Download the Working Paper - greqam
Download the Working Paper - greqam
Download the Working Paper - greqam
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
GREQAM<br />
Groupement de Recherche en Economie<br />
Quantitative d'Aix-Marseille - UMR-CNRS 6579<br />
Ecole des Hautes Etudes en Sciences Sociales<br />
Universités d'Aix-Marseille II et III<br />
Document de Travail<br />
n°2004-26<br />
Didier Balsan, Karine Moschetti<br />
et Lise Rochaix<br />
Consommation de soins hospitaliers : les<br />
arbitrages entre distance et qualité
Consommation de soins hospitaliers :<br />
les arbitrages entre distance et qualité<br />
Didier Balsan ∗† ,KarineMoschetti ‡ et Lise Rochaix §<br />
25 mai 2004<br />
Résumé<br />
L’objet de cet article est de développer une méthodologie permettant d’estimer les consentements<br />
à se déplacer des patients dans leur recours aux soins hospitaliers. Centré sur le patient et<br />
non sur l’attractivité des offreurs de soins, l’originalité de ce travail est de prendre en compte à la<br />
fois les caractéristiques de l’offre et les préférences des patients. La démarche repose sur l’analyse<br />
de la distance supplémentaire que les patients acceptent de couvrir alors qu’un service comparable<br />
est disponible dans un hôpital plus proche de leur lieu de résidence. Le modèle est appliqué<br />
à un extrait d’une base de données (PMSI public et privé) contenant près de 170 000 séjours<br />
individuels de patients hospitalisés dans une région de France. L’étude statistique montre qu’un<br />
tiers des patients se déplacent au-delà de l’établissement le plus proche pour recevoir des soins,<br />
révélant ainsi des consentements à se déplacer strictement positifs. Les résultats économétrique<br />
mettentenévidencequedesfacteurstelsquelaqualitédessoinsinfluencent significativement la<br />
distance parcourue par les patients dans leur recours aux soins. Ainsi, les résultats soutiennent<br />
l’idée selon laquelle la demande peut constituer un vecteur de mise en concurrence par la qualité<br />
des établissements sur le marché des soins hospitaliers et conduire à en améliorer le niveau.<br />
Classification JEL : I11, C24, R23, L44, L13<br />
∗ Lors de la rédaction de ce document, Didier Balsan était à la Direction de la Recherche des Etudes et de<br />
l’Evaluation et des Statistiques (DREES).<br />
† Les auteurs remercient la Direction de la Recherche des Etudes et de l’Evaluation et des Statistiques (DREES)<br />
pour leur avoir permis de travailler, dans le cadre d’une convention, sur la base PMSI 2001. Ils remercient également<br />
la Direction Régionale de l’Insee Limousin pour les informations socio-économiques qu’elle leur a fournies.<br />
‡ Université de la Méditerranée, Groupement de Recherches en Etudes Quantitatives d’Aix Marseille (IDEP et<br />
GREQAM). Correspondance : karine.moschetti@free.fr<br />
§ Université de la Méditerranée, Institut d’Economie Publique (IDEP et GREQAM.<br />
1
1 Introduction<br />
Ces dernières années, en France - comme dans la plupart des pays, y compris ceux où le système<br />
de santé est planifié -, le regard porté sur la place des usagers évolue rapidement. Le constat est<br />
souvent dressé d’une volonté générale des patients d’être considérés comme des acteurs à part entière<br />
du système (Amar et al., 2001 ; CNS 1 , 2000). Concrètement, la réflexion sur le rôle des usagers dans<br />
le système de santé est aujourd’hui largement engagée 2 . Selon l’enquête menée sur l’élaboration<br />
des schémas régionaux d’organisation sanitaire de deuxième génération (2000), une telle démarche<br />
"participe à une volonté politique nouvelle qui donne aux usagers un rôle de contrepouvoir face aux<br />
professionnels de santé et aux gestionnaires" 3 . Le Haut Comité de la Santé Publique pour sa part<br />
a émis, en 2002, diverses recommandations qui visent à développer la participation des usagers au<br />
fonctionnement du système de santé 4 .<br />
Au delà d’une réponse à une demande légitime de la population, il se peut que la participation<br />
des patients au système de soins puisse conduire à une amélioration de son efficacité,.le patient<br />
devenant un élément actif de la régulation du système de santé. Traditionnellement, la régulation<br />
des établissements a reposé sur la recherche de modes de rémunération prospectifs ainsi qu’en<br />
atteste la première partie de la revue de la littérature. De plus en plus, la capacité de choix des<br />
patients entre les établissements fait l’objet d’interrogations de la part du régulateur. De fait, même<br />
si les recommandations des médecins traitants ont un rôle majeur dans l’orientation des patients<br />
danslesystèmedesoins,lalibertédechoixparlespatientsdumoded’entréedanslesystème<br />
(généralistes, spécialistes, hôpitaux) demeure importante. Cette possibilité de choix permet alors à<br />
ceux qui l’exercent de s’orienter vers l’établissement dont les caractéristiques (en termes de qualité<br />
et de distance) correspondent à leurs préférences. Dans ce cas, le choix du patient peut constituer un<br />
vecteur de mise en concurrence par la qualité des établissements sur le marché des soins hospitaliers,<br />
conduisant alors à une amélioration de celle-ci.<br />
Or, une telle mise en concurrence par les patients est-elle effective ? Peut-on asseoir la régulation<br />
sur un tel levier ? S’il est vrai que la répartition de l’offre est relativement centralisée alors que celle<br />
de la demande est diffuse sur le territoire, confèrent-t-elles pour autant à l’établissement de soins<br />
une situation de monopole spatial ? Si tel était le cas, toute politique de mise en concurrence serait<br />
vouée à l’échec. Le choix des patients est-il seulement dicté par la proximité de l’établissement ?<br />
Acceptent-ils de se déplacer et quelles distances sont-ils prêts à parcourir pour atteindre une qualité<br />
supérieure ? Telles sont les interrogations auxquelles ce travail empirique tente d’apporter des<br />
1 Conférence Nationale de la Santé, 2000.<br />
2 Schéma Régional d’Organisation Sanitaire de deuxième génération, SROS II, États généraux de la santé, Conférences<br />
Régionales de Santé-CRS et Commission Régionale d’Organisation Sanitaire et Sociale - CROSS, mais aussi<br />
conseil scientifique de l’Agence Nationale d’Accréditation et d’Évaluation de Santé-ANAES et conseils d’administration<br />
des établissements de santé.<br />
3 Contrat d’étude de la Direction des Hôpitaux Rapport final, Janvier 2000, p. 96.<br />
4 Les propositions portent notamment sur la volonté d’accroître la place du malade dans la co-décision diagnostique<br />
et thérapeutique, d’intégrer les usagers dans le fonctionnement des institutions sanitaires et sociales, de faire participer<br />
le citoyen aux décisions de santé publique et de façon prioritaire d’assurer la représentation des usagers dans toutes<br />
les instances qui interviennent dans le domaine de la santé et des soins. Cf. HCSP, 2002, partie 4, p. 349.<br />
2
éléments de réponses.<br />
Deux raisons peuvent expliquer les déplacements effectués par les patients pour se faire hospitaliser<br />
: les caractéristiques de l’offre ou les préférences des usagers. La répartition spatiale des<br />
hôpitaux étant inégale, certains patients résidant loin des centres hospitaliers sont contraints, du<br />
fait de la localisation des établissements, de parcourir des distances importantes. Pour d’autres<br />
patients, moins contraints par la disponibilité de l’offre, les distances parcourues s’expliquent alors<br />
davantage par leurs préférences.<br />
Les études sur la mobilité des patients, menées à partir de l’analyse des distances parcourues,<br />
ne permettent pas d’identifier séparément les deux raisons précédemment évoquées. Or, ne pas<br />
distinguer dans un déplacement ce qui relève de la contrainte de l’offre,decequirelèveduchoix<br />
du patient revient à considérer que tout déplacement est associé à des comportements d’arbitrage<br />
entre les différents établissements et par conséquent à en surestimer l’envergure. Pour dissocier<br />
le mode de recours aux soins hospitaliers et le choix de l’établissement, il apparaît essentiel de<br />
disposer d’une méthode permettant d’identifier de façon distincte les facteurs relevant du caractère<br />
contraignant de l’offre hospitalière de ceux reflétant les préférences des patients.<br />
L’originalité de cette contribution est justement de proposer une méthode permettant de combler<br />
cette lacune. La démarche consiste à définirunhôpitalthéoriquequisetrouveêtreleplusproche<br />
du lieu de résidence du patient et à même de le soigner pour la pathologie qu’il présente. Cet hôpital<br />
de référence sera comparé à l’établissement effectivement choisi par le patient. Si les patients<br />
acceptent de couvrir une distance d’accès supplémentaire alors qu’un service de qualité identique<br />
est disponible dans l’hôpital théorique, ceci sera identifié à un comportement de recherche de qualité<br />
par le patient. Cette méthode contrôle de manière efficace les variations géographiques dans la<br />
disponibilité de l’offre et permet de s’assurer que les mouvements observés (distance supplémentaire<br />
positive) correspondent effectivement à des choix des patients. Quant bien même elle peut conduire<br />
à sous-estimer les comportements de recherche par les patients, elle est préférable à une majoration<br />
artificielle de ces comportements de recherche. Le contrôle effectué par la vérificationquelepatient<br />
pouvait être soigné de manière comparable (par rapport à sa pathologie) dans un établissement plus<br />
proche de son lieu de résidence, nous autorise à interpréter la distance supplémentaire éventuellement<br />
parcourue par les patients comme une proxy de la concurrence (en qualité) exercée par les<br />
patients sur les établissements de soins.<br />
Pour répondre à ces interrogations, notre attention se porte sur la demande de soins hospitaliers<br />
de la région du Limousin. L’objet de cet article n’est pas de décrire l’attractivité des établissements<br />
d’une région mais d’étudier les choix effectués par les patients dans leur recours aux soins. L’étude<br />
porte sur les patients résidant dans la zone prédéfinie et ne s’intéresse pas aux personnes extérieures<br />
à cette zone. Par conséquent, les patients entrant dans le Limousin pour se faire hospitaliser ne sont<br />
pas contenus dans la base. Le choix de cette région se justifie par ses caractéristiques. Le fait que<br />
la région est une zone rurale avec une population relativement âgée donnera une valeur minimale<br />
(une borne inférieure) à nos estimations des comportements de recherche. On pourra alors attendre<br />
des pratiques similaires, voire beaucoup plus marquées dans d’autres régions de France si l’on fait<br />
l’hypothèsed’unerelationinverseentrel’âgeetleconsentementàsedéplacer.<br />
3
Les résultats indiquent qu’une part significative (un tiers) de la population hospitalisée effectue<br />
une distance supplémentaire à celle qui la sépare de l’établissement théorique. Ce pourcentage relativement<br />
élevé ne constitue pourtant qu’une valeur plancher à l’estimation des comportements<br />
de recherche présents sur le marché hospitalier de la région étudiée. En effet, l’analyse statistique<br />
effectuée sur les patients restants (c’est à dire ceux donr les distances supplémentaires sont<br />
nulles) montre que certains d’entre eux adoptent également un comportement de recherche. L’étude<br />
économétrique réalisée sur la totalité des observations, suggère que le choix de l’établissement de<br />
soins par les patients ne se réduit pas à l’établissement le plus proche et que d’autres facteurs,<br />
comme la qualité, influencent ce choix. Le patient exerce alors une certaine pression sur l’offre de<br />
soins et participe ainsi à la mise en concurrence en qualité des offreurs de soins.<br />
L’article est organisé comme suit. La section 2 présente tout d’abord une revue de la littérature<br />
sur la régulation hospitalière et les différents travaux économiques analysant la distance qui sépare<br />
le patient de l’établissement de soins comme l’un des facteurs affectant la demande de soins hospitaliers.<br />
La section 3 présente le modèle théorique sur lequel s’appuie l’estimation économétrique<br />
qui vise à expliquer la distance supplémentaire parcourue par le patient par rapport à l’hôpital<br />
théorique. La section 4 détaille la base de données pour le Limousin et fournit également des éléments<br />
de statistiques descriptives. La section 5 fournit les résultats de l’estimation économétrique<br />
qui valident l’hypothèse selon laquelle la demande est sensible à la qualité des soins. La section<br />
suivante propose une étude complémentaire sur des variables socio-économiques caractérisant le<br />
canton de résidence des patients. La section 7 résume les résultat et propose des extensions.<br />
2 Revue de la littérature<br />
Le premier point de cette section est consacré à la littérature théorique portant sur la régulation<br />
hospitalière, comprise ici comme la mise en place de mécanismes de paiement optimaux des offreurs<br />
de soins. Cet objectif est poursuivi par l’instauration progressive, dans de nombreux pays, du<br />
paiement prospectif aux Diagnosis Related Groups (DRGs 5 ). Dans un même but, la France met<br />
actuellement en place la Tarification à l’Activité (T2A), qui s’apparente aux DRGs. Expérimentée<br />
