收入不平等下的零加成改革

奥鹏网院作业

收入不平等下的零加成改革*
——医生策略反应与医疗支出再分配
倪 夏 叶初升

[提 要] 本文主要研究药品零加成改革引起的医疗支出在病情间的再分配效应。首先，本文利用中国健康与养老追踪调查进行双重差分分析，讨论改革对医疗支出在病情间分配的影响。回归结果显示，地区平均药占比每增加10个百分点，病情严重程度等于均值的患者的总治疗费用将显著上升5.13%。在此基础上，病情严重程度每增加1个标准差，患者的总治疗费用将少增加2.98%。进一步，本文在患者收入、病情二维异质性的框架下讨论了这种现象可能的成因并从实证上进行验证。分析表明，改革提高了对重症更有益的诊疗手段的相对价格，改变了医生在诊疗方案上的选择。这种改变会因患者的支付能力不同而有差异，相比收入低且病情较重的患者，医生更多地对收入高且病情较轻的患者使用了对重症更有益的诊疗手段。这种微观选择引起了医疗资源在病情间的扭曲配置和医疗支出向轻病的倾斜。

[关键词] 收入不平等；药品零加成；相对价格变化；病情；医疗支出

一、引言
21世纪以来，全球卫生支出快速增长，2018年甚至达到了8.3万亿美元，占到了当年全球GDP的10%。(1)World Health Organization，2020，“Global Spending on Health: Weathering the Storm”，https://www.who.int/publications/i/item/9789240017788。巨大的卫生支出规模，反映了人民群众对健康生命的需求。然而，许多实证研究发现，医疗支出和健康结果之间未必呈正相关关系，投入的增加未必带来了产出的提高(Glover，1938；Chandra & Staiger，2007)。

部分学者认为，造成该现象的原因是，一些医生或医疗机构为病情相似的患者过度地提供了医疗服务，以至于治疗的边际收益很低(McClellan et al.，1994；Fuchs，2004)。然而，一个非常重要但尚未被充分重视的问题是，给定医疗支出的量，医疗资源在病情间的配置是否有效(Abaluck et al.，2016)。

资源错配影响投入和产出的相关关系，导致医疗支出的浪费。提高医疗资源的配置效率，以可控的成本提供量足质优、结构合理的医疗服务是医疗卫生体制改革的重要目标。然而，通过中国健康与营养追踪调查(CHNS)的分析发现，2009年新医改实施以来，某些机制的出现导致医疗支出的结构明显地向轻病倾斜。如呼吸系统疾病，2004年和2006年轻病与重病的例均费用之比分别为0.14和0.17；2009年、2011年和2015年这一比值则分别上升至0.33，0.5和1。这即是说，在改革之后，轻病的相对医疗支出大幅提高了。医疗支出在病情间的分配反映了医疗资源在病情间的配置，这一趋势值得重视。本文以药品零加成改革为例，讨论公立医院价格调整如何引起医疗资源在病情间配置的变化，以期为其提供一种可能的解释。

药品零加成是改革公立医院激励体系的重要政策之一。该项改革之前，国家允许公立医疗机构在药品实际购进价的基础上增加15%进行销售。从2012年开始，国家逐步在县级公立医院和城市公立医院取消药品价格加成，同时提高诊疗、护理、手术等的价格，以理顺公立医院价格体系。目前，对这项改革的研究主要是从各项目支出量的变化上评价政策的效果(陈醉等，2018；Fu et al.，2018；Zhang et al.，2016)。本文注意到，不同诊疗手段在不同病情的诊疗上具有异质性的期望收益。相对而言，X光/CT/MRI检查、化验、手术等更适合重症。改革提高了这些重症诊疗手段的相对价格，引起了治疗方式的变化。如果它们被优先配置给了轻病，类似于要素优先流向了收益较低的生产部门，这将造成资源配置的扭曲和医疗支出向轻病的倾斜。

本文将从理论上讨论为什么重症诊疗手段相对价格提高可能导致资源配置的扭曲和医疗支出向轻病的倾斜。随后，采用双重差分的方法，从实证上讨论改革对医疗支出的影响。本文其余部分安排如下：第二部分梳理相关文献；第三部分是制度背景和理论框架；第四部分介绍实证策略和数据；第五部分汇报实证结果；第六部分是机制分析；第七部分是稳健性检验；第八部分总结全文，并提出政策建议。

二、文献综述
讨论医疗支出是否存在浪费以及造成这种浪费的原因是卫生经济学重要的研究主题(Chandra & Staiger，2007)。识别不同来源的效率损失，并讨论其成因对降低费用、提高医疗供给效率非常重要。Abaluck et al.(2016)认为，关键性的区别在于：是医生普遍性地对所有患者都过度地提供医疗服务，以至于治疗的边际收益很低；还是给定医疗支出的量，医疗资源优先流向了期望收益较低的患者。

前一种效率损失是过度医疗。从Arrow(1963)开始，研究者从信息不对称和医生诱导需求的角度，解释了过度医疗出现、医疗支出浪费的原因(杜创，2013；刘小鲁，2012；Yip，1998)。研究发现，医生患者比的差异、支付政策的变化或需求冲击是造成病情相似的患者在治疗方案和医疗费用上的差异的主要原因。除了信息不对称，医生对疾病甚至对自身能力的非完美信息也会引起过度治疗(Baicker et al.，2007；Mello et al.，2010)。后一种效率损失是医疗资源在病情间的错配，即在每一个医疗供给的水平上，医生优先治疗了“错误”的病人，导致医疗支出的低收益。对这种效率损失的讨论并不充分，但它其实是非常重要的。Abaluck et al.(2016)以肺栓塞诊断中胸部CT的使用为例，利用经典的Heckman选择模型讨论医疗资源错配与过度医疗的相对重要性。根据估计，医生优先治疗“错误”病人造成的效率损失是过度医疗的4倍有余。

