Download the Working Paper - greqam

GREQAM
Groupement de Recherche en Economie
Quantitative d'Aix-Marseille - UMR-CNRS 6579
Ecole des Hautes Etudes en Sciences Sociales
Universités d'Aix-Marseille II et III
Document de Travail
n°2004-26
Didier Balsan, Karine Moschetti
et Lise Rochaix
Consommation de soins hospitaliers : les
arbitrages entre distance et qualité

Consommation de soins hospitaliers :
les arbitrages entre distance et qualité
Didier Balsan ∗† ,KarineMoschetti ‡ et Lise Rochaix §
25 mai 2004
Résumé
L’objet de cet article est de développer une méthodologie permettant d’estimer les consentements
à se déplacer des patients dans leur recours aux soins hospitaliers. Centré sur le patient et
non sur l’attractivité des offreurs de soins, l’originalité de ce travail est de prendre en compte à la
fois les caractéristiques de l’offre et les préférences des patients. La démarche repose sur l’analyse
de la distance supplémentaire que les patients acceptent de couvrir alors qu’un service comparable
est disponible dans un hôpital plus proche de leur lieu de résidence. Le modèle est appliqué
à un extrait d’une base de données (PMSI public et privé) contenant près de 170 000 séjours
individuels de patients hospitalisés dans une région de France. L’étude statistique montre qu’un
tiers des patients se déplacent au-delà de l’établissement le plus proche pour recevoir des soins,
révélant ainsi des consentements à se déplacer strictement positifs. Les résultats économétrique
mettentenévidencequedesfacteurstelsquelaqualitédessoinsinfluencent significativement la
distance parcourue par les patients dans leur recours aux soins. Ainsi, les résultats soutiennent
l’idée selon laquelle la demande peut constituer un vecteur de mise en concurrence par la qualité
des établissements sur le marché des soins hospitaliers et conduire à en améliorer le niveau.
Classification JEL : I11, C24, R23, L44, L13
∗ Lors de la rédaction de ce document, Didier Balsan était à la Direction de la Recherche des Etudes et de
l’Evaluation et des Statistiques (DREES).
† Les auteurs remercient la Direction de la Recherche des Etudes et de l’Evaluation et des Statistiques (DREES)
pour leur avoir permis de travailler, dans le cadre d’une convention, sur la base PMSI 2001. Ils remercient également
la Direction Régionale de l’Insee Limousin pour les informations socio-économiques qu’elle leur a fournies.
‡ Université de la Méditerranée, Groupement de Recherches en Etudes Quantitatives d’Aix Marseille (IDEP et
GREQAM). Correspondance : karine.moschetti@free.fr
§ Université de la Méditerranée, Institut d’Economie Publique (IDEP et GREQAM.
1

1 Introduction
Ces dernières années, en France - comme dans la plupart des pays, y compris ceux où le système
de santé est planifié -, le regard porté sur la place des usagers évolue rapidement. Le constat est
souvent dressé d’une volonté générale des patients d’être considérés comme des acteurs à part entière
du système (Amar et al., 2001 ; CNS 1 , 2000). Concrètement, la réflexion sur le rôle des usagers dans
le système de santé est aujourd’hui largement engagée 2 . Selon l’enquête menée sur l’élaboration
des schémas régionaux d’organisation sanitaire de deuxième génération (2000), une telle démarche
"participe à une volonté politique nouvelle qui donne aux usagers un rôle de contrepouvoir face aux
professionnels de santé et aux gestionnaires" 3 . Le Haut Comité de la Santé Publique pour sa part
a émis, en 2002, diverses recommandations qui visent à développer la participation des usagers au
fonctionnement du système de santé 4 .
Au delà d’une réponse à une demande légitime de la population, il se peut que la participation
des patients au système de soins puisse conduire à une amélioration de son efficacité,.le patient
devenant un élément actif de la régulation du système de santé. Traditionnellement, la régulation
des établissements a reposé sur la recherche de modes de rémunération prospectifs ainsi qu’en
atteste la première partie de la revue de la littérature. De plus en plus, la capacité de choix des
patients entre les établissements fait l’objet d’interrogations de la part du régulateur. De fait, même
si les recommandations des médecins traitants ont un rôle majeur dans l’orientation des patients
danslesystèmedesoins,lalibertédechoixparlespatientsdumoded’entréedanslesystème
(généralistes, spécialistes, hôpitaux) demeure importante. Cette possibilité de choix permet alors à
ceux qui l’exercent de s’orienter vers l’établissement dont les caractéristiques (en termes de qualité
et de distance) correspondent à leurs préférences. Dans ce cas, le choix du patient peut constituer un
vecteur de mise en concurrence par la qualité des établissements sur le marché des soins hospitaliers,
conduisant alors à une amélioration de celle-ci.
Or, une telle mise en concurrence par les patients est-elle effective ? Peut-on asseoir la régulation
sur un tel levier ? S’il est vrai que la répartition de l’offre est relativement centralisée alors que celle
de la demande est diffuse sur le territoire, confèrent-t-elles pour autant à l’établissement de soins
une situation de monopole spatial ? Si tel était le cas, toute politique de mise en concurrence serait
vouée à l’échec. Le choix des patients est-il seulement dicté par la proximité de l’établissement ?
Acceptent-ils de se déplacer et quelles distances sont-ils prêts à parcourir pour atteindre une qualité
supérieure ? Telles sont les interrogations auxquelles ce travail empirique tente d’apporter des
1 Conférence Nationale de la Santé, 2000.
2 Schéma Régional d’Organisation Sanitaire de deuxième génération, SROS II, États généraux de la santé, Conférences
Régionales de Santé-CRS et Commission Régionale d’Organisation Sanitaire et Sociale - CROSS, mais aussi
conseil scientifique de l’Agence Nationale d’Accréditation et d’Évaluation de Santé-ANAES et conseils d’administration
des établissements de santé.
3 Contrat d’étude de la Direction des Hôpitaux Rapport final, Janvier 2000, p. 96.
4 Les propositions portent notamment sur la volonté d’accroître la place du malade dans la co-décision diagnostique
et thérapeutique, d’intégrer les usagers dans le fonctionnement des institutions sanitaires et sociales, de faire participer
le citoyen aux décisions de santé publique et de façon prioritaire d’assurer la représentation des usagers dans toutes
les instances qui interviennent dans le domaine de la santé et des soins. Cf. HCSP, 2002, partie 4, p. 349.
2

éléments de réponses.
Deux raisons peuvent expliquer les déplacements effectués par les patients pour se faire hospitaliser
: les caractéristiques de l’offre ou les préférences des usagers. La répartition spatiale des
hôpitaux étant inégale, certains patients résidant loin des centres hospitaliers sont contraints, du
fait de la localisation des établissements, de parcourir des distances importantes. Pour d’autres
patients, moins contraints par la disponibilité de l’offre, les distances parcourues s’expliquent alors
davantage par leurs préférences.
Les études sur la mobilité des patients, menées à partir de l’analyse des distances parcourues,
ne permettent pas d’identifier séparément les deux raisons précédemment évoquées. Or, ne pas
distinguer dans un déplacement ce qui relève de la contrainte de l’offre,decequirelèveduchoix
du patient revient à considérer que tout déplacement est associé à des comportements d’arbitrage
entre les différents établissements et par conséquent à en surestimer l’envergure. Pour dissocier
le mode de recours aux soins hospitaliers et le choix de l’établissement, il apparaît essentiel de
disposer d’une méthode permettant d’identifier de façon distincte les facteurs relevant du caractère
contraignant de l’offre hospitalière de ceux reflétant les préférences des patients.
L’originalité de cette contribution est justement de proposer une méthode permettant de combler
cette lacune. La démarche consiste à définirunhôpitalthéoriquequisetrouveêtreleplusproche
du lieu de résidence du patient et à même de le soigner pour la pathologie qu’il présente. Cet hôpital
de référence sera comparé à l’établissement effectivement choisi par le patient. Si les patients
acceptent de couvrir une distance d’accès supplémentaire alors qu’un service de qualité identique
est disponible dans l’hôpital théorique, ceci sera identifié à un comportement de recherche de qualité
par le patient. Cette méthode contrôle de manière efficace les variations géographiques dans la
disponibilité de l’offre et permet de s’assurer que les mouvements observés (distance supplémentaire
positive) correspondent effectivement à des choix des patients. Quant bien même elle peut conduire
à sous-estimer les comportements de recherche par les patients, elle est préférable à une majoration
artificielle de ces comportements de recherche. Le contrôle effectué par la vérificationquelepatient
pouvait être soigné de manière comparable (par rapport à sa pathologie) dans un établissement plus
proche de son lieu de résidence, nous autorise à interpréter la distance supplémentaire éventuellement
parcourue par les patients comme une proxy de la concurrence (en qualité) exercée par les
patients sur les établissements de soins.
Pour répondre à ces interrogations, notre attention se porte sur la demande de soins hospitaliers
de la région du Limousin. L’objet de cet article n’est pas de décrire l’attractivité des établissements
d’une région mais d’étudier les choix effectués par les patients dans leur recours aux soins. L’étude
porte sur les patients résidant dans la zone prédéfinie et ne s’intéresse pas aux personnes extérieures
à cette zone. Par conséquent, les patients entrant dans le Limousin pour se faire hospitaliser ne sont
pas contenus dans la base. Le choix de cette région se justifie par ses caractéristiques. Le fait que
la région est une zone rurale avec une population relativement âgée donnera une valeur minimale
(une borne inférieure) à nos estimations des comportements de recherche. On pourra alors attendre
des pratiques similaires, voire beaucoup plus marquées dans d’autres régions de France si l’on fait
l’hypothèsed’unerelationinverseentrel’âgeetleconsentementàsedéplacer.
3

Les résultats indiquent qu’une part significative (un tiers) de la population hospitalisée effectue
une distance supplémentaire à celle qui la sépare de l’établissement théorique. Ce pourcentage relativement
élevé ne constitue pourtant qu’une valeur plancher à l’estimation des comportements
de recherche présents sur le marché hospitalier de la région étudiée. En effet, l’analyse statistique
effectuée sur les patients restants (c’est à dire ceux donr les distances supplémentaires sont
nulles) montre que certains d’entre eux adoptent également un comportement de recherche. L’étude
économétrique réalisée sur la totalité des observations, suggère que le choix de l’établissement de
soins par les patients ne se réduit pas à l’établissement le plus proche et que d’autres facteurs,
comme la qualité, influencent ce choix. Le patient exerce alors une certaine pression sur l’offre de
soins et participe ainsi à la mise en concurrence en qualité des offreurs de soins.
L’article est organisé comme suit. La section 2 présente tout d’abord une revue de la littérature
sur la régulation hospitalière et les différents travaux économiques analysant la distance qui sépare
le patient de l’établissement de soins comme l’un des facteurs affectant la demande de soins hospitaliers.
La section 3 présente le modèle théorique sur lequel s’appuie l’estimation économétrique
qui vise à expliquer la distance supplémentaire parcourue par le patient par rapport à l’hôpital
théorique. La section 4 détaille la base de données pour le Limousin et fournit également des éléments
de statistiques descriptives. La section 5 fournit les résultats de l’estimation économétrique
qui valident l’hypothèse selon laquelle la demande est sensible à la qualité des soins. La section
suivante propose une étude complémentaire sur des variables socio-économiques caractérisant le
canton de résidence des patients. La section 7 résume les résultat et propose des extensions.
2 Revue de la littérature
Le premier point de cette section est consacré à la littérature théorique portant sur la régulation
hospitalière, comprise ici comme la mise en place de mécanismes de paiement optimaux des offreurs
de soins. Cet objectif est poursuivi par l’instauration progressive, dans de nombreux pays, du
paiement prospectif aux Diagnosis Related Groups (DRGs 5 ). Dans un même but, la France met
actuellement en place la Tarification à l’Activité (T2A), qui s’apparente aux DRGs. Expérimentée
en 2003, sa généralisation à l’ensemble des établissements hospitaliers devrait débuter au cours de
l’année 2004.
La littérature économique relative au marché hospitalier [Ellis & McGuire, (1986, 1990), Ma
(1994), Chalkley & Malcomson (1998) et Mougeot (1998)] a clairement identifié les effets du
paiement prospectif et, plus généralement, les propriétés des différentes formes de paiements (de
type cost-plus, prospective ou bien, mixedpayment) sur les comportements des établissements de
soins. La supériorité du paiement prospectif est établie puisqu’il permet de faire coïncider les intérêts
de la tutelle et des offreurs,àlafoisentermesd’efficacité productive et d’efficacité allocative
dès lors que le prix est fixé de façon adéquate. Le mécanisme de concurrence par comparaison
(ou encore Yardstick competition) développé par Shleifer (1985) permet de fixer convenablement le
5 Le système des DRGs est une classification médicale utilisée par les établissements hospitaliers qui classe chacun
des patients dans un groupe homogène de maladies.
4

