大數(shù)據(jù)背景下基本醫(yī)療保險公平性評價

李勝會 張子璇 徐貝爾

摘要：近年來基本醫(yī)療保險參保率不斷升高，全民醫(yī)保目標已基本實現(xiàn)，相關(guān)的研究焦點也逐漸從機會公平轉(zhuǎn)向結(jié)果公平。利用boosting算法對醫(yī)療保險中的記賬費用劃分等級，同時運用基尼系數(shù)、廣義熵指數(shù)、阿特金森指數(shù)，從水平公平與垂直公平兩個方面對城鎮(zhèn)職工基本醫(yī)療保險及城鎮(zhèn)居民基本醫(yī)療保險進行了評價。結(jié)果發(fā)現(xiàn)：總體公平性方面，職工醫(yī)保各費用級別的實際補償比差距較大;居民醫(yī)保各費用級別的實際補償比差距較小，但總體補償水平遠低于職工醫(yī)保。在水平公平性方面，職工醫(yī)保與居民醫(yī)保各費用級別的記賬費用分布均處于公平狀態(tài)，水平公平性較好;而垂直公平性方面，與居民醫(yī)保相比，職工醫(yī)保記賬費用分布能夠更好地體現(xiàn)垂直公平性。

關(guān)鍵詞：boosting算法;提升樹模型;醫(yī)療保險;公平;記賬費用

中圖分類號： F842.6，R197文獻標志碼：A文章編號：1009-055X（2019）02-0046-12

doi：10.19366/j.cnki.1009-055X.2019.02.005

一、引言

黨的十九大報告指出，人民對社會公平、正義等方面的要求日益增長，而發(fā)展不平衡不充分是主要的制約因素。社會公平的含義是政府通過各種制度安排提供機會公平，并基于一定的價值觀，通過轉(zhuǎn)移支付等再分配制度達成某種程度的平等進而追求結(jié)果的社會公平[1]，而追求社會公平更是社會保障的天然屬性。

醫(yī)療保險作為社會保障的基本組成部分，其公平性問題也備受關(guān)注?；踞t(yī)療保險通過將有限的醫(yī)療衛(wèi)生資源分配給最需要的人群滿足其醫(yī)療衛(wèi)生需求，從而實現(xiàn)醫(yī)療衛(wèi)生資源公平分配。因此，基本醫(yī)療保險是提高醫(yī)療衛(wèi)生領(lǐng)域公平性的重要手段。1998年，我國建立了城鎮(zhèn)職工基本醫(yī)療保險制度。2003年，覆蓋農(nóng)村戶籍人口的新型農(nóng)村合作醫(yī)療保險制度逐步建立。2007年，城鎮(zhèn)居民基本醫(yī)療保險制度的建立標志著我國基本醫(yī)療保險體系已基本形成。2009年，我國提出“全民醫(yī)?！狈桨福唇⒏采w全民的醫(yī)療保障網(wǎng)。由此，我國基本醫(yī)療保險體系開始從制度全覆蓋走向人員全覆蓋。2016年，職工醫(yī)保及居民醫(yī)保參保人數(shù)達到7.48億人，新農(nóng)合參保人數(shù)約為2.75億人①。截至2017年底，我國基本醫(yī)療保險參保人數(shù)已超過13.5億，參保率連續(xù)幾年保持在95%以上。至此，“全民醫(yī)?！奔椿踞t(yī)療保險機會公平已基本實現(xiàn)。

然而，機會公平并不一定意味著結(jié)果公平。在醫(yī)療衛(wèi)生領(lǐng)域，結(jié)果公平是指基本醫(yī)療保險的受益公平性，即參保群體從醫(yī)療保險中受益的多少是由自身醫(yī)療服務(wù)需要所決定的，而不受職業(yè)、收入、教育程度等其他因素的影響[2]。關(guān)于基本醫(yī)療保險受益公平性問題，不同學者得出的結(jié)論有所不同，部分學者研究認為不同基本醫(yī)療保險制度之間存在受益不公現(xiàn)象。如姚奕利用2010年CFPS基線調(diào)查數(shù)據(jù)，分析了職工醫(yī)保、居民醫(yī)保及新農(nóng)合參保群體的住院服務(wù)及費用補償情況，結(jié)果發(fā)現(xiàn)新農(nóng)合參保群體的住院費用補償水平低于職工醫(yī)保及居民醫(yī)保參保群體[3]。另有部分學者研究了相同醫(yī)療保險制度中不同群體的受益公平性，所得結(jié)論不盡相同。如田慶豐等認為，新農(nóng)合制度中不同收入水平的參保農(nóng)民存在受益不公平現(xiàn)象，貧困農(nóng)民從中受益更少[4]。而盧洪友等運用邊際受益歸宿分析，測度了20個省不同地市（州）的新農(nóng)合邊際受益率，結(jié)果表明新農(nóng)合受益越來越傾向于貧困地區(qū)，受益公平性不斷提高[5]?；诖?，本文提出以下問題：機會公平是否意味著結(jié)果公平？不同醫(yī)療保險制度之間是否存在受益不公？同一醫(yī)療保險制度中，相同醫(yī)療服務(wù)需求的患者群體受益是否相同？而不同醫(yī)療服務(wù)需求的患者群體受益是否不同，即醫(yī)療服務(wù)需求較高的患者群體能否獲得更多補償并享有更多高質(zhì)量的醫(yī)療服務(wù)？

