大数据背景下基本医疗保险公平性评价

李胜会 张子璇 徐贝尔

摘要：近年来基本医疗保险参保率不断升高，全民医保目标已基本实现，相关的研究焦点也逐渐从机会公平转向结果公平。利用boosting算法对医疗保险中的记账费用划分等级，同时运用基尼系数、广义熵指数、阿特金森指数，从水平公平与垂直公平两个方面对城镇职工基本医疗保险及城镇居民基本医疗保险进行了评价。结果发现：总体公平性方面，职工医保各费用级别的实际补偿比差距较大;居民医保各费用级别的实际补偿比差距较小，但总体补偿水平远低于职工医保。在水平公平性方面，职工医保与居民医保各费用级别的记账费用分布均处于公平状态，水平公平性较好;而垂直公平性方面，与居民医保相比，职工医保记账费用分布能够更好地体现垂直公平性。

关键词：boosting算法;提升树模型;医疗保险;公平;记账费用

中图分类号： F842.6，R197文献标志码：A文章编号：1009-055X（2019）02-0046-12

doi：10.19366/j.cnki.1009-055X.2019.02.005

一、引言

党的十九大报告指出，人民对社会公平、正义等方面的要求日益增长，而发展不平衡不充分是主要的制约因素。社会公平的含义是政府通过各种制度安排提供机会公平，并基于一定的价值观，通过转移支付等再分配制度达成某种程度的平等进而追求结果的社会公平[1]，而追求社会公平更是社会保障的天然属性。

医疗保险作为社会保障的基本组成部分，其公平性问题也备受关注。基本医疗保险通过将有限的医疗卫生资源分配给最需要的人群满足其医疗卫生需求，从而实现医疗卫生资源公平分配。因此，基本医疗保险是提高医疗卫生领域公平性的重要手段。1998年，我国建立了城镇职工基本医疗保险制度。2003年，覆盖农村户籍人口的新型农村合作医疗保险制度逐步建立。2007年，城镇居民基本医疗保险制度的建立标志着我国基本医疗保险体系已基本形成。2009年，我国提出“全民医保”方案，即建立覆盖全民的医疗保障网。由此，我国基本医疗保险体系开始从制度全覆盖走向人员全覆盖。2016年，职工医保及居民医保参保人数达到7.48亿人，新农合参保人数约为2.75亿人①。截至2017年底，我国基本医疗保险参保人数已超过13.5亿，参保率连续几年保持在95%以上。至此，“全民医保”即基本医疗保险机会公平已基本实现。

然而，机会公平并不一定意味着结果公平。在医疗卫生领域，结果公平是指基本医疗保险的受益公平性，即参保群体从医疗保险中受益的多少是由自身医疗服务需要所决定的，而不受职业、收入、教育程度等其他因素的影响[2]。关于基本医疗保险受益公平性问题，不同学者得出的结论有所不同，部分学者研究认为不同基本医疗保险制度之间存在受益不公现象。如姚奕利用2010年CFPS基线调查数据，分析了职工医保、居民医保及新农合参保群体的住院服务及费用补偿情况，结果发现新农合参保群体的住院费用补偿水平低于职工医保及居民医保参保群体[3]。另有部分学者研究了相同医疗保险制度中不同群体的受益公平性，所得结论不尽相同。如田庆丰等认为，新农合制度中不同收入水平的参保农民存在受益不公平现象，贫困农民从中受益更少[4]。而卢洪友等运用边际受益归宿分析，测度了20个省不同地市（州）的新农合边际受益率，结果表明新农合受益越来越倾向于贫困地区，受益公平性不断提高[5]。基于此，本文提出以下问题：机会公平是否意味着结果公平？不同医疗保险制度之间是否存在受益不公？同一医疗保险制度中，相同医疗服务需求的患者群体受益是否相同？而不同医疗服务需求的患者群体受益是否不同，即医疗服务需求较高的患者群体能否获得更多补偿并享有更多高质量的医疗服务？