近年来，对效率损失成因的探讨逐渐展开。Currie & MacLeod(2017)以剖宫产手术为例，在医生诊断、治疗技能二维差异的框架下，探讨了医疗资源错配的可能成因。研究发现，医生的诊断技能是关键因素。诊断技能较高的医生能够更好地根据患者的风险特征选择治疗手段，这有利于优先将资源配置给期望收益更高的患者。而诊断技能较低的医生则更有可能优先治疗“错误”的病人。根据估计，医生诊断技能1个标准差的降低将使剖宫产风险较低的50%患者的手术概率提高15.5%，而同时使风险较高的50%的患者的手术概率下降5.5%。在Currie & MacLeod(2017)的研究中，病情类似于医疗资源的生产对象，是纯粹的供给侧变量，其和医疗资源的匹配对医疗资源的“生产效率”有着重要的影响。本文注意到，病情虽然是供给侧变量，但其必须以需求侧的患者为载体。基于此，本文将患者收入差异与供给侧诊疗手段的相对价格变化结合起来，为理解医疗资源在病情间的配置提供一个可能的视角。

本文以药品零加成改革为例进行讨论。该项改革取消了15%的药品价格加成，客观上提高了生产率更高的诊疗手段的相对价格。现有文献全面考察了各医疗项目支出量的变化。Fu et al.(2018)使用国家卫生健康委员会的公立医院财务统计报表，全面评估了县级公立医院改革的政策效果。Zhang et al.(2016)和陈醉等(2018)使用医保报销数据评估了该项政策的影响。虽然使用数据存在差异，研究结论却大体类似。研究发现，改革以后，虽然患者的药品支出下降了，但由于更多的检查、护理和手术支出，患者的整体支出水平没有下降甚至还有所增加。

如前所述，这些文献主要考察各项目支出量的变化。然而，相对价格变化不仅会引起诊疗手段使用量的变化，还会引起重症诊疗手段在病情间配置情况的变化。本文在患者收入、病情二维差异的框架下，讨论重症诊疗手段相对价格提高如何不均等地改变了医生对不同病情在诊疗手段上的选择，造成了重症医疗资源向轻症的倾斜，进而丰富对零加成改革的认识。

三、制度背景和理论框架
(一)制度背景
药品加成，指的是卫生主管部门允许公立医疗机构在药品实际购进价的基础上加价15%进行销售，以弥补医疗机构的运行成本。该政策最早开始于1954年。20世纪90年代初，政府补贴占公立医院总收入的比例，从改革开放前的40%～50%减少到10%左右(Blumenthal & Hsiao，2005)。公立医院更加依赖药品加成收入弥补医院的运行成本。

为破除公立医院“以药补医”“过度医疗”的弊端，从2012年开始，国家逐步在县级公立医院推行药品零加成改革。城市公立医院的改革，在2012—2013年间有零星试点。2015年，《关于城市公立医院综合改革试点的指导意见》(国办发〔2015〕38号)出台，城市公立医院改革较大规模地推广。

改革实施后，各试点省市取消15%的药品加成收入，同时，提高了诊疗、护理、手术等的价格。高利润率的检查化验项目的价格虽有一定降低，但因为进行这些检查项目的边际成本很低，从总体上看，利润并没有发生大的变化(Fu et al.，2018)。政策评估发现，改革实施后，药费支出虽然降低了，但检查、护理、治疗等的支出却出现了明显增加(陈醉等，2018；Fu et al.，2018；Zhang et al.，2016)。讨论医疗资源配置的文献认为，X光/CT/MRI检查、化验、手术等在重症诊疗上更有价值(Abaluck et al.，2016；Johnson & Rehavi，2016；Currie & MacLeod，2017)。这意味着，药品支出的降低和X光/CT/MRI检查、化验、手术等支出的增加，不仅是不同诊疗手段使用量的变化，还意味着重症诊疗手段配置情况的变化。尽管对这一政策的评估还未讨论到患者异质性，关于医生诱导需求的研究均发现医生对患者的诱导会因患者特征差异而呈现不同(Johnson & Rehavi，2016；Cutler et al.，2019)。

基于此，本文将患者收入差异与零加成改革导致的诊疗手段相对价格变化结合在一起，讨论重症诊疗手段相对价格提高如何不均等地改变了医生对不同病情在诊疗手段上的选择，进而导致重症医疗资源配置的扭曲。

(二)理论框架
本文参考Johnson & Rehavi(2016)的模型，特别是医生的效用函数。虽然本文讨论的具体问题与该文不同，但其效用函数设定能够简洁地将患者收入差异引入医生的效用函数，所以，主要以此设定模型。本文与Johnson & Rehavi(2016)的差异主要体现为以下三点：

第一，假设患者差异体现在收入而非信息上。

第二，假设完全信息下，采用重症诊疗手段的门槛病情取决于患者健康改善的货币价值与诊疗成本的权衡，并将其作为适当医疗的标准引入医生的效用函数。

第三，假设医生可以观察到患者的收入水平，从而可以为不同收入的患者设定不同的病情门槛以使用重症手段。

通过以上三个假设，将患者收入差异引入医生的效用函数，并讨论其如何与相对价格变化共同作用，导致医疗资源在病情间的错配。

本文理论模型如下：

1.基本设定。

假设存在一组患者。患者分为两种收入状态：高收入(H)和低收入(L)。低收入患者在人群中的比例为q(0<q<1)。收入的影响体现在患者健康改善的单位经济价值(VSL)上。VSL基于支付意愿估算，与收入呈正相关关系(Murphy & Topel，2006)。因此，假设VSLH>VSLL。此外，患者在病情严重程度上存在差异，用π表示，π～U[0,1]。

现有两种诊疗手段A(单纯用药)和B(X光/CT/MRI检查、化验、手术等诊疗手段)。假设对病情严重程度为π的患者来说，B相对A的增量收益为：

Yi=VSLi·f(π)-Δp，i∈{H,L}

(1)

式中，f(π)代表B相对A的增量临床效果；f′(π)>0；f″(π)<0。VSLi·f(π)表示健康改善的货币收益；Δp表示B相对A的价格净差。对病情严重程度为π的患者来说，当Yi≥0，即width=105,height=34,dpi=110时，选用B更优。

