Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Sau hơn 30 năm đổi mới, kinh tế Việt Nam đạt mức tăng trưởng bình quân gần 7%/năm giai đoạn 1990–2018, đưa thu nhập bình quân đầu người đạt khoảng 2.800 USD vào năm 2018. Cùng với tăng trưởng kinh tế, hệ thống y tế ghi nhận sự gia tăng về số lượng cơ sở cung cấp dịch vụ và giảm tỷ lệ chi tiêu tiền túi từ 68% (năm 2005) xuống 36,7% (năm 2015). Hệ thống Bảo hiểm Y tế (BHYT) được triển khai từ năm 1992, đạt tỷ lệ bao phủ khoảng 85% dân số (gần 78 triệu người) vào cuối năm 2018 và chi trả bình quân 80–85% chi phí khám, chữa bệnh (KCB) nội trú và ngoại trú.

Tuy nhiên, chi phí KCB do BHYT chi trả phát sinh hiện tượng gia tăng đột biến, tăng khoảng 15–20%/năm ngay cả khi chưa tính các điều chỉnh giá dịch vụ y tế. Áp lực già hóa dân số, sự chuyển dịch mô hình bệnh tật từ bệnh lây nhiễm sang bệnh không lây nhiễm, cùng sự khác biệt chi phí giữa các tuyến kỹ thuật đòi hỏi phương pháp dự báo chuẩn xác để bảo đảm cân đối quỹ. Các nghiên cứu trước đây tại Việt Nam chủ yếu phân tích thống kê mô tả hoặc sử dụng giá trị trung bình đơn thuần, chưa áp dụng các mô hình toán kinh tế phản ánh bản chất ngẫu nhiên và cấu trúc chi trả phức hợp của BHYT. Luận án giải quyết khoảng trống này bằng việc thiết lập khung phân tích mô hình rủi ro nhóm để ước lượng phân phối xác suất của chi phí KCB BHYT.

Mục tiêu và câu hỏi nghiên cứu

Mục tiêu chung của luận án là kiểm định và lựa chọn mô hình toán kinh tế phù hợp để ước lượng chi phí KCB do BHYT chi trả ở Việt Nam, cung cấp cơ sở định lượng cho công tác dự phòng và quản lý quỹ BHYT.

Luận án xác định ba mục tiêu cụ thể tương ứng với ba câu hỏi nghiên cứu:

  1. Để ước lượng chi phí KCB, cho đến nay các nghiên cứu trên thế giới và tại Việt Nam đã sử dụng các mô hình toán kinh tế nào?
  2. Với dữ liệu KCB do BHYT chi trả ở Việt Nam trong giai đoạn 2014–2016, lớp mô hình toán kinh tế nào là phù hợp để ước lượng chi phí KCB BHYT?
  3. Với các mô hình toán kinh tế phù hợp được lựa chọn, việc ước lượng chi phí KCB do BHYT chi trả ở Việt Nam cho kết quả như thế nào?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các mô hình toán kinh tế ứng dụng trong ước lượng và dự báo chi phí khám, chữa bệnh.
  • Phạm vi không gian: Thành phố Hồ Chí Minh, địa phương có quy mô chi trả chi phí KCB BHYT chiếm gần 20% tổng chi BHYT toàn quốc, được chọn làm trường hợp điển hình.
  • Phạm vi thời gian: Dữ liệu KCB BHYT thực tế giai đoạn 2014–2016; dữ liệu dự báo dân số giai đoạn 2014–2049 và tính toán dự báo thử nghiệm cho năm 2017.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu quốc tế

Tổng quan tài liệu trong luận án phân loại các mô hình ước lượng chi phí KCB thành ba nhóm tiếp cận:

  1. Phân loại theo quy mô và phạm vi dự báo (Astolfi và cộng sự, 2012):

    • Mô hình mô phỏng vi mô (Micro-simulation models): Lấy cá nhân làm đơn vị phân tích, mô phỏng diễn tiến sức khỏe và chi phí suốt vòng đời (Besseling và Shestalova, 2011; Brown và cộng sự, 2009; Fukawa, 2007; O'Hagan và cộng sự, 2007; Spielauer, 2007; Zucchelli và cộng sự, 2010).
    • Mô hình cấp độ vĩ mô (Macro-level models): Sử dụng số liệu chuỗi thời gian hoặc dữ liệu mảng để hồi quy tổng chi phí theo các biến kinh tế vĩ mô như GDP, lạm phát (Getzen và Poullier, 1992; Baltagi và Moscone, 2010; Brown và cộng sự, 2009; Oliveira Martins và De la Maisonneuve, 2006; Warshawsky, 1994).
    • Mô hình theo thành phần/đoàn hệ (Component-based / Actuarial models): Chia dân số thành các ô đặc trưng (cell-based) dựa trên biến nhân khẩu và bệnh tật để nhân với chi phí bình quân (Baltagi và Moscone, 2010; Przywara, 2010; Ringel và cộng sự, 2010; Vos và cộng sự, 2007; Racic, 1997).

