Determinants of healthcare expenditures in Iran: evidence from a time series analysis.
Notice bibliographique
Résumé
BACKGROUND: A dramatic increase in healthcare expenditures is a major health policy concern worldwide. Understanding factors that underlie the growth in healthcare expenditures is essential to assist decision-makers in finding best policies to manage healthcare costs. We aimed to examine the determinants of healthcare spending in Iran over the periods of 1978-2011. METHODS: A time series analysis was used to examine the effect of selected socio-economic, demographic and health service input on per capita healthcare expenditures (HCE) in Iran from 1978 to 2011. Data were retrieved from the Central Bank of Iran, Iranian Statistical Center and World Bank. Autoregressive distributed lag approach and error correction method were employed to examine long- and short-run effects of covariates. RESULTS: Our findings indicated that the GDP per capita, degree of urbanization and illiteracy rate increase healthcare expenditures, while physician per 10,000 populations and proportion of population aged≥ 65 years decrease healthcare expenditures. In addition, we found that healthcare spending is a "necessity good" with long- and short-run income (GDP per capita), elasticities of 0.46 (p<0.01) and 0.67 (p = 0.01), respectively. CONCLUSION: Our analysis identified GDP per capita, illiteracy rate, degree of urbanization and number of physicians as some of the driving forces behind the persistent increase in HCE in Iran. These findings provide important insights into the growth in HCE in Iran. In addition, since we found that health spending is a "necessity good" in Iran, healthcare services should thus be the object of public funding and government intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».