2.医生的最大化问题。

医生可以观察到患者的财富类型。其效用函数为：

U(r)=width=237,height=35,dpi=110

width=208,height=35,dpi=110
i∈{H,L}

(2)

式中，r表示是否采用B(是=1)；g(·)关于原点对称；g′(·)>0。式(2)的第二项和第三项表明，提供过量或不足的服务都将给医生带来负效用。

医生选择r以最大化期望效用。解之可得，当下式成立时，医生会使用B：

π≥πi=width=222,height=35,dpi=110

i∈{H,L}

(3)

只要Δp>0，就有πH<πL。医疗资源在患者中的分配不同：满足π∈[πL,1]的所有患者都使用B；满足π∈[πH,πL]的高收入患者使用B，而低收入患者使用A；满足π∈[0,πH]的所有患者都使用A。

3.Δp增加对不同收入水平的患者的影响。

本部分考察Δp变化对πH和πL的差异化影响：

width=252,height=82,dpi=110
(4)

因为width=252,height=35,dpi=110和width=90,height=35,dpi=110均大于0。并且，width=205,height=35,dpi=110故width=108,height=35,dpi=110这即是说，当Δp增加时，由于VSLi的差异，相比低收入患者，高收入患者使用重症诊疗手段的病情门槛将有更大幅度的下降(或更小幅度的上升)。这不仅是一个分配公平的问题。因为B价格更高，πH总是小于πL。Δp增加时，高收入患者重症诊疗手段使用率不成比例地增加，可能会导致重症医疗资源在满足重病之前优先流向轻病。

4.零加成改革(Δp增加)与诊疗手段的配置和医疗支出的分配。

本部分重点讨论，零加成改革(Δp提高)后，高收入患者重症诊疗手段使用率不成比例的增加将如何影响医疗资源在病情间的配置和医疗支出在病情间的分配。根据资源配置的一般理论，如果资源在病情间的配置是有效的，那么在重症的诊疗上，期望收益更高的资源应该优先配置给重病。如果这些资源被优先配置给轻病，类似于要素优先流向了收益较低的生产部门。这意味着资源配置的扭曲和供给的低效率。基于此，本文认为，如果改革后，重病对B的使用相比轻病增长得更少(或下降得更多)，则意味着出现了医疗资源在病情间的错配。

假设改革前，高收入患者和低收入患者采用B的门槛病情分别为width=20,height=17,dpi=110和width=25,height=17,dpi=110改革后，两类患者采用B的门槛病情分别为width=20,height=17,dpi=110和width=25,height=17,dpi=110图1显示了改革前后πH和πL的相对位置。本文重点关注受到Δp变化影响的互斥病情区间。定义width=466,height=17,dpi=110为轻病width=387,height=20,dpi=110为重病width=16,height=14,dpi=110改革前后重病对B的使用率记为width=70,height=17,dpi=110和width=78,height=17,dpi=110轻病对B的使用率记为width=69,height=20,dpi=110和width=76,height=20,dpi=110

width=289,height=154,dpi=110
图1 改革前后πH和πL的相对位置(3种情形)

定义Misallocationmild如下：

Misallocationmild

width=302,height=93,dpi=110
(5)

式中，Misallocationmild表示，改革前后轻病和重病重症诊疗手段使用率变化量的差值(加权病情区间长度)。Misallocationmild>0意味着改革后出现了重症医疗资源在病情间的错配。

接下来，将具体讨论Misallocationmild>0的条件：

width=123,height=17,dpi=110(情形1)时，

Misallocationmild

width=302,height=67,dpi=110
(6)

这即是说，只要低收入患者对B的使用率没有增加而高收入患者对B的使用率有所增加，改革后即发生重症诊疗手段在病情间的错配。

width=55,height=17,dpi=110且width=49,height=17,dpi=110且width=123,height=17,dpi=110(情形2)时，

Misallocationmild

width=302,height=67,dpi=110
(7)

简单计算可知，当式(8)成立时，Misallocationmild>0。

width=340,height=41,dpi=110
width=49,height=32,dpi=110
(8)

这意味着，只要width=170,height=32,dpi=110就是大于0的。而给定q，Δp的增加量越大或者VSLH-VSLL越大，式(8)左边部分越大，越容易发生资源错配。

width=55,height=17,dpi=110且width=49,height=17,dpi=110且width=123,height=17,dpi=110(情形3)时：

Misallocationmild

width=718,height=67,dpi=110

当式(10)成立时，Misallocationmild>0：

width=393,height=41,dpi=110
(10)

这意味着，只要width=170,height=32,dpi=110就是大于0的。给定q，Δp的增加量越大或者VSLH-VSLL越大，式(10)左边部分越大，越容易发生资源错配。实证研究显示，改革后，患者对B的平均使用率增加了。情形3不太可能发生。

因此，本文有如下命题：

命题Γ0 只要width=46,height=32,dpi=110改革后即会发生医疗资源错配。即使width=46,height=32,dpi=110只要Δp的增加量或者VSLH-VSLL足够大，改革后也可能发生资源错配。产生这种错配的原因是，重症诊疗手段相对价格提高后，轻病的高收入患者更多地使用了对重病更有益的医疗资源。

下面，本文考察不同病情的医疗支出。假设改革前后A的价格分别为width=17,height=17,dpi=110和width=26,height=17,dpi=110改革前后B的价格均为width=161,height=17,dpi=110

简单计算可以得到以下命题：

命题Γ1 只要width=46,height=32,dpi=110改革后重病对重症诊疗手段的支出相比轻病会增长得更为缓慢，甚至还会下降。即使width=46,height=32,dpi=110只要Δp的增加量或者VSLH-VSLL足够大，重症医疗资源的支出也可能发生偏向轻病的再分配。

命题Γ2 只要width=114,height=58,dpi=110改革后重病的总医疗支出相比轻病会增长得更为缓慢，甚至还会下降。即使width=114,height=58,dpi=110只要width=55,height=17,dpi=110或者VSLH-VSLL足够大，总医疗支出也可能发生偏向轻病的再分配。

