Tổng quan về luận án
Trong bối cảnh hơn ba thập kỷ đổi mới kinh tế, Việt Nam đã chuyển dịch từ một quốc gia thu nhập thấp sang quốc gia có thu nhập trung bình thấp với tốc độ tăng trưởng kinh tế trung bình gần 7% giai đoạn 1990 - 2018, đưa thu nhập bình quân đầu người vượt mức 2.800 USD vào năm 2018. Song hành với sự chuyển mình về kinh tế, hệ thống chăm sóc sức khỏe chứng kiến bước tiến vượt bậc: theo Báo cáo Các chỉ số phát triển thế giới (WDI) của Ngân hàng Thế giới (2017), "chi tiêu y tế bình quân đầu người của Việt Nam theo giá hiện hành vào năm 2015 là 142,4 đô la Mỹ - bằng 3,9 lần so với năm 2005 và 1,8 lần so với năm 2010". Nhằm thiết lập mạng lưới an sinh xã hội vững chắc và giảm rủi ro tài chính y tế, chính sách Bảo hiểm Y tế (BHYT) xã hội được áp dụng từ năm 1992 và từng bước mở rộng diện bao phủ. Tính đến năm 2018, hệ thống BHYT đã bao phủ khoảng 85% dân số (tương đương gần 78 triệu người), đồng thời "tỷ lệ chi tiêu tiền túi (tính bằng chi tiêu tiền túi so với tổng chi tiêu KCB) giảm từ 68% vào năm 2005 xuống 47% vào năm 2010 và xuống 36,7% vào năm 2015". Các tính toán thực nghiệm cho thấy "tính trung bình, BHYT bao phủ khoảng 80-85% tổng chi phí KCB nội trú và ngoại trú ở Việt Nam", đặc biệt mang ý nghĩa sống còn đối với người cao tuổi (Long và cộng sự, 2016; Kelly và cộng sự, 2016).
Tuy nhiên, hệ thống BHYT Việt Nam đang đối mặt với nguy cơ thâm hụt nghiêm trọng khi chi phí khám, chữa bệnh (KCB) do quỹ BHYT chi trả ghi nhận mức tăng đột biến từ 15% đến 20% mỗi năm, ngay cả khi đã kiểm soát các điều chỉnh viện phí danh nghĩa theo Thông tư 37/2015/TT-BHYT. Hiện tượng này xuất phát từ quá trình già hóa dân số nhanh chóng, sự chuyển dịch gánh nặng bệnh tật sang các bệnh mãn tính không lây, sự lạm dụng dịch vụ kỹ thuật cao và thuốc điều trị, cùng với cấu trúc chi trả phức tạp theo phân tuyến kỹ thuật y tế (Bộ Y tế và HFG, 2015).
Khoảng trống nghiên cứu (Research Gap) cốt lõi nằm ở sự thiếu vắng các mô hình toán kinh tế ngẫu nhiên (stochastic actuarial models) có khả năng phân rã và tái cấu trúc chi phí KCB tại Việt Nam. Các nghiên cứu hiện hành (ví dụ: BHXH Việt Nam & InWent, 2012; Kelly và cộng sự, 2018) chủ yếu sử dụng phương pháp thống kê mô tả hoặc mô hình đoàn hệ đơn giản, coi mức độ rủi ro mang tính tất định (deterministic) và bỏ qua bản chất biến ngẫu nhiên phức hợp của tổn thất y tế. Luận án tiến sĩ của Nghiên cứu sinh Phạm Thị Hồng Thắm với đề tài "Các mô hình toán kinh tế trong ước lượng chi phí khám chữa bệnh do Bảo hiểm y tế chi trả ở Việt Nam" đã giải quyết triệt để khoảng trống này thông qua việc ứng dụng lý thuyết rủi ro nhóm (Collective Risk Theory), kết hợp suy diễn Bayes và mô phỏng ngẫu nhiên Monte Carlo.
