李 杰 蘭巧玲 馬士豪

河北工業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院 天津 300401

我國(guó)基本醫(yī)療保險(xiǎn)主要包括城鎮(zhèn)職工基本醫(yī)療保險(xiǎn)、城鎮(zhèn)居民基本醫(yī)療保險(xiǎn)以及新型農(nóng)村合作醫(yī)療，并分別對(duì)應(yīng)城鎮(zhèn)職工、城鎮(zhèn)非就業(yè)居民和農(nóng)村居民。[1]醫(yī)療保險(xiǎn)基金是醫(yī)療保險(xiǎn)運(yùn)行的物質(zhì)基礎(chǔ)，然而近年來(lái)以各種欺詐騙保手段套取國(guó)家醫(yī)?；鸬陌咐龑映霾桓F。根據(jù)我國(guó)主要城市的報(bào)告，醫(yī)療保險(xiǎn)欺詐所造成的損失約占國(guó)內(nèi)醫(yī)療費(fèi)用的7%～8%，高于發(fā)達(dá)國(guó)家的平均水平。[2]醫(yī)療保險(xiǎn)欺詐是指?jìng)€(gè)人或組織故意欺騙或歪曲事實(shí)以使本人或組織獲得不法醫(yī)療保險(xiǎn)資金的行為。[3]這種行為不僅對(duì)醫(yī)療保險(xiǎn)基金安全構(gòu)成了巨大威脅，還嚴(yán)重侵害了誠(chéng)實(shí)投保人的合法權(quán)益，導(dǎo)致出現(xiàn)制度內(nèi)的不公平，阻礙了我國(guó)社會(huì)醫(yī)療保險(xiǎn)制度的有效運(yùn)行。2016年，人社部明確指出“要適應(yīng)信息化發(fā)展，大力挖掘和利用醫(yī)保大數(shù)據(jù)，全面推廣醫(yī)保智能監(jiān)控，強(qiáng)化醫(yī)保經(jīng)辦機(jī)構(gòu)能力建設(shè)，提升醫(yī)保管理服務(wù)水平”，并相繼印發(fā)關(guān)于社會(huì)保險(xiǎn)欺詐犯罪管理辦法的通知。[4]可見(jiàn)，醫(yī)療保險(xiǎn)欺詐風(fēng)險(xiǎn)的智能監(jiān)控已成為社會(huì)醫(yī)療保險(xiǎn)的重要課題之一，它也是制定醫(yī)療保險(xiǎn)反欺詐政策的重要依據(jù)。

國(guó)內(nèi)外學(xué)者分別從不同視角展開(kāi)對(duì)醫(yī)保欺詐問(wèn)題的研究，積累了大量頗具影響的理論成果。就國(guó)外研究而言，研究主體涉及醫(yī)療保險(xiǎn)投保人、醫(yī)療服務(wù)提供者以及醫(yī)療保險(xiǎn)承擔(dān)者[5]，其中以醫(yī)療服務(wù)提供者為主。研究方法多采用數(shù)據(jù)挖掘方法，大體上可分為三大類：有監(jiān)督方法、無(wú)監(jiān)督方法以及兩者結(jié)合的方法。[6]由于我國(guó)醫(yī)療保障制度建立較晚，尚在不斷發(fā)展與改善，因此對(duì)于醫(yī)療保險(xiǎn)欺詐的研究大部分聚焦于醫(yī)療保險(xiǎn)制度的完善以及欺詐的原因與防范措施等定性分析。在經(jīng)濟(jì)學(xué)方面，則主要集中于博弈論和信息不對(duì)稱理論視角的研究。[7- 8]而對(duì)于數(shù)據(jù)挖掘方法在醫(yī)療保險(xiǎn)欺詐識(shí)別方面的應(yīng)用研究尚處于起步階段。

