医疗服务获取的空间公平性一直是可持续城市发展的关键目标，但传统的空间公平框架常常无法全面反映实际医疗使用的复杂性。本次我们给大家带来的论文，运用了智能交通卡数据和出租车轨迹数据，将潜在的医疗获取机会与实际医疗使用情况相结合，更准确地评估了医疗服务获取的空间公平性。

-----------欢迎大家关注公众号----------

【论文题目】

Spatial equity in healthcare access: An opportunity-utilization perspective

【题目翻译】

医疗服务获取的空间公平性：基于机会-使用视角

【期刊信息】

Cities, Volume 155, December 2024, 105424

【作者信息】

Fangye Du，电子科技大学公共管理学院；

Jiaoe Wang（通讯作者），中国科学院地理课学与资源研究所，区域可持续发展分析与模拟重点实验室， wangje@igsnrr.ac.cn；

Liang Mao，佛罗里达大学地理学院，

Yan Liu，电子科技大学公共管理学院。

【论文链接】

https://doi.org/10.1016/j.cities.2024.105424

【关键词】

空间公平、可达性、医疗服务使用、垂直公平、大数据。

【前言】

公平是一个多维度的概念，涉及多种理论视角的探讨，包括罗尔斯的正义理论（Rawls’s theory of justice ）和森的能力方法（ Sen’s capability approach）。罗尔斯强调在资源分配中保护弱势群体，而森则进一步指出，公平还必须考虑个体的能力。然而，行为地理学强调了个体行为和选择的复杂性；即便是能够获得医疗设施的居民，因种种因素也可能选择不使用这些设施（Du et al., 2020; Wang et al., 2020）。尽管这一点非常重要，实际资源使用情况往往没有充分纳入现有的公平评估框架。忽视这一点可能导致健康规划者错误识别服务缺口，从而设计出效果不佳的干预措施。为了解决这一问题，我们提出了一个综合框架，用于评估获取医疗服务的空间公平性，强调实际机会和使用的双重考虑。

实证研究引入了水平公平和垂直公平的概念，前者关注于资源的平等分配，后者则考虑不同需求和获取能力的差异（Goddard & Smith, 2001; Parmar & Banerjee, 2019; Wagstaff et al., 1991）。相关研究同样未能将医疗服务使用纳入医疗获取空间公平性的衡量中，可能是因为缺乏准确捕捉这一方面的数据。尽管理想情况下患者注册数据能提供这些信息，但由于隐私问题和其他挑战，往往难以获取。来自手机、出租车、公交和地铁的电子出行记录在行为研究中被越来越广泛地使用，能够提供个体移动模式的详细洞见（Du et al., 2024; Huang et al., 2018; Wang et al., 2023）。这些记录对于捕捉求医行为、克服获取医疗服务使用信息的挑战具有重要作用（Du et al., 2022; Du, Wang, et al., 2021; Kong et al., 2017）。本文将空间公平性理论框架应用于中国北京，使用从智能卡和出租车轨迹数据推导出的求医出行数据集。这一数据集使我们能够详细评估观察到的医疗服务使用和获取机会，并考虑医院选择因素。通过分析这些机会与使用之间的关系，我们评估医疗服务获取的空间公平性，并探讨其潜在的决定因素。

【文献综述】

2.1 定义空间公平

公平或正义是一个被广泛接受的概念，其本质通过多种理论视角进行探讨，包括自由主义、功利主义、平等主义、罗尔斯的正义理论以及森的能力论（Pirie, 1983; Rawls, 1971）。在审视医疗设施的公平性时，罗尔斯的正义理论和森的能力论提供了重要的理论框架。在《正义论》一书中，罗尔斯提出了两个基本原则：平等自由原则，主张每个人享有平等的基本权利；差别原则，则认为社会和经济不平等应当以惠及社会中最弱势群体的方式进行安排。罗尔斯运用了“无知之幕”的概念，认为处于原始状态的理性个体会选择这些正义原则，因为他们并不知道自己的社会地位或资源在社会中的分配情况。森对罗尔斯的正义理论进行了批判，并进一步发展了他的能力论。他认为，罗尔斯过于关注资源的分配，而忽视了这些资源如何影响个体实现目标的实际能力。能力论的核心概念包括功能和能力，功能包括如健康、教育和生活标准，能力即实现这些功能的自由和机会，使个体能够在特定社会背景下选择和实现自己的潜能。森强调，关注的应是人们能够实现的目标，而不仅仅是他们拥有的资源。他指出，个体和群体在将资源转换为功能的能力上差异显著，因此社会政策应关注提升每个人的能力和自由。

