大數據背景下基本醫療保險公平性評價

李勝會 張子璇 徐貝爾

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

關鍵詞：boosting算法;提升樹模型;醫療保險;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，通過轉移支付等再分配制度達成某種程度的平等進而追求結果的社會公平[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注。基本醫療保險通過將有限的醫療衛生資源分配給最需要的人群滿足其醫療衛生需求，從而實現醫療衛生資源公平分配。因此，基本醫療保險是提高醫療衛生領域公平性的重要手段。1998年，我國建立了城鎮職工基本醫療保險制度。2003年，覆蓋農村戶籍人口的新型農村合作醫療保險制度逐步建立。2007年，城鎮居民基本醫療保險制度的建立標志著我國基本醫療保險體系已基本形成。2009年，我國提出“全民醫保”方案，即建立覆蓋全民的醫療保障網。由此，我國基本醫療保險體系開始從制度全覆蓋走向人員全覆蓋。2016年，職工醫保及居民醫保參保人數達到7.48億人，新農合參保人數約為2.75億人①。截至2017年底，我國基本醫療保險參保人數已超過13.5億，參保率連續幾年保持在95%以上。至此，“全民醫保”即基本醫療保險機會公平已基本實現。

然而，機會公平并不一定意味著結果公平。在醫療衛生領域，結果公平是指基本醫療保險的受益公平性，即參保群體從醫療保險中受益的多少是由自身醫療服務需要所決定的，而不受職業、收入、教育程度等其他因素的影響[2]。關于基本醫療保險受益公平性問題，不同學者得出的結論有所不同，部分學者研究認為不同基本醫療保險制度之間存在受益不公現象。如姚奕利用2010年CFPS基線調查數據，分析了職工醫保、居民醫保及新農合參保群體的住院服務及費用補償情況，結果發現新農合參保群體的住院費用補償水平低于職工醫保及居民醫保參保群體[3]。另有部分學者研究了相同醫療保險制度中不同群體的受益公平性，所得結論不盡相同。如田慶豐等認為，新農合制度中不同收入水平的參保農民存在受益不公平現象，貧困農民從中受益更少[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）的新農合邊際受益率，結果表明新農合受益越來越傾向于貧困地區，受益公平性不斷提高[5]。基于此，本文提出以下問題：機會公平是否意味著結果公平？不同醫療保險制度之間是否存在受益不公？同一醫療保險制度中，相同醫療服務需求的患者群體受益是否相同？而不同醫療服務需求的患者群體受益是否不同，即醫療服務需求較高的患者群體能否獲得更多補償并享有更多高質量的醫療服務？

二、理論與文獻綜述

關于醫療衛生公平性問題，西方理論學派經歷了由強調機會公平到結果公平的過程。自由主義認為，公平是指機會平等，在自由市場競爭中，每個人都應該享有公平的參與機會[6]，保證個人基本權利不受侵犯被視作最重要的原則，他們強調的是保證權利的公平，而非分配結果的公平[7]。諾奇克認為醫療保健分配應該由市場決定，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利，而不是平等的實質權利。例如，每個人都享有基本醫療保健的權利，但高收入者才能充分利用醫療服務，從而享有實質的權利。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，疾病殘疾不應由個人負責，而應由社會予以糾正，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，公正的社會應該保證所有人享有平等的權利和自由;二是差別原則，如果不得不存在差別，那么這些差別應該有利于境遇最差的社會成員。羅爾斯所強調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利。丹尼爾斯將羅爾斯的機會公平理論延伸到醫療衛生領域，提出了醫療保健公正理論，他認為實現機會公平的前提是擁有正常物種功能，而醫療保健正是保證人們實現正常物種功能的手段。因此，政府應通過建立醫療保健制度保證醫療資源在一定限度內公平分配。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療保健資源分配公平，醫療衛生公平性問題的焦點逐步從機會公平轉向結果公平。

