醫療保險對農民工城市轉換影響的實證研究

秦立建，惠 云

（1.安徽財經大學 財政與公共管理學院，安徽 蚌埠 233030；2.安徽大學 中國三農問題研究中心，合肥 230000）

0 引言

隨著我國醫療保險的普及、完善及發展，醫療保險對農民工勞動力的供給、需求及城市轉換等方面均具有顯著影響；然而，區域分割、獨立運行的醫保制度，客觀上可能會對農民工城市轉換構成限制。因此，進一步檢驗醫療保險對農民工城市轉換的影響，對于完善我國醫療保險制度，實現人力資源合理配置及經濟發展具有重要意義。

以往文獻為本文深入研究醫療保險對農民工的城市轉換奠定了較好的基礎，但是仍然有一些問題亟待解決。首先，已有文獻大多研究醫療保險對勞動力遷移的影響，無法區分農民工縣外打工時，醫療保險對農民工城市轉換的具體影響；其次，已有文獻大多進行定性分析，而嚴重缺乏基于實地調查基礎之上的實證研究；再次，僅有的相關文獻沒有解決內生性問題，導致回歸估計結果出現偏誤。基于已有的文獻及本文的研究主題，本文擬檢驗的假設為，區域分割的醫療保險將阻礙農民工的城市轉換，減少農民工的城市轉換數量。

1 數據概況及描述性統計

本文所使用的數據來自課題組2014年2月在安徽省阜陽市的隨機抽樣調查。安徽省阜陽市為全國農民工四大輸出地之一。調查對象為阜陽地區參加新農合的農民工，問卷包涵農民工的個人情況、家庭特征、就業狀況及政策特征等內容。考慮到醫療保險參保的年齡限定條件及農民工職業特點，將本次調查對象年齡限定為16～60歲之間。本次共調查1067人，經過數據清理，共得到1055個有效觀測值，調查樣本的有效率達到98.88%，表明樣本調查的質量較好。農民工的職業流動性較強、工作轉換較為頻繁，而城市轉換數量是衡量職業流動性強弱的重要指標，因此，將農民工曾工作過的城市數量作為本文研究的因變量。受訪者的城市轉換數量平均值為2.12個，其中城市轉換頻次最高達20個。

醫療保險為本文重點關注的自變量，受訪者認為醫療保險會阻礙城市轉換的比例為84.64%。受訪者多為男性，比例高達72.04%，說明外出務工者男性占多數。受教育程度均值為7.91年，最大值為19年，說明受訪者文化程度多為初中文化程度。在婚群體占多數約為80%左右。受訪者家庭規模均值為4人左右，老人及兒童數量最多為5人；家庭土地擁有量約為6畝左右。我國的醫療保險實行以縣為單位獨立運行的方式，在縣外務工時，或者在不同的地區務工，則農民工轉出地的醫療保險無法為其提供財務支持。基于此，本文將受訪者分為“縣內打工農民工”和“縣外打工農民工”兩部分。本樣本中于縣外打工農民工的比例達到55.73%。外出務工群體簽訂合同比例為45.12%。被調查者認為醫療保險異地結算不方便的比例達到82.94%；認為醫療保險報銷較不方便的比例較高，達到73.79%。本文主要變量的描述性統計如表1所示。

2 模型設定

被解釋變量存在選擇行為，且取值存在一定限制，則人們往往選擇運用Tobit模型。本文研究主題是檢驗醫療保險是否將阻礙農民工城市轉換，減少農民工城市轉換量。可以看出，只有當農民工選擇縣外務工，且其城市轉換數量大于0時，我們才能觀測到醫療保險對農民工城市轉換的影響。因此，應將農民工“是否縣外務工”這一變量作為控制變量放入模型中。農民工“是否縣外務工”是一種理性選擇行為，無法觀察其實際值。遵循McBride和El-Osta的思路，本文將農民工“是否縣外打工的預測值”作為“是否縣外打工”的代理變量。城市轉換變量作為一種受限因變量，直接采用OLS估計城市轉換量方程得到的結果將會是有偏的。因此本文將采用Tobit模型對受限制的連續變量模型進行估計。具體的Tobit模型如式（1）所示。

表1 本文主要變量的描述性統計

本文采用Stata軟件，主要運用工具變量法檢驗醫療保險對農民工城市轉換的影響；同時，為說明如果不解決內生性問題將對系數估計值造成的低估程度，本文還報告了OLS和Tobit模型的計量結果。根據本文研究主題及受限因變量的數據特征，將重點對IVTobit模型的實證結果進行分析。

3 實證結果分析

本文關注的變量是醫療保險對農民工城市轉換的影響，但考慮到現行醫療保險多以縣為單位獨立運行，區域間及制度間缺乏有效銜接，客觀上會抑制農民工城市轉換；同時，經常發生城市轉換的農民工，由于實行屬地管理的醫療保險不能及時滿足自身醫療保險需求，多選擇退保或重復參保，客觀上加重了醫療保險對農民工城市間流動的阻礙。為解決醫療保險與農民工城市轉換相互影響產生的內生性問題，本文擬將農民工“是否有醫療保險異地轉接經歷”作為“醫療保險是否阻礙城市轉換”的工具變量，并分別使用IVOLS（模型三）和IVTobit（模型四）對縣外務工農民的城市轉換數量進行檢驗。內生性問題的檢驗結果顯示，IVTobit模型和IVOLS模型的Wald Test檢驗值都在5%的統計水平上顯著，表明模型存在嚴重的內生性問題，因此應該使用工具變量法矯正內生性問題。為保障研究結果的穩健性，本文對模型中各個變量的相關性進行了檢驗，結果表明各個自變量與被解釋變量的相關程度較高；對模型進行多重共線性檢驗，結果表明所有自變量的VIF值均大大小于10，表明變量之間不存在多重共線性問題。表2是醫療保險對農民工城市轉換影響的計量回歸結果。

