大數據背景下職工醫保基金費用控制研究

黃欣晨， 李紅艷

（上海工程技術大學 管理學院， 上海201600）

0 引 言

在公共管理領域中應用大數據技術，能有效提高對管理對象的準確認知，為政策的制定、實施、監管提供有效的信息輔助。 在醫療保險系統中，人社局、醫保局、衛計委、定點醫療機構等累積了豐富的就醫記錄、治療數據等數據，而在大數據技術不斷趨于成熟的環境下，隨著醫保工程的進一步實施，這些尚未得到充分挖掘和利用的蘊含極大價值的數據將進一步整合，可應用于醫保基金的運行及風險防范過程。

中國目前已經建立了完善的醫療保險體系，截至2018 年底，全國城鎮職工基本醫療保險參保人數超過3.1 億人，醫保基金的平穩運行關乎廣大職工的利益，全國職工醫保基金結余雖保持增長，但部分地區醫療保險基金已經面臨著基金結余負增長的問題。 要保障醫保基金的平穩運行，醫保基金支出的控制亟待重視。

要保持醫保基金結余的穩定，應做到“開源節流”。 但職工醫保基金收入增長面臨較大的困難：職工醫保參保人數雖持續增長，但參保率即將接近飽和。 近年來，為減輕企業壓力，醫保繳費比例下調。 自2016 年上海市職工醫療保險繳費率逐步下調，至2019 年繳費率已下調2.5%。 此外，國內經濟發展進入新常態時期，經濟增長放緩，職工醫保籌資水平將不可避免地降低。 因此，醫保基金的“開源”較為困難，應把目光放在“節流”上，即醫保基金支出費用的控制。

1 職工醫保基金支出影響指標體系

1.1 醫保基金支出情況及影響指標

如圖1 所示，2017 年，上海市職工醫保基金的收入、支出、結余量在全國31 個省市中均處于較高水平，收支平衡壓力相對較小。 同時上海是全國最早進入老齡化的城市，也是醫療保險政策試點的先行者，研究上海的職工醫療保險基金收支，具有一定的前沿性和代表性。

圖1 2017 年全國各省市職工醫保基金收支狀況Fig.1 Revenue and expenditure of employee medical insurance funds in provinces of China in 2017

本研究通過梳理文獻中提到的職工醫保基金支出的影響指標，除去部分難以量化的指標，本研究選取表1 中的指標，構建上海市職工醫保基金支出的影響指標體系，從而分析職工醫保基金支出控制的要點。

表1 基金支出影響指標體系Tab.1 Impact indicator system of fund expenditure

1.2 指標解釋

一級指標中，基金支出y 是指上海市當年度城鎮職工基本醫療保險基金支出。 二級指標中，退休參保人員占比x1是指上海市當年參保人員中退休職工占總人數的比例，反映了制度內的老齡化水平；每千人口衛生技術人員x2是指上海市當年衛生技術人員數量與常住人口數量的千分之一的比例；每千人口醫療機構床位x3，是指上海市當年醫療機構床位與常住人口數的千分之一的比例，反映了衛生資源的配置狀況；最高限額x4是指當年每個參保人員通過職工醫保統籌基金可以報銷的醫療費用的最高額度；居民年住院率x5，是指上海市居民一年內因病住院的人次占當年度總人口的比例。

1.3 基金支出影響指標描述性分析

本文將醫療保險基金支出y 作為參考序列，選取x1，x2，x3，x4，x5為比較序列。 原始數據描述性分析見表2。

表2 各指標序列基本統計特征Tab.2 Statistical characteristics of each indicator series

表2 中各指標序列的超峰度系數都較低，除居民年住院率x5外都小于0，表明這些序列分布峰度不足。 除退休參保人員比例x1、最高限額x4呈負偏態，其余指標序列均呈正偏，其中x3正偏程度最大。從J－B 統計量來看，基金支出y、居民年均住院率x5服從正態分布，其余各指標序列拒絕正態分布。