從現(xiàn)階段研究成果來(lái)看，國(guó)際上相關(guān)研究為醫(yī)保欺詐風(fēng)險(xiǎn)的智能評(píng)估提供了寶貴的理論與實(shí)踐基礎(chǔ)。但由于國(guó)內(nèi)外醫(yī)保制度、經(jīng)濟(jì)水平以及文化價(jià)值觀等存在顯著差異，國(guó)外的研究結(jié)論可能不符合我國(guó)的實(shí)際情況，因此有必要構(gòu)建符合我國(guó)基本醫(yī)療保險(xiǎn)欺詐特征的風(fēng)險(xiǎn)評(píng)估模型。此外，國(guó)內(nèi)對(duì)于醫(yī)療保險(xiǎn)欺詐的評(píng)估目前多是基于小樣本的實(shí)證研究[9,10]，其研究結(jié)論具有一定的局限性，而對(duì)于大數(shù)據(jù)樣本的數(shù)據(jù)挖掘分析研究將具有更可靠、更普遍的意義。因此，本文旨在基于大規(guī)模現(xiàn)實(shí)數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘方法評(píng)估基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)，進(jìn)行欺詐預(yù)警，在此基礎(chǔ)上進(jìn)一步識(shí)別和量化欺詐行為人的潛在特征并構(gòu)造基本醫(yī)療保險(xiǎn)欺詐識(shí)別指標(biāo)體系，從而推動(dòng)醫(yī)?；鹬悄鼙O(jiān)管，減少醫(yī)療保險(xiǎn)欺詐行為，并為審核專家的后續(xù)處理與反欺詐措施的開(kāi)展提供有效決策支持。

1 基本醫(yī)療保險(xiǎn)欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)構(gòu)建

通過(guò)梳理國(guó)內(nèi)外醫(yī)療保險(xiǎn)欺詐的相關(guān)文獻(xiàn)，對(duì)醫(yī)療保險(xiǎn)欺詐風(fēng)險(xiǎn)評(píng)估的特征變量進(jìn)行歸類總結(jié)，其主要?jiǎng)澐譃獒t(yī)院信息、醫(yī)生信息、患者信息和商業(yè)保險(xiǎn)信息四個(gè)大類。然而，目前用于醫(yī)療保險(xiǎn)欺詐風(fēng)險(xiǎn)評(píng)估的常用特征指標(biāo)或多或少涉及到個(gè)人隱私問(wèn)題，并且多為顯性特征，沒(méi)有充分考慮病人就診歷史信息中所隱含的潛在行為模式。此外，醫(yī)保審核機(jī)構(gòu)若要通過(guò)醫(yī)療機(jī)構(gòu)和醫(yī)生的相關(guān)信息進(jìn)行參保人的欺詐風(fēng)險(xiǎn)評(píng)估，在數(shù)據(jù)獲取方面存在一定的困難，在數(shù)據(jù)整合處理方面也面臨較大挑戰(zhàn)。事實(shí)上，不論參保人員通過(guò)何種手段套取醫(yī)?；穑罱K都會(huì)在醫(yī)療就診費(fèi)用記錄上反映出來(lái)。因此，其申請(qǐng)報(bào)銷的診療記錄數(shù)據(jù)中必定會(huì)包含欺詐違規(guī)的相關(guān)信息。

鑒于此，本文在保障參保人隱私的前提下，主要基于其診療項(xiàng)目、診療費(fèi)用和診療頻率等大規(guī)模就診歷史記錄，參考以往研究的評(píng)估指標(biāo)，同時(shí)考慮現(xiàn)實(shí)中欺詐行為的表現(xiàn)形式，最終構(gòu)造出27個(gè)基于就診歷史信息記錄的基本醫(yī)療保險(xiǎn)參保人欺詐評(píng)估指標(biāo)?？傮w而言，可將其概括為兩類，包括診療記錄與保險(xiǎn)報(bào)銷指標(biāo)(表1)。