en 2003, sa généralisation à l’ensemble des établissements hospitaliers devrait débuter au cours de<br />
l’année 2004.<br />
La littérature économique relative au marché hospitalier [Ellis & McGuire, (1986, 1990), Ma<br />
(1994), Chalkley & Malcomson (1998) et Mougeot (1998)] a clairement identifié les effets du<br />
paiement prospectif et, plus généralement, les propriétés des différentes formes de paiements (de<br />
type cost-plus, prospective ou bien, mixedpayment) sur les comportements des établissements de<br />
soins. La supériorité du paiement prospectif est établie puisqu’il permet de faire coïncider les intérêts<br />
de la tutelle et des offreurs,àlafoisentermesd’efficacité productive et d’efficacité allocative<br />
dès lors que le prix est fixé de façon adéquate. Le mécanisme de concurrence par comparaison<br />
(ou encore Yardstick competition) développé par Shleifer (1985) permet de fixer convenablement le<br />
5 Le système des DRGs est une classification médicale utilisée par les établissements hospitaliers qui classe chacun<br />
des patients dans un groupe homogène de maladies.<br />
4
prix sous des conditions particulières très exigeantes (Hartmann et al. 2001 p. 23). Le paiement aux<br />
DRGs constitue alors une illustration institutionnelle de ce modèle de concurrence par comparaison.<br />
Lorsque certaines de ces conditions sont relâchées, par exemple lorsqu’il est tenu compte de la<br />
présence de risque moral et de sélection adverse, phénomèmes à l’oeuvre sur le marché hospitalier,<br />
les mécanismes de paiements mixtes sont alors préférables [Ellis et McGuire (1986, 1988, 1990),<br />
Ellis (1998) ; Hartmann & Mougeot (2000) ; Ma (1994) ; Newhouse (1991) ; Pope (1989, 1990)].<br />
Les services hospitaliers sont en général analysés en faisant appel aux modèles principal-agent<br />
issus de la théorie des contrats, dans le cadre d’une relation bilatérale tutelle-offreur de soins. Les<br />
apports de ce type de modélisation en terme de compréhension des stratégies des établissements de<br />
soins sont incontestables. Cependant, comme le souligne Rochaix (1997), ces modèles appliqués au<br />
domaine de la santé ont tendance à isiler chaque relation d’agence sans tenir compte de l’ensemble<br />
des interactions entre agents intervenants sur le marché hospitalier ; en particulier, celles impliquant<br />
l’usager.<br />
Or, guidé par son goût pour des soins de qualité et non contraint par les prix des soins, du fait<br />
de la présence d’assurances maladie obligatoire et complémentaire, le patient peut faire jouer la<br />
concurrence en qualité sur le marché hospitalier. L’article de Pope (1989) est l’un des premiers à<br />
considérer un modèle théorique introduisant cette forme de concurrence sur le marché hospitalier.<br />
En considérant que les établissements de soins sont régulés sous paiement prospectif, l’auteur trouve<br />
que les effets de la concurrence en qualité peuvent alors être bénéfiques. Ils dissipent les profits des<br />
offreurs, incités à augmenter leur efficacité productive en accroissant leur investissement dans la<br />
qualité. Ainsi, la concurrence en qualité est susceptible de contrecarrer les incitations à fournir des<br />
soins de basse qualité et de réduire le gaspillage (managerial slack) qui est induit par ce système<br />
de paiement prospectif 6 .<br />
A la lumière de ces différents résultats théoriques, il semble qu’une régulation, pour être efficace,<br />
doive tenir compte des relations entre les différents agents du système hospitalier et reposer sur<br />
deux mécanismes aux objectifs complémentaires. La règle de paiement prospectif, établie sous forme<br />
de contrat entre la tutelle et les offreurs constituerait la première composante de la régulation et<br />
permettrait d’atteindre l’efficacité productive. La seconde composante de la régulation pourrait<br />
reposer sur la concurrence en qualité générée par le comportement des patients. Cette forme de<br />
concurrence complèterait alors la miseenplacedelarègletarifaireencesensoùellecontriburait<br />
à accroître en partie l’efficacité allocative (sous réserve qu’il n’y ait pas de sélection de patients).<br />
Dans ce cadre, si le paiement prospectif constitue un élément central des politiques de régulation<br />
hospitalière, la concurrence émanant de la demande permettrait d’en renforcer les effets bénéfiques<br />
attendus.<br />
Sans aborder de façon aussi explicite la question de la concurrence que les patients peuvent<br />
mettre en oeuvre sur le marché hospitalier, le second point de littérature comprend différentes<br />
recherches étudiant le recours aux soins hospitaliers des patients. Mobley (1998), dans une revue<br />
de travaux empiriques traitant de la mobilité des patients, distingue deux types d’approches. La<br />
première, de loin la plus utilisée, introduit la notion de distance comme variable intervenant dans le<br />
6 sous la condition que les prix soient déterminés de façon adéquate.<br />
5
choix du patient pour un établissement. Dans un tel contexte, la distance constitue un des nombreux<br />
facteurs exogènes influençant le choix du patient pour un établissement. Cette approche adapte les<br />
modèles de gravité 7 qui, dans leurs versions les plus récentes, incorporent des facteurs autres que<br />
celui de la distance dans la définition de la probabilité de choix d’un hôpital par le patient.<br />
Selon cette approche, McGuirk et Porell (1984) estiment des élasticités-temps et distance<br />
supérieures à l’unité. Burns et Wholey (1992) mettent en évidence que la distance explique près<br />
de 90% du choix d’un établissement. Ces résultats semblent indiquer qu’une grande part des choix<br />
des patients est associée à la proximité des établissements. Par contre, Luft et al. (1990) établissent<br />
que les variables relatives à la qualité expliquent une part importante du choix. Tay (2003) trouve<br />
pour sa part que les choix des patients dépendent à la fois de la distance et de la qualité.<br />
La critique suggérée par ces premiers travaux est d’expliquer le choix du patient par la variable<br />
distance, qui peut elle-même dépendre d’autres facteurs. En particulier, la distance parcourue par<br />
les patients est influencée par la qualité de l’établissement. Ainsi, selon Mobley, c’est le marché<br />
des soins lui-même — incluant la distribution spatiale des personnes, des services hospitaliers, des<br />
médecins, et les contraintes inhérentes au marché — qui détermine la distance parcourue par les<br />
patients. La distance devient alors endogène au système de soins tout entier. Dans un tel contexte,<br />
la distance parcourue résulte d’un choix des patients et il s’agit de la considérer comme variable<br />
à expliquer et non comme variable explicative, ce qui constitue le point distinctif de la seconde<br />
approche.<br />
La littérature économique ne comporte que très peu de travaux cherchant à expliquer la distance<br />
parcourue par les patients. Les articles utilisant cette seconde approche sont essentiellement constitués<br />
des travaux américains cherchant à analyser l’impact que l’introduction du Managed Care<br />
a pu avoir sur les distances parcourues par les patients. Il s’agit notamment des articles de Mobley<br />
(1998) et White et Morrisey (1998) présentés ci-dessous, qui ont chacun développé des approches<br />
théoriques différentes.<br />
Mobley (1998) exprime l’endogénéité de la distance avec le marché des soins hospitaliers dans<br />
un cadre d’interaction spatiale. Elle part d’une formulation générale des modèles d’interaction<br />
spatiale (proposée par Fo<strong>the</strong>ringham and O’Kelly, 1989, p. 44), puis s’intéresse à l’ensemble des<br />
flux provenant de tous les lieux de résidence vers tous les établissements. La variable analysée est<br />
la distance moyenne rencontrée sur le marché 8 .<br />
7 Les modèles de gravité appartiennent aux modèles d’interactions spatiales et reposent sur la loi de gravitation<br />
universelle. Cette loi est la traduction de l’hypothèse selon laquelle l’interaction entre deux ”points de l’espace”,<br />
souvent identifiés à deux populations, dépend des forces d’attraction de la destination, de la force de ”propulsion”<br />
de l’origine et de la distance qui sépare les deux populations (Fo<strong>the</strong>ringham et O’Kelly, 1989). Les forces dépendent<br />
de la taille des populations. La distance peut tout aussi bien être physique, sociale, économique que culturelle.<br />
Les modèles décrivent les flux de patients entre des lieux de l’espace, leur résidence et les établissements de soins.<br />
Plus précisément, ces flux sont déterminés par des variables d’offre, de demande et des facteurs spatiaux (distance,<br />
opportunités d’interventions, effets d’agglomération etc...).<br />
8 Le modèle estimé par Mobley se présente sous la forme d’une regression linéaire où la variable dépendante est le<br />
log de la distance et les explicatives comprennent notamment des variables de propulsion (concentration du marché<br />
6
White et Morrisey (1998) examinent les prises en charge des hôpitaux de la Californie sur une<br />
période s’étalant de 1985 à 1991. Ils analysent les séjours individuels de patients hospitalisés pour<br />
une certaine pathologie (repérée par les DRGs), et traités dans les établissements hospitaliers de<br />
différentes régions 9 .<br />
Faisant référence aux modèles standard de recherche du consommateur, White et Morrisey<br />
considèrent que les choix de trajets effectués vers les hôpitaux dépendent des coûts de déplacements,<br />
Tc, des coûts d’information Ic et des gains anticipés de la recherche effectuée sur les coûts et la<br />
qualité, G. Les auteurs établissent une relation implicite de la forme T = T (Tc,Ic,G) où T est le<br />
coût du déplacement du patient. En règle générale cependant, les modèles font l’hypothèse quêtree<br />
le consommateur, à la recherche des services hospitaliers, préfèrera l’établissement localisé le plus<br />
près de chez lui, minimisant ainsi les coûts de trajet.<br />
Si la minimisation ce coût semble l’hypothèse la plus souvent retenue par les modèles, ce coût<br />
financier n’est pas le seul que doit supporter le patient. Ce dernier accorde de la valeur à son<br />
environnement familial et la rupture (même momentanée) avec cet environnement constitue un<br />
autretypedecoûtauquellepatientdoitfaireface.Le choix de l’établissement de proximité permet<br />
de limiter ces coûts non monétaires. Par ailleurs, la nature de la pathologie et notamment sa<br />
gravité affectent la perception des coûts de déplacements et d’information et, par conséquence,<br />
les comportements de recherche. Par exemple les bénéfices attendus de la recherche de la qualité<br />
sont plus importants pour un patient atteint d’une pathologie lourde que légère. Dans ce cas, les<br />
coûts que les patients acceptent sont supérieurs et peuvent les amener à parcourir de plus longues<br />
distances. A l’opposé les facteurs tels que l’urgence et/ ou les embouteillages sur les axes routiers<br />
ont tendance à réduire les déplacements. L’arbitrage que les patients effectuent entre la distance et<br />
la qualité varie selon les personnes, dépend de la gravité de la maladie (Rochaix, 1989), mais aussi<br />
d’autres facteurs individuels tels que l’âge (Tay, 2002) et le niveau d’éducation qui affectent leur<br />
disposition à se déplacer .<br />
3 Lemodèledechoixdupatient<br />
Nous proposons dans cette section un modèle de choix du patient qui relève de la seconde<br />
approche en ce sens que nous considérons que la distance parcourue par les patients est endogène au<br />
marché. Nous représentons le choix de se déplacer et la longueur du déplacement comme le résultat<br />
d’un arbitrage entre d’une part, les coûts occasionnés par la distance parcourue, la rupture avec<br />
l’environnement habituel, le coût d’information et, d’autre part, les gains anticipés d’une meilleure<br />
qualité. Cependant, notre modèle se distingue de celui de White et Morrisey (1998) en ce que notre<br />
raisonnement est basé sur l’analyse de la distance supplémentaire parcourue et en conséquence sur<br />
hospitalier, densité démographie et type d’assurance) et des variables d’attraction (case-mix, personnel médical,<br />
nombre de lits etc... ).<br />
9 Techniquement, les auteurs utilisent un modèle de régression multiple de type Tobit dont la variable dépendante<br />
est la distance séparant le patient et l’établissement d’accueil. Les variables explicatives sont notamment des caractéristiques<br />
relatives aux patients et au marché hospitalier (taille du marché dans le voisinage du patient, variables<br />
établissements).<br />
7
la comparaison des bénéfices et des coûts, exprimés en différence, entre l’établissement choisi et<br />
l’établissement théorique.<br />
Ainsi, l’utilité (U ij ) que retire le patient i du choix de l’établissement j est la différence entre<br />
les bénéfices et les coûts associés au recours à cet établissement. Les bénéfices dépendent des<br />
caractéritiques du patient notamment la gravité de la maladie, dénotées µ i et de l’établissement<br />
(η j ), en particulier la qualité des soins. Les coûts dedéplacementssupportésparlepatientsont<br />
de deux ordres : direct et indirect. Les coûts directs reflètent les coûts monétaires 10 associés à la<br />
distance parcourue (d ij ). Les coûts indirects sont liés à l’éloignement de l’environnement habituel<br />
du patient. L’utilité du patient i se rendant dans l’établissement j est :<br />
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)<br />
