2024年5月13日发(作者：ghost xp纯净版系统)
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
・
7
・
武楷彪
，
董
瑜
.
基于
DEA
模型的新冠疫情防控效率评价
［
J
］
.
中华医学图书情报杂志
,2020,29
（
12
）
:7-16.
DOI
：
10.3969/j.
issn.
1671-3982.2020.
12.002
基于
DEA
模型的新冠疫情防控效率评价
武楷彪
'
^
2
，
董瑜
'
^
2
［
摘要］
使用
DEA
模型对
14
个国家的新冠疫情防控效率进行评价
，
结果显示
，
我国的医疗资源配置效率为DEA
有效
，
疫情防
控效果较好
。
作为评价样本的欧洲各国的医疗资源配置效率普遍较低
，
日本与韩国的医疗资源配置效率相对较高
，
俄罗斯的
医疗资源配置冗余最高
。
人均医疗资源数量与疫情防控效果并未呈现较强的相关性，
一些医疗资源丰富的国家还有待提升
医疗资源配置效率
。
［
关键词
］
新冠疫情
；
DEA
模型
；
效率评价
；医疗资源配置
［
中图分类号
］
R181.8
；
R-058
［
文献标志码
］
A
［
文章编号
］
1671-3982
（
2020
）
12-0007-10
Efficiency
evaluation
of
COVID
-19
epidemic
prevention
and
control
based
on
DEA
model
WU
Kai
-
biao
1
，
2
,
DONG
Yu
1
，
2
(1.
National
Science
Library
,
Chinese
Academy
of
Sciences
,
Beijing
100190,
China;2.
School
of
Economics
and
Management
,
University
of
Chinese
Academy
of
Sciences
,
Beijing
100190,
China
)
Corresponding
author
：
DONG
Yu
[
Abstract
]
The
prevention
and
control
efficiency
for
COVID-19
epidemic
in
14
countries
was
evaluated
,
which
showed
that
the
efficiency
of
medical
resource
allocation
in
our
country
was
effective
in
DEA
，
the
prevention
and
control
efficiency
for
COVID-19
epidemic
was
good
,
the
efficiency
of
medical
resource
allocation
was
relatively
low
in
different
European
countries
,
relatively
high
in
Japan
and
South
Korea
,
and
had
the
highest
redundancy
in
Russia.
The
per
capita
medical
resource
allocation
was
not
closely
related
with
the
prevention
and
control
efficiency
for
COVID-19
epidemic.
Certain
countries
abound
in
medical
resources
need
to
improve
their
efficiency
in
medical
resource
allocation.
[
Key
words
]
COVID-
19
epidemic
;
DEA
model
;
Efficiency
evaluation
；
Medical
resource
allocation
当前,新型冠状病毒感染肺炎疫情
（
以下简称
“
新冠疫情
”
）
已成为全球最主要的健康威胁
。
此次
病大流行
，
也是第二次世界大战结束以来最严重的
全球公共卫生突发事件
［
l
］
o
2020
年
1
月
22
日
，
Nature
发表文章
，
提出了关于新冠疫情值得探讨的
5
新冠疫情是
1918
年大流感以来全球最严重的传染
［
基金项目］
中国科学院文献情报能力建设专项
“
科技领域战略情报
研究咨询体系建设
”
（
E290001
）
个科学研究问题:病毒的传播特征
、
病毒的致命程
度
、
病毒的来源
、病毒的遗传序列对我们的启示及治
疗冠状病毒的药物研发
［
2
］
o
其中
，
关于病毒的传播
［
作者单位
］
1.中国科学院文献情报中心
，
北京
100190
；
2.
中国科
学院大学经济与管理学院
，
北京
100190
特征
（
如基本传染数
）
和致命性一直是科学家关心
的问题
。
伦敦帝国理工学院的
MRC
全球传染病中
［
作者简介
］
武楷彪
（
1997-
）
,
男
，
湖北黄冈人
，
在读硕士研究生，
主要
研究方向为科技政策
、
科技情报
。
心对疫情干预措施进行建模预测
,
发现若继续维持
当时疫情防控措施
,
将导致大量民众死亡
，
因此英国
［
通讯作者
］
董瑜
（
1971-
）
，
女
，
山东临清人，
硕士，硕士生导师
，
研
究馆员
，
主要研究方向为科技政策
、
科技情报
。
：
dongy@
mail.
las.
ac.