四、数据和实证方法
(一)数据
本文使用的数据包括两类。

第一类是个体数据。该数据来自中国健康与养老追踪调查(CHARLS)2011—2018年的调查数据。CHARLS是由北京大学国家发展研究院主持开展的大型家户调查项目，调查对象为我国45岁及以上中老年人家庭和个人。CHARLS全国基线调查于2011年开展，之后每两年追踪一次。该调查主要询问医疗服务的利用情况，从中可以获取医疗支出、治疗手段使用、住院时长、住院开始时间、病情、就诊机构特征及所在地信息。同时，该调查还提供年龄、性别、教育水平、医疗保险参保、健康、家户收入与消费等个人信息。本文去掉了就诊机构为非医院、无法判断住院年份、尚在住院、住院天数大于60天以及住院原因为意外、暴力和其他的样本。最后，由于CHARLS仅询问过去一年的住院情况，而2015年和2018年调查的时间间隔较长，使得2016年的住院数据非常少。本文删除了这些样本。最终，获得了2010—2015年、2017—2018年共6 045条住院记录。

第二类是改革时间和个体所在省份的社会经济数据，包括改革时间、出院病人药费占总支出比重(2010—2011年均值)、人均GDP、人均财政支出、65岁以上人口比重、医院数量、三级医院比例等。改革时间数据来自各省政府网站，其他数据来自《中国统计年鉴》及《中国卫生健康统计年鉴》，财务数据通过各省份居民消费价格指数(CPI)调整为2010年的物价水平。

主要变量包括以下三类。

第一类是医疗支出。CHARLS四轮调查数据均提供患者的总支出信息，且前三轮调查也提供患者的药品支出信息。在基准回归中，本文将考察患者的总支出。在机制分析中，本文将对比患者药品支出和总支出的变动趋势。

第二类是重症诊疗手段用量。CHARLS前三轮调查提供患者对诊疗手段使用情况的回答。机制分析中，本文将考察患者重症诊疗手段使用量的变动趋势。

第三类是病情严重程度。本文使用DRGs病情权重表示病情严重程度。该权重实质上是组内病例例均费用与全体病例例均费用的比值。该值越大，意味着疾病诊疗需要耗费的资源越多，也即意味着病情越严重。具体地，结合CHARLS 2011—2013年调查数据中被访者对病情名称和是否采用手术等诊疗手段的回答，对照《CN-DRGs分组方案(2014版)》和《北京DRGs系统的研究与应用》提供的疾病分组方案和相应的病情权重，将这些住院样本分入不同的疾病组并进行权重赋值。令人遗憾地，2015年和2018年的追访调查没有询问患者病情。为处理这一问题，首先在包含病情信息的数据中估计下式：

lnDiseaseihpt=τ0+τ1Xihpt+θMp+εijpt

(11)

式中，下标i表示患者；t表示时间；h表示医疗机构；p代表省份。Diseaseihpt是患者的病情权重。Xihpt包括年龄、性别、婚姻、受教育程度、医疗保险参与情况、自评健康、健康史、14种慢性病的患病及治疗情况等个人信息。M代表医疗机构类型，M={民营医院/基层医疗机构，县级公立医院，城市公立医院}，θMp是医疗机构类型-省份固定效应。然后，利用从式(11)获取的系数估计值以及患者的Xihct，估计相应的width=67,height=19,dpi=110代表病情。为了使Xihct对Diseaseihct的预测更加准确，在回归和预测中去掉了住院原因为意外、暴力及其他的样本。主要变量的描述性统计报告见表1。

表1 主要变量的描述性统计

width=745,height=762,dpi=110
(二)实证策略
本文使用双重差分的实证方法在地区层面讨论改革对患者医疗支出的影响。在地区层面进行讨论，面临两个问题：

第一，县级和城市公立医院改革的时间不同，如何设定地区层面的政策实施时间。

第二，样本数据不包含2016年的住院记录，而城市公立医院的改革主要集中于2015—2017年。受此影响，从数据看，大多数地区几乎同时实施了城市公立医院改革。对于这样的政策，应该如何估计其政策效应。

对于第一个问题：由于城市公立医院改革后，所有公立医院均已取消药品加成，所以本文以某省份最后一个进行城市公立改革的样本地级市的改革时间作为该省份的政策实施时间。(2)考虑到政策执行的滞后性，改革时间为第四季度的将政策实施时间记为下一年。同时，为排除先期改革的医院影响，去掉了样本地级市从有下辖县开始县级公立医院改革到前述政策实施时间之间的所有样本。此时，数据中某省份的政策实施方式实质上变成了县级和城市公立医院同时取消药品加成。处理之后，样本数据中85.6%的省份的政策实施时间都集中于2017年。由于缺乏改革后的对照组，本文不能只依赖政策的实施来估计政策效应。虽然改革的时间较为一致，但改革前各省份的药占比却有着相当的差异。可以预期，有着更高药占比的省份，会更多地受到政策的影响。基于此，本文可以通过药占比不同的省份的连续的比较，来识别政策效应，即：

width=237,height=17,dpi=110
(12)

式中，下标p代表省份；t表示时间。Policypt是政策变量。如果t年患者就诊医院所在省份实施了零加成改革，则Policypt取1，否则取width=149,height=17,dpi=110是患者所在省份2010年和2011年医院出院病人药费占总支出比重的平均数。(3)CHARLS可以识别到地级市，但笔者只能获得省份层面的药占比，所以本文只在省份层面进行比较。

在此基础上，本文将基准回归方程设定为：

lnTotal_Expihpt

=width=316,height=20,dpi=110

+α4Xihpt+α5Zpt+θM1p+φM1t+δM2p+ηp+λt

+εihpt

(13)

式中，下标i表示患者；t表示时间；h表示医院；p代表省份。lnTotal_Expihpt是患者的总医疗支出。Qpt和width=73,height=20,dpi=110与前文定义相同。

