГЛАВА 1. Теоретические основы оценки финансирования отрасли
здравоохранения.
В данном разделе представлен обзор исследований, статей, написанных
как российскими, так и зарубежными авторами. Описанные работы
представляют
собой
рассмотрение
темы
здравоохранения,
его
финансирования, его эффективности и необходимости проведения подобного
исследования. Охватив весь спектр информационных источников, мы
получаем возможность использовать опыт предыдущих работ с учетом
аспектов, актуальных для текущего положения в отрасли и как следствие
получить оценки, являющиеся надежными, состоятельными и пригодными
для анализа при решении проблем здравоохранения.
1.1. Выбор подхода к измерению эффективности, спецификации Input и
Output
Для настоящего исследования представляют ценность методология и
подходы, классически использующиеся для достижения подобной цели и
получения надежных оценок. Результаты, полученные на основе таких
методов, также должны быть проанализированы, так как они дают
возможность определить, насколько конкретный метод применим для оценки
эффективности в целом и для оценки эффективности здравоохранения в
частности. Цель главы - формирование понимания насколько корректны
используемые инструменты оценивания, насколько направление работы
отличается от сделанного ранее.
При исследовании каждого вопроса существует базовая литература,
являющаяся основой. Работа Banker R. D., Conrad R. F., Strauss R. P., которая
называется «A comparative application of data envelopment analysis and translog
methods: an illustrative study of hospital production» является основой с точки
зрения
методологии
и
подхода
к
измерению
эффективности
здравоохранения. Авторы представляют сравнение подходов в исследовании
издержек
на
содержание
и
обеспечение
госпиталей
при
помощи
7
эконометрического моделирования транслоговой функции и DEA1 (анализ
среды
функционирования).
Существуют
многочисленные
примеры
применения этих методов по отдельности, что не давало возможности более
полно оценить недостатки и преимущества каждого из методов. В указанной
же работе использованы два метода и абсолютно идентичная друг другу
информация, что позволяет сформировать понимание, в каком из случаев и
для решения каких проблем метод DEA предпочтительнее элементов
регрессионного анализа и наоборот.
Недостатком данной работы является, что рассмотрен лишь частный
случай регрессионного анализа – транслогарифмическая модель. И DEA
имеет некие преимущества только перед указанной спецификацией. По
большому счету выбор методологии остается за исследователем, т.к.
надежность и полнота информации, получаемые через определенные
регрессии,
полностью
зависят
от
спецификации
и
корректности
использования данных.
В результате исследования было выявлено, что в ряде показателей оба
подхода
дают
схожие
оценки,
но
DEA
по
сравнению
с
трансплогарифмической моделью имеет преимущества, например, с его
помощью была выявлена взаимосвязь с количеством дней пребывания в
госпитале и возрастом пациента. В ходе работы были признаны самыми
ресурсоемкими койко-дни, связанные с уходом за детьми. В результате DEA
более полно и диверсифицировано раскрыл взаимосвязь денежных средств,
выделяемых госпиталю, и его деятельности.
Применение методов, основанных на моделировании стохастических
границ было обосновано еще в 1977 году учеными Aigner, Lovell, Schmidt в
работе «Formulation and estimation of stochastic frontier production function
models». В дальнейшем данные методики применялись для анализа
эффективности здравоохранения. В указанном выше исследовании было
проведено испытание модели на основе двух наборов данных, в результате
1
DEA – Data Envelopment Analysis.
8
чего был выявлен высокий уровень эффективности метода стохастических
границ. Вопрос о применении данных методов оставался открытым, т.к. для
общегосударственного уровня и отдельных учреждений состоятельность
оценок может быть различной. Стоит отметить, что в дальнейшем SFA2 и
DEA стали ведущими инструментами при исследовании эффективности.
Своего рода обзор подходов, присущих оценке эффективности
здравоохранения представляет собой статья «Использование статистических
методов в анализе экономической эффективности деятельности медицинских
учреждений». Зурнаджьянц Ю.А. разработала алгоритм, при помощи
которого
можно
определить
уровень
эффективности
лечебно-
профилактического учреждения, определила зоны риска для поликлиник.
Были определены факторы, необходимые для расчета эффективности. По
результатам обширного исследования был разработан алгоритм нахождения
эффективности, на основе которого можно составить рейтинговую таблицу
определения
класса
эффективности
для
каждого
учреждения
здравоохранения. В частности, данная работа представляет собой ценность
для текущей работы в терминах факторов, составляющих эффективность
функционирования отдельного учреждения. Это может быть в дальнейшем
сопоставимо при выборе факторов и спецификации в текущем исследовании.
Немаловажно обратить внимание и на факторы, которые были взяты в
качестве
Input (входные факторы) и Output (выходные факторы –
индикаторы работы отрасли). В «A comparative application of data envelopment
analysis and translog methods: an illustrative study of hospital production»,
упомянутой выше в первую группу вошли следующие показатели:
государственные расходы, количество медицинского и вспомогательного
персонала. Для каждой возрастной категории (менее 14 лет, от 14 до 65 лет,
после 65) было выделено количество дней, которое каждый из пациентов
провел в стационаре.
1
SFA – stochastic frontier analysis
9
Одна из недавних работ 2010 года «Health care systems: efficiency and
institutions»
представляет
собой
набор
показателей
для
оценки
производительности системы здравоохранения. Здесь также представлены
новые сравнительные данные о политике и деятельности учреждений
здравоохранения в странах ОЭСР. Набор показателей позволяет получить
эмпирическую характеристику систем здравоохранения и определение групп
стран с подобными учреждениями здравоохранения. За счет этого
формируется понимание сильных и слабых сторон каждой системы
здравоохранения и того, каким образом можно достичь улучшение
соотношения затрат на здравоохранения и его качества.
Еще Kooreman (1994) и Parkin and Hollingsworth (1997) использовали
концепцию здравоохранения как объединение затрат труда (обычно число
сотрудников) и капитала (часто измеряемого по количеству коек) для того,
чтобы
производить
некоторые
наблюдаемое
единицы
«продукции»,
например, количество дней в стационаре или количество выписок. Возможны
и другие подходы к выбору концепции соотнесения входных и выходных
факторов. Например, Valdmanis (1992) исследуя больницы Мичигана взял
входными факторами врачей и медсестер, поставив целью максимизацию
дни, проведенные взрослыми, детьми в интенсивной терапии в стационаре и
аварийно-амбулаторные посещения. Кроме того, Thanassoulis et al. (1996) в
исследовании
британских
районных
учреждений
здравоохранения
сосредоточены на акушерской/гинекологической функции и выходные
факторы были измерены как число и объем лекарственных поставок в
учреждение, число легальных абортов и продолжительность пребывания
пациента, что также отличается от классического подхода. Данные
исследования помогают понять, что спецификация модели и представление
отрасли как замкнутой функционирующей системы зависят от цели
исследования.
Таким
образом,
определяющим
является
полное
представление показателей, относящихся к входным и выходным факторам в
соответствии со спецификой вопроса, исследуемого по отрасли.
10
К тому же, в работе «A comparison of data envelopment analysis and ratio
analysis as tools for performance measurement» было проведено сравнение
показателей эффективности (PI) Великобританской Национальной службы
здравоохранения
(NHS)
для
единиц
перинатальной
помощи
с
использованием DEA. Авторы пришли к выводу, что не только не было
никаких причин, почему значения PI может регулярно сопровождаться в
DEA 100% показателями эффективности, но, что с множественными
«Inputs», множественными «Outputs» характер последних может быть
использован непосредственно для установки целевых показателей без
дополнительных вычислений. Nunamaker еще в 1983 также использовал
одномерные соотношения при DEA, хотя на этот раз в виде стоимости дня
пребывания пациента в лечебном учреждении.
1.3. Объяснение разницы в эффективности и возможности методологии
Немаловажно при сборе данных понимать, каким образом формируется
статистика, используемая при моделировании. В статье «Современное
состояние и пути развития отечественной медицинской статистики»
Михайлова Ю.В. и соавторы приводят механизмы, точность и актуальность
данных,
предоставляемых
медицинскими
учреждениями
в
качестве
статистики. Проведенный анализ показал, что у большинства учетных
статистических форм отсутствует официальный статус и альбом первичной
учетной медицинской документации не проходил процедуру пересмотра на
протяжении более 20 лет. Имеют место также документы, перегруженные
параметрами, из-за чего появились неудобства в работе, т.к. присутствуют
посторонние данные, дублирующиеся показатели и излишний объем в целом.
Это говорит о необходимости учета погрешности в данных или улучшении
спецификации при составлении модели в дальнейшем.
Все большее число эмпирических исследований содержат в себе
рассмотрение
различных
детерминант
эффективности
медицинских
учреждений, в частности, домов престарелых и больниц. Помимо выделения
11
категории типа собственности (государственная или частная структура),
факторы, которые гипотетически оказывают влияние на результаты, могут
быть сгруппированы по четырем признакам. Во-первых по размеру и
емкости, во-вторых по качеству результатов и степени специализации, втретьих
по
структуре
географическому
рынка
положению.
и
финансирования,
Чаще
всего
и
оценки
наконец
по
эффективности,
основанные на построении границ сгруппированы по тем или иным
признакам и простые аналитические методы используются для сравнения
распределения эффективности, как было показано в ряде работ, например,
Ley (1991), Byrnes и Valdmanis (1993), Chattopadhyay и Ray (1996), Bradford et
al. (2001), Street and Jacobs (2002). Тем не менее, один из самых
распространенных аналитических инструментов
- это
анализ среды
функционирования (DEA), использующий двухступенчатую процедуру для
анализа оценки эффективности.
Основная
рассматриваются
идея
заключается
ли
оценки
в
том,
что
эффективности,
необходимо
понять,
полученные
из
эконометрических границ или анализа среды функционирования, в качестве
зависимой переменной во вспомогательной регрессии.
Например, регрессоры в ряде медицинских исследований предсказали
неэффективность
множества
организационно-специфических
факторов,
таких как процент врачей от всего персонала, степень конкуренции на
местном уровне, и фиктивных переменных для уровня обучения и типа
финансирования больницы. Такой подход, вероятно, обеспечит ценное
понимание причин различий эффективности.
Тем не менее, существуют три проблемы, связанные с разницей в
эффективности, которые обычно возникают при оценивании. Начнем с того,
что
в
зависимости
эффективности,
как
от
типа
полученной
правило,
скрыты.
неэффективности,
Например,
оценки
измерение
неэффективности при помощи DEA ограничены нулем и единицей, с
большим числом наблюдений, в зависимости от спецификации модели, все
12
результаты будут находиться на верхнем пределе (стремиться к 1). SFA и
DFA3 также имеют ограниченные распределения, хотя на практике почти не
существует единичной (абсолютной) эффективности. Как следствие, обычная
оценка
наименьших
квадратов
(МНК)
не
подходит,
и
результаты
двухступенчатой регрессии в таких исследования, как Vitaliano and Toren
(1996) and Burgess and Wilson (1998) вероятно, будет поставлена под
сомнение. Соответственно, для получения надежных оценок пробит и логит
модель, как правило, призваны служить ограничениями для зависимой
переменной и исследования Alexander et al. (1998), Chirikos and Sear (2000)
and Rollins et al. (2001) являются хорошими примерами.
Две оставшиеся проблемы в значительной степени концептуальные и
тесно связаны между собой. Во-первых, если переменные, используемые на
втором этапе, как обычно полагают, влияет на производительность, то
почему они не включены в исходной модели? Причины этого часто можно
отнести либо к ограничениям в базовой модели, такие как невозможность
включить категорические или экзогенные переменные (например, в DFA и
SFA), или что более прозаично, к эмпирическому удобству. Однако, более
трудноразрешимая проблема содержится в вопросе распределения ошибок в
обоих этапах. То есть, если переменные, используемые при определении
первоначальной эффективной модели коррелируют с объясняющими
переменными, используемыми на втором этапе, то оценки второго этапа
будет непоследовательными и предвзятыми.
Последние теоретические работы (Battese and Coelli 1995) отметили эту
непоследовательность, и спецификация модели использовала стохастические
границы, в которых последствия неэффективности преобразованы в явную
функцию специфических для организаций факторов, и все параметры
оцениваются одноступенчатой процедурой максимального правдоподобия.
Rosko (2001) и Brown (2003) в исследованиях в американских больницах оба
использовали этот одноступенчатый метод.
1
DFA- Data Frontier Analysis
13
Возвращаясь
к
эмпирической
литературе,
ряд
медицинских
исследований включают меру размера в двухступенчатый анализ (Kooreman
1994; Fizel and Nunnikhoven 1992; Zimmerman et al. 1994). Например,
Kooreman (1994) использует как меру размера (измеренную по количеству
койко-мест) и степень наполненности этих мест. В первую очередь,
Kooreman (1994) в своем исследовании голландских домов престарелых
утверждал, что, так как эффективная граница выражена постоянной отдачей
от масштаба, переменная «размер», вероятно, будет важным объясняющим
фактором. Соответственно можно было бы ожидать положительную связь
между размером и эффективностью. Однако, они предположили, и
обнаружили, что уровень заполняемости находятся в обратной зависимости к
неэффективности.