2 數(shù)據(jù)來(lái)源與預(yù)處理

2.1 數(shù)據(jù)來(lái)源

本研究所用數(shù)據(jù)來(lái)源于2017年天池大數(shù)據(jù)競(jìng)賽中的全國(guó)社會(huì)保險(xiǎn)大數(shù)據(jù)應(yīng)用創(chuàng)新大賽“精準(zhǔn)社保”賽題，該競(jìng)賽由中國(guó)社會(huì)保險(xiǎn)學(xué)會(huì)主辦，人社部信息中心、社保中心和醫(yī)療保險(xiǎn)司指導(dǎo)，阿里云聯(lián)合杭州數(shù)夢(mèng)工場(chǎng)科技有限公司具體承辦。數(shù)據(jù)樣本是從我國(guó)部分地區(qū)以往年度的醫(yī)療保險(xiǎn)就醫(yī)結(jié)算記錄中隨機(jī)抽取的脫敏數(shù)據(jù)，主要包括2016年6月30日—12月31日期間20 000名參保人員的1 831 381條醫(yī)療費(fèi)用記錄及其在不同醫(yī)保地址的6 533 889條消費(fèi)金額明細(xì)與消費(fèi)內(nèi)容。此外，還包括經(jīng)有關(guān)專家審核所得出的參保人員是否欺詐的數(shù)據(jù)標(biāo)簽(0-正常；1-欺詐)，當(dāng)中包含欺詐參保人1 000個(gè)，正常參保人19 000個(gè)。

表1 基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)構(gòu)建

2.2 數(shù)據(jù)預(yù)處理

上述數(shù)據(jù)包含大量詳細(xì)信息。其中，醫(yī)療費(fèi)用記錄表包含順序號(hào)、個(gè)人編碼、醫(yī)院編碼、藥品費(fèi)發(fā)生金額、藥品費(fèi)自費(fèi)金額、藥品費(fèi)申報(bào)金額、檢查費(fèi)發(fā)生金額、起付線標(biāo)準(zhǔn)金額、基本醫(yī)療保險(xiǎn)統(tǒng)籌基金支付金額、本次審批金額以及交易時(shí)間等共計(jì)69個(gè)特征變量。消費(fèi)金額明細(xì)與消費(fèi)內(nèi)容表則包含順序號(hào)、醫(yī)院編碼、服務(wù)項(xiàng)目、醫(yī)院服務(wù)項(xiàng)目名稱、單價(jià)、數(shù)量以及費(fèi)用發(fā)生時(shí)間等共計(jì)11個(gè)特征變量。

原數(shù)據(jù)以每條費(fèi)用記錄為一條數(shù)據(jù)的形式存儲(chǔ)，每人包含若干條記錄，因此無(wú)法直接用于模型訓(xùn)練，需通過(guò)剔除無(wú)效變量、缺失值填充以及數(shù)據(jù)整合等預(yù)處理，將每名參保人的記錄合并為一條數(shù)據(jù)，最終得到20 000名參保人的數(shù)據(jù)。隨后參考表1，構(gòu)造基于不同維度下診療費(fèi)用或項(xiàng)目數(shù)量的總和、均值及所占比例等統(tǒng)計(jì)量的特征變量。不難理解，這些特征變量分別表示這些評(píng)估指標(biāo)所隱含的參保人行為規(guī)律。例如，單次就診賬單數(shù)的均值代表參保人員每次就診所產(chǎn)生的賬單數(shù)量的平均水平。最終得到827個(gè)特征變量，加上標(biāo)簽變量，與20 000個(gè)訓(xùn)練集樣本構(gòu)成維度為20 000×828的樣本—特征矩陣。