二、理论与文献综述

关于医疗卫生公平性问题，西方理论学派经历了由强调机会公平到结果公平的过程。自由主义认为，公平是指机会平等，在自由市场竞争中，每个人都应该享有公平的参与机会[6]，保证个人基本权利不受侵犯被视作最重要的原则，他们强调的是保证权利的公平，而非分配结果的公平[7]。诺奇克认为医疗保健分配应该由市场决定，并反对国家再分配政策。自由主义保证的是人们享有平等的权利，而不是平等的实质权利。例如，每个人都享有基本医疗保健的权利，但高收入者才能充分利用医疗服务，从而享有实质的权利。因此，自由主义理论的机会公平是消极的机会公平。以罗尔斯为代表的平等主义理论认为，疾病残疾不应由个人负责，而应由社会予以纠正，从而保证机会公平[8]，罗尔斯所主张的公平是积极的机会公平。罗尔斯提出了公平正义的两条原则：一是机会平等原则，公正的社会应该保证所有人享有平等的权利和自由;二是差别原则，如果不得不存在差别，那么这些差别应该有利于境遇最差的社会成员。罗尔斯所强调的机会公平不仅包括教育、工作，还包括健康即每个人平等享有健康的权利。丹尼尔斯将罗尔斯的机会公平理论延伸到医疗卫生领域，提出了医疗保健公正理论，他认为实现机会公平的前提是拥有正常物种功能，而医疗保健正是保证人们实现正常物种功能的手段。因此，政府应通过建立医疗保健制度保证医疗资源在一定限度内公平分配。从自由主义的消极机会公平到罗尔斯的积极机会公平再到丹尼尔斯的医疗保健资源分配公平，医疗卫生公平性问题的焦点逐步從机会公平转向结果公平。

全民医保使人们享有参保的机会公平，但是不同制度之间、不同群体之间仍然存在结果不公即受益不公的事实。目前，多数学者分析了相同医疗保险制度内不同群体的受益公平性，主要分为以下几类：第一，医疗保险制度的受益状况存在哈特反比保健定律，即高收入者受益高于低收入者，存在穷人补贴富人的现象。刘文莉等运用多元线性回归分析了新农合住院补偿的公平性，结果发现高收入参保者所获补偿更多[9]。马千慧等对北京市三个区县的新农合大病保险补偿进行研究，认为新农合大病保险未能起到收入再分配的作用，医保补偿基金向高收入阶层倾斜[10]。汪宏等利用贵州省开阳县冯三镇的家庭入户调查资料，发现高收入参保者所获净收益更大[11]。第二，医疗保险制度提高了受益公平性，贫困居民从中受益更多。谭晓婷等运用heckman两步法对新农合不同补偿模式进行分析，结果发现新农合对患病、贫困群体农民补偿更多[12]。王翌秋利用四部模型对江苏省无锡市760户农村家庭进行研究，结果表明健康状况较差的贫困群体所获费用补偿更多[13]。第三，不同经济水平人群之间医保受益较为公平。高建民等分析了陕西省新农合参合农民住院服务及补偿的公平性情况，结果表明不同经济水平的参合农民受益程度的差距较小[14]。冯家伟等探讨了广州市基本医疗保险的受益公平性，发现不同收入人群的医疗服务较为公平[15]。

综上所述，多数研究以收入因素为关键变量研究医疗保险受益公平性，分析收入高低是否影响受益水平。但是，在收入高低所导致的医保受益水平差异中，部分可能是由医疗服务需求差异引起的[16]。住院记账费用是对参保群体医疗费用的补偿，能够在一定程度上反映参保者医疗服务的需要与利用。因此，本文运用boosting算法划分记账费用等级，将相同费用等级的患者群体归为同一医疗服务需求水平，从垂直公平性与水平公平性两个方面进行评价。此外，以往研究多集中于新农合，而本文将利用大数据分析城镇职工医保与城镇居民医保两种不同类型参保群体的受益公平性。