为了更好地解释回归结果，本文对width=73,height=20,dpi=110做了去均值处理。Xihpt是个体层面的控制变量，包括年龄、年龄的平方、年龄的立方、性别、教育水平、婚姻状况等。Zpt是省份层面的控制变量，包括width=158,height=17,dpi=110人均GDP、人均财政支出、老年人口比、医院数量、三级医院比例等。θM1p，φM1t，δM2p是医院特征固定效应。M1，M2分别代表医院类型和医院类别。M1={民营医院，县级公立医院，城市公立医院}，M2={综合医院，专科医院，中医院}。本文允许两个维度的医院特征的影响随地区的不同而不同，并同时允许医院类型的影响随时间的不同而不同。ηp和λt分别是省份固定效应和年份固定效应。标准误聚合在省份层面上。式(13)中，Qpt衡量的是改革对width=73,height=20,dpi=110等于均值的患者的影响。识别的关键项为Qpt×Diseaseihpt。α2表示width=73,height=20,dpi=110增加1个单位增加的政策影响。如果理论部分命题Γ2成立，α2应该小于0。

五、实证结果
(一)基准回归
式(13)的估计结果见表2。列(4)～列(6)在列(1)～列(3)的基础上删去了受到先期改革影响的患者样本。列(1)和列(4)控制了省份固定效应、年份固定效应、医院类型-省份固定效应、医院类型—年份固定效应和医院类别-省份固定效应。列(2)和列(5)分别在列(1)和列 (4)的基础上增加了年龄、年龄的平方、年龄的立方、性别、教育水平、婚姻等个体控制变量。列(3)和列(6)分别在列(2)和列(5)的基础上控制了人均GDP、人均财政支出、老年人口比、医院数量、三级医院比例等地区控制变量。

表2列(1)～列(6)中width=79,height=20,dpi=110的系数估计值都是显著为负的，经济意义也比较接近。可见，受到先期改革影响的患者样本并没有对政策效应的估计造成重大影响。添加个体和地区控制变量也没有改变回归结果，回归结果是稳健的。根据列(6)，药占比每增加10个百分点，改革后，width=52,height=17,dpi=110等于均值的患者的总医疗支出将显著增加width=243,height=20,dpi=110的系数估计值表明，在此基础之上，width=52,height=17,dpi=110每增加1个标准差(0.216)，总治疗费用将少增加2.98%(1-e-0.014×10×0.216)。这表明，理论部分命题Γ2成立。零加成改革对不同病情的医疗支出的影响是不均等的：相较于较重的病情，较轻病情的医疗支出出现了更大幅度的增加。

表2 零加成改革对不同病情总医疗支出的影响

width=745,height=557,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

(二)政策动态效应
本文采用下式估计零加成改革的动态效应：

lnTotal_Expihpt

=width=325,height=52,dpi=110

width=308,height=52,dpi=110
width=319,height=20,dpi=110
+θM1p+φM1t+δM2p+ηp+λt+εihpt

(14)

式中，policyyearp代表政策实施年，如果p省份当年实施了零加成改革，则本文认为该年是政策实施年。dp,t=policyyearc+τ是虚拟变量，指示相对于政策实施年的前后时期。本文以政策实施前1年为基准年。因为85.6%的省份的政策实施时间都集中于2017年，式(14)只滞后了两期。其他变量和式(13)相同。α1,τ衡量的是，相比policyyearp-1年，policyyearp+τ年药占比增加1个百分点对width=73,height=20,dpi=110等于均值的患者的影响。α2,τ衡量的是，相比policyyearp-1年，policyyearp+τ年药占比增加1个百分点带来的增量病情间差异。在政策实施前的年份，α1,τ和α2,τ都应当不显著异于0。

表3列(1)没有加入width=170,height=20,dpi=110项。可以看到，政策实施之前所有的年份，α1,τ都不显著异于0。政策实施之后，α1,τ都显著大于0，这符合平行趋势假设。

表3列(2)在列(1)的基础上加入width=170,height=20,dpi=110项。政策实施之前所有的年份，α1,τ和α2,τ都不显著异于0。而政策实施后，α1,τ显著大于0，α2,τ显著小于0。这表明，政策实施前，药占比增加1个百分点不会对width=52,height=17,dpi=110等于均值的患者产生影响，也不会带来增量病情间差异。而政策实施之后，药占比增加1个百分点，医疗支出会显著地向轻病倾斜。医疗支出再分配的确是改革的结果。

表3 零加成改革对不同病情总医疗支出的动态影响

width=375,height=956,dpi=110 width=375,height=231,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

六、机制分析
本部分从实证上验证理论部分提出的机制。

首先，考察X光/CT/MRI检查、化验、手术等重症诊疗手段在不同病情上的运用以及收入因素在其中的影响。CHARLS 2018年的调查数据没有询问分项目医疗支出和治疗手段的使用，而城市公立医院的改革又集中于2015年之后，因此不得不以县级公立医院为例进行讨论。以各省份公布《县级公立医院药品零加成改革医药价格调整方案》的年份作为政策实施的时间(4)零加成改革牵扯到了巨大的既得利益。虽然2012年国家出台《关于县级公立医院综合改革试点意见》后，很多省市都陆续宣告开始实施县级公立医院综合改革；但是，在绝大多数省份，直到价格调整和补偿方案正式出台后，取消药品加成才真正得以落地。例如，虽然广东省从2012年就开始推行县级公立医院改革试点，但该省绝大多数医院都是在价格调整方案出台后才真正启动药品零差率(岳经纶和王春晓，2016)。基于此，选用各省份价格调整方案出台的年份作为改革实施的时间。考虑到政策执行的滞后性，改革时间为第四季度的将政策实施时间记为下一年。，并去掉地级市从有下辖县开始县级改革到该时间之前的所有样本。处理之后，价格方案调整前，一省份的县级公立医院都没有实施改革，避免了先期改革医院的患者样本的影响。具体地，估计下式：

Yihpt=width=240,height=20,dpi=110

+δ4Zpt+δM2p+μpt+εihpt

(15)

Yihpt=width=225,height=20,dpi=110

width=222,height=20,dpi=110
+δM2p+μpt+εihpt

(16)