3 模型建立

3.1 模型選擇

醫(yī)療保險(xiǎn)欺詐風(fēng)險(xiǎn)識(shí)別的實(shí)質(zhì)就是區(qū)分醫(yī)療費(fèi)用索賠賬單是合法的還是欺詐或?yàn)E用的，是數(shù)據(jù)挖掘中典型的分類問(wèn)題。決策樹(shù)算法因其具有可解釋性、分類速度快等優(yōu)點(diǎn)，而在該類問(wèn)題中被廣泛應(yīng)用。但其預(yù)測(cè)結(jié)果穩(wěn)定性較低且容易出現(xiàn)過(guò)擬合，即在訓(xùn)練數(shù)據(jù)集中擬合效果很好而在新的數(shù)據(jù)集中預(yù)測(cè)效果不佳。而這個(gè)問(wèn)題能夠通過(guò)集成多棵決策樹(shù)得以解決，即增強(qiáng)決策樹(shù)(Tree Boosting)。

增強(qiáng)決策樹(shù)算法中最常用的是Adaboost(Adaptive Boosting)、GBDT(Gradient Boosting Decision Tree)和XGBoost(eXtreme Gradient Boosting)。[11]其中，XGBoost算法，即極端梯度提升算法，是結(jié)合分類與回歸樹(shù)算法(Classification and Regression Tree, CART)提出的梯度提升算法的變體，是一種適用于大規(guī)模數(shù)據(jù)的分布式集成學(xué)習(xí)算法。[12]XGBoost因其運(yùn)算速度快、預(yù)測(cè)準(zhǔn)確以及不易過(guò)擬合等優(yōu)點(diǎn)而被廣泛應(yīng)用。學(xué)術(shù)界也逐步開(kāi)始嘗試應(yīng)用該算法解決分類與預(yù)測(cè)問(wèn)題，并取得了不錯(cuò)的效果。[11,13]因此，本文采用XGBoost構(gòu)造醫(yī)保欺詐風(fēng)險(xiǎn)評(píng)估的基模型。

3.2 XGBoost的基評(píng)估模型

定義包含n個(gè)基本醫(yī)療保險(xiǎn)參保人和m個(gè)特征屬性的數(shù)據(jù)集D={(Xi,yi)} (|>D|=n,Xi∈Rm,yi∈{0,1})，其中Xi表示參保人i的特征向量，yi表示參保人i是否欺詐(0-正常，1-欺詐)的分類標(biāo)簽。單棵CART能夠?yàn)槊恳粋€(gè)樣本訓(xùn)練出對(duì)應(yīng)的預(yù)測(cè)分?jǐn)?shù)f(Xi)，XGBoost則是集成多個(gè)CART的預(yù)測(cè)結(jié)果所得到的加法模型,如式(1)所示。

(1)

其中，F(xiàn)={f(x)=ωq(x)}(q:Rm→T,ω∈RT)表示CART的空間，q表示每棵樹(shù)的結(jié)構(gòu)，即將樣本映射到葉子節(jié)點(diǎn)的索引，T表示樹(shù)上的葉子數(shù)量，ω表示葉子節(jié)點(diǎn)的權(quán)重(分?jǐn)?shù))，每一棵fk對(duì)應(yīng)一個(gè)獨(dú)立的樹(shù)結(jié)構(gòu)q和葉子權(quán)重ω。對(duì)于一個(gè)給定的參保人樣本，通過(guò)運(yùn)用K棵CART的決策規(guī)則，將其映射到對(duì)應(yīng)的葉子節(jié)點(diǎn)，并將各個(gè)葉子節(jié)點(diǎn)的映射分?jǐn)?shù)相加則可得到該樣本最終的分類預(yù)測(cè)得分。

模型的目標(biāo)函數(shù)為：

(2)

由于該模型的參數(shù)中包含函數(shù)，即樹(shù)的結(jié)構(gòu)，而不是數(shù)值向量，無(wú)法采用傳統(tǒng)的歐幾里得空間求解方法。因此，采用迭代的方式進(jìn)行模型求解，從常數(shù)預(yù)測(cè)開(kāi)始，每輪迭代新增加一個(gè)函數(shù)到模型中，即：

(3)

(4)

(5)

移除上式中的常數(shù)項(xiàng)，即可得到第t次迭代的簡(jiǎn)化目標(biāo)函數(shù)：

(6)