prix sous des conditions particulières très exigeantes (Hartmann et al. 2001 p. 23). Le paiement aux
DRGs constitue alors une illustration institutionnelle de ce modèle de concurrence par comparaison.
Lorsque certaines de ces conditions sont relâchées, par exemple lorsqu’il est tenu compte de la
présence de risque moral et de sélection adverse, phénomèmes à l’oeuvre sur le marché hospitalier,
les mécanismes de paiements mixtes sont alors préférables [Ellis et McGuire (1986, 1988, 1990),
Ellis (1998) ; Hartmann & Mougeot (2000) ; Ma (1994) ; Newhouse (1991) ; Pope (1989, 1990)].
Les services hospitaliers sont en général analysés en faisant appel aux modèles principal-agent
issus de la théorie des contrats, dans le cadre d’une relation bilatérale tutelle-offreur de soins. Les
apports de ce type de modélisation en terme de compréhension des stratégies des établissements de
soins sont incontestables. Cependant, comme le souligne Rochaix (1997), ces modèles appliqués au
domaine de la santé ont tendance à isiler chaque relation d’agence sans tenir compte de l’ensemble
des interactions entre agents intervenants sur le marché hospitalier ; en particulier, celles impliquant
l’usager.
Or, guidé par son goût pour des soins de qualité et non contraint par les prix des soins, du fait
de la présence d’assurances maladie obligatoire et complémentaire, le patient peut faire jouer la
concurrence en qualité sur le marché hospitalier. L’article de Pope (1989) est l’un des premiers à
considérer un modèle théorique introduisant cette forme de concurrence sur le marché hospitalier.
En considérant que les établissements de soins sont régulés sous paiement prospectif, l’auteur trouve
que les effets de la concurrence en qualité peuvent alors être bénéfiques. Ils dissipent les profits des
offreurs, incités à augmenter leur efficacité productive en accroissant leur investissement dans la
qualité. Ainsi, la concurrence en qualité est susceptible de contrecarrer les incitations à fournir des
soins de basse qualité et de réduire le gaspillage (managerial slack) qui est induit par ce système
de paiement prospectif 6 .
A la lumière de ces différents résultats théoriques, il semble qu’une régulation, pour être efficace,
doive tenir compte des relations entre les différents agents du système hospitalier et reposer sur
deux mécanismes aux objectifs complémentaires. La règle de paiement prospectif, établie sous forme
de contrat entre la tutelle et les offreurs constituerait la première composante de la régulation et
permettrait d’atteindre l’efficacité productive. La seconde composante de la régulation pourrait
reposer sur la concurrence en qualité générée par le comportement des patients. Cette forme de
concurrence complèterait alors la miseenplacedelarègletarifaireencesensoùellecontriburait
à accroître en partie l’efficacité allocative (sous réserve qu’il n’y ait pas de sélection de patients).
Dans ce cadre, si le paiement prospectif constitue un élément central des politiques de régulation
hospitalière, la concurrence émanant de la demande permettrait d’en renforcer les effets bénéfiques
attendus.
Sans aborder de façon aussi explicite la question de la concurrence que les patients peuvent
mettre en oeuvre sur le marché hospitalier, le second point de littérature comprend différentes
recherches étudiant le recours aux soins hospitaliers des patients. Mobley (1998), dans une revue
de travaux empiriques traitant de la mobilité des patients, distingue deux types d’approches. La
première, de loin la plus utilisée, introduit la notion de distance comme variable intervenant dans le
6 sous la condition que les prix soient déterminés de façon adéquate.
5

choix du patient pour un établissement. Dans un tel contexte, la distance constitue un des nombreux
facteurs exogènes influençant le choix du patient pour un établissement. Cette approche adapte les
modèles de gravité 7 qui, dans leurs versions les plus récentes, incorporent des facteurs autres que
celui de la distance dans la définition de la probabilité de choix d’un hôpital par le patient.
Selon cette approche, McGuirk et Porell (1984) estiment des élasticités-temps et distance
supérieures à l’unité. Burns et Wholey (1992) mettent en évidence que la distance explique près
de 90% du choix d’un établissement. Ces résultats semblent indiquer qu’une grande part des choix
des patients est associée à la proximité des établissements. Par contre, Luft et al. (1990) établissent
que les variables relatives à la qualité expliquent une part importante du choix. Tay (2003) trouve
pour sa part que les choix des patients dépendent à la fois de la distance et de la qualité.
La critique suggérée par ces premiers travaux est d’expliquer le choix du patient par la variable
distance, qui peut elle-même dépendre d’autres facteurs. En particulier, la distance parcourue par
les patients est influencée par la qualité de l’établissement. Ainsi, selon Mobley, c’est le marché
des soins lui-même — incluant la distribution spatiale des personnes, des services hospitaliers, des
médecins, et les contraintes inhérentes au marché — qui détermine la distance parcourue par les
patients. La distance devient alors endogène au système de soins tout entier. Dans un tel contexte,
la distance parcourue résulte d’un choix des patients et il s’agit de la considérer comme variable
à expliquer et non comme variable explicative, ce qui constitue le point distinctif de la seconde
approche.
La littérature économique ne comporte que très peu de travaux cherchant à expliquer la distance
parcourue par les patients. Les articles utilisant cette seconde approche sont essentiellement constitués
des travaux américains cherchant à analyser l’impact que l’introduction du Managed Care
a pu avoir sur les distances parcourues par les patients. Il s’agit notamment des articles de Mobley
(1998) et White et Morrisey (1998) présentés ci-dessous, qui ont chacun développé des approches
théoriques différentes.
Mobley (1998) exprime l’endogénéité de la distance avec le marché des soins hospitaliers dans
un cadre d’interaction spatiale. Elle part d’une formulation générale des modèles d’interaction
spatiale (proposée par Fotheringham and O’Kelly, 1989, p. 44), puis s’intéresse à l’ensemble des
flux provenant de tous les lieux de résidence vers tous les établissements. La variable analysée est
la distance moyenne rencontrée sur le marché 8 .
7 Les modèles de gravité appartiennent aux modèles d’interactions spatiales et reposent sur la loi de gravitation
universelle. Cette loi est la traduction de l’hypothèse selon laquelle l’interaction entre deux ”points de l’espace”,
souvent identifiés à deux populations, dépend des forces d’attraction de la destination, de la force de ”propulsion”
de l’origine et de la distance qui sépare les deux populations (Fotheringham et O’Kelly, 1989). Les forces dépendent
de la taille des populations. La distance peut tout aussi bien être physique, sociale, économique que culturelle.
Les modèles décrivent les flux de patients entre des lieux de l’espace, leur résidence et les établissements de soins.
Plus précisément, ces flux sont déterminés par des variables d’offre, de demande et des facteurs spatiaux (distance,
opportunités d’interventions, effets d’agglomération etc...).
8 Le modèle estimé par Mobley se présente sous la forme d’une regression linéaire où la variable dépendante est le
log de la distance et les explicatives comprennent notamment des variables de propulsion (concentration du marché
6

White et Morrisey (1998) examinent les prises en charge des hôpitaux de la Californie sur une
période s’étalant de 1985 à 1991. Ils analysent les séjours individuels de patients hospitalisés pour
une certaine pathologie (repérée par les DRGs), et traités dans les établissements hospitaliers de
différentes régions 9 .
Faisant référence aux modèles standard de recherche du consommateur, White et Morrisey
considèrent que les choix de trajets effectués vers les hôpitaux dépendent des coûts de déplacements,
Tc, des coûts d’information Ic et des gains anticipés de la recherche effectuée sur les coûts et la
qualité, G. Les auteurs établissent une relation implicite de la forme T = T (Tc,Ic,G) où T est le
coût du déplacement du patient. En règle générale cependant, les modèles font l’hypothèse quêtree
le consommateur, à la recherche des services hospitaliers, préfèrera l’établissement localisé le plus
près de chez lui, minimisant ainsi les coûts de trajet.
Si la minimisation ce coût semble l’hypothèse la plus souvent retenue par les modèles, ce coût
financier n’est pas le seul que doit supporter le patient. Ce dernier accorde de la valeur à son
environnement familial et la rupture (même momentanée) avec cet environnement constitue un
autretypedecoûtauquellepatientdoitfaireface.Le choix de l’établissement de proximité permet
de limiter ces coûts non monétaires. Par ailleurs, la nature de la pathologie et notamment sa
gravité affectent la perception des coûts de déplacements et d’information et, par conséquence,
les comportements de recherche. Par exemple les bénéfices attendus de la recherche de la qualité
sont plus importants pour un patient atteint d’une pathologie lourde que légère. Dans ce cas, les
coûts que les patients acceptent sont supérieurs et peuvent les amener à parcourir de plus longues
distances. A l’opposé les facteurs tels que l’urgence et/ ou les embouteillages sur les axes routiers
ont tendance à réduire les déplacements. L’arbitrage que les patients effectuent entre la distance et
la qualité varie selon les personnes, dépend de la gravité de la maladie (Rochaix, 1989), mais aussi
d’autres facteurs individuels tels que l’âge (Tay, 2002) et le niveau d’éducation qui affectent leur
disposition à se déplacer .
3 Lemodèledechoixdupatient
Nous proposons dans cette section un modèle de choix du patient qui relève de la seconde
approche en ce sens que nous considérons que la distance parcourue par les patients est endogène au
marché. Nous représentons le choix de se déplacer et la longueur du déplacement comme le résultat
d’un arbitrage entre d’une part, les coûts occasionnés par la distance parcourue, la rupture avec
l’environnement habituel, le coût d’information et, d’autre part, les gains anticipés d’une meilleure
qualité. Cependant, notre modèle se distingue de celui de White et Morrisey (1998) en ce que notre
raisonnement est basé sur l’analyse de la distance supplémentaire parcourue et en conséquence sur
hospitalier, densité démographie et type d’assurance) et des variables d’attraction (case-mix, personnel médical,
nombre de lits etc... ).
9 Techniquement, les auteurs utilisent un modèle de régression multiple de type Tobit dont la variable dépendante
est la distance séparant le patient et l’établissement d’accueil. Les variables explicatives sont notamment des caractéristiques
relatives aux patients et au marché hospitalier (taille du marché dans le voisinage du patient, variables
établissements).
7

la comparaison des bénéfices et des coûts, exprimés en différence, entre l’établissement choisi et
l’établissement théorique.
Ainsi, l’utilité (U ij ) que retire le patient i du choix de l’établissement j est la différence entre
les bénéfices et les coûts associés au recours à cet établissement. Les bénéfices dépendent des
caractéritiques du patient notamment la gravité de la maladie, dénotées µ i et de l’établissement
(η j ), en particulier la qualité des soins. Les coûts dedéplacementssupportésparlepatientsont
de deux ordres : direct et indirect. Les coûts directs reflètent les coûts monétaires 10 associés à la
distance parcourue (d ij ). Les coûts indirects sont liés à l’éloignement de l’environnement habituel
du patient. L’utilité du patient i se rendant dans l’établissement j est :
U ij = B ij (µ i ,η j ) − C ij (µ i ,d ij )=B i (µ i ,η j ) − (CI ij (µ i )+CD ij ) (1)
où CI ij (µ i ) et CD ij sont respectivement les coûts indirects et directs supportés par le patient.
On pose ˜B ij = B ij (µ i ,η j ) − CI ij (µ i ,d ij ) le bénéfice net des coûts indirects. Ainsi l’équation (1)
s’écrit :
U ij = ˜B ij (µ i ,η j ) − CD ij (2)
En particulier, l’utilité du patient i soigné dans l’établissement théorique (dénoté 0) est :
U i0 = ˜B i0 (µ i ,η 0 ) − CD i0 (3)
Le patient choisira l’établissement j plutôt que l’établissement théorique si
U ij − U i0 > 0 ⇔ ˜B ij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) >CD ij − CD i0 (4)
On fait l’hypothèse que les coûts directs sont identifiables aux distances parcourues de telle
sorte que :
CD ij − CD i0 = d ij − d i0 (5)
avec d ij la distance parcourue par i pour se rendre en j et d i0 la distance à l’établissement
théorique.
La différence d ij − d i0 est le supplément de distance parcourue par le patient i lorsqu’il se rend
dans l’établissement j plutôt que l’établissement théorique 0.
Les patients choisissent j tant que les coûts associés au déplacement sont inférieurs à un coût
___
seuil nommé Dij ∗ ___
. Dij ∗ s’interprète comme le consentement à se déplacer (ou encore consentement à
10 On fait l’hypothèse que les régimes d’assurance maladie obligatoire et comlémentaires prennent en charge la
totalité des frais de traitement de sorte que la demande de soins ne dépend pas du prix du traitement.
8

