The Impact of County Medical Community Reform on the Medical Service Efficiency of County-Level Public General Hospitals in China: A Case Study of Shanxi Province
Notice bibliographique
Résumé
China introduced the county medical community (CMC) reform, aimed to provide high-quality medical resources to rural citizens, in 2017. This study examines the impact of the reform on the medical service efficiency of county-level public general hospitals in Shanxi Province, China. In total, 92 county-level public general hospitals from Shanxi Province were taken as the research objective, and the super-efficiency SBM-DEA model was applied to measure medical service efficiency. Further, a two-way fixed-effect model was used to evaluate the impact of CMC reform on the medical service efficiency of county-level public general hospitals by using health statistics data from 2014 to 2018. The study reveals that the CMC reform improved the medical service efficiency of county-level public general hospitals by 15.6%. Moreover, the CMC reform had regional heterogeneity in its impact on the medical service efficiency of county-level public general hospitals. The CMC reform improved the medical service efficiency of hospitals in the southern region more than in the northern region of the province. The medical service efficiency of hospitals in the central region was also improved by CMC reform, but the causal relationship was not found significant. Further, hospital-level factors (e.g., fixed assets, hospital stay, and regional health center) and environmental factors (e.g., GDP, population, urbanization rate, and government subsidies) affected the medical service efficiency of county-level public hospitals during the process of promoting the CMC reform.
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 | 0,026 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».