كان أحد الأهداف الرئيسية لقانون الرعاية بأسعار معقولة (ACA) هو خفض تكاليف الرعاية الصحية من خلال منح المستهلكين المزيد من الخيارات على شركات التأمين الخاصة بهم.
تقترح النظرية الاقتصادية أنه عندما يتخذ المستهلكون خيارات مدروسة ونشطة في سوق تنافسية ، تستجيب الشركات من خلال خفض الأسعار وتحسين جودة عروضها.
لكن النظرية جانبا ، البحث التجريبي عروض người tiêu dùng لا تتصرف بهذه الطريقة في الواقع ، ولا سيما في الأسواق المعقدة مثل التأمين الصحي.
وهذا الواقع يجعل من الصعب للغاية على سياسة الحكومة الحد من تكلفة الرعاية الصحية بشكل فعال (بعضها يدفع ثمنه) وخفض أقساط التأمين. وهذا يعني أيضا أن العديد من الأفراد ربما يدفعون أكثر بكثير مما ينبغي عليهم التأمين الصحي.
هل هناك أي شيء يمكننا القيام به لمساعدة الناس على اتخاذ قرارات تأمين أفضل؟
في باقة ورقة الزوار لقد شاركت مع جوناثان كولستاد ، الخبير الاقتصادي في جامعة بيركلي ، وقمنا بتقييم كيف يمكن للبيانات الشخصية أن تساعد المستهلكين على القيام بذلك فقط ، مما يجعل الأسواق الصحية أكثر كفاءة.
العديد من الخيارات ، الكثير من الارتباك
إن التحكم في الإنفاق على الرعاية الصحية - الذي بلغ عشرة تريليون دولار أمريكي سنوياً لأول مرة في 3 - يظل أولوية عالية بشكل خاص لصانعي السياسات. تباطأ نمو الإنفاق إلى ما دون المتوسطات التاريخية في الوقت الذي تم فيه تمرير ACA ولكن منذ ذلك الحين معجل.
صاغ المنظمون الفيدراليون والولائيون تبادلات ACA لتشجيع شركات التأمين على التنافس على السعر والجودة مع توفير مجموعة واسعة من الخيارات للمستهلكين.
تقوم العديد من أسواق Medicare ، مثل تغطية الأدوية من Plan D ، بنفس الطريقة ، بينما تقدم الشركات التي توفر التأمين الصحي بشكل متزايد خيارات أكثر لموظفيها عبر التبادلات سهلت القطاع الخاص.
لكن إعطاء الأفراد مزيدًا من الخيارات ليس سوى خطوة أولى. وتبين البحوث أن المستهلكين يخطئون أثناء التسوق بنشاط بسبب نقص المعلومات المتاحة ، فهم محدود من التأمين أو مجرد متاعب منه. وتوجد هذه الصعوبات سواء كانت الاختيارات قليلة أو بضع عشرات.
هذا يقود المستهلكين إلى الرحيل المئات أو حتى آلاف الدولارات على الطاولة. كما يساهم في "اختيار القصور الذاتي"، حيث يمكن للمستهلكين أن يتخذوا خيارات أولية ذكية لكنهم يفشلون في المتابعة ويعيدوا النظر فيها بنشاط كلما ظهرت معلومات جديدة أو تغيرت الظروف. هذا يمكن أن يكلفهم الكثير من المال مع مرور الوقت.
في بحثنا ، درسنا كيف يمكننا حل هذه المشاكل.
توصيات المستهلك المستهدفة
تنطوي إحدى الطرق على تزويد المستهلكين بتوصيات الخطة الخاصة بالمستخدم استنادًا إلى بيانات تفصيلية حول احتياجاتهم وتفضيلاتهم المتعلقة بالرعاية الصحية الشخصية.
تستند المعلومات الشخصية على المخاطر الصحية المتوقعة للفرد ، والرغبة في المخاطرة المالية وتفضيلات الطبيب. تسلط هذه السياسات الضوء على أفضل الخيارات لمستهلك معين من خلال ربط كل خيار بمقاييس يفهمها المستهلكون ويهتمون بها بسهولة ، مثل الإنفاق المتوقع في كل خطة في العام القادم.
الهدف العام هو تسخير قوة بيانات المستهلك والتكنولوجيا لتقديم توصيات فعالة في أسواق التأمين ، على غرار ما رأيناه بالفعل في مكان آخر. على سبيل المثال ، يستخدم Amazon سجل الشراء وبيانات التصفح لتقديم توصيات حول المنتجات الإضافية التي قد تعجبك ، في حين تعالج Google كميات هائلة من المعلومات لتخصيص الإعلانات المخصصة.