随着这些概念的发展，水平公平和垂直公平的理论也随之出现。水平公平关注于不同群体和地区之间资源的平等分配，旨在确保每个人都有平等的机会和权利获取资源，代表了一种绝对公平的理想（Ingram, 1971; Lu et al., 2007）。然而，这种方法未能考虑到对资源的不同需求和个体获取资源能力的差异（Glorioso & Subramanian, 2014; Jiang et al., 2020; Ricciardi et al., 2015）。相比之下，垂直公平试图通过考虑个体不同特征和背景下的资源需求和获取能力的差异来解决这些不足（Vincent & San, 2018）。其目标是以满足个体不同需求的方式分配资源，从而促进一种更细致的公平形式（Laura, 2011）。虽然垂直公平在理解公平方面有所进步，但仍然侧重于潜在机会和潜在需求，而非实际使用。行为地理学强调了人类行为的复杂性。在医疗设施使用的背景下，居民表现出选择行为，这意味着即使某个设施可达，他们也可能不会使用。因此，医疗设施公平性的评估必须超越单纯的资源分配，还要全面考虑资源的实际使用和个体能力的差异。

2.2 衡量获取医疗服务的空间公平性

在研究医疗服务获取的空间公平性时，许多研究使用洛伦兹曲线、基尼系数、泰尔指数、赫芬达尔-赫希曼指数和集中度指数等指标，分析医疗资源分配中的空间不平衡（Wagstaff et al., 1991）。此外，一些研究采用两步浮动捕捉区方法来衡量医疗可达性，旨在揭示医疗资源分配中的空间公平模式（Dai, 2010; Panagiotopoulos & Kaliampakos, 2018）。虽然这些方法在评估潜在获取机会方面十分有用，但往往忽视了居民实际医疗使用的关键因素，包括他们获取服务的能力和具体的医疗需求。

垂直空间公平的概念试图通过考虑医疗需求来解决这些不足。一些研究通过问卷调查医疗需求是否得到满足，旨在揭示个体层面的垂直公平（Vincent & San, 2018; Wang & Yaung, 2013）。尽管这一方法有助于提供更细致的公平理解，但医疗资源通常在空间单位层面进行考量，而非个体层面。当前的研究往往无法捕捉实际医疗使用的复杂性。这种对垂直空间公平有限的应用突显了现有方法中的一个重要缺口。因此，迫切需要更全面的方法，将获取机会和实际使用相结合，以更好地理解和解决医疗服务中的空间公平问题。

2.3 医疗服务空间公平性的相关因素

将与医疗服务获取相关的三个基本要素，即医疗供应、需求及其之间的障碍因素，分别进行总结。医疗供应主要由医疗资源的规模和分配决定（Hu et al., 2019）。居民的医疗需求受其健康状况和求医意识的影响，而这些因素又间接受到人口特征、社会经济属性以及与医院的接近程度等的影响，包括年龄结构、社会经济状况、教育程度、语言障碍和距离医院的远近（Li et al., 2022）。例如，Field（2000）指出，老年人对医疗服务的需求更大。

关于与障碍相关的因素，空间因素如供应与需求之间的地理距离无疑是一个关键因素（Mao & Nekorchuk, 2013; Vahedi et al., 2021; Wang et al., 2020）。例如，医疗资源往往集中在城市地区，导致农村人口获得医疗服务的机会明显低于城市人口。交通是克服地理距离的重要工具，因此交通可达性成为影响阻碍的关键组成部分（Du, Mao, et al., 2021; Haynes et al., 2006; Liu et al., 2021）。此外，非空间因素，例如居民获取医疗资源的能力和医疗资源的经济适用性，也对障碍产生显著影响（Haynes et al., 2006; Wagstaff et al., 1991）。这些因素与人口特征和社会经济属性密切相关，包括年龄结构、社会经济状况、教育程度和语言障碍（Field, 2000; Goddard & Smith, 2001; Kim et al., 2016）。例如，Gauthier和Wane（2011）发现，低收入个体倾向于选择医疗费用较低的医院，而高收入个体则更喜欢费用较高且质量更好的医院。上述证据将在帮助我们建立影响医疗服务获取空间公平性的指标体系方面发挥重要作用。