二、理論與文獻綜述

關(guān)于醫(yī)療衛(wèi)生公平性問題，西方理論學派經(jīng)歷了由強調(diào)機會公平到結(jié)果公平的過程。自由主義認為，公平是指機會平等，在自由市場競爭中，每個人都應(yīng)該享有公平的參與機會[6]，保證個人基本權(quán)利不受侵犯被視作最重要的原則，他們強調(diào)的是保證權(quán)利的公平，而非分配結(jié)果的公平[7]。諾奇克認為醫(yī)療保健分配應(yīng)該由市場決定，并反對國家再分配政策。自由主義保證的是人們享有平等的權(quán)利，而不是平等的實質(zhì)權(quán)利。例如，每個人都享有基本醫(yī)療保健的權(quán)利，但高收入者才能充分利用醫(yī)療服務(wù)，從而享有實質(zhì)的權(quán)利。因此，自由主義理論的機會公平是消極的機會公平。以羅爾斯為代表的平等主義理論認為，疾病殘疾不應(yīng)由個人負責，而應(yīng)由社會予以糾正，從而保證機會公平[8]，羅爾斯所主張的公平是積極的機會公平。羅爾斯提出了公平正義的兩條原則：一是機會平等原則，公正的社會應(yīng)該保證所有人享有平等的權(quán)利和自由;二是差別原則，如果不得不存在差別，那么這些差別應(yīng)該有利于境遇最差的社會成員。羅爾斯所強調(diào)的機會公平不僅包括教育、工作，還包括健康即每個人平等享有健康的權(quán)利。丹尼爾斯將羅爾斯的機會公平理論延伸到醫(yī)療衛(wèi)生領(lǐng)域，提出了醫(yī)療保健公正理論，他認為實現(xiàn)機會公平的前提是擁有正常物種功能，而醫(yī)療保健正是保證人們實現(xiàn)正常物種功能的手段。因此，政府應(yīng)通過建立醫(yī)療保健制度保證醫(yī)療資源在一定限度內(nèi)公平分配。從自由主義的消極機會公平到羅爾斯的積極機會公平再到丹尼爾斯的醫(yī)療保健資源分配公平，醫(yī)療衛(wèi)生公平性問題的焦點逐步從機會公平轉(zhuǎn)向結(jié)果公平。

全民醫(yī)保使人們享有參保的機會公平，但是不同制度之間、不同群體之間仍然存在結(jié)果不公即受益不公的事實。目前，多數(shù)學者分析了相同醫(yī)療保險制度內(nèi)不同群體的受益公平性，主要分為以下幾類：第一，醫(yī)療保險制度的受益狀況存在哈特反比保健定律，即高收入者受益高于低收入者，存在窮人補貼富人的現(xiàn)象。劉文莉等運用多元線性回歸分析了新農(nóng)合住院補償?shù)墓叫裕Y(jié)果發(fā)現(xiàn)高收入?yún)⒈Ｕ咚@補償更多[9]。馬千慧等對北京市三個區(qū)縣的新農(nóng)合大病保險補償進行研究，認為新農(nóng)合大病保險未能起到收入再分配的作用，醫(yī)保補償基金向高收入階層傾斜[10]。汪宏等利用貴州省開陽縣馮三鎮(zhèn)的家庭入戶調(diào)查資料，發(fā)現(xiàn)高收入?yún)⒈Ｕ咚@凈收益更大[11]。第二，醫(yī)療保險制度提高了受益公平性，貧困居民從中受益更多。譚曉婷等運用heckman兩步法對新農(nóng)合不同補償模式進行分析，結(jié)果發(fā)現(xiàn)新農(nóng)合對患病、貧困群體農(nóng)民補償更多[12]。王翌秋利用四部模型對江蘇省無錫市760戶農(nóng)村家庭進行研究，結(jié)果表明健康狀況較差的貧困群體所獲費用補償更多[13]。第三，不同經(jīng)濟水平人群之間醫(yī)保受益較為公平。高建民等分析了陜西省新農(nóng)合參合農(nóng)民住院服務(wù)及補償?shù)墓叫郧闆r，結(jié)果表明不同經(jīng)濟水平的參合農(nóng)民受益程度的差距較小[14]。馮家偉等探討了廣州市基本醫(yī)療保險的受益公平性，發(fā)現(xiàn)不同收入人群的醫(yī)療服務(wù)較為公平[15]。

綜上所述，多數(shù)研究以收入因素為關(guān)鍵變量研究醫(yī)療保險受益公平性，分析收入高低是否影響受益水平。但是，在收入高低所導致的醫(yī)保受益水平差異中，部分可能是由醫(yī)療服務(wù)需求差異引起的[16]。住院記賬費用是對參保群體醫(yī)療費用的補償，能夠在一定程度上反映參保者醫(yī)療服務(wù)的需要與利用。因此，本文運用boosting算法劃分記賬費用等級，將相同費用等級的患者群體歸為同一醫(yī)療服務(wù)需求水平，從垂直公平性與水平公平性兩個方面進行評價。此外，以往研究多集中于新農(nóng)合，而本文將利用大數(shù)據(jù)分析城鎮(zhèn)職工醫(yī)保與城鎮(zhèn)居民醫(yī)保兩種不同類型參保群體的受益公平性。

