基于風險調整的基本醫療保險門診統籌按人頭付費標準測算研究
——以深圳市為例

艾麗喚吳榮海 肖 黎 張治國

1.華中科技大學同濟醫學院醫藥衛生管理學院 湖北武漢 430030 2.南方醫科大學南方醫院 廣東廣州 510515 3.華中科技大學同濟醫學院附屬同濟醫院 湖北武漢 430030

·專題研究·

基于風險調整的基本醫療保險門診統籌按人頭付費標準測算研究
——以深圳市為例

艾麗喚1*吳榮海2肖 黎3張治國1

1.華中科技大學同濟醫學院醫藥衛生管理學院 湖北武漢 430030 2.南方醫科大學南方醫院 廣東廣州 510515 3.華中科技大學同濟醫學院附屬同濟醫院 湖北武漢 430030

目的:建立基于風險調整的門診統籌按人頭付費支付標準。方法:利用深圳市社會醫療保險信息系統2014—2015年的數據，采用描述性統計對參保人員參保情況和就診情況進行描述，采用兩部模型進行風險調整模型建模估計。結果:參保人群月門診人均總費用預測值為6.17元，同時篩選出年齡、性別、醫保參保檔次、是否慢病或大病患者4個因素作為風險調整因素，據此確立了52個不同人群組別的人頭費用標準。結論:根據參保者的患病風險和預期衛生服務利用對按人頭付費進行風險調整，建立相對可操作的人頭費用調整方法，為各地開展按人頭付費改革和后續進一步研究提供參考。

基本醫療保險； 門診統籌； 按人頭付費； 風險調整

自2009年新一輪醫藥衛生體制改革啟動以來，基本醫療保險支付制度改革受到廣泛關注。按人頭付費作為支付制度改革的一個重要方面，各地紛紛開展有關試點。按人頭付費是指醫療保險經辦機構按協議規定的時間(一月、一季度或一年)，根據定點醫療機構服務的參保人數和每個人的支付定額標準，向定點醫療機構支付費用，定點醫療機構按協議規定提供醫療服務的費用支付方式。[1-2]國際上，按人頭付費實踐中，通常采用風險調整機制，即根據不同人群的患病風險及費用高低，調整人頭費用標準。風險調整機制已被西方國家廣泛利用，而我國各地在實踐中尚較少體現。[3]本文以深圳市社區門診統籌為例，探索在大陸衛生政策背景下如何建立基于風險調整的按人頭付費標準。

2014年1月1日，深圳市開始施行新的《社會醫療保險辦法》，將基本醫療保險根據繳費及對應待遇分設為一檔、二檔、三檔三種形式。二檔和三檔參保人員需要綁定一家社區健康服務中心作為其門診就診機構，每家社區健康服務中心需選定一家醫院作為其結算醫院。社保基金對社區健康服務中心支付費用時，先支付給社區健康服務中心所屬的結算醫院，再由結算醫院進行分配。二檔和三檔實行社區門診統籌，建立門診統籌基金，并采取按人頭付費。人頭費用標準為繳費基數的0.2%(繳費基數為上一年度在崗職工月平均工資)。

表1 2014—2015年深圳市社會醫療保險二檔和三檔社區門診統籌人頭費標準

1 資料與方法

1.1 資料來源

本研究數據來源于深圳市社會保險基金管理局，數據時間段為2014年1月1日—2015年12月31日，樣本社區健康服務中心為深圳市6個中心區人民醫院下屬的77個社區健康服務中心，共有3個數據庫：

(1)參保人員基本信息庫：樣本社區健康服務中心每月簽約服務的二檔和三檔參保人員個人基本信息，原始數據庫包含16 904 690條記錄、6個變量(參保人員唯一識別編號、年齡、性別、檔次、綁定社區健康服務中心編碼、參保月份)。

