Artikel asli

Penentu belanja kesehatan di negara-negara OECD:

Sebuah model pohon keputusan
Nesrin Akca 1, seda Sonmez 2, Ali Yilmaz 3

ABSTRAK
Objektif: Penelitian ini bertujuan untuk mengidentifikasi variabel utama dalam estimasi pengeluaran kesehatan di negara anggota OECD dengan
metode pohon keputusan dan untuk mengkategorikan negara-negara anggota dengan pengeluaran kesehatan.

metode: Populasi penelitian terdiri dari 2014 data 35 negara OECD. Dalam studi tersebut, pengeluaran kesehatan sebagai bagian dari
produk domestik bruto adalah variabel dependen sedangkan PDB per kapita, persentase dari total penduduk diasuransikan publik dan
swasta, belanja kesehatan out-of-saku sebagai persentase total pengeluaran untuk kesehatan, rasio usia ketergantungan, harapan
hidup saat lahir, jumlah rumah sakit juta per penduduk, jumlah dokter per jumlah penduduk / kepala, penjualan farmasi dan kesehatan
yang dirasakan Status 1000 ditetapkan sebagai variabel independen. Model pohon keputusan dibangun dengan algoritma CART
menggunakan paket perangkat lunak Oranye data mining.

hasil: Dalam studi tersebut, PDB per kapita, harapan hidup saat lahir, rasio ketergantungan usia, jumlah rumah sakit dan persentase
penduduk dengan status kesehatan buruk yang dirasakan diidentifikasi sebagai variabel utama dalam estimasi pengeluaran kesehatan.
negara-negara OECD dikategorikan dalam 6 kelompok sesuai dengan model pohon keputusan. Menurut algoritma Kereta yang
digunakan dalam model, tingkat akurasi klasifikasi dan ketepatan estimasi dihitung sebagai 80,56% dan 81,25%, masing-masing.

Kesimpulan: Hasil penelitian menunjukkan bahwa faktor penentu yang paling penting untuk memperkirakan pangsa PDB dialokasikan untuk
belanja kesehatan adalah PDB per kapita. Studi masa depan harus dilakukan dengan masuknya variabel yang berbeda dalam model.

KATA KUNCI: Klasifikasi, data mining, metode pohon keputusan, pengeluaran kesehatan, OECD.

doi: https://doi.org/10.12669/pjms.336.13300
Cara mengutip ini:
Akca N, Sonmez S, Yilmaz A. Penentu pengeluaran kesehatan di negara-negara OECD: Keputusan Sebuah model pohon. Pak J Med Sci. 2017; 33 (6): 1490-1494. doi:
https://doi.org/10.12669/pjms.336.13300

Ini adalah sebuah artikel Open Access didistribusikan di bawah persyaratan Lisensi Creative Commons Attribution (http://creativecommons.org/licenses/by/3.0), yang memungkinkan penggunaan tak
terbatas, distribusi, dan reproduksi dalam media apapun, asalkan karya asli adalah benar dikutip.

PENGANTAR nal dan eksternal lingkungan. 1 Populasi yang menua dan kenaikan
mengakibatkan penyakit kronis, obat perkembangan dan teknologi,
Sistem terbuka seperti organisasi kesehatan secara signifikan
perubahan tren tition compe- di pasar perawatan kesehatan,
dipengaruhi oleh perubahan antar mereka
undang-undang kesehatan dan mengubah struktur tenaga kerja kesehatan
1. Nesrin Akca, PhD. telah menyebabkan membangun struktur meningkat kesehatan
2. Seda Sonmez, MSc.
pengeluaran dana. 2 Sebagai negara memerangi meningkatnya biaya
3. Ali Yilmaz, PhD.
1-3: Departemen Manajemen Kesehatan, kesehatan, mereka juga mencoba untuk memastikan akses ke layanan
Fakultas Ilmu Kesehatan, Kirikkale University,
kesehatan yang komprehensif dan non-diskriminatif dan pro- tect warganya
Kirikkale, Turki. Korespondensi: Nesrin Akca,
dari biaya kesehatan intolerably tinggi. 3 Dalam OECD (Organization for
Economic setahu Crisis Pembangunan timbangkan) negara, pengeluaran

