EN中文

PROGRESS IN GEOGRAPHY >

2024 , Vol. 43 >Issue 7: 1273 - 1289

DOI: https://doi.org/10.18306/dlkxjz.2024.07.002

Articles

Spatial-temporal differentiation and driving forces of medical service resilience of prefecture-level cities in China

  • ZHANG Xuebo , 1, 2 ,
  • WU Jiangnan 1 ,
  • WANG Zhenbo , 3, * ,
  • HE Zhihao 1 ,
  • LU Bingkun 1
Expand
  • 1. School of Geography and Tourism, Qufu Normal University, Rizhao 276826, Shandong, China
  • 2. Institute of Yellow River Ecology, Qufu Normal University, Qufu 273165, Shandong, China
  • 3. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2023-11-10

  Revised date: 2024-02-05

  Online published: 2024-07-23

Supported by

National Natural Science Foundation of China(42071150)

Taishan Scholars Youth Expert Support Plan of Shandong Province(tsqn202306183)

Fold

Abstract

The resilience of medical services reflects a region's medical response ability in the face of risks. The study of the spatial-temporal differentiation and driving forces of the resilience level of urban medical services can provide a theoretical reference for the construction of healthy China. Taking 287 cities of the prefecture level and above in China as research samples and integrating the concept of resilience, this study constructed an evaluation indicator system of the resilience of urban medical services, and analyzed the spatial and temporal distribution characteristics and driving forces of the resilience of urban medical services in China from 2011 to 2021. The study found that: 1) The resilience level of urban medical services in China continued to increase year by year and overall, the spatial distribution showed a pattern of high in the coastal regions and low inland. There has been a trend towards a weakening of the regional differences, and some cities showed a certain degree of local polarization. 2) The COVID-19 pandemic has profoundly affected the resilience of urban medical services in China, which showed strong resistance and adaptability. 3) Based on the differences of dynamic factor combination, four medical service resilience driving models are identified: medical resource-oriented, fund-oriented, environment-dependent, and scientific research-dependent. 4) The resilience of medical services is influenced by many external factors. Population ageing is negatively associated with healthcare service resilience, while municipal sanitation capacity and the penetration rate of the Internet have a positive impact on the resilience of medical services. The paper analyzed the driving force model of the urban medical services resilience in China, which can provide practical reference for the construction and resilience improvement of medical services in different types of regions.

Key words： medical services; resilience; spatial-temporal differentiation; driving forces

Cite this article

ZHANG Xuebo , WU Jiangnan , WANG Zhenbo , HE Zhihao , LU Bingkun . Spatial-temporal differentiation and driving forces of medical service resilience of prefecture-level cities in China[J]. PROGRESS IN GEOGRAPHY, 2024 , 43(7) : 1273 -1289 . DOI: 10.18306/dlkxjz.2024.07.002

人民健康是中国式现代化的重要指标，医疗卫生事业的发展是人民健康的重要保障[1]。中国医疗卫生事业建设已经取得显著成就。截至2020年中国医疗卫生机构总数达到102.3万个，卫生技术人员总量增长到1354.9万人。医疗卫生资源短缺问题得到极大改善，医疗服务的可及性显著提高。但是，中国庞大的人口基数为医疗体系带来了巨大挑战[2]，且多样化和高层次的医疗服务需求，对医疗服务供给提出了更高的要求[3]。而新冠疫情特大医疗风险事件的爆发，深刻提醒中国要将健全医疗卫生应急管理能力作为提升医疗服务水平和质量的重要任务[4]。探究中国医疗卫生事业面对风险冲击时维持服务水平和质量的能力，识别并区分不同地区医疗服务韧性提升的驱动力，对于健康中国建设具有重要现实意义。
地区医疗服务能力是多学科研究的热点话题。医疗资源供给能力的评价及其空间配置是医疗服务研究的基础性议题，已有研究发现，中国医疗资源供给水平存在显著的地区差异[5-6]，而从均衡性视角的研究表明，中国医疗卫生资源的空间分布整体上趋于均衡，但在东部向中部的过渡地带形成低洼地区[7]；此外，全球尺度的研究发现，医疗人力资源供给与需求也存在显著的地区差异[8]。进一步地，学界探讨了医疗资源供给水平的提升路径，以及地区间形成水平差异的影响因素。已有研究发现，科技进步对医疗资源供给具有显著的积极性效应[9-10]；经济发展与医疗资源供给之间呈正相关关系，经济水平差异一定程度上导致了地区医疗资源供给水平的差距[11]；作为重要的公共资源，医疗资源的供给还受到政府政策和战略的影响[12-13]；近年来，伴随着全球气候变化及极端气候事件的发生，中国地区医疗服务供应与之呈现一定的时空一致性[14]。可见，医疗资源和医疗服务的供给受到经济社会和自然环境等诸多因素影响。
对地区医疗资源供给与服务的探讨正在深化机理层面的多要素影响路径及其效应研究。研究表明，医疗资源供给水平的提升会推动其他社会要素的发展，形成正反馈的因果累积循环。早期学者们主要关注数量层面的医疗资源供给提升对质量层面的医疗服务水平产生的影响[15]，近年来研究重点开始放在医疗资源供给产生的社会性影响方面。已有研究表明，加强医疗资源供给能够减轻居民医疗负担[16]，尤其对中老年病患就医具有重要帮助[17]。上述针对医疗资源供给水平的评价以及医疗服务与社会要素的互动关系研究，明晰了医疗服务水平的地区差异及其影响因素。在此基础上，学界将医疗资源供给水平的评价深化为医疗资源利用效率和医疗服务的影响机制研究。一方面，从工程建设的视角，将交通设施与医疗资源相结合，探讨医疗资源的空间可达性及其对就医效率的影响[18-19]；另一方面，强调医疗服务体制对医疗资源供给和医疗服务效率的影响，结合医疗资源配置体制、政策制度等非空间要素探讨医疗资源利用效率，如王俊豪等[20]从医疗服务体系分级分工视角探讨了医疗资源配置失衡对医疗服务效率的影响，Culley等[21]研究了紧急调度制度对于医疗效率的影响。既有研究从不同角度探究了医疗资源供给水平的区域差异、影响因素及形成机制，对于医疗服务供给和发展具有指导价值。但是，现有研究多集中于对医疗资源和医疗服务水平现状的静态评价，较少涉及医疗风险过程的动态研究。
近年来，部分学者从医疗体系的风险动态过程出发，结合韧性思想开展了医疗相关研究。韧性(resilience)一词最初来源于拉丁语，指物质所具有的恢复到最初状态的能力[22]。Holling[23]首次将此概念引入生态学的适应系统的研究之中，提出了“生态韧性”的概念。在国内外大量理论和实证探讨过程中，韧性思想经历了工程韧性、生态韧性和演化韧性3个阶段[24]，形成了自然与社会综合交叉的研究图景[25]。在社会系统的韧性研究中，演化经济地理学将韧性解释为区域各要素根据内外部环境的变化而不断调整自身结构以实现共同演进的能力[26]，反映了系统自身属性与外界风险的互动效应。这与医疗风险过程中针对疾病的动态调整与适应的能力有相似之处，因此学者们借助韧性理论研究了医疗体系的风险动态过程。但是，当前关于医疗服务和医疗系统韧性的研究仍停留在基本概念、内涵以及医疗系统韧性研究框架的构建层面[27⇓⇓⇓-31]，对于中观尺度中国城市医疗服务韧性的评价、地区差异的演变以及驱动力的研究有待廓清。
基于此，本文以中国地级以上城市为研究基本单元，融合医疗服务和韧性的概念内涵，从应对外部冲击和自身发展的短期及长期需求角度，将静态与动态评价相结合，尝试构建包括医疗抵抗能力、医疗调整能力和医疗适应能力三个维度在内的医疗服务韧性评价指标体系，分析中国地级以上城市医疗服务韧性的时空分异特征，进而采用定量方法探究其主要驱动因素，划分医疗服务韧性驱动力类型，以期认识中国城市医疗服务韧性的现有水平、演变特征与影响因素，为健康中国建设提供理论参考。