  2. Các mô hình hồi quy kinh tế lượng:

    • Hồi quy tuyến tính OLS và biến đổi Logarit: Gặp hạn chế do dữ liệu chi phí KCB có nhiều giá trị 0, phân phối lệch phải và đuôi dày (Deb và cộng sự, 2006; Duan, 1983; Duan và cộng sự, 1983; Jones, 2010, 2017; Manning, 1998, 2012; Mihaylova và cộng sự, 2011). Duan (1983) đề xuất hệ số làm trơn (smearing factor) để khắc phục sai lệch khi chuyển đổi ngược hàm loga.
    • Mô hình trung bình mũ có điều kiện (ECM): Ước lượng qua bình phương nhỏ nhất phi tuyến (NLS), tựa hợp lý tối đa (QML) hoặc phương pháp mô men tổng quát (GMM) (Gilleskie và Mroz, 2004; Mihaylova và cộng sự, 2011).
    • Mô hình hồi quy tuyến tính tổng quát (GLM) và Mô hình cộng tổng quát (GAM): Nelder và Baker (1972), Hastie và Tibshirani (1990), Blough và cộng sự (1999), Buntin và Zaslavsky (2004), Manning và cộng sự (2005), Basu và Rathouz (2005) với mở rộng phương trình ước lượng Box-Cox (EEE).
    • Thuật toán học máy (Machine Learning): Mô hình cây phân loại và hồi quy (CART), rừng ngẫu nhiên (Random Forest), MARS ứng dụng trong dữ liệu bồi thường bảo hiểm (Breiman, 2001; Breiman và cộng sự, 1984; Liaw và Wiener, 2002; Morgan, 2014; Sushmita và cộng sự, 2015).

  3. Lớp mô hình tổn thất (Loss Models):

    • Phân định giữa mô hình rủi ro đơn (Individual risk model) và mô hình rủi ro nhóm (Collective risk model) (Tse, 2009; Klugman và cộng sự, 2012).
    • Các phân phối đếm số lượt: Poisson, Nhị thức (Binomial), Nhị thức âm (Negative Binomial).
    • Các phân phối chi phí theo lượt: Gamma, Weibull, Log-normal, Pareto (Kozubowski và Panorska, 2005; Hernández-Bastida và cộng sự, 2009, 2011).
    • Phương pháp xác định phân phối tổng chi phí: Xấp xỉ giải tích (Panjer, 1981), xấp xỉ phân phối (Dickson và cộng sự, 1998; Beard, 2013), và mô phỏng Monte Carlo (Beekman và Fuelling, 1980; Hayne, 1989).
    • Phương pháp ước lượng tham số Bayes kết hợp lý thuyết độ tin cậy (Credibility Theory) (Makov, 2001; Meyers và Schenker, 1983; Meyers, 2007, 2009; Fellingham và cộng sự, 2015; Yu, 2015; Klugman, 2013).

Nghiên cứu tại Việt Nam và vị trí của luận án

Tại Việt Nam, các nghiên cứu đã thực hiện gồm: dự báo cân đối quỹ của BHXH Việt Nam và InWent (2012); phân tích chi phí y tế cho người cao tuổi của Long và cộng sự (2016); đánh giá phân bổ chi tiêu y tế của Kelly và cộng sự (2016, 2018); thử nghiệm mô hình GLM, GAM, CART của Thắm (2017) và bước đầu ứng dụng mô hình rủi ro nhóm cho một số nhóm hẹp của Thắm (2018).

Khoảng trống được luận án lựa chọn giải quyết là: Mở rộng tiếp cận ngẫu nhiên bằng mô hình rủi ro nhóm cho toàn bộ 10.692 nhóm đối tượng KCB BHYT tại TP. Hồ Chí Minh, kết hợp phương pháp ước lượng tham số Bayes và mô phỏng Monte Carlo để xây dựng phân phối xác suất hoàn chỉnh của chi phí KCB thay vì các ước lượng điểm xác định.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung phân tích và cấu trúc phân nhóm

Khung phân tích của luận án được điều chỉnh từ mô hình của Cichon (1999), tích hợp ba luồng thông tin: Dự báo dân số, Tỷ lệ tham gia BHYT và Dữ liệu KCB BHYT (số lượt và chi phí từng lượt).

