楊琳 于紹君
1.唐山市醫療保險服務中心; 2.唐山職業技術學院
籌資問題是社會保險最基本和最核心的問題。本文在研究前人相關文獻的基礎上,收集了中國31個省份或直轄市、自治區2003年—2018年的相關數據,對城鎮職工基本醫療保險基金籌資的可能影響因素進行實證研究。
通過對基本醫療保險籌資機理的梳理,分析了其影響因素,并依據面板數據模型的一般形式,擬建立如下的多元線性回歸模型:
Iit=β0+β1Nit+β2Wit+β3Eit+μ
模型的被解釋變量為城鎮職工醫保基金收入Iit;解釋變量為:城鎮職工參保人數Nit、城鎮職工的平均薪資水平Wit、城鎮在職職工人數Eit。。其中,i、t分別表示省份和年份。本文收集了2003-2016年中國的北京、天津、河北、山西、內蒙古、遼寧、吉林、黑龍江、上海、江蘇、浙江、安徽、福建、江西、山東、河南、湖北、湖南、廣東、廣西、海南、重慶、四川、貴州、云南、陜西、西藏、甘肅、青海、寧夏、新疆31個省份或直轄市、自治區的面板數據作為樣本,對模型進行估計。本文使用的數據,全部來自中國統計年鑒;并以2003年為100,根據每個省份的城鎮居民消費價格指數,對被解釋變量“城鎮職工醫保基金收入”、解釋變量中的“城鎮職工的平均薪資水平”的數據進行了調整;然后,對所有數據都做了取對數處理。
本文采用Stata14.0軟件來進行面板數據分析。
1.使用聚類穩健標準誤的混合回歸。估計結果見表2的模型2,結果表明,城鎮職工參保人數與被解釋變量的正相關不顯著、城鎮職工的平均薪資水平和城鎮在職職工人數與被解釋變量的正相關顯著。
2.使用聚類穩健標準誤的固定效應回歸的形式。估計結果見表2的模型2,城鎮職工參保人數和城鎮職工的平均薪資水平與被解釋變量的正相關顯著。
3.選擇混合回歸或者個體固定效應模型。估計結果見表2的模型3, 因為Prob>F =0.0000,所以,強烈拒絕不存在個體效應的原假設,強烈拒絕混合回歸,應選擇個體固定效應模型。
4.采用聚類穩健標準誤的LSDV法進一步考察.。估計結果見表2的模型4,部分省P值為0.000,說明不能忽略個體省份效應,所以,不能拒絕不存在個體效應的原假設,再次拒絕混合回歸,選擇個體固定效應模型。
5.在固定效應中加入時間趨勢項。估計結果見表2的模型5,城鎮職工參保人數和城鎮職工的平均薪資水平與被解釋變量的正相關仍然顯著。時間趨勢項系數為0. 0200328,P值為0.003。
6.考慮雙向固定效應,加入年度虛擬變量。估計結果見表3的模型9,城鎮職工參保人數和與被解釋變量的正相關仍在1%水平上顯著,城鎮職工的平均薪資水平與被解釋變量的正相關在5%水平上顯著。除去2010年P值為0.001外,其它年份P值均為0.000,說明各年份虛擬變量顯著性強。
7.檢驗所有年度虛擬變量的聯合顯著性。檢驗結果顯示P值為0.0000,因此,強烈拒絕“無時間固定效應”的原假設,需要將時間固定效應添加到模型里,進行雙向固定效應估計。
8.使用聚類穩健標準誤的隨機效應回歸的形式。估計結果見表2的模型6,城鎮職工的平均薪資水平與被解釋變量的正相關顯著。P值為0.000,強烈拒絕“sigma_u=0”的原假設,拒絕混合回歸,選擇個體隨機效應模型。
9.選擇混合回歸或者個體隨機效應模型,進行LM檢驗。檢驗結果為:P值等于 0.0000,強烈拒絕“不存在個體隨機效應”的原假設,應該選擇隨機效應。
10.使用普通標準誤的隨機效應估計。估計結果見表2的模型7,城鎮職工參保人數、城鎮職工的平均薪資水平、城鎮在職職工人數與被解釋變量的正相關顯著。
11.對隨機效應進行MLE估計。估計結果見表2的模型8,城鎮職工參保人數和城鎮職工的平均薪資水平與被解釋變量的正相關顯著。
12.通過傳統豪斯曼檢驗,決定選擇固定效應或者隨機效應。檢驗結果顯示,P值為0.0000,因此,強烈拒絕隨機效應為正確模型的原假設,應選擇固定效應模型。
13.采用穩健的豪斯曼檢驗。檢驗結果顯示,P值為0.0000,因此,強烈拒絕隨機效應為正確模型的原假設,應選擇固定效應模型。

表1 樣本總體描述性統計表

表2 模型1-8的估計結果表

_cons -5.166**(0.170)-5.456***(0.0603)R2 0.9726 0.9802 0.9802 0.9920 0.9824 0.9529 0.9529-5.470***(0.0930)-5.470***(0.0528)-5.528***(0.0930)-43.61**(11.80)-5.410**(0.121)-5.410***(0.0578)

表3 模型9的估計結果表
通過對表2和表3中9個模型的估計結果分析,本文得出以下結論:
城鎮職工參保人數和城鎮職工的平均薪資水平的增加,會顯著促進城鎮職工醫保基金收入的增加。