لقد كان هناك بالفعل بعض التقدم نحو تنفيذ هذه الأنواع من الظروف في أسواق التأمين.
لكن مصدر القلق الرئيسي هو أن هذه السياسات ليست فعالة بما فيه الكفاية. دليل تجريبي تشير إلى أنه حتى لو كنت تقود المستهلكين إلى بئر المعلومات ، فلا يمكنك بالضرورة إجبارهم على الشرب.
قد تكون التخلفيات الذكية هي الحل
لذا ، إذا لم يكن توفير البيانات والتوصيات الشخصية كافياً لمساعدة المستهلكين على اتخاذ خيارات أفضل ، فهل يمكن أن تكون السياسة الأكثر عدوانية فعالة؟
وتتمثل إحدى الطرق في "التخلف الذكي" الذي يضع المستهلكين تلقائيًا في خطط مفضلة استنادًا إلى معلومات خاصة بالمستخدم. بدلاً من مطالبة الأشخاص بالتصرف بناءً على التوصيات ، يتم تحديد الخيار الأمثل لهم.
سيتم استهداف هذه التخلفيات الذكية بعناية استنادًا إلى بيانات كل فرد ، ولكنها أيضًا غير ملزمة ، مما يسمح للمستهلكين بالانتقال إلى خيار آخر في أي وقت.
تعتمد التخلفيات الذكية التي اقترحناها في ورقتنا على بيانات تفصيلية عن التركيبة السكانية واحتياجات الصحة الخاصة بالمستهلك ونموذج لقيمة الخطة الصحية. ستعمل التخلفيات الذكية عن طريق استخدام بيانات مثل المطالبات الطبية السابقة والمعلومات الديموغرافية لتقييم ما إذا كان من المنطقي التحول إلى خطة أخرى. يتم إعداد نموذج اقتصادي وعتبات قيمة محددة في البداية للتحكم في مقدار المخاطرة التي يجب اتخاذها ومقدار التوفير الذي يجب تحقيقه من خلال التبديل.
هذا النموذج الاقتصادي ، الذي يتم تنفيذه باستخدام خوارزمية الكمبيوتر ، سينظر في المكاسب المالية والتعرض للمخاطر في حالة وقوع حادث طبي كبير والوصول إلى الأطباء المناسبين.
إذا تم استيفاء الشروط الصحيحة (أكثر أو أقل عدوانية) ، فقد تم عجز المستهلك في خطة جديدة. يوضح الشكل على اليمين العملية بمزيد من التفصيل.
على سبيل المثال ، ضع في اعتبارك مريضًا مصابًا بداء السكري مسجلاً في خطة بعلاوة سنوية قدرها 4,000 دولار وإمكانية الوصول إلى مجموعة محددة من الأطباء. على رأس قسط ، والمريض هو كان متوقعا لإنفاق 2,000 دولارًا آخر سنويًا في تقاسم التكاليف - الخصومات ، وسداد الرواتب للمواعيد ، والوصفات الطبية ، ومعدات اختبار السكر في الدم والخدمات الأخرى - بحد أقصى قدره 8,000 دولار.
وستنظر الخوارزمية الافتراضية الذكية أولاً في ما إذا كان هناك بديل في السوق من شأنه أن "يقلل" الإنفاق السنوي بشكل معقول. إذا تم تعيين الحد الأدنى على 1,000 $ ، فستبحث الخوارزمية عن خيار يتوقع أن ينفق المريض ما لا يزيد عن $ 5,000 في الأقساط ومشاركة التكاليف.
يجب أيضاً استيفاء شرطين آخرين: يجب أن يكون الأطباء الذين يراهم المريض في شبكة الخطة ، وأن الخيار لا يمكن أن يعرضه إلى مخاطر مالية إضافية (بحد أقصى لتقاسم التكاليف). لذلك إذا تم تعيين حد المخاطرة المالية في 500 $ ، فإن الخطة البديلة يجب أن تصل إلى ما لا يزيد عن $ 8,500 كحد أقصى.
عندئذٍ يتم تسجيل المريض تلقائيًا في الخطة ، مع وجود وفورات متوقعة بقيمة $ 1,000 في السنة ، وأسوأ سيناريو لـ 500 دولار فقط في الإنفاق الإضافي.