où CI ij (µ i ) et CD ij sont respectivement les coûts indirects et directs supportés par le patient.<br />
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)<br />
s’écrit :<br />
U ij = ˜B ij (µ i ,η j ) − CD ij (2)<br />
En particulier, l’utilité du patient i soigné dans l’établissement théorique (dénoté 0) est :<br />
U i0 = ˜B i0 (µ i ,η 0 ) − CD i0 (3)<br />
Le patient choisira l’établissement j plutôt que l’établissement théorique si<br />
U ij − U i0 > 0 ⇔ ˜B ij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) >CD ij − CD i0 (4)<br />
On fait l’hypothèse que les coûts directs sont identifiables aux distances parcourues de telle<br />
sorte que :<br />
CD ij − CD i0 = d ij − d i0 (5)<br />
avec d ij la distance parcourue par i pour se rendre en j et d i0 la distance à l’établissement<br />
théorique.<br />
La différence d ij − d i0 est le supplément de distance parcourue par le patient i lorsqu’il se rend<br />
dans l’établissement j plutôt que l’établissement théorique 0.<br />
Les patients choisissent j tant que les coûts associés au déplacement sont inférieurs à un coût<br />
___<br />
seuil nommé Dij ∗ ___<br />
. Dij ∗ s’interprète comme le consentement à se déplacer (ou encore consentement à<br />
10 On fait l’hypothèse que les régimes d’assurance maladie obligatoire et comlémentaires prennent en charge la<br />
totalité des frais de traitement de sorte que la demande de soins ne dépend pas du prix du traitement.<br />
8
payer) du patient pour l’obtention d’un soin dans l’établissement j plutôt que dans l’établissement<br />
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 )=<br />
___<br />
D ijḊans ∗ les données, on considère la variable dépendante D ij qui est égale à la différence de<br />
distance entre l’établissement j et l’établissement 0. On observe alors soit le supplément de distance<br />
parcourue par les patients, soit l’absence de supplément de distance. De façon plus précise :<br />
— D ij = Dij ∗ si les bénéfices ( ˜B ij (µ i ,η j ) − ˜B<br />
___<br />
i0 (µ i ,η 0 ))sontsupérieursauseuil Dij<br />
∗ i.e. si les<br />
coûts Dij ∗ sont inférieurs aux consentements à payer. Les D∗ ij sont alors des valeurs minorantes<br />
des consentements à payer des individus ;<br />
— D ij =0silesbénéfices ( ˜B ij (µ i ,η j ) − ˜B<br />
___<br />
i0 (µ i ,η 0 )) sont inférieurs au seuil Dij ∗ . Ainsi, chaque<br />
fois que les coûts Dij ∗ ___<br />
sont supérieurs au seuil Dij ∗ , la variable dépendante est nulle, bien<br />
que les consentements à payer, en toute généralité, ne le soient pas. Dans ce cas, les Dij<br />
∗<br />
représentent des majorants des consentements à payer.<br />
Dij ∗ est une variable latente dans la mesure où elle n’est observée que si le patient a effectivement<br />
choisi de se déplacer vers j.<br />
La spécification Tobit 11 , adaptée à la modélisation de telles observations tronquées, peut se<br />
résumer par l’écriture suivante :<br />
D ij =<br />
(<br />
D<br />
∗<br />
ij si<br />
0 sinon<br />
___<br />
D ∗ ij >D∗ ij<br />
⇔ (<br />
D<br />
∗<br />
D ij = ij si ˜Bij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) − Dij ∗ > 0<br />
0 sinon<br />
La modélisation exprimée à l’aide des variables explicatives s’écrit :<br />
1.<br />
(<br />
Pour la probabilité d’observer une distance supplémentaire nulle (règle de sélection) :<br />
Aij =1 si A ∗ ij > 0<br />
0 sinon<br />
où A ∗ ij = ˜B ij (µ i ,η j ) − ˜B i0 (µ i ,η 0 ) − Dij<br />
∗<br />
A ∗ ij = Z iγ + u i ,<br />
La probabilité que A ij soit égal à 1 est modélisée par une spécification probit.<br />
2. Pour la partie linéaire<br />
(<br />
D<br />
∗<br />
ij = X i β + ε i observé si A ij =1<br />
0 sinon<br />
11 Outre ces raisons d’ordre théorique, l’utilisation de la modélisation Tobit s’impose également par les valeurs prises<br />
par la variable dépendante. Les mesures des distances étant effectuées avec une certaine marge d’erreur, l’échantillon<br />
contient 30% de valeurs nulles qui ne le seraient pas si les mesures de la distance étaient parfaitement exactes. La<br />
spécification Tobit permet de ne pas rejeter ces observations et de tenir compte d’un éventuel biais de sélection lié<br />
au fait que les caractéristiques particulières de ces observations (pour lesquelles la "D ij "estartificiellement nulle)<br />
peuventêtrecorréléeàDij.<br />
∗<br />
9
où ε i et u i suivent une loi normale bivariée avec une covariance (ρ) entreε i et u i qui est non<br />
nulle.<br />
Ainsi le<br />
(<br />
modèle Tobit généralisé s’écrit :<br />
Xi β + ε i si Z i γ + ε i > 0<br />
D ij =<br />
0 sinon<br />
avec (u i , ε i ) ∼ N[0, 0, 1,σ ε ,ρ].<br />
Pour estimer statistiquement le modèle, on recourt aux ensembles de variables explicatives Z<br />
pour la règle de sélection (i.e. d’observation) et X pour la partie linéaire. Ces deux ensembles<br />
de variables se recouvrent partiellement 12 . Plus précisément, l’ensemble des variables explicatives<br />
(Z) du modèle probit est composé des caractéristiques des patients (âge, sexe, variables médicales<br />
et celles caractérisant le lieu de résidence). Les variables de la partie linéaire sont en partie<br />
celles de l’estimation précédente auxquelles sont ajoutées les caractéristiques des établissements.<br />
Nous modélisons ainsi la probabilité d’effectuer un déplacement supplémentaire comme dépendant<br />
des caractéristiques individuelles et l’envergure de ce déplacement comme expliqué par les caractéristques<br />
de la demande mais surtout celles de l’offre hospitalière. Du fait de la modélisation et<br />
de la nature même de la variable étudiée (qui est construite comme une différence de distances),<br />
les caractéristiques des établissements sont introduites par des variables exprimées elles-aussi en<br />
différences entre l’établissement j choisi par le patient et l’établissement théorique (0).<br />
4 Description de la base de données<br />
4.1 Les données<br />
La base de données est construite à partir de quatre sources distinctes : la Statistique Annuelle<br />
des Etablissements (SAE), le Programme de Médicalisation des Systèmes d’Information (PMSI),<br />
données 2001, l’Aide à la Gestion Hospitalière Nationale (AGHN) 2000/2001 et des données socioéconomiques<br />
au niveau des cantons (Direction régionale de l’INSEE - Limousin).<br />
La base PMSI contient des données individuelles d’hospitalisation (Résumé Standard Anonymisé<br />
- RSA) dans les secteurs public et privé en court séjour (Médecine Chirurgie Obstétrique - MCO).<br />
Une extraction de cette base pour les séjours hospitaliers des personnes résidant dans la région du<br />
Limousin a été effectuée. Plus précisément, sur la totalité des séjours des résidents du Limousin<br />
dans la base PMSI, 97,5% ont été conservés, de sorte que la base contient environ 170 000 RSA 13 .<br />
Parmi ces RSA, 93,5% représentent des séjours pris en charge par les établissements de la région,<br />
le reste correspondant aux patients hospitalisés hors de la région 14 . Les individus de la base se<br />
répartissent dans 35 établissements qui, pour la moitié, sont localisés dans le Limousin. L’annexe<br />
12 Pour des raisons d’identification des effets, il est nécessaire que la matrice Z contienne une variable non présente<br />
dans la matrice X ;lamatriceX peut inclure des variables différentes de celles de Z.<br />
13 Les 2,5 % restants sont des patients se rendant dans des hôpitaux pour lesquels trop peu d’observations étaient<br />
disponibles dans la base des résidents du Limousin pour pouvoir les inclure.<br />
14 L’information individuelle sur le mode d’entrée du patient étant disponible, elle a conduit à ne sélectionner que les<br />
patients en provenance de leur domicile. Au total 3 800 patients dont le mode d’entrée spécifiait une provenance d’un<br />
10
A.1 donne la liste des établissements d’accueil ainsi que la répartition des observations de la base<br />
dans chacun d’entre eux. L’annexe A.2 présente une carte de la région sur laquelle sont représentées<br />
les localisation des établissements, fournissant ainsi un support visuel à leur localisation. Un bref<br />
descriptif de la région est également joint à la carte.<br />
4.2 Les variables<br />
Les variables sélectionnées sont de trois ordres. Le premier porte sur les caractéristiques des<br />
patients, le second sur les facteurs décrivant les établissements de soins et le troisième sur la<br />
variable centrale à l’étude, la distance supplémentaire parcourue par les patients.<br />
4.2.1 Les variables "patients"<br />
Les variables individuelles décrites dans le tableau 1 sont celles relatives à la localisation du<br />
patient et à son séjour. En particulier la pathologie du patient est identifiée par le Groupe Homogène<br />
de Malade (GHM), la Catégorie Majeure de Diagnostic (CMD) 15 et/ou l’OAP 16 . La gravité du cas<br />
traité est mesurée en utilisant l’Indice Synthétique d’Activité (points ISA) 17 .<br />
Données individuelles<br />
Biographiques<br />
Spatiales<br />
Médicales<br />
Sexe, age<br />
Lieu de résidence (département, canton)<br />
Lieu d’hospitalisation<br />
Pathologie (GHM, CMD, OAP)<br />
Duréedeséjour(DMS)<br />
Mode de sortie (domicile ou transfert vers établissement)<br />
Nombre d’actes, diagnostics associés, durée de séance<br />
Sévérité du cas : nombre de points ISA<br />
Tab. 1 — Les variables "patients" (source : PMSI 2001)<br />
autre établissement (transferts) n’ont pas étéconservésdanslabasededonnées.Eneffet, l’étude portant sur les choix<br />
effectués par les patients quant à l’établissement de soins, la décision d’être transferé dans un second établissement,<br />
après un première hospitalisation relève en général plus d’un avis médical que d’un choix réel du patient.<br />
15 Le GHM est l’unité standard utilisée par le corps médical pour classer les malades dans les services hospitaliers.<br />
Construit à partir de regroupements de GHM, la CMD correspond à une seconde façon de répertorier la maladie d’un<br />
patient. Il existe au total près de 650 GHMs qui sont regroupés en un cinquantaine de CMD.<br />
16 Les données du Programme de Médicalisation des Systèmes d’Information - MCO sont, depuis plusieurs années,<br />
exploitées dans le cadre d’un outil dénommé Outil d’Analyse du P.M.S.I. (OAP). La classification OAP correspond<br />
à un regroupement des GHMs en 26 pôles d’activité.<br />
17 Le point ISA est une unité de compte des ressources utilisées pour traiter une pathologie. Plus un GHM est<br />
associé à une consommation de ressources importante et plus le nombre de points ISA augmente.<br />
11
Le Limousin, région la plus rurale de France, est constitué de trois départements aux caractéristiques<br />
démographiques et aux niveaux d’équipement 18 très inégaux. Pour tenir compte de cette<br />
disparité interdépartementale, des indicatrices identifiant le département de résidence des patients<br />
sont construites (RESID_HauteVienne, RESID_Creuse et RESID_Corrèze). Le classement selon<br />
le niveau moyen d’équipement des départements identifie le département de la Haute-Vienne comme<br />
étant le mieux équipé, vient ensuite la Corrèze et enfin, la Creuse 19 .<br />
Mais cette caractéristation des lieux de résidence des patients ne suffit pas à rendre compte des<br />
fortes disparités d’urbanisation et donc d’accès aux équipements intradépartementaux de la région.<br />
En utilisant la liste des équipements de références 20 qui classe les établissements de soins comme<br />
des équipements rares, leur présence et leur nombre peuvent alors être utilisés comme une proxy<br />
du degré d’urbanisation d’une commune. Pour tenir compte de façon précise des différences entre<br />
leszonesruralesquisontlesplusnombreusesetles zones urbaines plus ou moins développées, une<br />
variable prenant trois modalités caractérise les lieux de résidence des patients : habiter dans un<br />
pôle urbain où l’offre hospitalière est diversifiée et possédant un CHU 21 (FORTE Offre ), habiter dans<br />
une zone disposant d’au moins un établissement de soins (MOYENNE Offre )etenfin résider dans<br />
une zone ne disposant d’aucun établissement (SANS offre ).<br />
La morbidité de la population hospitalisée dans le Limousin a fait l’objet d’une comparaison<br />
avec celle de la France entière. Les résultats de cette comparaison sont présentés dans l’annexe A.3.<br />
4.2.2 Les variables "proxy" de la qualité des établissements hospitaliers<br />
La qualité relevant de facteurs aussi bien objectifs que subjectifs, différents aspects y sont<br />
généralement associés et les définitions retenues sont souvent variables selon le type de personnes<br />
interrogées. On peut ainsi distinguer ce qui pourrait être retenu comme critères par le Ministère<br />
dans une optique de régulation, par le directeur de l’établissement ou encore par l’usager. La<br />
préocupation principale étant ici d’expliquer le choix des patients, seront retenues les variables<br />
décrivant les établissements de soins que les patients sont susceptibles de retenir pour fonder leur<br />
choix d’établissement. Pour ce faire, nous reprenons ici les recommandations de groupes d’usagers,<br />
issues d’une enquête concernant les informations qu’ils considèrent comme centrales dans le choix<br />
d’un établissement. Ces informations peuvent être classées en quatre groupes : l’offre de soins, les<br />
fonctions médico-techniques, la catégorie de l’établissement et son environnement 22 .<br />
A partir des bases PMSI, SAE et AGHN, le tableau 2 synthétise les quatre groupes de variables<br />