三、研究方法與數(shù)據(jù)

（一）boosting算法模型

Schapire首次提出了boosting 算法，并證明了一組弱學習器可以“提升”為強學習器[17]。boosting 算法是通過構(gòu)造一個預測函數(shù)系列，然后以一定的方式將它們組合成一個預測函數(shù)， 從而把弱學習算法提升為強學習算法，然后進一步不斷地調(diào)用這個基算法就可以獲得一個擬合和預測誤差都相當好的組合預測模型[18]。boosting算法以加法模型為基礎(chǔ)，采用前向分步算法，其中加法模型公式如下：

f（x）=∑Mm=1βmb（x; γm）

式中，b（x; γm）為基函數(shù); γm為基函數(shù)的參數(shù); βm為基函數(shù)的系數(shù)。

在給定訓練數(shù)據(jù)及損失函數(shù)的條件下，學習加法模型f（x）成為經(jīng)驗風險極小化問題：

minβm，γm∑Ni=1L（yi，∑Mm=1βmb（xi;γm））

通常，這是一個復雜的優(yōu)化問題，而前向分步算法可以順次求解該優(yōu)化問題[19] 300-312。前向分步算法的原理如下：從前向后，每一步只學習一個基函數(shù)及其系數(shù)，逐步逼近優(yōu)化目標函數(shù)式，以此簡化優(yōu)化問題的復雜度。每步只需優(yōu)化如下?lián)p失函數(shù)：minβ，γ∑Ni=1L（yi， βb（xi; γ））。

給定訓練集T={（x1， y1）， （x2， y2）， …， （xN， yN）}，xi∈XRn，yi∈Y={-1， +1};損失函數(shù)L（y， f（x））和基函數(shù)的集合{b（x;γ）}，學習加法模型f（x）的前向分步算法如下：

（1）輸入：訓練數(shù)據(jù)集T={（x1， y1）， （x2， y2）， …， （xN， yN）}。

（2）初始化f0（x）=0。

（3）對m=1， 2， …， M，執(zhí)行如下步驟：

①極小化損失函數(shù)

（βm， γm）=argminβ， γ∑Ni=1L（yi， fm-1（xi）+βb（xi;γ））

得到參數(shù)βm、 γm。

②更新fm（x）=fm-1（x）+βmb（x;γm）。

（4）得到加法模型：

f（x）=fM（x）=∑Mm=1βmb（x;γm）

（5）輸出：加法模型f（x）。

與傳統(tǒng)的統(tǒng)計方法相比，機器學習算法能夠更好地解決分類問題，尤其是數(shù)據(jù)量大且為非正態(tài)分布的情況下。例如DRGs正是以機器學習算法中的決策樹為基礎(chǔ)建立的，它是根據(jù)病人的疾病種類、住院天數(shù)、治療手段等預測醫(yī)療費用，從而決定費用補償金額的一種醫(yī)療保險支付方式[20]。而boosting算法可以應(yīng)用于任何基礎(chǔ)算法包括決策樹，并且能夠通過提升決策樹算法進一步提高學習準確度。此外，基于決策樹思維的boosting算法有以下優(yōu)點：一是不容易出現(xiàn)過擬合，能夠彌補決策樹容易出現(xiàn)過擬合的缺陷;二是boosting算法參數(shù)較少;三是boosting算法的學習效果有逼近貝葉斯最優(yōu)的性能[21]。因此，本文擬運用boosting算法以決策樹為基函數(shù)建立提升樹模型（boosting tree）。

（二）數(shù)據(jù)來源與模型的適宜性

本文數(shù)據(jù)來源于廣州市城鎮(zhèn)職工基本醫(yī)療保險及城鎮(zhèn)居民基本醫(yī)療保險住院費用結(jié)算目錄，職工醫(yī)保共153?664條記錄，居民醫(yī)保共155?262條記錄。數(shù)據(jù)包括以下變量：性別、年齡、醫(yī)院級別、參保類型、住院天數(shù)、材料費、藥品費、檢查費、治療費、其他費用和記賬費用等。記賬費用是指參保者通過參加基本醫(yī)療保險獲得的醫(yī)療費用補償金額。參保者總醫(yī)療費用由材料費、藥品費、檢查費、治療費及其他費用構(gòu)成。記賬費用水平的高低能夠在一定程度上代表醫(yī)療服務(wù)需求的高低，因此本文從住院記賬費用入手將相同記賬費用等級的患者歸為同一醫(yī)療服務(wù)需求水平。當前多數(shù)研究運用等距分組法劃分費用等級，而在數(shù)據(jù)體量較大且呈偏態(tài)分布時，等距分組法難以合理劃分費用等級。根據(jù)對數(shù)據(jù)的初步描述統(tǒng)計，發(fā)現(xiàn)職工醫(yī)保住院記賬費用呈偏態(tài)分布，記賬費用最大值為497?686.4元，高于46?000元的記錄約為4?000條（見圖1），僅占總體的2%左右。居民醫(yī)保住院記賬費用同樣呈偏態(tài)分布，記賬費用分布集中于較低費用的患者群體，記賬費用區(qū)間為3?000元至5?000元的記錄約為65?000條（見圖2），占總體的43%左右。顯然，采取等距分組法劃分費用等級并不合理。因此，本文擬運用以決策樹為基函數(shù)的boosting算法，通過病人一系列特征（如藥品費、材料費、檢查費）預測不同患者群體的記賬費用從而劃分記賬費用等級。