Во-вторых, в ряде исследований были попытки включить факторы
«качества» или «специализации» в качестве переменных, объясняющих
эффективность здравоохранения (Chillingerian 1993; Fizel и Nunnikhoven
1992). Например, Fizel and Nunnikhoven (1992) утверждали, что повышение
«качество» здравоохранения, вероятно, потребует дополнительных Input в
единицу продукции, тем самым подразумевая, меньшую относительную
эффективность для учреждений, обеспечивающих более высокое качество. В
связи с этим подходом, Chillingerian (1993) связал «качество» в сфере
здравоохранения со «специализацией» и представил доказательства того, что
медицинские работники, которые являются более специализированными,
были связаны с менее эффективным использованием входных ресурсов.
Тем не менее, эти доказательства не убедительны, так как не было
никакого существенного отношения между уровнем специализации и
уровнем технической эффективности, который также оказывает влияние.
В-третьих, некоторые исследования попытались включить вопросы
структуры рынка и финансирования в определение неэффективности.
Например, у Chillingerian (1993) основная цель анализа врачей в Америке в
том, чтобы определить, служит ли практика предоплаты услуг стимулом для
14
более
эффективного
использования
ресурсов,
по
сравнению
с
традиционными видами платы за услуги. Доказательства показали, что это
имело место. В противоположность этому, Fizel and Nunnikhoven (1992), а
затем Rosenman et al. (1997) и Burgess and Wilson (1998) включили индексы
рыночной
концентрации
Герфиндаля для оценки
влияния усиления
конкуренции на эффективность отрасли. Поддержки предполагаемого
положительного отношения в этих исследованиях не последовало, гипотеза
была отвергнута.
Наконец, ряд исследований использовали подход, включающий
двухступенчатые
регрессии
для
того,
чтобы
измерить
влияния
недискреционных входов на эффективность здравоохранения, в частности, в
качестве Input было взято географическое положение. Zuckerman, Hadley and
Iezzoni (1994) и Hofler and Rungeling (1994) установили различия
эффективности между городскими и сельскими больницами.
Обнаруженные факты в целом поддерживают предложение, что
введение
экзогенных
факторов
влияет
на
способность
достижения
эффективных результатов организаций здравоохранения, будь то больницы,
дома престарелых, или же просто врачебная практика.
В процессе получения подобных оценок стоит обратить внимание, что
есть возможность идентифицировать различия в эффективности тех или
иных структур собственности, которые финансируют данную отрасль.
Это было показано в работе Burgess and Wilson (1998), где подобных
различий не было выявлено. Такого рода вывод дает повод обратить
внимание, существует ли зависимость между типом финансирования и тем,
насколько отрасль эффективна (например, в эффективных отраслях
преобладает частное финансирование или наоборот). То есть, при расчете
текущих
оценок
сравнительной
эффективности
финансирования
в
нескольких странах возможна дифференциация частных и государственных
инвестиций, получение оценок непосредственно их эффективности.
15
Подобного рода исследование было проведено в 2008 году и описано в
работе «Explaining Differences in Public Sector Efficiency: Evidence from
Russia’s Regions». Автор Hauner D. Исследуя российские регионы, данная
работа дает понимание эффективности государственного финансирования по
трем направлениям: попытаться лучше понять различия в эффективности
государственного
региональных
финансирования
органов
через
управления
в
изучение
одной
территориальных,
стране;
исследование
эффективности региональных органов управления только на развивающихся
рынках и исследование эффективности органов управления данным сектором
по России в целом. Три вида оценок эффективности государственного
финансирования отражают существенные различия между регионами. На
основе эконометрических расчетов автор полагает, что полученные различия
в основном объясняются доходом на душу населения, долей федеральных
выплат в региональном государственном доходе, качеством управления и
демократическим контролем, а также уровнем расходов.
Тем не менее, существует сложность в проверке и определении, какого
качества получены результаты в ходе анализа. Этот недостаток выявил
Magnussen (1996) в одной из своих работ. По сей день не существует четкого
алгоритма или методики проверки надежности результатов. Это подводит к
необходимости
использования
иных
инструментов,
подтверждающих
расчеты по методу DEA. Использование альтернатив будет описано далее в
разделе «Методология».
В
отличие
1.4. Основные выводы
от
широко
распространенного
использования
эконометрических и математических методов, распространенность методов,
использующих границы для оценки, применимые в здравоохранении все еще
находятся недооцененном состоянии. Некоторые критики считают, что
общие проблемы пропущенных Output, неизмеренных Input, и введение
сильных и не проверяемых предположений и гипотез означает, что
сомнительно, что модель может установить "истинные" или эффективные
16
затраты или производственные параметры по наблюдаемым данным с любой
степенью точности. Кроме того, даже если можно было бы восстановить их ,
они, вероятно, изменились бы несколько лет спустя, учитывая темпы
изменений в этой отрасли. Этой точки зрения придерживался и Newhouse.
Есть и те, кто утверждают, что существует переизбыток работ о
здравоохранении с использованием пограничных методов. Например, одна из
причин, довольно холодного приема методов границ эффективности,
особенно в государственных больницах, может содержаться в том, что
многие исследователи использовали их с целью прямых политических
рекомендаций в отношении бюджетного управления. Рекомендации в
области политики, такие как они, однако, не всеобщие.
Kooreman
действия
(1994),
например,
действительно
могут
утверждает,
быть
что
реализованы
соответствующие
по
политическим
соображениям, но не для сокращения бюджета, а для замены управления. Это
особенно актуально в случае, когда урезание бюджета может "привести к
ситуации, которая находится в конфликте с государственными стандартами
на
минимальном
уровне
финансирования
медицинской
помощи
в
конкретном регионе" (Kooreman 1994, 346).
Существуют и другие политические рекомендации, сделанные на
основе мер по повышению эффективности. Например, включили их
использование в качестве инструмента маркетинга для привлечения
контрактов и в модели ценообразования. Несмотря на эти аргументы,
связанные с политикой, в литературе можно найти эмпирическую
неопределенность по методикам. Например, несмотря на то, что ранние
исследования подчеркнули, что аргументы в первом этапе двухступенчатого
регрессионного анализа должны быть полностью отличается от тех, которые
используются во втором шаге, и что вторая ступень должна рассматриваться
как
усеченная
регрессии,
в
медицинских
приложениях
широко
распространены упущения в спецификации и проведении анализа в процессе
моделирования.
17
Таким образом, в центре внимания эмпирических исследований
находятся, как факторы, влияющие на неэффективность, так и тот факт, что
при исследовании здравоохранения в будущем следует уделять больше
внимания тщательному указанию границ. Кроме того, есть смысл и в
предположении, что технические проблемы, такие как нулевой Input и Output
для некоторых учреждений и соблюдение однородности и экзогенности
Outputs не усложняют вопрос оценки эффективности. Тем не менее,
маловероятно,
что
в
отрасли
здравоохранения
будет
иметь
место
кардинально иной случай, чтобы была возможность изолировать его от
существенных достижений, достигнутых при равной степени важных
эмпирических ситуациях, таких как финансовые услуги и образование.
Тем не менее, несмотря на чувствительности результатов к, казалось
бы, незначительным изменениям в предположениях и спецификации модели,
меры
по
повышению
границ
эффективности
добавили
понимание
технического распределения ресурсов и экономической эффективности в
здравоохранении.
Во-первых, был обнаружен важный вывод, что
организации,
как
правило,
более
эффективны,
чем
коммерческие
их
коллеги
в
государственном секторе. Также может быть исследована гипотеза, что
эффективность положительно связана с размером организации и, в случае
больниц, с учетом того, является ли это учебным и/или научноисследовательским учреждение, учетом диапазона услуг, уровня профсоюзов
и концентрации рынка определяется связь с неэффективностью.
Во-вторых, тип финансирования организаций здравоохранения также
имеет роль. Обычно Output на компенсационной основе повышает
эффективность по сравнению с бюджетом на основе выделения средств из
целевого финансирования. В результате реформы в финансировании системы
здравоохранения в основном улучшилось распределение ресурсов, а не
техническая эффективность, но, тем не менее, своего рода оптимальность
была достигнута.
18
Наконец, во многих исследованиях было показано, что эффективность
медицинских организаций и отраслей промышленности улучшилась с
течением времени. Это несет положительное отношение политиков и
практиков на всех уровнях, как в Соединенных Штатах, так и в других
странах
к
результатам
исследования
эффективности
в
обеспечении
здравоохранения.
19
ГЛАВА 2. Методология
В данном разделе будут представлены теоретические основы для
выбора той или иной методики. На данный момент выделены несколько
методов оценки эффективности, применимые к отрасли здравоохранения:
SFA, DEA, Malmquist Index, регрессионный анализ.
Chirikos (1998), Linna (1998), Defelice and Bradford (1997) использовали
SFA (Stochastic Frontier Analysis) – анализ, который основан на определении
и построении стохастических границ производственных возможностей. SFA
относится, как и альтернативные ему методики (кроме MI), к методам
экономического моделирования. Отправная точка в применении моделей
производственных возможностей с использованием стохастической границы,
одновременно представлена работами Meeusen and Van den Broeck (1977) и
Aigner, Lovell and Schmidt (1977). В большинстве случаев метод используется
при
определении
именно
технологической
эффективности,
нежели
медицинской.
Подробность описания альтернативных методов представляет собой
ценность тем, что позволяет идентифицировать различия на стадии
непосредственно метода калькуляции оценок и определить ее применимость,
уместность относительно исследуемых объектов. В особенности это касается
SFA-метода, который дает результаты, на первый взгляд похожие на DEA
(измерение эффективности по отношению к выявленным границам).
2.1. SFA – анализ стохастических границ.
Для
SFA
граница
производственной
модели,
не
включающая
случайную компоненту, формально может быть записана как:
Yi=f(xi;β)*TEi,
(1.1)
20
где Yi – наблюдаемый Output вектор, соответствующий i-ой отрасли,
i=1,…n , xi – вектор из Input (кол-во N), которые использованы в i-й отрасли,
f(xi,β) – непосредственно производственная граница, где β – вектор
параметров отрасли (показателей), которые должны подвергнуться оценке в
исследовании.
TEi обозначает «производственную» эффективность (своего рода
производительность) и определяется как отношение наблюдаемого Output
(результата) к максимально возможному. TEi = 1 показывает, что i-я отрасль
показывает максимально возможный результат, в то время как TEi < 1
отражает выявленную нехватку наблюдаемого Output по отношению к
максимально возможному при использовании данных входных факторов
(Input),
показывая,
что
есть
возможность
более
рационального
и
эффективного его использования.
Компонента,
описываемая
случайными
воздействиями,
которые
влияют на процесс использования факторов, является стохастической и
также
включена
в
модель.
Случайные
воздействия
не
связаны
непосредственно с самой отраслью здравоохранения или используемой
системой расходования средств. Исходить они могут от погодных/природных
изменений, экономических процессов, или просто везения. Эти эффекты
имеют следующее обозначение: exp{vi}. Каждая отрасль сталкивается с
различными так называемыми «шоками», но мы предполагаем, что они
случайны и описываются нормальным распределением.
Границы
производственных
возможностей
со
стохастической
компонентой могут быть представлены в следующем виде:
Yi = f(xi;β)*TEi*exp{vi}
(1.2)
21
Также включается предположение, что TEi является стохастической
переменной, имеющей определенную функцию распределения, общую для
всех исследуемых отраслей.
Данное выражение может быть записано как экспоненциальное
TEi = exp{-ui}, где ui – функция распределения, ui ≥ 0, т.к. необходимо
TEi ≤ 1.
Таким образом, получено следующее уравнение:
Yi = f(xi;β)*TEi*exp{-ui}*exp{vi} βn
(1.3)
Теперь, при подобном предположении, что f(xi, β) принимает logлинейный вид функции Кобба-Дугласа, запись модели может быть
представлена в следующем виде:
ln Yi = β0 + ∑𝑛 𝛽 nlnxni + vi - ui
(1.4)
где vi является “шумом” - компонентой, которую мы почти всегда
рассматриваем
в
качестве
двусторонней
нормально
распределенной
переменной, а ui - неотрицательная составляющая неэффективности
использования факторов. Часто эту модель называют “composed error model”,
т.к. вместе эти компоненты представляют собой границу, обладающую
сглаженными ошибками, в которой учтена специфика распределения.
Hofler and Rungeling (1994) в своей работе при применении SFA
использовали общие переменные затраты, среднее количество медицинского
персонала, заработную ставку врачей (в час) и других сотрудников, капитал
(измеренный количеством койко-мест). Указанные выше факторы были
использованы в качестве Input для каждой больницы. В качестве Output
выступило
количество
профилактического
дней,
характера
проведенных
в
стационаре,
в
стационаре,
измеренное
лечение
в
днях,
22
характеристики среднего медицинского персонала, принадлежность к типу
собственности каждой больницы.