retenues comme "proxy" de critères de qualité mis en avant par les usagers. L’estimation<br />
18 Le niveau d’équipement se définit par le nombre de commerces et de services présents sur la commune sur un<br />
total de 36 équipements de référence (bureau de tabac, médecin généraliste, établissement de santé etc...).<br />
19 Source : d’après Insee région Limousin, Inventaire communal 1998.<br />
20 Les établissements de santé et les salles de cinéma appartiennent à la gamme des services les plus rares implantés<br />
dans les communes.<br />
21 Cette indicatrice identifie égalementlefaitderésideràLimogesquiestlazonelaplusurbainedelarégionet<br />
qui dispose d’un CHU.<br />
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<br />
concernant cette enquête.<br />
12
économétrique renseignera sur l’impact de ces variables dans le recours aux soins hospitaliers des<br />
patients. Plus exactement, les différentiels de "qualité" entre l’établissement choisi et le théorique<br />
permettront d’estimer les consentements à se déplacer des patients.<br />
Type de variables<br />
I. Offre de soins<br />
Spécialisation<br />
Sévérité<br />
Durée de séjour par pathologie<br />
Existence ou non de services d’urgence<br />
II. Fonctions médico-techniques<br />
Equipement<br />
Moyens humains<br />
III. Catégorie d’établissement<br />
IV. Hôpital et environnement<br />
Sécurité<br />
Evaluation<br />
Confort<br />
Ecoute / réactivité<br />
Information<br />
Proxy retenues<br />
- Volume d’activité=nombre de séjours par pôle d’activité (OAP)<br />
- Proportion des GHM de chirurgie en % GHM totaux<br />
- Proportion de CMD24 (AMBU)<br />
- Poids moyen du cas Traité (PMCT) issu des points ISA produits<br />
- Durée Moyenne de Séjour par pôle d’activité (OAP)<br />
- Indicatrice sur la présence de l’activité d’urgence<br />
-Nombredelits<br />
- Indicatrice sur la présence d’équipement SCAN, IRM, SCIN<br />
- Indicatrice sur la présence d’activité Chirurgicale, de biologie<br />
- ETP ramené au nombre de séjours<br />
d’internes (et assimilés), et de pers. non médical<br />
- Catégorie juridique (CHU, public, privé)<br />
- Moyens mis en œuvre pour lutter contre les infections nosocomiales<br />
- Existence du compte rendu de la procédure<br />
d’accréditation réalisé par l’ANAES à la date 2003<br />
- Indicatrice de sous-traitance de la<br />
restauration, blanchisserie et nettoyage<br />
- Moyens mis en œuvre pour lutter contre la douleur<br />
- Indicatrice sur l’existence d’un site Internet<br />
Tab. 2 — Les variables décrivant les établissements<br />
I. Offre de soins<br />
— Le degré de spécialisation d’un établissement et la sévérité des cas traités sont, en général,<br />
les premiers indicateurs que les patients considèrent comme critères reflétant la qualité d’un<br />
établissement. Le volume d’activité total est également un indicateur important. Alors que<br />
les études empiriques ne démontrent pas, de façon indiscutable, de relation entre le volume<br />
d’activité et la qualité des soins 23 , il semble qu’en pratique les patients se tournent vers les<br />
établissements dont le nombre de patients traités est le plus élévé dans le but d’accéder à une<br />
meilleure qualité des soins. Ici, la variable reflétant le degré de spécialisation de l’établissement<br />
est le pourcentage d’activité réalisé dans chacun des pôles d’activité définisparlesOAP.Le<br />
poids moyen du cas traité par OAP donne une indication de la lourdeur des cas traités par<br />
les établissements. Les noms donnés à ces variables dans l’estimation sont respectivement<br />
SPE 24 OAP et PMCT OAP .<br />
23 Cf. "Les soins de proximité : une exception française", CREDES, 2001.<br />
24 SPE O ff re est calculée à partir du nombre de séjours par OAP et du volume total d’activité mesurée en nombre<br />
de séjours.<br />
13
— Pour les patients, la durée moyenne de séjour est un autre indicateur de la qualité d’un<br />
établissement. Alors que certains patients peuvent voir dans une durée d’hospitalisation plus<br />
courte une diminution de qualité des soins associée à un moindre intérêt de la part des<br />
établissements, d’autres patients au contraire peuvent y voir une marque de performance et<br />
donc de qualité de traitement. La possibilité de développer une infection nosocomiale 25 est un<br />
autre élément qui met directement en relation la DMS et la qualité des soins. La probabilité de<br />
développer une infection pourrait en effet croître avec la durée de séjour. La durée moyenne<br />
de séjour par OAP (DMS OAP ) est la variable utilisée pour tenir compte de l’impact de la<br />
durée d’hospitalisation dans les choix d’un établissement par les patients.<br />
II. Fonctions médico-techniques<br />
— L’équipement technique de l’établissement défini par la présence de machines d’imagerie<br />
(IRM, scanners etc...) et par les moyens en personnel (médical ou non) renseigne sur les<br />
ressources de l’établissement. Pour certains patients, des ressources plus importantes peuvent<br />
être perçues comme le signe d’un meilleur service.<br />
III. Catégorie de l’établissement<br />
— Parmi les variables proxy de la qualité intervient également la catégorie de l’établissement,<br />
notamment le statut juridique (privé ou public) ainsi que les fonctions qui lui sont rattachées<br />
(enseignement & recherche) et qui sont très souvent synonymes de qualité. Pour certains<br />
patients, la taille d’un étalissement et l’éventail des services qu’il offre sont des critères positivement<br />
associés à la qualité. Ainsi, de par leur place dans la hiérarchie des établissements de<br />
soins, se rendre dans un Centre Hospitalier Universitaire (CHU) peut refléter les préférences<br />
marquées d’un patient pour la qualité. Cependant pour d’autres, les établissements privés<br />
sont perçus comme fournissant des soins de meilleure qualité 26 .Desvariablespermettantd’identifier<br />
si le patient s’est rendu dans un établissement privé, public ou encore dans un CHU<br />
seront introduites dans la modélisation économétrique 27 .<br />
IV. L’hôpital et son environnement<br />
— La réactivté des établissements concernant la prise en charge de la douleur des patients participe<br />
à définir l’environnement hospitalier. La sécurité et l’évaluation extérieure sont également<br />
des facteurs qualifiant l’établissement. Des variables (ACCRED) mentionnant l’existence<br />
du compte rendu de la procédure d’accréditation de l’Agence Nationale d’Accréditation<br />
et d’Etablissements en Santé et la participation de l’établissement à un programme national<br />
de lutte contre les infections nosocomiales (PgNat Noso )sontdeuxautresproxydelaqualité<br />
associés aux établissements hospitaliers.<br />
25 Une infection est dite nosocomiale, si elle apparaît au cours ou la suite d’une hospitalisation et si elle est absente<br />
lors de l’admission.<br />
26 Le plus souvent en France, les établissements privés sont très spécialisés dans le traitement d’une pathologie. La<br />
notoriété du chirurgien de cette spécialité peut alors contribuer à développer une bonne réputation de l’établissement<br />
tout entier.<br />
27 Dans l’étude économétrique, une distinction est effectuée entre le CHU de Limoges et les CHU des autres régions<br />
vers lesquelles certains patients se sont rendus. Elle n’a pour vocation que de tenir compte d’un effet de localisation<br />
géographique et non d’un éventuel effet qualité.<br />
14
— Les prestations hôtelières participent aussi à l’appréciation de la qualité par le patient. En<br />
conséquence, des variables sur un éventuel recours à la sous-traitance sur la restauration, la<br />
blanchisserie et le nettoyage sont introduites.<br />
—Enfin une variable précisant la présence d’un site internet (WEB) permettra de tenir compte<br />
de la dimension relative à l’information.<br />
Des statistiques descriptives sur l’ensemble des variables caractérisant les 35 établissements de<br />
la base sont données en annexe A.4.<br />
4.2.3 La variable distance supplémentaire<br />
La variable distance<br />
Aujourd’hui, en France, aucune base de données ne fournit directement les distances parcourues<br />
par les patients hospitalisés. Pour disposer de cette variable, il est donc nécessaire de la construire.<br />
Ce travail s’effectue par le lien entre les lieux d’implantation des établissements et les localisations<br />
des patients 28 . Ces dernières sont identifiées dans l’espace avec une précision qui s’apparente à<br />
celle du canton. A partir des localisations respectives des patients et des établissements, il est alors<br />
possible de calculer une matrice de distances séparant l’ensemble des cantons et l’ensemble des<br />
établissements et ainsi de disposer des distances calculées à vol d’oiseau entre les différents points<br />
de l’espace 29 .<br />
Construction de la variable distance supplémentaire parcourue<br />
La distance supplémentaire parcourue par un patient correspond à la différence entre la distance<br />
réellement parcourue (distance observée) et la distance qui le sépare de l’établissement le plus proche<br />
et dont l’activité permet de le traiter de manière comparable (distance théorique).<br />
La définition de l’adéquation entre le besoin du patient et l’activité de l’établissement théorique<br />
repose sur la CMD. Pour un patient, on retient comme établissement théorique celui qui est le plus<br />
proche et qui a une activité dans la même CMD 30 . Cependant, cette définition ne permet pas, étant<br />
donné les approximations de mesure de la distance, d’obtenir dans tous les cas un établissement<br />
théorique unique. Lorsqu’il existe plusieurs établissements théoriques, plusieurs critères, comme<br />
par exemple le fait que l’activité de l’établissement soit insuffisante dans cette CMD, peuvent<br />
être utilisés pour effectuer un choix. Celui retenu ici repose sur un tirage aléatoire pour réduire<br />
l’ensemble des possibilités de choix d’hôpital théorique à un seul établissement 31 .<br />
28 Depuis 2000, les bases PMSI fournissent un code de résidence qui renseigne sur la localisation physique des<br />
patients.<br />
29 Pour les mêmes raisons de non disponibilité des données, Luft et al. (1990) et Mobley (1998) travaillent également<br />
sur des distances calculées à vol d’oiseau.<br />
30 Le choix de la CMD (plutôt que le GHM qui est une classification plus fine), se justifie par le fait que certains<br />
GHM n’étaient pas assez représentés dans l’activité des établissements. Ainsi, nombreux étaient les GHMs avec moins<br />
de 50 séjours réalisés au cours de l’année 2001. En travaillant avec des regroupements de GHM (c’est à dire les CMD)<br />
cette difficulté disparait alors. Pour autant la sensibilité des résultats à cette définition a fait l’objet de test qui sont<br />
présentés dans la partie de présentation de résultats.<br />
31 Ce tirage aléatoire a été effectué pour un tiers des patients qui ont des distances supplémentaires strictement<br />
positives.<br />
15
4.3 Statistiques sur la variable distance supplémentaire<br />
L’analyse de la distance supplémentaire parcourue par les patients de l’échantillon met en évidence<br />
une proportion relativement importante (un tiers) de patients qui effectuent une distance<br />
supplémentaire strictement positive. Ces patients acceptent ainsi de ne pas se rendre dans l’établissement<br />
le plus proche et de parcourir une distance plus grande pour satisfaire leur préférences<br />
(section 4.3.1). Pour les autres, la distance supplémentaire qu’ils sont disposés à couvrir est nulle.<br />
Bien que pour ces patients la distance soit un facteur qui détermine de façon marquée le choix d’un<br />
établissement, près de la moitié d’entre eux adopte pourtant un comportement de recherche de la<br />
qualité (section 4.3.2).<br />
4.3.1 Distribution des distances supplémentaires strictement positives<br />
Environ un tiers de l’échantillon (soit 50 000 patients) choisit de ne pas se rendre dans l’établissement<br />
le plus proche (D ij > 0) et la distance moyenne parcourue par ces patients est alors de 34<br />
km (cf. tableau sur les moments et quantiles en Annexe A.5). On observe cependant une dispersion<br />
des valeurs prises par la distance supplémentaire ainsi que l’indique le coefficient de variation (figure<br />
1). Près de 50% des patients parcourent des distances supplémentaires supérieures à 21 km et près<br />
de 15% supérieures à 80 km.<br />
Effectif<br />
9000<br />
8000<br />
7000<br />
6000<br />
5000<br />
4000<br />
3000<br />
2000<br />
1000<br />
0<br />
Distribution de la distance supplémentaire (Valeurs>0)<br />
0 ; 5<br />
5 ; 10<br />
10; 15<br />
15 ; 20<br />
20 ; 25<br />
25 ; 30<br />
30 ; 35<br />
35 ; 40<br />
40 ; 45<br />
45 ; 50<br />
50 ; 55<br />
55 ; 60<br />
60 ; 65<br />
65 ; 70<br />
70 ; 75<br />
75 ; 80<br />
80 et plus<br />
Intervales<br />
Fig. 1 — Distribution de la distance selon des intervalles exprimés en km.<br />
16
4.3.2 Typologie des patients avec des distances supplémentaires nulles<br />
Parmi l’ensemble des patients qui choisissent de se rendre dans l’établissement le plus proche<br />
(D ij =0), on peut distinguer différents groupes : ceux dont la distance observée est positive et<br />
ceux qui parcourent une distance observée nulle. Alors que le premier cas regroupe les patients<br />
résidant dans des zones rurales disposant d’une offre de soins réduite voire, inexistante, le deuxième<br />
correspond aux patients qui habitent dans des zones urbaines où l’offre de soins est diversifiée.<br />