（三）公平性評價指標

從水平公平與垂直公平兩個維度來分析基本醫(yī)療保險的公平性。水平公平性是指相同醫(yī)療服務(wù)需求的患者能夠得到相同水平的醫(yī)療費用補償;垂直公平性是指不同醫(yī)療服務(wù)需求的患者能夠得到不同水平的醫(yī)療費用補償及不同質(zhì)量的醫(yī)療服務(wù)。公平性評價指標主要分為兩大類：一是絕對指標包括方差和收入差，二是相對指標包括基尼系數(shù)、廣義熵指數(shù)以及阿特金森指數(shù)。絕對指標會受到量綱的影響因而適用范圍受到很大限制，相對指標則可以避免這些弊端[22]。在已有醫(yī)療保險公平性研究中，基尼系數(shù)的應(yīng)用最為廣泛，但是基尼系數(shù)存在對低收入觀測值不敏感的缺陷[23]，而廣義熵指數(shù)對此較為敏感，二者形成互補。任何一個常用的社會福利函數(shù)都有與之相對應(yīng)的公平性評價指標，而每一個公平性評價指標都暗含一個厭惡不平等的參數(shù)，這也是運用不同指數(shù)所得結(jié)論不同的原因，因而萬廣華指出在測量不公平程度時應(yīng)多個指標同時使用[24]。由此，本文綜合運用基尼系數(shù)、廣義熵指數(shù)以及阿特金森指數(shù)對基本醫(yī)療保險公平性進行更加全面的評價。

1.基尼系數(shù)

基尼系數(shù)可以用于測量收入、消費以及其他多種事物的不平等程度，被廣泛應(yīng)用于醫(yī)療衛(wèi)生資源領(lǐng)域[25]?；嵯禂?shù)的取值范圍為[0，1]，數(shù)值越大表明差距越大。根據(jù)聯(lián)合國有關(guān)組織的規(guī)定，基尼系數(shù)在0.3之下為公平狀態(tài);位于0.3～0.4之間表示差距合理;0.4～0.5之間表示差距過大;超過0.5則表示差距懸殊?；嵯禂?shù)有多種計算方法，本文采用非等距分組的基尼系數(shù)，計算公式如下：

Gini=∑ni=1XiYi+2Xi∑ni=1（1-Vi）-1

2.廣義熵指數(shù)

廣義熵指數(shù)是由Theil提出并發(fā)展的，是通過測量收入集中度以研究收入差距問題的一種指數(shù)。它來源于信息理論中熵的概念，是變異系數(shù)、阿爾特金森指數(shù)及泰爾指數(shù)的特例。與其他測量不平等程度的指標相比，廣義熵指數(shù)的最大優(yōu)點是既能測量總體差距，也可以測量各組成部分的差距。廣義熵指數(shù)取值范圍為[0，1]，數(shù)值越大表明不均衡程度越大;反之則越小[26，27]。廣義熵指數(shù)的表達式為

GE=1a（1-a）∑jfj1-（Zjμ）a

3.阿特金森指數(shù)

英國經(jīng)濟學家阿特金森以社會福利函數(shù)為基礎(chǔ)將收入分配與社會福利相聯(lián)系，提出了阿特金森指數(shù)。阿特金森指數(shù)是通過人們對收入不平衡的主觀感受來反映社會福利，因而是一種以規(guī)范法來測量不平等程度的指標[28]。阿特金森指數(shù)的取值范圍為[0，1]，其數(shù)值越大，則不平等程度越高。阿特金森指數(shù)的表達式為

Atkinson=1-∏jZjμfj

四、實證分析

（一）總體公平

運用boosting算法劃分記賬費用等級，分別建立城鎮(zhèn)職工與城鎮(zhèn)居民的住院記賬費用提升樹模型，如圖3與圖4所示。上述所有變量均納入模型，將材料費、藥品費、檢查費、治療費、其他費用、醫(yī)院級別、參保類型、住院天數(shù)、性別、年齡設(shè)為輸入變量，將記賬費用設(shè)為輸出變量?；谝陨夏Ｐ?，可得到最密集的六類群體即A-F組，如表1與表2所示。

從職工醫(yī)保來看，住院記賬費用的主要影響因素變量分別為藥品費、材料費與檢查費。由圖3可知，記賬費用最重要的分類節(jié)點變量是藥品費，這也與實際情況相一致，即藥品費是總醫(yī)療費用中所占比例最大的項目。在153?664條職工醫(yī)保住院記賬費用結(jié)算記錄中，藥品費用（7.63億元）占總醫(yī)療費用（19.15億元）的39.84%左右。因此，職工醫(yī)保住院記賬費用提升樹模型首先以藥品費是否小于32?000元作為最重要的分類標準，將住院記賬費用分成兩類。在藥品費小于32?000元的群體中，材料費是最重要的分類變量;而在藥品費大于32?000元的群體中，檢查費是最重要的分類變量。以此類推，按照節(jié)點變量不斷分類，最終得到較為密集的幾類群體即終結(jié)點。