【概念框架】

现有的实证研究通常通过考察所谓的“潜在医疗机会”的空间差异来评估医疗获取的空间公平性（见图1）。这些机会通常采用两步浮动捕捉区（2SFCA）方法计算，该方法考虑了医疗资源的规模、人口规模以及医疗设施与人口之间的地理距离。这一方法估算了每位居民可获得的医疗资源。然而，由于获取居民医疗服务选择和使用情况的数据困难，这种方法往往忽视了实际的医疗使用。在大数据时代，电子出行记录提供了关于居民出行行为和活动的宝贵洞察。使用这些记录推导出的求医出行数据，我们能够识别出行的起点和终点，从而获得关于医院选择、每个网格单元内患者分布以及医院向当地居民与非当地居民提供服务的比例（即可用医疗服务）的关键信息。通过整合可用医疗资源、医院选择、地理距离和每个单元的人口规模等因素，我们可以使用2SFCA方法测量观察到的医疗服务获取机会。考虑到求医出行可能无法完全代表整个群体的行为，我们将其称为“观察机会”，而非“实际机会”。每个单元的患者数量，经过总人口标准化，代表观察到的使用情况。通过比较各单元的观察机会与使用情况，我们可以从机会和使用的两个角度更全面地理解医疗获取的空间公平性。此外，我们还将探讨影响医疗获取空间公平性的因素。

图1  概念框架

【方法论】

4.1 收据收集与描述

为演示和验证所提出的框架，我们在中国北京进行了案例研究。作为首都和人口众多的特大城市，北京拥有丰富的医疗资源。然而，人口和医院的空间高度集中，导致医疗服务获取存在显著差距。这些特征使得北京成为我们研究的理想场所。如图2所示，北京的城市结构明显是单中心结构，67%的居民和超过90%的三级医院集中在六环路以内。因此，将其作为我们的研究区域。我们将研究区域划分为1公里 × 1公里的网格，每个网格作为基本分析单元（Kong et al., 2017; Wang et al., 2020）。随后，我们收集和处理了关于电子出行记录、人口分布、医院位置以及每个网格单元的人口和经济属性的数据集。

图2 研究区，网格单元，医院和公交车站分布

本研究使用的求医出行数据来源于智能卡数据和出租车轨迹记录，突出了这些数据对整个求医群体的代表性。首先，北京先进的公共交通系统和丰富的出租车资源使这些出行方式成为日常出行的重要选择。其次，许多知名医院位于内城，停车位有限。例如，北大第三医院仅有400个停车位，但每日接待超过7000名患者。因此，公共汽车和出租车成为求医的热门出行选择。

关于智能卡数据，自2015年以来，北京所有公交线路采用了基于距离的票价系统。该系统记录乘客的出行信息，包括卡ID、运营日期、上车站点（经纬度）、下车站点（经纬度）和下车时间。我们在2015年4月6日至12日期间收集了近6000万条智能卡记录，涉及570万名独立的卡用户。需要注意的是，2015年的智能卡数据并未包括上车时间信息。我们使用到达每个公交车站的时间来近似乘客的上车时间。智能卡数据的示例如表1所示。

表1 智能卡数据范例

出租车轨迹数据。该数据集包含了每辆出租车的位置、时间、状态（空车或载客）和速度的信息。此外，这些信息大约每10秒记录一次，位置精度约为10米，这对于研究求医行为是可以接受的。基于出租车的位置、时间和状态信息（见表2），我们识别了每次出行的接送地点，结果显示在2015年4月1日至4月26日期间，共有约880万次出租车出行。所有出行记录经过清理，去除了因数据记录或处理错误导致的无效点，例如行驶距离小于10米、行驶时间为零秒和速度超过130公里每小时的记录。