(2)社區健康服務中心門診補償數據庫：樣本社區健康服務中心二檔和三檔參保人員就診補償信息，原始數據庫包含8 938 113條記錄、11個變量(參保人員唯一識別編號、年齡、性別、就診時間、就診社區健康服務中心、檔次、診療項目或藥品編碼、診療項目或藥品名稱、就診費用、醫保補償費用、個人現金支付費用)。

(3)參保人員門診大病數據庫：樣本社區健康服務中心二檔和三檔參保人員中患有門診大病的參保人員信息，原始數據庫包含729條記錄、2個變量(參保人員唯一識別編號、大病類型編碼)。門診大病為《深圳市社會醫療保險辦法》中確定的7種門診大病，即惡性腫瘤、顱內良性腫瘤、慢性腎功能衰竭、器官移植后門診用抗排斥藥、血友病、再生障礙性貧血、地中海貧血。

1.2 數據清理

運用SPSS24.0對原始數據庫進行數據清理，建立最終運用于分析和建模的數據庫。

(1)刪除重復記錄：運用SPSS軟件的標識重復個案功能，刪除社區健康服務中心門診補償數據庫中的重復記錄430 526條、參保人員門診慢病或大病數據庫中的重復記錄37條。

(2)數據庫鏈接：運用SPSS的數據合并功能，根據參保人員唯一識別編號將參保人員基本信息庫和社區健康服務中心門診補償數據庫數據鏈接。

(3)年齡數據異常的處理：通過描述性統計分析發現，2014年0歲參保人數異常增多，可推測為數據錄入空缺，系統默認為0歲。因此，根據2015年年齡對2014年年齡進行校正：用個體2015年年齡減去2014年年齡，若差值等于0、1或2，則認為2014年年齡信息正確；若差值等于其它值，則認為2014年年齡信息錯誤，采用“2015年年齡減1”進行替換。

(4)疾病相關變量的生成：對于個體費用預期而言，最有效最重要的變量是疾病診斷。國外學者開發了眾多基于診斷的或基于藥物的風險調整工具，用于進行人頭費的風險調整。[4-5]由于深圳市門診補償數據庫中并沒有個體疾病診斷信息，而只有個體診療項目和使用藥物情況。因此借鑒基于處方藥物的風險調整工具的基本思想，通過藥物來標識個體所患疾病情況。由藥學專家根據治療疾病所使用的特異性的藥物，標識出4種慢性病，分別為支氣管哮喘或慢性阻塞性肺氣腫、糖尿病、高血壓、活動性肝炎。在補償數據庫中，如果患者使用了某一藥物，則將其標識為相應的慢性病患者。

1.3 研究方法

本研究采用描述性統計對參保人員參保情況和就診情況進行描述，采用兩部模型進行風險調整模型建模估計，其中參保者參保期間內門診就診概率的估計采用Logistic回歸，就診者就診費用的估計采用廣義線性模型。在此基礎上預測參保者月均就診總費用及相應的醫療保險支出。使用兩部模型能夠解決數據具有大量零值的問題，而使用廣義線性模型能夠解決數據偏態分布的問題，也能夠杜絕或緩解異方差問題。

Logistic回歸納入自變量為性別、年齡、檔次、就診社區健康服務中心，采用基于最大似然函數的向前逐步回歸法篩選自變量(變量納入的水平為0.05，變量剔除的水平為0.10)。廣義線性模式納入自變量為性別、年齡、檔次、社區健康服務中心、有無慢病或大病，納入因變量為月均就診費用。根據以往的研究結果，在擬合廣義線性模型時，一般采用Gamma分布作為分布函數，自然對數變換作為連接函數。[6]

2 結果

2.1 參保、就診和費用情況

運用參保人員基本信息庫分析參保人群基本情況，77個社區健康服務中心兩年共有參保者1 640 942人，其中2014年1 127 540人，2015年1 208 088人。2014年全年都參保者為321 599人，占該年全部參保人數的28.5%；大部分人群并沒有連續參保，其中11.1%的人僅參保1個月。2015年情況類似。推測可能的原因是深圳市參保人群中外來勞務人員占較大比重，這些人群流動性大，容易中斷參保。