Toàn bộ đối tượng nghiên cứu được phân chia thành 10.692 nhóm đối tượng dựa trên các tiêu chí:

  • Giới tính: 2 nhóm (Nam, Nữ).
  • Độ tuổi: 81 nhóm tuổi (từng độ tuổi từ 0 đến 79 tuổi và nhóm từ 80 tuổi trở lên).
  • Loại hình KCB: 2 loại (Nội trú, Ngoại trú).
  • Tuyến kỹ thuật KCB: 3 tuyến (Tuyến Trung ương, Tuyến Tỉnh/Thành phố, Tuyến Quận/Huyện).
  • Nhóm bệnh: 11 nhóm bệnh theo phân loại quốc tế ICD.

Quy mô phân nhóm xác định bởi: $2 \times 81 \times 2 \times 3 \times 11 = 10.692$ nhóm.

Mô hình toán kinh tế: Mô hình rủi ro nhóm

Giả định các cá nhân trong cùng nhóm $i$ ($i = 1, \dots, 10.692$) có cùng mức độ rủi ro. Tổng chi phí KCB trong năm của một cá nhân trong nhóm $i$, ký hiệu $S_i$, được mô hình hóa theo dạng:

$$S_i = \begin{cases} \sum_{j=1}^{N_i} X_{ij}, & N_i > 0 \ 0, & N_i = 0 \end{cases}$$

Trong đó:

  • $N_i$ là biến ngẫu nhiên rời rạc không âm biểu diễn số lượt KCB trong năm của cá nhân thuộc nhóm $i$.
  • $X_{ij}$ là biến ngẫu nhiên liên tục dương biểu diễn chi phí của lượt KCB thứ $j$ của cá nhân thuộc nhóm $i$. Các biến $X_{i1}, X_{i2}, \dots$ được giả thiết độc lập, có cùng phân phối xác suất và độc lập với $N_i$.

Tổng chi phí KCB BHYT của toàn bộ nhóm $i$ ($T_i$) và tổng chi phí KCB BHYT toàn bộ các nhóm ($T$) được tính bằng: $$T_i = M_i \times S_i$$ $$T = \sum_{i=1}^{10.692} T_i = \sum_{i=1}^{10.692} M_i \times S_i$$ Với $M_i$ là số người tham gia BHYT thuộc nhóm $i$ (ước tính từ số liệu dân số và tỷ lệ bao phủ BHYT).

Các phân phối xác suất thành phần

Thành phần Phân phối xác suất Hàm mật độ / Hàm xác suất Kỳ vọng toán $E(\cdot)$ Phương sai $Var(\cdot)$
Số lượt KCB ($N$) Nhị thức $B(m, p)$ $P(N=k) = \binom{m}{k} p^k (1-p)^{m-k}$ $mp$ $mp(1-p)$
Poisson $P(\lambda)$ $P(N=k) = \frac{e^{-\lambda} \lambda^k}{k!}$ $\lambda$ $\lambda$
Nhị thức âm $NB(r, p)$ $P(N=k) = \binom{k+r-1}{k} p^r (1-p)^k$ $\frac{r(1-p)}{p}$ $\frac{r(1-p)}{p^2}$
Chi phí lượt KCB ($X$) Gamma $G(\alpha, \beta)$ $f(x) = \frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1} e^{-\beta x}$ $\frac{\alpha}{\beta}$ $\frac{\alpha}{\beta^2}$
Weibull $W(\alpha, \lambda)$ $f(x) = \frac{\alpha}{\lambda} \left(\frac{x}{\lambda}\right)^{\alpha-1} \exp\left(-\left(\frac{x}{\lambda}\right)^\alpha\right)$ $\lambda \Gamma\left(1 + \frac{1}{\alpha}\right)$ $\lambda^2 \left[\Gamma\left(1 + \frac{2}{\alpha}\right) - \Gamma^2\left(1 + \frac{1}{\alpha}\right)\right]$
Log-normal $LN(\mu, \sigma^2)$ $f(x) = \frac{1}{x\sigma\sqrt{2\pi}} \exp\left(-\frac{(\ln x - \mu)^2}{2\sigma^2}\right)$ $\exp\left(\mu + \frac{\sigma^2}{2}\right)$ $\exp(2\mu + \sigma^2)(\exp(\sigma^2) - 1)$
Pareto $Pa(\alpha, \theta)$ $f(x) = \frac{\alpha \theta^\alpha}{(x + \theta)^{\alpha+1}}$ $\frac{\theta}{\alpha - 1}$ ($\alpha > 1$) $\frac{\alpha \theta^2}{(\alpha-1)^2(\alpha-2)}$ ($\alpha > 2$)