cn
政府更改了其防疫策略
［
3
］
o
・
8
・
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.12
December,2020
当前
，
各国的死亡率呈现出迥然不同的趋势
，
死
亡率的差异引起了学者们的广泛关注
，
这一差异被
因此
,DEA
在
“
投入
-
产出
”
评价领域中得到了
广泛应用
。
在医疗配置效率分析领域
,
DEA
模型有着极其
重要的应用
。
有学者运用
DEA
模型对此次新冠疫
情防控中火神山医院的
19
个病区医疗资源配置效
普遍解释为各国的老龄化程度不同
。
研究表明
，
有
基础疾病的老年人受新冠疫情影响较大⑷
，
老龄化
程度高的国家更容易在此次疫情中出现较高死亡
率
。
Graziano
Onder
等学者在对意大利各年龄段死
率进行了分析
,
其投入指标包括医院床位数
、
医生人
亡率的对比研究中指出
，
人口年龄结构对死亡率会
产生直接影响
，
而检测手段的不同也会导致统计得
到的死亡率数据有所偏差然而仅根据人口结
数
、
护士人数和总费用
，
产出指标包括治愈出院人
数
、
平均住院日倒数等
，
通过计算各个病区的效率,
最终为医疗管理提供了循证决策依据
[7]
o
还有学
构特征来解释各国死亡率的差异是不合理的
，
因为
各国之间的死亡率变化是一项动态过程
。
影响各国
死亡率的因素包括基础医疗水平和新冠疫情干预措
施
，
前者决定面对新冠疫情时各国在不采取任何干
预措施时的基准死亡率水平
,
后者决定干预措施对
病毒死亡率的影响
。
针对上述问题
,
本文提出新
冠疫情防控效率的评价体系
,
通过控制各国疫情
防控的系统性偏差
,
得到各国疫情防控效率评价
结果
O
1
基于
DEA
模型的疫情防控评价指标体系设计
疫情防控是对各国医疗资源的一次巨大挑战
，
各国利用前期基础医疗资源和后期疫情防控措施
（
如进行全国性的封城等
）
积极防止疫情的蔓延
。
若将各国的基础医疗水平作为
“
投入
”
数据,各国的
疫情防控效果作为
“
产出
”
数据
，
同时将各国放置于
相似的疫情发展趋势中进行观察以防止因疫情发展
阶段不同而造成的误差
，
便可以利用
“
投入-产出
”
模型对各国
（
即决策单元
）
的防控效率进行分析
，
从
而得到各国疫情防控的效率
。
在
“
投入
-
产出
”
模型框架中
，
数据包络分析
（
Data
Envelopment
Analysis
,
DEA
）
模型有着重要的
应用
。
该模型由美国著名运筹学家
A.
Charnes
、
W.
W.
Cooper
和
E.
Rhodes
[6]
于
1978
年提出
，
被广泛应
用于相同类型部门或单位
（
即决策单元
）
中各成员
的相对有效性
（
也被称为
DEA
有效
）
评价
,
其特点
是可用于评价多投入
、
多产出的决策单元绩效且无
须指定生产函数关系
。
DEA
模型还具有单位不变
形的特点
,
即
DEA
对决策单元效率的衡量不受投入
数据与产出数据的量纲影响
，
且可以同时处理比例
数据和非比例数据
，
其模型的权重也由规划产生而
无须事前进行主观设定
。
者总结了
DEA
模型在医院运营效率评价中的应用
,
指出在医院医疗资源运营效率上
，
投入指标一般包
括医院的职工
、
床位
、
固定资产等
，
产出指标一般需
要同时考虑社会效益和经济效益
;
在模型方面
,
使用
较多为
CCR
、
BCC
,C
2
GS
2
等⑷
。
1.
1
DEA
基础模型介绍
DEA
模型的最基础模型为
CCR
模型
，
其基本
假设是规模收益不变
。
该模型假定共有
n
个决策单
元
（
DMU
）
，
每个
DMU
都有
t
种类型的投入及
s
种类
型的产出
,
对于第
j
个
DMU
分别用向量
x
，
y
表示
：
叫=
（
x
1j
,
x
2j
,
…
，
x
j
）
"
y
=
（
几
y
,
）
丁
,,
=
1
，
2
，
…
n
每个
DMU
的效率值可以通过以下线性规划模
型公式求得
：
min
姿
，
兹
兹
n
移
X
■
姿
-
臆
0x
0
j
=^
s.
t.
J
j
^
.
y
j
A
j
逸儿
公式
（
1
）
姿
/
逸
0
j
=
1,2
，
…
，
❻
…
"
式中
,x
。
、
y
。
为选定的决策单元
DMU
。
的投入
、
产出向量
，
姿
相当于
DMU
0
重新构造一个有效的
DMU
组合中
n
个决策单元的组合比例
,0
为该决策
单元
DMU
0
的投入相对于产出的有效利用程度
，
即
决策单元的效率值
。
在实际应用中
，
决策单元的规模是可以发生变
化的
，
由此便引入了
BCC
模型
。
该模型是在
CCR
模型的基础上增加约束条件移
姿
,
=1
后得到的
。
利
j
=
i
1
用
BCC
模型可以得到投入指标的松弛变量
，
模型公
式为
：
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
-
9
-
min
姿
，
兹
兹
床数作为卫生领域的基础设施投入
，
是因为疫情在全
球扩散后
，
往往会发生医疗资源被严重占用的情形
,
移
x
■
姿
-
臆
0x
0
国家不得不充分利用现有的医疗资源甚至通过建立
“
方舱医院
”
等方式扩充床位数
。
因此,本文使用医院
公式
（
2
）
姿
逸
0
病床数
（
包括普通病房和
ICU
病房
）
作为卫生基础设
施的衡量指标
。
基准医疗水平的衡量指标如表
1
所
示
。
鉴于各国人口总量和经济总量的差异
，
本文在选
j
=1,2,.