payer) du patient pour l’obtention d’un soin dans l’établissement j plutôt que dans l’établissement
théorique. Il est donné par la condition U ij −U i0 =0, ce qui est équivalent à ˜B ij (µ i ,η j )− ˜B i0 (µ i ,η j )=
___
D ijḊans ∗ les données, on considère la variable dépendante D ij qui est égale à la différence de
distance entre l’établissement j et l’établissement 0. On observe alors soit le supplément de distance
parcourue par les patients, soit l’absence de supplément de distance. De façon plus précise :
— D ij = Dij ∗ si les bénéfices ( ˜B ij (µ i ,η j ) − ˜B
___
i0 (µ i ,η 0 ))sontsupérieursauseuil Dij
∗ i.e. si les
coûts Dij ∗ sont inférieurs aux consentements à payer. Les D∗ ij sont alors des valeurs minorantes
des consentements à payer des individus ;
— D ij =0silesbénéfices ( ˜B ij (µ i ,η j ) − ˜B
___
i0 (µ i ,η 0 )) sont inférieurs au seuil Dij ∗ . Ainsi, chaque
fois que les coûts Dij ∗ ___
sont supérieurs au seuil Dij ∗ , la variable dépendante est nulle, bien
que les consentements à payer, en toute généralité, ne le soient pas. Dans ce cas, les Dij
∗
représentent des majorants des consentements à payer.
Dij ∗ est une variable latente dans la mesure où elle n’est observée que si le patient a effectivement
choisi de se déplacer vers j.
La spécification Tobit 11 , adaptée à la modélisation de telles observations tronquées, peut se
résumer par l’écriture suivante :
D ij =
(
D
∗
ij si
0 sinon
___
D ∗ ij >D∗ ij
⇔ (
D
∗
D ij = ij si ˜Bij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) − Dij ∗ > 0
0 sinon
La modélisation exprimée à l’aide des variables explicatives s’écrit :
1.
(
Pour la probabilité d’observer une distance supplémentaire nulle (règle de sélection) :
Aij =1 si A ∗ ij > 0
0 sinon
où A ∗ ij = ˜B ij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) − Dij
∗
A ∗ ij = Z iγ + u i ,
La probabilité que A ij soit égal à 1 est modélisée par une spécification probit.
2. Pour la partie linéaire
(
D
∗
ij = X i β + ε i observé si A ij =1
0 sinon
11 Outre ces raisons d’ordre théorique, l’utilisation de la modélisation Tobit s’impose également par les valeurs prises
par la variable dépendante. Les mesures des distances étant effectuées avec une certaine marge d’erreur, l’échantillon
contient 30% de valeurs nulles qui ne le seraient pas si les mesures de la distance étaient parfaitement exactes. La
spécification Tobit permet de ne pas rejeter ces observations et de tenir compte d’un éventuel biais de sélection lié
au fait que les caractéristiques particulières de ces observations (pour lesquelles la "D ij "estartificiellement nulle)
peuventêtrecorréléeàDij.
∗
9

où ε i et u i suivent une loi normale bivariée avec une covariance (ρ) entreε i et u i qui est non
nulle.
Ainsi le
(
modèle Tobit généralisé s’écrit :
Xi β + ε i si Z i γ + ε i > 0
D ij =
0 sinon
avec (u i , ε i ) ∼ N[0, 0, 1,σ ε ,ρ].
Pour estimer statistiquement le modèle, on recourt aux ensembles de variables explicatives Z
pour la règle de sélection (i.e. d’observation) et X pour la partie linéaire. Ces deux ensembles
de variables se recouvrent partiellement 12 . Plus précisément, l’ensemble des variables explicatives
(Z) du modèle probit est composé des caractéristiques des patients (âge, sexe, variables médicales
et celles caractérisant le lieu de résidence). Les variables de la partie linéaire sont en partie
celles de l’estimation précédente auxquelles sont ajoutées les caractéristiques des établissements.
Nous modélisons ainsi la probabilité d’effectuer un déplacement supplémentaire comme dépendant
des caractéristiques individuelles et l’envergure de ce déplacement comme expliqué par les caractéristques
de la demande mais surtout celles de l’offre hospitalière. Du fait de la modélisation et
de la nature même de la variable étudiée (qui est construite comme une différence de distances),
les caractéristiques des établissements sont introduites par des variables exprimées elles-aussi en
différences entre l’établissement j choisi par le patient et l’établissement théorique (0).
4 Description de la base de données
4.1 Les données
La base de données est construite à partir de quatre sources distinctes : la Statistique Annuelle
des Etablissements (SAE), le Programme de Médicalisation des Systèmes d’Information (PMSI),
données 2001, l’Aide à la Gestion Hospitalière Nationale (AGHN) 2000/2001 et des données socioéconomiques
au niveau des cantons (Direction régionale de l’INSEE - Limousin).
La base PMSI contient des données individuelles d’hospitalisation (Résumé Standard Anonymisé
- RSA) dans les secteurs public et privé en court séjour (Médecine Chirurgie Obstétrique - MCO).
Une extraction de cette base pour les séjours hospitaliers des personnes résidant dans la région du
Limousin a été effectuée. Plus précisément, sur la totalité des séjours des résidents du Limousin
dans la base PMSI, 97,5% ont été conservés, de sorte que la base contient environ 170 000 RSA 13 .
Parmi ces RSA, 93,5% représentent des séjours pris en charge par les établissements de la région,
le reste correspondant aux patients hospitalisés hors de la région 14 . Les individus de la base se
répartissent dans 35 établissements qui, pour la moitié, sont localisés dans le Limousin. L’annexe
12 Pour des raisons d’identification des effets, il est nécessaire que la matrice Z contienne une variable non présente
dans la matrice X ;lamatriceX peut inclure des variables différentes de celles de Z.
13 Les 2,5 % restants sont des patients se rendant dans des hôpitaux pour lesquels trop peu d’observations étaient
disponibles dans la base des résidents du Limousin pour pouvoir les inclure.
14 L’information individuelle sur le mode d’entrée du patient étant disponible, elle a conduit à ne sélectionner que les
patients en provenance de leur domicile. Au total 3 800 patients dont le mode d’entrée spécifiait une provenance d’un
10

A.1 donne la liste des établissements d’accueil ainsi que la répartition des observations de la base
dans chacun d’entre eux. L’annexe A.2 présente une carte de la région sur laquelle sont représentées
les localisation des établissements, fournissant ainsi un support visuel à leur localisation. Un bref
descriptif de la région est également joint à la carte.
4.2 Les variables
Les variables sélectionnées sont de trois ordres. Le premier porte sur les caractéristiques des
patients, le second sur les facteurs décrivant les établissements de soins et le troisième sur la
variable centrale à l’étude, la distance supplémentaire parcourue par les patients.
4.2.1 Les variables "patients"
Les variables individuelles décrites dans le tableau 1 sont celles relatives à la localisation du
patient et à son séjour. En particulier la pathologie du patient est identifiée par le Groupe Homogène
de Malade (GHM), la Catégorie Majeure de Diagnostic (CMD) 15 et/ou l’OAP 16 . La gravité du cas
traité est mesurée en utilisant l’Indice Synthétique d’Activité (points ISA) 17 .
Données individuelles
Biographiques
Spatiales
Médicales
Sexe, age
Lieu de résidence (département, canton)
Lieu d’hospitalisation
Pathologie (GHM, CMD, OAP)
Duréedeséjour(DMS)
Mode de sortie (domicile ou transfert vers établissement)
Nombre d’actes, diagnostics associés, durée de séance
Sévérité du cas : nombre de points ISA
Tab. 1 — Les variables "patients" (source : PMSI 2001)
autre établissement (transferts) n’ont pas étéconservésdanslabasededonnées.Eneffet, l’étude portant sur les choix
effectués par les patients quant à l’établissement de soins, la décision d’être transferé dans un second établissement,
après un première hospitalisation relève en général plus d’un avis médical que d’un choix réel du patient.
15 Le GHM est l’unité standard utilisée par le corps médical pour classer les malades dans les services hospitaliers.
Construit à partir de regroupements de GHM, la CMD correspond à une seconde façon de répertorier la maladie d’un
patient. Il existe au total près de 650 GHMs qui sont regroupés en un cinquantaine de CMD.
16 Les données du Programme de Médicalisation des Systèmes d’Information - MCO sont, depuis plusieurs années,
exploitées dans le cadre d’un outil dénommé Outil d’Analyse du P.M.S.I. (OAP). La classification OAP correspond
à un regroupement des GHMs en 26 pôles d’activité.
17 Le point ISA est une unité de compte des ressources utilisées pour traiter une pathologie. Plus un GHM est
associé à une consommation de ressources importante et plus le nombre de points ISA augmente.
11

Le Limousin, région la plus rurale de France, est constitué de trois départements aux caractéristiques
démographiques et aux niveaux d’équipement 18 très inégaux. Pour tenir compte de cette
disparité interdépartementale, des indicatrices identifiant le département de résidence des patients
sont construites (RESID_HauteVienne, RESID_Creuse et RESID_Corrèze). Le classement selon
le niveau moyen d’équipement des départements identifie le département de la Haute-Vienne comme
étant le mieux équipé, vient ensuite la Corrèze et enfin, la Creuse 19 .
Mais cette caractéristation des lieux de résidence des patients ne suffit pas à rendre compte des
fortes disparités d’urbanisation et donc d’accès aux équipements intradépartementaux de la région.
En utilisant la liste des équipements de références 20 qui classe les établissements de soins comme
des équipements rares, leur présence et leur nombre peuvent alors être utilisés comme une proxy
du degré d’urbanisation d’une commune. Pour tenir compte de façon précise des différences entre
leszonesruralesquisontlesplusnombreusesetles zones urbaines plus ou moins développées, une
variable prenant trois modalités caractérise les lieux de résidence des patients : habiter dans un
pôle urbain où l’offre hospitalière est diversifiée et possédant un CHU 21 (FORTE Offre ), habiter dans
une zone disposant d’au moins un établissement de soins (MOYENNE Offre )etenfin résider dans
une zone ne disposant d’aucun établissement (SANS offre ).
La morbidité de la population hospitalisée dans le Limousin a fait l’objet d’une comparaison
avec celle de la France entière. Les résultats de cette comparaison sont présentés dans l’annexe A.3.
4.2.2 Les variables "proxy" de la qualité des établissements hospitaliers
La qualité relevant de facteurs aussi bien objectifs que subjectifs, différents aspects y sont
généralement associés et les définitions retenues sont souvent variables selon le type de personnes
interrogées. On peut ainsi distinguer ce qui pourrait être retenu comme critères par le Ministère
dans une optique de régulation, par le directeur de l’établissement ou encore par l’usager. La
préocupation principale étant ici d’expliquer le choix des patients, seront retenues les variables
décrivant les établissements de soins que les patients sont susceptibles de retenir pour fonder leur
choix d’établissement. Pour ce faire, nous reprenons ici les recommandations de groupes d’usagers,
issues d’une enquête concernant les informations qu’ils considèrent comme centrales dans le choix
d’un établissement. Ces informations peuvent être classées en quatre groupes : l’offre de soins, les
fonctions médico-techniques, la catégorie de l’établissement et son environnement 22 .
A partir des bases PMSI, SAE et AGHN, le tableau 2 synthétise les quatre groupes de variables
retenues comme "proxy" de critères de qualité mis en avant par les usagers. L’estimation
18 Le niveau d’équipement se définit par le nombre de commerces et de services présents sur la commune sur un
total de 36 équipements de référence (bureau de tabac, médecin généraliste, établissement de santé etc...).
19 Source : d’après Insee région Limousin, Inventaire communal 1998.
20 Les établissements de santé et les salles de cinéma appartiennent à la gamme des services les plus rares implantés
dans les communes.
21 Cette indicatrice identifie égalementlefaitderésideràLimogesquiestlazonelaplusurbainedelarégionet
qui dispose d’un CHU.
22 Le lecteur se reportera à l’article de Amar et al., 2001, Solidarité et santé, n ◦ 2, 2001, p. 106-107 pour des précisions
concernant cette enquête.
12