(7)

定義Gj=∑i∈Ijgi,Hj=∑i∈Ijhi，則有：

(8)

(9)

上式可以作為衡量一棵樹(shù)分類效果好壞的標(biāo)準(zhǔn)，其值越小越好。對(duì)于包含大量特征變量的模型，列舉所有可能的樹(shù)結(jié)構(gòu)幾乎是不可能實(shí)現(xiàn)的。因此，對(duì)于樹(shù)結(jié)構(gòu)的求解采用貪婪算法，即從樹(shù)深度為0開(kāi)始，對(duì)于每一個(gè)葉子節(jié)點(diǎn)迭代地添加一個(gè)特征進(jìn)行分裂。然后計(jì)算分裂前后的葉子分?jǐn)?shù)以求得信息增益(Gain)，即添加該特征能夠使數(shù)據(jù)集D的分類不確定性減少的程度。信息增益的計(jì)算公式如下：

(10)

3.3 基于EasyEnsemble的醫(yī)保欺詐風(fēng)險(xiǎn)評(píng)估集成模型

在構(gòu)建分類模型時(shí)，需要為數(shù)據(jù)樣本劃分訓(xùn)練集和測(cè)試集。其中，訓(xùn)練集的數(shù)據(jù)用以擬合模型，挖掘其特征向量背后隱藏的規(guī)律。測(cè)試集則用來(lái)測(cè)試模型對(duì)新樣本的判別能力，即模型用于預(yù)測(cè)新的參保人員是否欺詐的風(fēng)險(xiǎn)評(píng)估效能。原始數(shù)據(jù)中包含20 000名參保人員，其中欺詐人員1 000名，正常人員19 000名。由此可見(jiàn)，這是一個(gè)數(shù)據(jù)類別嚴(yán)重不平衡的分類問(wèn)題。為保留數(shù)據(jù)分布特征，在劃分訓(xùn)練集與測(cè)試集時(shí)應(yīng)保證大類樣本和小類樣本的比例不變。并且為了保證模型的泛化能力，訓(xùn)練集和測(cè)試集樣本應(yīng)該盡可能地互斥。因此，本文采用分層抽樣的方法，以7:3的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集。

兩類樣本的比例高達(dá)1:19，具有極度不平衡的特點(diǎn)，這也是現(xiàn)實(shí)數(shù)據(jù)的真實(shí)特征。而大多數(shù)分類學(xué)習(xí)算法的基本假設(shè)為不同類別訓(xùn)練樣本的數(shù)目相當(dāng)，若差別較大則會(huì)對(duì)學(xué)習(xí)過(guò)程造成干擾，從而影響模型的預(yù)測(cè)效能。因此，本文借鑒EasyEnsemble方法[14]，利用集成學(xué)習(xí)機(jī)制，將訓(xùn)練集中大類樣本通過(guò)欠抽樣劃分為若干子集，再分別與小類樣本組合構(gòu)成不同的訓(xùn)練集樣本，并應(yīng)用上述XGBoost算法訓(xùn)練出多個(gè)基評(píng)估模型。最后進(jìn)行模型集成，將所有基評(píng)估模型對(duì)于測(cè)試集樣本欺詐可能性概率的預(yù)測(cè)結(jié)果求均值，即可得到測(cè)試集樣本的最終風(fēng)險(xiǎn)評(píng)估得分。基于XGBoost算法和EasyEnsemble方法的欺詐風(fēng)險(xiǎn)評(píng)估集成模型構(gòu)建思路如圖1所示。

圖1 基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估集成模型

將該模型應(yīng)用于測(cè)試集的6 000個(gè)樣本中進(jìn)行欺詐風(fēng)險(xiǎn)預(yù)測(cè)(圖1)，最終得到這6 000個(gè)參保人員的欺詐風(fēng)險(xiǎn)預(yù)測(cè)概率。其中，欺詐風(fēng)險(xiǎn)概率大于0.5則判定為欺詐(“1”)，反之則判定為正常(“0”)。對(duì)于判定為欺詐的樣本，發(fā)出預(yù)警提醒審核專家展開(kāi)審核，進(jìn)而實(shí)施相應(yīng)的預(yù)防、警告與懲罰措施。