,k,
・
、
n
择上述指标时均采用相对指标而非绝对指标
。
如衡
量各国卫生领域的人员投入时
，
计算每千人的医疗
通过
CCR
和
BCC
模型组合
，
可以得到决策单
元的综合效率
、
技术效率和规模效率的值
,
且综合效
率可以分解为技术效率和规模效率的乘积
。
其中
，
综合效率是指组织在产出水平不变的情况下最小成
本与实际成本的比例
,
纯技术效率表示组织在当前
生产点与规模报酬变化的生产前沿技术水平之间的
差距
，
规模效率衡量的是规模报酬变化与规模报酬
不变时生产前沿之间的差值
［9
］
。
1.2
疫情防控评价模型的投入指标设计
结合疫情发展的实际情况以及
DEA
模型的特
点可知
，
在设计疫情防控评价指标时至少需要考虑
以下
3
方面
:
设计医疗水平指标用以衡量基准医疗
水平
，
设计疫情发展风险等级指标用以衡量疫情防
控效果
，
设计疫情观察窗口指标从而确定决策单元
的观察窗口时段
。
通过对这
3
项指标的合并研究
,
才
可以准确地对各国疫情防控效率进行评价
（
图
1
）
。
图
1
疫情防控效果评价指标设计
衡量一个国家的医疗投入水平,应包括该国的
卫生领域人员投入
、
卫生领域经费支出和卫生领域
基础设施数量
3
个维度
（
即
“
人
、
财
、
物
”
）
。
此次新冠
疫情防控效果评价中
,3
个维度相关指标包括一线卫
生人员数量
、
卫生支出
、
医院病床数
，
其中一线卫生人
员数量包括医生数量和护士数量
。
此外
，
选择医院病
人员数而非各国医疗人员总数
。
表
1
医疗投入水平指标设计
一级指标
二级指标指标数值含义
卫生领域人员投入
医生从业人数
每千人口医生从业人
数
（
人
）
护士从业人数
每千人口护士从业人
数
（
人
）
卫生领域经费投入
卫生支出
人均卫生支出
（
美元
）
卫生领域基础设施投入
医院病床数
每千人口床位数目
（
张
）
注
:
后文若无说明
,
对应指标数值含义同表
1
本文数据来源于经济合作与发展组织
（
OECD
）
健康领域数据集
［
10］
，
有关数据含义说明如表
2
所示
。
表
2
医疗水平衡量指标含义说明
指标名称
指标说明
医生从业人数
医生从业人数指标用于衡量为向患者提供直接
护理的
“
执业
”
医生
护士从业人数
护士从业人数指标用于衡量为患者提供直接健
康服务的所有
“
执业
”
护士
，
包括个体经营的护士
卫生支出
卫生支出指标用于衡量卫生保健产品和服务的
最终消费
，
包括个人卫生保健和集体服务
，
以及
卫生行政管理
，
但不包括投资支出
医院病床数医院病床数是指可立即使用的床位数,可用来
衡量向医院的住院患者提供服务的资源
；
医院
病床总数包括治愈床
、
康复床
、
长期护理床和其
他类型床位
1
.
3
疫情防控评价模型的产出指标设计
针对各国医疗防控的
“
产出
”
进行指标设计时
,
・
10
・
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.12
December,2020
应着重考虑体现各国疫情防控效果的新冠疫情死亡
文考虑
MA
模型的时序为
7
天
，
即每日移动平均值
MA
7
满足下式
。
7
率这一指标,然而这一数值的衡量却较为困难
。
对
于死亡率
S
,
计算方法由最终死亡人数
X
与最终确
诊人数
Z
共同确定
，
即
S
=
X/Z
。
但目前还无法获得
(移
X
,
)
MA7=
'
=
7
公式
(3)
准确的最终死亡人数与最终确诊人数
。
除此之外
，
还将面临以下问题
。
一是某一时刻死亡率应由该时刻的死亡人数与
对应的标准差满足下式
。
/(
.
移
X
,
-
MA
,
)
2
确诊人数相除而得出
，
但从确诊到死亡存在一定滞
后性
，
因此不能简单地对同一时刻的确诊人数与死
STD
=
t
7
公式
(
4)
按每
7
日移动平均值与标准差划分疫情风险等
亡人数进行相除
。
二是本次新冠疫情存在大量无症状感染者
，
此
类患者的特点是不能在早期被及时发现
，
有关这类
患者的统计至今仍然是科学界关注的议题
［
11
］
o
这
一问题将导致有能力进行大规模检测国家的新冠疫
情死亡人数显著提高
，
但并不能因此认为其防控效
果较差
。
此外
，
各国的检测手段与统计方式不同
，采
用各国新冠疫情统计数据的绝对值会造成数据来源
不一致的情况
,
从而可能对最后结果造成较大误差
o
三是各国的疫情开始时间不同
，
因此在进行多
国对比研究时
，
不能简单地对各国同一时刻的死亡
率进行对比
,
需要考虑各国疫情发展的时间差异
。
综上分析
，
本文在对各国疫情防控进行评价时
，
应采取相对指标而非绝对指标
。
在
“
产出
”
指标的
选取上
，
本文使用
“
疫情发展风险等级
”
这一疫情发
展相对指标替代原本应该使用但实际难以准确观测
到的
“
死亡率
”
指标
。
本文通过引入时间序列分析
中的移动平均模型
(
Moving
Average
,MA)
对各国风
险等级进行分析
，
该模型可以消除一组时间序列的
偶然波动
。
通过序列的近期数据来预测未来数值的
波动
,
在流行病学领域常被用于传染病的趋势判
断
［
12
］
。
此外
，
还需要重新梳理各国的疫情发展时间
表
，
从而选取同一发展阶段内的疫情数据进行对比
分析
。
疫情发展趋势指标设计如下
:
在对疫情的走向
趋势进行分析时
,
对每日新增死亡人数
X
,
按照一定
范围取移动平均值
。
在流行病学中
，
该范围一般参
考该疾病从潜伏期与发病到确诊时间段之和
。根据
新冠疫情现有的流行病学文献可知
,
新冠病毒潜伏
期平均为
5.