式中，下标i表示患者；t表示时间；p代表省份。M2的定义与基准回归相同。width=255,height=17,dpi=110如果t年患者就诊医院所在省份已实施县级公立医院改革则Policy1pt取1，否则取0。Yihpt表示采取手术、X光/CT/MRI检查等诊疗手段的数量(不采用上述诊疗手段，则该数量=0；采用1种诊疗手段，该数量=1；采用2种诊疗手段，该数量=2；采用3种诊疗手段，该数量=3)。width=114,height=19,dpi=110和Zpt与基准回归相同。本文控制了医院类别-省份、省份-年份固定效应，以控制随地区变化的医院类别因素和时间因素的影响。标准误聚合在省级层面上。

式(15)中，识别的关键项是Q1pt，其系数表示改革对重症诊疗手段用量的平均影响。式(16)中，Q1pt衡量改革对width=73,height=20,dpi=110等于均值的患者的影响，识别的关键项是Q1pt×Diseaseihpt，其系数γ2表示width=73,height=20,dpi=110增加1个单位增加的政策影响。如果命题Γ0成立，γ2应该小于0。

表4列(1)～列(2)是对式(15)的估计结果。两列均控制了医院类别-省份和省份-年份固定效应。列(2)在列(1)的基础上添加了个体和地区控制变量。控制个体和地区控制变量后，Q1约增大为控制前的1.5倍。根据列(2)的估计结果，药占比每增加10个百分点，改革后，重症手段的平均用量将显著增加0.200(0.020×10)，约为均值(1.751)的11.42%。这说明，药品零差率实施后，因为相对价格的变化，医生更多地转向了检查、护理、手术等重症诊疗手段。表4列(3)～列(4)是对式(16)的估计结果。两列均控制了医院类别-省份和省份-年份固定效应。列(4)在列(3)的基础上添加了个体和地区控制变量。控制个体和地区控制变量后，width=88,height=20,dpi=110的系数没有明显变化，回归结果是稳健的。

根据表4列(4)的估计结果，药占比增加10个百分点，改革后，width=52,height=17,dpi=110等于均值的患者的重症手段用量会显著增加0.190(0.019×10)，约为均用量(1.751)的10.85%。在此基础上，width=52,height=17,dpi=110每降低1个标准差(0.216)，重症手段用量将多增加0.028(0.013×10×0.216)，约为均用量(1.751)的1.60%。这些结果和命题Γ0是相符的：改革后，随着重症诊疗手段相对价格提高，它们被更多地使用了。这种变化具有病情异质性：这些更适合重症的医疗资源被更多地运用于轻病的诊疗中，扭曲了病情与医疗资源的配置。

接下来，本文对下式进行估计，考察收入的影响：

Yihpt=ζ0+ζ1Q1pt+ζ2Q1pt×Incomeihpt

width=231,height=20,dpi=110
width=246,height=20,dpi=110
width=184,height=20,dpi=110
width=266,height=20,dpi=110
+μpt+εihpt

(17)

式中，下标i表示患者；t表示时间；p代表省份。Yihpt代表采取手术、X光/CT/MRI检查等诊疗手段的数量。Incomeihpt代表患者的经济状况。当非食品支出占患者家庭非医疗支出比重≥中位数时，Incomeihpt=1，否则等于0。其他变量的定义和式(16)相同。ζ2衡量的是当width=73,height=20,dpi=110等于均值时，改革对不同收入患者的异质性影响。ζ3进一步衡量，width=73,height=20,dpi=110增加1个单位带来的增量收入异质性。

表4 零加成改革对不同病情重症诊疗手段使用量的影响

width=745,height=598,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

回归结果汇报在表4列(5)～列(6)。两列均控制了医院类别-省份和省份-年份固定效应。列(6)在列(5)的基础上添加了个体和地区控制变量。控制个体和地区控制变量后，Q1pt×Incomeihpt和width=199,height=20,dpi=110的系数都没有明显变化，回归结果是稳健的。如表4列(6)所示，药占比每增加10个百分点，改革后，在width=52,height=17,dpi=110等于均值的患者中，相比低收入患者，高收入患者的重症诊疗手段用量会多增加0.030(0.003×10)，这相当于均用量(1.751)的1.71%。在此基础上，width=52,height=17,dpi=110每降低1个标准差(0.216)，两类患者的重症手段用量差异会进一步增加0.037(0.017×10×0.216)，这相当于均用量(1.751)的2.10%。

接下来，对比患者药品支出和总支出的变动趋势，对下式进行估计：

ln(Drug_Exp+1)ihpt

=width=222,height=20,dpi=110

width=266,height=20,dpi=110
+μpt+εihpt

(18)

lnTotal_Expihpt

=width=220,height=20,dpi=110

width=266,height=20,dpi=110
+μpt+εihpt

(19)

式中，下标i表示患者；t表示时间；p代表省份。变量定义和式(16)相同。式(18)～式(19)中，Q1pt衡量的是改革对width=64,height=20,dpi=110等于均值的患者的影响。其中，识别的关键项为Q1pt×Diseaseihpt，其系数表示width=64,height=20,dpi=110增加1个单位增加的政策影响。

回归结果汇报在表5。表5列(1)～列(2)是对式(18)的估计结果，列(3)～列(4)是对式(19)的估计结果。这四列均控制了医院类别-省份和省份-年份固定效应。列(2)和列(4)在列(1)和列(3)的基础上添加了个体和地区控制变量。

对比表5列(2)和列(4)中Q1的系数估计值可以发现，药占比每增加10个百分点，改革后，width=52,height=17,dpi=110等于均值的患者的药品支出将显著降低15.63%(1-e-0.017×10)，而总医疗支出却会显著增加10.52%(e0.010×10-1)。这意味着，width=52,height=17,dpi=110等于均值的患者的非药品支出出现了大幅增长。