全民醫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果不公即受益不公的事實。目前，多數學者分析了相同醫療保險制度內不同群體的受益公平性，主要分為以下幾類：第一，醫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象。劉文莉等運用多元線性回歸分析了新農合住院補償的公平性，結果發現高收入參保者所獲補償更多[9]。馬千慧等對北京市三個區縣的新農合大病保險補償進行研究，認為新農合大病保險未能起到收入再分配的作用，醫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的家庭入戶調查資料，發現高收入參保者所獲凈收益更大[11]。第二，醫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兩步法對新農合不同補償模式進行分析，結果發現新農合對患病、貧困群體農民補償更多[12]。王翌秋利用四部模型對江蘇省無錫市760戶農村家庭進行研究，結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，不同經濟水平人群之間醫保受益較為公平。高建民等分析了陜西省新農合參合農民住院服務及補償的公平性情況，結果表明不同經濟水平的參合農民受益程度的差距較小[14]。馮家偉等探討了廣州市基本醫療保險的受益公平性，發現不同收入人群的醫療服務較為公平[15]。

綜上所述，多數研究以收入因素為關鍵變量研究醫療保險受益公平性，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保受益水平差異中，部分可能是由醫療服務需求差異引起的[16]。住院記賬費用是對參保群體醫療費用的補償，能夠在一定程度上反映參保者醫療服務的需要與利用。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療服務需求水平，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合，而本文將利用大數據分析城鎮職工醫保與城鎮居民醫保兩種不同類型參保群體的受益公平性。

三、研究方法與數據

（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 算法是通過構造一個預測函數系列，然后以一定的方式將它們組合成一個預測函數， 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，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; γm為基函數的參數; βm為基函數的系數。

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

minβm，γm∑Ni=1L（yi，∑Mm=1βmb（xi;γm））

通常，這是一個復雜的優化問題，而前向分步算法可以順次求解該優化問題[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及其系數，逐步逼近優化目標函數式，以此簡化優化問題的復雜度。每步只需優化如下損失函數：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L（y， f（x））和基函數的集合{b（x;γ）}，學習加法模型f（x）的前向分步算法如下：

（1）輸入：訓練數據集T={（x1， y1）， （x2， y2）， …， （xN， yN）}。

（2）初始化f0（x）=0。

（3）對m=1， 2， …， M，執行如下步驟：

①極小化損失函數

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

得到參數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）。

與傳統的統計方法相比，機器學習算法能夠更好地解決分類問題，尤其是數據量大且為非正態分布的情況下。例如DRGs正是以機器學習算法中的決策樹為基礎建立的，它是根據病人的疾病種類、住院天數、治療手段等預測醫療費用，從而決定費用補償金額的一種醫療保險支付方式[20]。而boosting算法可以應用于任何基礎算法包括決策樹，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算法有以下優點：一是不容易出現過擬合，能夠彌補決策樹容易出現過擬合的缺陷;二是boosting算法參數較少;三是boosting算法的學習效果有逼近貝葉斯最優的性能[21]。因此，本文擬運用boosting算法以決策樹為基函數建立提升樹模型（boosting tree）。

（二）數據來源與模型的適宜性

本文數據來源于廣州市城鎮職工基本醫療保險及城鎮居民基本醫療保險住院費用結算目錄，職工醫保共153?664條記錄，居民醫保共155?262條記錄。數據包括以下變量：性別、年齡、醫院級別、參保類型、住院天數、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療保險獲得的醫療費用補償金額。參保者總醫療費用由材料費、藥品費、檢查費、治療費及其他費用構成。記賬費用水平的高低能夠在一定程度上代表醫療服務需求的高低，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療服務需求水平。當前多數研究運用等距分組法劃分費用等級，而在數據體量較大且呈偏態分布時，等距分組法難以合理劃分費用等級。根據對數據的初步描述統計，發現職工醫保住院記賬費用呈偏態分布，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。居民醫保住院記賬費用同樣呈偏態分布，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療保險的公平性。水平公平性是指相同醫療服務需求的患者能夠得到相同水平的醫療費用補償;垂直公平性是指不同醫療服務需求的患者能夠得到不同水平的醫療費用補償及不同質量的醫療服務。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、廣義熵指數以及阿特金森指數。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]。在已有醫療保險公平性研究中，基尼系數的應用最為廣泛，但是基尼系數存在對低收入觀測值不敏感的缺陷[23]，而廣義熵指數對此較為敏感，二者形成互補。任何一個常用的社會福利函數都有與之相對應的公平性評價指標，而每一個公平性評價指標都暗含一個厭惡不平等的參數，這也是運用不同指數所得結論不同的原因，因而萬廣華指出在測量不公平程度時應多個指標同時使用[24]。由此，本文綜合運用基尼系數、廣義熵指數以及阿特金森指數對基本醫療保險公平性進行更加全面的評價。

