初级医疗机构（PHC）
初级卫生保健（PHC）或基层医疗服务在国家卫生系统中扮演着至关重要的角色。它是让个人、家庭和社区能够获得卫生服务的切入点，使人们能够在生活和工作地点尽可能近的地方获得基本的医疗服务。
基层医疗服务提供了连续性卫生服务的第一环。它的目标是提供全面、协调和持续的医疗保健，促进早期诊断和治疗，预防疾病，提高整体的健康水平。通过基层医疗服务，人们可以获得健康咨询、预防接种、基本医疗服务、慢性病管理、孕产妇保健、儿童保健等。
这一级别的医疗服务对于保障公众健康至关重要。通过建立健全的初级卫生保健系统，可以降低医疗服务的门槛，让更多人能够及时获得医疗帮助，减少医疗资源的浪费，同时也可以提高整体的卫生水平，降低疾病的发生率和传播风险。
在发展中国家和偏远地区，基层医疗服务尤为重要，因为它是唯一能够覆盖大部分人口的卫生服务机构。通过发展强大的初级卫生保健系统，可以促进整体的社会经济发展和公众健康水平的提升。
因此，初级卫生保健/基层医疗服务在国家卫生体系中具有不可替代的地位，是提供全民健康服务的关键组成部分。
作者和数据来源Author and data source
贾鹏
教授，博导，海外高层次引进人才（健康地理学/空间流行病学方向），湖北省高层次人才计划特聘教授，武汉市创新类产业领军人才，空间全生命周期健康国际研究中心主任（International Institute of Spatial Lifecourse Health）。
数据来源及介绍
高德地图(https://www. gaode.com)
高德地图是中国著名的地图导航和位置服务提供商，由阿里巴巴集团旗下的高德软件运营。它提供全面准确的地图数据和导航服务，涵盖了中国的城市和乡村，包括道路、交通状况、公共交通线路、商家位置、景点等信息。无论是驾车导航、步行导航，还是公共交通导航，高德地图都能为用户提供详细的路线规划和实时的交通状况。它还支持语音导航，方便驾车时保持安全。高德地图以其准确性、实用性和用户友好性备受推崇，成为中国人日常生活中不可或缺的出行助手。
中国科学院资源与环境科学数据中心
中国科学院资源与环境科学数据中心是中国科学院下属的科研机构，致力于资源与环境科学数据的收集、管理和共享。该中心拥有丰富的气候、水文、生态、地质、地理等领域的科学数据，为环境监测、自然资源管理、气候变化研究等提供重要的数据支持。通过数据共享平台，科研机构、决策部门和学术界可以免费获取这些数据，促进科学研究和决策的科学化。中国科学院资源与环境科学数据中心在资源与环境科学领域发挥着重要的作用，为推动我国环境保护和可持续发展做出贡献。
中国测绘地理信息局
中国测绘地理信息局是中华人民共和国国家级地方行政机关，直属于国务院。它是中国国土测绘、地理信息工作的主管单位，负责规划、制定和实施国家地理信息政策和标准。该局的职责包括统筹规划和管理全国地理信息资源，推动地理信息技术的应用和发展，提供地理信息服务，支持国家决策和经济建设。此外，中国测绘地理信息局还承担国家地理空间信息基础设施的建设，推进全球导航卫星系统（北斗系统）的发展和应用。作为中国测绘和地理信息领域的主管机关，该局在保障国土安全、推进数字中国建设等方面发挥着重要的作用，为国家的发展和决策提供了重要的支撑。
2018年国家统计年鉴
《2018年国家统计年鉴》是中国国家统计局出版的一本权威性年度统计资料汇编，旨在全面反映中国经济社会发展的情况。该年鉴包含了大量的统计数据和指标，涵盖了国民经济、人口、社会保障、教育、科技、环境等多个领域的信息。其中，包括国内生产总值、人均收入、劳动力就业、贸易额等重要宏观经济指标，以及城乡人口、教育投入、医疗保健等社会发展指标。该年鉴不仅为政府决策提供了重要参考，也为学者、企业、媒体和公众了解中国经济社会状况提供了可靠的数据支持。作为中国最权威的年度统计资料汇编之一，《2018年国家统计年鉴》对于深入了解中国经济社会的发展和变化具有重要意义。
陆地进程分布式活动档案中心