三、研究方法与数据

（一）boosting算法模型

Schapire首次提出了boosting 算法，并证明了一组弱学习器可以“提升”为强学习器[17]。boosting 算法是通过构造一个预测函数系列，然后以一定的方式将它們组合成一个预测函数， 从而把弱学习算法提升为强学习算法，然后进一步不断地调用这个基算法就可以获得一个拟合和预测误差都相当好的组合预测模型[18]。boosting算法以加法模型为基础，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）为基函数; γm为基函数的参数; βm为基函数的系数。

在给定训练数据及损失函数的条件下，学习加法模型f（x）成为经验风险极小化问题：

minβm，γm∑Ni=1L（yi，∑Mm=1βmb（xi;γm））

通常，这是一个复杂的优化问题，而前向分步算法可以顺次求解该优化问题[19] 300-312。前向分步算法的原理如下：从前向后，每一步只学习一个基函数及其系数，逐步逼近优化目标函数式，以此简化优化问题的复杂度。每步只需优化如下损失函数：minβ，γ∑Ni=1L（yi， βb（xi; γ））。

给定训练集T={（x1， y1）， （x2， y2）， …， （xN， yN）}，xi∈XRn，yi∈Y={-1， +1};损失函数L（y， f（x））和基函数的集合{b（x;γ）}，学习加法模型f（x）的前向分步算法如下：

（1）输入：训练数据集T={（x1， y1）， （x2， y2）， …， （xN， yN）}。

（2）初始化f0（x）=0。

（3）对m=1， 2， …， M，执行如下步骤：

①极小化损失函数

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

得到参数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）输出：加法模型f（x）。

与传统的统计方法相比，机器学习算法能够更好地解决分类问题，尤其是数据量大且为非正态分布的情况下。例如DRGs正是以机器学习算法中的决策树为基础建立的，它是根据病人的疾病种类、住院天数、治疗手段等预测医疗费用，从而决定费用补偿金额的一种医疗保险支付方式[20]。而boosting算法可以应用于任何基础算法包括决策树，并且能够通过提升决策树算法进一步提高学习准确度。此外，基于决策树思维的boosting算法有以下优点：一是不容易出现过拟合，能够弥补决策树容易出现过拟合的缺陷;二是boosting算法参数较少;三是boosting算法的学习效果有逼近贝叶斯最优的性能[21]。因此，本文拟运用boosting算法以决策树为基函数建立提升树模型（boosting tree）。

（二）数据来源与模型的适宜性

本文数据来源于广州市城镇职工基本医疗保险及城镇居民基本医疗保险住院费用结算目录，职工医保共153 664条记录，居民医保共155 262条记录。数据包括以下变量：性别、年龄、医院级别、参保类型、住院天数、材料费、药品费、检查费、治疗费、其他费用和记账费用等。记账费用是指参保者通过参加基本医疗保险获得的医疗费用补偿金额。参保者总医疗费用由材料费、药品费、检查费、治疗费及其他费用构成。记账费用水平的高低能够在一定程度上代表医疗服务需求的高低，因此本文从住院记账费用入手将相同记账费用等级的患者归为同一医疗服务需求水平。当前多数研究运用等距分组法划分费用等级，而在数据体量较大且呈偏态分布时，等距分组法难以合理划分费用等级。根据对数据的初步描述统计，发现职工医保住院记账费用呈偏态分布，记账费用最大值为497 686.4元，高于46 000元的记录约为4 000条（见图1），仅占总体的2%左右。居民医保住院记账费用同样呈偏态分布，记账费用分布集中于较低费用的患者群体，记账费用区间为3 000元至5 000元的记录约为65 000条（见图2），占总体的43%左右。显然，采取等距分组法划分费用等级并不合理。因此，本文拟运用以决策树为基函数的boosting算法，通过病人一系列特征（如药品费、材料费、检查费）预测不同患者群体的记账费用从而划分记账费用等级。