2 灰色關聯度模型構建

2.1 原始數據處理

首先對數據進行無量綱化處理。 利用min－max歸一化方法進行數據處理，歸一化公式如下：

式中，xmin為指標x 中的最小值，xmax代表指標x 中的最大值。 經過處理后的參考數列為：

處理后的比較序列為：

式中，n 代表同一序列數據的個數。

2.2 計算灰色關聯系數

灰色關聯系數的計算公式為：

式中，ξij（t） 為指標xj與xi在t 時刻的關聯系數；

2.3 計算灰色關聯度

通過式（2）僅得到比較序列與參考序列在不同時刻的關聯系數，無法進行序列間的總體比較。 因此，計算同一序列的各關聯系數均值，則表示該序列與參考序列的灰色關聯度。 灰色關聯度的表達式為：

式中，rj表示序列j 與參考序列的關聯度。

3 基金支出影響因素灰色關聯度分析

本文選定參考序列為y，比較序列為xi（t）（i ＝1，2，…，5；t ＝1，2，…，10），取分辨系數ρ ＝0.5，根據上述計算過程，得到關聯系數矩陣結果見表3。

表3 基金支出的關聯系數矩陣Tab.3 Correlation coefficient matrix for fund expenditure

由表3 可知，居民年均住院率x5與醫保基金支出y 的關聯系數除2010 年外均超過0.6。 說明長期以來，居民就醫行為中的住院治療頻次對醫保基金支出具有較為重要的影響。 退休參保人員比例x1與醫保基金支出y 的關聯系數從2008 到2012 年呈逐漸下降的趨勢，2013 年達到拐點開始上升，其原因可能在于2013 年之前醫療保險的擴面工作取得較好的成效，但覆蓋面趨于飽和后，制度內的老齡化趨于明顯。

各比較序列的關聯度排序為：r5＞r4＞r1＞r2＞r3，居民年均住院率x5與醫療保險基金支出y 關聯度最高，最高限額x4排序第二，退休參保職工占比x1次之。 居民年均住院率提高，增加了參保職工對醫保基金的使用頻率，且住院的醫療費用相對門診偏高，報銷額度也更大，所以會增加醫保基金的支出。 最高限額是參保人在一年內通過醫保基金報銷醫療費的最高限度，最高限額越高，每個參保人可通過醫保基金支付的費用就越多，可能放縱參保人的過度醫療行為，從而造成醫保基金支出不必要的增長。 退休參保人員比例反映了制度內的老齡化程度，人的疾病發生概率隨著年齡的增加而增大，并且退休人員不需再繳納醫療保險費，所以參保人老齡化越嚴重，基金的相對支出就更多。

4 結束語

利用灰色關聯度模型比較了主要指標的影響程度大小，得出的結論是對于基金的支出來說，關聯度最大的影響因素為居民年均住院率、統籌支付最高限額以及退休參保人員比例。 統籌支付最高限額是可以通過政策調整的可控因素，而居民年均住院率、退休參保人員比例屬不可控因素。

在醫保費用管理工作中運用大數據技術，使費用管理工作更加科學、精準、高效。 基于以上結論，針對職工基本醫療保險基金的支出控制，基于大數據技術應用的視角，本研究提出以下政策建議：

（1）運用大數據技術建立醫療保險和醫療服務監督體系。 醫療保險基金支出最重要的影響因素是居民年均住院率。 因此，需建立有效的醫療服務監督體系，防范過度醫療以及醫保欺詐行為。 可以利用大數據技術對醫療機構進行基礎數據監控，對門診診斷、用藥、住院治療、醫保結算等過程進行數據采集，通過建立有效的信息識別規則，對數據進行核查以及定性分析，實現對醫療服務合理性的實時監控和有效反饋。

（2）應用醫保大數據完善醫保支付最高限額的劃定機制。 醫保支付最高限額對醫保基金支出的影響較大，過低的最高限額會增加參保人的個人支付負擔，無法體現醫療保險的共濟性；過高的最高限額可能會提高就醫的道德風險，不利于抑制不合理的醫療費用支出。 目前醫保支付最高限額根據當地職工平均工資制定，考慮的因素較為單一，而醫保大數據包含了參保人的繳費信息、醫療服務利用信息以及基金運行的數據，可以通過醫保大數據的分析綜合各方面因素得到合理的醫療費用范圍，從而劃定更為合理的最高限額標準。