A cette première distinction s’ajoute le fait d’adopter ou pas un comportement de recherche de<br />
qualité. On distingue alors quatre cas de figure en combinant ces deux éléments (cf. Tableau 3 sur<br />
la décomposition des observations et la figure 2).<br />
Les groupes 1 et 2 contiennent les patients qui ont dû se déplacer hors de leur canton de résidence<br />
pour rejoindre un établissement. Dans le premier cas, ils se sont déplacés vers des villes où l’offre<br />
de soins correspondant à leur besoin était diversifiée. Dans le second, la ville d’hospitalisation ne<br />
dispose que d’un unique établissement pouvant les traiter.<br />
Les groupes 3 et 4 sont formés de patients qui habitent une zone disposant d’au moins un<br />
établissement hospitalier. Alors que pour les patients du groupe 3, l’offre se réduit à un seul établissement,<br />
pour ceux du groupe 4 en revanche, le nombre d’établissements susceptibles de les traiter<br />
(établissements théoriques) est supérieur à deux.<br />
17
Distance supplémentaire nulle Groupe N Pourcentage<br />
Total 116788 69<br />
distance obs. >0 etEtab.obs.différent de Etab. théo. 1 32118 19<br />
distance obs. >0 etEtab.obs.égal àEtab.théo. 2 29246 17<br />
distance obs. =0 et Etab. obs. égal àEtab.théo. 3 18544 12<br />
distance obs. = 0 et Etab. obs. différent de Etab. théo. 4 35880 21<br />
Tab. 3 — Décomposition des observations en différents groupes.<br />
Lieu de résidence<br />
Patient<br />
Dist. obs>0<br />
Groupe 1<br />
Lieu d'hospitalisation<br />
Etab. observé<br />
Etab. théorique<br />
Etab. observé<br />
différent de<br />
Etab. théorique<br />
Lieu de résidence<br />
Dist. obs>0<br />
Lieu d'hospitalisation<br />
Patient<br />
Groupe 2<br />
Etab. observé<br />
=<br />
Etab. théorique<br />
Lieu de résidence et<br />
lieu d’hospitalisation<br />
Patient<br />
Dist. obs=0<br />
Lieu de résidence et<br />
lieu d’hospitalisation<br />
Dist. obs=0<br />
Patient<br />
Etab. obs =Etab. théo.<br />
Etab. obs<br />
différent de<br />
Etab. théo.<br />
Groupe 3 Groupe 4<br />
Fig. 2—Lesdifférents groupes pour lesquels la distance supplémentaire est nulle.<br />
Seuls les patients des groupes 1 et 4 (représentant 40% de l’échantillon) ont eu la possibilité de<br />
choisir leur établissement. Les patients qui auraient exercé un tel choix viendraient alors s’ajouter<br />
aux 30% adoptant un comportement de recherche et précédemment trouvés.<br />
Si l’envergure de la distance supplémentaire parcourue permet de révéler les préférences des<br />
patients pour la qualité lorsque les D ij sont strictement positives, cette méthode ne permet pas de<br />
mesurer l’impact accordé en soi à la qualité, lorsque les D ij sont nulles. L’étude économétrique, en<br />
tenant compte à la fois des patients pour lesquels est observée une distance supplémentaire nulle<br />
et une distance strictement positive, permet alors de résouder cette difficulté rencontrée dans cette<br />
approche purement statistique. Elle porte sur les choix de tous les patients dans leur recours aux<br />
soins hospitaliers en analysant les variables qui influencent la distance supplémentaire d’accès aux<br />
soins.<br />
18
5 Résultats économétriques<br />
Cette section présente les résultats issus de l’estimation d’un modèle Tobit, classiquement effectuée<br />
en deux étapes. Dans la première, un modèle Probit estime la probabilité d’effectuer un<br />
déplacement supplémentaire strictement positif. A l’issue de cette estimation, l’inverse du ratio de<br />
Mills est calculé. La seconde étape permet de mesurer l’importance du déplacement supplémentaire<br />
par une estimation de la différence de distance dans laquelle, outre des variables explicatives, l’inverse<br />
du ratio de Mills est introduit. Cette variable permet de tester et de contrôler pour un éventuel<br />
biais de sélection. Un tel biais correspond au fait que les caractéristiques individuelles expliquant la<br />
probabilité de parcourir une distance supplémentaire strictement positive peuvent également être<br />
des facteurs qui expliquent l’étendue de cette distance supplémentaire. La présence de cette variable<br />
conduit à une hétéroscédasticité dont la forme est connue et corrigée. La statistique de Student<br />
relative à l’inverse du ratio de Mills, obtenue à partir de la matrice de Variance-Covariance corrigée,<br />
permet de tester l’existence du biais de sélection. Cette variable est ici fortement significative, ce<br />
qui indique la présence d’un tel biais et constitue une validation ex-post de l’intérêt statistique du<br />
recours à la modélisation Tobit. Les résultats 32 de la première étape sont présentés dans la section<br />
5.1, ceux de la seconde dans la section 5.2.<br />
5.1 Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire<br />
positive<br />
Les résultats de l’estimation de la probabilité d’effectuer une distance supplémentaire à celle<br />
nécessaire pour atteindre l’établissement théorique (tableau 4) montrent l’influence de deux types<br />
de variables : celles décrivant le lieu de résidence du patient et les variables individuelles.<br />
Facteurs explicatifs Coefficient Ecart-type Statistique χ 2<br />
Constante -0,309 0,014 523,072<br />
RESID_Haute-Vienne (réf. = RESID_Creuse) -0,091 0,010 91,855<br />
RESID_Corrèze -0,385 0,009 1778,877<br />
FORTE O ff re (réf. = SANS O ff re ) -2,002 0,018 11748,927<br />
MOYENNE off re -0,366 0,009 1611,934<br />
AGE 2 -0,000 0,000 637,199<br />
AGE 0,013 0,001 649,351<br />
SEXE (réf. = femme) 0,082 0,007 138,010<br />
Source : PMSI 2001<br />
Tab. 4 — Facteurs individuels expliquant la probabilité d’effectuer une distance supplémentaire<br />
32 Le nombre très important d’observations contenu dans les bases de données peut affecter la significativité des<br />
coefficients estimés dans les régressions. Il conduit ici à deux cas extrêmes concernant les coefficients estimés : soit<br />
ils sont fortement significatifs, soit très faiblement. Généralement, la méthode qui consiste à n’estimer le modèle<br />
qu’avec les variables au moins faiblement significatives (|T | de student >1) n’est pas envisageable ici puisque les cas<br />
de significativité intermédiaire sont absents. La liste des variables initialement introduites dans l’estimation Tobit est<br />
donnée en annexe A.6.<br />
19
L’effet des variables caractérisant le lieu de résidence<br />
— Les patients habitant en Corrèze sont ceux des trois départements qui effectuent le moins<br />
souvent une distance supplémentaire pour accéder à des soins ; viennent ensuite les habitants<br />
de Haute-Vienne et enfin ceux qui résident dans la Creuse. Ces résultats sont obtenus toutes<br />
choses égales par ailleurs, en particulier à âge comparable ;<br />
— Les patients qui résident dans une zone où l’offre hospitalière est forte ont une probabilité plus<br />
faible d’effectuer une distance supplémentaire. Ainsi, même s’ils effectuent un choix entre les<br />
différents établissements, cela ne génèrera pas une distance supplémentaire. C’est par exemple<br />
le cas de certains patients des groupes 1 et 4 décrits à la section précédente ;<br />
— De même, mais de façon naturellement moins marquée, les patients habitant dans une zone<br />
qui dispose d’au moins un établissement (MOYENNE Offre )desoinseffectuent moins souvent<br />
un déplacement supplémentaire.<br />
L’effet des variables relatives aux caractéristiques individuelles<br />
— L’introduction de l’âge et de l’âge au carré permet de tenir compte d’un effet éventuellement<br />
non linéaire de l’âge sur la probabilité d’effectuer une distance supplémentaire. La concavité<br />
de la courbe représentant la probabilité de déplacement en fonction de l’âge est confirmée par<br />
l’effet marginal toujours négatif de l’âge. Les patients seraient de moins en moins enclins à<br />
effectuer une distance supplémentaire avec l’augmentation de l’âge et les patients très jeunes<br />
ont une variation de la probabilité de déplacement avec l’âge faible. Le caractère urgent des<br />
pathologies dont souffrent généralement les jeunes enfants peut justifier le recours, par les<br />
parents, à l’établissement le plus proche.<br />
— Les hommes ont une probabilité plus forte d’effectuer une distance supplémentaire 33 .<br />
5.2 Facteurs explicatifs de la distance supplémentaire parcourue<br />
Les résultats de l’estimation linéaire sont présentés dans le tableau 5 dans lequel les paramètres<br />
peuvent être interprétés directement comme des kilomètres. La dernière colonne donne la part de<br />
chacune des variables dans l’explication de la distance supplémentaire parcourue 34 .<br />
Les effets du lieu de résidence<br />
— Les patients résidant en Corrèze sont ceux qui parcourent la distance supplémentaire la plus<br />
grande (en moyenne, d’environ 20 km supérieure à celle des habitants du département de<br />
la Creuse). En moyenne, les habitants de la Haute-Vienne ont une distance supplémentaire<br />
de 4 km inférieure à celle des Creusois. Il est intéressant de noter que le classement des<br />
distances supplémentaires moyennes en fonction du département s’éloigne de celui dressé<br />
précédemment sur la probabilité d’effectuer une distance supplémentaire. Ainsi, si la Corrèze<br />
est le département pour lequel cette probabilité est la plus faible, lorsqu’un tel déplacement<br />
se produit, la distance couverte est, en moyenne, plus grande.<br />
33 Les variables relatives à la durée de séjour et au mode de sortie ont été introduites dans l’estimation Probit mais<br />
ne sont pas significatives, même faiblement.<br />
34 Cf. Annexe A.7 pour la méthode retenue pour calculer les parts des variables.<br />
20
Facteurs explicatifs Coefficient Ecart-type Stat. Student % d’explication<br />
Constante -7,609 2,103 -3,618 9,17<br />
Résidence du patient<br />
RESID_Haute-Vienne (réf. RESID_Creuse)<br />
-3,684<br />
RESID_Corrèze<br />
19,651<br />
FORTE off re (réf. SANS off re )<br />
110,178<br />
MOYENNE off re 33,985<br />
Caractéristiques des établissements<br />
Choix d’un CHU (réf.serendredansnonCHU)<br />
0,478<br />
0,714<br />
2,465<br />
0,663<br />
-7,710<br />
27,517<br />
44,706<br />
51,227<br />
III. CHU de Limoges 12,155 0,493 24,635 5,79<br />
III. CHU autres 63,435 0,776 81,724 1,93<br />
Différence entre l’hôpital choisi et le théorique<br />
I. SPE OAP 58,460 1,543 37,896 3,81<br />
I. PMCT OAP 0,008 0,000 25,747 2,50<br />
I. DMS OAP -1,484 0,071 -20,994 2,93<br />
I. VAL_ISA OAP 83,654 1,613 51,875 9,87<br />
II. Choix CHIR _vs_Théo NonCHIR 0,655 0,454 1,441 0<br />
II. Choix NonBIO _vs_Théo BIO -13,792 1,560 -8,840 0,12<br />
III. Choix PUB _vs_Théo PRIV 10,737 0,545 19,689 1,78<br />
III. Choix PRIV _vs_Théo PUB 3,943 0,506 7,794 1,53<br />
IV. Choix NonPgNatNoso _vs_Théo PgNatNoso 16,719 0,522 32,042 1,95<br />
IV. Choix ACCRED _vs_Théo NonACCRED 5,260 0,428 12,301 2,55<br />
IV. Choix NonACCRED _vs_Théo ACCRED -13,124 0,542 -24,239 1,51<br />
IV. Choix WEB _vs_Théo NonWEB 1,892 0,360 5,252 0,82<br />
IV. Choix NonWEB _vs_Théo WEB -7,451 0,503 -14,810 1<br />
LAMBDA 27,888 2,670 10,444 22,35<br />
Source : PMSI 2001<br />
Tab. 5 — Facteurs explicatifs de la distance supplémentaire parcourue<br />
1,95<br />
6,35<br />
0,51<br />
4,57<br />
— Les patients qui habitent dans une zone où l’offre est forte couvrent, lorsqu’ils ne trouvent pas<br />
sur place de quoi satisfaire leurs attentes, une distance supplémentaire importante, de l’ordre<br />
de 110 km. Par exemple, tous ceux qui trouvent satisfaction dans le canton de Limoges, et ils<br />
sont nombreux dans ce cas en raison de l’importance de l’offre (un CHU et quatre cliniques),<br />
ont une distance excédentaire nulle 35 . Pour les habitants qui résident dans un canton (autre<br />
que celui de Limoges) qui dispose d’un établissement de soins (MOYENNE Offre ), la distance<br />
supplémentaire est de 34 km supérieure à celle parcourue par les patients résidant dans un<br />
canton qui en est dépourvu.<br />
35 Le nombre de patients résidant à Limoges et qui ne se sont pas rendus dans un des établissements de la ville est<br />
d’environ 600.<br />
21
Les effets des caractéristiques des établissements<br />
I. Les différences d’offre de soins entre l’établissement choisi et le théorique<br />
— Les patients choisissent les établissements qui ont la spécialisation la plus forte dans le pôle<br />
d’activité qui leur correspond. En effet, l’effet de la variable (SPE OAP ) calculée comme la<br />
différence entre la spécialisation de l’hôpital choisi et celle du théorique est positif (≈+58km)<br />
sur la distance supplémentaire parcourue.<br />
— Parcourent des distances supplémentaires plus grandes les patients qui se rendent dans un<br />
hôpital pour lequel le poids moyen du cas traité (PMCT OAP ) est plus élevé que dans l’hôpital<br />
le plus proche, révélant ainsi leurs préférences pour des hôpitaux techniques, soignant des cas<br />
lourds (au sens de l’échelle des coûts en points ISA).<br />
— Les patients couvrent des distances plus grandes (≈+83,5) pour atteindre les hôpitaux qui<br />
ont une valeur du point ISA supérieure à la valeur du point nationale, ce qui indiquerait,<br />
selon l’interprétation standard de cet indicateur, une surdotation relativement à leur activité<br />
mesurée en point ISA.<br />
—Lecoefficient négatif (≈ −1,5) correspondant à la variable DMS OAP indique que le consentement<br />
à se déplacer des patients est plus limité pour rejoindre un établissement où la durée<br />
moyenne de séjour (relativement à leur affection) est supérieure à celle de l’établissement le<br />