（三）公平性评价指标

从水平公平与垂直公平两个维度来分析基本医疗保险的公平性。水平公平性是指相同医疗服务需求的患者能够得到相同水平的医疗费用补偿;垂直公平性是指不同医疗服务需求的患者能够得到不同水平的医疗费用补偿及不同质量的医疗服务。公平性评价指标主要分为两大类：一是绝对指标包括方差和收入差，二是相对指标包括基尼系数、广义熵指数以及阿特金森指数。绝对指标会受到量纲的影响因而适用范围受到很大限制，相对指标则可以避免这些弊端[22]。在已有医疗保险公平性研究中，基尼系数的应用最为广泛，但是基尼系数存在对低收入观测值不敏感的缺陷[23]，而广义熵指数对此较为敏感，二者形成互补。任何一个常用的社会福利函数都有与之相对应的公平性评价指标，而每一个公平性评价指标都暗含一个厌恶不平等的参数，这也是运用不同指数所得结论不同的原因，因而万广华指出在测量不公平程度时应多个指标同时使用[24]。由此，本文综合运用基尼系数、广义熵指数以及阿特金森指数对基本医疗保险公平性进行更加全面的评价。

1.基尼系数

基尼系数可以用于测量收入、消费以及其他多种事物的不平等程度，被广泛应用于医疗卫生资源领域[25]。基尼系数的取值范围为[0，1]，数值越大表明差距越大。根据联合国有关组织的规定，基尼系数在0.3之下为公平状态;位于0.3～0.4之间表示差距合理;0.4～0.5之间表示差距过大;超过0.5则表示差距悬殊。基尼系数有多种计算方法，本文采用非等距分组的基尼系数，计算公式如下：

Gini=∑ni=1XiYi+2Xi∑ni=1（1-Vi）-1

2.广义熵指数

广义熵指数是由Theil提出并发展的，是通过测量收入集中度以研究收入差距问题的一种指数。它来源于信息理论中熵的概念，是变异系数、阿尔特金森指数及泰尔指数的特例。与其他测量不平等程度的指标相比，广义熵指数的最大优点是既能测量总体差距，也可以测量各组成部分的差距。广义熵指数取值范围为[0，1]，數值越大表明不均衡程度越大;反之则越小[26，27]。广义熵指数的表达式为

GE=1a（1-a）∑jfj1-（Zjμ）a

3.阿特金森指数

英国经济学家阿特金森以社会福利函数为基础将收入分配与社会福利相联系，提出了阿特金森指数。阿特金森指数是通过人们对收入不平衡的主观感受来反映社会福利，因而是一种以规范法来测量不平等程度的指标[28]。阿特金森指数的取值范围为[0，1]，其数值越大，则不平等程度越高。阿特金森指数的表达式为

Atkinson=1-∏jZjμfj

四、实证分析

（一）总体公平

运用boosting算法划分记账费用等级，分别建立城镇职工与城镇居民的住院记账费用提升树模型，如图3与图4所示。上述所有变量均纳入模型，将材料费、药品费、检查费、治疗费、其他费用、医院级别、参保类型、住院天数、性别、年龄设为输入变量，将记账费用设为输出变量。基于以上模型，可得到最密集的六类群体即A-F组，如表1与表2所示。

从职工医保来看，住院记账费用的主要影响因素变量分别为药品费、材料费与检查费。由图3可知，记账费用最重要的分类节点变量是药品费，这也与实际情况相一致，即药品费是总医疗费用中所占比例最大的项目。在153 664条职工医保住院记账费用结算记录中，药品费用（7.63亿元）占总医疗费用（19.15亿元）的39.84%左右。因此，职工医保住院记账费用提升树模型首先以药品费是否小于32 000元作为最重要的分类标准，将住院记账费用分成两类。在药品费小于32 000元的群体中，材料费是最重要的分类变量;而在药品费大于32 000元的群体中，检查费是最重要的分类变量。以此类推，按照节点变量不断分类，最终得到较为密集的几类群体即终结点。