économétrique renseignera sur l’impact de ces variables dans le recours aux soins hospitaliers des
patients. Plus exactement, les différentiels de "qualité" entre l’établissement choisi et le théorique
permettront d’estimer les consentements à se déplacer des patients.
Type de variables
I. Offre de soins
Spécialisation
Sévérité
Durée de séjour par pathologie
Existence ou non de services d’urgence
II. Fonctions médico-techniques
Equipement
Moyens humains
III. Catégorie d’établissement
IV. Hôpital et environnement
Sécurité
Evaluation
Confort
Ecoute / réactivité
Information
Proxy retenues
- Volume d’activité=nombre de séjours par pôle d’activité (OAP)
- Proportion des GHM de chirurgie en % GHM totaux
- Proportion de CMD24 (AMBU)
- Poids moyen du cas Traité (PMCT) issu des points ISA produits
- Durée Moyenne de Séjour par pôle d’activité (OAP)
- Indicatrice sur la présence de l’activité d’urgence
-Nombredelits
- Indicatrice sur la présence d’équipement SCAN, IRM, SCIN
- Indicatrice sur la présence d’activité Chirurgicale, de biologie
- ETP ramené au nombre de séjours
d’internes (et assimilés), et de pers. non médical
- Catégorie juridique (CHU, public, privé)
- Moyens mis en œuvre pour lutter contre les infections nosocomiales
- Existence du compte rendu de la procédure
d’accréditation réalisé par l’ANAES à la date 2003
- Indicatrice de sous-traitance de la
restauration, blanchisserie et nettoyage
- Moyens mis en œuvre pour lutter contre la douleur
- Indicatrice sur l’existence d’un site Internet
Tab. 2 — Les variables décrivant les établissements
I. Offre de soins
— Le degré de spécialisation d’un établissement et la sévérité des cas traités sont, en général,
les premiers indicateurs que les patients considèrent comme critères reflétant la qualité d’un
établissement. Le volume d’activité total est également un indicateur important. Alors que
les études empiriques ne démontrent pas, de façon indiscutable, de relation entre le volume
d’activité et la qualité des soins 23 , il semble qu’en pratique les patients se tournent vers les
établissements dont le nombre de patients traités est le plus élévé dans le but d’accéder à une
meilleure qualité des soins. Ici, la variable reflétant le degré de spécialisation de l’établissement
est le pourcentage d’activité réalisé dans chacun des pôles d’activité définisparlesOAP.Le
poids moyen du cas traité par OAP donne une indication de la lourdeur des cas traités par
les établissements. Les noms donnés à ces variables dans l’estimation sont respectivement
SPE 24 OAP et PMCT OAP .
23 Cf. "Les soins de proximité : une exception française", CREDES, 2001.
24 SPE O ff re est calculée à partir du nombre de séjours par OAP et du volume total d’activité mesurée en nombre
de séjours.
13

— Pour les patients, la durée moyenne de séjour est un autre indicateur de la qualité d’un
établissement. Alors que certains patients peuvent voir dans une durée d’hospitalisation plus
courte une diminution de qualité des soins associée à un moindre intérêt de la part des
établissements, d’autres patients au contraire peuvent y voir une marque de performance et
donc de qualité de traitement. La possibilité de développer une infection nosocomiale 25 est un
autre élément qui met directement en relation la DMS et la qualité des soins. La probabilité de
développer une infection pourrait en effet croître avec la durée de séjour. La durée moyenne
de séjour par OAP (DMS OAP ) est la variable utilisée pour tenir compte de l’impact de la
durée d’hospitalisation dans les choix d’un établissement par les patients.
II. Fonctions médico-techniques
— L’équipement technique de l’établissement défini par la présence de machines d’imagerie
(IRM, scanners etc...) et par les moyens en personnel (médical ou non) renseigne sur les
ressources de l’établissement. Pour certains patients, des ressources plus importantes peuvent
être perçues comme le signe d’un meilleur service.
III. Catégorie de l’établissement
— Parmi les variables proxy de la qualité intervient également la catégorie de l’établissement,
notamment le statut juridique (privé ou public) ainsi que les fonctions qui lui sont rattachées
(enseignement & recherche) et qui sont très souvent synonymes de qualité. Pour certains
patients, la taille d’un étalissement et l’éventail des services qu’il offre sont des critères positivement
associés à la qualité. Ainsi, de par leur place dans la hiérarchie des établissements de
soins, se rendre dans un Centre Hospitalier Universitaire (CHU) peut refléter les préférences
marquées d’un patient pour la qualité. Cependant pour d’autres, les établissements privés
sont perçus comme fournissant des soins de meilleure qualité 26 .Desvariablespermettantd’identifier
si le patient s’est rendu dans un établissement privé, public ou encore dans un CHU
seront introduites dans la modélisation économétrique 27 .
IV. L’hôpital et son environnement
— La réactivté des établissements concernant la prise en charge de la douleur des patients participe
à définir l’environnement hospitalier. La sécurité et l’évaluation extérieure sont également
des facteurs qualifiant l’établissement. Des variables (ACCRED) mentionnant l’existence
du compte rendu de la procédure d’accréditation de l’Agence Nationale d’Accréditation
et d’Etablissements en Santé et la participation de l’établissement à un programme national
de lutte contre les infections nosocomiales (PgNat Noso )sontdeuxautresproxydelaqualité
associés aux établissements hospitaliers.
25 Une infection est dite nosocomiale, si elle apparaît au cours ou la suite d’une hospitalisation et si elle est absente
lors de l’admission.
26 Le plus souvent en France, les établissements privés sont très spécialisés dans le traitement d’une pathologie. La
notoriété du chirurgien de cette spécialité peut alors contribuer à développer une bonne réputation de l’établissement
tout entier.
27 Dans l’étude économétrique, une distinction est effectuée entre le CHU de Limoges et les CHU des autres régions
vers lesquelles certains patients se sont rendus. Elle n’a pour vocation que de tenir compte d’un effet de localisation
géographique et non d’un éventuel effet qualité.
14

— Les prestations hôtelières participent aussi à l’appréciation de la qualité par le patient. En
conséquence, des variables sur un éventuel recours à la sous-traitance sur la restauration, la
blanchisserie et le nettoyage sont introduites.
—Enfin une variable précisant la présence d’un site internet (WEB) permettra de tenir compte
de la dimension relative à l’information.
Des statistiques descriptives sur l’ensemble des variables caractérisant les 35 établissements de
la base sont données en annexe A.4.
4.2.3 La variable distance supplémentaire
La variable distance
Aujourd’hui, en France, aucune base de données ne fournit directement les distances parcourues
par les patients hospitalisés. Pour disposer de cette variable, il est donc nécessaire de la construire.
Ce travail s’effectue par le lien entre les lieux d’implantation des établissements et les localisations
des patients 28 . Ces dernières sont identifiées dans l’espace avec une précision qui s’apparente à
celle du canton. A partir des localisations respectives des patients et des établissements, il est alors
possible de calculer une matrice de distances séparant l’ensemble des cantons et l’ensemble des
établissements et ainsi de disposer des distances calculées à vol d’oiseau entre les différents points
de l’espace 29 .
Construction de la variable distance supplémentaire parcourue
La distance supplémentaire parcourue par un patient correspond à la différence entre la distance
réellement parcourue (distance observée) et la distance qui le sépare de l’établissement le plus proche
et dont l’activité permet de le traiter de manière comparable (distance théorique).
La définition de l’adéquation entre le besoin du patient et l’activité de l’établissement théorique
repose sur la CMD. Pour un patient, on retient comme établissement théorique celui qui est le plus
proche et qui a une activité dans la même CMD 30 . Cependant, cette définition ne permet pas, étant
donné les approximations de mesure de la distance, d’obtenir dans tous les cas un établissement
théorique unique. Lorsqu’il existe plusieurs établissements théoriques, plusieurs critères, comme
par exemple le fait que l’activité de l’établissement soit insuffisante dans cette CMD, peuvent
être utilisés pour effectuer un choix. Celui retenu ici repose sur un tirage aléatoire pour réduire
l’ensemble des possibilités de choix d’hôpital théorique à un seul établissement 31 .
28 Depuis 2000, les bases PMSI fournissent un code de résidence qui renseigne sur la localisation physique des
patients.
29 Pour les mêmes raisons de non disponibilité des données, Luft et al. (1990) et Mobley (1998) travaillent également
sur des distances calculées à vol d’oiseau.
30 Le choix de la CMD (plutôt que le GHM qui est une classification plus fine), se justifie par le fait que certains
GHM n’étaient pas assez représentés dans l’activité des établissements. Ainsi, nombreux étaient les GHMs avec moins
de 50 séjours réalisés au cours de l’année 2001. En travaillant avec des regroupements de GHM (c’est à dire les CMD)
cette difficulté disparait alors. Pour autant la sensibilité des résultats à cette définition a fait l’objet de test qui sont
présentés dans la partie de présentation de résultats.
31 Ce tirage aléatoire a été effectué pour un tiers des patients qui ont des distances supplémentaires strictement
positives.
15

4.3 Statistiques sur la variable distance supplémentaire
L’analyse de la distance supplémentaire parcourue par les patients de l’échantillon met en évidence
une proportion relativement importante (un tiers) de patients qui effectuent une distance
supplémentaire strictement positive. Ces patients acceptent ainsi de ne pas se rendre dans l’établissement
le plus proche et de parcourir une distance plus grande pour satisfaire leur préférences
(section 4.3.1). Pour les autres, la distance supplémentaire qu’ils sont disposés à couvrir est nulle.
Bien que pour ces patients la distance soit un facteur qui détermine de façon marquée le choix d’un
établissement, près de la moitié d’entre eux adopte pourtant un comportement de recherche de la
qualité (section 4.3.2).
4.3.1 Distribution des distances supplémentaires strictement positives
Environ un tiers de l’échantillon (soit 50 000 patients) choisit de ne pas se rendre dans l’établissement
le plus proche (D ij > 0) et la distance moyenne parcourue par ces patients est alors de 34
km (cf. tableau sur les moments et quantiles en Annexe A.5). On observe cependant une dispersion
des valeurs prises par la distance supplémentaire ainsi que l’indique le coefficient de variation (figure
1). Près de 50% des patients parcourent des distances supplémentaires supérieures à 21 km et près
de 15% supérieures à 80 km.
Effectif
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
Distribution de la distance supplémentaire (Valeurs>0)
0 ; 5
5 ; 10
10; 15
15 ; 20
20 ; 25
25 ; 30
30 ; 35
35 ; 40
40 ; 45
45 ; 50
50 ; 55
55 ; 60
60 ; 65
65 ; 70
70 ; 75
75 ; 80
80 et plus
Intervales
Fig. 1 — Distribution de la distance selon des intervalles exprimés en km.
16

4.3.2 Typologie des patients avec des distances supplémentaires nulles
Parmi l’ensemble des patients qui choisissent de se rendre dans l’établissement le plus proche
(D ij =0), on peut distinguer différents groupes : ceux dont la distance observée est positive et
ceux qui parcourent une distance observée nulle. Alors que le premier cas regroupe les patients
résidant dans des zones rurales disposant d’une offre de soins réduite voire, inexistante, le deuxième
correspond aux patients qui habitent dans des zones urbaines où l’offre de soins est diversifiée.
A cette première distinction s’ajoute le fait d’adopter ou pas un comportement de recherche de
qualité. On distingue alors quatre cas de figure en combinant ces deux éléments (cf. Tableau 3 sur
la décomposition des observations et la figure 2).
Les groupes 1 et 2 contiennent les patients qui ont dû se déplacer hors de leur canton de résidence
pour rejoindre un établissement. Dans le premier cas, ils se sont déplacés vers des villes où l’offre
de soins correspondant à leur besoin était diversifiée. Dans le second, la ville d’hospitalisation ne
dispose que d’un unique établissement pouvant les traiter.
Les groupes 3 et 4 sont formés de patients qui habitent une zone disposant d’au moins un
établissement hospitalier. Alors que pour les patients du groupe 3, l’offre se réduit à un seul établissement,
pour ceux du groupe 4 en revanche, le nombre d’établissements susceptibles de les traiter
(établissements théoriques) est supérieur à deux.
17

Distance supplémentaire nulle Groupe N Pourcentage
Total 116788 69
distance obs. >0 etEtab.obs.différent de Etab. théo. 1 32118 19
distance obs. >0 etEtab.obs.égal àEtab.théo. 2 29246 17
distance obs. =0 et Etab. obs. égal àEtab.théo. 3 18544 12
distance obs. = 0 et Etab. obs. différent de Etab. théo. 4 35880 21
Tab. 3 — Décomposition des observations en différents groupes.
Lieu de résidence
Patient
Dist. obs>0
Groupe 1
Lieu d'hospitalisation
Etab. observé
Etab. théorique
Etab. observé
différent de
Etab. théorique
Lieu de résidence
Dist. obs>0
Lieu d'hospitalisation
Patient
Groupe 2
Etab. observé
=
Etab. théorique
Lieu de résidence et
lieu d’hospitalisation
Patient
Dist. obs=0
Lieu de résidence et
lieu d’hospitalisation
Dist. obs=0
Patient
Etab. obs =Etab. théo.
Etab. obs
différent de
Etab. théo.
Groupe 3 Groupe 4
Fig. 2—Lesdifférents groupes pour lesquels la distance supplémentaire est nulle.
Seuls les patients des groupes 1 et 4 (représentant 40% de l’échantillon) ont eu la possibilité de
choisir leur établissement. Les patients qui auraient exercé un tel choix viendraient alors s’ajouter
aux 30% adoptant un comportement de recherche et précédemment trouvés.
Si l’envergure de la distance supplémentaire parcourue permet de révéler les préférences des
patients pour la qualité lorsque les D ij sont strictement positives, cette méthode ne permet pas de
mesurer l’impact accordé en soi à la qualité, lorsque les D ij sont nulles. L’étude économétrique, en
tenant compte à la fois des patients pour lesquels est observée une distance supplémentaire nulle
et une distance strictement positive, permet alors de résouder cette difficulté rencontrée dans cette
approche purement statistique. Elle porte sur les choix de tous les patients dans leur recours aux
soins hospitaliers en analysant les variables qui influencent la distance supplémentaire d’accès aux
soins.
18

