北京市医疗体系面临资源过度集聚与诊疗负荷偏高的双重挑战[1]。作为优质资源集中地，北京需同时满足本地需求与大量跨区域就医压力。受居民就医偏好驱动，患者倾向于直接选择大型医院，导致基层机构利用不足，制约分级诊疗政策有效落地[2-3]。

近年来，系列改革持续重塑北京市医疗资源配置结构。2017年医药分开综合改革推动公立医院收入模式转型，促使服务重心向技术和人力投入倾斜，影响三级医院的资源配置方向[4]。2020年新型冠状病毒感染疫情（以下简称“疫情”）对供需两侧均产生冲击，门急诊与住院量短期大幅下降，医疗机构资源利用效率显著波动，暴露出不同层级机构在承载能力和功能定位上的结构性差异。2022年医保门诊共济机制扩容提升基层门诊报销比例，吸引慢性疾病管理与普通门诊向基层分流，带动基层服务量明显增长[5]。与此同时，北京市围绕高质量发展目标，持续推进公立医院绩效考核、国家医学中心与区域医疗中心建设及医联体协同治理，强化了资源统筹与结构优化的制度基础[6-11]。

在上述背景下，北京市医疗体系的投入产出结构持续调整，呈现出资源总体增加、服务结构变化与层级差异并存的特征。现有研究多聚焦全国或单一机构层面，缺乏针对北京市的长时段系统分析。本研究基于2016—2024年卫生统计公报数据，通过趋势分析与数据包络分析（data envelopment analysis，DEA）效率测度，比较三级公立医院与基层医疗机构的规模效率和技术效率，探讨分级诊疗与医保改革的政策效果，为超大城市医疗体系优化提供实证依据。

1 资料与方法

1.1 资料来源

本研究的观察对象为2016—2024年北京市三级公立医院及基层医疗机构。数据主要来源于《北京市国民经济和社会发展统计公报》及《北京市卫生健康事业发展统计公报》，指标涵盖常住人口规模、地区生产总值、人均GDP、老年人口（65岁及以上）占比，以及医疗机构数量、卫生人员配置、床位总数、门诊与住院服务利用、人均医疗费用等。纳入标准：在整个研究时段内持续开展诊疗活动且关键统计指标完整的机构；排除标准：主要指标数据记录缺失的机构。本研究整体样本覆盖范围较大，能够较好反映北京市医疗服务体系的总体特征与变化趋势。

1.2 研究方法

1.2.1 研究设计 本研究采用横断面与时间序列相结合的设计，对2016—2024年北京市三级公立医院和基层医疗机构的投入产出效率进行比较分析。鉴于DEA适用于多投入、多产出条件下同类决策单元（decision making unit，DMU）的效率评价，因此将不同年度的同一层级医疗机构作为独立DMU进行测算。

1.2.2 指标选择 结合卫生服务体系运行规律与数据可获得性，本研究在投入与产出维度上进行了系统化选取。投入方面，卫生人员数与床位数能够反映医疗机构的主要资源投入结构，是衡量医疗服务供给能力的核心要素[12-13]。产出方面，门诊人次与住院人次可以全面体现服务利用水平，既反映数量规模，又间接反映机构运行效率[14]。此外，考虑到效率变化可能受到经济负担与成本约束的共同影响，本研究在趋势分析中补充纳入人均门诊费用与人均住院费用等指标，以辅助解释效率差异及其潜在影响机制。上述指标体系与国内外医疗机构DEA研究的常用做法相一致，能够兼顾投入、产出及成本层面的代表性与可比性，从而保证分析结果的科学性与稳健性。

1.2.3 模型设置 为评价不同层级医疗机构的资源配置效率，本研究采用投入导向的DEA模型，并结合CCR模型（Charnes-Cooper-Rhodes）与BCC模型（Banker-Charnes-Cooper）进行效率测算。CCR模型假定规模报酬不变，用以计算综合技术效率；BCC模型假定规模报酬可变，用以估算纯技术效率。两者之比可得规模效率，用于判断DMU是否处于最优规模状态。

在投入导向模型中，DEA的目标函数为最小化效率系数θ，通过线性规划求解投入向量在保持产出不变的前提下的投影值。若θ=1且所有松弛变量为零，表明该DMU处于生产前沿并实现DEA有效；若θ＜1或存在松弛变量，则表明存在投入冗余或产出不足。模型一般形式如下：