陆地进程分布式活动档案中心（Land Processes Distributed Active Archive Center，简称LP DAAC）是美国地球观测系统（EOS）数据与信息系统（EOSDIS）的一部分，由美国地质调查局（USGS）负责管理和运营。LP DAAC专注于收集、管理和分发与陆地表面过程和地球系统相互作用相关的卫星数据，包括遥感影像、植被指数、土地利用数据等。它为科学家、研究机构和公众提供广泛的地球科学数据，用于研究和监测陆地生态、植被、土地利用、气候变化等方面的变化和趋势。LP DAAC致力于提供高质量、开放共享的地球科学数据，为全球环境保护和可持续发展提供重要支持。作为美国EOSDIS网络中的一个重要组成部分，LP DAAC在促进全球地球观测研究和应用中发挥着不可替代的作用。
方法学部分Method
01
随机森林模型
本文通过机器学习随机森林模型对种群建模。随机森林是一种集成学习算法，它通过组合多个决策树构建强大的预测模型。在空间流行病学研究中，可以利用随机森林模型预测疾病在不同地理区域的发生概率和传播趋势。通过结合地理信息系统（GIS）数据和人口流动数据，模型可以更准确地揭示不同地区的疾病风险，为疾病防控和公共卫生政策提供决策支持。
机器学习中的随机森林模型在空间流行病学与区域医疗均等化方面具有重要的研究价值。空间流行病学是研究疾病在空间上的分布与传播规律的学科，而区域医疗均等化则关注不同地区医疗资源分配是否公平合理。在区域医疗均等化方面，随机森林模型可以用于评估不同地区的医疗资源分布是否均衡。通过结合人口统计学数据和医疗服务数据，模型可以分析不同地区的医疗需求与供给情况，找出资源匮乏的地区，并提出优化医疗资源配置的建议。
通过机器学习随机森林模型对种群建模，可以在空间流行病学与区域医疗均等化研究中发挥重要作用，为精确的疾病预测和公平的医疗资源分配提供科学依据。这些研究成果对于改善公共卫生水平和促进社会公平发展具有重要意义。
02
ARCGIS路径分析
在本研究中，使用ARCGIS的路径分析功能来计算每个栅格点到所有PHC（Primary Health Center，初级卫生保健中心）的距离，并选择最小值作为最终结果。研究中设定了距离阈值为6公里，即在计算距离时，如果某个栅格点到最近的PHC的距离超过6公里，则不计入考虑范围内。
路径分析是一种常用的空间分析方法，通过确定栅格点之间的最短路径来计算两点之间的距离。在ARCGIS中，可以使用网络分析工具来实现此功能。首先，需要建立一个网络数据集，其中包括PHC的位置信息以及连接它们的道路网络。然后，使用路径分析工具来计算每个栅格点到所有PHC的最短路径，并将得到的距离结果保存在栅格数据中。
在计算距离时，设定了6公里的距离阈值，意味着距离超过6公里的栅格点将不计入分析范围内。这样做可以过滤掉距离较远的栅格点，保留了相对近距离的栅格点作为最终的结果，以便进一步进行后续的研究和决策。
通过ARCGIS的路径分析，研究者可以得到每个栅格点到最近PHC的距离，为区域医疗均等化研究提供了有用的数据支持。此分析结果将有助于了解医疗资源分布情况，指导医疗服务的规划与优化，促进公众的健康服务均等化。
03
E2SFCA
高斯两步移动搜寻法（Two-Step Floating Catchment Area，2SFCA）是一种常用的空间分析方法，用于评估医疗服务设施对于人口的覆盖程度和均等性。它采用两步加权的方式，考虑了服务设施与人口之间的距离和人口数量，从而为医疗资源的优化配置提供决策支持。
在第一步中，2SFCA以每个医疗服务设施为中心，在一定范围内搜索覆盖的人口点，并根据距离和高斯函数来对这些人口点进行加权。距离医疗服务设施越近的人口点，其权重越高，反之越远则权重越低。高斯函数的使用能够考虑到距离对权重的递减影响，使得离设施越近的人口权重相比离得远的更为显著。
在第二步中，2SFCA以每个人口点为中心，在一定范围内搜索覆盖的医疗服务设施，并对这些设施进行加权。距离人口点越近的医疗服务设施，其权重越高，反之越远则权重越低。同样，高斯函数的应用使得离人口点越近的设施权重相比离得远的更加显著。
最终，通过两步的加权计算，2SFCA为每个医疗服务设施和每个人口点分配了相应的权重值。权重高的区域表示覆盖较好且服务较充足，而权重低的区域表示覆盖不足需要优化。
2SFCA方法能够为医疗资源的规划与分配提供重要参考，帮助决策者评估现有医疗服务设施的覆盖情况和均等性，为提升医疗服务的公平性和有效性提供科学依据。
在本研究中，使用了E2SFCA（Enhanced Two-Step Floating Catchment Area）模型的结果作为可及性指标，以及Erreygers CI（Concentration Index）指数作为不平等性指标。