運用社區健康服務中心門診補償數據庫分析2014和2015年就診人群信息。兩年共1 502 335就診人次，其中2014年為746 481人次，2015年為755 854人次。2014年及2015年人均就診次數分別為3.72和3.73次，中位數同為3次。由于不同的參保者參保月數不同，以年人均就診次數來反映就診情況不盡合理，因此根據參保者中就診人群的參保月份，計算該參保者月均就診次數。2014年及2015年月人均就診次數分別為0.42和0.41次，中位數分別為0.29和0.27次。

表2 參保者中就診人群的就診次數情況

注：均數等計算僅統計有過就診的參保人群

對就診人群的次均就診費用進行分析，2014和2015年參保者中就診人群的次均就診費用分別為87.46元和88.22元，實際補償比分別為72.19%和71.45%(表3)。

表3 次均就診費用、補償費用和個人現金支付費用情況(元/人次)

同計算月均就診次數一樣，由于部分參保人員未全年參保，因此使用參保月份對年度就診總費用進行調整，計算月人均就診費用，2014年為36.33元、2015年為36.09元(表4)。

2.2 風險調整模型

2.2.1 Logistic回歸結果

Logistic回歸的結果顯示，年齡、性別、檔次和所在社區健康服務中心均被納入模型當中，沒有變量被剔除。預測的參保者參保期間內門診就診概率最大值為0.862，最小值為0.012，均值為0.177。各變量參數的估計結果如表5。

表4 參保者中就診人群的月人均就診費用、補償費用情況(元)

表5 Logistic回歸模型的參數估計

注：(1)Logistic回歸模型中，參數估計值均以變量取值小的作為對照，例如性別取值為1(男)和2(女)，以男性作為對照；年齡和社區健康服務中心以啞變量形式納入，以啞變量取值為0的作為對照；(2)社區健康服務中心僅列出部分結果

總體模型的似然比檢驗結果P<0.001，各變量回歸系數的Wald卡方檢驗結果P<0.001(少數幾個年齡、社區健康服務中心啞變量回歸系數P>0.05，但年齡、社區健康服務中心變量總體回歸系數P<0.001)，總體模型及各變量均具有統計學意義。模型擬合度評價指標中，Cox & Snell決定系數為12.5%，Nagelkerke決定系數為20.6%，模型擬合效果較好。比較有無就診的實際人數和預測人數可以看到，對沒有就診的人群預測準確率高達97.5%，而對于有就診的人群，預測準確率較低，僅為17.3%，總體預測率為83.3%(表6)。

表6 Logistic回歸模型的預測準確率分類

2.2.2 廣義線性模型結果

對總體模型進行似然比檢驗，P<0.001，可以認為模型總體具有統計學意義。對模型中各變量進行Wald卡方檢驗，其中性別、有無慢病或大病兩個變量P<0.001，檔次P<0.01，年齡和社區健康服務中心虛擬變量大部分P<0.001，可以認為各變量具有統計學意義。模型偏差與自由度比值為1.195，Pearson卡方值與自由度比值1.517(一般認為比值小于2時，模型擬合較好)。各變量參數的估計結果如表7。

表7 廣義線性模型的參數估計結果

注：(1)在SPSS建立廣義線性模型時，參數估計值均以變量取值大的作為對照，例如性別取值為1(男)和2(女)，以女性作為對照；年齡和社區健康服務中心以啞變量形式納入，分別以0～4歲組和社區健康服務中心1作為對照，以啞變量取值為1的作為對照；(2)社區健康服務中心僅列出部分結果

2.2.3 兩部模型結果

通過將Logistic回歸模型得到的預測概率和廣義線性模型得到的預測費用相乘，可以計算得出參保者參保期間內門診的預測醫療費用支出，再除以相應的參保月份，即可得出預測的參保者月人均費用。全體參保者實際發生月均總費用為7 251 523.05元(未就診個體費用視為0)，月人均費用為6.4313元。結果顯示，全體參保人群月均總費用預測值為6 956 423.48元，月人均費用為6.1696元。