约束条件：

其中，X和Y分别为投入矩阵和产出矩阵；x0，y0分别为被评价单元的投入向量和产出向量；λ为线性组合系数，用于构造参照前沿面；T表示向量的转置；s-和s+分别为投入松弛变量和产出松弛变量，用于反映非径向调整量；ε非阿基米德无穷小量，e为元素均为1的向量；θ为综合效率值。为保证模型设定的可比性与稳定性，本研究将每年同一层级的所有医疗机构视为一个独立的DMU，在年度内部进行效率测算，不考虑跨年度连续性，属于静态DEA分析。换言之，2016—2024年各年度的效率值分别独立求解，未使用面板DEA或Malmquist指数方法，从而避免将本研究误解为动态效率演进分析。本研究采用DEAP 2.1软件完成效率计算，设定投入导向以反映资源配置的节约潜力，并结合CCR与BCC模型结果对综合技术、纯技术与规模效率进行比较分析。

近年来，DEA在医疗资源效率研究中的方法体系不断扩展，三阶段DEA、Bootstrap-DEA及Metafrontier DEA等新型模型被用于剔除外部环境干扰、处理随机噪声并比较不同技术前沿，其在医院效率评价中的应用逐渐增多[15-17]。然而，这些方法通常依赖于较大的同质化样本规模，并要求可获得足够的环境变量用于分解非管理性因素的影响。鉴于本研究的DMU以“年度-机构层级”为单位，总样本量有限，且研究重点在于呈现北京市医疗资源配置效率的阶段性变化，而非分解环境差异对个体机构效率的影响，采用三阶段DEA或Bootstrap-DEA反而可能在样本量不足的情况下引入估计偏误，影响年度效率值的可比性。基于方法的稳定性、可解释性及与研究目的的一致性，本研究选择理论成熟且在医疗服务体系研究中应用广泛的CCR/BCC模型，以获得具有政策可读性和跨年度可比性的效率测度结果。

1.3 统计学方法

本研究采用描述性分析对2016—2024年三级与基层医疗机构的就诊量、费用水平、服务占比等变化趋势进行分析。采用DEAP 2.1软件计算DEA效率值，结合Excel与SPSS 26.0完成数据清理与统计分析。鉴于本研究纳入相关性分析的指标为2016—2024年按年度汇总的宏观统计指标，年度观察值较少，且部分变量可能存在随时间变化的共同趋势，为降低小样本条件下正态分布和线性关系假设对结果的影响，采用Spearman秩相关分析检验宏观因素、费用水平与医疗服务利用之间的相关关系。以P＜0.05为差异有统计学意义。鉴于医保门诊共济保障机制扩容前后可用于比较的年度观察值较少，其中扩容前阶段为2016—2021年，共6个年度观察值；扩容后阶段为2022—2024年，共3个年度观察值，传统t检验对样本量、独立性和正态性的要求难以充分满足。本研究因此未采用参数检验，而以均值差和趋势性分析呈现两阶段差异，并结合可视化结果评估政策影响。结果仅用于方向性判断，避免因样本量限制造成过度推断。

2 结果

2.1 医疗服务利用趋势

2016—2019年，北京市三级医院门诊量与住院量保持上升趋势，并于2019年达到峰值（图1）。受2020年疫情的冲击，两类服务量显著下滑，自2021年起逐步回升，呈“V形”恢复趋势。与此同时，人均门诊与住院费用整体保持上升趋势，尤其在疫情期间涨幅更为显著，揭示诊疗结构与费用构成发生变化（图2）。

图1 2016—2024年北京市三级医院门诊和住院人次数变化趋势

图2 2016—2024年北京市三级医院人均门诊费用与人均住院费用变化趋势

2.2 分级诊疗结构变化

2016—2019年，北京市三级医院门诊服务长期占据主导地位，其门诊人次占比稳定在45%以上，基层医疗机构在整体门诊服务体系中的分流作用相对有限。2020年受疫情影响，三级医院门诊服务量下降幅度＞基层医疗机构，基层门诊占比出现阶段性被动上升，但这一变化主要源于突发公共卫生事件对就医行为的短期扰动，并未实质改变既有就医结构。