E2SFCA模型是对传统的2SFCA方法的改进，通过引入人口需求权重和医疗服务设施供给权重，更准确地反映了医疗服务设施对人口的覆盖程度。它结合了人口数量和距离因素，考虑了人口对医疗服务设施的需求和医疗服务设施对人口的供给情况，从而评估了不同区域的医疗服务可及性。
Erreygers CI指数是一种用于衡量收入或资源分配不平等性的指标。在本研究中，它被应用于衡量医疗服务设施可及性的不平等性。通过计算不同人口子群（例如不同收入层次或社会经济地位）之间的可及性差异，Erreygers CI指数可以揭示医疗服务的不平等性情况。
通过将E2SFCA模型的结果和Erreygers CI指数结合在一起，本研究可以综合评估医疗服务的覆盖程度和不平等性，为医疗资源的优化配置和公平分配提供科学依据。这样的研究方法能够帮助决策者更全面地了解医疗服务的现状和问题，并提出有效的政策建议，以促进医疗服务的均等化和提高公众的医疗服务满意度。
结果部分Result
01
到最近PHC的平均旅行距离
1. 从北京、山东、长三角等东部地区的平均距离较短来看，这些地区的医疗服务设施较为密集，人口到医疗服务设施的距离相对较近，因此它们的空间可及性较高。居民在这些地区更容易获得医疗服务，医疗资源分布相对均衡，有利于提高公众的健康水平和医疗服务的公平性。
2. 而云贵川等西南地区、内蒙古东部、新疆、西藏等西部地区以及甘肃、宁夏等西北部地区的平均距离较远，说明这些地区的医疗服务设施相对稀缺，人口到医疗服务设施的距离较远，导致空间可及性较低。居民在这些地区可能面临医疗资源不足和医疗服务不便利的问题，这可能导致医疗服务的不平等性和医疗健康水平的不均衡。
空间可及性是医疗资源配置和公共卫生政策的重要指标。对于距离较近的地区，应保持医疗资源合理配置和利用，进一步提高服务质量；而对于距离较远且可及性较低的地区，应加强医疗服务设施的建设，改善医疗资源的分布，以确保居民在全国范围内享有公平的医疗服务。
02
距离的集中度指数（Erreygers CI）
1. 从北京、山西、河北及东北地区的集中度指数偏高来看，这些地区的医疗服务设施相对密集，医疗资源集中分布在少数区域。集中度指数的偏高意味着这些地区的医疗服务设施供给较为集中，可能存在医疗资源过剩的情况。这也可能导致一些地区医疗资源过度利用，而其他地区则医疗资源短缺。因此，需要进一步优化医疗资源的配置和分布，提高医疗服务的均衡性和效率。
2. 而西藏等西部地区、贵州、河南等中部地区的集中度指数偏低，意味着这些地区的医疗服务设施相对分散，医疗资源分布较为分散和不均衡。集中度指数偏低可能意味着一些地区医疗资源较为稀缺，居民获取医疗服务可能面临较大困难。在这些地区，需要加强医疗设施建设，增加医疗资源供给，提高医疗服务的可及性和覆盖范围，以确保居民能够获得公平的医疗服务。
集中度指数是反映医疗资源分布均衡性的重要指标。对于集中度指数偏高的地区，应优化医疗资源配置，避免资源浪费和过度集中；对于集中度指数偏低的地区，应加强医疗设施建设，提高医疗资源供给，促进医疗服务的均等化，以满足公众的医疗需求。
结果讨论Discussion
01
总体结果分析
根据提供的数据，中国约56%的社区（总人口约占总人口的70%）在其6公里的集水区内至少有一个初级保健中心，这意味着这些社区的医疗服务可及性较好，居民相对容易获得初级医疗服务。而约44%的社区在6公里内无法获得初级保健中心，这些社区的医疗服务可及性相对较低，居民可能需要面临较大的医疗服务不便利。
这样的数据反映了中国在初级医疗服务均等化方面仍面临挑战。虽然有一部分社区拥有初级保健中心，但仍有相当一部分社区缺乏这样的服务设施，导致医疗资源分布不均衡。为了改善医疗服务的公平性，需要进一步加强医疗设施的建设和优化资源配置，特别是在那些缺乏初级保健中心的地区。同时，还需要加强医疗资源的调度和流动，以便居民能够更便捷地获取医疗服务，提高医疗服务的可及性和质量，确保所有社区的居民都能享有公平的医疗保健服务。
02
可及性指标分析
E2SFCA模型的特点可能会导致在人口稀疏地区出现结果偏高的情况，即所谓的“假阳性”情况。这是因为E2SFCA模型在计算可及性时同时考虑了人口数量和距离因素，当人口较少的地区距离医疗服务设施较远时，由于人口权重较小，可能会出现不真实的高可及性结果。