如表1所示，职工医保住院记账费用预测值的最大值与最小值分别为72 184元和4 121元，表明职工医保住院费用的减免范围较大。同时，随着记账费用预测值的升高，各组群体所占比例不断降低，从数据可以看出群体A（记账费用预测值为4 121元）与群体B（记账费用预测值为8 546元）所占比例分别为55.86%和26.36%，这表明职工医保统筹基金支付集中于记账费用等级较低的患者群体。

从居民医保来看，住院记账费用的主要影响因素变量为药品费与材料费（见图4）。首先，居民医保住院记账费用以药品费是否小于21 000元将其分为相对最同质化的两层。由于居民医保总住院记账费用（7.87亿元）远低于职工医保的总住院记账费用（14.7亿元），因而居民医保住院记账费用根节点分类标准的大小也相应低于职工医保。在药品费小于21 000元的群体中，又以材料费作为分类标准将其划分为两类群体;而在药品费大于21 000元的群体中，药品费仍然是主要的影响因素变量，这可能是由于居民医保住院记账费用报销主要集中于药品费用而其他项目的费用差距较小。最后，以治疗费、材料费作为分类节点变量得到较为密集的几类群体即终结点。

居民医保住院记账费用预测值如表2所示。与职工医保相比，居民医保住院记账费用预测值的范围较小，表明居民医保统筹基金的减免能力有限。这也与实际情况相一致，职工医保住院记账费用在3万元以上的病人群体约为5%，而居民医保住院记账费用在3万元以上的仅为1%左右。同时，随着记账费用预测值的升高，各群体所占比例呈现“先减少后增加再减少”的趋势，这表明居民医保住院记账费用也集中于记账费用等级较低的患者群体。如表2所示，记账费用预测值为2 869元的群体A所占比例达到77.50%。综上所述，职工医保与居民医保住院记账费用较低的群体所占比例较高，但职工医保住院费用补偿范围更广。

基于记账费用的预测值，本文分别对职工医保与居民医保的住院费用结算记录进行重新分组，得到不同费用级别的各组群体（共六级）。在153 664条职工住院结算费用项目记录中，将记账费用为4 121元以下的患者群体划分为一级费用级别，以此类推得到六组费用级别相对总体来讲，记账费用高于72 184元的群体极少，因此将其划为六级费用级别。 。同理，在155 262条居民住院结算费用项目记录中，将记账费用为2 869元以下的患者群体划分为一级费用级别，以此类推同样得到六组费用级别相对总体来讲，记账费用高于25 403元的群体极少，因此将其划为六级费用级别。 。同时，本文将一级与二级、三级与四级、五级与六级分别划为低等、中等、高等费用级别。表3与表4分别计算了职工医保与居民医保各费用等级的人数占比、医疗费用占比、记账费用占比与实际补偿比。

从职工医保来看，实际补偿比随费用级别的升高而升高并且各费用级别差距较大，尤其是一级费用级别的实际补偿比较低（见表3）。随着费用级别的升高，各费用级别人数占比不断降低， 低、中、高等费用级别群体所占比例分别为68.75%、26.78%、4.47%。同时，随着费用级别的升高，各费用级别的总医疗费用占比与记账费用占比均呈现先增加后减少的趋势。而中低等费用级别群体的记账费用占比基本低于其总医疗费用占比，高等费用级别则相反，这表明高等费用级别患者群体的实际报销补偿较多。并且低等费用级别与高等费用级别的实际补偿比差距较大，一级费用级别实际补偿比低于六级费用级别22.72%左右。因此，低等费用级别的实际补偿比亟待提高，尤其是一级费用级别。