1 医疗服务韧性评价指标体系构建

医疗服务系统在遭受外部冲击的不同阶段发挥着不同的作用，影响医疗服务韧性的主要因素也会随着时间阶段而发生变化。依据韧性理论，根据医疗服务韧性在冲击发生的不同阶段所表现出的特征，可将医疗服务韧性按时间顺序划分为三个阶段：抵抗能力、调整能力和适应能力，同时将其作为反映医疗服务韧性结构的三个维度。其中，抵抗能力和调整能力分别反映了医疗服务系统在受到外部冲击初始阶段短期的应对能力和冲击发生后一段时间内调用资源以应对和消弭冲击的恢复能力，而适应能力则反映了医疗服务系统在应对长期性风险冲击以及冲击后医疗服务对卫生风险事件的适应提升能力，表征医疗服务韧性的演化特征。
在时序表现方面，抵抗能力首先发挥作用，调整能力则表现在中长期阶段，适应能力在长期抗击风险的过程中发挥效应。但各维度在这一过程中并非独立存在，而是构成了地区医疗服务能力的有机整体。三个维度的能力相互支撑、相互依存，是医疗服务应对外部冲击时韧性发生的过程和机制的体现。抵抗能力作为医疗服务韧性的基础，是短期抵御外部冲击的关键，而调整能力和适应能力则表征了区域医疗服务抵抗力的发展潜力。当拥有较高水平的医疗抵抗能力时，调整能力和适应能力则具备效应释放的空间。与此同时，从长期来看，调整能力和适应能力会影响抵抗能力，且较高水平的调整能力和适应能力会显著提升医疗服务的抵抗能力。抵抗能力、调整能力和适应能力除表现出相互作用的关系以外，还具有路径依赖的特征。如医疗设备的完备性一方面表现为较高的抵抗力，另一方面也可能由于医疗资源的结构性固化而表现为路径锁定，从而降低了抗击风险的能力。这一潜在路径在其他两个维度以及医疗服务韧性触发的机制中均可能发生。
此外，不同地区应对外部冲击的能力具有差异性和时序性特征，对应地，对医疗服务韧性的结构提出差异化要求，这是地区应对外部冲击和医疗服务韧性的客观性特征。但是，地区不确定性外部冲击的时序性和差异性是难以预测的，在测度地区医疗服务韧性时只能假定外部冲击的一致性，将医疗服务韧性的时序性和差异性通过医疗服务韧性的发生机制予以体现。为此，在测度医疗服务韧性时，应基于多元化原则，通过选取反映医疗资源、人员、资金、科研等多个层面静态与动态、直接与间接、现状与未来等相结合的多类型要素体现医疗服务韧性的发生过程和机制。
基于上述理论思路，参考相关研究，结合数据收集的可行性，构建医疗服务韧性水平的评价指标体系(表1)，采用熵值法对指标赋权。其中，医疗服务抵抗能力是医疗服务系统的最外层防线，是暴露于风险冲击下在最短时间内发挥作用的子系统，是地区医疗服务的基本能力，其优劣程度评价的核心标准是地区医疗资源数量和质量，因此选取医疗机构设施和人员的相关指标来体现抵抗能力。此外，医学地理研究特别强调环境变化对于人类健康的影响[7]，龚胜生等[32]指出，健康与环境的关系是最基本的人地关系，环境健康风险是地理学者参与医学领域研究以及健康中国建设的一个核心领域。同时，已有大量研究表明，空气质量对于人民健康有重大影响[33]，而臭氧和可吸入颗粒物被认为是影响中国空气质量的主要因素[34]。由此，结合数据的可用性，本文选择年平均PM2.5浓度作为一个负向指标体现空气环境质量，考虑到环境与健康的直接性关联关系，将其划入抵抗能力维度。
表1 医疗服务韧性评价指标体系

Tab.1 Evaluation indicator system of medical service resilience

目标层 准则层 指标层 指标含义 指标属性 权重/%
医疗服务韧性 抵抗能力 A1 每万人医院数(个) 医疗设施基础 + 2.67
A2 每万人医院床位数(张) 医疗设施容纳量 + 5.12
A3 每万人执业和助理医师数(人) 医疗人力资源 + 8.46
A4 年平均PM2.5浓度(μg/m³) 空气环境质量 - 2.55
调整能力 A5 基本医疗保险覆盖率(%) 缓和居民承担的医疗压力 + 8.72
A6 人均GDP(元) 经济基础 + 14.44
A7 卫生支出占比(%) 政府对卫生健康的重视 + 4.41
A8 每万人公共管理和社会组织从业人员保有量(人) 社会组织和维护稳定能力 + 11.43
适应能力 A9 每万人中学教师保有量(人) 居民基本健康素养 + 2.55
A10 教育支出占比(%) 政府对教育事业的重视 + 14.12
A11 科研支出占比(%) 政府对科技发展的重视 + 3.34
A12 医药类专利申请量(件) 医药研发能力 + 22.19
医疗服务调整能力是医疗服务系统抵御冲击的内在力量，表现为在冲击未被及时消弭时的中长期上通过调用资源提高地区抵御冲击的能力，主要依靠地区经济社会综合发展水平来支撑。选取与社会经济发展和居民医疗保障有关的指标表征医疗服务的调整能力。而在医疗卫生事件的长期冲击下，社会的管理和组织能力是维持社会基本稳定、保证医疗服务系统调整应对风险的重要前提。因此选择每万人公共管理和社会组织从业人员保有量作为调整能力的一个指标。
医疗服务适应能力是地区医疗服务系统抵御冲击的长效动力和未来潜力，主要依靠地区经济社会发展带来的居民综合素质和科学技术能力等人文要素发挥作用。已有研究认为，高中教育以培养学生基本文化素质为目的，有利于提升学生吸收、判断和处理基本健康信息的能力，进而体现了居民的基本健康素养[35]。地方教育水平在一定程度上能够体现居民的科学文化素质。提高教育水平，尤其是中学阶段的基础教育水平能够提升居民科学应对医疗风险事件的能力，降低医疗风险造成的健康损失。鉴于此，本文选取“每万人中学教师保有量”和“教育支出占比”两个指标，从教育人力资本和教育资金投入两方面评估城市居民基本健康素养，作为医疗服务韧性适应能力的居民素质指标。科学技术尤其是技术创新被认为能够有效推动医疗服务的发展[36]，由此本文选取科技支出占比和医药类专利申请量反映当地科研技术尤其是医药科研能力，以此作为适应能力的科研技术指标。

2 方法与数据

2.1 研究方法

2.1.1 核密度估计

核密度估计是一种典型的非参数估计方法，它将核平滑原理运用于概率密度估计中，能够以核权重估计变量的概率密度函数，最终达到分析变量变化趋势的目的。本文采用此方法分析中国城市医疗服务韧性的演化趋势。具体计算方法详见参考文献[37]。

2.1.2 空间自相关分析

空间自相关分析是一种结合空间权重矩阵来计算变量在地理空间上的集聚特征的方法，可分为全局自相关和局部自相关。本文采用此方法探究中国城市医疗服务韧性的整体空间格局及个别地区的特殊集聚状态。莫兰指数的计算及显著性检验方法详见参考文献[38-39]。

2.1.3 Weaver-Thomas模型

Weaver-Thomas (WT)模型是一种探究影响因素组合方式的有效方法。其原理是比较观测变量实际组合比例与假想最佳比例之间的方差值，确定最小方差值的实际组合比例为变量影响因素的最佳组合方式。本文采用此方法分析医疗服务韧性的内生驱动力。WT组合指数计算公式如下：
W T i j = ∑ i = 1 m C n i - 100 x i j ∑ i = 1 m x i j 2
C n i = 100 i ( i ≥ n ) 0 ( i < n )
式中：按照《中国城市统计年鉴2022》所列城市的顺序对每个城市进行编号，编号为i；m为指标数量；x为城市医疗服务韧性测度值；WTij表示第i个城市的第j项指标的WT组合指数；n为对所有样本医疗服务韧性测度值从大到小排序后的城市位次；C为城市编号与其韧性数值位次对比权衡后的取值。
参考陈修颖等[40]的研究，通过计算各指标的比重，按照由大到小的顺序排列来确定实际组合比例，计算各种组合方式与假想组合比例的方差值，将最小方差值的组合方式作为城市医疗服务韧性主要驱动力的组合方式。以2011年北京为例，如表2所示，对比从一元驱动到十二元驱动的所有组合类型实际组合与假想组合的方差值(即WT组合指数)，当方差值(S 2)最小时的驱动力实际组合比例即为最佳组合比例。
表2 医疗服务韧性驱动力WT组合指数计算实例(以2011年北京为例)

Tab.2 Calculation example of WT index for medical service resilience drivers (Beijing in 2011)