随着医疗服务逐步恢复，分级诊疗结构再次出现调整。2022年医保门诊共济保障机制扩容后，北京市基层医疗机构门诊服务占比明显提高，由扩容前长期维持在25%以下，逐步上升并在随后两年稳定保持在接近30%的水平，整体较扩容前提高4~5个百分点，且未出现明显回落（图3）。

图3 2016—2024年北京市基层医疗机构门诊占比变化趋势

受研究时段内样本量有限的影响，本研究未对政策实施前后进行参数统计检验，而以趋势性比较呈现结构变化。总体来看，医保支付制度改革在普通门诊及慢性疾病管理等可替代性较强的服务领域，对患者就医层级选择具有一定的方向性引导作用，与分级诊疗政策目标基本一致。但从整体服务结构看，三级医院仍承担主要诊疗任务，基层医疗机构在住院服务及复杂诊疗方面的承载能力提升相对有限，分级诊疗体系仍呈现“门诊分流相对明显、住院分流相对不足”的结构特征。

2.3 医疗资源配置与利用

表1展示了2016—2024年北京市三级公立医院与基层医疗机构每千人卫生人员数、床位数及服务利用率（门诊率、住院率）的年度变化。其中2016—2019年数据主要用于反映政策改革前的投入产出结构，2020年用于观察疫情冲击的短期影响，2021—2024年数据用于分析政策恢复期与医保共济机制实施后的资源利用特征。由表1可见，三级医院的每千人门诊率和住院率均显著高于基层机构，而基层医疗机构人员与床位投入虽逐年增加，但服务利用提升有限，呈现“资源扩张与利用不足并存”的特征。

表1 2016—2024年北京市不同层级医疗机构每千人卫生人员数、床位数及服务利用率（门诊率、住院率）

三级公立医院基层医疗机构年份每千人卫生人员数每千人床位数每千人门诊率每千人住院率每千人卫生人员数每千人床位数每千人门诊率每千人住院率（人/千人）（张/千人）（人次/千人）（人次/千人）（人/千人）（张/千人）（人次/千人）（人次/千人）20167.653.055 764.42131.713.000.202 422.431.2020178.013.195 245.13138.393.260.202 514.491.2020188.023.355 254.29149.153.580.222 896.161.3520198.423.505 717.96162.843.880.233 171.201.2120208.513.453 826.15104.143.950.242 661.260.5920219.233.795 526.55153.524.140.242 964.270.6920229.423.935 221.72148.334.200.242 952.620.69202310.004.176 470.31200.524.650.253 881.831.10202410.174.406 674.24221.104.650.244 234.981.10

2.4 北京市三级和基层医院资源配置静态效率分析

应用投入导向规模效率可变BCC模型，运用DEAP 2.1软件，对2016—2024年北京市三级医院和基层医疗机构医疗服务利用效率进行测算。见表2。从2016—2024年整体均值来看，三级医院的效率水平普遍优于基层医疗机构。三级医院的综合技术效率均值为0.90，纯技术效率均值为0.93，规模效率均值为0.97，大部分年份接近DEA有效，提示三级医院资源配置与利用整体趋于合理。相比之下，基层医疗机构的综合技术效率均值为0.86，纯技术效率均值为0.95，规模效率均值为0.90，提示基层医院在技术和管理方面相对有效，但在规模配置上存在一定短板。

表2 2016—2024年北京市不同层级医疗机构DEA效率结果

年份医院类型综合技术效率纯技术效率规模效率规模收益2016三级医院1.001.001.002016基层医疗机构0.891.000.89IRS 2017三级医院0.920.940.98IRS 2017基层医疗机构0.851.000.85IRS 2018三级医院0.940.980.96IRS 2018基层医疗机构0.890.980.91IRS 2019三级医院0.980.990.98IRS 2019基层医疗机构0.900.980.92IRS 2020三级医院0.640.750.86IRS 2020基层医疗机构0.740.880.85IRS 2021三级医院0.860.870.98IRS 2021基层医疗机构0.790.890.88IRS 2022三级医院0.800.830.96IRS 2022基层医疗机构0.770.890.87IRS 2023三级医院0.970.970.99DRS 2023基层医疗机构0.920.940.98IRS 2024三级医院1.001.001.00CRS 2024基层医疗机构1.001.001.00CRS均值0.880.940.94