Проанализировав показатели и использованные факторы можно
сделать вывод, что применение метода стохастических границ более
целесообразно
при
поиске
оценки
эффективности
отдельно
взятых
учреждений. В текущей работе, используя данные по странам, мы не
получим искомые оценки еще и по причине недостаточности данных,
которые сделав систему (отрасль) замкнутой, повысили бы эффективность
применения метода.
Если все же предположить, что информация содержит достаточно
специфичных данных, необходимых для SFA, то все равно метод не имеет
преимуществ, исходя хотя бы из того, что результатом анализа является
довольно
ограниченная
информация. Для примера можно привести
интерпретации полученных ранее результатов.
Такого рода результаты чувствительны к спецификации Output,
выбранной для модели и ценам факторов производства. Далее приведена
интерпретация результатов исследования Chirikos (1998), со схожей для
текущего исследования спецификацией. Она показывает, стоит ли подобным
образом осуществлять построение модели. (Нам необходима полная,
обобщенная модель и ряд частных моделей по определенным группам
факторов). Результирующим стал вывод, что больницы, финансируемые
государством и находящиеся под его контролем более эффективны. Среди
них менее эффективны учреждения, отличающиеся высокой конкуренцией и
относящиеся к районам с большим количеством медицинского персонала и
населения
Метод скорее используем преимущественно для рассмотрения именно
технической эффективности. Что касается отрасли здравоохранения, то
данный метод можно было бы применить, включая в анализ лишь отдельные
характеристики, касающиеся технической стороны деятельности отрасли.
23
2.2. DEA – анализ среды функционирования. MI – индекс Мальмквиста
Метод DEA также может быть выбран в качестве инструмента для
оценки эффективности финансирования отрасли здравоохранения. Зачастую
проверка расчетов DEA происходит через индекс Мальмквиста, который
также будет представлен далее.
DEA (data envelopment analysis) – анализ среды функционирования. Он
основан на применении линейного программирования. Как было описано
ранее,
зачастую
метод
применяется
здравоохранения, но изначально
его
для
измерения
эффективности
создание предполагало оценку
эффективности производства и его производительности.
Сам по себе метод основан на построении эффективной границы,
относительно которой измеряется эффективность остальных исследуемых
единиц. Это проиллюстрировано на Рис.1.
Рис.1.1. Построение эффективной границы.
Как можно увидеть на графике, существуют точки, лежащие только
ниже кривой эффективности. Если бы имелось такое производство, чье
соотношение было бы выражено точкой выше кривой, то оно было бы
признано более эффективным, а сама кривая сместилась бы, пройдя через
новое соотношение.
24
Наиболее часто при проведении DEA-анализа используются два
подхода. CCR (Charnes-Cooper-Rhodes model) – первая модель. При
построении CCR предполагается постоянный масштаб производства. Сама
же задача выглядит так:
min θ при условии:
θxj – Xλ ≥ 0,
Yλ ≥ yj,
λ ≥ 0 , где
X – матрица входов (Input)
Y – матрица выходов (Output)
λ – неотрицательный вектор, λ j≥ 0, λj ≠ 0 для j = 1…n.
BBC (Banker-Charnes-Cooper model) – модель с переменным масштабом
производства. Записывается следующим образом:
max uyj при условиях
vxj = 1,
-vX+uY ≤ 0,
vP ≤ 0, v ≥ 0, u ≥ 0
В представленном случае Р – матрица, ограничивающая множители.
Каждая модель может иметь ориентацию на Input или на Output, что
отражает, эффективность какого из показателей необходимо оценить.
Отличие же CCR и BCC моделей состоит в том, постоянны ли
масштабы производства. То есть в одном случае результатом является
фиксированная моментная оценка (эффективность в текущий (указанный)
25
период
времени),
а
в
другом
прогнозная,
способная
учесть
рост
производительности в будущем.
Преимущество непараметрических методов состоит в том, что
отсутствует предположение о какой-либо функциональной форме для
границ, хотя отсутствует также и общее уравнение (соотношение),
касающееся output и input (как например, уравнение при построении
регрессии). Подобно описанному выше Stochastic Frontier Analysis (SFA),
анализ среды функционирования определяет границы, относительно которых
производительности всех DMU4 (единиц принятия решения), в нашем случае
это отрасли здравоохранения каждой страны, могут быть оценены. При
исследовании
текущего
вопроса
DEA
сравнивает
все
системы
здравоохранения относительно их наиболее эффективных образцов, как было
показано на рис.1. При оптимизации (максимизации/минимизации) это
можно охарактеризовать как метод, определяющий крайнюю точку. Метод
исходит из предположения, что если определенная единица принятия
решения
(фирма/система
здравоохранения)
может
поддерживать
производство на определенном уровне, используя конкретное количество
input, то другая единица (фирма) должна поддерживать производство и
затраты в этом же соотношении, чтобы оказаться эффективной.
Существует и русскоязычная литература, посвященная исследованию
эффективности
работы
регрессионный
анализ
предприятий.
и
построение
Чаще
всего
используется
производственной
функции,
содержащей стохастические границы. Но в пользу DEA выступает А.Д.
Щербак (2012) поскольку результаты анализа вышеуказанными методами
зачастую неполноценны по сравнению с оценками, получаемых DEA,
вследствие чего исследователь может сделать неверные выводы.
4
DMU - Decision Making Unit
26
В ходе анализа предыдущих работ5, описанных в разделе 2.1., были
определены следующие преимущества DEA метода:
- указание производственной функции в явном виде не нужно;
- возможно раскрытие взаимоотношений исследуемых показателей
более подробно, нежели при применении альтернативных методов;
- использование нескольких Input и Output;
- измерение Input и Output может принадлежать любым единицам
измерения;
- исследователь не задает весовые ограничения показателей
- количество DMU определяет количество вычислений;
-
возможна
оценка
анализ
источников
неэффективности
для
предприятия/системы.
Индекс Мальмквиста (МИ) является двусторонним индексом, который
можно использовать при сравнении эффективности технологий разных
производств. В данном случае может быть использован для сравнения
эффективности. Свое название он получил по имени профессора Стена
Мальмквиста, который разработал идею данного индекса. Другое его
название Malmquist Productivity Index (индекс производительности). Первое
упоминание представлено в 1982 году в статье «Multilateral Comparison of
Output, Input and Productivity Using Superlative Index Numbers».
Концепция производственной функции лежит в основе индекса
Мальмквиста. Зависимость показателей индекса связана с максимально
возможным производством по отношению к входным в отрасль факторам,
представленным капиталом и трудом. Так, если представить Sa в качестве
совокупности затрат труда и капитала в производственной функции, а Q в
Особенно Frontier Efficiency Measurement in Healthcare: A Review of Empirical Techniques and Selected
Applications (2005)
5
27
качестве непосредственно производственной функции, то можно ее записать
в следующем виде: Q=fa(Sa).
Данный индекс может быть рассчитан для страны или региона по
принципу
производственной
предприятий.
В
таком
функции,
случае
эта
обычно
функция
применяемой
будет
для
агрегированной
(совокупной) производственной функцией.
Если необходимо рассчитать Malmquist Index для экономики А
относительно экономики В, то в производственную функцию нужно
подставить затраты труда и капитала экономики А и наоборот. Формула
расчета МИ приведена далее.
𝑄1∗𝑄2
MI=√
,
𝑄3∗𝑄4
(1.5)
где Q1=fa(Sa), Q2=fa(Sb), Q3=fb(Sa), Q4=fb(Sb)
Получается, что индекс для А по отношению к В - обратный индексу В
по отношению к А, то есть MIа=1/MIв. Если MIа по отношению к B
превышает 1, то производственные технологии экономики А в совокупности
выше,
чем
в
экономике
В.
Таким
образом,
возможно
сравнение
эффективности стран относительно России.
Во многих работах МИ использовался в качестве показателя,
способного подтвердить или опровергнуть результаты, полученные при
помощи DEA. То есть, он позволяет дополнить результаты DEA, раскрыть
структуру эффективности, учесть некоторые неточности, указать на
недостатки.
2.3. Регрессионный анализ
Регрессионный анализ используется для выявления, анализа и оценки
любых интересующих взаимосвязей и явлений. Надежность метода
определяется
способностью
исследователя
правильно
подобрать
28
спецификацию и верно определить характер взаимосвязи, на которой будет
строиться регрессия для исследуемого объекта.
В статистике, регрессионный анализ определяется как статистический
процесс для оценки взаимосвязи между переменными. Он включает в себя
много методов для моделирования и анализа нескольких переменных,
причем акцент делается на взаимосвязи между зависимой переменной и
одной
или
более
независимых
переменных,
которые
называются
объясняющими. В частности, регрессионный анализ помогает понять, как
типичное значение зависимой переменной меняется, когда любая из
объясняющих переменных изменяется, в то время как другие объясняющие
переменные остаются фиксированными (то есть «при прочих равных»). Чаще
всего, регрессионный анализ оценивает условное математическое ожидание
зависимой переменной при имеющихся объясняющих переменных - то есть,
среднее значение зависимой переменной, когда объясняющие переменные
фиксированы. Реже акцент делается на квантили или другие параметры
условного распределения зависимой. Во всех случаях оценка является
функцией объясняющих переменных и называется функцией регрессии.
Регрессионный анализ также представляет интерес для характеристики
изменений
зависимой
переменной
при
помощи
регрессии,
описав
распределения вероятностей
Результаты
регрессионного
анализа
широко
используются
для
прогнозирования. Также применение данного метода помогает понять, какие
из независимых переменных связаны с зависимой и насколько сильна и
значима их связь, а также изучить формы этих отношений. При некоторых
обстоятельствах, регрессионный анализ может быть использован для вывода
причинно-следственных
связей
между
независимыми
и
зависимыми
переменными. Однако это может привести к иллюзиям или ложным
отношениям,
так
что
рекомендуется
осторожность насчет
выводов,
например, относительно корреляции, которая не означает причинность, а
показывает наличие связи
29
Разработано множество методов для проведения регрессионного
анализа. Наиболее знакомые методы, такие как линейная регрессия и
обычная
регрессии
наименьших
квадратов
(МНК),
являющиеся
параметрическими, заключаются в том, что функция регрессии определяется
с точки зрения конечного числа неизвестных параметров, которые
оцениваются по конкретным данным. Непараметрические же регрессии
относятся к методам, которые позволяют функции лежать в заданной
области.
Выбор метода регрессионного анализа на практике зависит от формы
процесса, из которого исходят данные. Поскольку истинная форма процесса,
порождающего данные, как правило, не известна, регрессионный анализ
часто в определенной степени зависит от предположений по поводу этого
процесса. Стоит отметить, что предположения иногда проверяемы, если
доступно
достаточное
количество
данных.
Регрессионные
модели
прогнозирования часто бывают полезны, даже если предположение умеренно
нарушено, хотя и не могут работать с максимальной эффективностью.
Далее представлена простая линейная регрессия. В линейной регрессии
спецификация модели заключается в том, что зависимая переменная Yi,
является линейной комбинацией параметров (но не обязательно быть
линейной в объясняющих переменных). Например, в простой линейной
регрессии для моделирования n точек есть одна независимая переменная xi, и
два параметра p0, а также p1, тогда уравнение выглядит следующим образом:
Yi=β0 + β1 + εi,
i=1,…,n.
(1.6)
В множественной линейной регрессии есть несколько независимых
переменных или функций независимых переменных.
Добавление члена 𝑥𝑖2 в предыдущую регрессию дает параболу:
Yi=β0 + β1 + β2 𝑥𝑖2 + εi,
i=1,…,n.
(1.7)
30
Это по-прежнему линейная регрессия, хотя выражение в правой
стороне содержит квадратичную независимую переменную xi. Регрессия
линейна по параметрам β0, β1 и β2.
В обоих случаях Ԑi является случайной ошибкой, а индекс i указывает
частное наблюдение.
Сделав случайную выборку из населения, например, можно оценить
параметры популяции и получить образец модели линейной регрессии:
𝑦̂𝑖 = 𝛽̂0 + 𝛽̂1 𝑥𝑖
(1.8)
Остатки 𝑒𝑖 =𝑦𝑖 -𝑦̂𝑖 - это разница между зависимой переменной и
предсказанным по модели значением, где
реальной зависимой переменной
- предсказанное значение
. Один из методов оценки – метод
наименьших квадратов (МНК). МНК дает оценки параметров, минимизируя
сумму квадратов остатков SSE, также иногда обозначаемую RSS.
SSE = ∑𝑛𝑖=1 𝑒𝑖2
Минимизация
(1.9)
результатов
этой
функции
приводит
к
набору
нормальных уравнений с параметрами, которые решаются для получения
оценок параметров β0, β1.