Phương pháp ước lượng và kiểm định

  1. Phương pháp ước lượng tham số:

    • Phương pháp tần suất (Ước lượng Hợp lý tối đa - MLE): Xác định tham số $\hat{\theta} = \arg\max \ln L(\theta)$.
    • Phương pháp Bayes: Xem tham số $\theta$ là biến ngẫu nhiên $\Theta$ với phân phối tiên nghiệm $g(\theta)$. Phân phối hậu nghiệm $g(\theta|x)$ được cập nhật qua hàm hợp lý $f(x|\theta)$ theo công thức Bayes: $$g(\theta|x) = \frac{f(x|\theta)g(\theta)}{\int f(x|\theta)g(\theta)d\theta}$$
    • Các cặp phân phối liên hợp áp dụng:
      • Poisson ($\lambda$) – Tiên nghiệm Gamma $(\alpha, \beta) \rightarrow$ Hậu nghiệm Gamma $(\alpha + \sum x_i, \beta + n)$.
      • Nhị thức $(m, p)$ – Tiên nghiệm Beta $(a, b) \rightarrow$ Hậu nghiệm Beta $(a + \sum x_i, b + nm - \sum x_i)$.
      • Nhị thức âm $(r, p)$ – Tiên nghiệm Beta $(a, b) \rightarrow$ Hậu nghiệm Beta $(a + nr, b + \sum x_i)$.
      • Log-normal $(\mu, \sigma^2)$ – Tiên nghiệm Chuẩn $N(\mu_0, \sigma_0^2) \rightarrow$ Hậu nghiệm Chuẩn.
      • Weibull $(\alpha, \lambda)$ – Tiên nghiệm Inverse Gamma $(\alpha_0, \beta_0)$.
      • Pareto $(\alpha, \theta)$ – Tiên nghiệm Gamma $(\alpha_0, \beta_0)$.

  2. Phương pháp kiểm định phân phối:

    • Kiểm định Kolmogorov – Smirnov (K-S): Đo lường khoảng cách cực đại $D_n = \sup_x |F_n(x) - F_0(x)|$.
    • Kiểm định Anderson – Darling (A-D): Đánh giá độ phù hợp ở phần đuôi phân phối.
    • Kiểm định Khi bình phương ($\chi^2$): Dùng kiểm định tính tương thích của phân phối rời rạc cho biến số lượt KCB.

  3. Mô phỏng ngẫu nhiên Monte Carlo và Độ đo rủi ro:

    • Sử dụng thuật toán sinh số ngẫu nhiên mô phỏng giá trị $N_i$ từ phân phối rời rạc và các $X_{ij}$ từ phân phối liên tục để thu được chuỗi phân phối thực nghiệm của $S_i$ và tổng chi phí $T$.
    • Độ đo tính phí (Premium-based risk measures): Phí thuần $E(S)$, Phí nguyên lý giá trị kỳ vọng $(1+\theta)E(S)$, Phí nguyên lý phương sai $E(S) + \alpha Var(S)$, Phí nguyên lý độ lệch chuẩn $E(S) + \beta \sigma(S)$.
    • Độ đo tính vốn kinh tế (Capital-based risk measures): Giá trị rủi ro ($VaR_p$) tại mức tin cậy $p$, và Kỳ vọng đuôi có điều kiện ($CTE_p = E[S | S > VaR_p]$).

Nguồn dữ liệu và công cụ xử lý

  1. Dữ liệu KCB BHYT: Bộ dữ liệu do Bảo hiểm Xã hội Việt Nam cung cấp cho Bộ Y tế thông qua Dự án USAID/HFG giai đoạn 2014–2016 tại TP. Hồ Chí Minh, chiết xuất từ biểu mẫu 79b (ngoại trú) và 80b (nội trú) tại 3 tuyến kỹ thuật (Trung ương, Tỉnh, Huyện). Mỗi bản ghi thể hiện mã bệnh nhân, ngày sinh, giới tính, tuyến KCB, nhóm bệnh, tổng chi phí và chi phí do BHYT chi trả.
  2. Dữ liệu tỷ lệ bao phủ BHYT: Dữ liệu thống kê số người tham gia BHYT cấp tỉnh của BHXHVN.
  3. Dữ liệu dân số: Dữ liệu dự báo dân số Việt Nam giai đoạn 2014–2049 của Tổng cục Thống kê (GSO, 2016) theo độ tuổi (0–79 và 80+) và giới tính (phương án sinh trung bình).
  4. Phần mềm xử lý: Stata, SPSS, MS Excel (chuẩn hóa dữ liệu); Matlab, R (lập trình ước lượng Bayes, kiểm định phân phối và mô phỏng Monte Carlo).