1.基尼系數

基尼系數可以用于測量收入、消費以及其他多種事物的不平等程度，被廣泛應用于醫療衛生資源領域[25]。基尼系數的取值范圍為[0，1]，數值越大表明差距越大。根據聯合國有關組織的規定，基尼系數在0.3之下為公平狀態;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。基尼系數有多種計算方法，本文采用非等距分組的基尼系數，計算公式如下：

Gini=∑ni=1XiYi+2Xi∑ni=1（1-Vi）-1

2.廣義熵指數

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

GE=1a（1-a）∑jfj1-（Zjμ）a

3.阿特金森指數

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

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，分別建立城鎮職工與城鎮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、醫院級別、參保類型、住院天數、性別、年齡設為輸入變量，將記賬費用設為輸出變量。基于以上模型，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點變量是藥品費，這也與實際情況相一致，即藥品費是總醫療費用中所占比例最大的項目。在153?664條職工醫保住院記賬費用結算記錄中，藥品費用（7.63億元）占總醫療費用（19.15億元）的39.84%左右。因此，職工醫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，按照節點變量不斷分類，最終得到較為密集的幾類群體即終結點。

如表1所示，職工醫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，從數據可以看出群體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%，這表明職工醫保統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化的兩層。由于居民醫保總住院記賬費用（7.87億元）遠低于職工醫保的總住院記賬費用（14.7億元），因而居民醫保住院記賬費用根節點分類標準的大小也相應低于職工醫保。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、材料費作為分類節點變量得到較為密集的幾類群體即終結點。

居民醫保住院記賬費用預測值如表2所示。與職工醫保相比，居民醫保住院記賬費用預測值的范圍較小，表明居民醫保統籌基金的減免能力有限。這也與實際情況相一致，職工醫保住院記賬費用在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“先減少后增加再減少”的趨勢，這表明居民醫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，職工醫保與居民醫保住院記賬費用較低的群體所占比例較高，但職工醫保住院費用補償范圍更廣。

基于記賬費用的預測值，本文分別對職工醫保與居民醫保的住院費用結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分別計算了職工醫保與居民醫保各費用等級的人數占比、醫療費用占比、記賬費用占比與實際補償比。

從職工醫保來看，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，各費用級別的總醫療費用占比與記賬費用占比均呈現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%的居民醫保群體記賬費用低于7?209元，這表明居民醫保的低等費用級別患者較多。由表4可以看出，居民醫保總醫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小：一級費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%。然而與職工醫保相比，居民醫保的補償水平較低，居民醫保住院費用的總體實際補償比僅為55.03%，遠低于職工醫保的總體實際補償比（76.75%）。因此，居民醫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

就醫療保險受益方面而言，水平公平性是指相同醫療服務需求的患者受益水平應該相同，即記賬費用分布應處于公平狀態。從住院記賬費用的角度出發，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療服務需求水平，費用等級越高醫療服務需求的水平也就越高。住院記賬費用是由基本醫療保險統籌基金支付的，是對參保群體醫療費用的補償，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、廣義熵指數和阿特金森指數等公平性評價指標，分析相同費用等級，即相同醫療服務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分別計算了職工醫保與居民醫保各費用級別群體住院記賬費用的基尼系數、廣義熵指數和阿特金森指數。