注 IRS：规模报酬递增；DRS：规模报酬递减；CRS：规模报酬不变。

逐年变化显示，2016年两类机构均处于DEA有效或接近有效状态。2017—2019年，三级医院综合技术效率维持0.92~0.98，而基层机构0.85~0.90，三级医院始终高于基层。2020年受疫情冲击，三级医院效率下降至0.64，基层机构也降至0.74，揭示疫情对整体运行效率的阶段性抑制作用。2021年后效率逐渐回升，至2024年，两类机构均重新达到DEA有效。

由表2可见，综合技术效率、纯技术效率和规模效率分别反映CCR模型、BCC模型及二者比值结果。三级医院和基层医疗机构的综合技术效率均低于纯技术效率，提示部分效率损失主要来源于规模效率不足，而非纯技术效率不足。三级医院的规模效率接近1，提示三级医院规模结构整体处于合理区间；基层医疗机构的规模效率均值（0.91）明显低于三级医院（0.97），凸显基层机构存在“小而散”或“大而不精”的结构性矛盾。

规模报酬结果进一步揭示了不同层级医疗机构的运行特征。在多数年份中，三级医院处于规模报酬递增（increasing returns to scale，IRS）状态，提示在一定范围内扩张规模仍有助于提升效率；然而2023年出现规模报酬递减（decreasing returns to scale，DRS），提示三级医院在部分年份资源过度集中已导致边际效率下降。到2024年，三级医院的规模报酬状态转为规模报酬不变（constant returns to scale，CRS），提示资源配置与技术水平实现了同步优化。基层医疗机构2016—2022年始终表现为IRS，这显示基层医疗机构规模偏小，适度扩容并提高利用率能够促进效率提升；至2024年同样达到CRS，显示其资源配置逐步趋于合理。

2.5 宏观因素相关性分析

本研究对核心年度统计指标进行了Spearman秩相关分析。结果显示，三级医院住院人次与65岁及以上人口占比、GDP及人均GDP均呈正相关（rs=0.73，P＜0.05），提示经济发展和人口老龄化可能与三级医院住院服务需求增长有关。基层门诊人次与65岁及以上人口占比、GDP及人均GDP均呈强正相关（rs=0.85，P＜0.01），同时与三级医院住院人次呈强正相关（rs=0.95，P＜0.01），提示基层门诊服务利用增长与整体医疗需求释放及人口经济因素变化具有同步性。基层住院人次与三级医院人均门诊费用呈负相关（rs=-0.69，P＜0.05），与三级医院人均住院费用亦呈负相关（rs=-0.79，P＜0.05），提示费用水平变化可能与患者住院服务层级选择存在一定关联。见表3。

表3 宏观因素与医疗服务利用的相关性分析结果（rs值）

三级医院三级医院三级医院人均三级医院人均65岁及以上测量维度和指标基层门诊人次基层住院人次GDP人均GDP门诊人次住院人次门诊费用住院费用人口占比三级医院门诊人次1.00三级医院住院人次0.73a1.00三级医院人均门诊费用0.220.531.00三级医院人均住院费用-0.370.020.581.00基层门诊人次0.600.95aa0.68a0.271.00基层住院人次0.090.00-0.69a-0.79a-0.211.0065岁及以上人口占比0.430.73a0.93aa0.480.85aa-0.601.00 GDP0.430.73a0.93aa0.480.85aa-0.601.00aa1.00人均GDP0.430.73a0.93aa0.480.85aa-0.601.00aa1.00aa1.00