要素组合类型 计算方式 A12 A8 A10 A3 A6 A2 A5 A11 A7 A4 A9 A1
一元驱动 Xi 21.40 15.63 13.16 11.54 10.09 7.88 4.96 4.84 4.83 3.23 2.12 0.32
X 100 0 0 0 0 0 0 0 0 0 0 0
(Xi-X)2 6177.34 244.29 173.07 133.16 101.84 62.15 24.56 23.43 23.35 10.46 4.47 0.10
S2 6978.22
二元驱动 Xi 21.40 15.63 13.16 11.54 10.09 7.88 4.96 4.84 4.83 3.23 2.12 0.32
X 50 50 0 0 0 0 0 0 0 0 0 0
(Xi-X)2 817.73 1181.31 173.07 133.16 101.84 62.15 24.56 23.43 23.35 10.46 4.47 0.10
S2 2555.63
三元驱动 Xi 21.40 15.63 13.16 11.54 10.09 7.88 4.96 4.84 4.83 3.23 2.12 0.32
X 33.33 33.33 33.33 0 0 0 0 0 0 0 0 0
(Xi-X)2 142.23 313.29 407 133.16 101.84 62.15 24.56 23.43 23.35 10.46 4.47 0.10
S2 1246.04
……
十二元驱动 Xi 21.40 15.63 13.16 11.54 10.09 7.88 4.96 4.84 4.83 3.23 2.12 0.32
X 8.33 8.33 8.33 8.33 8.33 8.33 8.33 8.33 8.33 8.33 8.33 8.33
(Xi-X)2 170.93 53.29 23.29 10.30 3.10 0.20 11.38 12.17 12.24 25.97 38.62 64.19
S2 425.68

注：Xi为降序排列的各增长动力实际组合比例，X为假想的组合比例。

2.1.4 外部影响因素分析

作为社会公共服务中的重要组成，医疗卫生受到经济、社会、制度文化以及生态环境等诸多因素的影响。本文在医疗服务韧性评价的指标体系中纳入了社会经济、科技水平、居民素质等维度的相关指标，作为内在驱动力评价城市医疗服务韧性。然而，仍有相关外部因素驱动或影响了城市医疗卫生建设。参考既有相关研究，本文从人口结构、市政建设和信息技术3个维度选取相关指标，探讨城市医疗服务韧性的外部影响因素。参考已有研究[41]，构建如下计量模型：
R e s i l i e n c e i , t = α + ∑ β k X i , t - 1 k + δ Y e a r t + μ C i t y i + ε i , t
式中：Resiliencei,t为因变量，表示城市i在第t年的医疗服务韧性； X i , t - 1 k为自变量，表示外部影响因素，本文将滞后一期的数据作为自变量，以避免变量双向因果关系导致的内生性干扰，k为第k个指标； Y e a r表示时间效应；City表示城市个体效应； α为常数项； β k、 δ、 μ分别为各变量系数； ε i , t为随机扰动项。
外部影响因素的具体指标选择及其依据如下。1) 人口结构。本文从人口密度(Density)和人口老龄化(Aging)两个方面探究人口结构对医疗服务韧性的影响。其中，人口密度从人口集聚程度的角度体现了医疗服务的需求和供给压力，已有研究将其作为城市人口健康韧性的评价指标[42]。人口老龄化不仅影响老年人口个体的健康状况，而且伴随老龄化的发展，其成为全社会卫生健康的重要影响因素，深刻影响医疗服务韧性本身的脆弱性以及对外部风险的敏感性。已有研究结合新冠疫情背景探究了人口老龄化造成传染病的脆弱性暴露问题[43]。2) 市政建设。市政建设能力是衡量城市韧性水平的因子之一，已有研究发现，新冠疫情期间科学高效的垃圾运管策略有利于疫情防控[44]。城市绿色空间能为居民提供休憩活动空间，有利于居民身心健康发展[45]。为此，本文从市政环卫能力(Sanitation)和人均绿地面积(Green)两方面探究市政建设对于城市医疗服务韧性的影响。3) 信息技术。互联网信息技术的发展加快了医疗健康知识的传播，成为医疗健康信息共享的有效手段[46]，“互联网+”更是为医疗诊断和服务提供了高效的平台，有效提高了居民的就医效率[47]。本文通过计算互联网宽带接入户占常住人口的比重表征城市互联网普及率(Intel)，体现网络信息的发达程度。最终选择了上述5个指标作为医疗服务韧性的外部影响因素(表3)。另外，本文对包括内在驱动力和外部潜在影响因素在内的17个变量进行了多重共线性检验，结果显示方差膨胀因子(VIF)均低于5，取值范围在1.12~3.94，平均VIF为2.04。由此，可判断变量之间不存在严重多重共线性问题。
表3 外部影响因素指标体系

Tab.3 Indicator system for external influencing factors

维度 指标 计算方式 单位
人口结构 Density 常住人口总数/城市行政面积 人/km2
Aging (常住人口65岁及以上人数/常住人口总数)×100% %
市政建设 Sanitation 市容环卫专用车辆设备总数/常住人口总数 辆/万人
Green 城市绿地面积/常住人口总数 m2/万人
信息技术 Intel 互联网宽带接入户数/常住人口总数 户/100人

2.2 数据来源

研究样本选择了中国287个地级以上城市①(①受数据收集难度影响，研究区域暂未包含自治州、盟、地区和直辖县等地级行政单元，以及港澳台地区城市，并且剔除了研究期内发生过较大行政变动的城市(莱芜市、巢湖市)和数据量较小的三沙市。)，研究时间段为2011—2021年。研究所用数据主要来源于《中国城市统计年鉴》《中国人口和就业统计年鉴》《中国城市建设统计年鉴》、各城市统计年鉴、统计公报和人口普查公报以及卫健委公布的相关统计数据。专利数据来源于国家知识产权局官网。

3 地市医疗服务韧性的时空分异

3.1 地市医疗服务韧性的时序变化

中国城市医疗服务韧性的整体水平长期保持增长态势，但在疫情期间表现出异常现象。如图1所示，2011—2019年核密度曲线持续右移，表明医疗服务韧性水平持续增强，而曲线宽度基本保持不变，且峰值的不断下降则说明医疗服务韧性的城市间整体差距不断增大。2020年核密度曲线表现出异常变化现象，曲线大幅度右移且峰值急剧上升，表明此时中国城市医疗服务韧性水平大幅度提升，并且城市间整体差距明显缩小。新冠疫情自2019年底开始显露，2020年上半年开始在全球范围内爆发。这一突发的卫生安全事件在给中国医疗卫生行业带来了巨大挑战的同时，又成为激活中国医疗服务韧性的契机。中国对疫情发生地采取有序封控的对策，积极调配医疗资源及时遏制了疫情传播，并且对疫情发生地进行严格的核酸检测，及时检测疫情动向。在整个疫情期间中国的政策、资金、资源都尽最大努力向医疗卫生行业靠拢，这极大提高了地区医疗服务韧性，并且各地区几乎同步的紧急防控措施缩小了城市间医疗服务韧性的差距。而在长达一年的紧张管控之后，疫情发生地医疗状况基本稳定，不同地区开始逐渐实行差异化的防控政策，医疗韧性的城市差异开始显现。紧张状况的缓解也使得各方面要素向医疗卫生行业的集中程度降低，从而使中国医疗服务韧性水平出现下降的情况，在图1中表现为2021年曲线的左移和峰值的下降。中国疫情防控工作的不断调整及其表现出的医疗服务韧性变化过程体现了医疗服务韧性在风险发生不同阶段的动态演进特征。
图1 核密度曲线

Fig.1 Kernel density curve

长期来看，中国医疗服务韧性呈现少数高水平城市领先而多数城市相对落后的状况。如图1所示，核密度曲线波峰集中分布于左半边，医疗服务韧性普遍低于20，核密度值集中分布在医疗服务韧性值10~20的区间，城市之间的差异普遍在10以内。这表明中国多数城市医疗服务韧性水平相对落后，且城市之间差距较小，整体均衡性较强。曲线右侧拖尾较长，说明部分城市高水平领先，医疗服务韧性值甚至大于40，大多数城市与之具有显著差距。然而，拖尾部分的核密度值明显较低，表明中国城市医疗服务韧性不存在高水平收敛现象，绝大多数城市医疗服务韧性水平相对较低。对比不同年份曲线发现，核密度曲线形状随时间变化基本稳定，即使在疫情期间也没发生明显的变化，这表明上述特征在中国地级以上城市医疗服务韧性的发展过程中长期存在。