如表1所示，職工醫(yī)保住院記賬費用預測值的最大值與最小值分別為72?184元和4?121元，表明職工醫(yī)保住院費用的減免范圍較大。同時，隨著記賬費用預測值的升高，各組群體所占比例不斷降低，從數(shù)據(jù)可以看出群體A（記賬費用預測值為4?121元）與群體B（記賬費用預測值為8?546元）所占比例分別為55.86%和26.36%，這表明職工醫(yī)保統(tǒng)籌基金支付集中于記賬費用等級較低的患者群體。

從居民醫(yī)保來看，住院記賬費用的主要影響因素變量為藥品費與材料費（見圖4）。首先，居民醫(yī)保住院記賬費用以藥品費是否小于21?000元將其分為相對最同質(zhì)化的兩層。由于居民醫(yī)?？傋≡河涃~費用（7.87億元）遠低于職工醫(yī)保的總住院記賬費用（14.7億元），因而居民醫(yī)保住院記賬費用根節(jié)點分類標準的大小也相應(yīng)低于職工醫(yī)保。在藥品費小于21?000元的群體中，又以材料費作為分類標準將其劃分為兩類群體;而在藥品費大于21?000元的群體中，藥品費仍然是主要的影響因素變量，這可能是由于居民醫(yī)保住院記賬費用報銷主要集中于藥品費用而其他項目的費用差距較小。最后，以治療費、材料費作為分類節(jié)點變量得到較為密集的幾類群體即終結(jié)點。

居民醫(yī)保住院記賬費用預測值如表2所示。與職工醫(yī)保相比，居民醫(yī)保住院記賬費用預測值的范圍較小，表明居民醫(yī)保統(tǒng)籌基金的減免能力有限。這也與實際情況相一致，職工醫(yī)保住院記賬費用在3萬元以上的病人群體約為5%，而居民醫(yī)保住院記賬費用在3萬元以上的僅為1%左右。同時，隨著記賬費用預測值的升高，各群體所占比例呈現(xiàn)“先減少后增加再減少”的趨勢，這表明居民醫(yī)保住院記賬費用也集中于記賬費用等級較低的患者群體。如表2所示，記賬費用預測值為2?869元的群體A所占比例達到77.50%。綜上所述，職工醫(yī)保與居民醫(yī)保住院記賬費用較低的群體所占比例較高，但職工醫(yī)保住院費用補償范圍更廣。

基于記賬費用的預測值，本文分別對職工醫(yī)保與居民醫(yī)保的住院費用結(jié)算記錄進行重新分組，得到不同費用級別的各組群體（共六級）。在153?664條職工住院結(jié)算費用項目記錄中，將記賬費用為4?121元以下的患者群體劃分為一級費用級別，以此類推得到六組費用級別相對總體來講，記賬費用高于72?184元的群體極少，因此將其劃為六級費用級別。 。同理，在155?262條居民住院結(jié)算費用項目記錄中，將記賬費用為2?869元以下的患者群體劃分為一級費用級別，以此類推同樣得到六組費用級別相對總體來講，記賬費用高于25?403元的群體極少，因此將其劃為六級費用級別。 。同時，本文將一級與二級、三級與四級、五級與六級分別劃為低等、中等、高等費用級別。表3與表4分別計算了職工醫(yī)保與居民醫(yī)保各費用等級的人數(shù)占比、醫(yī)療費用占比、記賬費用占比與實際補償比。

從職工醫(yī)保來看，實際補償比隨費用級別的升高而升高并且各費用級別差距較大，尤其是一級費用級別的實際補償比較低（見表3）。隨著費用級別的升高，各費用級別人數(shù)占比不斷降低， 低、中、高等費用級別群體所占比例分別為68.75%、26.78%、4.47%。同時，隨著費用級別的升高，各費用級別的總醫(yī)療費用占比與記賬費用占比均呈現(xiàn)先增加后減少的趨勢。而中低等費用級別群體的記賬費用占比基本低于其總醫(yī)療費用占比，高等費用級別則相反，這表明高等費用級別患者群體的實際報銷補償較多。并且低等費用級別與高等費用級別的實際補償比差距較大，一級費用級別實際補償比低于六級費用級別22.72%左右。因此，低等費用級別的實際補償比亟待提高，尤其是一級費用級別。

從居民醫(yī)保來看，各費用級別實際補償比的差距較小，但實際補償比的總體水平偏低（見表4）。低等費用級別群體所占比例為84.99%，也就是說接近85%的居民醫(yī)保群體記賬費用低于7?209元，這表明居民醫(yī)保的低等費用級別患者較多。由表4可以看出，居民醫(yī)保總醫(yī)療費用與記賬費用均為二級費用級別最高，六級費用級別次之，這說明居民醫(yī)保住院記賬費用集中于高等與低等費用級別群體。此外，各費用等級的實際補償比差距較?。阂患壻M用級別的實際補償比最低，二級費用級別最高，但兩類群體實際補償比的差距不超過5%。然而與職工醫(yī)保相比，居民醫(yī)保的補償水平較低，居民醫(yī)保住院費用的總體實際補償比僅為55.03%，遠低于職工醫(yī)保的總體實際補償比（76.75%）。因此，居民醫(yī)保住院費用的實際補償比有待提高。