注 aP＜0.05；aaP＜0.01。

3 讨论

3.1 医疗服务总量波动增长，基层占比逐步提高

2016—2024年，北京市医疗服务总量呈现波动式增长。疫情期间，三级医院门诊与住院人次显著下降，随后在政策调控与服务供给恢复的共同作用下逐步回升；与此同时，基层医疗机构的服务比重整体呈上升趋势。2022年医保门诊共济保障机制扩容后，基层门诊占比由24.61%提升至29.25%，增加4.64个百分点，提示支付制度改革在普通门诊及慢性疾病管理领域对患者层级选择具有较为明确的结构性引导作用。由于改革前后样本量有限，本研究仅进行趋势性比较，但整体变化仍揭示改革的方向性影响。这一趋势与《健康北京行动（2020—2030年）》提出的“提高基层首诊率”目标基本一致，体现出政策在就医结构优化方面的积极推进作用[18]。尽管门诊端分流效果初步显现，但从服务规模及住院服务结构来看，三级医院仍承担主要的诊疗负荷，基层机构在住院端尚未形成有效承载能力。支付制度改革对“可替代性较强的门诊服务”影响显著，而对“依赖技术能力与患者信任的住院服务”的影响相对有限，这也是当前分级诊疗推进中普遍面临的结构性难点[19]。未来改革不仅需进一步提升基层利用率，还应引导三级医院减少普通门诊，将资源更多聚焦于疑难重症和高水平专科服务。北京市的实践也显示，支付方式改革虽能改善基层服务占比，但要实现就医结构的长期均衡，仍需与基层能力建设、医联体协作机制和服务质量提升同步推进，形成稳定持续的协同格局。

3.2 分级诊疗趋势与基层吸引力提升

研究期内，北京市基层医疗资源投入持续增加，每千人卫生人员数由2016年的3.00人上升至2024年的4.65人，但产出提升相对有限。基层每千人门诊率虽从2 422.43增至4 234.98，但仍低于三级医院同期水平（6 674.24）；基层住院率长期仅维持（0.59~1.10）人次/千人，反映基层住院服务在床位配置、专科能力和设备支撑等基础条件上存在明显短板，难以有效承接上级医院分流的患者。DEA结果显示基层机构综合技术效率均值约为0.86，并长期处于IRS阶段，提示基层医疗服务潜力尚未充分转化为有效产出。

在政策推动下，基层吸引力有所增强。医保门诊共济保障机制扩容后，基层门诊利用增速快于三级医院，表明支付制度改革在普通门诊和慢性疾病管理领域对患者层级选择具有明确引导作用[20]。同时，医联体建设和家庭医生签约服务强化了基层的连续性服务能力[21]。然而，这一改善主要集中在门诊部分。基层住院率未出现明显提升，说明住院服务在能力基础、技术可替代性及患者信任等方面仍存在结构性瓶颈[22]。既往研究亦指出，患者对基层机构的信任模式与三级医院存在显著差异，进而影响其首诊与住院选择意愿[23]。因此，北京市分级诊疗呈现“门诊先行、住院滞后”的结构特征。基层吸引力的提升仍需能力建设、医联体内部协同、住院服务质量改善及信任机制重塑的共同支撑，方能推动分级诊疗体系从结构改善向功能完善转变。

3.3 基于DEA结果的医疗资源配置与效率优化

DEA实证结果显示，三级医院效率整体保持在较高水平，但在2023年出现DRS，综合技术效率为0.97，提示优质资源在持续集聚后已接近规模边界，边际产出提升空间受到限制[24]。疫情冲击亦对体系效率造成阶段性影响：2020年三级医院综合技术效率降至0.64，基层机构降至0.74，反映突发公共卫生事件对供需两侧造成的扰动及资源利用效率的明显下降。基层医疗机构的综合技术效率均值约为0.86，规模效率均值约为0.90，并在2016—2022年持续表现为IRS，提示基层资源投入增长显著，但产出尚未充分转化，仍存在供需匹配不足和产能释放不充分的结构性问题。

值得关注的是，至2024年，三级与基层机构均达到CRS，反映出北京市通过医联体协同、资源下沉、政策引导等多重机制推动体系内部结构逐步优化，部分缓解了前期存在的规模失衡问题。这一变化与近年来北京推进紧密型医联体、专科联盟建设及区域医疗中心布局的改革方向相契合，凸显纵向协作和优质资源共享在提升整体效率方面的重要作用[25]。未来，三级医院需警惕资源持续聚集导致的边际效率下降，逐步从规模扩张导向转向质量提升、科研创新和疑难重症诊疗能力建设；基层机构则应依托医联体支持、人才梯队建设与数字化赋能，不断提升服务能力和患者吸引力。

北京的DEA结果显示，医疗资源配置优化需在“规模最优”与“结构均衡”之间实现动态协调，通过持续完善资源布局、加强跨层级协同与绩效激励机制，可促进卫生体系运行效率与可持续性的双重提升。