2
天
,
感染期平均为
2.
3
天
［
13
］
，
因此本
级
(
表
3)
。
表
3
疫情风险等级划分标准
区间
疫情死亡人数变化趋势
疫情风险等级划分
X
t
臆
MA
-
STD
快速减少
低风险
MA
-
STD
<
Xt
臆
MA
缓慢减少
中风险
MA
<
Xt
臆
MA
+
STD
缓慢增加
高风险
MA
+
STD
<
X
t
快速增加
高风险
根据该风险等级划分标准可知各国疫情发展过
程中的风险等级走向
。
各国的疫情防控效果可以转
化为该国在疫情发展过程中处于高风险时段的比
例
，
该比例越小证明该国的疫情防控效果越好
。
在
确定疫情发展等级评价方法后
,
需要根据具体的国
家设定不同的疫情观察时段
。
2
疫情防控数据搜集与处理
2.
1
疫情防控投入数据搜集与处理
为对比世界主要国家应对疫情的干预措施
，
同
时兼顾数据的可获得性
,
本文选取世界经济合作与
发展组织
(OECD)
中覆盖的
14
个国家作为样本
。
14
国医疗投入水平原始数据见表
4
。
2.2
疫情防控产出数据搜集与处理
衡量各国疫情防控趋势的关键在于选择统一的
观察窗口
。
由于本文的研究对象为国家
，
而此次新
冠疫情中以国家为单位的疫情防控措施往往以
“
封
城
”
为主
。
圭寸城措施相关数据采集自
Aura
Vision
网
站
［
14
］
，
该网站给出了各国封城措施的起止时间和封
锁等级
，
对各国封锁措施的持续跟踪
,
对信息来源进
行了验证
。
根据该网站数据,各国封城的平均时长
为
51
天
，
最大时长为
90
天
，
如图
2
所示
。
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
・
11
・
表
4
14
国医疗投入水平原始数据
卫生领域人员投入
序号
国家
医生从业
卫生领域经费投入
获取
卫生支出
卫生领域基础物资
获取
年份
护士从业
人数
获取
年份
医院病
床数
获取
年份
2016
人数
1
年份
2017
2017
2018
2017
2017
澳大利亚
加拿大
法国
德国
3.68
2.76
2017
2018
2018
2017
2018
11.68
9.
96
5005.316
2018
3.84
2.
52
2
3
4698.016
2016
2018
2018
2018
2018
2018
2018
2018
2018
2018
2017
2017
2017
2017
2017
2017
2017
2017
2017
2016
3.37
4.
25
10.80
12.93
6.
71
4964.710
5986.430
3427.
807
4766.071
5.98
8.00
3.18
13.05
4
5
意大利
3.99
2.
43
2.
34
2.
43
1.87
6
日本
韩国
2016
2017
2017
2017
2018
2017
2017
2017
2017
11.34
6.
91
2.
90
2.
07
2016
2017
2017
2017
2018
2017
2017
7
3191.554
1137.964
12.27
1.38
8
9
墨西哥
土耳其
英国
美国
1226.585
2.
81
2.
54
2.
77
102.
85
2.
61
2.
01
0.
78
7.
80
4069.569
10586.084
688.003
11
12
13
11.74
2.
70
1.50
中国
2016
2016
2017
4.
34
0.
53
2017
2017
2017
印度
俄罗斯
2016
2017
208.772
14
4.
04
8.47
1513.667
8.05
注
:
“
获取年份
”
表示该数据的最近数值所代表的年份
，
这是由于
OECD
数据库中数据存在一定滞后性
，
本文的数据均选择最近数据
，
同时将
最近的数据时间跨度限制在
2016-2018
年之间
;
表中投入指标的数值含义及单位见表
1
Global
Covid-19
Lockdown
Tracker
Last
updated
11
June
2020
The
most
comprehensive
source
for
how
past
and
current
lockdowns
are
unfolding.
Lockdowns
elates
reflect
full
or
partial
closure
of
non-essential
retail,
ordered
by
local
government.
Interactive
version
and
data
download
/covid
1
9-lockdowr
)
-tracker.
Please
share
if
you
find
this
useful.