（二）水平公平與垂直公平

就醫(yī)療保險受益方面而言，水平公平性是指相同醫(yī)療服務(wù)需求的患者受益水平應(yīng)該相同，即記賬費用分布應(yīng)處于公平狀態(tài)。從住院記賬費用的角度出發(fā)，運用boosting算法劃分記賬費用等級，將相同費用等級的患者群體視為處于相同醫(yī)療服務(wù)需求水平，費用等級越高醫(yī)療服務(wù)需求的水平也就越高。住院記賬費用是由基本醫(yī)療保險統(tǒng)籌基金支付的，是對參保群體醫(yī)療費用的補償，因此能夠在一定程度上代表參保群體的受益水平。本文綜合運用基尼系數(shù)、廣義熵指數(shù)和阿特金森指數(shù)等公平性評價指標，分析相同費用等級，即相同醫(yī)療服務(wù)需求水平患者群體的記賬費用分布是否公平以測度水平公平性。表5與表6分別計算了職工醫(yī)保與居民醫(yī)保各費用級別群體住院記賬費用的基尼系數(shù)、廣義熵指數(shù)和阿特金森指數(shù)。

從職工醫(yī)保來看，隨著費用等級的升高，基尼系數(shù)、廣義熵指數(shù)和阿特金森指數(shù)均呈現(xiàn)“先減少后增加”的“V”形趨勢，如表5所示，這表明中等費用級別群體的記賬費用分布最為公平。其中，三級費用級別的公平性指標數(shù)值最低，即公平性最高。此外，低等費用級別群體的記賬費用分布公平性低于高等費用級別群體。總體來講，各費用級別的公平性評價指標均處于合理范圍內(nèi)，因此職工醫(yī)保各費用級別群體的住院記賬費用分布處于公平狀態(tài)。

從居民醫(yī)保來看，隨著費用等級的升高，基尼系數(shù)、廣義熵指數(shù)和阿特金森指數(shù)數(shù)值變化呈現(xiàn)“W”形趨勢。由表6可知，各項公平性指標數(shù)值連續(xù)兩次先減少后增加，三級費用級別的數(shù)值最低，五級費用級別次之，這表明三級費用級別記賬費用分布的公平性最高，五級費用級別次之。與職工醫(yī)保相同，居民醫(yī)保一級費用級別的公平性低于六級費用級別。總體來講，各公平性指標數(shù)值均處于較低水平，因此居民醫(yī)保各費用級別群體的住院記賬費用分布同樣處于公平狀態(tài)。綜上所述，兩類基本醫(yī)療保險制度中，相同醫(yī)療服務(wù)需求的患者受益均較為公平即水平公平性較好。

就醫(yī)療保險受益方面而言，垂直公平性是指醫(yī)療服務(wù)需求水平不同的患者受益水平應(yīng)該不同，醫(yī)療服務(wù)需求較高的患者應(yīng)該得到更多高質(zhì)量的醫(yī)療服務(wù)并且得到的補償也應(yīng)該越多。醫(yī)院等級是依據(jù)醫(yī)院功能、設(shè)施、技術(shù)力量等對醫(yī)院資質(zhì)評定形成的，醫(yī)院等級越高所提供的醫(yī)療服務(wù)質(zhì)量也隨之提高。因此，隨著費用等級的升高，醫(yī)療服務(wù)需求較高的患者群體在較高級別醫(yī)院的記賬費用比例也應(yīng)該越高。表7與表8分別計算了職工醫(yī)保與居民醫(yī)保中不同醫(yī)院級別、不同費用級別患者群體的住院記賬費用占比。

與居民醫(yī)保相比，職工醫(yī)保住院記賬費用的垂直公平性較好。從表7可以看出，隨著醫(yī)院級別的升高，職工醫(yī)保低等費用級別群體的記賬費用占比不斷下降，而中高等費用級別患者群體記賬費用占比逐漸增加。低等費用級別群體記賬費用占比從70.9%逐漸下降至24.17%;中等費用級別群體則由26.79%逐漸上升至42.83%;高等費用級別群體也由2.31%相應(yīng)增加到33%。這說明醫(yī)療服務(wù)需求較高的患者能夠得到質(zhì)量較高的醫(yī)療服務(wù)，從而體現(xiàn)了垂直公平性。但在三級醫(yī)院中，高等費用級別群體記賬費用占比（33%）仍然低于中等費用級別群體（42.83%），因此高等費用級別群體在三級醫(yī)院的記賬費用占比有待進一步提高。隨著醫(yī)院級別的升高，居民醫(yī)保低等費用級別群體記賬費用占比逐漸減少，高等費用級別群體所占比例不斷增加，而中等費用級別群體增長幅度較小。由表8計算出低等費用級別群體（一級費用級別群體與二級費用級別群體之和）在各級醫(yī)院所占比例均為最高，分別為76.19%、65.43%、44.05%;而中等費用級別群體（三級費用級別群體與四級費用級別群體之和）所占比例均較低，分別為19.04%、17.28%、22.02%。尤其是在三級醫(yī)院記賬費用占比中，高等費用級別群體（五級費用級別群體與六級費用級別群體之和）低于低等費用級別群體10.13%。以上分析充分說明，居民醫(yī)保記賬費用分布未能較好地體現(xiàn)垂直公平性。