3.4 宏观经济与医保改革协同推动体系优化

本研究显示，三级医院住院人次与北京市GDP、人均GDP及65岁及以上人口占比均呈正相关（rs=0.73，P＜0.05），提示经济发展与人口老龄化可能与高层级住院服务需求增长存在同步关系。基层门诊人次与GDP、人均GDP及65岁及以上人口占比均呈强正相关（rs=0.85，P＜0.01），提示经济发展、居民医疗需求释放和人口结构变化更容易首先反映在基层门诊服务利用增长中。

医保改革在患者行为中的作用具有明显分层特征。2022年医保门诊共济保障机制实施后，基层门诊利用量显著提升，显示支付方式改革能够有效引导可替代性强的门诊服务向基层回流。然而，对于住院服务这一技术复杂度高、风险较大且患者信任度要求更高的领域，仅依赖支付制度难以实现明显分流。住院端结构性问题仍需供给侧能力建设、医联体内部协同与服务质量提升等因素共同作用[26-27]。因此，推动患者行为从“制度引导”向“服务驱动”转变是未来改革的关键方向。

对三级医院而言，需要适应更为精细化的医保支付与监管机制，由规模扩张逐步转向依靠技术优势与质量提升来实现高质量发展；对基层机构而言，应借助支付制度改革的动能，持续提升服务能力、诊疗质量与承载力，以增强患者在基层就医的信任和依从。北京的实践显示，医保制度创新必须与供给侧改革并行，通过完善支付方式、强化基金监管、优化医联体内转诊机制，才能进一步促进分级诊疗的有效落实与医疗资源的均衡配置。

4 结论

本研究基于2016—2024年北京市数据，系统分析了三级公立医院与基层医疗机构的投入产出结构及资源配置效率变化。结果显示，北京市医疗体系在政策改革与疫情冲击的共同作用下呈现出“门诊分流逐步显现、住院结构调整有限、效率水平阶段性波动”的特征。三级医院整体效率较高，但2023年出现DRS，提示资源持续集聚可能导致边际效率下降；基层机构综合技术效率均值约为0.86，长期处于IRS阶段，提示基层仍具备较大的产出提升空间。医保门诊共济保障机制扩容后，基层门诊占比提高4.64个百分点，显示支付制度改革对门诊层级选择具有明显引导作用。然而住院服务的分流效果不显著，反映出基层住院能力、服务供给与患者信任仍是分级诊疗推进的关键制约因素。宏观分析显示，经济发展与人口老龄化持续推动医疗需求增长，而费用因素会影响患者在不同层级的选择。

今后，北京市需抑制三级医院无序扩张，推动其从规模驱动向质量与创新驱动转型；同时进一步提升基层机构的服务能力与技术水平，强化医联体内协同机制和转诊闭环。医保支付制度创新应与供给侧改革并行，通过优化资源布局与提升体系整体效率，为超大城市分级诊疗体系建设提供可持续路径。

利益冲突说明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] 朱洪婧，蔡旺春. 中国医疗卫生资源配置水平及其空间差异的实证研究[J]. 卫生软科学，2025，39（5）：59-63，82.

[2] 陈丽娟，张帆，刘金宝. 分级诊疗制度下社区卫生服务中心医疗服务承载能力研究[J]. 中国卫生经济，2021，40（3）：46-50.

[3] 杨玥，张昊，张永勤. 某三级公立医院医生门诊工作负荷影响因素研究[J]. 中华医院管理杂志，2023，39（7）：523-528.

[4] 戎伟仁，杨玉洁，雷海潮. 北京市医药分开与医耗联动综合改革对公立医院医疗收入的影响分析[J]. 中国卫生经济，2022，41（5）：19-23.

[5] 赵静. 医保支付方式改革对公立医院运营管理的影响分析[J]. 中国科技投资，2025（9）：121-123.

[6] 北京市卫生健康委员会. 关于印发《北京市三级公立医院绩效考核工作实施方案》的通知[EB/OL]. （2019-09-09）[2025-10-31]. https://www.beijing.gov.cn/zhengce/zhengcefagui/201909/t20190916_294528.html.