5 Résultats économétriques
Cette section présente les résultats issus de l’estimation d’un modèle Tobit, classiquement effectuée
en deux étapes. Dans la première, un modèle Probit estime la probabilité d’effectuer un
déplacement supplémentaire strictement positif. A l’issue de cette estimation, l’inverse du ratio de
Mills est calculé. La seconde étape permet de mesurer l’importance du déplacement supplémentaire
par une estimation de la différence de distance dans laquelle, outre des variables explicatives, l’inverse
du ratio de Mills est introduit. Cette variable permet de tester et de contrôler pour un éventuel
biais de sélection. Un tel biais correspond au fait que les caractéristiques individuelles expliquant la
probabilité de parcourir une distance supplémentaire strictement positive peuvent également être
des facteurs qui expliquent l’étendue de cette distance supplémentaire. La présence de cette variable
conduit à une hétéroscédasticité dont la forme est connue et corrigée. La statistique de Student
relative à l’inverse du ratio de Mills, obtenue à partir de la matrice de Variance-Covariance corrigée,
permet de tester l’existence du biais de sélection. Cette variable est ici fortement significative, ce
qui indique la présence d’un tel biais et constitue une validation ex-post de l’intérêt statistique du
recours à la modélisation Tobit. Les résultats 32 de la première étape sont présentés dans la section
5.1, ceux de la seconde dans la section 5.2.
5.1 Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire
positive
Les résultats de l’estimation de la probabilité d’effectuer une distance supplémentaire à celle
nécessaire pour atteindre l’établissement théorique (tableau 4) montrent l’influence de deux types
de variables : celles décrivant le lieu de résidence du patient et les variables individuelles.
Facteurs explicatifs Coefficient Ecart-type Statistique χ 2
Constante -0,309 0,014 523,072
RESID_Haute-Vienne (réf. = RESID_Creuse) -0,091 0,010 91,855
RESID_Corrèze -0,385 0,009 1778,877
FORTE O ff re (réf. = SANS O ff re ) -2,002 0,018 11748,927
MOYENNE off re -0,366 0,009 1611,934
AGE 2 -0,000 0,000 637,199
AGE 0,013 0,001 649,351
SEXE (réf. = femme) 0,082 0,007 138,010
Source : PMSI 2001
Tab. 4 — Facteurs individuels expliquant la probabilité d’effectuer une distance supplémentaire
32 Le nombre très important d’observations contenu dans les bases de données peut affecter la significativité des
coefficients estimés dans les régressions. Il conduit ici à deux cas extrêmes concernant les coefficients estimés : soit
ils sont fortement significatifs, soit très faiblement. Généralement, la méthode qui consiste à n’estimer le modèle
qu’avec les variables au moins faiblement significatives (|T | de student >1) n’est pas envisageable ici puisque les cas
de significativité intermédiaire sont absents. La liste des variables initialement introduites dans l’estimation Tobit est
donnée en annexe A.6.
19

L’effet des variables caractérisant le lieu de résidence
— Les patients habitant en Corrèze sont ceux des trois départements qui effectuent le moins
souvent une distance supplémentaire pour accéder à des soins ; viennent ensuite les habitants
de Haute-Vienne et enfin ceux qui résident dans la Creuse. Ces résultats sont obtenus toutes
choses égales par ailleurs, en particulier à âge comparable ;
— Les patients qui résident dans une zone où l’offre hospitalière est forte ont une probabilité plus
faible d’effectuer une distance supplémentaire. Ainsi, même s’ils effectuent un choix entre les
différents établissements, cela ne génèrera pas une distance supplémentaire. C’est par exemple
le cas de certains patients des groupes 1 et 4 décrits à la section précédente ;
— De même, mais de façon naturellement moins marquée, les patients habitant dans une zone
qui dispose d’au moins un établissement (MOYENNE Offre )desoinseffectuent moins souvent
un déplacement supplémentaire.
L’effet des variables relatives aux caractéristiques individuelles
— L’introduction de l’âge et de l’âge au carré permet de tenir compte d’un effet éventuellement
non linéaire de l’âge sur la probabilité d’effectuer une distance supplémentaire. La concavité
de la courbe représentant la probabilité de déplacement en fonction de l’âge est confirmée par
l’effet marginal toujours négatif de l’âge. Les patients seraient de moins en moins enclins à
effectuer une distance supplémentaire avec l’augmentation de l’âge et les patients très jeunes
ont une variation de la probabilité de déplacement avec l’âge faible. Le caractère urgent des
pathologies dont souffrent généralement les jeunes enfants peut justifier le recours, par les
parents, à l’établissement le plus proche.
— Les hommes ont une probabilité plus forte d’effectuer une distance supplémentaire 33 .
5.2 Facteurs explicatifs de la distance supplémentaire parcourue
Les résultats de l’estimation linéaire sont présentés dans le tableau 5 dans lequel les paramètres
peuvent être interprétés directement comme des kilomètres. La dernière colonne donne la part de
chacune des variables dans l’explication de la distance supplémentaire parcourue 34 .
Les effets du lieu de résidence
— Les patients résidant en Corrèze sont ceux qui parcourent la distance supplémentaire la plus
grande (en moyenne, d’environ 20 km supérieure à celle des habitants du département de
la Creuse). En moyenne, les habitants de la Haute-Vienne ont une distance supplémentaire
de 4 km inférieure à celle des Creusois. Il est intéressant de noter que le classement des
distances supplémentaires moyennes en fonction du département s’éloigne de celui dressé
précédemment sur la probabilité d’effectuer une distance supplémentaire. Ainsi, si la Corrèze
est le département pour lequel cette probabilité est la plus faible, lorsqu’un tel déplacement
se produit, la distance couverte est, en moyenne, plus grande.
33 Les variables relatives à la durée de séjour et au mode de sortie ont été introduites dans l’estimation Probit mais
ne sont pas significatives, même faiblement.
34 Cf. Annexe A.7 pour la méthode retenue pour calculer les parts des variables.
20

Facteurs explicatifs Coefficient Ecart-type Stat. Student % d’explication
Constante -7,609 2,103 -3,618 9,17
Résidence du patient
RESID_Haute-Vienne (réf. RESID_Creuse)
-3,684
RESID_Corrèze
19,651
FORTE off re (réf. SANS off re )
110,178
MOYENNE off re 33,985
Caractéristiques des établissements
Choix d’un CHU (réf.serendredansnonCHU)
0,478
0,714
2,465
0,663
-7,710
27,517
44,706
51,227
III. CHU de Limoges 12,155 0,493 24,635 5,79
III. CHU autres 63,435 0,776 81,724 1,93
Différence entre l’hôpital choisi et le théorique
I. SPE OAP 58,460 1,543 37,896 3,81
I. PMCT OAP 0,008 0,000 25,747 2,50
I. DMS OAP -1,484 0,071 -20,994 2,93
I. VAL_ISA OAP 83,654 1,613 51,875 9,87
II. Choix CHIR _vs_Théo NonCHIR 0,655 0,454 1,441 0
II. Choix NonBIO _vs_Théo BIO -13,792 1,560 -8,840 0,12
III. Choix PUB _vs_Théo PRIV 10,737 0,545 19,689 1,78
III. Choix PRIV _vs_Théo PUB 3,943 0,506 7,794 1,53
IV. Choix NonPgNatNoso _vs_Théo PgNatNoso 16,719 0,522 32,042 1,95
IV. Choix ACCRED _vs_Théo NonACCRED 5,260 0,428 12,301 2,55
IV. Choix NonACCRED _vs_Théo ACCRED -13,124 0,542 -24,239 1,51
IV. Choix WEB _vs_Théo NonWEB 1,892 0,360 5,252 0,82
IV. Choix NonWEB _vs_Théo WEB -7,451 0,503 -14,810 1
LAMBDA 27,888 2,670 10,444 22,35
Source : PMSI 2001
Tab. 5 — Facteurs explicatifs de la distance supplémentaire parcourue
1,95
6,35
0,51
4,57
— Les patients qui habitent dans une zone où l’offre est forte couvrent, lorsqu’ils ne trouvent pas
sur place de quoi satisfaire leurs attentes, une distance supplémentaire importante, de l’ordre
de 110 km. Par exemple, tous ceux qui trouvent satisfaction dans le canton de Limoges, et ils
sont nombreux dans ce cas en raison de l’importance de l’offre (un CHU et quatre cliniques),
ont une distance excédentaire nulle 35 . Pour les habitants qui résident dans un canton (autre
que celui de Limoges) qui dispose d’un établissement de soins (MOYENNE Offre ), la distance
supplémentaire est de 34 km supérieure à celle parcourue par les patients résidant dans un
canton qui en est dépourvu.
35 Le nombre de patients résidant à Limoges et qui ne se sont pas rendus dans un des établissements de la ville est
d’environ 600.
21

Les effets des caractéristiques des établissements
I. Les différences d’offre de soins entre l’établissement choisi et le théorique
— Les patients choisissent les établissements qui ont la spécialisation la plus forte dans le pôle
d’activité qui leur correspond. En effet, l’effet de la variable (SPE OAP ) calculée comme la
différence entre la spécialisation de l’hôpital choisi et celle du théorique est positif (≈+58km)
sur la distance supplémentaire parcourue.
— Parcourent des distances supplémentaires plus grandes les patients qui se rendent dans un
hôpital pour lequel le poids moyen du cas traité (PMCT OAP ) est plus élevé que dans l’hôpital
le plus proche, révélant ainsi leurs préférences pour des hôpitaux techniques, soignant des cas
lourds (au sens de l’échelle des coûts en points ISA).
— Les patients couvrent des distances plus grandes (≈+83,5) pour atteindre les hôpitaux qui
ont une valeur du point ISA supérieure à la valeur du point nationale, ce qui indiquerait,
selon l’interprétation standard de cet indicateur, une surdotation relativement à leur activité
mesurée en point ISA.
—Lecoefficient négatif (≈ −1,5) correspondant à la variable DMS OAP indique que le consentement
à se déplacer des patients est plus limité pour rejoindre un établissement où la durée
moyenne de séjour (relativement à leur affection) est supérieure à celle de l’établissement le
plus proche. Ceci laisse supposer que les patients ont une préférence pour les séjours de courte
durée.
II. Les différences sur les fonctions médico-techniques
—Auregarddescoefficients estimés, les patients préfèrent les établissements pratiquant des
actes de biologie. En effet, la distance supplémentaire qu’ils acceptent d’effectuer pour atteindre
un établissement n’en pratiquant pas à la différence de l’établissement le plus proche,
est plus faible de 14 km. Ici, la situation de référence est constituée du cas où l’hôpital choisi
effectue des actes de biologie et l’hôpital théorique n’en pratique pas, et de celui où ces deux
établissements ne sont pas différents sur cet aspect.
III. Les différences sur les statuts et l’effet du choix d’un CHU
— En moyenne, les patients se rendant dans un CHU parcourent une distance supplémentaire
supérieure relativement à ceux qui se rendent dans un hôpital d’une autre catégorie (que
celui-ci soit public ou privé). Cette distance est naturellement plus grande dans le cas de
figure, relativement peu fréquent, où le CHU est implanté à l’extérieur du Limousin 36 :63
km. Le surcroît de distance pour atteindre le CHU de Limoges, qui draine près de 50000
patients, soit 29 % des observations, est de 12 km.
— Les patients soignés dans un hôpital public, alors que l’hôpital le plus proche est privé,
parcourent en moyenne une distance supplémentaire de 11 km supérieure aux patients de
caractéristiques identiques mais qui se rendent dans un hôpital ayant le même caractère
public ou privé que l’établissement théorique. Ces patients, les plus nombreux dans la base,
36 CHU de Toulouse, 593 patients, soit 0,4 % de patients ; CHU de Bordeaux, 649, 0,1 % ; Clermont-Ferrand, 1832,
1,1 % ; AP-HP, 145, 0,1 % ; CHU de Poitiers, 155, 0,1 %.
22