五、結(jié)論

基于153?664條職工醫(yī)保以及155?262條居民醫(yī)保的普通住院結(jié)算項目費用記錄，本文從水平公平與垂直公平兩個方面對城鎮(zhèn)職工基本醫(yī)療保險以及城鎮(zhèn)居民基本醫(yī)療保險進行評價。研究方法上，采用以決策樹為基函數(shù)的boosting算法合理地劃分了費用等級，同時運用基尼系數(shù)、廣義熵指數(shù)、阿特金森指數(shù)等指標更加綜合全面地評價兩類基本醫(yī)療保險制度的公平性。結(jié)果發(fā)現(xiàn)，不同醫(yī)保制度覆蓋人群之間存在受益不公平現(xiàn)象即結(jié)果不公平，職工醫(yī)保的實際補償比遠高于居民醫(yī)保。同時，對同一醫(yī)療保險制度參保群體的水平公平性及垂直公平性進行分析。從水平公平性來看，職工醫(yī)保與居民醫(yī)保的水平公平性均較好;從垂直公平性來看，職工醫(yī)保的垂直公平性優(yōu)于居民醫(yī)保。

總體公平性方面，職工醫(yī)保各費用級別的實際補償比差距較大，但總體補償水平較高;居民醫(yī)保各費用級別的實際補償比差距較小，但總體補償水平較低。職工醫(yī)保實際補償比差距較大，六級費用級別實際補償比高出一級費用級別22.72%。但總體補償水平較高，除一級費用級別外各費用級別的實際補償比均超過75%。與職工醫(yī)保相比，居民醫(yī)保的實際補償比水平偏低，居民醫(yī)?？傮w實際補償比低于職工醫(yī)保21.72%左右，這可能是由于居民醫(yī)保籌資水平較低。兩類基本醫(yī)療保險制度之間的補償差距較大不利于社會公平，進一步發(fā)展將可能影響社會和諧造成社會問題。因此，應(yīng)適當提高居民醫(yī)保的補償水平。

水平公平性方面，職工醫(yī)保與居民醫(yī)保各費用級別的記賬費用分布均較為公平，即水平公平性較好。隨著費用等級的升高，職工醫(yī)保的基尼系數(shù)、廣義熵指數(shù)、阿特金森指數(shù)等評價指標數(shù)值變化呈現(xiàn)“V”形趨勢，而居民醫(yī)保呈現(xiàn)“W”形趨勢?？傮w來講，各項公平性指標均在合理范圍內(nèi)，表明職工醫(yī)保與居民醫(yī)保各費用級別群體的記賬費用分布均處于公平狀態(tài)。

垂直公平性方面，與居民醫(yī)保相比，職工醫(yī)保的記賬費用分布能夠更好地體現(xiàn)垂直公平性。隨著醫(yī)院級別的升高，職工醫(yī)保低等費用級別群體記賬費用占比逐漸下降，而中高等費用級別群體記賬費用占比逐漸上升。因此，職工醫(yī)保醫(yī)療費用補償能夠較好地體現(xiàn)垂直公平性。而居民醫(yī)保低等費用級別群體在各級別醫(yī)院的記賬費用占比均為最高，未能較好地體現(xiàn)垂直公平性。

參考文獻：

[1]李珍.?新時代：中國社會保障發(fā)展的新藍圖[J].社會保障研究，2017 （6）： 3-10.

[2]周欽，田森，潘杰.?均等下的不公——城鎮(zhèn)居民基本醫(yī)療保險受益公平性的理論與實證研究[J].經(jīng)濟研究，2016，51 （6）： 172-185.

[3]姚奕，陳儀，陳聿良.?我國基本醫(yī)療保險住院服務(wù)受益公平性研究[J].中國衛(wèi)生政策研究，2017，10 （3）： 40-46.

[4]田慶豐，李小芳，李中琳.?新型農(nóng)村合作醫(yī)療的受益公平性研究[J].醫(yī)學與哲學（人文社會醫(yī)學版），2006 （8）： 8-9，16.

[5]盧洪友，劉丹.?貧困地區(qū)農(nóng)民真的從“新農(nóng)合”中受益了嗎[J].中國人口·資源與環(huán)境，2016，26 （2）： 68-75.

[6]李松齡，欒曉平.?公平與效率的理論綜述[J].山東社會科學，2003 （4）： 27-32.

[7]黃秀華.?流行公平觀及其當代價值分析[J].新疆社科論壇，2008 （1）： 49-52.

[8]張艷梅.?醫(yī)療保健公正研究[D].長春 ： 吉林大學哲學社會學院，2007.

[9]劉文莉，徐凌忠，李佳佳，等.?新型農(nóng)村合作醫(yī)療保險住院補償受益公平性分析[J].中國衛(wèi)生事業(yè)管理，2017，34 （2）： 117-119.