从居民医保来看，各费用级别实际补偿比的差距较小，但实际补偿比的总体水平偏低（见表4）。低等费用级别群体所占比例为84.99%，也就是说接近85%的居民医保群体记账费用低于7 209元，这表明居民医保的低等费用级别患者较多。由表4可以看出，居民医保总医疗费用与记账费用均为二级费用级别最高，六级费用级别次之，这说明居民医保住院记账费用集中于高等与低等费用级别群体。此外，各费用等级的实际补偿比差距较小：一级费用级别的实际补偿比最低，二级费用级别最高，但两类群体实际补偿比的差距不超过5%。然而与职工医保相比，居民医保的补偿水平较低，居民医保住院费用的总体实际补偿比仅为55.03%，远低于职工医保的总体实际补偿比（76.75%）。因此，居民医保住院费用的实际补偿比有待提高。

（二）水平公平与垂直公平

就医疗保险受益方面而言，水平公平性是指相同医疗服务需求的患者受益水平应该相同，即记账费用分布应处于公平状态。从住院记账费用的角度出发，运用boosting算法划分记账费用等级，将相同费用等级的患者群体视为处于相同医疗服务需求水平，费用等级越高医疗服务需求的水平也就越高。住院记账费用是由基本医疗保险统筹基金支付的，是对参保群体医疗费用的补偿，因此能够在一定程度上代表参保群体的受益水平。本文综合运用基尼系数、广义熵指数和阿特金森指数等公平性评价指标，分析相同费用等级，即相同医疗服务需求水平患者群体的记账费用分布是否公平以测度水平公平性。表5与表6分别计算了职工医保与居民医保各费用级别群体住院记账费用的基尼系数、广义熵指数和阿特金森指数。

从职工医保来看，随着费用等级的升高，基尼系数、广义熵指数和阿特金森指数均呈现“先减少后增加”的“V”形趋势，如表5所示，这表明中等费用级别群体的记账费用分布最为公平。其中，三级费用级别的公平性指标数值最低，即公平性最高。此外，低等费用级别群体的记账费用分布公平性低于高等费用级别群体。总体来讲，各费用级别的公平性评价指标均处于合理范围内，因此职工医保各费用级别群体的住院记账费用分布处于公平状态。

从居民医保来看，随着费用等级的升高，基尼系数、广义熵指数和阿特金森指数数值变化呈现“W”形趋势。由表6可知，各项公平性指标数值连续两次先减少后增加，三级费用级别的数值最低，五级费用级别次之，这表明三级费用级别记账费用分布的公平性最高，五级费用级别次之。与职工医保相同，居民医保一级费用级别的公平性低于六级费用级别。总体来讲，各公平性指标数值均处于较低水平，因此居民医保各费用级别群体的住院记账费用分布同样处于公平状态。综上所述，两类基本医疗保险制度中，相同医疗服务需求的患者受益均较为公平即水平公平性较好。

就医疗保险受益方面而言，垂直公平性是指医疗服务需求水平不同的患者受益水平应该不同，医疗服务需求较高的患者应该得到更多高质量的医疗服务并且得到的补偿也应该越多。医院等级是依据医院功能、设施、技术力量等对医院资质评定形成的，医院等级越高所提供的医疗服务质量也随之提高。因此，随着费用等级的升高，医疗服务需求较高的患者群體在较高级别医院的记账费用比例也应该越高。表7与表8分别计算了职工医保与居民医保中不同医院级别、不同费用级别患者群体的住院记账费用占比。