Lockdowns
started
132
In
78
Countries
82
Days
ago
on
average
Lockdown
reviews
Non-essential
retail
opening
Average
duration
77
Days
from
now
123
in
69
Countries
51
Days
confirmed
on
average
so
far
so
far
-
Maximum
duration
90
Days
confirmed
so
far
图
2
各国封城措施持续时长统计
统计上述
14
个国家的封城时间
,
按从小到大排
序得到各国封城情况
，
如表
5
所示
。
需要特别指出的是
，
表
5
中将武汉地区的封锁
起止时间作为中国全国性防疫措施的观察时段
，
而
美国
、
加拿大由于是联邦制国家
，
地方各省或州有较
表
5
14
国封城措施起始日期及封城等级
封城开始
大的自主权利
，
其封锁时间各州均不相同
。
截至该
封城结束封城持续时长
序号国家名称
网站统计日期
（
2020
年
6
月
11
日
）
，
加拿大仅魁北
克省进行了封城
，
而美国有
45
个州采取了封城措
施。
因此
，
本文以加拿大魁北克省的封城起止时间
时间
1
时间
2020/5/11
等级
全国
全国
全国
全国
省级
/天
土耳其
德国
美国
2020/4/11
2020/3/17
31
45
45
50
53
2
3
2020/4/30
2020/3/26
2020/4/7
2020/5/9
2020/5/26
作为加拿大的观察时段
,
以美国
45
个州圭寸城的平均
4
5
日本
加拿大
澳大利亚
法国
2020/3/13
2020/3/23
2020/3/17
2020/3/9
2020/5/4
2020/5/15
2020/5/11
时间为美国观察时段的起止点
。
为了观察各国的防控效果
,
需要进一步延长观
察时间
。
通过观察各国疫情的发展曲线
，
可以发现
当某国的确诊人数超过
100
人时
，
疫情发展会呈现
6
7
全国
全国
全国
全国
全国
全国
市级
54
56
57
8
9
10
意大利
俄罗斯
2020/5/4
2020/5/31
2020/3/30
2020/3/21
63
墨西哥
印度
2020/6/1
2020/6/8
2020/4/8
73
76
快速发展趋势
，
政府也会积极采取措施对疫情进行
干预
。
因此,本文对样本国家进行分析时
，以该国首
次确诊人数超过
100
时的前一天为观察窗口的第一
天
。
由于在封城措施解除后,各国疫情可能出现反
11
12
13
2020/3/25
2020/1/23
2020/3/24
中国
英国
韩国
77
84
2020/6/15
-
全国
-
14
--
・
12
・
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
复
。
为了观察各国在封城措施实行期间的防控效
率
，
本文将各国封城措施结束的最后一天作为观察
窗口的最后一天
。
由于韩国未进行大规模圭寸城
，
便
时段
，
经计算该数值为
74
天
。
考虑到各国平均封城
时段为
51
天
,
最长为
90
天
，
由此可以认为韩国设置
的观察时段是合理的
。
综上所述
，
各国的观察时段
以其他
13
个国家的观察窗口平均值作为韩国观察
按从小到大排序如表
6
所示
。
表
6
14
国观察窗口时长
序号
国家
加拿大
观察窗口起点
观察窗口终点
观察时长/
天
序号
国家
韩国
墨西哥
观察窗口起点
2020/2/19
2020/3/19
观察窗口终点
观察时长
/天
74
74
74
1
2
2020/3/12
2020/3/18
2020/3/1
2020/5/4
53
54
60
8
9
10
2020/5/3
2020/6/1
土耳其
德国
2020/5/11
3
2020/4/30
2020/5/15
俄罗斯
中国
2020/3/18
2020/1/17
2020/5/31
2020/4/8
2020/6/8
4
5
6
7
澳大利亚
美国
2020/3/10
2020/3/3
66
11
12
82
86
2020/5/9
67
71
72
印度
日本
2020/3/14
2020/2/21
2020/3/5
意大利
2020/2/23
2020/5/4
13
14
2020/5/26
2020/6/15
95
102
法国
2020/2/29
2020/5/11
英国
以日本为例
,
使用移动平均模型分析该国在观
国卫健委网站
［
15
］
得到日本每日新增死亡人数变化
,
察窗口中疫情发展处于高风险的时段比例
，
通过中
如图
3
所示
。
图
3
日本每日新增死亡人数
从图
3
可以看
，
从
2020
年
4
月
22
日起
，
日本每
新增死亡人数大幅度减少
,
因此需要对这两天的数
据进行平滑化处理
。
本文将其等比例平摊至前面几
日
，
其余异常数据也同样对照新闻报道的情形进行
处理
，
对日本每日新增死亡人数进行预处理后得到
日新增死亡人数出现大幅度增加
。
据新华网报道
，
该日停泊在日本南部长崎市的意大利船籍邮轮
“
歌
诗达大西洋
”
号有
34
名船员被确诊
，
这艘邮轮上的
确诊病例被计入日本确诊病例中
［
16］
,
而随后的一天
修正后日本每日新增死亡人数
，
如图
4
所示
。
图
4
修正后日本每日新增死亡人数
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
・
13
・
经过修正处理后的日本每日新增死亡人数发展
趋势更加符合实际
,
在该数据基础上运用移动平均方
法
，
根据日本每日新增死亡数划分风险等级
（
表
7
）
。
表
7
日本风险等级划分
（
仅包含观察窗口时间段
）
时间段
2020/2/21-2020/3/7
2020/3/8-2020/3/13
风险等级
持续时长
/
天
低风险
16
6
中风险
妙
2
。
吧艸倉性
2
艸
2
。
护
图
5
日本观察窗口期内疫情发展趋势风险等级划分
2020/3/14-2020/4/23
2020/4/24-2020/4/29
2020/4/30-2020/5/8
2020/5/9-2020/5/26
高风险
中风险
41
6
9
高风险
中风险
18
同理可得到其他
13
个国家处于高风险时段的
时长
，
进而得到各国在观察窗口中高风险时段的比
根据该风险等级划分
，
结合修正后日本每日新
增死亡人数
，
对日本在观察窗口的时间段内风险等
级进行可视化处理
，
如图
5
所示
。
例
。
由于
DEA
模型的
“
投入
-
产出
”
一般是正向的
,
因此需要将
“
产出
”
部分数据改成反比例
,
最终结果
如表
8
所示
。
表
8
14
国在观察窗口内高风险天数占比
序号
国家
观察起点
2020/3/10
2020/3/12
2020/2/29
2020/3/1
观察终点
观察时长
/
天
高风险天数
/天
高风险天数占比倒数
1
2
澳大利亚
加拿大
2020/5/15
66
53
16
47
39
41.