В случае простой регрессии, формула для МНК:
∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)
𝛽̂1 = ∑(𝑥
2
𝑖 − 𝑥̅ )
и
Где 𝑥̅ - это среднее значение x и
𝛽̂0 = 𝑦̅ - 𝛽̂1 𝑥̅
(1.10)
- среднее из значений Y.
В предположении, что остатки имеют постоянную дисперсию, оценка этой
дисперсии определяется по формуле:
𝜎̂𝜀2 =
𝑆𝑆𝐸
𝑛−2
(1.11)
31
Данный показатель называется средний квадрат ошибки (MSE)
регрессии. Знаменателем является размер выборки, уменьшаемый на
количество параметров модели, (n-p) для p регрессоров или (n-p-1), если
используется константа. В текущем примере р = 1, так как знаменатель (n-2).
Стандартные ошибки параметров рассчитываются следующим образом:
𝑥̅ 2
1
𝜎̂𝛽0 = 𝜎̂𝜀 √ +
𝑛
(1.12)
∑(𝑥𝑖 − 𝑥̅ )2
Формула (1.12) также может быть представлена в виде:
1
𝜎̂𝛽1 = 𝜎̂𝜀 √ ∑(𝑥
− 𝑥̅ )2
(1.13)
𝑖
При дальнейшем предположении, что вектор ошибок нормально
распределен,
исследователь
может
использовать
эти
полученные
стандартные ошибки для создания доверительных интервалов и проводить
проверки гипотез о параметрах исследуемого явления.
После изучения методов, применимых для оценки эффективности
финансирования
отрасли
здравоохранения,
оценки
будут
строиться
границ,
используя
следующим образом:
 Метод
DEA
–
построение
классических
стандартные медицинские показатели в качестве индикаторов работы
отрасли.
 Индекс Мальмквиста – расчет для проверки/дополнения результатов
DEA-метода.
 Регрессионный анализ – построение моделей государственного и
частного финансирования с/без учета инновационной составляющей.
32
ГЛАВА 3. Практический аспект финансирования отрасли
здравоохранения
Данный раздел содержит в себе рассмотрение практического аспекта
текущего исследования. В первую очередь необходимо сформировать
понимание инновационной составляющей для отрасли здравоохранения. Это
будет реализовано для подтверждения актуальности гипотезы о значимости
инноваций при оценке финансирования отрасли здравоохранения и
осознания, каким образом производить сбор данных, используемых при
расчете оценок. Важность данного параграфа продиктована также довольно
большим промежутком времени, исследуемым в работе, т.к. в период с 1998
по 2011 отношение к инновациям и темпы их развития рознятся. Понимание
способствует созданию верной спецификации и в дальнейшем верной
интерпретации результатов.
Далее будет приведено обоснование данных, необходимых для
расчетов, принцип и источник их сбора. Как было показано ранее это
немаловажный аспект для получения состоятельных оценок и получения
модели, объясняющей принятие гипотезы или же наоборот. В зависимости от
данных разнится специфика модели.
На основе полученных данных будет проведена спецификация
модели/моделей. Возможно, это будет одна полная общая модель и
несколько узких (частных) моделей.
Завершает текущий раздел описание построения модели, объясняющей
оценки
эффективности
финансирования
отраслей
здравоохранения
в
исследуемых странах. Также представлены все дополнительные расчеты,
индексы, позволяющие понять структуру и явление данных оценок. Помимо
процесса построения будут приведены и интерпретации оценок.
33
3.1. Инновации в здравоохранении
Все больше и больше сообщений о масштабных инвестиционных
проектах мелькают в средствах массовой информации. Инновации входят в
различные секторы экономики, в том числе и в здравоохранение. Зачастую
эффективность использования средств, выделяемых на развитие новых
продуктов, отраслей ставится под вопрос, когда главной целью организаций
становится лишь освоение выделяемых финансовых средств, а не работа над
реальными проектами, которые могли бы привести к кардинальным
изменениям и открытиям.
Самая популярная идея для отрасли здравоохранения – это создание
фармацевтических кластеров. Практически каждый регион пытается поднять
экономику
за
счет
их
создания.
Это
предоставляет
возможность
фармакологическим компаниям получить доступ государственным закупкам,
административным ресурсам и попутно привлечь внимание к проблемам
современного бизнеса.
Такого
рода
объединения
нескольких
предприятий
в
одну
«экономическую зону», отвечающую за производство, разработку и сбыт
лекарственных препаратов выгодно для государства, как с политической, так
и с экономической точки зрения. Вливаясь в кластеры иностранные
компании становятся юридически отечественными, что в свою очередь
увеличивает налоговую базу, создает новые рабочие места и происходит
трансфер современных технологий.
В развитии фармацевтики пока еще много аспектов, требующих
доработки и пристального контроля. Например, уделить внимание тому,
чтобы результатом освоения средств становились не только здания и
оборудование, но и патенты и технологии, выводящие региональную и
российскую экономику в целом на новый уровень.
34
С другой стороны развитие в данном направлении тормозится из-за
нежелания зарубежных представительств трансфера научных разработок и
инновационных технологий в Россию. К тому же прогнозируется снижение
потребности фармакологической индустрии в больших производственных
мощностях в следствии персонализации многих медикаментов. То есть
разрабатывается все большее количество препаратов, соответствующих
индивидуальным особенностям пациентов.
Фармацевтическая индустрия инновационно-ориентирована, поэтому
можно говорить о перспективах ее развития. Чтобы обеспечить успех
производства, необходима потребность в препаратах, которые производит
завод. Причем потребность не только в нашей стране, но и за ее пределами. В
этом случае производство будет успешным и конкурентоспособным.
Следующая ниша инновационного развития – бизнес-инкубаторы. Они
объединяют множество бизнес-проектов на стадии идей для помощи в их
реализации. Причем им свойственен охват сразу нескольких секторов
экономики. Отрасль здравоохранения в их числе. Для данной формы
инновационного развития свойственны некоторые трудности, например, в
получении одобрения, валидации и поддержки проекта. Связано это с
большим
количеством
идей
и
их
разнонаправленностью,
разноформатностью. Во главе стоит ориентированность проекта на бизнес,
что делает отрасль здравоохранения не столь популярной, т.к. пока в России
система здравоохранения в основном государственная. Это что касается
именно медицины, но не фармацевтической индустрии, для которой
открывается масса возможностей, как и для информационных технологий,
различных управленческих программ.
Преимущества такой формы заключаются в помощи для реализации
проекта начиная с предоставления помещений для работы над проектом,
заканчивая
привлечением
инвестиций.
В
связи
с
гипотезой
35
недофинансирования отрасли здравоохранения инновации развиваются
достаточно сложно.
Перспективны
также
и
венчурные
фонды.
Венчурные
фонды
подразделяются по форме существования на непосредственно фонды,
корпорации и частных «бизнес-ангелов». Корпоративные фонды являются
значимой силой на рынке и действуют по принципу независимых
инвесторов. Активность их деятельности напрямую зависит от состояния
рыночной конъюнктуры, а не от стратегических задач развития отрасли. По
рыночной доле самыми незначительными остаются венчурные инвестиции
так называемых «бизнес-ангелов», несмотря на их довольно активное
развитие. Самый активный, разумеется, «Сколково». Он относится к
государственным венчурным инвестициям и полностью отвечает именно
государственным интересам.
Государственная роль в поддержке инноваций в стране в последние
годы растет. Однозначные выводы по вопросу инноваций отсутствуют, но в
этом вопросе мы пытаемся ориентироваться на другие страны, имеющие
положительный опыт развития инноваций.
Различия в инновациях также играют большую роль в эффективности
финансирования отрасли здравоохранения. Примером тому служит, тот факт,
что в России инновационные проекты так или иначе пока связаны больше с
экономической подоплекой и направленностью на получение прибыли. В
Германии, например, инновационная деятельность больше направлена на
практическую значимость разработок, причем не только на национальном, но
и на мировом уровне.
Например, в медицинской практике Великобритании, США, Германии,
Израиля
активно
внедряются
такие
инновационные
разработки
как
роботизированные операционные, компьютерные визуализации операции,
электронные капсулы для доставки препарата к различным органам.
36
Причем инновации такого рода присущи не только высокоразвитым,
ведущим странам, но и, например, Украине, которая начинает применение
нового оборудования для спектроскопии, новейшие методы операционной и
радиационной терапии новообразований.
На данный момент обсуждаем и вопрос эффективности методов
внедрения инноваций, которые в каждой стране различны. Необходимость и
важность инновационного развития представляет собой для государства одно
из приоритетных направлений в формировании политики и плана развития.
Эффективность инновационного развития также может подлежать оценке. Во
многом она коррелирует с эффективность по отрасли в целом и с уровнем
здравоохранения в исследуемой стране.
Таким образом, было показано, что включение инноваций в оценку
эффективности необходимо и классический подход с использованием лишь
медицинских показателей несостоятелен. Данная гипотеза будет проверена
при расчете оценки указанными выше способами.
3.2. Сбор данных, выбор параметров модели.
Данные
взяты
из
базы,
размещенной
на
сайте
http://www.worldbank.org/, содержащей раздел world development indicators.
Для исследования были собраны данные по следующим показателям:
EXP_PRIV - Health expenditure, private (% of GDP)
EXP_PUBL - Health expenditure, public (% of GDP)
IMM_DPT - Immunization, DPT (% of children ages 12-23 months)
IMM_MEAS - Immunization, measles (% of children ages 12-23 months)
MED_NUMW - Nurses and midwives (per 1,000 people)
MED_BEDS - Hospital beds (per 1,000 people)
MED_PHYS - Physicians (per 1,000 people)
MRT_INFANT - Mortality rate, infant (per 1,000 live births)
MRT_NEONAT - Mortality rate, neonatal (per 1,000 live births)
37
LIFE_EX_FE - Life expectancy at birth, female (years)
LIFE_EX_M - Life expectancy at birth, male (years)
POP_GROW - Population growth (annual %)
AIDS - Prevalence of HIV, total (% of population ages 15-49)
TBS_INCD - Incidence of tuberculosis (per 100,000 people)
RD – Research and development expenditure (% of GDP)
Исследуемые страны:
BLR – Belarus
DEU – Germany
DNK – Denmark
FRA – France
ITA – Italy
POL – Poland
RUS - Russian Federation
UKR – Ukraine
Всего наблюдений 112 для каждого показателя. Поскольку количество
стран 8, а временной промежуток, который рассматривается в текущей
работе 14 лет (с 1998 по 2011 включительно).
В данном разделе приводится обоснование выбора показателей,
включенных в анализ.
Здесь важно учесть многие нюансы. Еще Chang H., Banker R.D., Cooper
(1996) и Щербак (2012), указывали на проблему степеней свободы, которые
увеличиваются с ростом количества включенных DMU (единиц принятия
решения). В данном случае единицами принятия решения служат страны, в
общем смысле - различные фирмы A, Б, В). Степени свободы уменьшаются
38
при росте количества параметров Input и Output. Получается, что необходимо
взять количество стран, достаточное для анализа (в данном случае 8, включая
Россию) и 2-3 параметра для каждой спецификации.
Данные принадлежат к World Development Indicators и показывают
уровень развития страны, ее положение в мировом сообществе. Методология
предполагает
моделирование
ситуации
и
представление
отрасли
здравоохранения в абстрактной форме в качестве предприятия. Результатом
работы отрасли можно принять индикаторы, которые предстают как
продукция, выпущенная производством.
При использовании такой спецификации получаем эффективность
относительно специфичных групп выходных факторов. Анализ будет
приведен как для всех факторов, так и факторов, объединенных в
определенные категории.
Уместность применения World Development Indicators обусловлена тем,
что именно эти показатели используются для представления страны на
мировой арене.
В первую группу входят показатели демографии и здоровья населения.
Различия состояния отрасли, ее управления влияют также и на ожидаемую
продолжительность жизни. Данный показатель - это «количество лет,
которое индивиду из некоего гипотетического поколения в среднем
предстояло бы прожить родившемуся при условии, что на протяжении всей
жизни этого поколения уровень смертности в каждом возрасте останется
таким, как в год, для которого вычислен этот показатель» (Улумбекова Г. Э.
Здравоохранение России. Что надо делать: научное обоснование «Стратегии
развития здравоохранения РФ до 2020 года»). Для женщин и мужчин в
России показатель различен. Причем наблюдается достаточно сильное
отличие (74 года – среднее значение для женщин, 61 год – среднее значение
39
для мужчин). Вследствие этого расчеты будут производиться на основе
обоих показателей.
По рождаемости Россия с 2007 года обгоняет даже страны ЕС,
демонстрируя хорошие показатели. Рост показателей связан не только с тем,
что произошло увеличение количества .женщин детородного возраста, но и с
тем, что влияние оказали программы и мероприятия, проводимые
государством и как следствие общее улучшение состояния отрасли.