与居民医保相比，职工医保住院记账费用的垂直公平性较好。从表7可以看出，随着医院级别的升高，职工医保低等费用级别群体的记账费用占比不断下降，而中高等费用级别患者群体记账费用占比逐渐增加。低等费用级别群体记账费用占比从70.9%逐渐下降至24.17%;中等费用级别群体则由26.79%逐渐上升至42.83%;高等费用级别群体也由2.31%相应增加到33%。这说明医疗服务需求较高的患者能够得到质量较高的医疗服务，从而体现了垂直公平性。但在三级医院中，高等费用级别群体记账费用占比（33%）仍然低于中等费用级别群体（42.83%），因此高等费用级别群体在三级医院的记账费用占比有待进一步提高。随着医院级别的升高，居民医保低等费用级别群体记账费用占比逐渐减少，高等费用级别群体所占比例不断增加，而中等费用级别群体增长幅度较小。由表8计算出低等费用级别群体（一级费用级别群体与二级费用级别群体之和）在各级医院所占比例均为最高，分别为76.19%、65.43%、44.05%;而中等费用级别群体（三级费用级别群体与四级费用级别群体之和）所占比例均较低，分别为19.04%、17.28%、22.02%。尤其是在三级医院记账费用占比中，高等费用级别群体（五级费用级别群体与六级费用级别群体之和）低于低等费用级别群体10.13%。以上分析充分说明，居民医保记账费用分布未能较好地体现垂直公平性。

五、结论

基于153 664条职工医保以及155 262条居民医保的普通住院结算项目费用记录，本文从水平公平与垂直公平两个方面对城镇职工基本医疗保险以及城镇居民基本医疗保险进行评价。研究方法上，采用以决策树为基函数的boosting算法合理地划分了费用等级，同时运用基尼系数、广义熵指数、阿特金森指数等指标更加综合全面地评价两类基本医疗保险制度的公平性。结果发现，不同医保制度覆盖人群之间存在受益不公平现象即结果不公平，职工医保的实际补偿比远高于居民医保。同时，对同一医疗保险制度参保群体的水平公平性及垂直公平性进行分析。从水平公平性来看，职工医保与居民医保的水平公平性均较好;从垂直公平性来看，职工医保的垂直公平性优于居民医保。

总体公平性方面，职工医保各费用级别的实际补偿比差距较大，但总体补偿水平较高;居民医保各费用级别的实际补偿比差距较小，但总体补偿水平较低。职工医保实际补偿比差距较大，六级费用级别实际补偿比高出一级费用级别22.72%。但总体补偿水平较高，除一级费用级别外各费用级别的实际补偿比均超过75%。与职工医保相比，居民医保的实际补偿比水平偏低，居民医保总体实际补偿比低于职工医保21.72%左右，这可能是由于居民医保筹资水平较低。两类基本医疗保险制度之间的补偿差距较大不利于社会公平，进一步发展将可能影响社会和谐造成社会问题。因此，应适当提高居民医保的补偿水平。

水平公平性方面，职工医保与居民医保各费用级别的记账费用分布均较为公平，即水平公平性较好。随着费用等级的升高，职工医保的基尼系数、广义熵指数、阿特金森指数等评价指标数值变化呈现“V”形趋势，而居民医保呈现“W”形趋势。总体来讲，各项公平性指标均在合理范围内，表明职工医保与居民医保各费用级别群体的记账费用分布均处于公平状态。

垂直公平性方面，与居民医保相比，职工医保的记账费用分布能够更好地体现垂直公平性。随着医院级别的升高，职工医保低等费用级别群体记账费用占比逐渐下降，而中高等费用级别群体记账费用占比逐渐上升。因此，职工医保医疗费用补偿能够较好地体现垂直公平性。而居民医保低等费用级别群体在各级别医院的记账费用占比均为最高，未能较好地体现垂直公平性。

参考文献：

[1]李珍. 新时代：中国社会保障发展的新蓝图[J].社会保障研究，2017 （6）： 3-10.

[2]周钦，田森，潘杰. 均等下的不公——城镇居民基本医疗保险受益公平性的理论与实证研究[J].经济研究，2016，51 （6）： 172-185.