25
11.28
2020/5/4
2020/5/11
2020/4/30
3
法国
德国
72
60
71
18.46
18.18
18.21
4
5
6
33
39
50
意大利
2020/2/23
2020/2/21
2020/2/19
2020/3/19
2020/5/4
2020/5/26
2020/5/3
2020/6/1
日本
韩国
墨西哥
土耳其
英国
美国
95
19.00
17.62
18.97
7
8
9
10
74
74
54
102
67
82
86
42
39
2020/3/18
2020/3/5
2020/3/3
2020/5/11
2020/6/15
31
30
17.42
34.
00
20.
30
31.
54
11.03
11.21
11
12
2020/5/9
2020/4/8
2020/6/8
33
26
中国
2020/1/17
2020/3/14
13
14
印度
俄罗斯
78
66
2020/3/18
2020/5/31
74
・
14
・
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.12
December,2020
表
9
14
国疫情防控效率评价指标原始数据
投入数据
序号
产出数据
高风险天数
国家
医生投入水平护士从业水平
11.68
9.
96
10.80
经费投入水平
5005.
316
基础物资水平
3.84
2.
52
占比倒数
1
澳大利亚
加拿大
法国
德国
3.
68
2.
76
3.
37
4.
25
41.
25
11.28
2
4698.
016
4964.
710
5986.
430
3427.
807
3
5.98
18.46
18.18
18.21
4
5
6
12.93
6.
71
11.34
8.00
3.18
13.05
12.27
意大利
3.
99
2.
43
2.
34
2.
43
1.87
日本
韩国
4766.
071
3191.554
1137.
964
1226.
585
19.00
17.62
18.97
7
8
9
10
6.
91
2.
90
2.
07
墨西哥
土耳其
英国
美国
中国
1.
38
2.
81
2.
54
2.
77
17.42
34.
00
20.
30
31.
54
11.03
11.21
2.
85
2.
61
2.
01
0.
78
4.
04
7.80
11.74
4069.
569
10586.084
11
122.
70
688.
003
208.
772
1513.
667
4.
34
0.
53
13
14
印度
俄罗斯
1.
50
8.478.05
注
:
表中投入指标含义及单位见表
1
综合表
4
与表
8
，
便可以得到
DEA
模型的投入
到各决策单元的投入指标冗余值
（
表
11
）
。
和产出原始数据
（
表
9
）
。
3
基于
DEA
模型的疫情防控效率评价结果
表
10
14
国疫情防控效率值
序号
使用
DEAP2.
1
对
14
个国家的疫情防控效率进
国家
澳大利亚
加拿大
综合效率
0.
772
0.
284
0.
358
0.
278
0.
341
0.
498
0.
480
0.
841
0.
762
0.
831
0.
535
1.
000
1.
000
0.179
技术效率
规模效率
规模报酬
行评价
。
在模型设置上
，
选择决策单元
14
个
，
投入
指标
4
个
，
产出指标
1
个
。
在新冠疫情防控背景下
,
对投入指标的改进比对产出指标的改进更合适
，
因
此设置该模型为投入导向
，
即
input
-
oriented
。
此
外
，
可认为样本国家是在相似环境下
，
因此选择规模
1
2
1.000
0.
288
0.
364
0.
284
0.
371
0.
518
0.
502
0.
772
0.
986
0.
985
0.
977
0.
921
0.
963
0.
955
0.
841
0.
842
0.
831
0.
913
递减
递增
递增
递增
递减
3
法国
德国
4
5
6
意大利
日本
韩国
墨西哥
土耳其
英国
美国
中国
递增
递增
递减
报酬可变
（
Variable
Return
to
Scale
,
VRS
）
模型得到
14
个国家的疫情防控效率评价
（
表
10
）
。
7
8
9
1.000
0.
905
从表
10
可以发现
，
参与绩效评价的
14
个国家
中
，
中国与印度处于
DEA
有效
；
澳大利亚
、
意大
递增
递减
递减
10
1.000
0.
586
利
、
墨西哥
、
英国与美国处于规模报酬递减阶段
，
表明这
5
个国家的医疗资源在应对此次新冠疫情时
11
12
13
1.000
1.000
0.
196
1.000
1.000
0.
914
-
-
出现了较多冗余;加拿大
、
法国
、
德国
、
日本
、
韩国
、
土
耳其与俄罗斯处于规模报酬递增阶段
,
表明这
7
个
国家的医疗资源在应对此次新冠疫情时仍然有提升
印度
俄罗斯
14
递增
的空间
。
此外
，
澳大利亚与墨西哥的技术效率为
1,
投入冗余在
DEA
模型中表示决策单元对标
DEA
表明其资源的投入是有效的
,
未达到综合有效的原
因在于规模效率的无效
。
使用
DEA
模型还可以得
有效的决策单元时多余的投入部分
，
在本文中表示为
各国在医疗资源投入上未能有效发挥作用的部分
。
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.