По показателю смертности наблюдается снижение с 2008 года. В 2010
значение составило 14,2, но, тем не менее, Россия все равно занимает 2 место
по данному показателю относительно исследуемых стран.
Состояние отрасли здравоохранения влияет на показатель смертности
довольно сильно, но не стоит недооценивать особенности поведения
населения страны, их менталитета, культуры. Примером служит управление
транспортными средствами в нетрезвом виде, состояние техники и
оборудования, дорог, не отвечающие стандартам безопасности. Одной из
главных функций охраны здоровья является снижение смертности и
показатель отражает то, как происходит борьба с заболеваниями, какие меры
предпринимаются для их предотвращения.
Исследование эффективности финансирования
не включает в себя
оценку относительно каждого из исследуемых факторов, поэтому в анализе
будет использоваться Population growth - агрегированный показатель,
который учитывает изменение как смертности, так и рождаемости.
Именно эти показатели будут использоваться в первой модели.
Такие показатели, как Hospital beds, отражающий количество мест в
больнице на 1000 человек населения, Physicians – количество врачей на 1000
человек, Nurses and midwives – количество медсестер и акушерок на 1000
человек обычно используются как входные факторы отрасли. В терминах
исследования эффективности страны возможно включение их в индикаторы
40
функционирования отрасли, т.к. являются отражением использования
финансов, поступающих на охрану здоровья. Такого рода модель покажет
оснащенность отрасли и созданные условия в медицинских учреждениях.
Далее будет описана достаточно специфичная и узкая группа факторов,
определяющая эффективность. Дело в том, что индикаторы крайне
чувствительны к состоянию отрасли, ее оснащенности и соответственно
финансированию. Число умерших в течение 28 дней после рождения детей «Neonatal Death» действительно очень зависит от возможностей медицины и
ее состояния в стране. Данная смертность зачастую связана с недостаточной
квалификацией врачебного персонала, его нехваткой, плохой технической
оснащенностью и поэтому действительно может быть использована в
качестве индикатора функционирования отрасли. В период до 28 дней
новорожденным требуются особый уход и условия, т.к. они подвержены
внешним
воздействиям
окружающего
мира
и
могут
не
перенести
заболевания, которые для взрослого не являются серьезными.
Immunization – дети в возрасте 12-23 месяцев, которые надлежащим
образом привиты против коклюша, дифтерии и столбняка, в процентах.
Incidence of tuberculosis количество людей на 100’000 человек, которые
заболели туберкулезом. Prevalence of HIV - распространенность ВИЧ
заболевания среди населения в возрасте 15-49 лет.
Данная группа индикаторов показывает, на каком уровне находится
отрасль здравоохранения. Только в случае прогрессивных стран можно
говорить о должном контроле заболеваний и проведении иммунизации
против опаснейших заболеваний.
Теперь стоит подробнее описать то, что представлено в качестве
«input». Ими являются входные факторы, оказывающие влияние на
исследуемые показатели.
В первую очередь это государственное и частное финансирование
здравоохранения, а именно - доля, которую они составляют от ВВП.
41
На этапе сбора данных и определения спецификации нужно
определить,
каким
именно
образом
должно
быть
представлено
финансирование отрасли. Указанный выше вариант (% от ВВП) на первый
взгляд кажется несостоятельным для использования, т.к. в анализе будут
учитываться процентные пункты от различных величин (12% от 1000 и 12%
от 500 – значимое отличие). Но это не так. В качестве Input можно было бы
взять величину, равную произведению ВВП и затрат на здравоохранение.
Тогда корректнее было бы использовать различные приросты в показателях,
как в финансировании, так и в факторах Output, что применимо в
исследованиях с регрессионным анализом. А в рамках данных спецификаций
анализа
среды
функционирования
именно
процентное
соотношение
корректно для использования, поскольку модели учитывают эффект
масштаба. К тому же, многие показатели взяты именно по такому же
принципу. Например, некоторые показатели взяты по отношению к
населению, к числу рожденных в указанном году и т.д. Поэтому в данном
случае такие соотношения будут корректными в анализе.
Далее приводится анализ зависимых переменных. Для построения
моделей
важно
понимать
сущность
используемых
параметров,
их
особенности.
42
.6
.4
0
.2
Density
.8
1
Kernel density estimate
1
1.5
2
2.5
3
Health expenditure, private (% of GDP)
3.5
Kernel density estimate
Normal density
kernel = epanechnikov, bandwidth = 0.1490
Рис.3.1. График распределения частных затрат, нормальное
распределение
Частные затраты распределены практически нормально, что можно
утверждать, основываясь не только на графике, приведенном выше,
остаточной вероятности Жака-Бера (0,063), но и на тестах Шапиро-Вилка,
Шапиро-Франца и Sk-тесту, в соответствии с которыми нельзя отвергнуть
гипотезу о нормальности распределения на 1% и 5% уровне.
EXP_PRIV
16
Series: EXP_PRIV
Sample 1 112
Observations 112
14
12
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
10
8
6
2.135181
2.096362
3.507108
1.239399
0.457932
0.515479
3.349551
3.6
3.2
2.8
2.4
2.0
4
Jarque-Bera 5.530290
Probability
0.062967
2
1.6
0
1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6
1.2
Рис.3.2. Распределение частных затрат, столбиковая диаграмма,
ящичковая диаграмма, статистические данные
43
В данной выборке наблюдаются некоторые выбросы, но их удаление не
будет целесообразным, поскольку важно учесть, как такие большие значения
отразились на показателях.
.1
0
.05
Density
.15
.2
Kernel density estimate
2
4
6
8
Health expenditure, public (% of GDP)
10
Kernel density estimate
Normal density
kernel = epanechnikov, bandwidth = 0.7408
Рис.3.1.
График
распределения
нормальное распределение
государственных
затрат,
Как видно на графике распределения государственных затрат, среди
них выделяются две группы. Скорее всего, это связано с принадлежностью к
стране, поэтому избавления от значений не будет, поскольку страны также
будут учтены в модели.
44
12
Series: EXP_PUBL
Sample 1 112
Observations 112
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
5.978986
5.283091
9.738290
2.895455
2.115064
0.166091
1.420399
Jarque-Bera
Probability
12.15893
0.002289
EXP_PUBL
10
9
8
7
6
5
4
3
0
3
4
5
6
7
8
9
2
Рис.3.4. Распределение государственных затрат, столбиковая диаграмма,
ящичковая диаграмма, статистические данные
В связи с разделением на две группы, говорить о нормальности
распределения не приходится. Оно таково, что не наблюдается выбросов.
Также в приложении к данной работе можно найти файл, где
представлена матрица парных корреляций. Были выявлены сильные
корреляционные
связи
(>0.8)
для
многих
переменных.
Это
также
учитывалось при построении модели. Желтым выделены сильные связи,
зеленым – значимые.
В модели присутствуют бинарные переменные, означающие
принадлежность к стране. За эталонную переменную взята Россия. Таким
образом, сразу будет видно отличие финансирования в нашей стране от
других.
Помимо этого переменная MED_NUMW будет удалена и не взята в
модель, поскольку содержит слишком много пропущенных значений,
которые дополнить невозможно.
В данном разделе содержится спецификация по указанным методам
анализа с использованием полученных ранее данных. Применение методов,
сопоставление их результатов даст понимание, каким образом используются
бюджетные средства, находящиеся в распоряжении отрасли, какое из
направлений является приоритетным, чему уделяется внимание.
45
Для получения достоверных и надежных расчетов используются два
программных статистических комплекса Stata и MaxDEA.
3.3. Расчеты DEA.
В таблице 3.1 приведены спецификации моделей, построенных
методом DEA. Была построена полная модель, включающая все факторы и
ряд частных моделей, представляющих отрасль узко специфицированной. В
частных моделях отрасль здравоохранения рассматривается специфичная
замкнутая система. Замкнутая относительно группы факторов, относящихся,
например, к оснащенности отрасли (2 модель) или к демографии, как в
модели 1.
Специфика показателя инноваций такова, что не может быть включена
в анализ DEA и подсчет индекса Мальмквиста. Финансирование Research &
Development не является прямым финансированием отрасли здравоохранения
и в отличие от регрессионного анализа его влияние отделить будет
невозможно. При подобных расчетах влияние такого показателя будет
преувеличено, и оценки будут несостоятельными. Это исходит из сущности
методов, описанных в параграфах 2.2. и 2.3. раздела Методология. К тому же
классически
во
всей
исследованной
литературе
инновационная
составляющая игнорируется и не входит в расчеты эффективности. Это дает
возможность сравнения методик, а также оценок, получаемых каждым
методом.
Таблица 3.1.
Спецификации моделей.
Спецификации моделей
Indicator Name
Health expenditure, private (% of GDP)
Health expenditure, public (% of GDP)
Population growth (annual %)
Life expectancy at birth, female (years)
Life expectancy at birth, male (years)
Model_1
Model_2
Model_3
Model_4
+
+
+
+
+
+
+
+
+
+
+
+
+
+
46
+
+
+
Hospital beds (per 1,000 people)
Nurses and midwives (per 1,000 people)
Physicians (per 1,000 people)
Mortality rate, infant and neonatal
(per 1,000 live births)
Incidence of tuberculosis (per 100,000 people)
Immunization, measles
(% of children ages 12-23 months)
Prevalence of HIV, total (% ages 15-49)
+
+
+
+
+
+
+
+
+
+
+
Модель №1 включает в себя такие показатели, как Life expectancy at
birth (male and female), Population growth. В спецификации представлены
данные 2006 и 2010 года. При расчете используется постоянный эффект
масштаба для анализа динамики показателей.
Каждая таблица с результатами разбита на две части, в которых
представлены результаты за 2006 и 2010 год (слева и справа соответственно).
Каждому периоду соответствуют результаты по эффективности. В столбце
Score представлена искомая относительная эффективность финансирования
для каждой страны (ее системы охраны здоровья).
В столбце Benchmark (Lambda) представлен вес, с которым соотносятся
эффективность рассматриваемой DMU (отрасли) и эталонной. Times as a
benchmark for another DMU показывает сколько других DMU используют это
значение как эталонное.
Для отражения текущего положения отрасли в моделях предоставлена
информация за 2006 и 2010 годы. Таблица 3.2 содержит результаты по
первой модели.
Таблица 3.2.
Результаты модели №1 (2006, 2010 г.)
Model_1_2006
Model_1_2010
47
NO
1
DMU6 Score
BLR
0,93593
2
DEU
0,73635
3
DNK
1
4
FRA
0,90748
5
ITA
6
Benchmark
(Lambda)
DNK(0,013480);
POL(0,934877)
DNK(0,349640);
POL(0,703277)
DNK(1,000000)
Times as a
benchmark
for another
DMU
Score
0
1
0
0,57628
3
1
0
0,735662
1
DNK(0,272280);
ITA(0,821012)
ITA(1,000000)
1
0,881507
POL
1
POL(1,000000)
2
0,830808
7
RUS
1
RUS(1,000000)
1
8
UKR
0,89226
RUS(1,033295)
0
Benchmark
(Lambda)
BLR(1,000000)
Times as a
benchmark
for another
DMU
4
BLR(1,149636);
RUS(0,051325)
DNK(1,000000)
0
0
1
BLR(1,525092);
DNK(0,016897)
BLR(1,491868);
RUS(0,007280)
BLR(0,747052);
RUS(0,396256)
RUS(1,000000)
0,746725
RUS(1,036508)
0
1
0
0
4
По модели 1 получены результаты, в соответствии с которыми 100%
эффективность использования денежных средств в 2010 году представлена в
3 из 8 стран: в России, Беларуси и Дании. В 2006 такую же эффективность
показывали Польша и Италия. Сопоставление полученных результатов и
реального положения отрасли исследуемых стран заставляет задуматься,
почему, например, Германия не показывает эталонные значения? Дело в том,
что на данном этапе высокий уровень здравоохранения, обеспеченности и
состояния отрасли, присущий более развитым странам требует несколько
иных затрат и конкретно группа показателей не настолько чувствительна к
изменениям в финансировании отрасли.
Получается, что 100%-ю эффективность показали страны, у которых
представленные индикаторы отрасли являются приоритетными.
Различие
уровней
здравоохранения
помогает
интерпретировать
структуру отрасли и ее приоритеты. Но знание об этом необходимо. Расчетов
модели для полных выводов недостаточно, не смотря на то, что данные
подобраны таким образом, чтобы учитывать масштабы исследуемых стран.
BLR – Беларусь, DEU – Германия, DNK – Дания, FRA – Франция, ITA – Италия, POL – Польша, RUS –
Россия, UKR – Украина.
6
48
Показатели
представлены,
например,
не
фактическими
суммами
финансирования, а % от ВВП, который учитывает многие страновые
аспекты.