Kirikkale University, Jurusan Manajemen Kesehatan, Fakultas Ilmu kesehatan sebagai bagian dari PDB meningkat tahunan. 4 Proyeksi
Kesehatan, menunjukkan bahwa peningkatan ini akan bertahan dalam 50 tahun ke
Kesehatan Kampus / 71100, Kirikkale, Turki Email:
nakca@kku.edu.tr depan (di studi 2010 data yang digunakan dalam tion estima-) dan bahwa
pengeluaran kesehatan bagi negara- OECD
* Diterima untuk publikasi: 8 Juni 2017
* Revisi diterima: 13 Oktober 2017
* Revisi diterima: 18 Oktober 2017

Pak J Med Sci November-Desember 2017 Vol. 33 No. 6 www.pjms.com.pk 1490

 Nesrin Akca dkk.
mencoba akan mencapai sekitar 14% pada 2060 tetapi itu dapat
dikurangi turun ke 9,5% dengan peraturan dalam kebijakan
kesehatan nasional. 5 Tingkat pengeluaran kesehatan nasional
merupakan masalah besar untuk dikembangkan, berkembang dan
negara-negara berkembang. The cor- kebutuhan Pertanyaan rect
dirumuskan untuk menentukan apa yang belanja kesehatan suatu
negara harus: “Berapa banyak yang harus menghabiskan negeri
saya pada kesehatan, mengingat profil epidemiologi kami saat ini
relatif terhadap tingkat yang kita inginkan dari status kesehatan,
pertimbangan- kenai efektivitas input kesehatan yang akan dibeli
dengan harga yang ada, dan dengan mempertimbangkan nilai relatif
dan biaya tuntutan lain pada sumber daya sosial?”. 6 Oleh karena itu,
penentuan belanja kesehatan suatu negara adalah proses yang
quires ulang pertimbangan beberapa faktor. Karena peningkatan
konstan, investigasi faktor-faktor penentu belanja kesehatan telah
menjadi salah satu isu utama bagi para pembuat kebijakan
kesehatan dan perencana. 7 Sejumlah penelitian yang bertujuan
identify- ing faktor penentu telah dilakukan. Studi terdahulu telah
diidentifikasi pendapatan (GDP) sebagai indubita- Bly penentu yang
paling penting dari kesehatan penditure mantan. 8 Variabel lain
dianggap deter- minants pengeluaran kesehatan rasio usia
ketergantungan dan kebutuhan epidemiologi, kemajuan dalam
teknologi medis, karakteristik sistem kesehatan, out-of-saku
pengeluaran kesehatan, populasi pola dis kemudahan, sistem
asuransi kesehatan, jumlah dokter, jumlah obat yang diresepkan per
orang, jumlah rumah sakit, angka kelahiran kasar, tingkat melek
huruf dan harapan hidup saat lahir. 9-14
Penelitian ini bertujuan untuk mengidentifikasi variabel utama dalam
estimasi pengeluaran kesehatan di negara-negara anggota OECD dan
untuk mengkategorikan negara-negara anggota oleh variabel-variabel ini.
Fakta bahwa studi ini
Tabel-I: Pohon Keputusan Model Variabel.
Variabel tak bebas
pengeluaran kesehatan sebagai bagian dari produk domestik bruto (%)
Variabel independen
Produk domestik bruto per kapita (USD, PPP saat ini)
Out-of-saku pengeluaran kesehatan (% dari total pengeluaran untuk kesehatan)
rasio ketergantungan umur (% penduduk usia kerja)
% Dari total populasi tertutup (umum dan pribadi)
harapan hidup saat lahir (tahun)
Jumlah rumah sakit (per juta penduduk)
Jumlah dokter (kepadatan per 1000 jumlah penduduk / kepala)
penjualan farmasi (jutaan unit mata uang nasional)
Status dirasakan kesehatan (baik, adil dan buruk-% dari populasi)
Pak J Med Sci November-Desember 2017 Vol. 33 No. 6 www.pjms.com.pk 1491
memperkenalkan perspektif yang berbeda dan hasilnya mendukung
penelitian serupa dalam literatur menyoroti maknanya. Dalam rangka
untuk memperkirakan faktor-faktor penentu pengeluaran kesehatan di
negara-negara OECD, Phi (2017) 15 digunakan analisis data panel untuk
menyelidiki 2000-2013 data dan menemukan hasil serupa.
METODE
Penelitian ini bertujuan untuk mengidentifikasi variabel utama
dalam estimasi pangsa dari produk domestik bruto dialokasikan untuk
belanja kesehatan di negara-negara anggota OECD dan untuk
mengkategorikan negara-negara anggota oleh variabel-variabel
tersebut dengan metode pohon keputusan. Populasi penelitian terdiri
dari data dari 35 negara anggota OECD. Dalam studi tersebut, para
tribution dis dari pangsa PDB dialokasikan untuk belanja kesehatan
diperiksa. mencoba anggota negara- diklasifikasikan dalam dua
kategori sebagai orang-orang dengan saham PDB di bawah atau di
atas nilai rata-rata 9% (8,97%) 4 dan ini digunakan sebagai variabel
dependen dalam analisis. Dengan tinjauan literatur, variabel
dianggap untuk bertindak atas pengeluaran kesehatan diidentifikasi
dan digunakan sebagai variabel studi independen. produk domestik
bruto per kapita, persentase dari total penduduk diasuransikan publik
dan swasta, out-of-saku pengeluaran kesehatan sebagai persentase
dari total pengeluaran untuk kesehatan, rasio ketergantungan usia,
harapan hidup saat lahir, jumlah rumah sakit per juta penduduk,
jumlah sicians phy- per 1000 jumlah penduduk / kepala, status
kesehatan yang dirasakan dan penjualan farmasi yang desig- yang
ditunjuk sebagai variabel independen (Tabel-I). Hanya 2014 data
termasuk dalam studi sebagai ity unavailabil- dari satu set lengkap
data untuk semua variabel penelitian dapat mempengaruhi model.
Variabel yang ed pilih- setelah tinjauan literatur dan peer debriefing.
Sumber data
OECD
OECD
Bank Dunia
Bank Dunia
OECD
OECD
OECD
OECD
OECD
OECD
 Pengeluaran kesehatan di Negara OECD

