Equity in public health spending in Ethiopia: a benefit incidence analysis
Notice bibliographique
Résumé
Inequality in access and utilization of health services because of socioeconomic status is unfair, and it should be monitored and corrected with appropriate remedial action. Therefore, this study aimed to estimate the distribution of benefits from public spending on health care across socioeconomic groups in Ethiopia using a benefit incidence analysis. We employed health service utilization data from the Living Standard Measurement Survey, recurrent government expenditure data from the Ministry of Finance and health services delivery data from the Ministry of Health's Health Management Information System. We calculated unit subsidy as the ratio of recurrent government health expenditure on a particular service type to the corresponding number of health services visits. The concentration index (CI) was applied to measure inequality in health care utilization and the distribution of the subsidy across socioeconomic groups. We conducted a disaggregated analysis comparing health delivery levels and service types. Furthermore, we used decomposition analysis to measure the percentage contribution of various factors to the overall inequalities. We found that 61% of recurrent government spending on health goes to health centres (HCs), and 74% was spent on outpatient services. Besides, we found a slightly pro-poor public spending on health, with a CI of -0.039, yet the picture was more nuanced when disaggregated by health delivery levels and service types. The subsidy at the hospital level and for inpatient services benefited the wealthier quintiles most. However, at the HC level and for outpatient services, the subsidies were slightly pro-poor. Therefore, an effort is needed in making inpatient and hospital services more equitable by improving the health service utilization of those in the lower quintiles and those in rural areas. Besides, policymakers in Ethiopia should use this evidence to monitor inequity in government spending on health, thereby improving government resources allocation to target the disadvantaged better.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».