Для раскрытия структуры зависимости факторов от финансирования в
Приложении №1 приводятся расчеты относительно каждого индикатора по
модели. Таким образом, в России для ожидаемой нормы жизни наблюдается
100% эффективность, что нельзя сказать о росте популяции, относительно
которой Россия показывает 7-е место из 8.
В
таблице
3.3. представлена следующая
модель,
отражающая
расходование средств на оснащенность отрасли.
Таблица 3.3.
Результаты модели №2 (2006, 2010 г.)
Model_2_2006
NO
DMU
Model_2_2010
Benchmark
(Lambda)
BLR(1,000000)
Times as a
benchmark
for another
DMU
Score
6
1
Benchmark
(Lambda)
BLR(1,000000)
Times as a
benchmark
for another
DMU
6
1
BLR
Score
1
2
DEU
0,55769
BLR(0,741071)
0
0,411066
BLR(0,846529)
0
3
DNK
0,96482
BLR(0,779856)
0
0,903171
BLR(1,227536)
0
4
FRA
0,57072
BLR(0,713389)
0
0,316352
BLR(0,665701)
0
5
ITA
0,69512
BLR(0,774059)
0
0,396187
0
6
POL
0,47369
0
0,355516
7
RUS
1
BLR(0,441507);
RUS(0,026301)
RUS(1,000000)
BLR(0,670510);
RUS(0,003272)
BLR(0,442334)
2
1
RUS(1,000000)
1
8
UKR
0,82066
BLR(0,292901);
RUS(0,561775)
0
0,652777
BLR(0,655454)
0
0
Россия и Беларусь показали себя ведущими в вопросах оснащения
отрасли. Неожиданным стал результат, что ряд стран показал эффективность
ниже 60%, а именно: Германия (56%), Франция (57%), Польша (47%).
Данному явлению также есть объяснение.
49
Суть
метода
состоит
в
определении
отклонения
от
линии
эффективности. Интерпретация может строиться исходя из того, что ранее
был достигнут достаточно высокий уровень по данному направлению и
сейчас оно не приоритетно, т.к. не требует столь пристального внимания,
денежных затрат на оборудование новых больничных мест, увеличение
штата сотрудников учреждений. А приоритет может быть как раз у
инновационной деятельности, результаты которой снижают потребность в
обслуживающем персонале, количестве врачей и т.д. Соответственно
фактическая 100% реальная эффективность наблюдаема и при меньших
показателях
относительно
реально
неэффективных
единиц
принятия
решения.
Анализ моделей с каждым из факторов в данном случае не дает
понимания полученных оценок.
Что касается исследования более «медицинских» показателей, то
индикатором использования средств относительно них выступает 3-я модель.
Таблица 3.4.
Результаты модели №3 (2006, 2010 г.)
Model_3_2006
NO
DMU
Score
Benchmark
(Lambda)
1
BLR
1
2
DEU
0,8843
3
DNK
1
4
FRA
0,9035
5
ITA
1
BLR(1,000000)
DNK(0,005436);
ITA(1,010859);
POL(0,045491)
DNK(1,000000)
DNK(0,329418);
ITA(0,719986);
UKR(0,046122)
ITA(1,000000)
6
POL
1
7
RUS
1
Model_3_2010
Times as a
benchmark
Score
for another
DMU
0
1
0
0,78209
2
1
0
0,73309
2
1
POL(1,000000)
1
0,79914
RUS(1,000000)
0
1
Benchmark
(Lambda)
BLR(1,000000)
BLR(0,254772);
ITA(0,798306)
DNK(1,000000)
BLR(0,360384);
DNK(0,022057);
ITA(0,675778)
ITA(1,000000)
BLR(0,502664);
ITA(0,127575);
RUS(0,380096)
RUS(1,000000)
Times as a
benchmark
for another
DMU
4
0
1
0
4
0
2
50
8
UKR
1
UKR(1,000000)
1
0,76892
BLR(0,137736);
ITA(0,000294);
RUS(0,876221)
0
В модели №3 в качестве выходных факторов были рассмотрены
младенческая смертность, иммунизация, случаи заболевания туберкулезом и
распространенность ВИЧ. В 2010 году в ряде стран эффективность
финансирования снижается. Стоит отметить, что причиной возможно
явилось влияние социальных процессов или программ (например, всеобщее
информирование относительно ВИЧ, социальные ролики).
В целом оценить влияние финансирования отрасли здравоохранения
позволяет полная модель, представленная далее. Результаты в плане
интерпретаций во многом связаны с частными моделями, описанными ранее.
Но общая модель все же будет рассмотрена подробнее.
Таблица № 3.5.
Результаты модели №4 (2010 г.)
Full model
NO
DMU
Score
1
2
3
4
BLR
DEU
DNK
FRA
1
1
1
0,800193
5
6
ITA
POL
1
0,860821
7
8
RUS
UKR
1
0,778687
Benchmark
(Lambda)
BLR(1,000000)
DEU(1,000000)
DNK(1,000000)
BLR(0,515870);
DNK(0,023524);
ITA(0,666235)
ITA(1,000000)
BLR(0,565930);
ITA(0,122966);
RUS(0,409555)
RUS(1,000000)
BLR(0,124272);
RUS(0,909080)
Times as a benchmark
for another DMU
3
0
1
0
2
0
2
0
Столбец Benchmark (Lambda) присутствует в результатах по каждой
модели. Обращаясь к методологии, мы находим, что построение вектора λ
является неотъемлемой частью метода, и именно он показывает вес
51
эталонной
Таким
DMU.
эффективность,
образом,
различаются.
В
отрасли,
первую
показывающие
очередь
100%
расположением
на
эффективной границе производства, во-вторых различен вес в векторе λ.
Таким образом, помимо ориентации на 100% эффективные
DMU,
необходимо учесть, сколько раз такое соотношение факторов являлось
эталонным (benchmark) для других отраслей и с какими весами.
Полная модель представлена 100%-й эффективностью у России, как
еще у 4 стран, входящих в выборку. Проводя анализ только полной модели,
мы данным методом не получаем структуру, потребности использования
входных в отрасль факторов. Построение же частных моделей дает
соотношения, сопоставляя которые с реальным положением отраслей
формируется представление о функционировании отрасли и о том, как стоит
относиться к полученной оценке. При вычислении полной модели с
использованием переменного эффекта масштаба все отрасли имеют 100%-ю
эффективность.
То
здравоохранения
есть,
нет
относительно
полностью
использования
неэффективных
выделяемых
систем
денежных
средств.
3.4. Регрессионные модели
Были созданы различные спецификации модели для государственных
затрат. Логарифмирование некоторых показателей в итоге оказалось
эффективным. Но стоит также отметить, что сама линейная зависимость
имеет интерпретации, связанные с процентными изменениями в силу
специфики показателей, выражающихся в процентах.
Среди моделей для государственного финансирования наиболее
интересными являются модели, представленные в таблице 3.6.:
Таблица 3.6.
Модели государственного финансирования
MRT_INFANT
(1)
EXP_PUBL
Coef./Std. err .
0.91***
(2)
EXP_PUBL
Coef./Std. err .
0.83***
(3)
EXP_PUBL
Coef./Std. err .
(4)
EXP_PUBL
Coef./Std. err .
52
MRT_NEONAT
LIFE_EX_M
LIFE_EX_FE
AIDS
TBS_INCD
IMM_MEAS
IMM_DPT
POP_GROW
BLR
DNK
DEU
FRA
ITA
POL
UKR
(0.20)
-1.73***
(0.40)
0.70***
(0.16)
-0.58*
(0.24)
1.98*
(0.89)
0.04***
(0.01)
-0.00
(0.01)
-0.02***
(0.00)
0.06
(0.16)
0.11
(0.52)
1.41
(0.89)
1.50
(0.79)
1.88*
(0.72)
-0.59
(0.75)
0.59
(0.61)
-4.73***
(1.27)
RD
(0.14)
-1.65***
(0.29)
0.65***
(0.14)
-0.73**
(0.21)
1.87**
(0.70)
0.02*
(0.01)
0.00
(0.01)
-0.02***
(0.00)
0.13
(0.14)
0.19
(0.43)
-0.60
(0.92)
-0.15
(0.80)
1.04
(0.68)
-0.24
(0.65)
0.89
(0.53)
-4.29***
(0.90)
1.16***
(0.25)
ln_MED_PHYS
ln_MRT_INFAN
T
ln_MRT_NEON
AT
ln_LIFE_EX_FE
ln_LIFE_EX_M
ln_TBS_INCD
_cons
R-squared
Adj R-squared
AIC
3.06
(9.69)
0.98
0.97
99.28
17.54
(9.09)
0.98
0.98
79.50
1.93*
(0.89)
0.00
(0.01)
-0.01***
(0.00)
0.28
(0.17)
-0.12
(0.35)
-0.45
(0.95)
-1.24
(0.78)
-0.78
(0.69)
-0.90
(0.58)
0.42
(0.74)
-3.66***
(0.93)
1.35***
(0.29)
0.39
(0.81)
9.71***
0.30
(0.17)
-0.07
(0.40)
-0.12
(1.19)
-1.01
(1.02)
-0.14
(0.79)
-0.40
(0.77)
0.85
(0.81)
-1.80**
(0.57)
1.24***
(0.31)
1.13
(0.71)
8.92***
(1.68)
-10.42***
(1.58)
-10.21***
(2.02)
-23.56
(14.57)
18.26**
(6.21)
-0.69*
(0.29)
29.00
(48.10)
0.98
0.98
54.85
(2.02)
-23.83
(17.89)
17.03
(9.23)
-0.62*
(0.29)
34.74
(52.04)
0.98
0.98
63.68
53
BIC
F
p
Root MSE
Title
vce
Model
145.49
441.67
0.00
0.35
Linear
regression
robust
ols
128.44
474.29
0.00
0.32
Linear regression
101.03
383.65
0.00
0.30
Linear regression
102.58
389.84
0.00
0.32
Linear regression
robust
ols
robust
ols
robust
ols
Standard errors in parentheses
* p < 0.05, ** p < 0.01, *** p < 0.001
Путем анализа остатков, проверки на гетероскедастичность, анализа
информационных критериев наиболее состоятельной оказалась модель № 3.
Первая модель является базовой, включает в себя все показатели, выбранные
для анализа, за исключением инновационной составляющей По типу
вычисления схожа с моделями, получаемыми DEA. Наиболее удачными
0
.5
Density
1
1.5
оказались модели № 3 и 4.
-1
-.5
0
Residuals
.5
1
Рис.3.5. Распределение остатков модели государственного
финансирования №3.
Таблица 3.7.
Тесты на нормальность остатков модели №3.
Shapiro-Francia W' test for normal data
54
Variable | Obs
W'
V'
z
Prob>z
-----------------+-----------------------------------------------------infadj_dom~e | 84 0.99226 0.607 -1.026 0.84762
Shapiro-Wilk W test for normal data
Variabl
| Obs
W
V
z
Prob>z
-------------+-------------------------------------------------infadj_dom~e | 84 0.99022 0.699 0.787 0.78422
Skewness/Kurtosis tests for Normality
0
.5
Density
1
1.5
Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-----------------+-------------------------------------------------------------------------infadj_dom~e | 84
0.9381
0.7055
0.15
0.9283
-.5
0
.5
1
Residuals
.
Рис.3.6. Распределение остатков модели государственного
финансирования №4.
Таблица 3.8.
Тесты на нормальность остатков модели №4.
Shapiro-Francia W' test for normal data
55
Variable | Obs
W'
V'
z
Prob>z
-----------------+-----------------------------------------------------infadj_dom~e | 84 0.98610 1.090 0.174 0.43097
Shapiro-Wilk W test for normal data
Variable | Obs
W
V
z
Prob>z
-----------------+------------------------------------------------------infadj_dom~e | 84 0.98188 1.295 0.567 0.28521
Skewness/Kurtosis tests for Normality
Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-----------------+-------------------------------------------------------------------------infadj_dom~e | 84
0.4872
0.7596
0.59
0.7458
Гипотеза о нормальности остатков не отвергается в обоих случаях, но
статистики, результаты комплекса тестов, информационные критерии
указывают на модель №3. Рациональность ее выбора с практической точки
зрения будет описана далее в результатах.
В качестве модели частного финансирования были выделены 2 модели
№ 3 и 4. Как и в модели государственного финансирования, модель №1
базовая, а логарифмирование некоторых переменных оказалось полезным.
Таблица 3.9.
Модели частного финансирования
(1)
EXP_PRIV
Coef./Std. err .
MRT_INFANT
MRT_NEONAT
LIFE_EX_M
LIFE_EX_FE
AIDS
TBS_INCD
-0.29**
(0.09)
0.66***
(0.19)
-0.12
(0.08)
0.34**
(0.12)
-0.60
(0.36)
-0.01**
(2)
EXP_PRIV
Coef./Std. err .
-0.30**
(0.09)
0.67***
(0.19)
-0.13
(0.08)
0.32*
(0.12)
-0.62
(0.37)
-0.02**
(3)
EXP_PRIV
Coef./Std. err .