3.2 地市医疗服务韧性的空间差异

运用ArcGIS软件对核密度进行地理加权，分析核密度的地理分布情况。为了保证图片的清晰度，本文并未呈现所有年份的核密度分布图，而是选取2011、2014和2018年3个分布较为均匀且具有代表性的年份反映医疗服务韧性的长期变化，选取2019、2020和2021年3个连续的年份反映医疗服务韧性在新冠疫情这一特殊时期的变化情况。
图2显示，珠江三角洲地区成为中国医疗服务韧性高水平地区的主要中心，长江三角洲地区形成了次级中心。此外，太原、郑州、西安、武汉、长沙、成都等省会城市形成了更低等级的小规模中心。通过不同年份对比发现，中国中部地区以省会城市为中心形成医疗服务韧性强中心的趋势不断加强，尤其是2020年，以郑州、武汉、长沙和成都这4座城市为中心的现象已经十分明显；但在2021年时这种现象又急剧衰退，中部地区的中心分布态势基本回到了2019年的状况。
图2 2011—2021年中国地级以上城市医疗服务韧性核密度分布

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作，底图无修改。图3同。

Fig.2 Kernel density of the resilience of medical services in prefecture-level cities in China during 2011-2021

对比沿海和内陆地区发现，沿海地区形成了以城市群为集聚地的高医疗服务韧性水平中心，而内陆地区则以省会城市为中心，且规模较小。同时在整个沿海地区形成了高医疗服务韧性水平的延伸地带，内陆地区则呈现零散分布。这表明中国沿海地区医疗服务韧性水平相对较高，并且已经进入以城市群为主导的多城市协同发展阶段。而内陆地区水平较低，尚处于单一城市为中心的极化发展阶段。对各年份城市医疗服务韧性水平进行排序，排名结果佐证了这一结论。如表4所示，可见各年份排名中诸如北京、上海、深圳等沿海城市稳居前列，而排名后5位以内陆城市为主。
表4 各年份医疗服务韧性排名情况

Tab.4 Ranking of medical service resilience by years

年份 排名前5位 排名后5位
2011 东莞、深圳、北京、上海、中山 郑州、毕节、亳州、滁州、阜阳
2012 深圳、东莞、上海、北京、苏州 宿州、亳州、荆州、昭通、毕节
2013 深圳、东莞、北京、上海、苏州 中卫、亳州、保定、信阳、眉山
2014 深圳、东莞、北京、上海、云浮 亳州、昭通、固原、阜阳、衡水
2015 深圳、东莞、青岛、北京、上海 固原、昭通、亳州、衡水、绥化
2016 北京、深圳、上海、东莞、成都 固原、绥化、昭通、亳州、衡水
2017 北京、上海、成都、深圳、东莞 固原、绥化、邵阳、来宾、四平
2018 北京、深圳、上海、东莞、沈阳 固原、崇左、宿州、绥化、陇南
2019 北京、上海、深圳、武汉、郑州 宿州、崇左、固原、绥化、昭通
2020 上海、武汉、成都、郑州、重庆 梧州、陇南、潮州、崇左、宿州
2021 上海、深圳、东莞、成都、武汉 固原、绥化、铁岭、崇左、来宾
中国地级以上城市医疗服务韧性存在结构性差异。表4显示，疫情期间尤其是2020年疫情初次大规模爆发时，沿海地区原本医疗韧性较强的城市表现出较大幅度的韧性下滑现象，如北京、深圳等城市位序下降，但内陆地区部分城市医疗服务韧性则有较大的提升，如武汉、成都、郑州、重庆等城市。2021年这一现象有所减弱，深圳、东莞这两个沿海城市恢复了前五名的地位。可见，沿海地区经济社会发展程度相对较高的城市在面对突发卫生事件时，其医疗服务韧性的结构特征使其在最初阶段表现出相对脆弱性，但能通过及时有力调整得以恢复。而内陆地区部分城市，在医疗卫生事件爆发的初期表现出一定抵抗力，但在后续的调整适应方面却显示了不足。

3.3 地市医疗服务韧性的空间集聚特征

3.3.1 全局空间自相关分析

中国地级以上城市医疗服务韧性水平具有正向型空间集聚特征，但集聚程度呈减弱的趋势。表5显示，2011—2021年全局莫兰指数一直为正值，且全部通过了显著性检验。全局莫兰指数虽有少量波动，但在整体上呈现降低趋势。这表明中国医疗服务韧性在整体上呈现正向型集聚特征，但随时间推移，这种正向型的空间集聚现象明显弱化。结合前文核密度分布可以判断，医疗服务韧性在区域尺度上的集聚和整体差异的现象有所减弱，而城市个体之间的水平差异有增强趋势，尤其是内陆地区以省会城市为代表的个别城市形成韧性水平的极化中心，与周边城市形成明显差距。中国各城市的医疗服务韧性呈现极具多样化的发展方向和水平。
表5 2011—2021年中国地级以上城市医疗服务韧性全局空间自相关结果

Tab.5 Global spatial autocorrelation of the resilience of medical services in prefecture-level cities in China during 2011-2021

年份 I Z P
2011 0.1258 15.4798 <0.001
2012 0.1344 16.4781 <0.001
2013 0.1244 15.5101 <0.001
2014 0.1349 16.5169 <0.001
2015 0.0826 10.2770 <0.001
2016 0.0787 9.8055 <0.001
2017 0.0674 8.4632 <0.001
2018 0.0589 7.4521 <0.001
2019 0.0495 6.3136 <0.001
2020 0.0127 1.9392 <0.001
2021 0.0752 9.3525 <0.001

3.3.2 局部空间自相关分析

中国地级以上城市医疗服务韧性存在明显的地域分异现象。局部空间自相关LISA集聚图(图3)反映了中国地级以上城市医疗服务韧性的局部集聚状况，可以发现，东部沿海地区形成多个高值集聚区，而广大的中部和西南部地区则成为医疗服务韧性的低水平集聚区。对比年份变化发现，随时间推移沿海地区长期保持高水平的集聚现象，同时内陆地区的低水平集聚现象也得到明显改善。而与中部内陆地区的发展恰恰相反的是东北地区医疗服务韧性持续衰弱，从最初以不显著集聚特征为主已经演变为完全的低水平集聚区域，可见东北地区经济社会的持续衰落对于该区域的医疗服务韧性也造成了较大影响。
图3 2011—2021年中国地级以上城市医疗服务韧性局部空间自相关分布

Fig.3 Local spatial autocorrelation of the resilience of medical services in prefecture-level cities in China during 2011-2021

中国城市医疗服务韧性在区域内部也存在明显的分异现象。东部沿海地区以珠江三角洲和长江三角洲这两大城市群为核心形成高水平集聚区，但在城市群外围呈现了低水平集聚的状况。如2021年珠江三角洲附近，福建省全域形成了较为明显的“低—高”型集聚区。表明东部沿海地区在形成多个高水平集聚区的同时仍然存在医疗服务韧性水平相对较低的区域。也说明了中国沿海地区以城市群为载体驱动的医疗服务韧性可能存在空间上的界限，依然保持着较为明显的“中心—外围”现象。中部内陆地区则在整体上形成了低水平集聚区，但在区域内部仍存在零散分布的医疗服务韧性水平相对较高的城市，如郑州、成都、长沙等城市表现出“高—低”集聚特征。可见，中国地级以上城市医疗服务韧性存在复杂的空间分异现象，既有高水平和低水平在整体区域上的分异，又存在区域内部不同水平的混合分布现象。这一状况下，如何保证医疗服务韧性相对高水平城市的持续发展，并弥补低水平城市的差距应是中国医疗服务韧性区域协调发展的重点目标。

4 地市医疗服务韧性的内部驱动力

4.1 动力要素组合特征

利用多年份驱动要素组合类型从指标层面分析影响中国地级以上城市医疗服务韧性的驱动要素组合特征。结果显示，研究时段内WT模型组合指数六元及以上驱动类型的样本量为2927条，占总样本量的93%。可见，多元要素驱动是中国地级以上城市医疗服务韧性形成的主要特征。
中国地级以上城市医疗服务韧性的形成具有多要素驱动的显著特征。图4a和图4b显示，在全年份样本量和分年份样本量两个方面，均表现了城市数量随驱动力要素多样性的增加先增长后减少的倒“U”型变化的特点，且基本在八元驱动处达到最大值，体现了要素驱动的多样性。驱动要素数量的倒“U”型曲线呈现出以八元驱动为轴线的正态分布形式，表明中国地级以上城市医疗服务韧性驱动力组合呈现一定的均衡性特征。图4c和图4d呈现了地级以上城市医疗服务韧性从六元驱动至十元驱动其医疗服务韧性平均值和中位数的变化情况，可见数值偏向十元驱动，体现了驱动要素的多样性特征。动力要素的多样化有利于维持地级以上城市医疗服务韧性的稳定增长。
图4 中国地级以上城市医疗服务韧性驱动力要素的多样性