plus proche. Ceci laisse supposer que les patients ont une préférence pour les séjours de courte<br />
durée.<br />
II. Les différences sur les fonctions médico-techniques<br />
—Auregarddescoefficients estimés, les patients préfèrent les établissements pratiquant des<br />
actes de biologie. En effet, la distance supplémentaire qu’ils acceptent d’effectuer pour atteindre<br />
un établissement n’en pratiquant pas à la différence de l’établissement le plus proche,<br />
est plus faible de 14 km. Ici, la situation de référence est constituée du cas où l’hôpital choisi<br />
effectue des actes de biologie et l’hôpital théorique n’en pratique pas, et de celui où ces deux<br />
établissements ne sont pas différents sur cet aspect.<br />
III. Les différences sur les statuts et l’effet du choix d’un CHU<br />
— En moyenne, les patients se rendant dans un CHU parcourent une distance supplémentaire<br />
supérieure relativement à ceux qui se rendent dans un hôpital d’une autre catégorie (que<br />
celui-ci soit public ou privé). Cette distance est naturellement plus grande dans le cas de<br />
figure, relativement peu fréquent, où le CHU est implanté à l’extérieur du Limousin 36 :63<br />
km. Le surcroît de distance pour atteindre le CHU de Limoges, qui draine près de 50000<br />
patients, soit 29 % des observations, est de 12 km.<br />
— Les patients soignés dans un hôpital public, alors que l’hôpital le plus proche est privé,<br />
parcourent en moyenne une distance supplémentaire de 11 km supérieure aux patients de<br />
caractéristiques identiques mais qui se rendent dans un hôpital ayant le même caractère<br />
public ou privé que l’établissement théorique. Ces patients, les plus nombreux dans la base,<br />
36 CHU de Toulouse, 593 patients, soit 0,4 % de patients ; CHU de Bordeaux, 649, 0,1 % ; Clermont-Ferrand, 1832,<br />
1,1 % ; AP-HP, 145, 0,1 % ; CHU de Poitiers, 155, 0,1 %.<br />
22
eprésentent environ 54%. A l’opposé, certains patients (17%) préfèrent se faire soigner dans<br />
un établissement privé alors que l’établissement le plus proche est public mais, dans ce cas, la<br />
distance supplémentaire qu’ils acceptent en moyenne est plus faible (4 km environ). Ainsi, les<br />
distances supplémentaires couvertes sont plus élevées si les statuts juridiques - public/privé<br />
- des établissements sont différents. Ce résultat mettrait en évidence une préférence pour les<br />
établissements publics alors que l’établissement le plus proche est privé.<br />
IV. Les différences d’environnement<br />
— Les patients se rendent préférentiellement dans les hôpitaux ne pratiquant pas de politique<br />
nationale (PgNat Noso ) de lutte contre les infections nosocomiales, ce qui paraît peu conforme<br />
à l’intuition dans la mesure où l’on associe par ailleurs la participation à de tels programmes<br />
à une recherche de sécurité et donc de qualité 37 .<br />
— Les patients préfèrent être soignés dans les établissements accrédités. En effet, pour atteindre<br />
un hôpital ayant reçu cette certification alors que l’établissement le plus proche n’en dispose<br />
pas encore, ils parcourent en moyenne un supplément de distance de 6 km de plus comparé<br />
aux patients pour lesquels l’hôpital théorique et l’hôpital réel ne se distinguent pas sur ce<br />
point. A l’opposé, ils parcourent 14 km de moins que le cas de référence pour accéder à des<br />
soins dans un établissement non accrédité alors que l’établissement le plus proche l’est.<br />
— De même que pour le point précédent, les résultats indiquent que les patients préférent les<br />
établissements disposant d’un site Internet.<br />
Les parts de la qualité parmi les facteurs explicatifs de la distance supplémentaire parcourue<br />
En ne considérant que les variables d’offre relatives à la spécialisation et la lourdeur des cas<br />
traités (SPE OAP et PMCT OAP ), la part de la qualité parmi les facteurs explicatifs de la distance<br />
supplémentaire parcourue est de l’ordre de 5% (Cf. dernière colonne du tableau 5). Ce pourcentage<br />
doit être considéré comme une valeur plancher. S’y ajoutent les autres facteurs considérés comme<br />
proxy de la qualité et qui caractérisent l’offre (19,11%), le statut de l’établissement (11,40%) et<br />
son environnement (7,84%). Ainsi, la qualité expliquerait au total plus d’un tiers (38,11%) 38 de la<br />
distance supplémentaire parcourue par les patients.<br />
Les autres variables, notamment le lieu de résidence des patients, ainsi que l’inverse du ratio de<br />
Mills (LAMBDA) ne sont pas considérées comme variables proxy de la qualité. Le controle précis<br />
de ces facteurs, dont la part totale représente 45%, permet en conséquence d’attribuer à la qualité<br />
ce qui lui revient véritablement dans la distance supplémentaire parcourue.<br />
Le résidu, qui représente 17% 39 , comprend une partie des facteurs de qualité pour lesquels<br />
aucun indicateur n’a pu être introduit et qui s’apparentent à des effets de réputation. Difficiles<br />
à appréhender, la renommée du chirurgien et la pratique d’une nouvelle technique de traitement<br />
sont en effet des éléments pouvant orienter les choix des patients. Cependant, aucune information<br />
37 Cet effet est perçu par le coefficient positif (16,719) associé à la variable indiquant que le patient est soigné dans<br />
un établissement ne pratiquant pas cette politique alors que l’établissement le plus proche la pratique.<br />
38 Ce chiffre correspond à la somme de toutes les parts des variables proxy de la qualité.<br />
39 La part relative aux résidus est obtenue par différence entre 100% et la somme des parts de toutes les variables.<br />
23
pouvant servir de proxy à cette notion de réputation n’était disponible de telle sorte que cette<br />
dimension se retrouve dans les résidus.<br />
5.3 Spécification du modèle et robustesse des résultats<br />
—Lecoefficient associé à l’inverse du ratio de Mills présent dans la seconde étape est significatif,<br />
signalant ainsi la présence d’un biais de sélection corrigé par la méthode d’estimation.<br />
Dans une variante non présentée ici, l’âge et la durée de séjour ont été inclus dans l’estimation<br />
réalisée à la seconde étape. Ces variables n’étant pas significatives, leur rôle sur la<br />
distance supplémentaire n’est alors qu’indirect. Ayant un impact significatif sur la probabilité<br />
(première étape) d’effectuer une différence de distance strictement positive, ces variables<br />
interviennent par l’intermédiaire de l’inverse du ratio de Mills.<br />
— La taille de l’échantillon du modèle économétrique peut avoir tendance à générer artificiellement<br />
la significativité des paramètres estimés. Ainsi, pour permettre de valider la robustesse<br />
des résultats, dans les deux étapes du modèle TOBIT des estimations ont été réalisées sur des<br />
échantillons de taille réduite. Lorsqu’on réduit le nombre d’observations à 50 00, 10 000 puis<br />
2 000, les coefficients estimés et leur significativité sont très proches des résultats obtenus et<br />
présentés à partir de l’échantillon de 170 00 observations. Ceci confirme ainsi les résultats de<br />
l’estimation économétrique sur l’ensemble de l’échantillon.<br />
— Enoutre,onavérifié que l’on obtient des estimations économétriques proches lorsque la définition<br />
de l’établissement théorique repose sur le GHM plutôt que sur la CMD. Le GHM étant<br />
une unité plus fine que la CMD, cette seconde définition est plus restrictive que la précédente.<br />
L’établissement théorique répond alors à des critères beaucoup plus stricts. Hormis de faibles<br />
différences concernant l’impact des lieux de résidence des patients dans l’explication de la<br />
distance supplémentaire parcourue, les coefficients relatifs à l’impact des variables proxy de<br />
la qualité des établissements sont proches de ceux exposés dans l’étude CMD. Ceci vérifie la<br />
robustesse de nos résultats.<br />
6 Une étude complémentaire : l’impact des variables socio-économiques<br />
Si les résultats indiquent que les lieux de résidence jouent un rôle important dans la distance<br />
supplémentaire parcourue par les patients, le choix d’un établissement est souvent aussi corrélé aux<br />
facteurs sociaux. Bien que peu nombreuses, des études françaises mettent en évidence un impact<br />
significatif des facteurs sociaux sur la mobilité des patients hospitalisés (Tonnelier et Vigneron,<br />
1999). Les variables telles que le niveau d’instruction et la profession des patients ont un effet<br />
positif sur leurs déplacements. Une étude menée par le CREDES (2000) établit que la distance<br />
est d’autant plus déterminante dans le choix d’un établissement que les patients sont relativement<br />
âgés et ont un niveau d’études inférieur à un deuxième cycle. Lucas et Tonnelier (1996), montrent<br />
que plus le niveau d’études est élevé, plus la distance parcourue par les patients hospitalisés est<br />
24
importante.<br />
Ne disposant d’aucune information individuelle de nature socio-économique, la seule possibilité<br />
pour considérer ce type de variables dans les estimations est d’affecter aux patients les valeurs<br />
moyennes de leur canton de résidence, les variables s’interprétant ensuite comme une description<br />
non pas de l’individu mais de son environnement 40 . Pour l’ensemble des cantons du Limousin, on<br />
introduit le taux de chômage, les catégories socio-professionnelles (5 CSP) et le niveau d’études.<br />
Toutes ces informations sont introduites sous forme de taux pour chacun des cantons. Pour éviter<br />
les problèmes de colinéarité, l’introduction de ces nouvelles variables dans les estimations conduit<br />
à supprimer l’indicatrice de la zone de forte offre hospitalière 41 . Des statistiques descriptives des<br />
variables et les tableaux détaillés de résultats de l’estimation Tobit sont présentés dans l’annexe<br />
A.8. Seuls les principaux résultats sont présentés ici.<br />
1. Pour les nouvelles variables introduites, la première étape de l’estimation montre que :<br />
— La probabilité d’effectuer une distance supplémentaire diminue avec l’importance du taux de<br />
chômage du canton de résidence du patient ;<br />
— L’impact du nombre de personnes possédant un niveau d’instruction supérieur (ou égal)<br />
àunBaccalauréat+2estquantàluipositif.Ainsi, les patients résidant dans des zones<br />
relativement favorisées d’un point de vue économique sont plus susceptibles d’effectuer un<br />
déplacement supplémentaire ;<br />
— Un résultat analogue est obtenu avec la croissance de la proportion de cadres dans le canton<br />
de résidence du patient ;<br />
— Pour les variables individuelles (âge et lieu de résidence), quelques différences avec les précédentes<br />
estimations sont à noter. La variable "résident dans une zone disposant d’au moins un<br />
établissement (MOYENNE offre )" n’est plus significative lorsque les variables socio-économiques<br />
sont introduites. Ce résultat est probablement associé à l’existence d’une relation forte entre<br />
les zones urbaines et les nouvelles variables introduites. La variabilité géographique qui existe<br />
entre les zones où l’offre hospitalière est forte, les zones disposant d’au moins un établissement<br />
et/ou les zones ne diposant pas d’établissement de soins serait ainsi capturée par les<br />
différentes variables socio-économiques.<br />
2. La deuxième étape établit que :<br />
— La distance supplémentaire parcourue est d’autant plus petite (coefficient négatif) que le taux<br />
de chômage du canton de résidence du patient est élevé. Ainsi, cette variable a tendance à<br />
réduire la probabilité de se déplacer mais aussi la distance supplémentaire parcourue lorsque<br />
le déplacement a lieu ;<br />
— Lacroissancedunombredecadresdanslecantonderésidencedupatientapoureffet d’augmenter<br />
la distance supplémentaire parcourue. L’impact du nombre de personnes possédant<br />
un niveau d’instruction supérieur (ou égal) à un Baccalauréat +3 est quant à lui positif ;<br />
40 Les données statistiques (1999) de la Direction régionale de l’Insee du Limousin permettent de construire de tels<br />
agrégats au niveau cantonal.<br />
41 On rappelle (cf. section 4) que pour tenir compte des différences d’urbanisation au sein de la région du Limousin,<br />
trois indicatrices caractérisant les zones de résidence des patients ont été créées.<br />
25
— A l’exception des variables qui ne sont plus significatives (se rendre dans le CHU de Limoges,<br />
différence de la durée moyenne de séjour, de la lourdeur des cas traités et du caracère privé<br />
alors que l’établissement le plus proche est public), l’impact des différences de caractéristiques<br />
des établissements sur les distances supplémentaires parcourues est comparable à celui<br />
présenté dans la section (5.2).<br />
Même si les variables introduites, de par leur nature agrégée, ne permettent pas d’identifier<br />
de façon individuelle l’effet des CSP et du niveau d’études sur les déplacements des patients,<br />
les résultats rejoignent dans l’ensemble ceux déjà établis par la littérature. Les facteurs sociaux<br />
interviennent de façon significative dans le choix des établissement hospitaliers qu’effectuent les<br />
patients.<br />
7 Conclusion<br />
L’objectif principal de notre étude est d’identifier dans quelle mesure les patients consentent à<br />
se déplacer au delà de l’établissement hospitalier le plus proche pour recevoir des soins. En tenant<br />
compte de l’adéquation entre les besoins des patients et les caractéristiques de l’offre de soins par<br />