Tabel-II: Kriteria Kinerja untuk Pohon Keputusan Algoritma (10 kali lipat lintas validasi).

Algoritma /
Kriteria Kinerja CA Sens Spec AUC AKU S F1 prec Penarikan Mawar liar PKS

ID3 0,7444 0,7647 0,7222 0,7500 0,4764 0,7429 0,7222 0,7647 0,4550 0,4869

C4,5 0,8056 0,7647 0,8333 0,7407 0,5245 0,7879 0,8125 0,7647 0,3993 0,6000

GEROBAK 0,8056 0,7647 0,8333 0,7870 0,5595 0,7879 0,8125 0,7647 0,3704 0,6000

CA: Klasifikasi Akurasi Sens: Sensitivitas Spec: Spesifisitas AUC: Area Under ROC Curve IS: Informasi Score F1: F1 Score (mean harmonik presisi
dan recall) Prec: Presisi Ingat: Ingat Skor Brier: Brier Skor PKS: Matius Koefisien Korelasi.

Oranye paket perangkat lunak data mining Versi
2,7 digunakan dalam analisis data. Dalam rangka untuk
menentukan algoritma yang akan digunakan dalam pohon
keputusan mod- el, kriteria kinerja untuk ID3, C4.5 dan algoritma
Kereta - algoritma pohon keputusan umum yang paling -
dievaluasi dengan 10 kali lipat lintas valida- tion. Selain itu, kelas
target ditunjuk sebagai “sama dengan atau di bawah 9%”
(dikodekan sebagai 0 dalam model) di semua algoritma pohon
keputusan. Kriteria yang digunakan untuk kinerja algoritma
analisis yang classifica- tingkat tion akurasi, sensitivitas,
spesifisitas, area di bawah kurva ROC, skor informasi, skor F1,
presisi, recall, skor Brier dan Matthews korelasi yang tion
Koefisien. Menurut kriteria ini, algoritma dengan kinerja terbaik
diidentifikasi sebagai algoritma CART (Tabel-II) dan model pohon
keputusan dibangun dengan algoritma ini dengan kriteria minimal
5 elemen dalam node, tes yang dilakukan diilustrasikan dalam
TableII.
HASIL
disajikan pada Tabel-III. Tabel menunjukkan rata-rata pangsa 9% dari
PDB dialokasikan untuk belanja kesehatan di negara-negara OECD
pada tahun 2014. alat untuk PDB per kapita, pengeluaran kesehatan
out-of-saku sebagai bagian dari pengeluaran kesehatan secara
keseluruhan, rasio usia ketergantungan, persentase penduduk dengan
asuransi kesehatan, harapan hidup saat lahir, jumlah rumah sakit per
juta penduduk, jumlah dokter per 1000 jumlah penduduk / kepala dan
penjualan farmasi yang
40.081,29 USD, 19,62%, 51,17%, 98,15%, 80,61 tahun,
29,71 rumah sakit, 4,65 dokter dan 1.126.244,355 unit;
masing-masing. Rerata persentase penduduk dengan baik, adil
dan status kesehatan yang dirasakan buruk 4 ( digunakan sebagai
dicirikan dalam OECD dasar data-) adalah 69,91%, 21,39% dan
9,35%; masing-masing. Model pohon keputusan dibangun
dengan algoritma Kereta mengungkapkan PDB per kapita
sebagai penentu paling penting bagi memperkirakan pangsa
PDB dialokasikan untuk belanja kesehatan. Variabel penting
lainnya adalah harapan hidup saat lahir, rasio ketergantungan
usia, jumlah rumah sakit dan persentase penduduk dengan buruk
dirasakan status kesehatan (Gbr.1).

Statistik deskriptif untuk dependen dan variabel independen

(Tabel-I) dari model yang
Tabel-III: Deskriptif Statistik untuk Variabel Model.