Nội dung chính theo từng chương

Chương 1: Cơ sở lý luận và tổng quan nghiên cứu

Chương 1 hệ thống hóa cơ sở lý luận về bảo hiểm, bảo hiểm phi nhân thọ và BHYT xã hội. Luận án phân tích 4 đặc trưng cốt lõi của nghiệp vụ bảo hiểm: tính ngẫu nhiên của rủi ro, phí bảo hiểm (phí thuần và phí thương mại), trách nhiệm bồi thường và nguyên tắc tương hỗ bù trừ rủi ro theo luật số lớn. Trên cơ sở đó, chương tổng quan ba hướng tiếp cận ước lượng chi phí KCB (mô hình mô phỏng vi mô, mô hình vĩ mô, mô hình theo thành phần) và hai nhánh phương pháp lượng hóa (mô hình hồi quy và mô hình tổn thất).

Chương 1 chỉ rõ tính ưu việt của việc tiếp cận theo lớp mô hình tổn thất kết hợp mô phỏng ngẫu nhiên (mô hình rủi ro nhóm), cho phép tách bạch và phân tích độc lập hai động lực phát sinh chi phí: tần suất phát sinh sự kiện KCB ($N$) và mức độ nghiêm trọng/chi phí cho mỗi lượt khám ($X$).

Chương 2: Phương pháp nghiên cứu

Chương 2 thiết lập cấu trúc toán học của mô hình rủi ro nhóm ứng dụng vào BHYT. Tác giả trình bày chi tiết hàm xác suất và đặc trưng thống kê của 3 phân phối rời rạc (Nhị thức, Poisson, Nhị thức âm) dùng cho biến số lượt KCB $N_i$ và 4 phân phối liên tục (Gamma, Weibull, Log-normal, Pareto) dùng cho biến chi phí một lượt KCB $X_{ij}$.

Chương 2 phát triển khung ước lượng Bayes dựa trên các họ phân phối tiên nghiệm liên hợp, xây dựng thuật toán kiểm định lựa chọn mô hình ($\chi^2$, Kolmogorov – Smirnov, Anderson – Darling), và quy trình mô phỏng Monte Carlo để sinh phân phối tổng chi phí KCB $S_i$ và $T$. Đồng thời, chương 2 định nghĩa các độ đo rủi ro tính phí bảo hiểm thuần, phí có phụ phí an toàn và độ đo vốn kinh tế dự phòng ($VaR$, $CTE$).

Chương 3: Thực trạng về tham gia và sử dụng dịch vụ khám, chữa bệnh bằng Bảo hiểm Y tế ở Việt Nam

Chương 3 phân tích bức tranh thực tiễn về hệ thống BHYT Việt Nam và bộ dữ liệu KCB BHYT tại TP. Hồ Chí Minh giai đoạn 2014–2016:

  • Bao phủ BHYT: Lộ trình bao phủ gia tăng từ năm 1992 đến 2016, đạt trên 80% năm 2016 và 85% năm 2018 trên toàn quốc.
  • Phân hóa theo độ tuổi và nhóm bệnh: Nhóm người cao tuổi (NCT) có tần suất KCB và chi phí bình quân một lượt khám cao hơn rõ rệt so với nhóm trẻ tuổi. Chi phí điều trị tập trung tỷ trọng lớn vào 5 nhóm bệnh mạn tính không lây nhiễm theo danh mục ICD.
  • Số lượt KCB và Chi phí KCB tại TP.HCM (2014–2016): Phân tích biến động số lượt KCB trung bình và chi phí trung bình phân theo giới tính, 81 nhóm tuổi, loại KCB (nội trú/ngoại trú) và 3 tuyến kỹ thuật (Trung ương, Tỉnh, Huyện). Chi phí nội trú tuyến Trung ương và tuyến Tỉnh chiếm tỷ trọng chi phối trong tổng quỹ BHYT chi trả.