Fig.4 Diversity of driving factors of the resilience of medical services in prefecture-level cities in China

4.2 韧性维度结构特征

医疗服务韧性的准则层分为抵抗能力、调整能力和适应能力三个维度，各维度表征了韧性的不同涵义。因此，医疗服务韧性的各维度及其结构在研究期内可能表现了不同的特征。依据前两位动力要素的组合形式，将不同城市医疗服务韧性划分为6种结构类型，分别为“抵抗—抵抗”型、“抵抗—调整”型、“抵抗—适应”型、“调整—适应”型、“调整—调整”型和“适应—适应”型。6种结构类型全年份样本量分别为117、1156、265、1159、310、150个。可见单一维度类型数量相对较少，多维度复核驱动是中国城市医疗服务韧性的主要形式，且以“抵抗—调整”型和“调整—适应”型等两种类型为主。带有调整能力的结构类型样本量共计2625条，占总样本量的83%，说明调整能力在中国城市医疗服务韧性中发挥重要作用，提升医疗服务经济动力和社会管理组织能力应是中国地级以上城市维持医疗服务韧性提升的重要策略。
计算各种类型城市的医疗服务韧性变化量，分析韧性各维度随时间变化的趋势。结果表明，中国城市医疗服务韧性发展对于抵抗能力的依赖程度有所降低，而调整能力和适应能力的作用越发突出。表6显示，从2011—2019年的长期变化来看，“抵抗—抵抗”型的平均变化量由2011年的0.8695降低到2019年的0.5381，“调整—调整”型的平均变化量则由2011年的0.4054增长到2019年的0.6834。形成此现象的原因可能是，中国已经基本解决医疗资源存量短缺的问题，随着医疗卫生行业的持续发展，抵抗能力提升驱动医疗服务韧性的边际效应呈下降趋势，调整能力和适应能力的作用逐步发挥。但是，大多数城市仍处于经济推动医疗服务韧性增长的阶段，只有少数城市进入医疗科研阶段，中国尚处于以科技推动医疗服务韧性增长的起步阶段。
表6 不同结构类型城市医疗服务韧性平均变化量

Tab.6 Average change of medical service resilience in cities of different structural types

结构类型 2011年 2012年 2013年 2014年 2015年 2016年 2017年 2018年 2019年 2020年 2021年
抵抗—抵抗 0.8695 1.0189 -0.8445 0.7751 -0.3903 -0.1064 -0.1589 0.1396 0.5381 1.2886 0.5982
抵抗—调整 0.8041 0.6445 -0.4369 0.6986 -0.0774 0.4546 -0.1130 0.2407 0.5075 1.1661 -0.2302
抵抗—适应 0.8554 1.1308 -0.2783 0.2334 1.9900 1.1188 0.2870 0.9277 0.9968 -1.4145 0.5686
调整—适应 0.4922 0.7558 -0.3999 1.0638 -0.1658 0.7974 0.0624 0.8807 0.4657 1.0097 -0.3941
调整—调整 0.4054 1.8541 1.0373 1.2247 -0.8309 0.3399 -0.0027 0.4006 0.6834 0.8790 0.0449
适应—适应 0.8877 1.5586 0.0047 0.8072 -0.0632 2.4848 0.5905 1.8502 0.8609 -2.3314 -2.2826

注：结构类型为两种维度的组合，而非排列。

从2020年新冠疫情发生后的时期来看，韧性的结构类型又转向为以抵抗能力为主。说明面对突发风险时，以医疗物资和人员供应为主的短期抵抗力是医疗服务韧性的主要体现，调整和适应能力的医疗服务韧性较弱。如表6所示，2020年平均变化量中“抵抗—抵抗”型数值最高(1.2886)，“适应—适应”型数值最低(-2.3314)。由此可见，医疗资源现有存量对于抵御突发风险有着至关重要的作用，经济动力和科技研发带来的调整适应能力在短期内发挥的韧性作用稍弱。因此，在着力提升医疗科技研发的同时，仍不能忽略医疗资源的供给。并且，应探寻经济投入和科研成果高效转化为医疗资源的途径，确保三维能力的协调发展是维持医疗服务韧性良性发展的关键。

4.3 韧性驱动力类型

根据WT模型方差分布分析城市医疗服务韧性的内部驱动力类型，依据前两位动力要素的组合，探讨医疗服务韧性增长动力的组合形式。根据指标含义划分增长动力类型，共提取了4种动力组合类型，分别为医疗资源主导型、经费主导型、环境依赖型和科研依赖型。4种类型全年份样本量合计2210条，覆盖率达到70%。其余样本组合形式较为分散，且理论分析价值不高，暂不做讨论。
(1) 医疗资源主导型。以每万人医院数、每万人医院床位数及每万人执业和助理医师数中的任意两个作为动力要素组合中的前两位。此三项指标均为医疗资源类型，以此组合作为前两位主导要素体现了医疗资源对于当地医疗服务韧性的主导作用，故划分为医疗资源主导型。以医疗资源作为医疗服务韧性的绝对主导的城市数量较少，全年份样本量共计44条，其中太原和西宁的出现频率较高。如果在不考虑主导性的条件下探究医疗资源依赖程度，将前两位动力要素中含有这三项指标的所有样本作为医疗资源依赖型，样本量上升到727条。可见，医疗服务韧性对于医疗资源有一定的依赖性，但医疗资源的主导性不强。构建良好医疗服务韧性体系需要多方面要素的共同参与。
(2) 经费主导型。以卫生支出占比、教育支出占比和科研支出占比中的任意两个作为动力要素组合中的前两位。这两项指标均体现了政府财政支出的项目情况，反映了地方政府对于医疗服务韧性发展的政策倾向和财政经费的支持力度，故划分为经费主导型。此类型城市数量较多，全年份样本量共计967条，占比达到31%。在空间分布上较为分散，沿海及内陆各省份均有分布。如2011年有石家庄、齐齐哈尔、徐州、嘉兴、安庆、上饶、淄博、许昌、茂名、桂林等；2021年有邯郸、徐州、阜阳、枣庄、开封、荆州、汕头、玉林等。从时间变化来看，城市数量有明显降低趋势，2011年有126个城市的医疗服务韧性表现为经费主导型，而到2021年仅有48个城市。这表明中国城市医疗服务韧性的发展起初依赖于政府的政策和经费支出驱动，但随着市场化进程的不断推进，多方要素介入其中，逐渐形成全方位多要素协同支撑的医疗服务韧性体系。
(3) 环境依赖型。以年平均PM2.5浓度和其余11个任意指标的组合作为动力要素组合中的前两位，体现了城市医疗服务韧性对于当地环境质量的依赖程度。此类型城市数量仅次于经费主导型，全年份样本量共计928条。城市数量在时间分布上存在较大的年度波动，2014年数量最少(45个)，2021年数量最多(122个)。环境依赖型城市数量与经济社会发展程度呈现明显的负相关关系。根据新一线城市研究所公布的2023年城市分级名单，一线、新一线、二线、三线、四线、五线城市的全年份样本总量分别为0、8、27、122、304、467个。以2021年为例，新一线城市中仅重庆市表现出环境依赖性，二线城市中仅有金华和台州两个城市保留此类型，三线、四线、五线城市的样本量分别为23、41、55个。形成此现象的原因可能是，发展程度相对较低的城市在医疗资源、财政经费和科技等方面的水平较低，对于医疗服务韧性的支撑作用相对较弱，因而凸显了空气环境质量的重要性。此外，经济发展模式也深刻影响了城市医疗服务韧性的类型，发展程度相对较低的城市产能结构相对落后，尤其是传统能源资源开发和工矿业的经济生产模式对于生态环境的破坏力较强，增加了医疗服务韧性对于环境质量的依赖程度。统计发现，在全部环境依赖型的样本量中资源型城市占比为46%，在五线城市中占比达到54%。
(4) 科研依赖型。以医药类专利申请量和其余11个任意指标的组合作为动力要素组合中的前两位。通过医药类专利申请量反映城市医疗服务韧性对于医疗科技研发能力的依赖程度，展现了城市医疗服务韧性中的长期适应能力。科研依赖型城市数量全年份样本量共计271条，分布上与环境依赖型恰恰相反，表现为城市数量与经济社会发展程度的正相关关系。一线、新一线、二线、三线、四线、五线城市数量分别为22、105、80、58、3、3个。其中四线城市中仅齐齐哈尔、聊城和德阳三个城市短暂表现出过科研依赖型，五线城市中仅牡丹江和百色两个城市。而4个一线城市全部表现出科研依赖性，其中上海市在整个研究时间段内均为科研依赖型，北京市在2011—2019年间表现为科研依赖型。可见，科研依赖型特征的形成与城市经济社会的发展密切相关。城市医疗服务韧性长期适应能力的发展既需要经济水平带来的医疗资源调整适配和社会组织能力，也依赖于居民自身健康素质和全社会的医疗科研能力。
针对城市医疗服务韧性的内部结构性差异，应当采取不同措施推动城市医疗服务韧性的提升。医疗资源主导型城市应着重加大医疗资源配置，从硬件设施供给的角度提升医疗服务韧性。经费主导型城市应加大对医疗教育、研发和医疗设施建设的经费投入，从医疗服务调整力维度提升医疗服务韧性。环境依赖型城市要注重产业结构的优化升级和低碳化高质量发展，强化生态服务供给，通过生态环境质量的提升减少对医疗服务韧性的不利损耗；科研依赖型城市要加强科研人才的扶持力度，加大科技投入，推动医疗研发，提升医疗服务的长期供给能力和适应能力。