表5 零加成改革对不同病情分项目支出的影响

width=745,height=404,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

width=88,height=20,dpi=110的系数刻画了这种支出结构变化中的病情异质性：表5中列(2)和列width=119,height=20,dpi=110的系数估计值表明，width=52,height=17,dpi=110每增加1个标准差(0.216)，患者的药品支出将少减少8.09%(e0.036×10×0.216-1)，而总医疗支出却将少增加3.81%(1-e-0.018×10×0.216)。

以上正是命题Γ1所揭示的，受重症诊疗手段在病情间错配的影响，相比轻病，改革后，重病对重症诊疗手段的支出增长得更为缓慢，甚至有所下降。

七、稳健性检验
(一)诊疗手段使用量
通过换用Poisson模型重新估计式(15)～式(17)，以检验回归结果的稳健性。

回归结果汇报在表6。列(1)中Q1的系数估计值代表改革对重症诊疗手段用量的平均影响。它表明，地区药占比每增加10个百分点，改革后重症诊疗手段的平均用量会增加44.77%(e0.037×10-1)，这约相当于表4列(2)相应估计结果的4倍。药品零差率实施后，医生的确更多地转向了检查、护理、手术等重症诊疗手段。

根据表6列(2)，药占比每增加10个百分点，width=52,height=17,dpi=110等于均值的患者的重症诊疗手段用量会显著增加47.70%(e0.039×10-1)，约为表4列(4)相应估计结果的4倍。这可能是因为因变量的均值(1.751)较小，从而数量上的较小变化将带来增长率的较大差异。在此基础上，width=52,height=17,dpi=110降低1个标准差(0.216)，患者对这些重症诊疗手段的用量将多增加1.74%(e0.008×10×0.216-1)。这和表4列(4)的估计结果是相当的。

根据表6列(3)，药占比每增加10个百分点，width=52,height=17,dpi=110等于均值的患者中，相比低收入患者，高收入患者的重症手段用量会多增加1.01%(e0.001×10-1)。在此基础上，width=52,height=17,dpi=110每降低1个标准差(0.216)，两类患者的重症手段用量差异会进一步增加2.18%(e0.010×10×0.216-1)。这和表4列(6)的估计结果也是相当的。

表6 零加成改革对不同病情重症诊疗手段使用量的影响(Poisson模型)

width=375,height=674,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

(二)患者构成的变化
值得关注的问题是，改革后医院的患者构成是否发生了变化。如果大量重病患者因为药费降低涌入改革后的公立医院，使医院疲于应对，也可能造成重病患者的医疗服务利用相对减少的情况。基于这种考虑，本文将估计下式，考察改革是否导致医疗机构平均病情严重程度发生变化：

width=79,height=23,dpi=110
=φ0+φ1Q1pt+φ2Q2pt+φ3XiM1pt+φ4Zpt+θM1p

+φM1t+δM2p+μpt+εiM1pt

(20)

式中，下标i表示患者；t表示时间；p代表省份。M1表示医院类型。民营医院，M1取0；县级公立医院，M1取1；城市公立医院，M1取2。M2定义与基准回归相同。width=275,height=20,dpi=110民营医院没有受到改革的影响，Policy0pt=0。如果患者就诊医院为改革后的县级公立医院，Policy1pt取1，否则取0。如果患者就诊医院为改革后的城市公立医院，Policy2pt取1，否则取0。如果Q1pt的系数φ1显著异于0，说明改革后县级公立医院的平均病情严重程度发生了变化。而如果Q2pt的系数φ2显著异于0，则说明改革后城市公立医院的平均病情严重程度发生了变化。

本文控制了医院类型-省份、医院类型-年份、医院类别-省份和省份-年份固定效应，以控制随时间变化的医院特征因素和地区因素的影响以及存在地区差异的医院特征因素的影响。标准误聚合在医院类型-省份层面上。

回归结果汇报在表7。表7列(1)～列(3)中φ1和φ2的估计值都不显著异于0。在县级和城市公立医院中，改革都没有导致患者的平均病情严重程度发生变化。实证结果没有受到这一因素的影响。

表7 零加成改革对不同医院平均病情严重程度的影响

width=375,height=381,dpi=110
注：***，**和*分别表示在1%，5%和10%的水平下显著。由于篇幅限制，本表中未报告个体控制变量和地区控制变量的回归结果，如有需要请向笔者索取。

八、结论与政策建议
以可控的成本提供足量、优质且结构合理的医疗卫生服务对医疗效率至关重要。然而，现实数据却表明，2009年新医改实施以来，医疗支出的结构明显地向轻病倾斜。医疗支出在病情间的分配反映了医疗资源在病情间的配置，这一趋势非常值得重视，值得深入探讨。

本文以药品零加成改革为例，引入患者在收入、病情上的二维异质性，讨论公立医院价格调整如何引起了医疗资源在病情间配置的变化，为理解新医改以来医疗支出向轻病患者的流动提供一种可能的解释。

理论分析表明，在信息不对称的情况下。医生会权衡财务收益与偏离完全信息下改换诊疗手段的门槛病情带来的负效用，来选择治疗方案。当更适合重症的诊疗手段带来的增量收益增加时，医生会改变采用这些诊疗手段的病情门槛。这种改变依据患者的贫富差异而有所区别:对于富裕但病情较轻的患者，更多地降低病情门槛，因为此时收益增大而医生的负效用较低；对于贫穷但病情较重的患者，相对较少地降低病情门槛，因为此时医生的负效用较高。这种微观选择行为造成了医疗资源与病情的错配和医疗支出向轻病的倾斜。

随后，本文采用双重差分的方法从实证上讨论了零加成改革对医疗支出在病情间分配的影响并对前述理论机制进行了验证。实证结果表明，药占比每增加10个百分点，病情严重程度等于均值的患者的总医疗支出将显著上升5.13%。在此基础上，患者病情严重程度每增加1个标准差，总治疗费用将少增加2.98%。这表明，零加成改革的确导致了医疗支出向轻病的倾斜。进一步的机制分析表明，重症诊疗手段在病情间的错配是造成这一趋势的重要原因。