表2 出租车轨迹数据

人口数据。本研究的人口数据来自中国最大的电信公司之一——中国联通提供的移动信令数据。该数据集覆盖2019年9月，包含唯一用户ID、时间戳和位置。为了确定每个网格内的居民数量，我们遵循以下步骤：1. 定义观察时间：观察时间设定为21:00至次日08:00。2. 计算用户观察时间：计算每个用户在这段时间内每天被观察的总时间，在一个月内累积这些时间，并对它们进行排名。排名最高的表示用户的居住位置。3. 确认居住天数：确认该用户在一个月内在北京停留了10天以上。

医院数据。中国，医院分为初级、二级和三级，三级医院是规模最大、技术最先进、质量最高的医院。这些医院的显著吸引力使得许多患者愿意长途跋涉前往就医，因此它们是本研究的重点。从百度地图（2015）中，我们识别出50家三级医院。

4.2 医疗服务获取的空间公平方法

图3展示了衡量医疗获取空间公平性的整个技术路线图。关键步骤包括推断求医出行、测量观察到的医疗使用和机会，以及评估医疗获取的空间公平性，具体描述如下。

图3 技术路线

从智能卡数据推断求医出行。我们采用Du et al. (2020)的方法，根据空间、时间和行为约束识别求医出行。首先，我们将个人在一天内的所有出行通过其唯一ID连接起来。通过分析一次出行的下车点和下一次出行的上车点之间的空间距离和等待时间，我们识别了换乘时间和距离。结果显示，换乘时间为20分钟，换乘距离为500米。基于此，我们为每个个体构建了出行链。接下来，我们考虑城市居民使用公共交通时，从下车点到医院入口的可接受步行距离。在北京，这一距离为500米（Zhao et al., 2011），与我们计算的换乘距离一致。在求医后，个体通常从附近的公交站离开医院。因此，我们选择那些“上车”和“下车”站点均在同一家医疗设施500米范围内的出行链，以识别与医院活动相关的出行。此外，通过分析在医院或医院附近的停留时间，我们发现超过80%的出行持续时间在50到300分钟之间。因此，我们筛选出持续时间在50到300分钟的出行链，以考虑医疗服务所需的时间（Ofili & Ofovwe, 2005; Oche & Adamu, 2013）。最后，基于慢性病患者的出行频率，我们仅筛选频率低于每三天一次的出行（Winkelmann, 2004; Ophem, 2011）。这一过程共识别出超过50,000次求医出行。

从出租车轨迹数据提取求医出行。使用Du et al. (2020)的方法，我们通过分析医院与出租车上下车点之间的空间关系来识别医院出行。我们在医院入口周围以10米间隔创建环形缓冲区，观察到0到40米之间的出行量增加，而40到50米之间的出行量减少。超过50米后，由于包括了其他目的地，出行量再次增加。因此，我们将距离医院门口0到50米内的出行归类为医院出行。在2015年4月1日至4月26日之间，共记录到250,598次前往医院的出租车出行。这些来自电子记录的求医出行用于估算医疗供应、需求和空间获取的公平性。

观察到的医疗机会。观察到的医疗机会通过可用医疗资源的床位数量来衡量。由于三级医院服务于全国各地，我们排除了外地患者使用的医疗资源。来自城市间交通枢纽（如高铁站和机场）的求医出行被视为外出出行。通过计算本地居民与外地患者的比例，我们评估分配给本地居民的医疗资源。接着，我们使用增强版的两步浮动捕捉区（2SFCA）方法计算每个网格的医疗机会，从而提供居民获得医疗服务的洞察。在我们的模型中，网格与医院之间的求医出行在定义医院服务区域时至关重要。此外，医院周围3000米范围内的网格（代表非机动交通的出行距离）也被纳入这些服务区域。医疗机会用每1000人口的床位数量来量化，具体步骤如下：

其中， Ai  是网格 i 的医疗获取。Sj 表示医院 j 可以提供的医疗服务。Pk  代表网格 k 的人口规模。ji 是医院 j 服务的人口集合，ij 代表为人口网格 i 提供医疗服务的医院集合。