variabel Nama pendek Min Max SD

pengeluaran kesehatan sebagai bagian dari produk

DIA 5.09 16,59 8,97 2,26
domestik bruto

produk domestik bruto per kapita PDB 17.973,26 100.052,81 40.081,29 15.403,68

Out-of-saku pengeluaran kesehatan OOP 5.22 44.00 19,62 9.03

rasio ketergantungan usia USIA 36,97 63,41 51,17 5.62

% Dari total populasi tertutup PPC 88.50 100.00 98,15 3.17

kemungkinan hidup saat lahir LEB 74,30 83,70 80,61 2,52

Jumlah rumah sakit NHC 10 73 29,71 15,26

Jumlah dokter NPC 2,02 7.32 4.65 1,32

penjualan farmasi PS 191,30 23.665.459,10 1126244.355 4.507.036,39

status kesehatan yang dirasakan (baik) PHSG 32.50 91,40 69,91 13.31

status kesehatan yang dirasakan (adil) PHSF 6.80 51.60 21,39 9.22

status kesehatan yang dirasakan (buruk) PHSB 1,70 18.30 9.35 4.65

Pak J Med Sci November-Desember 2017 Vol. 33 No. 6 www.pjms.com.pk 1492

 Nesrin Akca dkk.
Gambar 1: Pohon Keputusan Graph.
Menurut hasil analisis, 35 negara anggota OECD
dikategorikan dalam 6 kelompok: (Gbr.1)
1. Negara-negara dengan GDP per kapita di bawah
35603.184 USD dan harapan hidup saat lahir sama dengan atau
kurang dari 82,75 tahun
2. Negara-negara dengan GDP per kapita di bawah
35603.184 USD dan harapan hidup saat lahir lebih dari
82,75 tahun
3. Negara-negara dengan GDP per kapita lebih 35.603,184 USD dan
lebih besar rasio ketergantungan usia dari
51,285%
4. Negara-negara dengan GDP per kapita lebih 35.603,184 USD,
rasio usia ketergantungan sama dengan atau kurang dari
51,285% dan jumlah rumah sakit per juta penduduk lebih dari
28,550
5. Negara-negara dengan GDP per kapita lebih 35.603,184 USD, rasio
usia ketergantungan sama dengan atau kurang dari 51,285%,
jumlah rumah sakit per juta penduduk sama dengan atau kurang dari
28,550 dan persentase penduduk dengan status kesehatan yang
buruk dianggap sama dengan atau kurang dari 3.750%,
6. Negara-negara dengan GDP per kapita lebih 35.603,184 USD, rasio
ketergantungan usia sama dengan atau kurang dari 51,285%,
nomor rumah sakit per juta populasi sama dengan atau kurang dari
28,550 dan persentase penduduk dengan buruk yang dirasakan
lebih besar kesehatan dari 3.750%.
DISKUSI
pembuat kebijakan kesehatan dan perencana berusaha untuk
mengembangkan solusi yang lebih baik untuk pengelolaan
pengeluaran kesehatan yang terus meningkat di seluruh dunia.
Adil dan alokasi sama
Pak J Med Sci November-Desember 2017 Vol. 33 No. 6 www.pjms.com.pk 1493
dari sumber daya yang terbatas kepada masyarakat adalah usaha yang
membutuhkan terencana dan terorganisir eksekusi. Oleh karena itu,
pembuat kebijakan membutuhkan data berbasis bukti untuk membangun
keputusan mereka atas. Di negara-negara anggota OECD, pengeluaran
kesehatan meningkat setiap tahun. Dalam studi tersebut, variabel utama
dalam estimasi pangsa produk domestik bruto dialokasikan untuk belanja