根据本文的理论和实证分析，造成医疗资源与病情错配和医疗支出向轻病倾斜的主要原因是：其一，诊疗手段相对价格变化，激励医方增加对重症诊疗手段的使用；其二，患者收入差异影响了使用这些重症诊疗手段的病情门槛，进而影响了医疗服务的供给。

本文对相关政策的制度有如下启示：第一，可以通过改革薪金支付方案，改变医疗服务的收益结构，激励医生将对重症更有益的诊疗手段优先用于重病患者的治疗上；第二，需要重视医疗服务利用不平等的问题，用医疗补贴等手段促进低收入患者合理利用医疗资源。

参考文献

陈醉、宋泽、张川川，2018：《医药分开改革的政策效果——基于医疗保险报销数据的经验分析》，《金融研究》第10期。

杜创，2013：《价格管制与过度医疗》，《世界经济》第1期。

刘小鲁，2012：《我国劝诱性医疗的成因:管制、市场结构还是信息不对称?》，《经济评论》第2期。

岳经纶、王春晓，2016：《堵还是疏：公立医院逐利机制之破除——基于广东省县级公立医院实施药品零差率效果分析》，《武汉大学学报(哲学社会科学版)》第2期。

Abaluck，J.，L.Agha，C.Kabrhel，A.Raja，and A.Venkatesh，2016，“The Determinants of Productivity in Medical Testing：Intensity and Allocation of Care”，American Economic Review，106(12)：3730-3764.

Arrow，K.J.，1963，“Uncertainty and the Welfare Economics of Medical Care”，American Economic Review，53(5)：941-973.

Baicker，K.，E.S.Fisher，and A.Chandra，2007，“Malpractice Liability Costs and the Practice of Medicine in the Medicare Program”，Health Affairs，26(3)：841-852.

Blumenthal，D.，and W.Hsiao，2005，“Privatization and Its Discontents—The Evolving Chinese Health Care System”，The New England Journal of Medicine，353(11)：1165-1170.

Chandra，A.，and D.O.Staiger，2007，“Productivity Spillovers in Health Care：Evidence from the Treatment of Heart Attacks”，Journal of Political Economy，115(1)：103-140.

Currie，J.，and W.B.MacLeod，2017，“Diagnosing Expertise：Human Capital，Decision Making，and Performance among Physicians”，Journal of Labor Economics，35(1)：1-43.

Cutler，D.，J.S.Skinner，A.D.Stern，and D.Wennberg，2019，“Physician Beliefs and Patient Preferences：A New Look at Regional Variation in Health Care Spending”，American Economic Journal：Economic Policy，11(1)：192-221.

Fu，H.，L.Li，and W.Yip，2018，“Intended and Unintended Impacts of Price Changes for Drugs and Medical Services：Evidence from China”，Social Science & Medicine，211：114-122.

Fuchs，V.R.，2004，“More Variation in Use of Care，More Flat-of-the-curve Medicine”，Health Affairs，23(S2):104-107.

Glover，J.A.，1938，“The Incidence of Tonsillectomy in School Children”，Proceedings of the Royal Society of Medicine，31(10)：1219-1236.

Johnson，E.M.，and M.M.Rehavi，2016，“Physicians Treating Physicians: Information and Incentives in Childbirth”，American Economic Journal：Economic Policy，8(1)：115-141.

McClellan，M.，B.J.McNeil，and J.P.Newhouse，1994，“Does More Intensive Treatment of Acute Myocardial Infarction in the Elderly Reduce Mortality？Analysis Using Instrumental Variables”，Journal of the American Medical Association，272(11)：859-866.

Mello，M.M.，A.Chandra，A.A.Gawande，and D.M.Studdert，2010，“National Costs of the Medical Liability System”，Health Affairs，29(9)：1569-1577.

Murphy，K.M.，and R.H.Topel，2006，“The Value of Health and Longevity”，Journal of Political Economy，114(5)：871-904.

Yip，W.C.，1998，“Physician Responses to Medical Fee Reductions：Changes in the Volume of Coronary Artery Bypass Graft(CABG)Surgeries in the Medicare and Private Sectors”，Journal of Health Economics，17(6)：675-699.

Zhang，Y.，Q.Ma，Y.Chen，and H.Gao，2016，“Effects of Public Hospital Reform on Inpatient Expenditures in Rural China”，Health Economics，26(4)：421-430.

ZERO MARK-UP REFORM UNDER INCOME INEQUALITY
——Physicians’ Strategic Response and the Reallocation of Medical Expenditure
NI Xia1 YE Chusheng2

(1.School of Economics, Southwest University of Political Science & Law;2.School of Economics and Management, Wuhan University)

Abstract:This paper focuses on how zero mark-up reform changes the allocation of medical expenditure among different diseases.In the first place, this paper uses four waves of the China Health and Retirement Longitudinal Study (CHARLS) data to conduct a difference-in-difference analysis to identify the redistribution effect of medical expenditure allocation among different diseases.The results show that, after the reform, a ten-percent rise in regional drug sale reliance will make the medical expenditure of an average patient increase by 5.13%.However, a one-standard deviation increase in the patient’s severity will make the increase of his total expenditure decrease by 2.98%.Secondly, this paper discusses and tests empirically the possible causes of this phenomenon under the framework of two-dimensional heterogeneity in income and severity.The paper shows that the zero-markup reform increases the relative price of treatments that are more suitable for severe conditions and therefore encourages physicians to overuse them.However, the usage of these treatments is quite different among patients with different income levels.High-income patients with milder conditions are more likely to use them, but low-income patients with more severe conditions are relatively less likely to use them.This micro mechanism leads to the misallocation of medical resources among different conditions.

Key words:income inequality; zero mark-up reform; relative price change; severity of diseases; medical expenditure

* 倪夏，西南政法大学经济学院，邮政编码：401120，电子信箱：nixia11@whu.edu.cn；叶初升，武汉大学经济发展研究中心、武汉大学经济与管理学院。本文得到国家社会科学基金重大项目(16ZDA006)的资助。感谢匿名评审人提出的修改意见，笔者已做了相应修改，本文本责自负。

(责任编辑：李振新)