医疗保险对农民工城市转换影响的实证研究

秦立建，惠 云

（1.安徽财经大学 财政与公共管理学院，安徽 蚌埠 233030；2.安徽大学 中国三农问题研究中心，合肥 230000）

0 引言

随着我国医疗保险的普及、完善及发展，医疗保险对农民工劳动力的供给、需求及城市转换等方面均具有显著影响；然而，区域分割、独立运行的医保制度，客观上可能会对农民工城市转换构成限制。因此，进一步检验医疗保险对农民工城市转换的影响，对于完善我国医疗保险制度，实现人力资源合理配置及经济发展具有重要意义。

以往文献为本文深入研究医疗保险对农民工的城市转换奠定了较好的基础，但是仍然有一些问题亟待解决。首先，已有文献大多研究医疗保险对劳动力迁移的影响，无法区分农民工县外打工时，医疗保险对农民工城市转换的具体影响；其次，已有文献大多进行定性分析，而严重缺乏基于实地调查基础之上的实证研究；再次，仅有的相关文献没有解决内生性问题，导致回归估计结果出现偏误。基于已有的文献及本文的研究主题，本文拟检验的假设为，区域分割的医疗保险将阻碍农民工的城市转换，减少农民工的城市转换数量。

1 数据概况及描述性统计

本文所使用的数据来自课题组2014年2月在安徽省阜阳市的随机抽样调查。安徽省阜阳市为全国农民工四大输出地之一。调查对象为阜阳地区参加新农合的农民工，问卷包涵农民工的个人情况、家庭特征、就业状况及政策特征等内容。考虑到医疗保险参保的年龄限定条件及农民工职业特点，将本次调查对象年龄限定为16～60岁之间。本次共调查1067人，经过数据清理，共得到1055个有效观测值，调查样本的有效率达到98.88%，表明样本调查的质量较好。农民工的职业流动性较强、工作转换较为频繁，而城市转换数量是衡量职业流动性强弱的重要指标，因此，将农民工曾工作过的城市数量作为本文研究的因变量。受访者的城市转换数量平均值为2.12个，其中城市转换频次最高达20个。

医疗保险为本文重点关注的自变量，受访者认为医疗保险会阻碍城市转换的比例为84.64%。受访者多为男性，比例高达72.04%，说明外出务工者男性占多数。受教育程度均值为7.91年，最大值为19年，说明受访者文化程度多为初中文化程度。在婚群体占多数约为80%左右。受访者家庭规模均值为4人左右，老人及儿童数量最多为5人；家庭土地拥有量约为6亩左右。我国的医疗保险实行以县为单位独立运行的方式，在县外务工时，或者在不同的地区务工，则农民工转出地的医疗保险无法为其提供财务支持。基于此，本文将受访者分为“县内打工农民工”和“县外打工农民工”两部分。本样本中于县外打工农民工的比例达到55.73%。外出务工群体签订合同比例为45.12%。被调查者认为医疗保险异地结算不方便的比例达到82.94%；认为医疗保险报销较不方便的比例较高，达到73.79%。本文主要变量的描述性统计如表1所示。

2 模型设定

被解释变量存在选择行为，且取值存在一定限制，则人们往往选择运用Tobit模型。本文研究主题是检验医疗保险是否将阻碍农民工城市转换，减少农民工城市转换量。可以看出，只有当农民工选择县外务工，且其城市转换数量大于0时，我们才能观测到医疗保险对农民工城市转换的影响。因此，应将农民工“是否县外务工”这一变量作为控制变量放入模型中。农民工“是否县外务工”是一种理性选择行为，无法观察其实际值。遵循McBride和El-Osta的思路，本文将农民工“是否县外打工的预测值”作为“是否县外打工”的代理变量。城市转换变量作为一种受限因变量，直接采用OLS估计城市转换量方程得到的结果将会是有偏的。因此本文将采用Tobit模型对受限制的连续变量模型进行估计。具体的Tobit模型如式（1）所示。

表1 本文主要变量的描述性统计

本文采用Stata软件，主要运用工具变量法检验医疗保险对农民工城市转换的影响；同时，为说明如果不解决内生性问题将对系数估计值造成的低估程度，本文还报告了OLS和Tobit模型的计量结果。根据本文研究主题及受限因变量的数据特征，将重点对IVTobit模型的实证结果进行分析。

3 实证结果分析

本文关注的变量是医疗保险对农民工城市转换的影响，但考虑到现行医疗保险多以县为单位独立运行，区域间及制度间缺乏有效衔接，客观上会抑制农民工城市转换；同时，经常发生城市转换的农民工，由于实行属地管理的医疗保险不能及时满足自身医疗保险需求，多选择退保或重复参保，客观上加重了医疗保险对农民工城市间流动的阻碍。为解决医疗保险与农民工城市转换相互影响产生的内生性问题，本文拟将农民工“是否有医疗保险异地转接经历”作为“医疗保险是否阻碍城市转换”的工具变量，并分别使用IVOLS（模型三）和IVTobit（模型四）对县外务工农民的城市转换数量进行检验。内生性问题的检验结果显示，IVTobit模型和IVOLS模型的Wald Test检验值都在5%的统计水平上显著，表明模型存在严重的内生性问题，因此应该使用工具变量法矫正内生性问题。为保障研究结果的稳健性，本文对模型中各个变量的相关性进行了检验，结果表明各个自变量与被解释变量的相关程度较高；对模型进行多重共线性检验，结果表明所有自变量的VIF值均大大小于10，表明变量之间不存在多重共线性问题。表2是医疗保险对农民工城市转换影响的计量回归结果。