观察到的医疗使用。求医出行提供了关于患者来源和医院偏好的宝贵洞察，是实际医疗使用的重要指标。因此，在特定区域内，医疗用户的高度集中表明对医疗资源的显著需求。在本分析中，我们通过统计使用公交和出租车求医的患者来源来量化医疗使用。总体医疗使用由依赖这些交通方式的居民比例决定。为了确保与医疗机会的可比性，我们也计算每千居民的医疗使用。

医疗获取的空间公平性。我们使用 Z值标准化每个网格内的医疗机会和需求，并计算差值以确定医疗获取值。根据该值，我们将区域分类为三种类型：过剩、平衡或短缺。具体来说，差值超过 0.5 的网格被分类为过剩区域，差值在 -0.5 到 0.5 之间的网格被视为平衡区域，而差值低于 -0.5 的网格被识别为短缺区域。

4.2.3 空间计量经济模型

我们还希望解释 Y（医疗获取值）与当地社会经济和环境因素（X）之间的变化（见表2）。为了确保系数的可比性，所有因变量均使用 Z 值进行标准化。为了解决空间自相关问题，我们采用了空间计量经济学模型，包括空间误差模型（SEM）、空间滞后模型（SLM）和空间杜宾模型（SDM）（Elhorst, 2010; Wang et al., 2022）。空间权重矩阵通过邻接边角（W1）和 k 最近邻（W2）方法设置。基线模型、SDM、SEM 和 SLM 的公式如下：

其中，y是因变量，包括反映公交乘客需求的指标；X 代表常数和自变量，包括影响医疗获取空间公平性的外部和内部因素；β表示每个变量的相应参数；ϵ 是模型的残差；W是空间权重矩阵，Wy 代表因变量的空间滞后，表示来自邻近区域的公交乘客的空间加权平均值，WX自变量的空间滞后，即来自邻近区域的自变量的加权平均，系数 ρ 和 θ 分别表示对邻近区域的因变量和自变量的影响，并表示相关残差的空间滞后。

空间计量经济模型的选择基于以下测试。首先，使用拉格朗日乘数（LM）诊断方法，包括拉格朗日乘数（LM）误差检验、LM-滞后检验、稳健 LM-误差检验和稳健 LM-滞后检验，以判断模型中是否存在空间滞后依赖或空间误差依赖。其次，若 SDM 可简化，需根据 ρ 的值检查 SLM 和 SEM（Elhorst, 2010; LeSage & Pace, 2009）。当 𝜌≠0且 𝜃=𝜆=0时，应选择 SLM；当 𝜌=𝜃=0且𝜆≠0时，应选择 SEM；当假设 𝐻0:𝜃=0和 𝐻1:𝜃+𝜌𝜆=0通过瓦尔德检验被拒绝时，优先选择 SDM 而非 SLM 和 SEM。此外，因变量的描述和数据来源见表3。

表3. 有关因变量的详细信息。

【实证结果与解释】

5.1 医疗获取的空间公平性模式

5.1.1 观察到的医疗机会：多中心结构

医疗获取机会通过增强版的两步浮动捕捉区（2SFCA）方法计算，量化为每千人床位数。医疗获取机会的均值为每千人1.9张床位，分布广泛，从0.01到每千人16张床位不等。为了进一步分析数据，医疗获取机会使用 Z 值进行标准化，表示高于或低于均值的标准差数量。

如图4所示，医疗获取机会呈现出独特的空间结构，具有异质性和多中心性。这一模式与三级医院的分布密切相关。医疗获取机会超过均值1.5倍标准差（约每千人6张床位）的网格单元主要集中在四环路以内和西南角附近的良乡医院和西北角的北京国际医院附近。其背后的原因在于，三级医院主要集中在市中心，使得该区域的居民能够方便地获取医疗资源。在北京国际医院附近的网格中有大量的医疗机会，这可以归因于它距离市中心较远，缺乏方便的公共交通选择，以及相对充足的停车位。使用公共交通获取医疗资源的患者主要位于医院附近。医疗获取机会超过均值0.5倍标准差（约每千人4张床位）的网格的主要中心主要位于医疗获取机会超过均值1.5倍标准差的网格单元周围。这些网格主要位于四环路以内，此外，周边的三级医院附近也设有额外的中心。