kesehatan di negara-negara anggota OECD diidentifikasi dan
negara-negara anggota dikategorikan oleh variabel-variabel tersebut
dengan metode pohon keputusan.
Dalam studi tersebut, penentu paling signifikan dalam estimasi
pangsa produk domestik bruto dialokasikan untuk belanja kesehatan
ditentukan sebagai GDP per kapita. Variabel penting lainnya yang
ditemukan harapan hidup saat lahir, rasio ketergantungan usia,
jumlah rumah sakit dan persentase penduduk dengan status
kesehatan yang buruk yang dirasakan, dan negara-negara anggota
OECD dikategorikan dalam 6 kelompok. Penelitian oleh Okunade
(2005) dilakukan untuk mengidentifikasi faktor-faktor penentu
pengeluaran kesehatan di negara-negara Afrika melaporkan GDP
(estimasi elastisitas dari sekitar 0,65 dalam kaitannya dengan
pengeluaran kesehatan) sebagai determinan penting yang paling. 16 Studi
yang dilakukan oleh Di Matteo (2005) untuk menyelidiki faktor
penentu makro pengeluaran kesehatan di Amerika Serikat dan
Kanada sehubungan dengan pendapatan, distribusi usia dan waktu
mengungkapkan hubungan yang signifikan dari belanja kesehatan
dengan penuaan populasi, pendapatan dan waktu. Dalam model
dibangun untuk Amerika Serikat dan Kanada, dampak total dan
kontribusi umur dan waktu pengeluaran kesehatan yang ditemukan
untuk menjadi serupa, dengan waktu dan variabel kelompok umur 65
tahun dan berusia lebih tua menjelaskan 71% dan 75% dari
peningkatan kesehatan pribadi pengeluaran di Amerika Serikat dan
Kanada, masing-masing. 17 Toor dan Butt (2005) melaporkan GDP per
kapita, urbanisasi, tingkat melek huruf, angka kelahiran kasar dan
bantuan luar negeri sebagai penentu penting dari belanja kesehatan
di Pakistan. Menurut model regresi variabel-variabel ini menjelaskan
99% dari variasi dalam pengeluaran kesehatan. 13 Penelitian oleh
Hosoya (2014) menyelidiki faktor-faktor penentu pengeluaran
kesehatan di negara-negara OECD diidentifikasi usia, PDB, tingkat
partisipasi angkatan kerja perempuan, populasi, tingkat
pengangguran dan waktu sebagai penentu utama dari belanja
kesehatan. Studi ini juga menemukan elastisitas pendapatan lebih
kecil dari 1, menunjukkan bahwa pelayanan kesehatan tidak mewah
tapi merupakan kebutuhan penting. 18 Bradley et al. (2011) bertujuan
untuk menguji hubungan pengeluaran kesehatan dan pelayanan
sosial di negara-negara OECD dengan hasil kesehatan tingkat
populasi,
 Pengeluaran kesehatan di Negara OECD
yaitu harapan hidup saat lahir, kematian bayi, berat badan lahir
rendah, kematian ibu dan tahun potensi hidup yang hilang. Mereka
menemukan bahwa pengeluaran untuk pelayanan kesehatan
dikaitkan dengan hasil kesehatan yang lebih baik (hanya harapan
hidup saat lahir (p <0,001) dan tahun potensi hidup yang hilang (p =