由IVTobit模型（模型四）的回归结果可以看出，是否认为医保阻碍城市转换变量的符号显著为负，表明区域分割的医疗保险显著阻碍了农民工的城市转换，减少其城市转换量。该结果与本文设定的医疗保险会阻碍农民工城市转换的假设相一致，本文的假设得到证实。这是因为医疗保险虽在一定程度上缓解农民工看病难、看病贵，以及因病返贫的难题，但由于我国尚未形成统一的医疗保险制度，跨城市转移接续较难；加之目前医疗保险多实行属地管理，医疗保险异地费用结算，以及费用报销同样花费农民工较多时间和精力等成本，因而使得农民工需跨统筹区转换工作时存在较多顾虑，客观上减少了其转换城市的数量。是否认为医保阻碍城市转换变量，该结果在四个模型中均为负值，说明本文的计量回归结果具有较强的稳健性。IVOLS模型和IVTobit模型中系数值的绝对值分别为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。说明如果不解决内生性问题，医疗保险对农民工城市转换的影响程度将大大被低估，应该使用工具变量法对内生性问题进行矫正。

表2 医疗保险对农民工城市转换影响的计量回归结果

本文的其它一些变量也值得关注。性别变量显著为正，表明男性农民工较女性发生城市转换频次较高，这与其从事的职业特点有密切关系。家庭规模越大，农民工城市转换率越高；家庭中老人及儿童的数量越多对农民工城市转换具有显著抑制作用；劳动力数量变量显著为正，说明农村居民存在较多的剩余劳动力。家庭中土地拥有量越多越不利于农民工城市转换。合同变量显著为正，说明劳动力市场的规范性有益于农民工跨区工作转换。较高的外出务工收入对农民工城市转换具有显著促进作用。医疗保险异地费用结算方便度越高，越有利于农民工城市转换；医疗保险异地费用报销便捷度对农民工城市转换同样具有显著促进作用。

4 结论与建议

本文使用全国农民工主要输出地安徽省阜阳市的实地调查数据，采用工具变量法IVTobit模型检验了医疗保险对农民工城市转换数量的影响。研究发现，区域分割的医疗保险阻碍了农民工的城市转换，减少其工作转换数量。家庭规模越大、劳动力数量越多，其城市转换数量越多；家庭中老人及儿童数量愈多，对农民工外出务工及城市转换频次愈具有显著阻碍作用。医疗费用异地结算及报销的便捷度越高越有利于农民工城市转换，有利于农村劳动力流动。农民工外出务农收入水平越高，越有利于增强其城市流动性。

为切实保障农民工医疗保险需求，实现医疗保险制度的可持续发展，促进全国统一劳动力市场的建设，本文建议采取以下措施。第一，提高医疗保险统筹层次。现行的医疗保险以县级统筹为主，频繁转换工作的农民工往往面临频繁医疗保险转接问题。提高医保统筹层次，将“异地”变为“同地”，减少因统筹单位过多导致的频繁转接问题，是解决医疗保险对农民工流动阻碍的前提。第二，建立中央或省级转移接续调剂金。建立用于平衡地方政府统筹基金收支平衡的调剂金，并对医疗保险转接涉及的基金或资金进行定期清算及划转，以避免因转移接续导致的地方政府利益不平衡的问题，减少各地方政府在医疗保险转接过程中的利益摩擦。第三，建立统一的医疗保险信息化网络。在区域间及各医疗保险制度间建立统一的信息化网络系统或数据转接口，统一医疗保险经办机构、工作流程，逐渐实现异地“一卡通”结算，进而提高农民工在内流动人员异地费用缴纳、费用结算及报销的便捷度，为建立统一的医疗保障体系奠定制度基础。

[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,钟小草.医疗保险制度、行政效率与农民工消费的相关性研究[J].统计与决策,2013，(9).

[3]赵乐东,焦青霞.劳动力省内、省际流动与经济发展的相关性分析[J].统计与决策,2014,(14).

[4]秦雪征,刘国恩.医疗保险对劳动力市场影响研究评述[J].经济学动态,2011,(12).

[5]秦雪征,郑直.新农合对农村劳动力迁移的影响-基于全国性面板数据的分析[J].中国农村经济,2011,(10).

[6]钱文荣,卢海阳.就业状况、社会保障与农民工城市间再流动意愿[J].南方人口,2013,(2).

[7]张改清.农民工返乡创业:意愿、行为与效应的代际差异比较[J].统计与决策,2011,(18).