Mục tiêu và câu hỏi nghiên cứu của luận án được cụ thể hóa thành 3 câu hỏi chính:
- RQ1: Các lớp mô hình toán kinh tế nào đã và đang được phát triển trên thế giới để ước lượng, dự báo chi phí KCB và đâu là mô hình tối ưu cho đặc thù dữ liệu BHYT?
- RQ2: Với bộ dữ liệu KCB BHYT tại Việt Nam giai đoạn 2014 - 2016, phân phối xác suất nào phù hợp nhất để mô hình hóa số lượt KCB và chi phí cho mỗi lượt KCB theo từng nhóm đối tượng?
- RQ3: Dựa trên các mô hình xác suất tối ưu, kết quả ước lượng tổng chi phí KCB BHYT, sai số dự báo và các độ đo rủi ro (Value at Risk - $VaR$, Conditional Tail Expectation - $CTE$) mang lại những hàm ý gì cho việc định phí và trích lập quỹ dự phòng bảo hiểm?
Các giả thuyết nghiên cứu tương ứng:
- H1: Chi phí KCB BHYT cấp độ cá nhân không tuân theo phân phối chuẩn mà có đặc tính phân phối đuôi dày, bất đối xứng lệch phải và hiện tượng tập trung giá trị bằng 0.
- H2: Tần suất KCB ($N$) tuân theo phân phối thừa phương sai (over-dispersion) như Nhị thức âm, trong khi độ lớn tổn thất đơn vị vị ($X$) phù hợp với các phân phối liên tục phi đối xứng như Gamma, Lognormal, Weibull hoặc Pareto.
- H3: Phương pháp suy diễn Bayes với các phân phối tiên nghiệm liên hợp cung cấp độ chính xác và tính vững trong ước lượng tham số vượt trội hơn phương pháp ước lượng tần suất cổ điển khi cập nhật dữ liệu hàng năm.
Khung lý thuyết tổng quát được kế thừa và phát triển từ mô hình dự báo tài chính y tế của Cichon (1999), tích hợp với Lý thuyết tổn thất bảo hiểm (Loss Models) của Klugman và cộng sự (2012) và Wuthrich (2017). Phạm vi nghiên cứu tập trung vào toàn bộ dữ liệu KCB BHYT tại Thành phố Hồ Chí Minh giai đoạn 2014 - 2016 – địa bàn trọng điểm chiếm gần 20% tổng chi phí KCB BHYT của cả nước. Mẫu dữ liệu được phân rã thành 10.692 nhóm đối tượng kết hợp đa chiều giữa nhân khẩu học (giới tính, 81 nhóm tuổi từ 0 đến 80+) và các yếu tố phi nhân khẩu (2 loại hình điều trị nội/ngoại trú, 3 tuyến kỹ thuật gồm trung ương/tỉnh/huyện, và 11 nhóm bệnh lý theo phân loại quốc tế ICD).
Literature Review và Positioning
Tổng quan y văn quốc tế cho thấy các hướng tiếp cận ước lượng và dự báo chi phí KCB được phân chia thành 3 dòng chính (Astolfi và cộng sự, 2012):
- Dòng mô hình mô phỏng vi mô (Micro-simulation models): Điển hình qua các công trình của Besseling và Shestalova (2011), Brown và cộng sự (2009), Fukawa (2007) và Spielauer (2007). Nhóm nghiên cứu này xem xét từng cá nhân xuyên suốt vòng đời, mô phỏng quá trình chuyển đổi dịch tễ học và các biến cố sức khỏe ngẫu nhiên. Mặc dù phản ánh sâu sắc tương tác vi mô, phương pháp này đòi hỏi hệ thống dữ liệu vi mô theo chiều dọc (longitudinal data) cực kỳ chi tiết, khó khả thi trong điều kiện các nước đang phát triển.