4 結(jié)果

4.1 模型性能評(píng)估

為了評(píng)估基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)，對(duì)于模型效果評(píng)價(jià)需關(guān)注的指標(biāo)為：準(zhǔn)確性ACC(Accuracy)、平衡預(yù)測(cè)值BPV(Balance Predictive Value)、平衡敏感性BS(Balance Sensitivity)以及AUC值(Area Under ROC Curve)四個(gè)指標(biāo)。根據(jù)數(shù)據(jù)樣本真實(shí)類別與模型預(yù)測(cè)類別的結(jié)果組合定義“混淆矩陣”，(表2)。

表2 混淆矩陣

則陽(yáng)性預(yù)測(cè)值(PV1)、陰性預(yù)測(cè)值(PV0)、敏感性(S1)、特異性(S0)分別為：

其中，陽(yáng)性與陰性預(yù)測(cè)值表示測(cè)試集中兩類樣本被正確預(yù)測(cè)的比例，即預(yù)測(cè)值與真實(shí)值相符的樣本數(shù)占該類別總樣本數(shù)的比例。敏感性與特異性表示測(cè)試集中兩類樣本被正確“召回”的比例，即實(shí)際為欺詐(或正常)的樣本中被正確預(yù)測(cè)為欺詐(或正常)的樣本比例。一般情況下，在數(shù)據(jù)挖掘中采用平均預(yù)測(cè)值和平均敏感性作為評(píng)估指標(biāo)。但由于研究數(shù)據(jù)的樣本類別存在極度不平衡的特點(diǎn)，因此應(yīng)根據(jù)樣本比例求平衡預(yù)測(cè)值和平衡敏感性。即：

最終得到基于XGBoost算法的基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估集成模型總體準(zhǔn)確率為0.83，平衡預(yù)測(cè)值為0.95，平衡敏感性為0.85。即預(yù)測(cè)結(jié)果與真實(shí)結(jié)果相符的樣本比例為95%，測(cè)試樣本能夠被正確預(yù)測(cè)的比例為85%。此外，為了減少欺詐行為所導(dǎo)致的損失，應(yīng)當(dāng)盡可能多地識(shí)別出有可能產(chǎn)生欺詐行為的參保人，因此還應(yīng)重點(diǎn)關(guān)注欺詐類樣本的敏感性，其結(jié)果為0.82，即實(shí)際產(chǎn)生欺詐行為的參保人中，有82%的人員能通過(guò)本模型有效識(shí)別。模型的AUC值，即受試工作者曲線ROC(Receiver Operating Characteristic Curve)下的面積為0.91，說(shuō)明該模型對(duì)于兩類樣本的區(qū)分效果較好。綜上所述，本文所采用的基于XGBoost算法的風(fēng)險(xiǎn)評(píng)估集成模型能夠有效地預(yù)測(cè)基本醫(yī)療保險(xiǎn)參保人的欺詐風(fēng)險(xiǎn)，從而實(shí)現(xiàn)快速有效的智能化風(fēng)險(xiǎn)監(jiān)管。因此，模型中的重要特征亦能夠用于基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建。