(4)
EXP_PRIV
Coef./Std. err .
-0.77*
(0.33)
56
IMM_MEAS
IMM_DPT
POP_GROW
BLR
DNK
DEU
FRA
ITA
POL
UKR
(0.00)
-0.01**
(0.00)
-0.00
(0.00)
-0.09
(0.08)
-0.42
(0.28)
-1.63**
(0.57)
-1.01*
(0.49)
-1.49***
(0.43)
-1.76***
(0.47)
-1.77***
(0.35)
1.88***
(0.51)
RD
(0.00)
-0.01*
(0.00)
-0.00
(0.00)
-0.08
(0.08)
-0.41
(0.28)
-1.96**
(0.58)
-1.28*
(0.49)
-1.63***
(0.41)
-1.70***
(0.48)
-1.72***
(0.35)
1.95***
(0.53)
0.19
(0.13)
ln_MED_PHYS
ln_MRT_INFANT
ln_MRT_NEONAT
ln_LIFE_EX_FE
ln_LIFE_EX_M
ln_TBS_INCD
_cons
R-squared
Adj R-squared
AIC
BIC
F
p
Root MSE
Title
vce
Model
-14.53**
(4.74)
0.88
0.85
-57.22
-11.01
88.36
0.00
0.17
Linear
regression
robust
ols
-12.14*
(5.01)
0.88
0.86
-57.42
-8.49
67.59
0.00
0.17
Linear
regression
robust
ols
-0.01***
(0.00)
-0.00
(0.00)
0.02
(0.12)
-0.57*
(0.22)
-2.32***
(0.39)
-1.23***
(0.35)
-1.10**
(0.37)
-1.82***
(0.30)
-1.34***
(0.35)
1.50***
(0.36)
-0.04
(0.13)
0.21
(0.37)
-2.09*
(0.87)
2.30*
(0.99)
0.67
(10.11)
1.53
(3.85)
-0.44**
(0.15)
-3.39
(34.54)
0.91
0.88
-58.23
-12.05
99.69
0.00
0.16
Linear
regression
robust
ols
-0.01***
(0.00)
-0.00
(0.00)
0.07
(0.11)
-0.66**
(0.20)
-2.18***
(0.24)
-1.09***
(0.24)
-1.18***
(0.23)
-1.92***
(0.22)
-1.26***
(0.23)
0.85**
(0.28)
-0.08
(0.12)
0.13
(0.34)
-1.41
(0.90)
1.69
(0.96)
-0.58***
(0.10)
6.28***
(0.67)
0.90
0.88
-57.76
-18.87
88.87
0.00
0.16
Linear
regression
robust
ols
57
3
2
0
1
Density
-.6
-.4
-.2
0
.2
.4
Residuals
Рис.3.7. Распределение остатков модели частного финансирования
№3.
Таблица 3.10.
Тесты на нормальность остатков модели №3.
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+-------------------------------------------------------------------------e3 | 84
0.0809
0.0164
7.86
0.0197
Shapiro-Wilk W test for normal data
Variable | Obs
W
V
z
Prob>z
-------------+----------------------------------------------------e3 | 84 0.97138 2.045 1.571 0.05803
Shapiro-Francia W' test for normal data
Variable | Obs
W'
V'
z
Prob>z
-------------+------------------------------------------------------e3 | 84 0.96592 2.672 1.934 0.02657
58
3
2
0
1
Density
-.6
-.4
-.2
0
.2
.4
Residuals
Рис.3.8. Распределение остатков модели частного финансирования №4.
Таблица 3.11.
Тесты на нормальность остатков модели №4.
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+--------------------------------------------------------------e4 | 84 0.1518
0.0255
6.54
0.0381
Shapiro-Wilk W test for normal data
Variable | Obs
W
V
z
Prob>z
-------------+-------------------------------------------------e4 | 84 0.97062 2.099 1.629 0.05161
Shapiro-Francia W' test for normal data
Variable | Obs
W'
V'
z
Prob>z
-------------+-------------------------------------------------e4 | 84 0.96649 2.627 1.901 0.02862
На некоторых уровнях значимости гипотеза о нормальности остатков
не отвергается, но в целом проведенные тесты указывают на - недостатки
моделей и их неполную состоятельность. Несмотря на это моделями
объясняется 85-88% дисперсии. Это возможно в том случае, если
59
объясняющие
переменные
тесно
коррелированы
с
объясняющими
переменными, но сами по себе в необходимой степени не являются
объясняющими для зависимой переменной. Таким образом, специфика
частного финансирования отличается от государственного и объясняется
другими детерминантами. Наиболее близкой к объясняющей является модель
№4.
3.5. Результаты и выводы
Получились следующие модели для каждого вида финансирования:

exp_publ=1,93
aids-0.01
imm_dpt+0.28
pop_grow+0,39
ln_med_phys +9.71 ln_mrt_infant - 10.02 ln_mrt_neonat – 23,56
ln_life_ex_fe + 18.26 ln_life_ex_m - 0.69 ln_tbs_incd – 0.45 dnk-1.24
deu+0.78 fra – 0.9 ita+ 0.42 pol - 0.12 blr – 3.66 ukr+1.35 rd+29

exp_priv= -0.01 imm_meas +0,07 pop_grow +0,13 ln_med_phys -
1,41 ln_mrt_infant +1,69 ln_mrt_neonat – 2.18 dnk-1.09 deu - 1.18 fra –
1.92 ita – 1,26 pol - 0.66 blr + 0,85 ukr - 0,08 rd+6,28
Основной целью данной работы не являлось выявление механизма
воздействия финансирования здравоохранения на показатели этой отрасли.
Здесь важно увидеть различия в этих процессах для разных стран. Поэтому
подробная интерпретация всех коэффициентов не будет приведена, но
проанализирована.
Интерпретация происходит следующим образом: например, в модели
государственного финансирования для увеличения роста популяции на 1 в
среднем необходимо увеличить государственные затраты на 0,28% от ВВП.
Государственное финансирование влияет на младенческую смертность,
случаи ВИЧ-инфицирования и заболевания туберкулезом, рост популяции в
целом, количество врачей в отрасли. Причем, зависимости имеют ожидаемый
знак. Т.е. большое значение финансирования отрасли со стороны государства
соответствует большому значению показателя, чье увеличение позитивно и
60
маленькому значению показателя, чье увеличение негативно.
Включение инвестиционной
составляющей сделало
зависимости
объясняющей переменной и зависимой более рациональными (изменились
знаки перед некоторыми странами, которые фактически эффективно
используют выделенное финансирование, например, Германия).
Частной моделью объясняется на 88%, но, тем не менее, остатки
распределены не нормально и скорее всего предсказанные по модели
значения будут смещенными по отношению к наблюдаемым. По всей
видимости, частное финансирование имеет прямую связь с показателями,
сильно
коррелирующими
с
использованными
индикаторами.
Использованные во всех моделях показатели отлично отражают систему
здравоохранения,
что
относится
к
государственной
политике,
финансированию государством. Частные же инвестиции скорее зависимы от
описанных ранее инновационных подходов: кластеров, бизнес-инкубаторов.
Инвесторы
ориентируется
на
ожидаемую
успешность
предлагаемых
проектов, привлекательность с точки зрения бизнеса, а не на положение тех
или иных факторов по охране здоровья в стране.
Государственное финансирование лучше всего используется в Украине
(по данным регрессии), поскольку при прочих равных в Украине для
достижения необходимых показателей нужно затратить на 3,66% меньше,
нежели для страны, взятой за эталон (России). Встает вопрос, аналогичный
предпосылкам после DEA исследования.
Частное финансирование наиболее эффективно по сравнению с
Россией в Польше, в Италии и в других странах, кроме Украины. Возможно
хорошие показатели в таких странах, как Германия достигаются как раз за
счет эффективного использования частных инвестиций. Это было выявлено
при помощи индекса Мальмквиста, который подтвердил результаты по DEA
методу, а также раскрыл эффективность частных инвестиций по отношению
к государственным.
Еще одна особенность, на которую хочется обратить внимание: для
61
частного финансирования наилучшая модель объясняет 88% дисперсии, а для
государственного 98%. Получается, что как раз-таки инновации или другие
факторы, которые в основном финансируются не государством, должны быть
проанализированы в построении модели.
62
ЗАКЛЮЧЕНИЕ
В данной работе был проведен анализ среды функционирования т
регрессионный анализ для определения эффективности единицы принятия
решения, которой являлись отрасли здравоохранения в восьми исследуемых
странах - России, Польше, Беларуси, Италии, Франции, Германии, Украине,
Дании. Таким образом, была определена относительная эффективность
финансирования отраслей здравоохранения в указанных странах.
Обработка данных проводилась в двух статистических программах для
достоверности полученных результатов, которые были также проверены при
помощи расчета индекса Мальмквиста.
Результаты
показали,
что
явно
неэффективно
использующих
бюджетные средства отрасли стран нет, особенно в полной модели, которая
учитывала все исследуемые факторы. То есть была смоделирована ситуация,
в которой средства расходуются внутри отрасли, а на выходе получается
изменения
некоторых
показателей,
количество
мест
в
больницах,
медицинский персонал, иммунизация, случаи заболевания СПИДом и
туберкулёзом.
Было
также
выявлено,
что
в
ряде
стран
государственное
финансирование эффективнее частного: в России, во Франции, в Украине, в
Италии. Обратная ситуация наблюдается в Польше и Германии. А вот в
Дании
и
Беларуси
одинаковая
100%
отдача
от
финансирования,
поступающего из обоих источников.
Включение
инновационной
составляющей
и
применение
регрессионного анализа дополнили DEA, раскрыли структуру потребностей в
финансировании по каждому показателю. Обладая информацией о том, какие
показатели и на сколько их необходимо улучшить, можно планировать
финансирование отрасли, т.к. модель дает знание о том, сколько средств
необходимо для отрасли, чтобы, к примеру, получить улучшение показателя
на 2 пункта.
63
Выбранные спецификации оказались верными, поскольку учитывая
различия в ограниченных моделях, была показана общая эффективность
отрасли в полной модели, тем самым дифференцируя основания для анализа
отрасли той или иной страны.
Как было описано ранее, необходимо принимать во внимание метод,
которым было проведено исследование, чтобы понять, в чем могут быть
скрыты несоответствия, согласно которым высокоразвитые отрасли по
представленным
подсчетам
не
показывают
100%
эффективности
в
использовании ресурсов. Также в этом плане будет полезен детальный
анализ внутреннего состояния отраслей.
Поставленные задачи были выполнены, цели достигнуты. На основе
полученных данных количественного анализа есть возможность провести
подробный качественный анализ.
На данном этапе нет возможности определить значимость внутренних
специфичных факторов и учесть все особенности распределения бюджета по
направлениям отрасли, структуру расходов.
Индекс Мальмквиста показал себя как надежный инструмент проверки
и
дополнения
анализа,
использующего
стохастические
границы
В
соответствии с индексом Мальмквиста, в основном государственное
финансирование эффективнее частного (>1:Россия, Франция, Украина,
Италия; <1: Польша, Германия; =1: Дания, Беларусь)
Страны с более эффективной системой здравоохранения, чем в России:
• Дания
• Германия
• Италия
• Беларусь
• Украина
64
Страны, эффективнее использующие частное финансирование, чем в
России:
• Дания
• Германия
• Франция
• Италия
• Беларусь
• Польша
Включение
инноваций
в
анализ
эффективности
отрасли
здравоохранения рационально и необходимо.
Модель частного финансирования не может в полной мере объясняться
индикаторами мирового развития.
Модель государственного финансирования состоятельна.
На основе регрессионного анализа становится доступной информация
по улучшению состояния отрасли и необходимых для этого затрат.
65
СПИСОК ЛИТЕРАТУРЫ
1. Головачева Т. В., Семенов С. Н. Методические подходы к оценке
эффективности управления в региональном здравоохранении ГОУ
ВПО ВГМА им. НН Бурденко Росздрава Резюме. // Научномедицинский вестник Центрального Черноземья: ежекварт. науч.практ. журн. 2009. № 37.
2. Зурнаджьянц Ю. А. Использование статистических методов в анализе
экономической эффективности деятельности медицинских учреждений
//Современные проблемы науки и образования. 2012. № 1.
3. Михайлова Ю. В. и др. Современное состояние и пути развития
отечественной медицинской статистики // Социальные аспекты
здоровья населения. 2007. Т. 1. № 1. С. 3-3.
4. Мишакин Т. С. Основные подходы к повышению эффективности
функционирования системы здравоохранения субъекта Российской
Федерации (на примере Республики Татарстан) // Современные
проблемы науки и образования. 2011. № 6.
5. Улумбекова Г. Э. Здравоохранение России. Что надо делать: научное
обоснование «Стратегии развития здравоохранения РФ до 2020 года» //
М.: ГЭОТАР-Медиа, 2010. С. 1.