[3]姚奕，陈仪，陈聿良. 我国基本医疗保险住院服务受益公平性研究[J].中国卫生政策研究，2017，10 （3）： 40-46.

[4]田庆丰，李小芳，李中琳. 新型农村合作医疗的受益公平性研究[J].医学与哲学（人文社会医学版），2006 （8）： 8-9，16.

[5]卢洪友，刘丹. 贫困地区农民真的从“新农合”中受益了吗[J].中国人口·资源与环境，2016，26 （2）： 68-75.

[6]李松龄，栾晓平. 公平与效率的理论综述[J].山东社会科学，2003 （4）： 27-32.

[7]黄秀华. 流行公平观及其当代价值分析[J].新疆社科论坛，2008 （1）： 49-52.

[8]张艳梅. 醫疗保健公正研究[D].长春 ： 吉林大学哲学社会学院，2007.

[9]刘文莉，徐凌忠，李佳佳，等. 新型农村合作医疗保险住院补偿受益公平性分析[J].中国卫生事业管理，2017，34 （2）： 117-119.

[10]马千慧，高广颖，马骋宇，等. 新型农村合作医疗大病保险受益公平性分析： 基于北京市三个区县的数据分析[J].中国卫生经济，2015，34 （10）： 54-57.

[11]汪宏，WINNIE YIP，张里程，等. 中国农村合作医疗的受益公平性[J].中国卫生经济，2005 （2）： 16-19.

[12]谭晓婷，钟甫宁. 新型农村合作医疗不同补偿模式的收入分配效应——基于江苏、安徽两省30县1500个农户的实证分析[J].中国农村经济，2010 （3）： 87-96.

[13]王翌秋. 新型农村合作医疗制度的公平与受益： 对760户农民家庭调查[J].改革，2011 （3）： 73-81.

[14]高建民，陈蕊，张先娇，等.陕西省新型农村合作医疗参合农民住院受益公平性分析[J].中国卫生政策研究，2011，4 （4）： 55-59.

[15]冯家伟，匡莉. 某市城镇职工基本医疗保险在职参保人受益公平性分析[J].实用预防医学，2012，19 （7）： 1109-1111.

[16]周忠良，高建民，张军胜.我国基本医疗保障制度受益公平性分析[J].中国卫生经济，2013，32（7）： 21-23.

[17]SCHSPIRE R E. The strength of weak learnability[J]. Machine Learning，1990，5 （2）： 197-227.

[18]陈凯，朱钰. 机器学习及其相关算法综述[J].统计与信息论坛，2007 （5）： 105-112.

[19]孙亮，黄倩. 实用机器学习[M].北京： 人民邮电出版社，2017.

[20]莫春梅，倪宗瓒，高凤琼. 回归树的建模与应用[J].中华预防医学杂志，2002 （5）： 59-60.

[21]张文生，于廷照. Boosting算法理论与应用研究[J].中国科学技术大学学报，2016，46 （3）： 222-230.

[22]马晓丽. 收入分配差距衡量方法综述[J].时代金融，2009 （5）： 46-48.

[23]王翌秋. 谁从新型农村合作医疗制度中受益——兼论健康和医疗服务利用的公平性[J].农村经济，2012 （2）： 84-88.

[24]万广华. 不平等的度量与分解[J].经济学，2009，8 （1）：347-368.

[25]张芮，赵丽，杨洪焦. 区域经济差异测量方法述评[J].统计与决策，2008 （4）： 50-53.

[26]蓝相洁. 公共卫生财政支出收敛性广义熵指数测度研究——以广西为例[J].经济经纬，2015，32 （1）： 156-160.

[27]胡晶晶，曾国安. 中国城市、农村与城乡居民收入差距对居民总体收入差距的影响分析——以广义熵指数进行的测度[J].消费经济，2011，27 （1）： 19-22，14.

[28]谢洪芳，赖淑銮. 收入分配不均度量方法讨探[J].统计与决策，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