4.2 欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

XGBoost是一個(gè)基于增強(qiáng)樹(shù)的算法模型，每棵樹(shù)的構(gòu)造均基于特征重要度分?jǐn)?shù)，從而亦表明了每個(gè)特征對(duì)于欺詐風(fēng)險(xiǎn)評(píng)估的重要性。特征越多地被用于增強(qiáng)樹(shù)構(gòu)造的關(guān)鍵決策，則該特征的重要度得分就越高。具體而言，該算法通過(guò)信息增益來(lái)計(jì)算特征重要度得分，即本文3.2部分中所提及的衡量樹(shù)分類純度的主要參考指標(biāo)。本文所采用的是基于EasyEnsemble方法的XGBoost集成模型，因此，首先對(duì)其所有子分類模型的特征取并集，并計(jì)算每個(gè)特征的重要度得分均值，即可得到集成模型的328個(gè)重要特征變量，及其對(duì)應(yīng)的特征重要度得分。隨后，將這些變量依照表1的風(fēng)險(xiǎn)評(píng)估指標(biāo)分類匯總并對(duì)各類指標(biāo)的特征重要度得分求總和。最后，為了實(shí)現(xiàn)各類指標(biāo)重要度的有效對(duì)比，按照式(15)求取相對(duì)重要度得分，即可構(gòu)建出基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

(15)

結(jié)合表1和表3的結(jié)果進(jìn)行整體分析：(1)就診療記錄而言，費(fèi)用信息類的指標(biāo)重要度均排名靠前，表明診療費(fèi)用是能夠反映基本醫(yī)療保險(xiǎn)參保人是否存在欺詐行為最重要的一類指標(biāo)，在進(jìn)行欺詐風(fēng)險(xiǎn)評(píng)估時(shí)應(yīng)重點(diǎn)參照；各類項(xiàng)目的數(shù)量和賬單數(shù)量類次之；最不重要的是就醫(yī)時(shí)間間隔等就診規(guī)律類指標(biāo)。(2)總申報(bào)費(fèi)用、限額標(biāo)準(zhǔn)、各類項(xiàng)目各階段數(shù)量以及各類項(xiàng)目數(shù)量各階段增長(zhǎng)比例這四個(gè)指標(biāo)對(duì)于基本醫(yī)療保險(xiǎn)參保人的欺詐風(fēng)險(xiǎn)評(píng)估效能幾乎沒(méi)有影響，因此在進(jìn)行欺詐風(fēng)險(xiǎn)評(píng)估時(shí)可以不納入考慮范圍。(3)就保險(xiǎn)報(bào)銷記錄而言，進(jìn)行欺詐風(fēng)險(xiǎn)評(píng)估時(shí)應(yīng)重點(diǎn)關(guān)注各項(xiàng)費(fèi)用申報(bào)金額、各項(xiàng)費(fèi)用自費(fèi)金額以及支付賬戶類指標(biāo)，而對(duì)于總費(fèi)用申報(bào)比例和各項(xiàng)補(bǔ)助金額則無(wú)需過(guò)多考慮。

表3 基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

結(jié)合表3中評(píng)估指標(biāo)的現(xiàn)實(shí)含義來(lái)看，各項(xiàng)費(fèi)用發(fā)生金額指標(biāo)最重要，其背后所代表的含義是基本醫(yī)療保險(xiǎn)參保人員中的欺詐者有可能大量地進(jìn)行某幾類項(xiàng)目的診療。例如一定時(shí)間內(nèi)超量購(gòu)買某些醫(yī)保藥品，以供他人使用或高價(jià)轉(zhuǎn)賣給“黃牛”謀取利益。與之相對(duì)的各類項(xiàng)目的數(shù)量指標(biāo)亦是同樣的道理。各階段費(fèi)用發(fā)生金額指標(biāo)，即上旬、中旬和下旬的費(fèi)用發(fā)生金額，表明欺詐人員有可能集中于每個(gè)月的固定時(shí)期進(jìn)行相對(duì)規(guī)律的醫(yī)保項(xiàng)目消費(fèi)。因此，有可能存在被他人定期使用保險(xiǎn)證/卡非法申領(lǐng)保險(xiǎn)金以及主動(dòng)要求醫(yī)院開(kāi)具本人不必要的藥品由他人代用等情況。甚至可能存在詐騙團(tuán)伙誘使參保人出借尚余報(bào)銷額度的醫(yī)?？ǎ瑥亩谀骋粫r(shí)段(如月末)集中非法開(kāi)藥，倒賣醫(yī)保藥品的問(wèn)題。統(tǒng)籌基金支付金額與各項(xiàng)費(fèi)用自費(fèi)金額指標(biāo)，則表明欺詐人員實(shí)施欺詐行為時(shí)會(huì)綜合參考統(tǒng)籌基金支付與自付的相關(guān)費(fèi)用，即有可能傾向于參與統(tǒng)籌基金支付比例較高的項(xiàng)目。