[7] 国家卫生健康委办公厅. 关于2019年度全国三级公立医院绩效考核国家监测分析情况的通报[EB/OL].（2021-03-30）[2025-10-31]. https://www.nhc.gov.cn/yzygj/c100068/202103/c7aec4aafe70461095b4c577d1c266b5.shtml.

[8] 国家卫生健康委员会. 国家医学中心和国家区域医疗中心设置实施方案[S/OL]. （2019-01-25）. https://www.nhc.gov.cn/yzygj/c100068/201901/6189428b83644216ae67c39530209067.shtml.

[9] 国家卫生健康委员会. 国家区域医疗中心管理办法（试行）[S/OL]. （2022-12-21）. https://www.nhc.gov.cn/yzygj/c100067/202212/611ae4e134cb46a2b947ffdcc157d27b.shtml.

[10] 北京市卫生健康委员会. 北京市进一步加强和完善医联体建设工作方案[S/OL]. （2019-12-17）. https://wjw.beijingg.ov.cn/zwgk_20040/ztzl/yyfkzhgg/zcwj/201912/P020191217487218910972.pdf.

[11] 北京市发展改革委等. 北京市医疗卫生设施专项规划（2020—2035年）[S/OL]. （2021-09-10）. https://www.beijing.gov.cn/gongkai/guihua/wngh/qtgh/202109/t20210912_2490910.html.

[12] 陈冠南，杨臻煌. 基于DEA-Malmquist模型的我国公共医疗卫生资源配置效率评价研究——以我国30个省市地区的数据为例[J]. 福建医科大学学报（社会科学版），2022，23（4）：14-22.

[13] HOLLINGSWORTH B. The measurement of efficiency and productivity of health care delivery [J]. Health Econ，2008，17（10）：1107-1128.

[14] 姜城蕾，宋国强，邱林萍，等. 我国医疗卫生机构投入产出效率研究——基于三阶段DEA模型[J]. 南京医科大学学报（社会科学版），2023，23（5）：409-414.

[15] YI M，PENG J，ZHANG L，et al. Is the allocation of medical and health resources effective? Characteristic facts from regional heterogeneity in China [J]. Int J Equity Health，2020，19（1）：89.

[16] KOHL S，SCHOENFELDER J，FUEGENER A，et al. The use of Data Envelopment Analysis （DEA） in healthcare with a focus on hospitals [J]. Health Care Manag Sci，2019，22（2）：245-286.

[17] WANG M，FANG H，TAO H，et al. Bootstrapping data envelopment analysis of efficiency and productivity of county public hospitals in Eastern，Central，and Western China after the public hospital reform [J]. J Huazhong Univ Sci Technolog Med Sci，2017，37（5）：681-692.

[18] 北京行动推进委员会. 关于印发《健康北京行动（2020—2030年）》的通知[EB/OL].（2020-03-30）[2025-09-10].https://www.beijing.gov.cn/zhengce/zhengcefagui/202006/t20200602_1913346.html.

[19] 马琦，徐婕，史雨，等. 医联体背景下分级诊疗的难点与对策[J]. 医学与哲学，2024，45（12）：22-24.

[20] 马丽平，张炳珍，郭毅佳，等. 门诊共济保障机制下职工基本医疗保险基金监管存在的问题和对策[J]. 医学与社会，2025，38（3）：73-77.

[21] 柳松艺，孟文奇，彭海波，等. 签约居民对家庭医生签约服务连续性的评价及其影响因素研究[J]. 中国全科医学，2022，25（34）：4312-4317.

[22] 童西洋，李红玉，苏军，等. 三甲医院与基层医疗卫生机构的患者信任模式比较：基于访谈与调查实验法的混合研究[J]. 中国卫生政策研究，2024，17（4）：38-44.

[23] 赵世超，童西洋，张安琪，等. 患者信任模式和水平对基层首诊意愿的影响研究[J]. 中国卫生政策研究，2021，14（8）：16-20.

[24] TONE K，SEIFORD L M，COOPER W W. Data envelopment analysis：a comprehensive text with models，applications，references and DEA-solver software [M]. 2nd ed.New York：Springer，2007：490.

[25] 杨茜雯. 基于SWOT分析的北京市专科医联体建设策略探索[J]. 中国医药导报，2024，21（22）：174-178.

[26] 李乐乐. 北京市人口老龄化与医疗费用增长研究[J].现代管理科学，2017（11）：36-38.