Chương 4: Sử dụng mô hình rủi ro nhóm ước lượng chi phí khám chữa bệnh Bảo hiểm Y tế ở Việt Nam: Nghiên cứu trường hợp Thành phố Hồ Chí Minh

Chương 4 thực hiện quy trình định lượng trên dữ liệu thực nghiệm TP. Hồ Chí Minh:

  • Kiểm định phân phối: Kết quả kiểm định $\chi^2$ cho thấy phân phối Poisson và Nhị thức âm chiếm ưu thế trong việc mô tả số lượt KCB $N_i$. Đối với chi phí KCB theo lượt $X_{ij}$, kiểm định Kolmogorov – Smirnov và Anderson – Darling xác nhận phân phối Log-normal và Gamma phù hợp với phần lớn các nhóm đối tượng (đặc biệt là dạng phân phối có độ lệch và đuôi dày).
  • Ước lượng tham số: Luận án thực hiện ước lượng tham số bằng phương pháp MLE và phương pháp Bayes (cập nhật từ phân phối tiên nghiệm sang phân phối hậu nghiệm qua 3 năm 2014, 2015, 2016).
  • Mô phỏng và đánh giá sai số: Mô phỏng Monte Carlo tái lập phân phối chi phí KCB đầu người ($S_i$) và so sánh với giá trị thực tế. Kết quả đánh giá sai số ước lượng khẳng định mô hình rủi ro nhóm với tham số ước lượng bằng phương pháp Bayes có độ chính xác cao.
  • Dự báo năm 2017: Kết hợp bảng dự báo dân số theo tuổi và giới tính của GSO với tỷ lệ tham gia BHYT dự kiến tại TP.HCM năm 2017 để ước lượng tổng số người tham gia BHYT ($M_i$). Từ đó, mô phỏng hàm mật độ xác suất của chi phí đầu người và tổng chi phí KCB BHYT toàn TP.HCM năm 2017.
  • Lượng hóa rủi ro và vốn kinh tế: Tính toán cụ thể các giá trị $VaR$ và $CTE$ ở các mức ý nghĩa khác nhau (như 95%, 99%), xác định mức phụ phí an toàn và dự phòng vốn kinh tế cần thiết để bảo đảm khả năng thanh toán của quỹ BHYT TP.HCM năm 2017.

Kết quả và những đóng góp mới

Đóng góp về lý luận và phương pháp

  1. Hệ thống hóa và kiểm chứng tính tương thích của hệ thống các mô hình toán kinh tế (đặc biệt là mô hình tổn thất và mô hình rủi ro nhóm) trong lĩnh vực BHYT tại một quốc gia đang phát triển có sự chuyển đổi dịch tễ và cấu trúc dân số nhanh như Việt Nam.
  2. Thiết lập quy trình phân tích kết hợp phương pháp ước lượng Bayes và mô phỏng ngẫu nhiên Monte Carlo đối với dữ liệu lớn cấp hành chính tỉnh, xử lý phân tách 10.692 nhóm đối tượng kết hợp giữa yếu tố nhân khẩu (tuổi, giới tính) và phi nhân khẩu (tuyến kỹ thuật, loại điều trị, nhóm bệnh).
  3. Cung cấp kết quả ước lượng dưới dạng phân phối xác suất liên tục của tổng chi phí KCB thay vì các ước lượng điểm xác định đơn biến, cho phép tính toán các độ đo rủi ro biên ($VaR$, $CTE$).

Đóng góp về thực tiễn và chính sách

  1. Cung cấp bộ tham số phân phối thực nghiệm về số lượt KCB và chi phí KCB BHYT cho các nhóm dân cư tại TP. Hồ Chí Minh giai đoạn 2014–2016, hỗ trợ dự báo mức chi phí KCB đầu người và tổng chi BHYT năm 2017.
  2. Đề xuất căn cứ định lượng khoa học cho cơ quan quản lý BHYT (BHXH Việt Nam và Sở Y tế) trong việc định phí BHYT, trích lập quỹ dự phòng biến động lớn về tổn thất, và xác định mức vốn kinh tế cần thiết để duy trì an toàn quỹ.
  3. Chỉ ra tầm quan trọng của việc hoàn thiện hạ tầng dữ liệu y tế, chuẩn hóa định dạng dữ liệu KCB BHYT ở tuyến cơ sở (xã/phường) và liên kết hồ sơ bệnh án điện tử để phục vụ công tác dự báo tài chính y tế.