[10]馬千慧，高廣穎，馬騁宇，等.?新型農(nóng)村合作醫(yī)療大病保險受益公平性分析： 基于北京市三個區(qū)縣的數(shù)據(jù)分析[J].中國衛(wèi)生經(jīng)濟，2015，34 （10）： 54-57.

[11]汪宏，WINNIE YIP，張里程，等.?中國農(nóng)村合作醫(yī)療的受益公平性[J].中國衛(wèi)生經(jīng)濟，2005 （2）： 16-19.

[12]譚曉婷，鐘甫寧.?新型農(nóng)村合作醫(yī)療不同補償模式的收入分配效應(yīng)——基于江蘇、安徽兩省30縣1500個農(nóng)戶的實證分析[J].中國農(nóng)村經(jīng)濟，2010 （3）： 87-96.

[13]王翌秋.?新型農(nóng)村合作醫(yī)療制度的公平與受益： 對760戶農(nóng)民家庭調(diào)查[J].改革，2011 （3）： 73-81.

[14]高建民，陳蕊，張先嬌，等.陜西省新型農(nóng)村合作醫(yī)療參合農(nóng)民住院受益公平性分析[J].中國衛(wèi)生政策研究，2011，4 （4）： 55-59.

[15]馮家偉，匡莉.?某市城鎮(zhèn)職工基本醫(yī)療保險在職參保人受益公平性分析[J].實用預防醫(yī)學，2012，19 （7）： 1109-1111.

[16]周忠良，高建民，張軍勝.我國基本醫(yī)療保障制度受益公平性分析[J].中國衛(wèi)生經(jīng)濟，2013，32（7）： 21-23.

[17]SCHSPIRE R E.?The strength of weak learnability[J]. Machine Learning，1990，5 （2）： 197-227.

[18]陳凱，朱鈺.?機器學習及其相關(guān)算法綜述[J].統(tǒng)計與信息論壇，2007 （5）： 105-112.

[19]孫亮，黃倩.?實用機器學習[M].北京： 人民郵電出版社，2017.

[20]莫春梅，倪宗瓚，高鳳瓊.?回歸樹的建模與應(yīng)用[J].中華預防醫(yī)學雜志，2002 （5）： 59-60.

[21]張文生，于廷照.?Boosting算法理論與應(yīng)用研究[J].中國科學技術(shù)大學學報，2016，46 （3）： 222-230.

[22]馬曉麗.?收入分配差距衡量方法綜述[J].時代金融，2009 （5）： 46-48.

[23]王翌秋.?誰從新型農(nóng)村合作醫(yī)療制度中受益——兼論健康和醫(yī)療服務(wù)利用的公平性[J].農(nóng)村經(jīng)濟，2012 （2）： 84-88.

[24]萬廣華.?不平等的度量與分解[J].經(jīng)濟學，2009，8 （1）：347-368.

[25]張芮，趙麗，楊洪焦.?區(qū)域經(jīng)濟差異測量方法述評[J].統(tǒng)計與決策，2008 （4）： 50-53.

[26]藍相潔.?公共衛(wèi)生財政支出收斂性廣義熵指數(shù)測度研究——以廣西為例[J].經(jīng)濟經(jīng)緯，2015，32 （1）： 156-160.

[27]胡晶晶，曾國安.?中國城市、農(nóng)村與城鄉(xiāng)居民收入差距對居民總體收入差距的影響分析——以廣義熵指數(shù)進行的測度[J].消費經(jīng)濟，2011，27 （1）： 19-22，14.

[28]謝洪芳，賴淑鑾.?收入分配不均度量方法討探[J].統(tǒng)計與決策，2004 （1）： 22-24.

Equity Evaluation of Basic Medical Insurance under the Background of Big Data

—An Empirical Study Based on Boosting Algorithm

LI Sheng?hui1ZHANG Zi?xuan1XU Bei?er2

（1.School of Public Administration，South China University of Technology，Guangzhou，510640，Guangdong，China;2.Guangzhou Medical Insurance Bureau，Guangzhou，510000，Guangdong， China）

Abstract： In recent years， the basic medical insurance participation rate has been rising， and the goal of universal health insurance has been basically achieved. The focus of scholars in various fields has been gradually shifted from opportunity fairness to outcome fairness. In this paper， the costing level is divided by the boosting algorithm. At the same time， the Gini coefficient， the generalized entropy index and the Atkinson index are used to evaluate the basic medical insurance for urban employees and the basic medical insurance for urban residents from two aspects： horizontal fairness and vertical fairness. The results show that in terms of the overall fairness， the actual compensation ratio of each cost level is quite different in urban employees medical insurance. But the actual compensation ratio of each cost level is similar in urban residents medical insurance， and the overall compensation level is much lower than the urban employees medical insurance. In terms of horizontal fairness， the distribution of expenses in accounting for urban employees medical insurance and urban residents medical insurance at each cost level remains fair， and the level of horizontal fairness is reasonable. In terms of vertical fairness， the distribution of expenses in accounting in urban employeess medical insurance can better reflect vertical fairness compared with urban residents medical insurance.

keywords：boosting algorithm; boosting tree; medical insurance; fairness; expenses in accounting