1. 引言
在经济高速发展的今天，人民的健康问题也随之得到了关注，健康是关乎居民生活和工作的重要影响因素，医疗卫生保障工作更是对推动国家经济的可持续发展和提高人民的生活质量发挥着中流砥柱的作用。在这新冠疫情逐渐放开的关键阶段，全国各地的经济发展情况不同，各省市的卫生医疗综合实力不尽相同，因此对全国各省市卫生医疗综合实力特征进行评价显得更加重要。
秦志勇 [1] 通过因子分析和聚类分析的方法选取安徽16个地级市研究其医疗卫生机构服务水平的差异，并结合各地的实际情况给出了合理的建议。杜宇昂、朱家明 [2] 对广东省21个地级市进因子分析，并通过建立聚类模型将服务水平类型做出了进一步的划分。白雨玲 [3] 使用6个指标并基于因子分析对全国医疗卫生资源配制的差异性和公平性做出评价，并给出了政策上的建议。刘平清等 [4] 采用因子分析法和TOPSIS综合评价模型对我国31个省市(区)医疗卫生情况进行了排名。本文基于因子分析的方法，根据卫生医疗的综合得分，将全国31个省市划为不同类别，并按照不同类别的卫生医疗综合实力特征，对各省市提出科学合理的建议。
2. 卫生医疗综合实力指标建立和数据来源
由于医疗卫生服务发展存在关联性因素多，为了更好衡量全国各省市的卫生医疗综合实力，构建科学的卫生医疗评价指标，本文从省市医疗卫生影响方面综合选取了17个指标，如表1所示。
Table 1. Selection of comprehensive evaluation index of health and medical treatment
表1. 卫生医疗综合评价指标选取
本文以全国31个省市为研究对象，相关数据来源于《中国年统计年鉴2021》，使用SPSS 23.0软件进行分析处理。
3. 全国各省市卫生医疗综合实力特征评价
3.1. 标准化处理
在实际的应用中，由于原始数据的单位不同，不存在可比性，因此需要先将指标标准化为无量纲的纯数，以消除单位所带来的影响 [5] 。
3.2. 适应性检验
运用KMO和巴特利特检验去判断所选的指标是否适合进行因子分析，结果如表2所示。KMO统计量的值为0.749 > 0.7，显著性水平为0.000，因此拒绝各变量独立的假设，原有变量之间存在相关性，适合用因子分析法进行研究。
Table 2. KMO and Bartlett test table
表2. KMO和巴特利特检验表
3.3. 提取因子
通过主成分分析对17个卫生医疗相关指标进行提取，可以看出除了X11、X13、X15和X16的共同度分别为55.9%、78.7%、77.7%和64.2%，其余各指标均在80%以上，说明对于原始变量保留程度较好，结果如表3所示。
从表4可以看出，因子分析一共提取了3个主因子，并且因子旋转前和旋转后的方差解释率分别为54.903%、24.457%和7.204%，且前3个公因子的累计方差贡献率为86.564%，说明上述3个因子能够解释全国各省市卫生医疗综合实力的绝大部分数据。
Table 4. Explanation of total variance
表4. 总方差解释
3.4. 因子载荷及因子命名
通过凯撒正态化最大方差法旋转后，3个因子的因子载荷如表5所示。卫生机构床位数、城镇基本医疗保险参保人数、卫生技术人员数、执业(助理)医师数、城乡居民社会养老保险参保人数、普通高等学校数量、医疗卫生机构数、地方财政医疗卫生支出、公路里程数、地区生产总值、各省客运量等评价指标在第一主因子F1上存在显著载荷，命名为卫生医疗行业竞争力；全体居民人均可支配收入、人均地区生产总值、科学研究和技术服务业城镇单位就业人员、地方财政科学技术支出等评价指标在第二主因子F2上有较高的载荷，命名为卫生医疗潜在发展力；医疗服务类居民消费价格指数、卫生和社会工作固定资产投资增长数等指标在第三主因子F3上有较高的荷载，所以可以命名为卫生医疗定价服务力。
Table 5. Rotation factor load matrix
表5. 旋转因子载荷矩阵
3.5. 因子得分
通过回归法计算出各评价指标在三个主因子上的得分，其成分得分系数矩阵见表6，并得出以下得分函数：
再根据表4构建综合评价模型：
计算出各省市的综合得分，结果见表7。其中总得分F越高，表明该省市的卫生医疗综合实力越强；总得分F越低，说明该省市的卫生医疗综合实力较弱，发展水平较低。
Table 6. Component score coefficient matrix