Kiến nghị và giải pháp đề xuất

  • Áp dụng các mô hình rủi ro nhóm và kỹ thuật định phí bảo hiểm hiện đại vào quy trình lập dự toán ngân sách BHYT hàng năm tại BHXH cấp tỉnh và toàn quốc.
  • Xây dựng cơ chế trích lập quỹ dự phòng BHYT dựa trên các độ đo rủi ro đuôi ($VaR$, $CTE$) nhằm ứng phó với các cú sốc chi phí hoặc thay đổi chính sách viện phí.
  • Hoàn thiện hệ thống quản lý thông tin giám định BHYT, bổ sung thu thập các trường dữ liệu kinh tế - xã hội của người tham gia để mở rộng sang các mô hình hồi quy vi mô đa biến.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  1. Thiếu hụt các biến giải thích kinh tế - xã hội: Dữ liệu từ cơ quan BHXH chỉ chứa các biến hành chính - kỹ thuật y tế (tuổi, giới tính, nhóm bệnh, tuyến viện), thiếu các biến về đặc điểm cá nhân (trình độ học vấn, việc làm, nghề nghiệp) và hộ gia đình (mức thu nhập, tình trạng nghèo, đặc điểm chủ hộ). Do đó, luận án chưa thể áp dụng kết hợp các mô hình hồi quy đa biến mở rộng.
  2. Dữ liệu tuyến xã/phường chưa đồng bộ: Dữ liệu chi phí KCB BHYT tại các trạm y tế tuyến xã/phường ở TP.HCM trong giai đoạn nghiên cứu chưa được biểu diễn theo chuẩn biểu mẫu 79b và 80b, buộc nghiên cứu phải giới hạn phân tích trên 3 tuyến kỹ thuật (Trung ương, Tỉnh, Huyện).
  3. Độ dài chuỗi thời gian: Dữ liệu chi tiết chỉ có trong 3 năm (2014–2016), chưa đủ độ dài chuỗi thời gian để áp dụng các mô hình kinh tế lượng chuỗi thời gian nâng cao hoặc mô hình dữ liệu mảng dài hạn.

Hướng nghiên cứu tiếp

  • Mở rộng thu thập dữ liệu đa nguồn kết hợp giữa cơ sở dữ liệu BHYT với Khảo sát Mức sống Hộ gia đình Việt Nam (VHLSS) để tích hợp các biến giải thích vi mô vào mô hình hồi quy dự báo.
  • Ứng dụng quy trình mô hình rủi ro nhóm cho toàn bộ 63 tỉnh, thành phố và tổng thể quy mô quốc gia khi hệ thống giám định BHYT điện tử toàn quốc hoàn thiện đồng bộ dữ liệu cả 4 tuyến kỹ thuật.
  • Khai thác các thuật toán học máy nâng cao kết hợp mô hình chuỗi thời gian khi chuỗi số liệu giám định BHYT được tích lũy đủ dài.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu cho các nhóm đối tượng:

  • Cơ quan quản lý và hoạch định chính sách (BHXH Việt Nam, Bộ Y tế, Bộ Tài chính): Tham khảo phương pháp tính toán dự phòng quỹ BHYT, kỹ thuật định phí và đánh giá mức độ rủi ro tài chính của quỹ theo từng tuyến KCB và nhóm bệnh tật.
  • Nghiên cứu sinh và học viên cao học ngành Toán kinh tế, Thống kê kinh tế, Kinh tế y tế và Định phí bảo hiểm (Actuarial Science): Tham khảo khung lý thuyết mô hình rủi ro nhóm, kỹ thuật ước lượng Bayes với các phân phối liên hợp và quy trình mô phỏng Monte Carlo trên dữ liệu lớn.
  • Giảng viên và các viện nghiên cứu: Khai thác các chương về phương pháp nghiên cứu và tổng quan mô hình tổn thất làm tài liệu giảng dạy trong các học phần Mô hình Toán trong bảo hiểm, Quản trị rủi ro tài chính và Phân tích dữ liệu y tế.

Câu hỏi thường gặp

1. Tại sao luận án lựa chọn mô hình rủi ro nhóm thay vì mô hình rủi ro đơn hay các mô hình hồi quy truyền thống?

Mô hình rủi ro nhóm (Collective Risk Model) cho phép tách biệt và mô hình hóa độc lập hai quá trình ngẫu nhiên: số lượt KCB phát sinh trong năm ($N$) và độ lớn chi phí của từng lượt khám ($X$). Cách tiếp cận này giúp đánh giá riêng rẽ tác động của chính sách mở rộng đối tượng (chỉ tác động đến $N$) hoặc sự thay đổi giá dịch vụ/tiến bộ y khoa (tác động đến $X$). Khác với hồi quy truyền thống chỉ ước lượng giá trị trung bình có điều kiện, mô hình rủi ro nhóm xác định toàn bộ phân phối xác suất của chi phí, cho phép tính toán các tham số phân vị và độ đo rủi ro đuôi.

