Evaluation and convergence analysis of the medical service efficiency in rural medical health centers China
Notice bibliographique
Résumé
Abstract Background Rural Medical Health Centers (RMHCs) are the foundation of the three-level primary medical and healthcare service in China. The efficiency of RMHCs is related to the rationale behind healthcare resource allocation for China’s 560 million rural population. Methods This study analyzed the dynamic changes in efficiency of RMHCs and its convergence using the non-oriented SBM–DEA window model and convergence model in Shanxi Province, China. Data was obtained from the Shanxi Rural Health Institute’s 2014–2018 Health Statistics Report, involving 12360 RMHCs. Results Findings show that the medical service efficiency delivered in RMHCs is low. The average scores for the comprehensive technical efficiency and pure technical efficiency of the RMHCs in China from 2014 to 2018 were only 0.0568 and 0.0615 respectively, with nearly 68% of the values being lower than their average scores. The comprehensive technical efficiency and pure technical efficiency of RMHCs from 2014–2018 exhibited a downward trend year on year. The convergence analysis results also showed that current rural health clinic medical service efficiency had \({\alpha }\) convergence, absolute convergence and conditional convergence. If appropriate policies are followed, the medical service efficiency of the RMHCs can be improved to reach a steady-state level. Conclusions The medical service efficiency of RMHCs remains low and may gradually decline. The government should promote the efficiency of the medical service in RMHCs by formulating corresponding medical and health resource allocation policies to reach an optimal level.
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 | 0,033 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».