eprésentent environ 54%. A l’opposé, certains patients (17%) préfèrent se faire soigner dans
un établissement privé alors que l’établissement le plus proche est public mais, dans ce cas, la
distance supplémentaire qu’ils acceptent en moyenne est plus faible (4 km environ). Ainsi, les
distances supplémentaires couvertes sont plus élevées si les statuts juridiques - public/privé
- des établissements sont différents. Ce résultat mettrait en évidence une préférence pour les
établissements publics alors que l’établissement le plus proche est privé.
IV. Les différences d’environnement
— Les patients se rendent préférentiellement dans les hôpitaux ne pratiquant pas de politique
nationale (PgNat Noso ) de lutte contre les infections nosocomiales, ce qui paraît peu conforme
à l’intuition dans la mesure où l’on associe par ailleurs la participation à de tels programmes
à une recherche de sécurité et donc de qualité 37 .
— Les patients préfèrent être soignés dans les établissements accrédités. En effet, pour atteindre
un hôpital ayant reçu cette certification alors que l’établissement le plus proche n’en dispose
pas encore, ils parcourent en moyenne un supplément de distance de 6 km de plus comparé
aux patients pour lesquels l’hôpital théorique et l’hôpital réel ne se distinguent pas sur ce
point. A l’opposé, ils parcourent 14 km de moins que le cas de référence pour accéder à des
soins dans un établissement non accrédité alors que l’établissement le plus proche l’est.
— De même que pour le point précédent, les résultats indiquent que les patients préférent les
établissements disposant d’un site Internet.
Les parts de la qualité parmi les facteurs explicatifs de la distance supplémentaire parcourue
En ne considérant que les variables d’offre relatives à la spécialisation et la lourdeur des cas
traités (SPE OAP et PMCT OAP ), la part de la qualité parmi les facteurs explicatifs de la distance
supplémentaire parcourue est de l’ordre de 5% (Cf. dernière colonne du tableau 5). Ce pourcentage
doit être considéré comme une valeur plancher. S’y ajoutent les autres facteurs considérés comme
proxy de la qualité et qui caractérisent l’offre (19,11%), le statut de l’établissement (11,40%) et
son environnement (7,84%). Ainsi, la qualité expliquerait au total plus d’un tiers (38,11%) 38 de la
distance supplémentaire parcourue par les patients.
Les autres variables, notamment le lieu de résidence des patients, ainsi que l’inverse du ratio de
Mills (LAMBDA) ne sont pas considérées comme variables proxy de la qualité. Le controle précis
de ces facteurs, dont la part totale représente 45%, permet en conséquence d’attribuer à la qualité
ce qui lui revient véritablement dans la distance supplémentaire parcourue.
Le résidu, qui représente 17% 39 , comprend une partie des facteurs de qualité pour lesquels
aucun indicateur n’a pu être introduit et qui s’apparentent à des effets de réputation. Difficiles
à appréhender, la renommée du chirurgien et la pratique d’une nouvelle technique de traitement
sont en effet des éléments pouvant orienter les choix des patients. Cependant, aucune information
37 Cet effet est perçu par le coefficient positif (16,719) associé à la variable indiquant que le patient est soigné dans
un établissement ne pratiquant pas cette politique alors que l’établissement le plus proche la pratique.
38 Ce chiffre correspond à la somme de toutes les parts des variables proxy de la qualité.
39 La part relative aux résidus est obtenue par différence entre 100% et la somme des parts de toutes les variables.
23

pouvant servir de proxy à cette notion de réputation n’était disponible de telle sorte que cette
dimension se retrouve dans les résidus.
5.3 Spécification du modèle et robustesse des résultats
—Lecoefficient associé à l’inverse du ratio de Mills présent dans la seconde étape est significatif,
signalant ainsi la présence d’un biais de sélection corrigé par la méthode d’estimation.
Dans une variante non présentée ici, l’âge et la durée de séjour ont été inclus dans l’estimation
réalisée à la seconde étape. Ces variables n’étant pas significatives, leur rôle sur la
distance supplémentaire n’est alors qu’indirect. Ayant un impact significatif sur la probabilité
(première étape) d’effectuer une différence de distance strictement positive, ces variables
interviennent par l’intermédiaire de l’inverse du ratio de Mills.
— La taille de l’échantillon du modèle économétrique peut avoir tendance à générer artificiellement
la significativité des paramètres estimés. Ainsi, pour permettre de valider la robustesse
des résultats, dans les deux étapes du modèle TOBIT des estimations ont été réalisées sur des
échantillons de taille réduite. Lorsqu’on réduit le nombre d’observations à 50 00, 10 000 puis
2 000, les coefficients estimés et leur significativité sont très proches des résultats obtenus et
présentés à partir de l’échantillon de 170 00 observations. Ceci confirme ainsi les résultats de
l’estimation économétrique sur l’ensemble de l’échantillon.
— Enoutre,onavérifié que l’on obtient des estimations économétriques proches lorsque la définition
de l’établissement théorique repose sur le GHM plutôt que sur la CMD. Le GHM étant
une unité plus fine que la CMD, cette seconde définition est plus restrictive que la précédente.
L’établissement théorique répond alors à des critères beaucoup plus stricts. Hormis de faibles
différences concernant l’impact des lieux de résidence des patients dans l’explication de la
distance supplémentaire parcourue, les coefficients relatifs à l’impact des variables proxy de
la qualité des établissements sont proches de ceux exposés dans l’étude CMD. Ceci vérifie la
robustesse de nos résultats.
6 Une étude complémentaire : l’impact des variables socio-économiques
Si les résultats indiquent que les lieux de résidence jouent un rôle important dans la distance
supplémentaire parcourue par les patients, le choix d’un établissement est souvent aussi corrélé aux
facteurs sociaux. Bien que peu nombreuses, des études françaises mettent en évidence un impact
significatif des facteurs sociaux sur la mobilité des patients hospitalisés (Tonnelier et Vigneron,
1999). Les variables telles que le niveau d’instruction et la profession des patients ont un effet
positif sur leurs déplacements. Une étude menée par le CREDES (2000) établit que la distance
est d’autant plus déterminante dans le choix d’un établissement que les patients sont relativement
âgés et ont un niveau d’études inférieur à un deuxième cycle. Lucas et Tonnelier (1996), montrent
que plus le niveau d’études est élevé, plus la distance parcourue par les patients hospitalisés est
24

importante.
Ne disposant d’aucune information individuelle de nature socio-économique, la seule possibilité
pour considérer ce type de variables dans les estimations est d’affecter aux patients les valeurs
moyennes de leur canton de résidence, les variables s’interprétant ensuite comme une description
non pas de l’individu mais de son environnement 40 . Pour l’ensemble des cantons du Limousin, on
introduit le taux de chômage, les catégories socio-professionnelles (5 CSP) et le niveau d’études.
Toutes ces informations sont introduites sous forme de taux pour chacun des cantons. Pour éviter
les problèmes de colinéarité, l’introduction de ces nouvelles variables dans les estimations conduit
à supprimer l’indicatrice de la zone de forte offre hospitalière 41 . Des statistiques descriptives des
variables et les tableaux détaillés de résultats de l’estimation Tobit sont présentés dans l’annexe
A.8. Seuls les principaux résultats sont présentés ici.
1. Pour les nouvelles variables introduites, la première étape de l’estimation montre que :
— La probabilité d’effectuer une distance supplémentaire diminue avec l’importance du taux de
chômage du canton de résidence du patient ;
— L’impact du nombre de personnes possédant un niveau d’instruction supérieur (ou égal)
àunBaccalauréat+2estquantàluipositif.Ainsi, les patients résidant dans des zones
relativement favorisées d’un point de vue économique sont plus susceptibles d’effectuer un
déplacement supplémentaire ;
— Un résultat analogue est obtenu avec la croissance de la proportion de cadres dans le canton
de résidence du patient ;
— Pour les variables individuelles (âge et lieu de résidence), quelques différences avec les précédentes
estimations sont à noter. La variable "résident dans une zone disposant d’au moins un
établissement (MOYENNE offre )" n’est plus significative lorsque les variables socio-économiques
sont introduites. Ce résultat est probablement associé à l’existence d’une relation forte entre
les zones urbaines et les nouvelles variables introduites. La variabilité géographique qui existe
entre les zones où l’offre hospitalière est forte, les zones disposant d’au moins un établissement
et/ou les zones ne diposant pas d’établissement de soins serait ainsi capturée par les
différentes variables socio-économiques.
2. La deuxième étape établit que :
— La distance supplémentaire parcourue est d’autant plus petite (coefficient négatif) que le taux
de chômage du canton de résidence du patient est élevé. Ainsi, cette variable a tendance à
réduire la probabilité de se déplacer mais aussi la distance supplémentaire parcourue lorsque
le déplacement a lieu ;
— Lacroissancedunombredecadresdanslecantonderésidencedupatientapoureffet d’augmenter
la distance supplémentaire parcourue. L’impact du nombre de personnes possédant
un niveau d’instruction supérieur (ou égal) à un Baccalauréat +3 est quant à lui positif ;
40 Les données statistiques (1999) de la Direction régionale de l’Insee du Limousin permettent de construire de tels
agrégats au niveau cantonal.
41 On rappelle (cf. section 4) que pour tenir compte des différences d’urbanisation au sein de la région du Limousin,
trois indicatrices caractérisant les zones de résidence des patients ont été créées.
25

— A l’exception des variables qui ne sont plus significatives (se rendre dans le CHU de Limoges,
différence de la durée moyenne de séjour, de la lourdeur des cas traités et du caracère privé
alors que l’établissement le plus proche est public), l’impact des différences de caractéristiques
des établissements sur les distances supplémentaires parcourues est comparable à celui
présenté dans la section (5.2).
Même si les variables introduites, de par leur nature agrégée, ne permettent pas d’identifier
de façon individuelle l’effet des CSP et du niveau d’études sur les déplacements des patients,
les résultats rejoignent dans l’ensemble ceux déjà établis par la littérature. Les facteurs sociaux
interviennent de façon significative dans le choix des établissement hospitaliers qu’effectuent les
patients.
7 Conclusion
L’objectif principal de notre étude est d’identifier dans quelle mesure les patients consentent à
se déplacer au delà de l’établissement hospitalier le plus proche pour recevoir des soins. En tenant
compte de l’adéquation entre les besoins des patients et les caractéristiques de l’offre de soins par
la définition de l’hôpital théorique, notre analyse permet de se concentrer sur les préférences des
patients. L’étude de la distance supplémentaire que les patients acceptent de couvrir alors qu’un
service de qualité identique est disponible dans un hôpital plus proche fournit une proxy de la
concurrence en qualité qu’ils exercent sur le marché hospitalier. L’existence d’une proportion non
négligeable de patients (un tiers) qui acceptent d’effectuer une distance supplémentaire strictement
positive met en évidence que le choix des patients en terme d’hospitalisation ne se limitent pas
systématiquement à l’établissement le plus proche. Les résultats des estimations économétriques
présentés dans les deux sections précédentes établissent que des variables proxy de la qualité des
établissements contribuent de manière significative à expliquer l’envergure de la distance supplémentaire
parcourue. Parmi celles-ci, les caractéristiques de l’offre hospitalière, le statut de l’établissement
et son environnement jouent un rôle important. Dès lors les choix des patients dans leur
recours aux soins hospitaliers ne se réduisent pas à la minimisation des coûts mais à un arbitrage
entre distance et qualité.
Le tirage aléatoire nécessaire à la détermination d’un établissement théorique unique constitue
une limite incontestable de la méthode développée dans ce papier. Les regroupements de certains
lieux de résidence opérés dans la base pour des raisons de confidentialité sont à l’origine de cette
difficulté. Elle pourrait être levée par une information plus fine sur le lieu de résidence du patient.
Par ailleurs la mesure des distances est effectuée à vol d’oiseau pour des raisons pratiques. Quand
bien même cette approche est couramment retenue dans les études de ce type, une mesure basée
sur les temps d’accès (et prenant en compte les effets de congestion du réseau routier) lui serait à
l’évidence préférable. L’élaboration de logiciels spécifiques permettant d’obtenir de telles mesures
pour un échantillon de cette taille s’avère un préalable à une mesure plus adéquate de la distance
parcourue.
26