la définition de l’hôpital théorique, notre analyse permet de se concentrer sur les préférences des<br />
patients. L’étude de la distance supplémentaire que les patients acceptent de couvrir alors qu’un<br />
service de qualité identique est disponible dans un hôpital plus proche fournit une proxy de la<br />
concurrence en qualité qu’ils exercent sur le marché hospitalier. L’existence d’une proportion non<br />
négligeable de patients (un tiers) qui acceptent d’effectuer une distance supplémentaire strictement<br />
positive met en évidence que le choix des patients en terme d’hospitalisation ne se limitent pas<br />
systématiquement à l’établissement le plus proche. Les résultats des estimations économétriques<br />
présentés dans les deux sections précédentes établissent que des variables proxy de la qualité des<br />
établissements contribuent de manière significative à expliquer l’envergure de la distance supplémentaire<br />
parcourue. Parmi celles-ci, les caractéristiques de l’offre hospitalière, le statut de l’établissement<br />
et son environnement jouent un rôle important. Dès lors les choix des patients dans leur<br />
recours aux soins hospitaliers ne se réduisent pas à la minimisation des coûts mais à un arbitrage<br />
entre distance et qualité.<br />
Le tirage aléatoire nécessaire à la détermination d’un établissement théorique unique constitue<br />
une limite incontestable de la méthode développée dans ce papier. Les regroupements de certains<br />
lieux de résidence opérés dans la base pour des raisons de confidentialité sont à l’origine de cette<br />
difficulté. Elle pourrait être levée par une information plus fine sur le lieu de résidence du patient.<br />
Par ailleurs la mesure des distances est effectuée à vol d’oiseau pour des raisons pratiques. Quand<br />
bien même cette approche est couramment retenue dans les études de ce type, une mesure basée<br />
sur les temps d’accès (et prenant en compte les effets de congestion du réseau routier) lui serait à<br />
l’évidence préférable. L’élaboration de logiciels spécifiques permettant d’obtenir de telles mesures<br />
pour un échantillon de cette taille s’avère un préalable à une mesure plus adéquate de la distance<br />
parcourue.<br />
26
Ceci dit, la taille très importante de l’échantillon qui couvre tous les patients hospitalisés résidant<br />
dans la régionconduit à relativiser les biais de mesures. La prise en compte de l’ensemble des<br />
pathologies à la différence d’études antérieures souvent centrées sur une seule pathologie constitue<br />
aussi un atout important de l’étude. La méthodologieretenuepourraitêtreappliquéeàd’autres<br />
régions présentant des caractéritiques complémentaires (plus urbaines et/ou avec une population<br />
moins âgée).De telles extensions permettraient de vérifier que la probabilité de se déplacer et l’envergure<br />
d’un tel déplacement demeurent valides dans de tels environnements.<br />
En terme de politique de régulation, si nos résultats suggèrent que les patients peuvent participer<br />
à l’amélioration de la qualité des établissements hospitaliers, l’accès à l’information pourrait<br />
en être un catalyseur. En réduisant l’asymétrie d’information, la diffusion d’information sur les<br />
établissements auprès des usagers pourrait les aider à mieux s’orienter vers l’offre de soins 42 .En<br />
acceptant alors que les choix des patients sont associés à la recherche de soins de qualité, la diffusion<br />
d’information constitue "une stratégie peu onéreuse d’amélioration de la qualité des services<br />
de santé 43 " et pourrait ainsi conduire à un système de santé plus performant. D’autres recherches<br />
portant sur l’information à diffuser auprès des usagers et son impact sur l’efficacité du système<br />
hospitalier sont nécessaires.<br />
42 Luft et al. 1990., Amar et al. 2001 et Marshall et al. 2004.<br />
43 "In spite of mixed results in <strong>the</strong> literature to date, quality reporting remains a plausible low-cost strategy for<br />
making improvement in <strong>the</strong> quality of health care services", Glazer et McGuire 2004.<br />
27
8 Références bibliographiques<br />
AMAR L., J. BAHIMONT, M. BREMOND, V. GHADI, C. GISSOT, A. LETOURMY, M.<br />
NAIDITCH et F. SCHATZEL, 2001, "Quelles informations sur l’hôpital pour les usagers ? ", dans<br />
DOSSIER SOLIDARITE ET SANTE : Eléments pour évaluer les performances des établissements<br />
hospitaliers, N ◦ 2, Avril-Juin 2001. Direction de la Recherche des Etudes de l’Evaluation et des<br />
Statistiques. La documentation Française.<br />
CHALKLEY M. and J.M. MALCOMSON, 1998a, Contracting for health services when patient<br />
demand does not reflect quality, Journal of Health Economics, Vol. 17, n ◦ 1, pp. 1-19.<br />
CHALKLEY M. and J.M. MALCOMSON, 1998b, Contracting for health services with unmonitored<br />
quality, Economic Journal, n ◦ 108, pp. 1093-1110.<br />
ELLIS R.P., 1998, ”Creaming, simming, Skimping : provider competition on <strong>the</strong> intensive and<br />
extensive margins”,Journal of Health Economics, Vol.17. pp537-555.<br />
ELLIS R.P. and McGUIRE T.G., 1986, ” Provider Behavior under prospective reimboursement :<br />
cost sharing and supply ”, Journal of Health Economics, Vol.5. pp. 129-151.<br />
ELLIS R. and McGUIRE T.G.,1988, ”Insurance principle and <strong>the</strong> design of PPS”, Journal of<br />
Health Economics, Vol.7, pp.215-237.<br />
ELLIS R.P. and McGUIRE T.G., 1990, ”Optimal payment systems for health services”, Journal<br />
of Health Economics, Vol. 9, pp.375-379.<br />
FOTHERINGHAM A.S. and M.E. O’KELLY, 1989, "Spatial interaction Models : Formulations<br />
and Apllications", Studies in Operational Regional Research, ed. Kluwer Academic Publisher, ISBN<br />
0-7923-0021-1.<br />
GLAZER J. and McGUIRE T. “Optimal Quality Reporting in Markets for Health Plans”,<br />
<strong>Working</strong> paper, presented at <strong>the</strong> 5th European Health Economics Workshop, University of York,<br />
2-3 April 2004.<br />
JOUBERT M., BAUBEAU D. et TUDEAU L., 2000, "Les flux de patients entre régions en<br />
1997 d’après le PMSI", Etude et Résultat, ,N ◦ 52 février, Direction de la Recherche des Etudes de<br />
l’Evaluation et des Statistiques DREES, ministère de l’Emploi et de la solidarité<br />
HARTMANN L. (2000) Thèse : Tarification, régulation et incitations dans le secteur hospitalier<br />
privé en France.<br />
HARTMANN L et M. MOUGEOT, 2000, "Aléa moral, partage du risque, écrémage et choix<br />
das contrats dans le secteur de l’hospitalisation privée en France", Revue d’Economie Politique,<br />
110 (4), Juillet-Août, pp.597-616.<br />
HARTMANN L, K. MOSCHETTI et L. ROCHAIX, 2001, "La tarification à la pathologie<br />
aux Etats-Unis", Dossiers solidarité et santé : La régulation des dépenses de santé : approches<br />
théoriques et empiriques, N ◦ 1, janvier-mars 2001, pp. 17-33. Direction de la Recherche des Etudes<br />
et de l’Evaluation et des Statistiques (DREES), La documentation Française.<br />
HARTMANN L, K. MOSCHETTI et L. ROCHAIX, 2001, "Prospective payment and yarstick<br />
competition : from economic <strong>the</strong>ory to experiments", international Health Economics Adminstration<br />
(iHEA) York, 2001.<br />
28
HAUT COMITE DE LA SANTE PUBLIQUE, 2000, "La place de l’usager dans le système de<br />
santé", par Caniard E. pp. 16, Rapport à la Conférence Nationale de Santé 21-23 Mars, 2000<br />
HAUT COMITE DE LA SANTE PUBLIQUE, 2002, "L’usager, acteur du système de santé",<br />
partie 4 du rapport La santé<br />
en France 2002.<br />
JOURDAIN A., P.-H. BRECHAT, B. COTARD, R. MAFFEÏS , I. DE TURENNE, 2000,<br />
Enquête sur les artisans des schémas régionaux d’organisation sanitaire de deuxième génération :<br />
Le point de vue des acteurs, Contrat d’étude de la Direction des Hôpitaux, Rapport final Janvier<br />
2000 - Laboratoire d’Analyse des Politiques Sociales et Sanitaires (LAPSS), Ecole Nationale de la<br />
Santé Publique (ENSP).<br />
LE FUR PH, V. PARIS, H. PICARD, D. POLTON, 2000, "Les trajectoires des patients franciliens<br />
: l’accès aux plateaux techniques", Centre de Recherche d’Etudes et de Documentation en<br />
Economie de la Santé, Juin 2000, 188 p.<br />
LUCAS GABRIELLI V. et F. TONNELLIER, 1995, "Distance d’accès aux soins en 1990, Centre<br />
de Recherche d’Etudes et de Documentation en Economie de la Santé, Décembre 1995.<br />
LUCAS GABRIELLI V., N. NAVBET et F. TONNELLIER, 2001, "Les soins de proximité :<br />
une exception française", Série résultats, Centre de Recherche d’Etudes et de Documentation en<br />
Economie de la Santé, Juillet 2001.<br />
LUFT H., GARNICK D., MARK D., PELTZMAN D., PHIBBS C. LICHTENBERG E. and<br />
McPHEE S., 1990, "Does quality Influence <strong>the</strong> Choice of Hospital ?", Journal of <strong>the</strong> American<br />
Medical Association, v 263, (21), pp. 2899-2906.<br />
MA A.C.T. (1994), ”Health care payment system : cost and quality incentives”, Journal of<br />
Economic and Management Strategy, MIT, Vol. 3, No. 1, pp. 113-142.<br />
McGUIRK, M. and PORELL, F., 1984, "Spatial Patterns of Hospital Utilization : The impact<br />
of distance and Time", INQUIRY, v 21 (Spring), pp. 84-95.<br />
MARSHALL M., P. ROMANO et DAVIES H. T. O., 2004, "How do we maximize <strong>the</strong> impact<br />
of <strong>the</strong> public reporting of quality of care ?", International Journal for Quality in Health Care 16,<br />
n ◦ Supplement 1 : i57-i63.<br />
MOBLEY L.R., 1998, "Managed Care, Distance Traveled and Hospital Market Definition",<br />
<strong>Working</strong> <strong>Paper</strong> 13-98,University of California Santa Barbara<br />
MOUGEOT M., 1994, Systèmes de santé et concurrence, Ed. Economica.<br />
MOUGEOT M., 1998, ”La tarification hospitalière : de l’enveloppe globale à la concurrence par<br />
comparaison”, Annales d’Economie et Statistiques.<br />
NEWHOUSE J.P., 1983, ”Two prospective difficulties with prospective payment of hospitals, or,<br />
it’s better to be a resident than a patient with a complex problem”, Journal of Health Economics,<br />
n ◦ 2, pp. 269-274.<br />
POPE G.C., 1989, ”Hospital nonprice competition and medicare reimbursement policy, Journal<br />
of Health Economics”, Vol. 8, No. 2, pp. 147-14<br />
POPE G.C., 1990, ”Using hospital-specific costs to improve <strong>the</strong> fairness of prospective reimbursement”,<br />
Journal of Health Economics, Vol. 9, pp. 237-251.<br />
29
ROCHAIX L., 1989, "Information asymetry and search in <strong>the</strong> market for physicians’ services",<br />
Journal of Health Economics 8, p. 53-84<br />
ROCHAIX L., 1997, "Asymétrie d’information et incertitude en santé : les apports de la théorie<br />
des contrats", Nouvelles approches micoéconomiques de la santé, Economie et Prévision, N ◦ 129-130<br />
Juillet-Septembre 1997, pp. 11-25.<br />
SHLEIFER A., 1985, ”A <strong>the</strong>ory of Yarstick competition”, Rand Journal of Economics, Vol. 16,<br />
No. 3. Pp. 319-327.<br />
TAY, A. 2002, "What can Patient Outcomes tell us about Hospital Quality ?", <strong>Working</strong> <strong>Paper</strong>,<br />
Columbia University USA, Dept of Economics, Email : at436@columbia.edu.<br />
TAY, A., 2003, "Assessing competition in hospital care markets : <strong>the</strong> importance of accounting<br />
for quality differentiation", RAND Journal of Economics 34, n ◦ 4, pp. 786-814.<br />
TONNELIER F. et E. VIGNERON, 1999, Géographie de la Santé en France, Que-sais-je,<br />
N ◦ 3435, Ed. PUF.<br />
WHITE W.D., MORISSEY, M. A., 1998, "Are Patients travelling Fur<strong>the</strong>r ?", International<br />
Journal of <strong>the</strong> Economics of Buiseness, Vol. 5, N ◦ 2, pp. 203-221.<br />
30
A<br />
Annexes<br />
A.1 Les établissements de la base<br />
FINESS REGION Libellé Lits HC Catégorie / Activité<br />
Répartition<br />
030780100 Auvergne CTRE HOSP. DE MONTLUCON 423 CH4 (CH nb-sejours>16000) 1863 1,12<br />
030781116 Auvergne POLYCL. ST FRANCOIS-ST ANTOINE DESERTINES 229 CL5 (nb-sejours>16000) 2830 1,7<br />
150780096 Auvergne CTRE HOSP. D’AURILLAC 282 CH3 (CH 10000
Carte des établissements de soins du Limousin (Source : Macé & Kervasdoué 2002).<br />
A.3 La morbidité de la population hospitalisée<br />
Pôle d’activité Indice comp. DMS Indice comp. PMCT<br />
AA — Digestif 0,99 0,97<br />
AB - Orthopédie, Rhumatologie 1,02 0,96<br />
AC - Uro-néphrologie 1,06 1,86<br />
AD - Système nerveux 0,99 0,97<br />
AE - Cardiologie 1,02 1<br />
AF - Vasculaire périphérique 0,99 0,95<br />
AG - Pneumologie 1,04 0,98<br />
AH - ORL, Stomatologie 1,01 0,95<br />
AI - Ophtalmologie 1,07 1,02<br />
AJ - Gynécologie 0,95 1,02<br />
AK - Obstétrique 1,02 1,01<br />
AL - Nouveau-nés 1,04 0,98<br />
AM - Hématologie 0,95 0,99<br />
AN - Chimiothérapie, radiothérapie, transfusion 1,1 Non Significatif (NS)<br />
AO - Endocrinologie 1,09 1,03<br />
AP - Peau et tissu sous-cutané 1,05 0,98<br />
AQ - Brûlures NS NS<br />
AR - Maladies infectieuses (hors VIH) 1,05 1,01<br />
AS - Maladie VIH NS NS<br />
AT - Transplantations d’organes, Greffes de moelle NS NS<br />
AU - Traumatismes multiples ou complexes graves NS NS<br />
AV - Psychiatrie, Toxicologie, Intoxications, Alcool 1,03 0,98<br />
AX - Autres prises en charge 1,01 1,52<br />
AY - Erreurs et séjours inclassables NS NS<br />
AZ - Vasculaire interventionnel NS NS<br />
Tab. 6 — Indices comparatifs des durées moyennes de séjours (DMS) et des poids moyens des cas<br />
traités (PMCT)<br />
32