12
December,2020
・
15
・
表
11
14
国疫情防控投入指标冗余值
序号
国家
澳大利亚
加拿大
法国
德国
医生投入水平
0
护士从业水平
0
7.
091
6.
782
9.
252
3.
838
5.
469
3.
440
经费投入水平
0
3344. 796
3159.
172
4283.
761
1960.
785
基础物资水平
0
1
2
3
1.965
1.794
3.
805
5.
725
2.144
4
5
3.041
2.
282
意大利
1.819
6.
294
6.
108
6
7
日本
韩国
1.
172
1.
165
0
2298.
763
1588.675
8
9
10
墨西哥
土耳其
英国
美国
中国
0
0.
196
00
0.
266
0.177
0
116.220
0
4384.
490
0
4.
862
0
1.147
11
12
1.
081
0
0
3.249
0
0
6.
812
0
0
1217.
380
0
0
6.
474
13
14
印度
俄罗斯
注
:
表中投入指标含义及单位见表
1
从表
11
可以发现
，
仅澳大利亚
、
墨西哥
、
英国
、
4
研究结论与局限性分析
4.
1
研究结论
中国
、
印度无冗余投入;澳大利亚
、
墨西哥
、
英国的综
合效率小于
1,
表明这
3
个国家的医疗资源规模还
有待提升;其他
9
个国家均出现了不同程度的冗余
。
结合表
9
与表
10
可以得到各国冗余投入的比例
（
图
6
）
,
其中俄罗斯的投入冗余占比最大
，
土耳其的
从
DEA
有效性来看
，
14
个国家中仅中国与印
度的疫情防控效率的
DEA
是有效的
。
需特别指出
的是
,DEA
有效仅表示决策单元处于生产前沿面
上
，
其表征的是一种相对有效情况
，
并不代表决策单
元在绝对意义上的绩效
。
结合此次疫情防控实际,
投入冗余最小
,
欧洲各国的投入冗余普遍较大
，
亚洲国家的投入冗余相对较小
。
由此可知
，
在此
次新冠疫情防控中
,
欧洲各国的医疗资源配置效
率整体相对较低
,
亚洲各国的医疗资源配置效率
可以发现两国的共同点是医疗资源投入水平均较
低
，
不同点是我国的疫情发展中高风险时段占比较
低
（
为
32%
）
,
而印度的高风险时段占比最高
（
为
91%
）
。
结合两国的疫情防控在观察窗口内的结果
整体相对较高
。
冗余比例
国家名称
医生投入水平
护士从业水平
经费投入水平
基础物资水平
澳大利亚
0.
00%
0JD0%
0.
00%
o.
go%
1
20%
|
71.19%
71.
19%
「
加拿大■
71.
20%
62.
80%
]
法国
德国
■
71.
55%
71
.
55%
71.
56%
57.
19^
来看
，
中国的医疗资源配置效率较高
，
成果显著
，
这
也进一步论证了我国在此次疫情防控中的效率较
高,医疗资源配置较好
。
从
DEA
的综合效率
、
技术效率
、
规模效率和规
日本
韩国
墨西哥
土耳其
區
20%
|
49.
7
飙
57.
20^
|K48.
2>
49.
7te
模报酬来看
，
澳大利亚
、
墨西哥和英国这
3
个国家的
—
49.70%
[|
0.
00%
9.
47%
0.
00%
2%
0.
00%
|
49.
7
飙
0.
00%
H
9.
47%
1
0.
00%
r
9.
48%
0.
00%
41.02%
0.
00%
0.
00%
80.
43%
0.
00%
n
9.
47%
0.
00%
L
41.J11%
0.
00%
0.
00%
80.
42%
技术效率为
1,
这表明制约上述国家的疫情防控效
英国
美国
中国
印度
俄罗斯
0.
00%
41.141%
0.
00%
率因素主要是医疗资源投入规模
，
而他们均处于规
模递减状态
，
这表明他们的规模无效是由医疗资源
0.
00%
80.
42%
0.
00%
1
80.
43%
1
投入不足而形成的
。
加拿大
、
法国
、
德国
、
意大利
、
日
本
、
韩国
、
土耳其
、
美国和俄罗斯这
7
个国家的综合
图
6
14
国疫情防控投入冗余比例示意
效率均较低
，
这表明他们还有进一步提升医疗资源
・
16
・
中华医学图书情报杂志
2020
年
12
月
第
29
卷第
12
期
Chin
J
Med
Libr
Inf
Sci,Vol.
29
No.12
December,2020
配置效率的空间
。
从
DEA
对决策单元的投入冗余分析来看
，
法
国
、
德国和意大利的医疗资源投入存在配置低效的
[3]
https
:
//www
.
nature.
com/articles/d41586-020-00166-6.
Ferguson
N
,
Laydon
D
,
Nedjati
G
,et
al.
Impact
of
non
-
pharmaceu
tical
interventions
(
NPIs
)
to
reduce
COVID
-
19
mortality
and
healthcare
demand[
R]
.
LK
：
Imperial
College
,2020.
[4]
Ruan
Q
,
Yang
K,
W
z
ang
W
,
et
al.