相反地，人口密集的地区，如上海等大城市，尽管距离医疗服务设施较近，但由于人口较多，人口权重的影响可能会减弱，导致可及性结果较差。这样就出现了看似矛盾的情况，即平均旅行距离较短的地区由于人口密集反而可及性较差。
同样，对于西藏等地区，虽然人口稀少，但距离医疗服务设施可能较远，由于人口权重的影响，可能会得到较高的可及性结果，即看似矛盾的情况，即平均旅行距离较长的地区可及性较高。
了解E2SFCA模型的特点对于正确解释结果至关重要。在使用E2SFCA模型时，需要结合实际情况，综合考虑人口密度和距离等因素，以更准确地评估医疗服务的可及性，并避免“假阳性”等误导性结论。此外，对于人口稀少地区，可以考虑引入其他合适的权重调整方法，以提高模型的准确性和可靠性。
本研究的意义在于全面调查中国医疗保健可及性的多个维度，并首次定量描述了初级保健中心（PHC）的空间可及性现状。这样的定量估计为政策和实践改进提供了基础，使有限的医疗资源能够更有针对性地覆盖最需要的地区，并以经济有效的方式减轻地区间的不平等现象。然而，由于缺乏具体的医疗保健数据，该研究在城市层面进行了分析，这导致了城市内部的异质性较大，而对于改进本地的医疗规划和资源配置产生了一定的阻碍。为了解决这个问题，研究建议可以将社区级别的医疗可及性或PHC集水区与人口普查数据结合，以估算从省份到社区各层次上每千人口的初级医疗保健人员数量。
该研究克服了西方社会研究中采用的方法论问题，以及这类研究中普遍存在的技术挑战——如高分辨率人口建模。首先，本研究采用道路网络距离而非“直线距离”或旅行时间来衡量医疗保健可及性。这对于中国尤其适用，因为旅行时间可能受多种因素的影响，如时间、交通状况、道路质量、公共交通服务、患者出行方式和停车位的可用性，这些因素在中国尤为复杂且不可预测。相比之下，物理距离似乎是更可靠的用于医疗规划的测量，因为它是客观测量且不受旅行时间的影响。
其次，许多研究使用固定时间间隔内的离心距离对一定数量的PHC服务区域环进行离散加权（例如0-10、10-30和30-60分钟）。这是一种主观和任意的选择，缺乏证据支持。本研究采用了高斯距离衰减函数的连续加权，并通过敏感性分析进行了稳定性测试。这更接近实际情况，除非未来可以通过实际数据验证主观阈值。
第三，本研究使用高分辨率人口网格估计了不同级别的PHC可及性人口数量，尽管并不完全准确，但已被证明比大多数现有研究中假设人口均匀分布的方法更准确。此外，通过计算空间PHC可及性时使用高分辨率人口网格也揭示了某些高度靠近PHC的地区人均初级医疗保健资源相对不足。因此，强调了在这些地区加强初级医疗保健服务供给，以优化中国分层医疗体系，并确保医疗改革的成功。
总体而言，通过克服这些理论和技术挑战，本研究为中国医疗可及性提供了更准确和全面的评估，为医疗规划和资源配置提供了有价值的见解，以提高医疗体系的效率和公平性。
本研究存在一些局限性。首先，本研究使用高德地图系统中提取的PHC数据，未考虑PHC之间的异质性，由于中国当前初级卫生服务的复杂特点。虽然中央政府要求PHC具有相似的基本服务能力，但在整个国家范围内，PHC之间的整体能力可能存在较大的差异。其次，人口建模过程中的一些问题可能影响人口数据和可及性结果的准确性。虽然人口建模方法在大多数情况下表现优于其他方法，但在人口密度最大和最小的乡镇之间，相关性仍有变化。第三，不同城市的距离阈值可能更符合中国目前的实际情况，而不是采用通用的距离阈值。第四，尽管采用了最新的数据，但由于时间上的不匹配，结果可能受到影响。第五，虽然物理距离对于医疗保健规划者来说在中国的现阶段更稳定和有用，但对居民而言，特别是在选择出行方式时，可能信息相对较少。最后，本研究的结果没有经过验证，未来应进行验证以了解实际情况。
此外，由于研究区域广大，省市内部的PHC可及性变化较大，地图上显示的无法获得初级保健中心并不意味着整个地区存在严重的可及性问题。对于那些可及性较好的地区，可能还存在复杂的问题需要解决。因此，需要更多的本地工作来识别家庭层面的实际可及性。同时，非空间因素也可能影响空间可及性，如PHC的服务质量、保险类型、报销方案和患者的不信任。因此，本研究结果应谨慎解释。未来需要开展更多的研究来验证结果，并进一步探索解决实际问题的方法。
综上所述，本研究提供了中国初级医疗保健可及性的量化估计，为政策和实践改进提供了科学依据，有助于优化医疗资源的配置，促进医疗服务均等化，减轻地区间的不平等现象。