5 地市医疗服务韧性的外部影响因素

5.1 回归结果分析

采用最小二乘法进行回归分析，结果如表7所示。其中，模型1为医疗服务韧性的整体回归结果，模型2、模型3和模型4分别为抵抗能力、调整能力和适应能力3个维度的回归结果，模型5和模型6为稳健性检验结果。
表7 多元回归分析结果

Tab.7 Multiple regression analysis results

变量 模型1
(整体回归)		 模型2
(抵抗能力)		 模型3
(调整能力)		 模型4
(适应能力)		 模型5
(稳健性检验)		 模型6
(稳健性检验)
Density -0.0006
(<0.001)		 -0.0005***
(<0.001)		 -0.0016***
(<0.001)		 0.0015***
(<0.001)		 -0.0004
(<0.001)		 -0.00008
(<0.001)
Aging -0.3983***
(0.050)		 0.0059
(0.016)		 -0.0521**
(0.019)		 -0.3521***
(0.038)		 -0.4248***
(0.051)		 -0.3288***
(0.047)
Sanitation 0.0465**
(0.018)		 0.0036
(0.006)		 0.0166*
(0.007)		 0.0263*
(0.013)		 0.0549**
(0.017)		 0.0487**
(0.016)
Green 0.0051
(0.004)		 0.0014
(0.001)		 0.0018
(0.001)		 0.0019
(0.003)		 0.0088*
(0.004)		 0.0067
(0.004)
Intel 0.0084**
(0.003)		 0.0023*
(0.001)		 0.0039**
(0.001)		 0.0022
(0.002)		 0.0252***
(0.006)		 0.0061*
(0.003)
时间效应 控制 控制 控制 控制 控制 控制
个体效应 控制 控制 控制 控制 控制 控制
调整后R2 0.8720 0.8669 0.8685 0.7648 0.8732 0.8595

注：表中模型均采用最小二乘法；除模型5采用同期数据作为自变量回归外，其余模型滞后阶数均为1；括号内为样本标准误；*、**、***分别表示在10%、5%、1%水平上显著。

由模型1可知，人口密度(Density)的回归系数为-0.0006，但未通过显著性检验，这说明没有确切证据表明人口密度与医疗服务韧性之间存在负相关关系；人口老龄化(Aging)的回归系数为-0.3983，且在1%水平上显著，表明人口老龄化与医疗服务韧性之间存在负相关关系，较高的人口老龄化水平对医疗服务韧性形成负面压力；市政环卫能力(Sanitation)的回归系数为0.0465，且在5%水平上显著，说明市政环卫能力与医疗服务韧性之间存在正相关关系，良好的市政环卫能力有利于医疗服务韧性的提升；人均绿地面积(Green)的回归系数为0.0051，但未通过显著性检验，说明没有确切证据表明城市绿色空间与医疗服务韧性之间存在正相关关系。互联网普及率(Intel)的回归系数为0.0084，且在5%水平上显著，说明互联网普及率与医疗服务韧性之间存在正相关关系，发展互联网信息技术、推动互联网普及、加快建设“互联网+医疗”有利于医疗服务韧性的提升。
分维度来看，对比模型2、模型3和模型4发现，外部影响因素对医疗服务韧性的不同维度具有差异化的影响。Density的回归系数在模型2和模型3中显著为负，但在模型4中显著为正，说明人口密度与抵抗能力和调整能力之间存在负相关关系，但与适应能力之间存在正相关关系。人口集聚程度的增加势必带来更高的医疗需求，对于抵抗能力造成更大的压力。同时，大量的人口集聚也带来了医疗资金和社会管理的压力，对调整能力产生不利影响。但是，人口有向经济发达地区流动的特点，人口集聚程度大的城市一般有较高的社会经济发展水平，其居民综合素养和社会科研能力也较高，由此形成较好的适应能力。Aging的回归系数在模型2中未通过显著性检验，在模型3和模型4中显著为负，说明没有确切证据表明人口老龄化与抵抗能力之间存在相关性，人口老龄化与调整能力和适应能力之间存在负相关关系。较高的人口老龄化程度会造成新生科研人力资源的短缺问题，影响社会科研能力的长期发展。Sanitation的回归系数在模型2中不显著，在模型3和模型4中显著为正，说明没有确切证据表明市政环卫能力与抵抗能力之间存在相关性，市政环卫能力与调整能力和适应能力之间存在正相关关系。Green的回归系数在模型2、模型3和模型4中均未通过显著性检验，表明没有确切证据表明城市绿色空间与抵抗能力、调整能力和适应能力之间存在相关性。Intel的回归系数在模型2和模型3中显著为正，在模型4中不显著，说明互联网普及率与抵抗能力和调整能力之间存在正相关关系，没有确切证据表明互联网普及率与适应能力之间存在相关性。

5.2 稳健性检验

本文从自变量和因变量两方面进行了稳健性检验。首先，改变自变量的滞后阶数，将同期数据作为自变量重新回归，结果如表7模型5所示。其次，改变因变量的测度指标，由空气流通系数替换年平均PM2.5浓度。参考已有研究[48]，采用地面10 m风速与边界层高度相乘的方式计算空气流通系数。由人均城市工业流动资产、每万人普通中学学校数分别替换人均GDP和每万人中学教师保有量。改变因变量测度指标后重新回归结果如表7模型6所示。可见，两次检验中各变量回归系数方向均保持不变，可认为外部因素对于医疗服务韧性的影响具有稳健性。

6 结论与讨论

6.1 主要结论

本文在城市医疗服务中融入韧性理念，构建了中国城市医疗服务韧性的评价指标体系，基于2011—2021年中国287个城市医疗服务指标数据，评价了中国城市医疗服务韧性水平，分析了城市医疗服务韧性的时空分异特征与驱动力，得到以下主要结论：
(1) 在时间演变方面，2011—2021年期间，中国城市医疗服务韧性保持稳定增长态势。新冠疫情的突然爆发对中国城市医疗服务韧性的时空分布格局造成了显著影响，但中国医疗服务系统面临突发风险表现出强大的韧性能力，在疫情期间仍能保持医疗服务韧性的整体增长。
(2) 在区域异质性方面，中国绝大多数城市之间的医疗服务韧性差距较小，有较强的区域均衡性。只有少数城市医疗服务韧性水平显著高于一般水平。在具体空间分布上，东部沿海地区形成以珠三角和长三角为中心的高水平地带，内陆地区大范围低水平集聚现象虽有改善，但在川陕甘一带仍有部分低水平城市。东北地区医疗服务韧性水平持续较低。
(3) 在内部驱动力方面，增长动力要素的多样性是维持医疗服务系统韧性能力的主要因素，动力要素的维度结构也是影响医疗服务韧性的重要因素，维度结构的转变是医疗服务韧性动态演进的重要驱动力。中国城市医疗服务韧性内部驱动力的组合形式表现为4种主要类型：医疗资源主导型、经费主导型、环境依赖型和科研依赖型。
(4) 在外部影响因素方面，不同因素对医疗服务韧性产生不同影响，就本文选择的5项外部因素而言，人口老龄化不利于医疗服务韧性的发展，而市政环卫能力和互联网普及率是医疗服务韧性的正向影响因素。同时，不同外部因素对于医疗服务韧性的三大维度结构有着截然不同的影响，通过影响其内部结构最终表现出对于医疗服务韧性整体水平的影响。