- Dòng mô hình cấp độ vĩ mô (Macro-level models): Phát triển bởi Getzen và Poullier (1992), Baltagi và Moscone (2010), Oliveira Martins và De la Maisonneuve (2006). Nhóm tác giả sử dụng hồi quy chuỗi thời gian hoặc dữ liệu mảng (Panel Data) giữa tổng chi tiêu y tế với tốc độ tăng trưởng GDP, tỷ lệ lạm phát và già hóa. Hạn chế cốt tử là mô hình vĩ mô che lấp các biến động cấu trúc nội tại và hành vi tiêu dùng dịch vụ y tế vi mô.
- Dòng mô hình theo thành phần và đoàn hệ (Component/Cohort-based actuarial models): Được chứng minh tính ưu việt qua các nghiên cứu của Racic (1997), Vos và cộng sự (2007), Przywara (2010) và Ringel và cộng sự (2010). Phương pháp này chia tổng thể thành các mảng (cells) dựa trên đặc tính nhân khẩu và tính toán chi phí bình quân kết hợp dự báo biến động dân số.
┌─────────────────────────────────────────────────────────┐
│ CÁC TIẾP CẬN ƯỚC LƯỢNG CHI PHÍ KCB │
└────────────────────────────┬────────────────────────────┘
│
┌────────────────────────────────────────┼────────────────────────────────────────┐
│ │ │
┌────────┴────────┐ ┌────────┴────────┐ ┌────────┴────────┐
│ MÔ PHỎNG VI MÔ │ │ VĨ MÔ │ │ THEO THÀNH PHẦN │
│ (Micro-sim) │ │ (Macro-level) │ │ (Actuarial/Cell)│
└────────┬────────┘ └────────┬────────┘ └────────┬────────┘
│ Theo dõi vòng đời │ Chuỗi thời gian / Mảng │ Phân chia đoàn hệ
│ Yêu cầu dữ liệu lớn │ Che lấp cấu trúc vi mô │ Cân bằng dữ liệu
▼ ▼ ▼
Besseling & Shestalova (2011) Getzen & Poullier (1992) Racic (1997); Vos et al. (2007)
Brown et al. (2009); Fukawa (2007) Baltagi & Moscone (2010) Przywara (2010); Tse (2009)
Về mặt kỹ thuật định lượng, tồn tại sự tranh luận sâu sắc giữa trường phái Kinh tế lượng (Econometrics) và trường phái Toán bảo hiểm (Actuarial Science). Trường phái kinh tế lượng xử lý đặc tính dữ liệu y tế (lệch phải, nhiều số 0) bằng hồi quy Log-linear kết hợp yếu tố làm trơn Smearing Factor của Duan (1983), mô hình trung bình mũ có điều kiện (ECM - Exponential Conditional Mean) của Gilleskie và Mroz (2004), hoặc mô hình tuyến tính tổng quát (GLM - Generalized Linear Models) của Nelder và Baker (1972), Manning và cộng sự (2005), Jones (2010, 2017). Tuy nhiên, GLM chỉ ước lượng kỳ vọng có điều kiện $E(Y|X)$ mà không cung cấp toàn bộ hàm mật độ xác suất của tổng chi phí.
Ngược lại, trường phái Toán bảo hiểm ứng dụng Lý thuyết mô hình tổn thất (Loss Models) (Klugman và cộng sự, 2012; Tse, 2009; Wuthrich, 2017). Bằng cách phân rã tổng chi phí thành biến ngẫu nhiên phức hợp phụ thuộc vào tần suất khiếu nại và mức độ nghiêm trọng của từng khiếu nại, mô hình này cho phép nắm bắt toàn diện phân phối xác suất thực nghiệm, từ đó tính toán chính xác các tham số phân tán và đuôi tổn thất.
So sánh với các nghiên cứu quốc tế điển hình:
- Trường hợp Croatia của Racic (1997): Dự báo chi phí y tế giai đoạn 1996 - 2011 bằng cách phân tách chi phí theo dịch vụ chăm sóc ban đầu, nội trú, ngoại trú, dược phẩm nhưng đồng nhất hóa toàn bộ dân số, bỏ qua sự phân hóa giữa các nhóm tuổi và bệnh lý.