通過對個體水平的實際費用和預測費用相加，得到社區健康服務中心水平的實際費用和預測費用。從社區健康服務中心水平的擬合情況來看，70個社區健康服務中心的預測值低于實際值，剩余6個社區健康服務中心的預測值高于實際值(2014年還有1個社區健康服務中心未成立)。可見，使用兩部模型進行估計造成了普遍的低估。通過計算兩者差距占實際值的比例，差距在實際值±1%以內的社區衛生服務中心有8個，±3%以內的有19個，±5%以內的有38個，±10%以內的有67個，另外9個社區健康服務中心預測偏差超過實際值的10%(表8)。

表8 兩部模型社區健康服務中心水平擬合情況

2.3 人頭費的計算

風險調整的兩部模型中，通過第一部參保者參保期間內門診就診概率模型分析得到影響個體門診就診概率的因素，包括性別、年齡、檔次和所在社區健康服務中心；通過第二部就診者就診費用模型分析得到影響個體就診費用的因素，包括性別、年齡、檔次、所在社區健康服務中心和有無慢病或大病。在實際操作中，需要結合各選擇標準，全面權衡預期能力、激勵機制設計、可操作性及管理成本等進行風險調整因素的選擇。綜合考慮，可以將性別、年齡、檔次和有無慢病或大病4個因素作為風險調整因素。對于新參保的沒有患病信息的個體，可以將性別、年齡和檔次作為風險調整因素。

本研究使用分組計算法(或者叫矩陣法)計算人頭費標準。矩陣法是指依據各個調整因素(如年齡、性別)及其不同的水平(年齡可分為不同年齡組，性別分為男女)，將全體人群劃分為不同的組別，分別估計各組別的人頭費率。[7-8]由于深圳市60歲及以上的男性參保人群和50歲及以上的女性參保人群多數參加一檔，參加二檔或三檔的數量極少，這一部分人群分別將其歸入男性59歲、女性49歲組。此外，16歲以下人群參加二檔，不參加三檔。通過將費用相近或者某些包含人數過少的組別進行合并，最終將全部參保人群劃分為52個組別，并計算其預期費用(表9)。

各組別的預期費用，乘以一個固定的實際補償比，就可以作為各組別的人頭費。更為恰當的方法是計算各組別的相對權重：

Rsi=Gi/M

其中，Gi為組別i人群的預期費用，M為全體參保人群的平均預期月人均費用。相對權重又常稱作風險得分(Risk Score，Rs)。如0歲男性二檔參保人員，無慢病或大病，其預期月人均費用為17.01元，全體參保人群的平均預期月人均費用為6.17元，則可以算得該組別人群的相對權重為17.01/6.17=2.76，即該組別人群的預期月人均費用支出是全部參保人群的2.76倍。

表9 不同性別、年齡、檔次和有無慢病或大病個體組別絕對費用與相對權重

(續)

將未經風險調整的人頭費稱作基準人頭費(Base Per Capita Rate)。通過基準人頭費和風險得分，可以計算出各組別的人頭費：

Ci=C×Rsi

其中，C為基準人頭費，Ci為組別i的人頭費。當全體參保人群的平均預期月人均費用作為基準人頭費時，各組別的預期月人均費用即為各組別的人頭費。采用相對權重設定人頭費標準，假定不同年度各組別的相對醫療費用沒有變化，則相對權重不變，那么僅需根據不同年度基準人頭費的變化即可得出各組別人頭費標準。這一基準人頭費可以是通過模型測算的全體參保人群月人均費用，也可以是由其它方式確定的標準，如前述深圳市實際采用的根據門診統籌資金預算確定的人頭費標準。