حتى الآن ، لم يتم استخدام مثل هذه التخلفيات إلا بشكل ضئيل في أسواق التأمين الصحي. ولكن في سياقات أخرى ، مثل مساعدة الموظفين على اختيار مقدار المساهمة في خطط المعاشات التقاعدية ، أثبتت التخلفيات الذكية فعالة بشكل ملحوظ في تحسين جودة الاختيار.
إذا كان لديك خطة 401 (k) في العمل ، على سبيل المثال ، هناك فرصة جيدة لاستخدام هذا النظام الافتراضي الذكي لوضعك في أفضل خطة لظروفك. هذا يعمل على توفير المدخرات الآن لأن الخيارات أبسط وهناك الكثير من البيانات.
مشاكل مع الافتراضات الذكية
إذن لماذا لا نستخدم الافتراضات الذكية بشكل أوسع في أسواق التأمين الصحي الآن؟
بالنسبة للمبتدئين ، من المرجح أن صانعي السياسة وأصحاب العمل يترددون في تنفيذ سياسات تبدو وكأنها تدفع خيارات التأمين بمثل هذه الطريقة القوية. على سبيل المثال ، إذا كانت الإعدادات الافتراضية شديدة العدوانية ، فقد يتم تسجيل العديد من المستهلكين تلقائيًا في خطط تجعلهم أسوأ حالًا - حتى لو كان الشخص العادي سيكون أفضل حالًا.
ومن الحلول الممكنة لذلك أنه يمكن تعيين حدود التسجيل التلقائي بشكل متحفظ للغاية ، بحيث يتأثر فقط المستهلكون الذين لديهم مكاسب كبيرة متوقعة (على الرغم من أن ذلك سيقلل أيضًا من الفوائد المحتملة).
لكن المشكلة الأساسية هي نقص البيانات. لسوء الحظ ، لا يملك المنظمون في كثير من الأحيان نوعًا من بيانات المستهلك في الوقت الحقيقي حول المخاطر الصحية الشخصية ، واستخدام التأمين والتركيبة السكانية اللازمة لتنفيذ السياسات الافتراضية الذكية بشكل فعال وبطريقة محددة (كما هو صحيح في خيارات المعاشات التقاعدية). أحد الأسباب هو أن شركات التأمين غالبا ما ترفض مشاركة بياناتها مع المنظمين على أساس أنها ملكية خاصة ، وقد أيدت المحكمة العليا موقفهم.
في مثل هذه الحالات ، لا تزال التخلفيات الذكية ممكنة ولكن توفر قيمة أقل للمستهلكين ويجب أن تكون أكثر تحفظًا في تنفيذها.
اعتبارات إضافية
لا يُعرف الكثير عن تأثيرات المنافسة في السوق عندما تكون خيارات المستهلك مدفوعة بالخوارزميات بدلاً من عملية أكثر حرية في التدفق والطبيعية.
على سبيل المثال ، قد تحاول شركات التأمين استغلال الميزات المعروفة للخوارزمية بشكل منهجي لدفع المزيد من الناس إلى خططهم (كما هو الحال مع المعلنين الذين يتفاعلون مع Google)؟ أو هل سينتهي الأمر بأن يصبح الأفراد أقل انخراطًا في عملية اختيار التأمين الخاص بهم ، مما يعني أنهم سوف يكونون أقل اطلاعاً على الفوائد التي يتمتعون بها والمخاطر المرتبطة بها؟
إن فهم عواقب ترك الخوارزميات الحاسوبية سيجعل خيارات المستهلك أمرًا حاسمًا في تقييم ما إذا كان تنفيذ سياسة مثل التخلف الذكي قد يعمل على مساعدة المستهلكين على اتخاذ خيارات أفضل بأقل قدر من السلبيات. ولكن لن يكون من الممكن حتى تبدأ شركات التأمين في مشاركة بيانات أكثر تفصيلاً مع المنظمين.
نبذة عن الكاتب
بن هاندل ، أستاذ مساعد في الاقتصاد ، جامعة كاليفورنيا ، بيركلي. وقد درس بحثه عملية صنع القرار للمستهلك وتصميم السوق لأسواق التأمين الصحي ، ويوضح التفاعل بين اتخاذ قرارات المستهلك وتنظيم السوق.
تم نشر هذه المقالة في الأصل المحادثة. إقرأ ال المقال الأصلي.
كتاب ذات الصلة:
at سوق InnerSelf و Amazon