图4 医疗服务机会的空间模式

5.1.2 观察到的医疗使用：单中心结构

医疗使用情况以每千人需求的数量来衡量，平均为5.5，范围从0到163。在网格单元之间存在显著差异，最高需求超过均值的7.4个标准差，而最低需求则低于均值0.5个标准差。约83.8%的网格位于-0.5到0.5个标准差之间，而仅有16.2%超过均值0.5个标准差。

如图5a所示，医疗使用呈现出独特的单中心结构。四环路内的医疗使用显著高于四环路与六环路之间的区域。医疗使用超过均值1.5倍标准差的网格主要集中在四环路以内。与人口分布相比，四环路内的人口密度和医疗使用相对一致（见图5a和5b）。然而，在中心区域，医疗使用和居民分布集中地的网格并不完全重叠。这一差异可能是由于许多求医行为起源于工作地点而非居住区域，而工作机会也主要集中在这些中心区域。在边缘区域，分布的不均衡性更加明显，人口集中在大兴、通州和房山等行政区中心。然而，医疗使用在这些区域的集中程度不如人口集中程度明显，更加集中在三级医院周围。这一现象受到居民年龄结构、身体健康状况、求医行为意识以及获取医疗服务便利性等因素的影响。最后，考虑观察到的医疗使用分布是至关重要的。

5.1.3 医疗获取的空间公平性

医疗获取的空间公平性强调了医疗机会的可用性与不同地区相应需求之间错综复杂的关系。通过将网格单元分类为过剩、平衡或短缺组，我们可以深入了解医疗资源如何有效地与人口的需求对接。

如图6所示，过剩区域的医疗机会远远超过需求。这些区域主要位于五环路内，高等级医疗设施聚集在此。此外，城市边缘的主要三级医院附近，如良乡医院、北京大兴区人民医院、通州的东直门医院和北京国际医院，也存在过剩区域。这些地区受益于靠近这些设施的地理优势，从而拥有丰富的医疗资源。在市中心，多个高水平医院的存在进一步增加了医疗机会，而在边缘区域，较少的竞争者也促成了资源的过剩。平衡区域的医疗供需相对匹配，主要分布在五环路周围和通州区。这种平衡可能源于强大的医疗基础设施满足了高需求，或者是有限资源满足了较低需求。在这种情况下，这种平衡反映了有限的供应与相应的低需求的一致性，而非资源的过剩。这一区别强调了同时考虑医疗供给的绝对水平和每个区域人口及医疗需求特定背景的重要性。短缺区域的医疗使用超过可用机会，主要位于五环路与六环路之间，距离主要医疗设施更远。这些地区在获取医疗服务方面面临重大挑战，因为距离三级医院远和当地供给稀缺形成了获取必要服务的障碍。这种短缺常常因公共交通不足、医疗选项较少以及可能更高的健康问题发生率等因素而加剧，所有这些都导致了需求未得到满足。

5.2 医疗获取空间公平的相关因素

首先，方差膨胀因子（VIF）显示“青少年”与其他自变量之间存在显著的多重共线性，因此在后续分析中将其移除。接着，使用 K 最近邻权重矩阵计算的全局莫兰指数（Global Moran’s I）显示所有因变量和自变量在1%的显著性水平上存在潜在的空间自相关，因此采用了空间回归模型，包括空间误差模型（SEM）和空间滞后模型（SLM），以减少自相关的影响。在此我们考虑了两种类型的空间关系来生成空间权重矩阵：邻接边角（W1）和 k 最近邻（W2，k = 4）。模型规格见表4。

表4 估计结果

诊断统计结果表明，空间杜宾模型（SDM）在似然比（LR）、拉格朗日乘数（LM）和瓦尔德检验中表现最佳。医院的接近性、社会经济属性和交通可达性与医疗获取值之间存在强相关性。总体而言，社会经济和人口属性的系数，特别是经济因素，通常高于医院接近性和交通可达性因素。这是合理的，因为经济地位较高的个人通常有能力负担和获取比经济地位较低的人更高质量的医疗服务。医院接近性因素的系数大于交通可达性因素的系数。医院作为医疗服务的提供者，而交通作为获取医疗服务的手段。因此，医疗设施的可用性和接近性在决定医疗服务获取方面的作用大于交通的影响。从各类变量来看，社会经济和人口属性如经济、人口和老年人密度均与医疗获取的公平性呈显著正相关。在所有自变量中，经济因素的系数最大。这可能是因为经济地位较高的个人更有可能承担高质量医疗的较高支出，并且在获取医疗服务时能够克服更长的地理距离，而经济条件较低的个人则相对较难。人口和老年人密度的显著正系数表明，高人口密度和老年人密度的区域具有更高的医疗获取值，这与医院规划中更广泛的人口覆盖原则相一致。