6.2 讨论与展望

受新冠疫情的影响，全球各地人民健康遭受了重大威胁，医疗卫生事业受到了广泛关注，学界更多地关注了医疗服务的配置和有效供给[3,6,11-12]，这也是医疗服务研究的传统视角。然而，医疗服务在突发大型公共卫生事件来临时，其应对具有过程性和阶段性，这在已有研究中关注不足。为此，本文将医疗服务与韧性理念相结合，根据潜在外部冲击事件发生的过程，从抵抗、调整和适应等3个具有连续性的阶段视角解构了城市医疗服务韧性。探究医疗服务韧性水平的时空异质性以及医疗服务面对风险冲击的动态过程，不再局限于对医疗资源或医疗供给效率的静态评价。其次，城市医疗服务韧性形成的内部驱动力存在结构性差异，为此本文选取了驱动医疗服务韧性形成的内部要素相关指标，评价了城市医疗服务韧性并划分了驱动力类型，进而对不同驱动力类型的城市医疗服务韧性提出了差异化的提升对策。最后，既有医疗服务的研究往往将医疗卫生供给作为封闭系统，更多地考虑了医疗人力资本、医疗设施以及医疗制度等内部要素对于医疗服务供给的影响[28⇓-30]，对外部因素考虑不足。为此，本文从与医疗服务韧性相关的人口结构、市政建设和信息技术方面选取指标探究了影响城市医疗服务韧性的外部因素。
本文尚存在不足之处。首先，本文采用熵值法作为指标赋权方法，虽然避免了赋权的主观性，保证了研究结果的客观性，但该方法受数据在时间上的波动性影响较大，可能对结果带来不利影响。未来应尝试主客观结合的更为合理的赋权方法。其次，本文虽从诸多维度构建了医疗服务韧性评价的指标体系，但由于研究时段较长，样本城市较多，一些体现地区医疗服务自身脆弱性的指标未能纳入指标体系。这种脆弱性可能来自于地方居民对于健康损失的敏感性、地方医疗建设和资源配置的合理性，以及医疗政策的科学性等相关层面。同时，不同地区可能面临着不同的医疗风险，同一种疾病在不同地区可能表现出不同的特征，从而对医疗服务产生差异化的需求，这在本文中未能充分考虑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
秦小琪. 习近平关于人民健康重要论述的生成渊源、理论体系及原创性贡献[J]. 理论学刊, 2023(4): 13-20.

[Qin Xiaoqi. The origin, theoretical system and original contribution of Xi Jinping's important discourse on people's health. Theory Journal, 2023(4): 13-20.]

[2]
Zhang M M, Bao Y, Yang Y, et al. Identifying attributes for a value assessment framework in China: A qualitative study[J]. PharmacoEconomics, 2023, 41(4): 439-455.

DOI PMID

[3]
张元鸣飞, 张华, 杨延砚, 等. 2016—2020年我国综合医院康复医学科医疗服务与质量安全趋势分析: 基于国家医疗质量管理与控制信息系统数据[J]. 中国康复医学杂志, 2023, 38(10): 1417-1421.

[Zhang Yuanmingfei, Zhang Hua, Yang Yanyan, et al. Analysis of medical service and quality safety trend of rehabilitation medicine in China from 2016 to 2020: Based on the data of national medical quality management and control information system. Chinese Journal of Rehabilitation Medicine, 2023, 38(10): 1417-1421.]

[4]
单珊. 党的十八大以来我国突发公共卫生事件应急管理体系建设的重大成就和重要经验[J]. 管理世界, 2022, 38(10): 70-78.

[Shan Shan. The major achievements and important experience in the construction of china's emergency management system for public health emergencies since the 18th National Congress of the CPC. Management World, 2022, 38(10): 70-78.]

[5]
郑文升, 蒋华雄, 艾红如, 等. 中国基础医疗卫生资源供给水平的区域差异[J]. 地理研究, 2015, 34(11): 2049-2060.

DOI

[Zheng Wensheng, Jiang Huaxiong, Ai Hongru, et al. Analysis of regional inequalities of basic medical resources supply in China. Geographical Research, 2015, 34(11): 2049-2060.]

DOI

[6]
俞佳立, 杨上广. 中国医疗卫生资源供给水平的区域差异及影响因素[J]. 统计与决策, 2021, 37(6): 69-72.

[Yu Jiali, Yang Shangguang. Regional differences and influencing factors of China's medical and health resource supply level. Statistics & Decision, 2021, 37(6): 69-72.]

[7]
马志飞, 尹上岗, 乔文怡, 等. 中国医疗卫生资源供给水平的空间均衡状态及其时间演变[J]. 地理科学, 2018, 38(6): 869-876.

DOI

[Ma Zhifei, Yin Shanggang, Qiao Wenyi, et al. Spatial equilibrium state and its time evolution of medical health resource supply level in China. Scientia Geographica Sinica, 2018, 38(6): 869-876.]

DOI

[8]
Gupta N, Castillo-Laborde C, Landry M D. Health-related rehabilitation services: Assessing the global supply of and need for human resources[J]. BMC Health Services Research, 2011, 11: 276. doi: 10.1186/1472-6963-11-276.

PMID

[9]
Gagnon M P, Duplantie J, Fortin J P, et al. Exploring the effects of telehealth on medical human resources supply: A qualitative case study in remote regions[J]. BMC Health Services Research, 2007, 7: 6. doi: 10.1186/1472-6963-7-6.

[10]
Kumar A, Mani V, Jain V, et al. Managing healthcare supply chain through artificial intelligence (AI): A study of critical success factors[J]. Computers & Industrial Engineering, 2023, 175: 108815. doi: 10.1016/j.cie.2022.108815.

[11]
金淑婷, 李博, 杨永春. 经济发展是否缩小区域间基本医疗卫生资源供给差距? 基于287个城市面板数据计量检验[J]. 世界地理研究, 2021, 30(1): 192-203.

DOI

[Jin Shuting, Li Bo, Yang Yongchun. Does economic development narrow the supply gap of basic medical and health resources among regions? Metrological test based on 287 urban panel data. World Regional Studies, 2021, 30(1): 192-203.]

DOI

[12]
杨曼, 刘德海. 政府主导下应急医疗物资多元化供给的随机微分博弈模型[J]. 系统工程理论与实践, 2023, 43(5): 1333-1349.

DOI

[Yang Man, Liu Dehai. Stochastic differential game model of diversified supply of emergency medical supplies led by government. Systems Engineering—Theory & Practice, 2023, 43(5): 1333-1349.]

[13]
Hammami R, Salman S, Khouja M, et al. Government strategies to secure the supply of medical products in pandemic times[J]. European Journal of Operational Research, 2023, 306(3): 1364-1387.

[14]
Zhang W, Qin C, Wu G D. Exploring the spatial spillover effects of climate change on the supply of medical and health services: Evidence from China[J]. Urban Climate, 2023, 51: 101598. doi: 10.1016/j.uclim.2023.101598.

[15]
Perrin J M, Valvona J. Does increased physician supply affect quality of care?[J]. Health Affairs, 1986, 5(4): 63-72.

PMID

[16]
王文娟, 曹向阳. 增加医疗资源供给能否解决“看病贵”问题? 基于中国省际面板数据的分析[J]. 管理世界, 2016(6): 98-106.

[Wang Wenjuan, Cao Xiangyang. Can increasing the supply of medical resources solve the problem of "expensive medical treatment"? Based on the analysis of the interprovincial panel data in China. Management World, 2016(6): 98-106.]

[17]
胡宇, 李勇, 黎婉琴. 医疗资源供给状况对我国中老年人门诊就医行为的影响[J]. 医学与社会, 2023, 36(3): 49-55.

[Hu Yu, Li Yong, Li Wanqin. Impact of medical resource supply status on the health seeking behavior of middle-aged and elderly outpatients in China. Medicine and Society, 2023, 36(3): 49-55.]

[18]
Hu J L, Yeh F Y, Tsai Y C. Regional traffic & medical services and cost efficiency of international tourist hotels in Taiwan[J]. International Business Research, 2014, 7(10): 36-46.

[19]
刘泽, 张娜娜, 程杨, 等. 青海省医疗资源配置的空间公平与效率评价[J]. 地理科学进展, 2023, 42(10): 1891-1903.

DOI

[Liu Ze, Zhang Nana, Cheng Yang, et al. Spatial equity and efficiency of medical resource allocation in Qinghai Province. Progress in Geography, 2023, 42(10): 1891-1903.]

DOI

[20]
王俊豪, 贾婉文. 中国医疗卫生资源配置与利用效率分析[J]. 财贸经济, 2021, 42(2): 20-35.