表6. 成分得分系数矩阵
Table 7. Scores of comprehensive health and medical strength of provinces and cities
表7. 各省市卫生医疗综合实力得分
4. 聚类分析
通过K-均值聚类的方法，以上述分析的因子得分为指标进行聚类分析，来分析全国31个省市的卫生医疗综合实力的相似性和差异性。其结果见表8。根据结果可知，全国各省市卫生医疗综合实力水平高的省市为广东、江苏，广东在卫生医疗综合实力在因子F1和F2上排名均为第三，在因子F3上排名第11，江苏在卫生医疗综合实力因子F1、F2和F3上分别排名第5、第4和第8，说明这两个地方在卫生医疗综合实力及卫生服务保障上有很大的优势。
Table 8. Clustering results of comprehensive strength of health care in China
表8. 全国卫生医疗综合实力聚类结果
卫生医疗综合实力较高的省市有河南、山东、四川、河北、湖南、湖北、安徽、广西、浙江。从表7的综合评价结果来看以上8个省市在地区医疗行业竞争力和卫生医疗潜在发展力上有较高得分，说明地区卫生机构床位数充足、参保人数众多、医务人员服务到位、地方财政的支持力度大、在就诊人员流动协调工作方面到位，是支撑医疗综合实力发展的中坚力量。
卫生医疗水平一般的省市有北京、上海。根据表7的综合因子得分数据来看，这2个城市的综合得分处于中等的水平，且北京、上海在卫生医疗综合实力在因子F1、F3上排名靠后，这可能受到是直辖市的范围有限的影响。但是在因子F2上分别位于第一、第二的位置，说明两地的卫生医疗的潜在发展力很强，卫生医疗科学技术发展迅速，对解决医疗难题及尖端医疗技术研发起重要作用。
卫生医疗水平实力低的省市有云南、江西、陕西、贵州、辽宁、山西、福建、重庆、甘肃、黑龙江、新疆、吉林、内蒙古、海南、天津、西藏、青海、宁夏。这18个省市的卫生医疗机构数量，医护人员数量，病床位总数等基础医疗资源较为匮乏，且城市的综合经济实力较差，导致居民生活水平质量难以得到有效提高．同时，没有相关医疗和科技产业的扶持，使城市的医疗保障产业竞争力较薄弱，影响了医疗卫生服务发展潜力的提升速度，最终导致了卫生医疗综合实力的相对较弱。
5. 评价与建议
5.1. 评价
医疗综合实力因子综合得分最高的是广东(F = 1.69)，得分最低的是西藏(F = −1.07)，说明地区之间的医疗资源差异较大。再通过对医疗综合实力得分的研究不难发现，我国的医疗资源存在明显的地理差异，西部地区的医疗综合实力明显不及东部地区，远海省市也比近海省市医疗资源要差。
通过K-均值聚类的方法将全国31个省市按照卫生医疗综合实力划分为高实力水平地区、较高实力水平地区、一般实力水平地区和低实力水平地区。其结果为：广东、江苏为高实力水平地区；河南、山东、四川、河北、湖南、湖北、安徽、广西、浙江为较高实力水平地区；北京、上海为一般实力水平地区；云南、江西、陕西、贵州、辽宁、山西、福建、重庆、甘肃、黑龙江、新疆、吉林、内蒙古、海南、天津、西藏、青海、宁夏为低实力水平地区。
5.2. 建议
5.2.1. 合理分配卫生医疗资源
对于医疗资源和实力较差的省市要合理增加医疗机构数量和相关医疗从业人员数量，并推进医疗保险和养老保险的覆盖率，国家可以在相关的政策上给予一定的倾斜。
5.2.2. 加大对医疗行业的投入
科学技术是推动医疗发展的动力，国家可以在医疗科技相关领域加大投资力度，通过高校的医学教育事业培养新时代的医务工作者，激发卫生医疗科技创新动力，通过优惠政策吸引国内外医学人才和医疗科技公司推动社会医疗体系的现代化建设。
5.2.3. 完善医疗服务定价体系
随着地区经济的发展以及社会物价的提高，医疗服务的价格也在步步攀升，这其中也有医疗研发成本高昂等客观的因素，但是长期以来价格问题是人民最关心的问题，也是相关医疗纠纷中重要的矛盾，因此对医疗服务定价的完善，对各方面因素充分考虑并寻找合适的价格标准，让定价受到患者和社会各方面的支持与理解。
基金项目
本文受到国家级大学生创新创业训练计划项目(编号：No. 202210379057)；安徽省大学生创新创业训练计划项目(通过葛万菌化石的显微镜下特征探索夹沟火山张夏组鲕粒灰岩成因)；宿州学院大学生创新创业训练计划项目(编号：No. KYLXYBXM22-078和KYLXYBXM22-080)的支持。