從職工醫保來看，隨著費用等級的升高，基尼系數、廣義熵指數和阿特金森指數均呈現“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，因此職工醫保各費用級別群體的住院記賬費用分布處于公平狀態。

從居民醫保來看，隨著費用等級的升高，基尼系數、廣義熵指數和阿特金森指數數值變化呈現“W”形趨勢。由表6可知，各項公平性指標數值連續兩次先減少后增加，三級費用級別的數值最低，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。與職工醫保相同，居民醫保一級費用級別的公平性低于六級費用級別。總體來講，各公平性指標數值均處于較低水平，因此居民醫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。綜上所述，兩類基本醫療保險制度中，相同醫療服務需求的患者受益均較為公平即水平公平性較好。

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

與居民醫保相比，職工醫保住院記賬費用的垂直公平性較好。從表7可以看出，隨著醫院級別的升高，職工醫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%相應增加到33%。這說明醫療服務需求較高的患者能夠得到質量較高的醫療服務，從而體現了垂直公平性。但在三級醫院中，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院的記賬費用占比有待進一步提高。隨著醫院級別的升高，居民醫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，居民醫保記賬費用分布未能較好地體現垂直公平性。

五、結論

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

總體公平性方面，職工醫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%。與職工醫保相比，居民醫保的實際補償比水平偏低，居民醫保總體實際補償比低于職工醫保21.72%左右，這可能是由于居民醫保籌資水平較低。兩類基本醫療保險制度之間的補償差距較大不利于社會公平，進一步發展將可能影響社會和諧造成社會問題。因此，應適當提高居民醫保的補償水平。

水平公平性方面，職工醫保與居民醫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，職工醫保的基尼系數、廣義熵指數、阿特金森指數等評價指標數值變化呈現“V”形趨勢，而居民醫保呈現“W”形趨勢。總體來講，各項公平性指標均在合理范圍內，表明職工醫保與居民醫保各費用級別群體的記賬費用分布均處于公平狀態。

垂直公平性方面，與居民醫保相比，職工醫保的記賬費用分布能夠更好地體現垂直公平性。隨著醫院級別的升高，職工醫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，職工醫保醫療費用補償能夠較好地體現垂直公平性。而居民醫保低等費用級別群體在各級別醫院的記賬費用占比均為最高，未能較好地體現垂直公平性。

參考文獻：

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

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

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

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

[5]盧洪友，劉丹.?貧困地區農民真的從“新農合”中受益了嗎[J].中國人口·資源與環境，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.?新型農村合作醫療保險住院補償受益公平性分析[J].中國衛生事業管理，2017，34 （2）： 117-119.

[10]馬千慧，高廣穎，馬騁宇，等.?新型農村合作醫療大病保險受益公平性分析： 基于北京市三個區縣的數據分析[J].中國衛生經濟，2015，34 （10）： 54-57.

[11]汪宏，WINNIE YIP，張里程，等.?中國農村合作醫療的受益公平性[J].中國衛生經濟，2005 （2）： 16-19.

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

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

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

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

[16]周忠良，高建民，張軍勝.我國基本醫療保障制度受益公平性分析[J].中國衛生經濟，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.?機器學習及其相關算法綜述[J].統計與信息論壇，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.?回歸樹的建模與應用[J].中華預防醫學雜志，2002 （5）： 59-60.

[21]張文生，于廷照.?Boosting算法理論與應用研究[J].中國科學技術大學學報，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.?誰從新型農村合作醫療制度中受益——兼論健康和醫療服務利用的公平性[J].農村經濟，2012 （2）： 84-88.

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

[25]張芮，趙麗，楊洪焦.?區域經濟差異測量方法述評[J].統計與決策，2008 （4）： 50-53.

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

[27]胡晶晶，曾國安.?中國城市、農村與城鄉居民收入差距對居民總體收入差距的影響分析——以廣義熵指數進行的測度[J].消費經濟，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