[27] 李乐乐，杨燕绥. 人口老龄化对医疗费用的影响研究——基于北京市的实证分析[J]. 社会保障研究，2017（3）：27-39.

Evolution of healthcare resource allocation efficiency in Beijing from 2016 to 2024 and its implications for the development of tertiary public hospitals

YANG Yue1 ZHAO Tong2 ZHAO Wanquan1

1.Office of Operation Management, Beijing Tiantan Hospital, Capital Medical University, Beijing 100070, China;2.Department of Human Resources, Beijing Tiantan Hospital, Capital Medical University, Beijing 100070, China

[Abstract] Objective To examine the changing trends in healthcare resource allocation efficiency in Beijing from 2016 to 2024, compare the operational characteristics of medical institutions at different levels, and analyze the implications for the future development of tertiary public hospitals. Methods The study included tertiary public hospitals and primary medical institutions in Beijing that continuously provided healthcare services between 2016 and 2024. Data were obtained from the Beijing National Economic and Social Development Statistical Bulletin and the Beijing Health Development Statistical Bulletin, covering population, economic, and healthcare service indicators. Health personnel and hospital beds were used as input variables, while outpatient and inpatient visits were used as output variables. Data envelopment analysis (DEA) using the CCR and BCC models was applied to estimate overall technical efficiency,pure technical efficiency,and scale efficiency. Trend analysis and Spearman correlation analysis were further conducted to explore the relationships among healthcare utilization, cost levels, and macroeconomic factors. Results The total volume of healthcare services in Beijing showed a continuous increase from 2016 to 2019. In 2020, outpatient and inpatient service volumes declined significantly compared with 2019 due to the COVID-19 pandemic (P＜0.05), followed by a gradual recovery from 2021 onward. Per capita outpatient and inpatient costs exhibited an overall upward trend, with more pronounced increased during the pandemic period. After the expansion of the outpatient mutual-aid medical insurance mechanism in 2022, the proportion of primary care outpatient visits increased from less than 25% to over 30%, showing a sustained upward trend. DEA results indicated that tertiary hospitals generally maintained a high level of efficiency (mean approximately 0.90); however, decreasing returns to scale were observed in 2023, suggesting declining marginal efficiency associated with excessive resource concentration. Primary medical institutions showed slightly lower efficiency (mean approximately 0.86) and remained in a state of increasing returns to scale over most years, indicating potential for further improvement in scale and utilization. Spearman correlation analysis showed that inpatient visits in tertiary hospitals were positively correlated with GDP, GDP per capita, and the proportion of the population aged 65 years and older (rs=0.73,P＜0.05). Outpatient visits in primary medical institutions were strongly positively correlated with GDP, GDP per capita,and the proportion of the population aged 65 years and older (rs=0.85, P＜0.01). Inpatient visits in primary medical institutions were negatively correlated with per capita outpatient costs (rs=-0.69) and per capita inpatient costs (rs=-0.79) in tertiary hospitals (P＜0.05). Conclusion From 2016 to 2024, healthcare resource allocation in Beijing exhibits notable structural changes under the combined influence of policy adjustments and external shocks. Medical insurance payment reforms play a guiding role in the redistribution of healthcare demand, primarily in outpatient services, while the diversion of inpatient services remains constrained by the functional positioning and carrying capacity of primary medical institutions. Improvements in healthcare resource allocation efficiency are driven less by resource expansion than by the alignment of institutional scale, service functions, and inter-level coordination. Future efforts should focus on enhancing primary care capacity while preventing excessive concentration of high-quality resources, thereby promoting a more balanced and coordinated healthcare system.

[Key words] Beijing; Healthcare resource allocation; Data envelopment analysis; Tertiary public hospitals; Hierarchical diagnosis and treatment

[中图分类号] R197.32

[文献标识码] A

[文章编号] 1673-7210（2026）07（a）-0116-08

DOI：10.20047/j.issn1673-7210.25091107

[作者简介] 杨玥（1990.11-），女，硕士；研究方向：医院绩效管理、运营管理。

[通讯作者] 赵万全（1979.10-），男，首都医科大学附属北京天坛医院运营管理办公室主任；研究方向：医院绩效管理、运营管理。

（收稿日期：2025-09-15）

（修回日期：2026-01-15）