Clinical
predictors
of
mortality
情形,加拿大
、
美国的医疗资源配置也较为低效
,
表
明上述国家在疫情防控效率上需要进一步加强
。
俄
due
to
COVID
-19
based
on
an
analysis
of
data
of
150
patients
from
Wuhan,
China[J
].
Intensive
care
medicine
,2020
:
1
-3.
罗斯的医疗资源投入冗余比例最大
，
表明其在此次
疫情防控中的医疗资源配置效率提升空间较大
。
通过对
14
个国家疫情防控效率的分析
，
发现各
[5]
Graziano
Onder
,
Giovanni
Rezza
,
Silvio
Brusaferro.
Case
-
Fatality
Rate
and
Characteristics
of
Patients
Dying in
Relation
to
COVID-
19
in
Italy[EB/OL].
(2020-03-23)
[2020-07-01].https
：
//
国疫情死亡率不仅受人口年龄结构影响
，
还受医疗
资源配置效率的影响
。
如日本
、
韩国等典型人口老
龄化国家的疫情防控效果
(
高风险阶段占比倒数
)
优于其他欧洲国家
，
主要得益于其较高的医疗资源
配置效率
。
此外
，
人均医疗资源数量的多少与疫情
防控效果未呈现出直接的相关关系
。
如中国人均医
疗资源数量较低
，
但无论从疫情防控效果还是效率
来看
，
均优于其他人均资源数量较高的国家
。
从
DEA
模型的评价效率来看
，
一些人均医疗资源数量
较低的国家为
DEA
有效
，
而人均医疗资源数量较高
的一些国家医疗资源冗余较大
。
结合各国的疫情防
控效果
，
发现作为评价单元的大多数医疗资源丰富
的国家在此次疫情防控中的效率与效果均不理想
，
应提高医疗资源的配置效率
，
提升其疫情防控效果。
4.2
局限性
在使用
DEA
模型对决策单元进行评价时
，
指标
的选取至关重要
，
需要使用可充分反映整个事物面
貌的指标
。
本文仅采取了有关医疗资源最常见的指
标,且均为各国疫情发生之前的医疗资源投入情况
。
若可以使用各国疫情发生期间的医疗资源数据并拓
宽指标范围
，
会进一步提咼结果的可信度
。
【
参考文献
】
[1]
习近平
.
构建起强大的公共卫生体系为维护人民健康提供有
力保障[EB/OL].
(2020-09-15)[2020-09-20].http：
//www.
gov.
cn/xinwen/2020-09/15/content_5543609.
htm.
[2]
Ewen
Callaway
,
David
Cyranoski.
Coronavirus
:
Six
questions
sci
entists
are
asking
[EB/OL].
(2020-01
-28
)
[2020-09-01
].
jamanetwork.
com/journals/jama/article-abstract/2763667.
[6]
Charnes
A
,
Cooper
W
W
,
Rhodes
E.
Measuring
the
efficiency
of
decision
making
units
[
J].
European
journal
of
operational
re-
search,1978,2(6)
:
429-444.
[7]
刘
旭
，郭玉峰
,
于伯洋
，
等
.
基于
DEA
的火神山医院医疗资源
配置效率分析[J].
解放军医院管理杂志
,2020,27(4):301-
304.
[8]
熊
瑶
,
谢金亮
，
邹俐爱
.
数据包络分析法在医院运营效率评
价中的应用
[J].
医学与社会
,2015,28(11):27-30.
[9]
魏权龄
.
数据包络分析
[M].
北京:
科学出版社
,2004.
[10]
OECD
(2020),
"Health
care
resources"
,
OECD
Health
Statistics
(database)[DB/OL].
[2020
-
09
-
01].
https
：
//doi.
org/10.
1787/
data-00541-en.
[11]
Baud
D
,
Qi
X,
Nielsen-Saines
K,et
al
Real
estimates
of
mortality
following
COVID-19
infection
[J].
The
Lancet
infectious
diseases
,
2020,20(7)
：
773-773.
[12]
方益荣
，
牛文柯
,
卢巧玲
，
等
.
应用移动平均法预警学校结核
病疫情的分析
[J].
疾病监测,2017,32(5)
:
418-422.
[13]
Li
Q
,
Guan
X
,
Wu
P
,
et
al.
Early
transmission
dynamics
in
W
u
han
,
China
,
of
novel
coronavirus
-
infected
pneumonia
[J].
New
England
Journal
of
Medicine
,2020
,382(13)
:
1199-1207.
[14]
Aura
Vision.
Global
Covid-19
Lockdown
Tracker
[
EB/OL]
.
[2020
-09-01
]
.
https
:
//
auravision.
ai/covid
19
-
lockdown-tracker/
.
[15]
中国卫健委网站
.
新型冠状病毒肺炎疫情分布
[EB/OL].
[2020-09-01
].
http
：
//2019ncov.
chinacdc.
cn/2019-nCoV/.
[16]
新华网
.
日本累计新冠确诊病例近
1.2
万例
[EB/OL].(2020
-04-22
)
[2020-09-01].
http
：
//www.
xinhuanet.
com/2020
-
04/22/c_
[
收稿日期
:2020-10-04]
[
本文编辑
：
吴方怡
]
发布者：admin，转转请注明出处：http://www.yc00.com/xitong/1715569368a2638139.html
评论列表（0条）