2. Dữ liệu nghiên cứu của luận án được phân chia thành bao nhiêu nhóm và dựa trên những tiêu chí nào?

Luận án phân chia dữ liệu thành 10.692 nhóm đối tượng độc lập. Cấu trúc này được xác định bởi:

  • 2 nhóm giới tính (Nam, Nữ);
  • 81 nhóm tuổi (từng độ tuổi từ 0 đến 79 tuổi và nhóm $\ge 80$ tuổi);
  • 2 loại hình KCB (Nội trú theo mẫu 80b, Ngoại trú theo mẫu 79b);
  • 3 tuyến kỹ thuật KCB (Tuyến Trung ương, Tuyến Tỉnh, Tuyến Huyện);
  • 11 nhóm bệnh theo phân loại quốc tế ICD. ($2 \times 81 \times 2 \times 3 \times 11 = 10.692$).

3. Phương pháp Bayes được ứng dụng như thế nào trong việc ước lượng tham số của mô hình?

Phương pháp Bayes xem các tham số của phân phối (như $\lambda$ của Poisson, $\alpha, \beta$ của Gamma, $\mu, \sigma^2$ của Log-normal) là các biến ngẫu nhiên có phân phối tiên nghiệm. Thông qua việc cập nhật liên tục dữ liệu KCB BHYT thực tế qua các năm 2014, 2015 và 2016 tại TP.HCM kết hợp với các cặp phân phối liên hợp (Conjugate Priors), luận án xác định phân phối hậu nghiệm của các tham số. Ước lượng Bayes cho kết quả ổn định và chính xác hơn phương pháp ước lượng tần suất (MLE) truyền thống đối với các nhóm có cỡ mẫu quan sát nhỏ.

4. Các kiểm định thống kê nào được sử dụng để lựa chọn phân phối cho số lượt KCB và chi phí KCB?

Luận án sử dụng kiểm định Khi bình phương ($\chi^2$) để kiểm định tính phù hợp của các phân phối xác suất rời rạc (Nhị thức, Poisson, Nhị thức âm) đối với biến số lượt KCB ($N$). Đối với biến chi phí KCB theo lượt ($X$), luận án áp dụng kiểm định Kolmogorov – Smirnov (K-S) và kiểm định Anderson – Darling (A-D) để kiểm tra mức độ phù hợp của 4 phân phối xác suất liên tục (Gamma, Weibull, Log-normal, Pareto).

5. Dữ liệu thực nghiệm của luận án được lấy từ những nguồn nào?

Dữ liệu sử dụng trong luận án gồm ba nguồn chính thống:

  1. Cơ sở dữ liệu KCB BHYT TP. Hồ Chí Minh giai đoạn 2014–2016 do BHXH Việt Nam cung cấp cho Bộ Y tế thông qua Dự án Quản trị và Tài chính Y tế của USAID (USAID/HFG).
  2. Dữ liệu thống kê về số lượng và tỷ lệ bao phủ BHYT cấp tỉnh của BHXH Việt Nam.
  3. Bộ số liệu dự báo dân số Việt Nam giai đoạn 2014–2049 của Tổng cục Thống kê (GSO, 2016) chi tiết theo độ tuổi và giới tính.

Kết luận

Luận án của nghiên cứu sinh Phạm Thị Hồng Thắm đã hệ thống hóa và kiểm chứng thành công phương pháp luận mô hình toán kinh tế trong ước lượng chi phí KCB do BHYT chi trả tại Việt Nam thông qua trường hợp điển hình TP. Hồ Chí Minh. Bằng việc ứng dụng mô hình rủi ro nhóm kết hợp phương pháp ước lượng Bayes và mô phỏng ngẫu nhiên Monte Carlo cho 10.692 nhóm đối tượng, nghiên cứu đã xây dựng được phân phối xác suất thực nghiệm của chi phí KCB và lượng hóa các độ đo rủi ro tài chính phục vụ dự báo năm 2017. Kết quả nghiên cứu cung cấp cơ sở khoa học định lượng có độ tin cậy cao cho các cơ quan quản lý trong công tác định phí, trích lập dự phòng và quản trị cân đối quỹ BHYT bền vững.