0,02)). 14 Furuoka et al. (2011) melaporkan GDP dan populasi yang
menua sebagai dua variabel utama pengeluaran kesehatan di
negara-negara Asia. Mereka melaporkan bahwa dua arah model
fixed-efek adalah model yang paling tepat di antara yang dibangun
dalam penelitian ini dan bahwa model ini menjelaskan 99% dari
variasi dalam pengeluaran kesehatan. 19 Dalam rangka untuk
memperkirakan faktor-faktor penentu pengeluaran kesehatan di
negara-negara OECD, Phi (2017) panel digunakan analisis data
untuk menyelidiki 2000-2013 data. Studi diadopsi belanja kesehatan
per kapita sebagai variabel dependen dan pengeluaran kesehatan
per kapita sebagai bagian dari PDB per kapita, PDB per kapita,
pembiayaan publik, jumlah dokter per 1000 penduduk, jumlah
tempat tidur rumah sakit per 1000 penduduk, konsumsi alkohol,
tembakau konsumsi, harapan hidup dan populasi> 65 tahun sebagai
variabel independen. Semua model dibangun dalam penelitian ini
menghasilkan hasil serupa di mana elastisitas PDB lebih kecil dari 1,
menekankan bahwa layanan kesehatan tidak mewah. Hasil
penelitian menunjukkan PDB, harapan hidup dan penduduk usia 65
tahun dan lebih tua sebagai penentu yang paling penting dari
pengeluaran kesehatan di negara-negara OECD. 15
Kesimpulannya, hasil penelitian ini adalah kongruen dengan
studi masa lalu. Selain itu, hadir studi diidentifikasi hasil kesehatan
(yaitu harapan hidup saat lahir dan persentase penduduk dengan
persepsi kesehatan yang buruk) sebagai penentu belanja
kesehatan bersama GDP dan usia. Kami percaya temuan kami
akan memberikan kontribusi untuk literatur dan memberikan
informasi berbasis bukti penting untuk para pembuat kebijakan
kesehatan dan perencana. Namun, karena faktor-faktor yang
bertindak atas belanja kesehatan tidak terbatas pada variabel
penelitian ini, menyelidiki faktor-faktor lain dalam studi masa depan
akan memberikan informasi yang lebih komprehensif.
Hibah Dukungan Keuangan Pengungkapan: Tidak ada.
REFERENSI
1. Arah, OA, Westert GP, Hurst J, Klazinga NS. Sebuah kerangka konseptual
untuk OECD proyek indikator kualitas kesehatan. Int J Qual Kesehatan.
2006; 18 (Suppl 1): 5-13. doi: 10,1093 / intqhc / mzl024.
2. Ginsburg P, Hughes M, Adler L, Burke S, Hoagland GW, Jennings C, et al. Apa yang
mendorong pengeluaran perawatan kesehatan AS. Pertumbuhan Amerika tidak
berkelanjutan biaya kesehatan. Bipartisan Pusat Kebijakan. September 2012.
Pak J Med Sci November-Desember 2017 Vol. 33 No. 6 www.pjms.com.pk 1494
3. gemuk T, Belanja Neumayer E. Kesehatan, Out of Pocket Kontribusi, dan
Angka Kematian. Adm Umum 2013; 91 (2):. 403-418.doi: 10,1111 /
j.1467-9299.2012.02039.x.
4. OECD. pengeluaran kesehatan (indikator). doi: 10,1787 / 8643de7e- en (Diakses
pada 7 April 2017)
5. OECD. “Apa Masa Depan untuk Kesehatan Pengeluaran?”, OECD Ekonomi