3 討論

3.1 對風險調整模型的討論

兩部模型較好地解決了非負值、大量零費用支出、偏態分布等問題，但是并不能夠解決個體費用數據間可能存在的非獨立問題。在參保和補償數據集中，個體嵌套于社區健康服務中心中，而社區健康服務中心又嵌套于結算醫院中，是一個多層結構的數據集。為解決個體非獨立的問題，需要改進模型，使用混合效應模型，分別建立以Logistic回歸為第一部、廣義線性模型為第二部的兩部模型。此外，本研究采用的數據集為樣本社區健康服務中心的全部參保人員和就診人員的數據，由于參保人員的流動性，如果參保人員在非樣本社區健康服務中心有過就診，那么該個體費用的預測值將低于實際值。

3.2 對風險調整因素的討論

門診診斷信息的缺失嚴重影響了模型預測的準確度。作為初期的探索性研究，本文僅僅根據治療疾病所使用的較為特異的藥物，標識了4種慢性病。當然，此做法也存在一定的局限性：(1)藥物與疾病并不是完全一一對應的，雖然本文選取的藥物都較為特異，但也可能存在超說明書用藥等情況；(2)由于盡量選取較為特異的藥物，因此不可避免造成個體雖然患有糖尿病、高血壓等疾病，但是使用了非特異的藥物治療，會將其標識為非慢病患者；(3)本文僅選取了4種慢性病，數量上顯得略少。對于2014年年齡信息錯誤的問題，本文根據2015年的年齡信息對其修正，以盡量減少數據錯誤帶來研究上的偏誤。

3.3 對人頭費計算的討論

統計分析結果顯示，2014年全體參保人群實際發生的月人均總費用為6.43元，預測費用值為6.17元。而深圳市人力資源與社會保障局設定的基準人頭費2014年1—6月為9.84元，7—12月為10.44元。關于門診統籌籌資總額及基準人頭費的計算，世界銀行在其報告中推薦了兩種方法：自下而上法(Bottom-up costing)和自上而下法(Top-down allocation)。[9]自下而上法通過估計個體衛生服務支出來計算門診統籌所需資金總量和基準人頭費。自上而下法則根據預先確定的比例從醫療保險籌資總額中提取一部分作為門診統籌資金，然后再根據參保人員總數計算分配到每一個參保個體頭上的資金額度(即基準人頭費)。事實上，本研究計算得到的預測值采用的方法為自下而上法，而深圳市人力資源與社會保障局設定的方法為自上而下法。可以看到，兩種方法得到的數據相差很大，采用自下而上法更加符合實際衛生支出情況。

4 建議

4.1 推動基于風險調整的按人頭付費的實施

本研究發現，不同年齡、性別、檔次和有無慢病或大病的人群，衛生服務支出不同。采用未經風險調整的按人頭付費，容易使不同社區衛生服務中心面臨不一樣的財務風險，造成不公平的分配以及社區衛生服務中心進行風險選擇等一系列負向激勵。因此，有必要推動實施基于風險調整的按人頭付費。本文以深圳市為案例，綜合考慮數據可獲得性、實施的可操作性和簡便性等因素，探討了如何進行風險調整并最終計算經過風險調整的人頭費標準，為深圳市及其他城市進行具體的實踐提供了有益參考。

4.2 完善醫療保險信息系統，確保數據收集質量

人頭費標準的計算依賴于數據的準確性。醫療保險信息系統越完善，數據收集的質量越高，費用標準的估計就越準確。深圳市應該逐步將門診數據字典庫中各變量的缺失數據(如門診數據字典中顯示門診補償數據庫中含有診斷編碼、就診醫療機構編碼、科室編碼、科室名稱、人員類別、門診類別、特病類別、特檢類別、參保類型、醫療機構內部藥品或診療項目編碼、社保統一藥品或診療項目編碼、醫保結算項目代碼、藥品或診療項目名稱、總金額、記賬金額、現金等變量，然而實際獲得的數據庫中診斷編碼、科室編碼、科室名稱、人員類別等變量數據基本為空缺值)收集完善，并提高年齡等信息的填報準確度。考慮到實際工作的難易程度和成本，可以先完善年齡、人員類別等人口經濟學變量，而門診診斷則待時機成熟時逐步進行完善。

[1] 中華人民共和國國家標準社會保險術語第4部分：醫療保險[M]. 北京： 中國標準出版社， 2015.