6. Хафизьянова
Р.Х.,
здравоохранения.
Бурыкин
И.М.,
Сравнительная
Алеева
оценка
Г.Н.
Организация
эффективности
систем
здравоохранения различных стран, 2012.
7. Щербак
А.
Д.
Применение
методологии
анализа
среды
функционирования для оценки эффективности управления набором
стратегических бизнес-единиц промышленных корпораций //Вестник
Удмуртского университета. 2012.
8. Стратегия 2020 [сайт]. URL: http://2020strategy.ru/ (дата обращения:
13.03.2014).
66
9. Федеральная
служба
государственной
статистики
[электронный
ресурс]. URL: www.gks.ru/wps/connect/rosstat/rosstatsite/healthcare/ (дата
обращения: 15.02.2014).
10.Cooper W. W., Seiford L. M., Tone K. Data envelopment analysis: a
comprehensive text with models, applications, references and DEA-solver
software. Springer, 2006.
11.Cooper W. W., Seiford L. M., Zhu J. (ed.). Handbook on data envelopment
analysis. Springer, 2011.
12.Evans D. B. et al. The comparative efficiency of national health systems in
producing health: an analysis of 191 countries. World Health Organization,
2001.
13.Gittell J. High performance healthcare. New York: McGraw-Hill, 2009.
14.Joumard I., André C., Nicq C. Health care systems: efficiency and
institutions. OECD Publishing, 2010.
15.Aigner D., Lovell C. A., Schmidt P. Formulation and estimation of
stochastic frontier production function models // Journal of econometrics.
1977. V. 6. № 1. P. 21-37.
16.Banker R. D., Conrad R. F., Strauss R. P. A comparative application of data
envelopment analysis and translog methods: an illustrative study of hospital
production // Management Science. 1986. V. 32. № 1. P. 30-44.
17.Byrnes P. Analyzing technical and allocative efficiency of hospitals // Data
Envelopment Analysis: Theory, Methodology and Application. 1994.
18.Bradford W. D. et al. Stochastic frontier estimation of cost models within
the hospital // Review of Economics and Statistics. 2001. V. 83. № 2. P.
302-309.
19.Caves D. W., Christensen L. R., Diewert W. E. Multilateral comparisons of
output, input, and productivity using superlative index numbers //The
economic journal. 1982. V. 92. № 365. P. 73-86.
67
20.Chattopadhyay S., Ray S. C. Technical, scale, and size efficiency in nursing
home care: a nonparametric analysis of Connecticut homes //Health
Economics. 1998. V. 5. № 4. P. 363-373.
21.Chilingerian J. A. Exploring why some physicians’ hospital practices are
more efficient: taking DEA inside the hospital //Data envelopment analysis.
London: Kluwer Academic Publishers. 1994.
22.Cooper W. W., Seiford L. M., Zhu J. Data envelopment analysis: History,
models, and interpretations //Handbook on data envelopment analysis. 2011.
P. 1-39.
23.DeFelice L. C., Bradford W. D. Relative inefficiencies in production
between solo and group practice physicians // Health Economics. 1998. V. 6.
№ 5. P. 455-465.
24.Du J. et al. Incorporating health outcomes in Pennsylvania hospital
efficiency: an additive super-efficiency DEA approach // Annals of
Operations Research. 2011. P. 1-12.
25.Färe R., Grosskopf S., Roos P. Malmquist productivity indexes: a survey of
theory and practice // Index numbers: Essays in honour of Sten Malmquist.
1998. V. 1. № 2. P. 7-190.
26.Fizel J. L., Nunnikhoven T. S. Technical efficiency of for‐profit and non‐
profit nursing homes // Managerial and Decision Economics. 1992. V. 13. №
5. P. 429-439.
27.Grosskopf S., Self S., Zaim O. Estimating the efficiency of the system of
healthcare financing in achieving better health // Applied Economics. 2006.
V. 38. № 13. P. 1477-1488.
28.Grosskopf S., Valdmanis V. Measuring hospital performance: A nonparametric approach // Journal of Health Economics. 1987. V. 6. №. 2 P. 89107.
29.Hofler R. A., Rungeling B. US nursing homes: Are they cost efficient? //
Economics Letters. 1994. V. 44. № 3. P. 301-305.
68
30.Kooreman P. Data envelopment analysis and parametric frontier estimation:
complementary tools // Journal of Health Economics. 1994. V. 13. № 3. P.
345-346.
31.Lo J. C., Shih K. S., Chen K. L. Technical efficiency of the general hospitals
in Taiwan: An application of DEA // Academia Economic Papers. 1996. V.
24. № 3. P. 275-296.
32.Magnussen J. Efficiency measurement and the operationalization of hospital
production // Health Services Research. 1996. V. 31. № 1. P. 21.
33.Mathers C. D. et al. Estimates of DALE for 191 countries: methods and
results // Global Programme on Evidence for Health Policy Working Paper.
2000. № 16.
34.Meeusen W., van Den Broeck J. Efficiency estimation from Cobb-Douglas
production functions with composed error //International economic review.
1977. P. 435-444.
35.Newhouse, J.P. 1994. Frontier estimation: How useful a tool for health
economics? // Journal of Health Economics. 1994. V. 13. № 3. P. 317-322.
36.Nunamaker T. R. Measuring routine nursing service efficiency: a
comparison of cost per patient day and data envelopment analysis models //
Health Services Research. 1983. V. 18. № 2 Pt 1. P. 183.
37.Parkin D., Hollingsworth B. Measuring production efficiency of acute
hospitals in Scotland, 1991-94: validity issues in data envelopment analysis
//Applied Economics. 1997. V. 29. № 11. P. 1425-1433.
38.Puig-Junoy J. Technical efficiency in the clinical management of critically
ill patients // Health Economics. 1998. V. 7. № 3. P. 263-277.
39.Rosenman R., Siddharthan K., Ahern M. Output efficiency of health
maintenance organizations in Florida // Health Economics. 1997. V. 6. № 3.
P. 295-302.
40.Thanassoulis E., Boussofiane A., Dyson R. G. A comparison of data
envelopment analysis and ratio analysis as tools for performance assessment
//Omega. 1996. V. 24. № 3. P. 229-244.
69
41.Vitaliano, D.F., and M. Toren. 1996. Hospital cost and efficiency in a
regime of stringent regulation // Eastern Economic Journal. V. 22. № 2. P.
161-175.
42.Worthington A. An empirical survey of frontier efficiency measurement
techniques in healthcare services // School of Economics and Finance,
Queensland University of Technology. 1999. № 067.
43.Worthington A. C. Frontier efficiency measurement in health care: a review
of empirical techniques and selected applications //Medical Care Research
and Review. 2004. V. 61. № 2. P. 135-170.
44.Data Analysis an Statistical Software [website]. URL: http://www.stata.com
(date: 20.03.2014).
45.Data
Envelopment
Analysis
[electronic
resource].
URL:http://www.me.utexas.edu/~jensen/ORMM/omie/computation/unit/dea
/managers.htm (date: 20.02.2014).
46.Data
Envelopment
Analysis
using
Stata
[electronic
resource].
URL:
http://sourceforge.net/projects/deas/ (date: 25.03.2014).
47.World data Bank. World Development Indicators [electronic
resource].
URL:
http://databank.worldbank.org/ddp/home.do (date: 24.01.2014).
48.World
Health
Statistics
2011
WHO
[electronic
resource].
URL:http://www.who.int/whosis/whostat/2011/en/ (date: 23.02.2014).
70
ПРИЛОЖЕНИЯ
Приложение № 1
Таблица 1.
Оценка эффективности относительно каждого из факторов модели №1
2006г.
dmu:RUS
dmu:POL
dmu:BLR
dmu:FRA
dmu:DEU
dmu:UKR
dmu:DNK
dmu:ITA
CRS-INPUT
Oriented DEA
Efficiency Results
Model 1.1
CRS-INPUT
Oriented DEA
Efficiency Results
Model 1.2
CRS-INPUT
Oriented DEA
Efficiency Results
Model 1.3
Population growth
Life expectancy at
birth, male
Life expectancy at
birth, female
rank
7
1
6
1
3
8
1
2
theta
-1,70136
-0,183344
-1,2448
1
0
-2,18253
0,729566
1
rank
1
1
6
7
8
5
1
4
theta
1
1
0,884393
0,758617
0,736345
0,892259
1
0,899449
rank
1
1
4
7
8
6
1
5
theta
1
1
0,935926
0,758521
0,718027
0,873296
1
0,876034
Таблица 2.
Оценка эффективности относительно каждого из факторов модели №1
2010г.
dmu:RUS
dmu:POL
dmu:BLR
dmu:FRA
dmu:DEU
dmu:UKR
dmu:DNK
dmu:ITA
CRS-INPUT Oriented
DEA Efficiency
Results Model 1.1
CRS-INPUT
Oriented DEA
Efficiency Results
Model 1.2
CRS-INPUT
Oriented DEA
Efficiency Results
Model 1.3
Population growth
Life expectancy at
birth, male
Life expectancy at
birth, female
rank
7
5
4
3
6
8
1
1
theta
rank
0,0343405
1
0,238148
4
0,452344
1
0,917916
8
0,188018
7
-1,53509
5
1
3
1
6
theta
1
0,818058
1
0,574527
0,576281
0,746725
0,878127
0,720985
rank
1
4
1
7
8
5
3
6
theta
1
0,771206
1
0,526776
0,518575
0,726195
0,780963
0,648793
71
Таблица 3.
Оценка эффективности относительно каждого из факторов модели №2
2006г.
CRS-INPUT Oriented
DEA Efficiency
Results Model 2.1
CRS-INPUT
Oriented DEA
Efficiency Results
Model 2.2
CRS-INPUT
Oriented DEA
Efficiency Results
Model 2.3
Hospital beds
Nurses and midwives
Physicians
rank
dmu:RU
S
dmu:PO
L
dmu:BL
R
dmu:FR
A
dmu:DE
U
dmu:UK
R
dmu:DN
K
dmu:ITA
theta
rank
theta
rank
theta
1
1
3
0,903495
1
1
6
0,47369
8
0,425737
8
0,428588
1
1
1
1
1
1
5
0,514294
5
0,511599
6
0,570721
4
0,557685
7
0,480698
7
0,541576
3
0,777131
4
0,773848
5
0,626334
7
8
0,414233
0,312703
2
6
0,964819
0,497608
3
4
0,818658
0,69512
Таблица 4.
Оценка эффективности относительно каждого из факторов модели №2
2010г.
CRS-INPUT Oriented
DEA Efficiency
Results Model 2.1
CRS-INPUT
Oriented DEA
Efficiency Results
Model 2.2
CRS-INPUT
Oriented DEA
Efficiency Results
Model 2.3
Hospital beds
Nurses and midwives
Physicians
rank
dmu:RU
S
dmu:PO
L
dmu:BL
theta
rank
theta
rank
theta
8
0,47369
3
0,898309
2
1
1
6
1
0,570721
6
1
0,355516
1
7
1
0,321406
1
72
R
dmu:FR
A
dmu:DE
U
dmu:UK
R
dmu:DN
K
dmu:ITA
7
0,557685
8
0,011092
8
0,316352
4
0,820662
5
0,411066
6
0,336118
3
0,964819
4
0,652777
3
0,542713
5
6
0,69512
0,69513
2
7
0,903171
0,013025
4
5
0,486528
0,396187
Таблица 5.
Оценка эффективности относительно каждого из факторов модели №3
2010г.
CRS-INPUT
Oriented DEA
Efficiency Results
Model 3.1
CRS-INPUT
Oriented DEA
Efficiency Results
Model 3.2
CRS-INPUT
Oriented DEA
Efficiency Results
Model 3.3
CRS-INPUT
Oriented DEA
Efficiency Results
Model 3.4
Mortality rate,
neonatal
Incidence of
tuberculosis
Immunization
Prevalence of HIV
rank
dmu:RUS
dmu:POL
dmu:BLR
dmu:FRA
dmu:DEU
dmu:UKR
dmu:DNK
dmu:ITA
theta
.
.
.
.
1
.
.
1
rank
.
.
.
.
1
.
.
1
theta
.
.
.
.
1
.
.
1
.
.
.
.
1
.
.
1
rank
1
3
1
7
6
8
4
3
theta
1
0.729236
1
0.453506
0.482494
0.399004
0.653593
0.558185
rank
theta
.
.
.
.
1
.
.
1
.
.
.
.
1
.
.
1
73
Приложение № 2
Таблица 1.
Индекс Мальмквиста 2006, 2010 гг. относительно частного
финансирования
Таблица 2.
Индекс Мальмквиста 2006, 2010 гг. относительно государственного
финансирования
74
Таблица 3.
Индекс Мальмквиста за период 2006-2010 гг. относительно частного
финансирования
Таблица 4.
Индекс Мальмквиста за период 2006-2010 гг. относительно
государственного финансирования
75
Приложение № 3
76