Ceci dit, la taille très importante de l’échantillon qui couvre tous les patients hospitalisés résidant
dans la régionconduit à relativiser les biais de mesures. La prise en compte de l’ensemble des
pathologies à la différence d’études antérieures souvent centrées sur une seule pathologie constitue
aussi un atout important de l’étude. La méthodologieretenuepourraitêtreappliquéeàd’autres
régions présentant des caractéritiques complémentaires (plus urbaines et/ou avec une population
moins âgée).De telles extensions permettraient de vérifier que la probabilité de se déplacer et l’envergure
d’un tel déplacement demeurent valides dans de tels environnements.
En terme de politique de régulation, si nos résultats suggèrent que les patients peuvent participer
à l’amélioration de la qualité des établissements hospitaliers, l’accès à l’information pourrait
en être un catalyseur. En réduisant l’asymétrie d’information, la diffusion d’information sur les
établissements auprès des usagers pourrait les aider à mieux s’orienter vers l’offre de soins 42 .En
acceptant alors que les choix des patients sont associés à la recherche de soins de qualité, la diffusion
d’information constitue "une stratégie peu onéreuse d’amélioration de la qualité des services
de santé 43 " et pourrait ainsi conduire à un système de santé plus performant. D’autres recherches
portant sur l’information à diffuser auprès des usagers et son impact sur l’efficacité du système
hospitalier sont nécessaires.
42 Luft et al. 1990., Amar et al. 2001 et Marshall et al. 2004.
43 "In spite of mixed results in the literature to date, quality reporting remains a plausible low-cost strategy for
making improvement in the quality of health care services", Glazer et McGuire 2004.
27

8 Références bibliographiques
AMAR L., J. BAHIMONT, M. BREMOND, V. GHADI, C. GISSOT, A. LETOURMY, M.
NAIDITCH et F. SCHATZEL, 2001, "Quelles informations sur l’hôpital pour les usagers ? ", dans
DOSSIER SOLIDARITE ET SANTE : Eléments pour évaluer les performances des établissements
hospitaliers, N ◦ 2, Avril-Juin 2001. Direction de la Recherche des Etudes de l’Evaluation et des
Statistiques. La documentation Française.
CHALKLEY M. and J.M. MALCOMSON, 1998a, Contracting for health services when patient
demand does not reflect quality, Journal of Health Economics, Vol. 17, n ◦ 1, pp. 1-19.
CHALKLEY M. and J.M. MALCOMSON, 1998b, Contracting for health services with unmonitored
quality, Economic Journal, n ◦ 108, pp. 1093-1110.
ELLIS R.P., 1998, ”Creaming, simming, Skimping : provider competition on the intensive and
extensive margins”,Journal of Health Economics, Vol.17. pp537-555.
ELLIS R.P. and McGUIRE T.G., 1986, ” Provider Behavior under prospective reimboursement :
cost sharing and supply ”, Journal of Health Economics, Vol.5. pp. 129-151.
ELLIS R. and McGUIRE T.G.,1988, ”Insurance principle and the design of PPS”, Journal of
Health Economics, Vol.7, pp.215-237.
ELLIS R.P. and McGUIRE T.G., 1990, ”Optimal payment systems for health services”, Journal
of Health Economics, Vol. 9, pp.375-379.
FOTHERINGHAM A.S. and M.E. O’KELLY, 1989, "Spatial interaction Models : Formulations
and Apllications", Studies in Operational Regional Research, ed. Kluwer Academic Publisher, ISBN
0-7923-0021-1.
GLAZER J. and McGUIRE T. “Optimal Quality Reporting in Markets for Health Plans”,
Working paper, presented at the 5th European Health Economics Workshop, University of York,
2-3 April 2004.
JOUBERT M., BAUBEAU D. et TUDEAU L., 2000, "Les flux de patients entre régions en
1997 d’après le PMSI", Etude et Résultat, ,N ◦ 52 février, Direction de la Recherche des Etudes de
l’Evaluation et des Statistiques DREES, ministère de l’Emploi et de la solidarité
HARTMANN L. (2000) Thèse : Tarification, régulation et incitations dans le secteur hospitalier
privé en France.
HARTMANN L et M. MOUGEOT, 2000, "Aléa moral, partage du risque, écrémage et choix
das contrats dans le secteur de l’hospitalisation privée en France", Revue d’Economie Politique,
110 (4), Juillet-Août, pp.597-616.
HARTMANN L, K. MOSCHETTI et L. ROCHAIX, 2001, "La tarification à la pathologie
aux Etats-Unis", Dossiers solidarité et santé : La régulation des dépenses de santé : approches
théoriques et empiriques, N ◦ 1, janvier-mars 2001, pp. 17-33. Direction de la Recherche des Etudes
et de l’Evaluation et des Statistiques (DREES), La documentation Française.
HARTMANN L, K. MOSCHETTI et L. ROCHAIX, 2001, "Prospective payment and yarstick
competition : from economic theory to experiments", international Health Economics Adminstration
(iHEA) York, 2001.
28

HAUT COMITE DE LA SANTE PUBLIQUE, 2000, "La place de l’usager dans le système de
santé", par Caniard E. pp. 16, Rapport à la Conférence Nationale de Santé 21-23 Mars, 2000
HAUT COMITE DE LA SANTE PUBLIQUE, 2002, "L’usager, acteur du système de santé",
partie 4 du rapport La santé
en France 2002.
JOURDAIN A., P.-H. BRECHAT, B. COTARD, R. MAFFEÏS , I. DE TURENNE, 2000,
Enquête sur les artisans des schémas régionaux d’organisation sanitaire de deuxième génération :
Le point de vue des acteurs, Contrat d’étude de la Direction des Hôpitaux, Rapport final Janvier
2000 - Laboratoire d’Analyse des Politiques Sociales et Sanitaires (LAPSS), Ecole Nationale de la
Santé Publique (ENSP).
LE FUR PH, V. PARIS, H. PICARD, D. POLTON, 2000, "Les trajectoires des patients franciliens
: l’accès aux plateaux techniques", Centre de Recherche d’Etudes et de Documentation en
Economie de la Santé, Juin 2000, 188 p.
LUCAS GABRIELLI V. et F. TONNELLIER, 1995, "Distance d’accès aux soins en 1990, Centre
de Recherche d’Etudes et de Documentation en Economie de la Santé, Décembre 1995.
LUCAS GABRIELLI V., N. NAVBET et F. TONNELLIER, 2001, "Les soins de proximité :
une exception française", Série résultats, Centre de Recherche d’Etudes et de Documentation en
Economie de la Santé, Juillet 2001.
LUFT H., GARNICK D., MARK D., PELTZMAN D., PHIBBS C. LICHTENBERG E. and
McPHEE S., 1990, "Does quality Influence the Choice of Hospital ?", Journal of the American
Medical Association, v 263, (21), pp. 2899-2906.
MA A.C.T. (1994), ”Health care payment system : cost and quality incentives”, Journal of
Economic and Management Strategy, MIT, Vol. 3, No. 1, pp. 113-142.
McGUIRK, M. and PORELL, F., 1984, "Spatial Patterns of Hospital Utilization : The impact
of distance and Time", INQUIRY, v 21 (Spring), pp. 84-95.
MARSHALL M., P. ROMANO et DAVIES H. T. O., 2004, "How do we maximize the impact
of the public reporting of quality of care ?", International Journal for Quality in Health Care 16,
n ◦ Supplement 1 : i57-i63.
MOBLEY L.R., 1998, "Managed Care, Distance Traveled and Hospital Market Definition",
Working Paper 13-98,University of California Santa Barbara
MOUGEOT M., 1994, Systèmes de santé et concurrence, Ed. Economica.
MOUGEOT M., 1998, ”La tarification hospitalière : de l’enveloppe globale à la concurrence par
comparaison”, Annales d’Economie et Statistiques.
NEWHOUSE J.P., 1983, ”Two prospective difficulties with prospective payment of hospitals, or,
it’s better to be a resident than a patient with a complex problem”, Journal of Health Economics,
n ◦ 2, pp. 269-274.
POPE G.C., 1989, ”Hospital nonprice competition and medicare reimbursement policy, Journal
of Health Economics”, Vol. 8, No. 2, pp. 147-14
POPE G.C., 1990, ”Using hospital-specific costs to improve the fairness of prospective reimbursement”,
Journal of Health Economics, Vol. 9, pp. 237-251.
29

ROCHAIX L., 1989, "Information asymetry and search in the market for physicians’ services",
Journal of Health Economics 8, p. 53-84
ROCHAIX L., 1997, "Asymétrie d’information et incertitude en santé : les apports de la théorie
des contrats", Nouvelles approches micoéconomiques de la santé, Economie et Prévision, N ◦ 129-130
Juillet-Septembre 1997, pp. 11-25.
SHLEIFER A., 1985, ”A theory of Yarstick competition”, Rand Journal of Economics, Vol. 16,
No. 3. Pp. 319-327.
TAY, A. 2002, "What can Patient Outcomes tell us about Hospital Quality ?", Working Paper,
Columbia University USA, Dept of Economics, Email : at436@columbia.edu.
TAY, A., 2003, "Assessing competition in hospital care markets : the importance of accounting
for quality differentiation", RAND Journal of Economics 34, n ◦ 4, pp. 786-814.
TONNELIER F. et E. VIGNERON, 1999, Géographie de la Santé en France, Que-sais-je,
N ◦ 3435, Ed. PUF.
WHITE W.D., MORISSEY, M. A., 1998, "Are Patients travelling Further ?", International
Journal of the Economics of Buiseness, Vol. 5, N ◦ 2, pp. 203-221.
30

A
Annexes
A.1 Les établissements de la base
FINESS REGION Libellé Lits HC Catégorie / Activité
Répartition
030780100 Auvergne CTRE HOSP. DE MONTLUCON 423 CH4 (CH nb-sejours>16000) 1863 1,12
030781116 Auvergne POLYCL. ST FRANCOIS-ST ANTOINE DESERTINES 229 CL5 (nb-sejours>16000) 2830 1,7
150780096 Auvergne CTRE HOSP. D’AURILLAC 282 CH3 (CH 10000

Carte des établissements de soins du Limousin (Source : Macé & Kervasdoué 2002).
A.3 La morbidité de la population hospitalisée
Pôle d’activité Indice comp. DMS Indice comp. PMCT
AA — Digestif 0,99 0,97
AB - Orthopédie, Rhumatologie 1,02 0,96
AC - Uro-néphrologie 1,06 1,86
AD - Système nerveux 0,99 0,97
AE - Cardiologie 1,02 1
AF - Vasculaire périphérique 0,99 0,95
AG - Pneumologie 1,04 0,98
AH - ORL, Stomatologie 1,01 0,95
AI - Ophtalmologie 1,07 1,02
AJ - Gynécologie 0,95 1,02
AK - Obstétrique 1,02 1,01
AL - Nouveau-nés 1,04 0,98
AM - Hématologie 0,95 0,99
AN - Chimiothérapie, radiothérapie, transfusion 1,1 Non Significatif (NS)
AO - Endocrinologie 1,09 1,03
AP - Peau et tissu sous-cutané 1,05 0,98
AQ - Brûlures NS NS
AR - Maladies infectieuses (hors VIH) 1,05 1,01
AS - Maladie VIH NS NS
AT - Transplantations d’organes, Greffes de moelle NS NS
AU - Traumatismes multiples ou complexes graves NS NS
AV - Psychiatrie, Toxicologie, Intoxications, Alcool 1,03 0,98
AX - Autres prises en charge 1,01 1,52
AY - Erreurs et séjours inclassables NS NS
AZ - Vasculaire interventionnel NS NS
Tab. 6 — Indices comparatifs des durées moyennes de séjours (DMS) et des poids moyens des cas
traités (PMCT)
32

Afin de comparer la durée moyenne de séjours (DMS) et le poids moyen, en terme de points ISA, du cas
traité (PMCT) du Limousin relativement à ceux de la France entière, on construit des indices comparatifs
pour tenir compte des différences de structure par âge. A cet effet, on estime, par pôle d’activité, une relation
très simple liant, à l’échelle nationale, la durée du séjour (respectivement le nombre de points ISA) à une
constante et à l’âge du patient. On obtient ainsi une relation théorique appliquée au Limousin : la DMS
théorique du Limousin est celle obtenue avec cette relation en introduisant l’âge moyen des patients de
cette région. On calcule ensuite le rapport entre la DMS (respectivement le PMCT) observée et la DMS
(respectivement le PMCT) théorique par pôle d’activité.
Si cet indice comparatif est supérieur à l’unité (cf. tableau), cela signifie que pour ce pôle d’activité et
compte tenu de l’âge moyen des patients, les DMS sont en moyenne supérieures dans le Limousin par rapport
à la moyenne de la France entière.
A.4 Les caractéristiques des établissements
Catégories Fréquence Moyenne lits
Ctre Hospitalier Régional Universitaire 7 3468
Privé monodisciplinaire chirurigical 1 35
Privé monodisciplinaire médical 1 57
Ctre Lutte Contre Cancer 2 144
Ctre Hospitalier 11 220
Privé pluridisciplinaire 13 155
Tab. 7 — Les catégories d’établissements de la base.
Variables Moments Quantiles
Moy. des moy. Moyenne Coeff var 100% (max) 75% 50% 25% 0% (min)
Nbre lits (HC) 831,34 296,64 14552,00 423,00 183 102 26
Nbre séjours 218591,62 136,77 155836 23038 13547 5537 898
Durée moy. séj. 4,78 25,9 7,87 5,53 4,97 3,7 2,89
Poids moy. cas. traité 1244,86 14,14 1946,34 1314,20 1 194,00 1159,20 971,38
Somme pts ISA 36 351 400 139 204 951 480 25 748 275 16 005 320 8 268 085 1287430
Valeur pt/V. nationale 0,957 8,561 0,831 0,998 0,947 0,902 1,183
Nbre décès 0,02 66,02 0,06 0,03 0,02 0,01 0
Age patients 52,93 14,01 70,06 57,1 51,18 47,9 40,67
Tab. 8 — Statistiques relatives aux établissements de la base
33