[2] National Center for Biotechnology Information. MeSH：Capitation Fee[EB/OL].(2015-07-24)[2017-03-15]. http://www.ncbi.nlm. nih.gov/mesh/68002204

[3] 吳榮海， 王立洋， 曹志輝， 等. 我國基本醫療保險門診統籌按人頭付費方案分析[J]. 中華醫院管理雜志， 2015， 31(4): 266-270.

[4] Winkelman R， Mehmud S. A Comparative Analysis of Claims-Based Tools for Health Risk Assessment[R]. The Society of Actuaries， 2007.

[5] Sales A E， Liu C F， Sloan K L， et al. Predicting costs of care using a pharmacy-based measure risk adjustment in a veteran population[J]. Med Care， 2003， 41(6): 753-760.

[6] Jones A M. Models for health care. In Hendry D，Clements M. Oxford handbook of economic forecasting[R]. Oxford University Press， 2011.

[7] Buchner F， Wasem J. Needs for further improvement：risk adjustment in the German health insurance system[J]. Health Policy， 2003， 65(1)： 21-35.

[8] New Zealand Ministry of Health. Population-based Funding Formula 2003[R]. Wellington: Ministry of Health， 2004.

[9] Langenbrunner J C， Cashin C， O’Dougherty S． Designing and implementing health care provider payment systems：how-to manuals[M]. Washington DC： The World Bank， 2009.

(編輯 薛云)

AStudyonmethodsofrisk-adjustedcapitationfeeofriskpoolingforoutpatientservicesinbasicmedicalinsurance:AcasestudyofShenzhenCity

AILi-huan1,WURong-hai2,XIAOLi3,ZHANGZhi-guo1

1.SchoolofMedicineandHealthManagement,TongjiMedicalCollege,HuazhongUniversityofScienceandTechnology,WuhanHubei430030,China2.NanfangHospitalofSouthernMedicalUniversity,GuangzhouGuangdong510515,China3.AffiliatedTongjiHospital,TongjiMedicalCollegeofHuazhongUniversityofScienceandTechnology,WuhanHubei430030,China

Objective: The main objective of the present study is to develop the risk-adjusted capitation payment standards to compensate health service providers. Methods: Descriptive statistical analysis was conducted to analyze the insured’s enrollment and visit conditions, and the two-part model was conducted to obtain the appropriate compensation standard using data retrieved from information system of social health insurance for the period of 2014 to 2015 in Shenzhen City. Results: The estimated value of total expenditure per insured person per month is 6.17 yuan. Age，sex，insurance level and with or without chronic disease or catastrophic disease were elicited as risk adjustors. The whole number insured people were divided into 52 groups by this four risk-adjustment factors whereby the relevant payment standards for each group was calculated. Conclusions: By adjusting capitation fee on the grounds of risk of disease and expected expense of medical services of the insured, the capitation payment standards can be calculated virtually. This method will promote the process of capitation payment system reform and also lay a solid foundation for further research.

Basic medical insurance; Risk pooling of outpatient services; Capitation; Risk adjustment

國家自然科學基金項目(71273100)；華中科技大學“中央高校基本科研業務費”(2016AB022)

艾麗喚，女(1992年—)，碩士研究生，主要研究方向為醫療保險、衛生經濟。E-mail：ailihuan@hust.edu.cn

張治國。E-mail：zhangzhiguo@mail.hust.edu.cn

R197

A

10.3969/j.issn.1674-2982.2017.09.005

2017-03-15

2017-06-05