[Wang Junhao, Jia Wanwen. Resources allocation and utilization efficiency in China's healthcare sector. Finance & Trade Economics, 2021, 42(2): 20-35.]

[21]
Culley L L, Henwood D K, Clark J J, et al. Increasing the efficiency of emergency medical services by using criteria based dispatch[J]. Annals of Emergency Medicine, 1994, 24(5): 867-872.

PMID

[22]
赵瑞东, 方创琳, 刘海猛. 城市韧性研究进展与展望[J]. 地理科学进展, 2020, 39(10): 1717-1731.

DOI

[Zhao Ruidong, Fang Chuanglin, Liu Haimeng. Progress and prospect of urban resilience research. Progress in Geography, 2020, 39(10): 1717-1731.]

DOI

[23]
Holling C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4: 1-23. doi: 10.1146/annurev.es.04.110173.000245.

[24]
方叶林, 苏雪晴, 黄震方, 等. 城市韧性对旅游经济的空间溢出效应研究: 以长三角城市群为例[J]. 地理科学进展, 2022, 41(2): 214-223.

DOI

[Fang Yelin, Su Xueqing, Huang Zhenfang, et al. Spatial spillover effect of urban resilience on tourism economy: A case study of the Yangtze River Delta urban agglomeration. Progress in Geography, 2022, 41(2): 214-223.]

DOI

[25]
Pitidis V, Coaffee J, Bouikidis A. Creating 'resilience imaginaries' for city-regional planning[J]. Regional Studies, 2023, 57(4): 698-711.

[26]
李博, 曲艺, 王泽宇, 等. 长三角城市产业演化路径依赖对经济韧性的影响[J]. 地理研究, 2023, 42(8): 2036-2052.

[Li Bo, Qu Yi, Wang Zeyu, et al. Path dependence impact on economic resilience in the Yangtze River Delta, China. Geographical Research, 2023, 42(8): 2036-2052.]

[27]
宁宁, 郭杨, 钱瑜, 等. 灾难性医疗需求激增情境下卫生系统韧性概念内涵[J]. 中国公共卫生, 2022, 38(2): 131-133.

[Guo Yang, Qian Yu, et al. Conceptual connotation of health system resilience in the context of catastrophic medical surge. Chinese Journal of Public Health, 2022, 38(2): 131-133.]

[28]
周文婧, 王璐, 郭杨, 等. 灾难性医疗需求激增情境下卫生系统韧性评价指标体系构建[J]. 中国公共卫生, 2022, 38(2): 134-138.

[Zhou Wenjing, Wang Lu, Guo Yang, et al. Establishment of an evaluation index system for health system resilience in the context of catastrophic medical surge. Chinese Journal of Public Health, 2022, 38(2): 134-138.]

[29]
孙莹, 刘慧萍, 颜瑞, 等. 基于韧性和社会福利的应急医疗物资供应链均衡优化[J]. 中国管理科学, 2023, 31(8): 132-141.

[Sun Ying, Liu Huiping, Yan Rui, et al. Equilibrium optimization of the supply chain of emergency medical supplies based on resilience and social welfare. Chinese Journal of Management Science, 2023, 31(8): 132-141.]

[30]
张帆, 胡亮. 构建更为韧性的医疗卫生防疫体系策略研究: 以北京医疗卫生服务设施为例[J]. 城市规划, 2020, 44(11): 9-14.

[Zhang Fan, Hu Liang. Research on resilience improvement strategies for medical care and epidemic prevention: A case study on medical facilities in Beijing. City Planning Review, 2020, 44(11): 9-14.]

[31]
董莹, 罗静, 王玉霞, 等. 供需关联视角下特大城市医疗卫生服务网络及其空间韧性: 基于武汉市街道尺度的考察[J]. 经济地理, 2022, 42(10): 61-71.

DOI

[Dong Ying, Luo Jing, Wang Yuxia, et al. Health service network and its' spatial resilience in megacity based on the relationship between supply and demand: An investigation based on Wuhan street scale. Economic Geography, 2022, 42(10): 61-71.]

[32]
龚胜生, 王无为, 杨林生, 等. 地理学参与健康中国建设的重点领域与行动建议[J]. 地理学报, 2022, 77(8): 1851-1872.

DOI

[Gong Shengsheng, Wang Wuwei, Yang Linsheng, et al. The key fields and action suggestions of geography participating in the construction of Healthy China. Acta Geographica Sinica, 2022, 77(8): 1851-1872.]

DOI

[33]
藏媛, 郝枫. 空气质量对流动人口城市留居意愿强度的影响[J]. 软科学, 2022, 36(8): 91-99.

[Zang Yuan, Hao Feng. The influence of air quality on the intensity of migrants' urban residence intention. Soft Science, 2022, 36(8): 91-99.]

[34]
Zhao K H, Yuan Z B, Wu Y H, et al. Identification of synergistic control for ozone and PM2.5 pollution during a large-scale emission reduction in China[J]. Atmospheric Research, 2023: 107025. doi: 10.1016/j.atmosres.2023.107025.

[35]
李琳, 曾伟平. 中国城市公共健康水平的时空演化及其影响因素[J]. 地理研究, 2022, 41(10): 2760-2776.

DOI

[Li Lin, Zeng Weiping. Spatio-temporal evolution and influencing factors of urban public health level in China. Geographical Research, 2022, 41(10): 2760-2776.]

DOI

[36]
Prestia A S. Utilizing innovative technology to improve health care[J]. Nurse Leader, 2023, 21(4): e107-e110.

[37]
Parzen E. On estimation of a probability density function and mode[J]. The Annals of Mathematical Statistics, 1962, 33(3): 1065-1076.

[38]
Moran P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1/2): 17-23.

[39]
Anselin L, Florax R J G M. Small sample properties of tests for spatial dependence in regression models: Some further results[M]// AnselinL, FloraxR J G M.New directions in spatial econometrics. Berlin, Germany: Springer, 1995: 21-74.

[40]
陈修颖, 苗振龙. 数字经济增长动力与区域收入的空间分布规律[J]. 地理学报, 2021, 76(8): 1882-1894.

DOI

[Chen Xiuying, Miao Zhenlong. Spatial distribution of digital economic growth dynamics and regional income. Acta Geographica Sinica, 2021, 76(8): 1882-1894.]

DOI

[41]
虞义华, 赵奇锋, 鞠晓生. 发明家高管与企业创新[J]. 中国工业经济, 2018(3): 136-154.

[Yu Yihua, Zhao Qifeng, Ju Xiaosheng. Inventor executives and innovation. China Industrial Economics, 2018(3): 136-154.]

[42]
Liu S H, Wei H T, He J Q, et al. Assessment of urban population health resilience guided by cardiovascular and cerebrovascular diseases: A case study of Henan Province[J]. Environmental Impact Assessment Review, 2023, 103: 107248. doi: 10.1016/j.eiar.2023.107248.

[43]
Koff W C, Williams M A. Covid-19 and immunity in aging populations: A new research agenda[J]. New England Journal of Medicine, 2020, 383(9): 804-805.

[44]
李颖, 袁阿娟, 孙成双, 等. 疫情时期潜在病毒性/病毒性垃圾收运管理研究[J]. 干旱区资源与环境, 2022, 36(10): 96-103.

[Li Ying, Yuan Ajuan, Sun Chengshuang, et al. Research on the management of potential viral/viral municipal solid waste collection and transportation in COVID-19 pandemics. Journal of Arid Land Resources and Environment, 2022, 36(10): 96-103.]

[45]
Lee A C K, Maheswaran R. The health benefits of urban green spaces: A review of the evidence[J]. Journal of Public Health, 2011, 33(2): 212-222.

[46]
Scanfeld D, Scanfeld V, Larson E L. Dissemination of health information through social networks: Twitter and antibiotics[J]. American Journal of Infection Control, 2010, 38(3): 182-188.

DOI PMID

[47]
张瑞利, 王刚. “互联网”医疗服务供给: 模式比较及优化路径[J]. 卫生经济研究, 2022, 39(3): 32-37.

[Zhang Ruili, Wang Gang. "Internet +" Medical service supply: Model comparison and optimal pathway. Health Economics Research, 2022, 39(3): 32-37.]

[48]
沈坤荣, 金刚, 方娴. 环境规制引起了污染就近转移吗?[J]. 经济研究, 2017, 52(5): 44-59.

[Shen Kunrong, Jin Gang, Fang Xian. Does environmental regulation cause pollution to transfer nearby? Economic Research Journal, 2017, 52(5): 44-59.]

Options
Outlines

/

〈 〉