A.5 Statistiques sur la variable distance supplémentaire
N 52858 Quantile
Moyenne 34,2 100 % (Max) 75% (Q3) 50% (Médiane) 25 % (Q2) 0% (Min)
Coefficient de variation 120,9 418,5 46,4 20,9 9,4 0,0
Tab. 9 — Moments et Quantiles sur la variable distance supplémentaire (Valeurs strictement positives)
A.6 Les variables retenues pour l’estimation
Etant donné le nombre important de variables disponibles dans la base de données (cf. tableaux
1 et 2), les problèmes de colinéarité conduisent à effectuer une analyse en composantes principales
(ACP) et une analyse simple des corrélations, pour ne conserver que des variables non corrélées à
introduire dans les régressions. Les résultats de l’ACP donnent la liste des variables retenues pour
l’analyse économétrique.
Les informations individuelles conservées sont les variables spatiales caractérisant la zone d’habitation
à savoir, aussi bien le département (Haute-Vienne, Corrèze, Creuse) que la nature de
l’équipement hospitalier disponible au lieu de résidence (FORTE Offre ,MOYENNE Offre et SANS Offre ).
Par contre, parmi les données médicales sont éliminées, le nombre de point ISA, le nombre d’actes
et de diagnostics. Restent donc l’AGE, la DMS et le MODE de sortie.
Pour les informations relatives aux établissements de soins, les variables Equivalent Temps Plein
d’internes et de personnel non médical, le nombre de lits, les moyens mis en oeuvre pour lutter
contre la douleur, le nombre total de séjours et le nombre de points ISA réalisés sont éliminées après
analyse de la colinéarité. Les variables en différence conservées pour l’estimation et qui caractérisent
les établissements de soins sont les suivantes. Les quatre premières sont des variables continues, les
autres sont des variables polychotomiques.
SPE OAP =variable correspondant à la différence entre l’établissement choisi et le théorique de
la part d’activité de l’OAP dans l’activité totale, mesurée en séjours.
PMCT OAP =variable correspondant à la différence entre l’établissement choisi et le théorique
de la lourdeur moyenne des cas traités (mesurée par le poid moyen du cas traité, PMCT).
VAL_ISA OAP = variable correspondant à la différence entre l’établissement choisi et le théorique
de la valeur du point ISA comparée à la moyenne nationale.
Choix AMBUL _vs_Théo NonAMBU = Indicatrice : présence d’un service d’urgence dans l’établissement
choisi alors que le théorique n’en dispose pas.
Choix CHIR _vs_Théo NonCHIR = Indicatrice : l’établissement choisi pratique une activité de
chirurgie alors que l’établissement théorique n’en pratique pas.
Choix URGT _vs_Théo NonURGT = Indicatrice : présence d’un service d’urgence dans l’établissementchoisitalorsquelethéorique
n’en dispose pas.
Choix IRM _vs_Théo NonIRM = Indicatrice : présence d’une IRM dans l’établissement choisi par
le patient alors que le théorique n’en dispose pas.
34

Choix SCAN _vs_Théo NonSCAN = Indicatrice : présence d’un scanner dans l’établissement choisi
par le patient alors que le théorique n’en dispose pas.
Choix BIO _vs_Théo NonBIO = Indicatrice : pratique des actes de biologie dans l’établissement
choisi alors que l’établissement théorique n’en pratique pas.
Choix NonBIO _vs_Théo BIO = Indicatrice : pas de pratique d’actes de biologie dans l’établissement
choisi alors que l’établissement théorique en pratique.
Choix NonPgNatNoso _vs_Théo PgNatNoso =Indicatrice :pas de suivi d’un programme national de
lutte contre les infections nosocomiales dans l’établissement choisi alors que l’établissement théorique
en suit une.
Choix ACCRED _vs_Théo NonACCRED & (Choix NonACCRED _vs_Théo ACCRED ) = Indicatrice :
accréditation de l’ANAES de l’établissement choisi alors que l’établissement théorique ne l’est pas
(& Indicatrice : pas d’accréditation de l’ANAES de l’établissement choisi alors que l’établissement
théorique l’est.
Choix NETTO _vs_Théo NonNETTO & Choix NonNETTO _vs_Théo NETTO = Indicatrice : sous
traitance du nettoyage dans l’établissement choisi alors que l’établissement théorique n’en effectue
pas.
Choix WEB _vs_Théo NonWEB & Choix NonWEB _vs_Théo WEB = présence d’un site Internet
dans l’établissement choisi alors que le théorique n’en dispose pas.
A.7 Calcul de la part des variables parmi les facteurs explicatifs de la distance
supplémentaire parcourue
Cette section présente le calcul de l’indicateur construit pour mesurer la part des variables
associées à la qualité d’un établissement parmi l’ensemble des facteurs identifiés comme influençant
la distance supplémentaire. Cependant, mesurer la part de la qualité dans les facteurs explicatifs
de la distance supplémentaire parcourue demande de résoudre une difficulté d’ordre technique. Elle
tient au fait que certains des effets sur la distance supplémentaire parcourue sont positifs et d’autres
négatifs. La distance supplémentaire estimée par le modèle est égale à la somme des effets positifs
ou négatifs. Mesurer la part de chacun des effets en les relativisant à la distance supplémentaire
parcourue aboutit au fait que la somme de ces parts est supérieure à 100%. Pour résoudre cette
difficulté, on choisit donc de raisonner sur les valeurs absolues des effets des variables. La part d’une
variable parmi les facteurs explicatif de la distance est calculée comme le rapport entre l’effet absolu
de cette variable et la somme des valeurs absolues des effets de chacune d’elles. La part moyenne
d’une variable pour l’échantillon est calculée comme la moyenne des parts de cette variable pour
chacun des individus.
Ex. Part.SPE OAP de l’individu n :P n SPE =|Xn i=SPE β i=SPE|
. La variable qui calcule l’importance
21P ¯
¯Xn i
β i¯¯
i=1
de l’effet de la différence de spécialisation est égale à la valeur absolue du produit du coefficient et
de la valeur même de la différence. Pour un individu, la part de cette variable relativement à la
somme des valeurs absolues se déduit en faisant le quotient comme dans la formule ci-dessus. La
part moyenne, sur l’ensemble de l’échantillon, de la variable SPE est calculée comme la moyenne
35

des parts de chacun des individus 1 N ∗ P N P n SPE ∗ 100.
n=1
A.8 Annexes sur l’étude complémentaire introduisant les variables socio-économiques
Taux Moyenne Ecart-Type Minimum Maximum
*Chômage 0,09 0,02 0,04 0,19
*CSP
agriculteurs 0,13 0,09 0,00 0,38
artisans 0,10 0,04 0,01 0,22
cadres 0,06 0,02 0,01 0,14
profession interm. 0,16 0,04 0,08 0,27
employés 0,26 0,07 0,08 0,52
ouvriers 0,29 0,09 0,04 0,64
* Niveau d’études
sup_bac_2 0,12 0,04 0,05 0,24
sup_bac_3 0,05 0,02 0,02 0,11
Source : Insee Limousin 1999
Tab. 10 — Les variables socio-économiques pour le Limousin (exprimées en Taux)
A.8.1
Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire
positive
Facteurs explicatifs Coefficient Ecart-type Statistique χ 2
Constante 2,285 0,183 156,71
RESID_Haute-Vienne (réf. =RESID_ Creuse) 0,258 -0,012 487,40
RESID_Corrèze 0,066 -0,012 32,34
MOYENNE off re (réf. = SANS O ff re ) 0,000 0,011 0,9
AGE 2 -0,000 0,000 901,83
AGE 0,014 0,001 649,351
SEXE (réf. = femme) 0,085 0,007 141,61
Variables cantonales
Taux de chômage -0,590 0,205 8,26
Catégories socio-professionnelles
-Agriculteurs
-Artisans
-Cadres
-Employés
-Ouvriers
-0,564
-1,626
+6,477
-0,494
-2,956
0,186
0,162
0,286
0,222
0,213
9,20
101,27
514,50
4,96
193,48
Niveau études supérieur à bac + 2 20,581 0,208 9777,98
Source : PMSI 2001 & Insee Limousin 1999
Tab. 11 — Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire (avec variables
socio-économiques cantonales).
36

A.8.2
Facteurs explicatifs de la distance supplémentaire parcourue
Facteurs explicatifs Coefficient Ecart-type Stat. Student
Constante 10,482 2,312 4,534
Résidence du patient
RESID_Haute-Vienne (réf. RESID_Creuse)
RESID_Corrèze
-4,924
6,442
0,471
0,468
-10,460
13,755
MOYENNE off re (réf.SANS off re ) 28,975 0,443 65,397
Variables socio-économiques (agrégées au niveau cantonal)
Taux de chômage -203,485 0,527 -386,301
Catégorie Socio-professionnelles
Agriculteurs
Artisans
Cadres
Ouvriers
22,065
-40,793
47,015
61,627
0,434
0,544
0,361
0,508
50,856
-75,033
130,342
121,320
Niveau d’études supérieur à Bac+3 412,958 30,259 13,648
Choix d’un CHU
CHU de Limoges 9,209 7,714 1,194
CHU autres (réf. se rendre dans non CHU) 63,715 2,534 25,141
Différence entre l’hôpital choisi et le théorique
SPE OAP 61,974 0,553 112,144
VAL_ISA OAP 88,588 0,773 114,610
PMCT OAP 0,008 0,49 0,016
DMS OAP -1,572 2,728 -0,576
Choix PUB _vs_Théo PRIV 10,671 4,949 2,156
Choix PRIVi _vs_Théo PUB 4,284 9,768 0,438
Choix CHIR _vs_Théo NonCHIR 7,438 0,509 14,624
Choix NonBIO _vs_Théo BIO -8,233 0,071 -116,431
Choix NonPgNatNoso _vs_Théo PgNatNoso 19,543 0,000 64625,290
Choix ACCRED _vs_Théo NonACCRED 6,210 1,670 3,718
Choix NonACCRED _vs_Théo ACCRED -13,110 1,524 -8,602
Choix WEB _vs_Théo NonWEB 4,679 0,473 9,901
Choix NonWEB _vs_Théo WEB -11,910 1,532 -7,775
LAMBDA -11,210 1,250 -8,970
Source : PMSI 2001
Tab. 12 — Facteurs explicatifs de la distance supplémentaire parcourue (avec variables socioéconomiques)
Les variables CHU_limoges, PMCT OAP ,DMS OAP et choisir un établissement public alors que
le plus proche est privé (Choix PUB _vs_Théo PRIV )nesontpassignificativeslorsquelesvariables
soci-économiques sont introduites.
37

Working Papers / Documents de Travail
Le GREQAM diffuse une série de documents de travail qui prend la suite de celle diffusée depuis 1982
par le GREQE. Cette série comporte 4 sous séries - respectivement : "théories", "applications",
"méthodologie", "Tirés à part"
Certains papiers sont disponibles sous la forme de fichiers PDF. Adobe Acrobat vous permet de les
lire, de les transférer et de les imprimer.
http://greqam.univ-mrs.fr/dt/dt.htm
___________
Adresses du GREQAM
GREQAM
Centre de la Vieille Charité
2 Rue de La Charité
13002 MARSEILLE
tél. 04.91.14.07.70
fax. 04.91.90.02.27
E-mail : greqam@ehess.univ-mrs.fr
GREQAM/
LEQAM
Château La Farge
Route des Milles
13290 LES MILLES
tél. 04.42.93.59.80
fax. 04.42.93.09.68
E-mail : leqam@romarin.univ-aix.fr
GREQAM/
C.R.I.D.E.S.O.P.E.
Faculté d'Économie Appliquée
Bât. Austerlitz
15-19 Allée Claude Forbin
13627 Aix-en-Provence Cedex 1
Tel : 04 42 96 12 31
Fax : 04 42 96 80 00