医院接近性因素，包括hospital_1000、hospital_2000和 hospital_3000，都与医疗获取显示出显著的正相关。这是因为医院是医疗服务的提供者。此外，hospital_1000的系数大于hospital_2000 和hospital_3000，表明距离医院更近的区域具有更高的医疗获取值。这一观察与距离衰减法则一致，即随着距离医院的增加，医疗获取倾向于减少。

交通可达性因素，包括busstation_500、busstation_1000、metrostation_500、metrostation_1000 和 road，与医疗获取值呈正相关。这表明，交通基础设施可达的区域往往享有更高水平的医疗获取。此外，我们的分析显示，busstation_500和 metrostation_500 的系数高于 busstation_1000 和 metrostation_1000，进一步支持上述结论。中心距离与医疗获取值呈负相关。总体而言，医疗获取在中心区域普遍更广泛，相比之下，边缘区域的医疗获取相对较少，除非是位于城市边缘的三级医院附近的特定区域。

在不同的空间权重矩阵设定下，模型结果显示hospital_1000、hospital_2000、hospital_3000、经济因素、人口、老年人、busstation_500、busstation_1000、metrostation_500、metrostation_1000、road 和中心距离均对医疗获取值产生显著影响。因此，我们认为我们的模型及其结果系数在不同的空间关系或空间权重矩阵设定下是稳健的。

【结论和讨论】

所提出的框架揭示了如果仅考虑潜在机会则可能会被忽视的医疗不平等的空间模式。具体而言，我们发现过剩区域主要集中在市中心和边缘的三级医院附近，而平衡区域则在市中心和城市边缘之间更均匀地分布。相比之下，短缺区域则位于距离医疗设施更远的地方。医院接近性、社会经济特征、人口属性和交通可达性等因素均对医疗获取产生积极影响。其中，社会经济和人口因素，特别是经济状况，对医疗获取的影响强于医院接近性和交通可达性。随着数字和智能城市的发展，电子旅行记录的可用性将越来越多地赋权于城市设计者和卫生规划者。

本研究提出了若干政策建议以改善医疗获取的空间公平性。首先，医疗使用的分布与一般人口的分布不同，这可能是由于个人健康状况的多样性以及医疗意识和可负担能力上的差异。因此，加强健康和医学知识的传播是明智的，确保有健康顾虑的居民能够及时获得治疗和干预。这将对提升整体公共健康和促进健康公平发挥重要作用，同时也是控制医疗支出的关键因素。此外，建议通过优化医疗保险政策和其他手段提高更广泛人群的医疗可负担能力。这一努力将有助于减少医疗获取上的差距。交通可达性是影响医疗获取空间公平性的重要因素。我们建议建立直接的公共交通路线，以连接服务不足区域和医疗资源。这将帮助减少这些地区居民的时间和成本负担，最终提高医疗设施的可及性。此外，应优先在服务不足区域引入额外的医疗资源。最后，随着数字和智能城市的快速发展，电子旅行记录将提供越来越详细和准确的居民出行模式数据。政府部门和医疗规划者可以广泛使用这些信息，更好地理解居民的求医行为。这反过来将有助于有效使用医疗资源、促进公平获取医疗设施、推动健康公平，并进一步推动城市的可持续发展。

本研究的几个局限性值得讨论。首先，我们的目标是尽可能准确地识别求医出行链，尽管实现完整提取并不完全可行。然而，与传统调查数据相比，我们的方法产生了更大数据集用于评估医疗获取的空间公平性，并保持了合理的可靠性。此外，我们的研究仅关注单一交通模式下的求医旅行，即公交或出租车。未来的研究需要深入探讨连接的更广泛范围的跨模式出行。

-----------关注公众号----------