Departemen Kebijakan Catatan, Nomor 19 Juni 2013.
6. Savedoff, W. Berapa banyak negara harus menghabiskan pada kesehatan? Jenewa:
World Health Organization2003.
7. Rezaei S, Fallah R, Karyani AK, Daroudi R, Zandiyan H, Hajizadeh M.
Penentu pengeluaran kesehatan di Iran: Bukti dari analisis time series. Med
J Islam Repub Iran. 2016; 30: 313.
8. pengeluaran perawatan kesehatan drive Hartwig J. Apa? Model Baumol dari 'pertumbuhan
tidak seimbang' ditinjau kembali. J Kesehatan Econ. 2008; 27 (3): 603-623.doi: 10,1016
/ j.jhealeco.2007.05.006.
9. Han K, Cho M, Chun K. Penentu pengeluaran perawatan kesehatan dan
kontribusi faktor-faktor yang berhubungan: 16 kota dan provinsi di Korea,
2003-2010. J Prev Med Kesehatan Masyarakat. 2013; 46 (6): 300-308.doi:
10,3961 / jpmph.2013.46.6.300.
10. Nguyen L, Hakkinen U, Pekurinen M, Rosenqvist G, Mikkola H. Penentu
pengeluaran perawatan kesehatan dalam sistem perawatan kesehatan
desentralisasi. Diskusi Papers 21. TerveydenJaHyvinvoinninLaitos2009.
11. Samadi AH, Homaie Rad E. Penentu Pengeluaran Kesehatan di Organisasi
Kerja Sama Ekonomi (ECO) Negara-Negara: Bukti dari Tes Panel
Kointegrasi. Int J Kebijakan Kesehatan Manag. 2013; 1 (1): 63-68.doi:
10,15171 / ijhpm.2013.10.
12. X Ke, Saksena P, Holly A. penentu pengeluaran kesehatan: analisis data
panel tingkat negara. Jenewa: Organisasi Kesehatan Dunia 2011.
13. Toor, IA, MS Butt. Penentu Kesehatan Pengeluaran di Pakistan.
Pakistan Ekonomi dan Sosial Review.2005: 133-150.
14. Bradley EH, Elkins BR, Herrin J, Elbel B. Kesehatan dan pengeluaran
pelayanan sosial: asosiasi dengan hasil kesehatan. BMJ Qual
Saf. 2011; 20: 826-831.
doi: 10,1136 / bmjqs.2010.048363.
15. Phi G. Penentu Pengeluaran Kesehatan di Negara OECD. Program Honors
Capstone Senior Project.
2017. URL: http://digitalcommons.bryant.edu/cgi/
viewcontent.cgi Artikel = 1025 & context = honors_economics (Tiba Tanggal:
2017/10/10)?
16. Okunade AA. Analisis dan implikasi dari faktor-faktor penentu pengeluaran kesehatan di
negara-negara Afrika. Perawatan Kesehatan Manag Sci. 2005; 8 (4): 267-276. doi:
10,1007 / s10729-005-4137-5.
17. Di Matteo L. penentu makro pengeluaran kesehatan di Amerika Serikat dan
Kanada: menilai dampak dari pendapatan, distribusi usia dan waktu.
Kebijakan Kesehatan. 2005; 71 (1): 23-42.doi: 10,1016 /
j.healthpol.2004.05.007.
18. Hosoya K. Penentu pengeluaran kesehatan: fakta Stylized dan sinyal baru.
Mod Eco. 2014; 5 (13): 1171.doi:
10,4236 / me.2014.513109
19. Furuoka F, Yee BLF, Kok E, Hoque MZ, Munir T. Apa adalah penentu dari
pengeluaran Kesehatan? Hasil empiris dari Negara Asia. Sunway Acad J.
2011; 8 (12): 12-25.
Kontribusi penulis:
Nesrin Akca: Penyusunan naskah akhir.
Seda Sonmez: Data dianalisis.
Nesrin Akca, Seda Sonmez dan Ali Yilmaz: Penelitian sastra yang
dilakukan oleh semua penulis.