由IVTobit模型（模型四）的回歸結果可以看出，是否認為醫保阻礙城市轉換變量的符號顯著為負，表明區域分割的醫療保險顯著阻礙了農民工的城市轉換，減少其城市轉換量。該結果與本文設定的醫療保險會阻礙農民工城市轉換的假設相一致，本文的假設得到證實。這是因為醫療保險雖在一定程度上緩解農民工看病難、看病貴，以及因病返貧的難題，但由于我國尚未形成統一的醫療保險制度，跨城市轉移接續較難；加之目前醫療保險多實行屬地管理，醫療保險異地費用結算，以及費用報銷同樣花費農民工較多時間和精力等成本，因而使得農民工需跨統籌區轉換工作時存在較多顧慮，客觀上減少了其轉換城市的數量。是否認為醫保阻礙城市轉換變量，該結果在四個模型中均為負值，說明本文的計量回歸結果具有較強的穩健性。IVOLS模型和IVTobit模型中系數值的絕對值分別為1.1707和1.6529，均高于采用OLS模型和Tobit模型所得的0.0414和0.0590。說明如果不解決內生性問題，醫療保險對農民工城市轉換的影響程度將大大被低估，應該使用工具變量法對內生性問題進行矯正。

表2 醫療保險對農民工城市轉換影響的計量回歸結果

本文的其它一些變量也值得關注。性別變量顯著為正，表明男性農民工較女性發生城市轉換頻次較高，這與其從事的職業特點有密切關系。家庭規模越大，農民工城市轉換率越高；家庭中老人及兒童的數量越多對農民工城市轉換具有顯著抑制作用；勞動力數量變量顯著為正，說明農村居民存在較多的剩余勞動力。家庭中土地擁有量越多越不利于農民工城市轉換。合同變量顯著為正，說明勞動力市場的規范性有益于農民工跨區工作轉換。較高的外出務工收入對農民工城市轉換具有顯著促進作用。醫療保險異地費用結算方便度越高，越有利于農民工城市轉換；醫療保險異地費用報銷便捷度對農民工城市轉換同樣具有顯著促進作用。

4 結論與建議

本文使用全國農民工主要輸出地安徽省阜陽市的實地調查數據，采用工具變量法IVTobit模型檢驗了醫療保險對農民工城市轉換數量的影響。研究發現，區域分割的醫療保險阻礙了農民工的城市轉換，減少其工作轉換數量。家庭規模越大、勞動力數量越多，其城市轉換數量越多；家庭中老人及兒童數量愈多，對農民工外出務工及城市轉換頻次愈具有顯著阻礙作用。醫療費用異地結算及報銷的便捷度越高越有利于農民工城市轉換，有利于農村勞動力流動。農民工外出務農收入水平越高，越有利于增強其城市流動性。

為切實保障農民工醫療保險需求，實現醫療保險制度的可持續發展，促進全國統一勞動力市場的建設，本文建議采取以下措施。第一，提高醫療保險統籌層次。現行的醫療保險以縣級統籌為主，頻繁轉換工作的農民工往往面臨頻繁醫療保險轉接問題。提高醫保統籌層次，將“異地”變為“同地”，減少因統籌單位過多導致的頻繁轉接問題，是解決醫療保險對農民工流動阻礙的前提。第二，建立中央或省級轉移接續調劑金。建立用于平衡地方政府統籌基金收支平衡的調劑金，并對醫療保險轉接涉及的基金或資金進行定期清算及劃轉，以避免因轉移接續導致的地方政府利益不平衡的問題，減少各地方政府在醫療保險轉接過程中的利益摩擦。第三，建立統一的醫療保險信息化網絡。在區域間及各醫療保險制度間建立統一的信息化網絡系統或數據轉接口，統一醫療保險經辦機構、工作流程，逐漸實現異地“一卡通”結算，進而提高農民工在內流動人員異地費用繳納、費用結算及報銷的便捷度，為建立統一的醫療保障體系奠定制度基礎。

[1]Bansak,Raphael.The State Children's Health Insurance Program and Job Mobility[J].Industrial and Labor Relation Reviews,2008,(4).

[2]粟娟,孔祥利,鐘小草.醫療保險制度、行政效率與農民工消費的相關性研究[J].統計與決策,2013，(9).

[3]趙樂東,焦青霞.勞動力省內、省際流動與經濟發展的相關性分析[J].統計與決策,2014,(14).

[4]秦雪征,劉國恩.醫療保險對勞動力市場影響研究評述[J].經濟學動態,2011,(12).

[5]秦雪征,鄭直.新農合對農村勞動力遷移的影響-基于全國性面板數據的分析[J].中國農村經濟,2011,(10).

[6]錢文榮,盧海陽.就業狀況、社會保障與農民工城市間再流動意愿[J].南方人口,2013,(2).

[7]張改清.農民工返鄉創業:意愿、行為與效應的代際差異比較[J].統計與決策,2011,(18).