Afin de comparer la durée moyenne de séjours (DMS) et le poids moyen, en terme de points ISA, du cas<br />
traité (PMCT) du Limousin relativement à ceux de la France entière, on construit des indices comparatifs<br />
pour tenir compte des différences de structure par âge. A cet effet, on estime, par pôle d’activité, une relation<br />
très simple liant, à l’échelle nationale, la durée du séjour (respectivement le nombre de points ISA) à une<br />
constante et à l’âge du patient. On obtient ainsi une relation théorique appliquée au Limousin : la DMS<br />
théorique du Limousin est celle obtenue avec cette relation en introduisant l’âge moyen des patients de<br />
cette région. On calcule ensuite le rapport entre la DMS (respectivement le PMCT) observée et la DMS<br />
(respectivement le PMCT) théorique par pôle d’activité.<br />
Si cet indice comparatif est supérieur à l’unité (cf. tableau), cela signifie que pour ce pôle d’activité et<br />
compte tenu de l’âge moyen des patients, les DMS sont en moyenne supérieures dans le Limousin par rapport<br />
à la moyenne de la France entière.<br />
A.4 Les caractéristiques des établissements<br />
Catégories Fréquence Moyenne lits<br />
Ctre Hospitalier Régional Universitaire 7 3468<br />
Privé monodisciplinaire chirurigical 1 35<br />
Privé monodisciplinaire médical 1 57<br />
Ctre Lutte Contre Cancer 2 144<br />
Ctre Hospitalier 11 220<br />
Privé pluridisciplinaire 13 155<br />
Tab. 7 — Les catégories d’établissements de la base.<br />
Variables Moments Quantiles<br />
Moy. des moy. Moyenne Coeff var 100% (max) 75% 50% 25% 0% (min)<br />
Nbre lits (HC) 831,34 296,64 14552,00 423,00 183 102 26<br />
Nbre séjours 218591,62 136,77 155836 23038 13547 5537 898<br />
Durée moy. séj. 4,78 25,9 7,87 5,53 4,97 3,7 2,89<br />
Poids moy. cas. traité 1244,86 14,14 1946,34 1314,20 1 194,00 1159,20 971,38<br />
Somme pts ISA 36 351 400 139 204 951 480 25 748 275 16 005 320 8 268 085 1287430<br />
Valeur pt/V. nationale 0,957 8,561 0,831 0,998 0,947 0,902 1,183<br />
Nbre décès 0,02 66,02 0,06 0,03 0,02 0,01 0<br />
Age patients 52,93 14,01 70,06 57,1 51,18 47,9 40,67<br />
Tab. 8 — Statistiques relatives aux établissements de la base<br />
33
A.5 Statistiques sur la variable distance supplémentaire<br />
N 52858 Quantile<br />
Moyenne 34,2 100 % (Max) 75% (Q3) 50% (Médiane) 25 % (Q2) 0% (Min)<br />
Coefficient de variation 120,9 418,5 46,4 20,9 9,4 0,0<br />
Tab. 9 — Moments et Quantiles sur la variable distance supplémentaire (Valeurs strictement positives)<br />
A.6 Les variables retenues pour l’estimation<br />
Etant donné le nombre important de variables disponibles dans la base de données (cf. tableaux<br />
1 et 2), les problèmes de colinéarité conduisent à effectuer une analyse en composantes principales<br />
(ACP) et une analyse simple des corrélations, pour ne conserver que des variables non corrélées à<br />
introduire dans les régressions. Les résultats de l’ACP donnent la liste des variables retenues pour<br />
l’analyse économétrique.<br />
Les informations individuelles conservées sont les variables spatiales caractérisant la zone d’habitation<br />
à savoir, aussi bien le département (Haute-Vienne, Corrèze, Creuse) que la nature de<br />
l’équipement hospitalier disponible au lieu de résidence (FORTE Offre ,MOYENNE Offre et SANS Offre ).<br />
Par contre, parmi les données médicales sont éliminées, le nombre de point ISA, le nombre d’actes<br />
et de diagnostics. Restent donc l’AGE, la DMS et le MODE de sortie.<br />
Pour les informations relatives aux établissements de soins, les variables Equivalent Temps Plein<br />
d’internes et de personnel non médical, le nombre de lits, les moyens mis en oeuvre pour lutter<br />
contre la douleur, le nombre total de séjours et le nombre de points ISA réalisés sont éliminées après<br />
analyse de la colinéarité. Les variables en différence conservées pour l’estimation et qui caractérisent<br />
les établissements de soins sont les suivantes. Les quatre premières sont des variables continues, les<br />
autres sont des variables polychotomiques.<br />
SPE OAP =variable correspondant à la différence entre l’établissement choisi et le théorique de<br />
la part d’activité de l’OAP dans l’activité totale, mesurée en séjours.<br />
PMCT OAP =variable correspondant à la différence entre l’établissement choisi et le théorique<br />
de la lourdeur moyenne des cas traités (mesurée par le poid moyen du cas traité, PMCT).<br />
VAL_ISA OAP = variable correspondant à la différence entre l’établissement choisi et le théorique<br />
de la valeur du point ISA comparée à la moyenne nationale.<br />
Choix AMBUL _vs_Théo NonAMBU = Indicatrice : présence d’un service d’urgence dans l’établissement<br />
choisi alors que le théorique n’en dispose pas.<br />
Choix CHIR _vs_Théo NonCHIR = Indicatrice : l’établissement choisi pratique une activité de<br />
chirurgie alors que l’établissement théorique n’en pratique pas.<br />
Choix URGT _vs_Théo NonURGT = Indicatrice : présence d’un service d’urgence dans l’établissementchoisitalorsquelethéorique<br />
n’en dispose pas.<br />
Choix IRM _vs_Théo NonIRM = Indicatrice : présence d’une IRM dans l’établissement choisi par<br />
le patient alors que le théorique n’en dispose pas.<br />
34
Choix SCAN _vs_Théo NonSCAN = Indicatrice : présence d’un scanner dans l’établissement choisi<br />
par le patient alors que le théorique n’en dispose pas.<br />
Choix BIO _vs_Théo NonBIO = Indicatrice : pratique des actes de biologie dans l’établissement<br />
choisi alors que l’établissement théorique n’en pratique pas.<br />
Choix NonBIO _vs_Théo BIO = Indicatrice : pas de pratique d’actes de biologie dans l’établissement<br />
choisi alors que l’établissement théorique en pratique.<br />
Choix NonPgNatNoso _vs_Théo PgNatNoso =Indicatrice :pas de suivi d’un programme national de<br />
lutte contre les infections nosocomiales dans l’établissement choisi alors que l’établissement théorique<br />
en suit une.<br />
Choix ACCRED _vs_Théo NonACCRED & (Choix NonACCRED _vs_Théo ACCRED ) = Indicatrice :<br />
accréditation de l’ANAES de l’établissement choisi alors que l’établissement théorique ne l’est pas<br />
(& Indicatrice : pas d’accréditation de l’ANAES de l’établissement choisi alors que l’établissement<br />
théorique l’est.<br />
Choix NETTO _vs_Théo NonNETTO & Choix NonNETTO _vs_Théo NETTO = Indicatrice : sous<br />
traitance du nettoyage dans l’établissement choisi alors que l’établissement théorique n’en effectue<br />
pas.<br />
Choix WEB _vs_Théo NonWEB & Choix NonWEB _vs_Théo WEB = présence d’un site Internet<br />
dans l’établissement choisi alors que le théorique n’en dispose pas.<br />
A.7 Calcul de la part des variables parmi les facteurs explicatifs de la distance<br />
supplémentaire parcourue<br />
Cette section présente le calcul de l’indicateur construit pour mesurer la part des variables<br />
associées à la qualité d’un établissement parmi l’ensemble des facteurs identifiés comme influençant<br />
la distance supplémentaire. Cependant, mesurer la part de la qualité dans les facteurs explicatifs<br />
de la distance supplémentaire parcourue demande de résoudre une difficulté d’ordre technique. Elle<br />
tient au fait que certains des effets sur la distance supplémentaire parcourue sont positifs et d’autres<br />
négatifs. La distance supplémentaire estimée par le modèle est égale à la somme des effets positifs<br />
ou négatifs. Mesurer la part de chacun des effets en les relativisant à la distance supplémentaire<br />
parcourue aboutit au fait que la somme de ces parts est supérieure à 100%. Pour résoudre cette<br />
difficulté, on choisit donc de raisonner sur les valeurs absolues des effets des variables. La part d’une<br />
variable parmi les facteurs explicatif de la distance est calculée comme le rapport entre l’effet absolu<br />
de cette variable et la somme des valeurs absolues des effets de chacune d’elles. La part moyenne<br />
d’une variable pour l’échantillon est calculée comme la moyenne des parts de cette variable pour<br />
chacun des individus.<br />
Ex. Part.SPE OAP de l’individu n :P n SPE =|Xn i=SPE β i=SPE|<br />
. La variable qui calcule l’importance<br />
21P ¯<br />
¯Xn i<br />
β i¯¯<br />
i=1<br />
de l’effet de la différence de spécialisation est égale à la valeur absolue du produit du coefficient et<br />
de la valeur même de la différence. Pour un individu, la part de cette variable relativement à la<br />
somme des valeurs absolues se déduit en faisant le quotient comme dans la formule ci-dessus. La<br />
part moyenne, sur l’ensemble de l’échantillon, de la variable SPE est calculée comme la moyenne<br />
35
des parts de chacun des individus 1 N ∗ P N P n SPE ∗ 100.<br />
n=1<br />
A.8 Annexes sur l’étude complémentaire introduisant les variables socio-économiques<br />
Taux Moyenne Ecart-Type Minimum Maximum<br />
*Chômage 0,09 0,02 0,04 0,19<br />
*CSP<br />
agriculteurs 0,13 0,09 0,00 0,38<br />
artisans 0,10 0,04 0,01 0,22<br />
cadres 0,06 0,02 0,01 0,14<br />
profession interm. 0,16 0,04 0,08 0,27<br />
employés 0,26 0,07 0,08 0,52<br />
ouvriers 0,29 0,09 0,04 0,64<br />
* Niveau d’études<br />
sup_bac_2 0,12 0,04 0,05 0,24<br />
sup_bac_3 0,05 0,02 0,02 0,11<br />
Source : Insee Limousin 1999<br />
Tab. 10 — Les variables socio-économiques pour le Limousin (exprimées en Taux)<br />
A.8.1<br />
Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire<br />
positive<br />
Facteurs explicatifs Coefficient Ecart-type Statistique χ 2<br />
Constante 2,285 0,183 156,71<br />
RESID_Haute-Vienne (réf. =RESID_ Creuse) 0,258 -0,012 487,40<br />
RESID_Corrèze 0,066 -0,012 32,34<br />
MOYENNE off re (réf. = SANS O ff re ) 0,000 0,011 0,9<br />
AGE 2 -0,000 0,000 901,83<br />
AGE 0,014 0,001 649,351<br />
SEXE (réf. = femme) 0,085 0,007 141,61<br />
Variables cantonales<br />
Taux de chômage -0,590 0,205 8,26<br />
Catégories socio-professionnelles<br />
-Agriculteurs<br />
-Artisans<br />
-Cadres<br />
-Employés<br />
-Ouvriers<br />
-0,564<br />
-1,626<br />
+6,477<br />
-0,494<br />
-2,956<br />
0,186<br />
0,162<br />
0,286<br />
0,222<br />
0,213<br />
9,20<br />
101,27<br />
514,50<br />
4,96<br />
193,48<br />
Niveau études supérieur à bac + 2 20,581 0,208 9777,98<br />
Source : PMSI 2001 & Insee Limousin 1999<br />
Tab. 11 — Facteurs explicatifs de la probabilité d’effectuer une distance supplémentaire (avec variables<br />
socio-économiques cantonales).<br />
36
A.8.2<br />
Facteurs explicatifs de la distance supplémentaire parcourue<br />
Facteurs explicatifs Coefficient Ecart-type Stat. Student<br />
Constante 10,482 2,312 4,534<br />
Résidence du patient<br />
RESID_Haute-Vienne (réf. RESID_Creuse)<br />
RESID_Corrèze<br />
-4,924<br />
6,442<br />
0,471<br />
0,468<br />
-10,460<br />
13,755<br />
MOYENNE off re (réf.SANS off re ) 28,975 0,443 65,397<br />
Variables socio-économiques (agrégées au niveau cantonal)<br />
Taux de chômage -203,485 0,527 -386,301<br />
Catégorie Socio-professionnelles<br />
Agriculteurs<br />
Artisans<br />
Cadres<br />
Ouvriers<br />
22,065<br />
-40,793<br />
47,015<br />
61,627<br />
0,434<br />
0,544<br />
0,361<br />
0,508<br />
50,856<br />
-75,033<br />
130,342<br />
121,320<br />
Niveau d’études supérieur à Bac+3 412,958 30,259 13,648<br />
Choix d’un CHU<br />
CHU de Limoges 9,209 7,714 1,194<br />
CHU autres (réf. se rendre dans non CHU) 63,715 2,534 25,141<br />
Différence entre l’hôpital choisi et le théorique<br />
SPE OAP 61,974 0,553 112,144<br />
VAL_ISA OAP 88,588 0,773 114,610<br />
PMCT OAP 0,008 0,49 0,016<br />
DMS OAP -1,572 2,728 -0,576<br />
Choix PUB _vs_Théo PRIV 10,671 4,949 2,156<br />
Choix PRIVi _vs_Théo PUB 4,284 9,768 0,438<br />
Choix CHIR _vs_Théo NonCHIR 7,438 0,509 14,624<br />
Choix NonBIO _vs_Théo BIO -8,233 0,071 -116,431<br />
Choix NonPgNatNoso _vs_Théo PgNatNoso 19,543 0,000 64625,290<br />
Choix ACCRED _vs_Théo NonACCRED 6,210 1,670 3,718<br />
Choix NonACCRED _vs_Théo ACCRED -13,110 1,524 -8,602<br />
Choix WEB _vs_Théo NonWEB 4,679 0,473 9,901<br />
Choix NonWEB _vs_Théo WEB -11,910 1,532 -7,775<br />
LAMBDA -11,210 1,250 -8,970<br />
Source : PMSI 2001<br />
Tab. 12 — Facteurs explicatifs de la distance supplémentaire parcourue (avec variables socioéconomiques)<br />
Les variables CHU_limoges, PMCT OAP ,DMS OAP et choisir un établissement public alors que<br />
le plus proche est privé (Choix PUB _vs_Théo PRIV )nesontpassignificativeslorsquelesvariables<br />
soci-économiques sont introduites.<br />
37
<strong>Working</strong> <strong>Paper</strong>s / Documents de Travail<br />
Le GREQAM diffuse une série de documents de travail qui prend la suite de celle diffusée depuis 1982<br />
par le GREQE. Cette série comporte 4 sous séries - respectivement : "théories", "applications",<br />
"méthodologie", "Tirés à part"<br />
Certains papiers sont disponibles sous la forme de fichiers PDF. Adobe Acrobat vous permet de les<br />
lire, de les transférer et de les imprimer.<br />
http://<strong>greqam</strong>.univ-mrs.fr/dt/dt.htm<br />
___________<br />
Adresses du GREQAM<br />
GREQAM<br />
Centre de la Vieille Charité<br />
2 Rue de La Charité<br />
13002 MARSEILLE<br />
tél. 04.91.14.07.70<br />
fax. 04.91.90.02.27<br />
E-mail : <strong>greqam</strong>@ehess.univ-mrs.fr<br />
GREQAM/<br />
LEQAM<br />
Château La Farge<br />
Route des Milles<br />
13290 LES MILLES<br />
tél. 04.42.93.59.80<br />
fax. 04.42.93.09.68<br />
E-mail : leqam@romarin.univ-aix.fr<br />
GREQAM/<br />
C.R.I.D.E.S.O.P.E.<br />
Faculté d'Économie Appliquée<br />
Bât. Austerlitz<br />
15-19 Allée Claude Forbin<br />
13627 Aix-en-Provence Cedex 1<br />
Tel : 04 42 96 12 31<br />
Fax : 04 42 96 80 00