總之，本文所構(gòu)建的基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系能夠很好地挖掘欺詐人員的潛在行為特征與行為規(guī)律。但值得注意的是，該指標(biāo)體系不能直接作為審核標(biāo)準(zhǔn)，而是在模型發(fā)出欺詐可能性預(yù)警后為專家提供評(píng)估思路與方向，實(shí)現(xiàn)決策支持。例如，費(fèi)用信息類指標(biāo)最能反映欺詐人員的行為特征，則在評(píng)估參保人欺詐風(fēng)險(xiǎn)時(shí)可構(gòu)造其各項(xiàng)費(fèi)用發(fā)生金額、各階段費(fèi)用發(fā)生金額與各階段費(fèi)用增長(zhǎng)比例等指標(biāo)的均值、標(biāo)準(zhǔn)差、最大值或最小值等，并與歷史記錄中正常參保人的平均水平相比較，從而得出評(píng)估結(jié)論。此外，亦有助于針對(duì)這些欺詐行為特征制定合理的反欺詐政策。

5 結(jié)論及建議

基本醫(yī)療保險(xiǎn)制度的持續(xù)、有效運(yùn)行對(duì)于保障與改善民生至關(guān)重要，合理評(píng)估基本醫(yī)療保險(xiǎn)參保人的欺詐風(fēng)險(xiǎn)并構(gòu)建風(fēng)險(xiǎn)評(píng)估指標(biāo)體系是社會(huì)保險(xiǎn)反欺詐獲得成功的前提條件。本文基于我國(guó)基本醫(yī)療保險(xiǎn)診療歷史記錄的大規(guī)模真實(shí)數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘中的XGBoost算法構(gòu)造基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估集成模型，從而預(yù)測(cè)參保人的欺詐風(fēng)險(xiǎn)概率，進(jìn)行參保人欺詐預(yù)警，并根據(jù)模型中的重要特征構(gòu)造基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

研究結(jié)果表明，運(yùn)用該模型對(duì)基本醫(yī)療保險(xiǎn)參保人進(jìn)行欺詐風(fēng)險(xiǎn)評(píng)估，預(yù)測(cè)結(jié)果與真實(shí)結(jié)果相符的正確率為95%，參保人的欺詐可能性能夠被正確評(píng)估的概率為85%。其中，實(shí)際產(chǎn)生欺詐行為的參保人中，有82%的欺詐者能通過(guò)本模型有效識(shí)別。因此，本文所構(gòu)建的基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系能夠很好地區(qū)分欺詐人員與正常人員。進(jìn)一步在此基礎(chǔ)上開(kāi)發(fā)出基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)，就能保證對(duì)參保人行為的及時(shí)監(jiān)控，從而實(shí)現(xiàn)醫(yī)?；鸶又悄艿谋O(jiān)管。

為維護(hù)醫(yī)?；鸢踩?，保障醫(yī)保體系有效運(yùn)行，結(jié)合基本醫(yī)療保險(xiǎn)參保人欺詐風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的重要指標(biāo)，即應(yīng)從開(kāi)展誠(chéng)信宣傳教育，加強(qiáng)醫(yī)療服務(wù)規(guī)范與醫(yī)療欺詐行為監(jiān)管，構(gòu)建大數(shù)據(jù)智能化監(jiān)控系統(tǒng)，完善反欺詐法律法規(guī)入手進(jìn)行政策構(gòu)建。

作者聲明本文無(wú)實(shí)際或潛在的利益沖突。