- Trường hợp Australia của Vos và cộng sự (2007): Dự báo chi phí y tế 30 năm (2003 - 2033) qua 20 nhóm tuổi kết hợp phân loại bệnh tật. Tuy nhiên, công trình này sử dụng phương pháp tính trung bình tất định, thiếu vắng các kiểm định thống kê nghiêm ngặt về phân phối xác suất và không lượng hóa được rủi ro đuôi (tail risk).
- Trường hợp bang Washington - Hoa Kỳ của Sushmita và cộng sự (2015): Ứng dụng các thuật toán học máy (CART, M5 Tree, Random Forest) trên dữ liệu yêu cầu bồi thường bảo hiểm. Dù có khả năng dự báo điểm tốt, mô hình học máy thiếu tính diễn giải cấu trúc xác suất và không tương thích với quy định trích lập vốn kinh tế của các quỹ công.
Luận án tự định vị ở điểm giao thoa tiến bộ nhất: kế thừa kỹ thuật phân mảng đoàn hệ chi tiết của Vos và cộng sự (2007), nhưng khắc phục triệt để tính tất định bằng cách đưa vào cấu trúc mô hình rủi ro nhóm ngẫu nhiên (Collective Risk Model), tích hợp thuật toán Bayes và kiểm định phi tham số đa tiêu chí.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án tạo ra bước đột phá trong việc mở rộng và thích ứng các lý thuyết toán kinh tế - bảo hiểm kinh điển vào bối cảnh thể chế y tế tại các quốc gia đang phát triển:
- Mở rộng Lý thuyết Rủi ro tập thể (Collective Risk Theory): Kế thừa nền tảng của Lundberg (1903), Cramér (1930) và chuẩn hóa bởi Wuthrich (2017), luận án chứng minh tính khả thi của mô hình rủi ro nhóm phức hợp $S = \sum_{i=1}^{N} X_i$ trong việc mô hình hóa đồng thời hai nguồn biến thiên ngẫu nhiên: số lượt KCB ($N$) và độ lớn chi phí một lượt ($X$). Luận án chứng minh rằng việc mô hình hóa độc lập $N$ và $X$ cho phép phân lập tác động của chính sách mở rộng thẻ BHYT (chỉ tác động đến $N$) với tác động của trượt giá y tế, tiến bộ kỹ thuật hay thay đổi danh mục thuốc (tác động trực tiếp đến $X$).
- Hiện thực hóa Lý thuyết Ước lượng Bayes (Bayesian Estimation Theory) trong Toán bảo hiểm: Khác với phương pháp ước lượng tần suất (Frequentist) coi tham số là hằng số cố định, luận án áp dụng quan điểm Bayes coi tham số $\Theta$ là biến ngẫu nhiên có phân phối xác suất. Luận án đã thiết lập thành công hệ thống các cặp phân phối liên hợp (Conjugate Priors) tối ưu:
- Cặp Poisson - Gamma đối với tần suất KCB;
- Cặp Nhị thức - Beta và Nhị thức âm - Beta đối với số lượt KCB phân tán;
- Cặp Gamma - Gamma, Inverse Gamma - Weibull, Normal - Lognormal, và Gamma - Pareto đối với độ lớn chi phí lượt KCB.
- Chuyển dịch mô thức (Paradigm Shift) từ Ước lượng điểm sang Phân phối xác suất ngẫu nhiên: Luận án bác bỏ cách tiếp cận truyền thống vốn chỉ dựa vào giá trị kỳ vọng trung bình $E(S)$. Việc tái cấu trúc toàn bộ hàm phân phối tích lũy $F_S(s)$ của tổng chi phí cung cấp cơ sở toán học để ứng dụng các độ đo rủi ro hiện đại ($VaR$ và $CTE$), chuyển đổi tư duy quản trị quỹ BHYT từ "cân đối thu chi danh nghĩa" sang "quản trị an toàn vốn kinh tế dựa trên mức độ chấp nhận rủi ro".
┌──────────────────────────────────────────────────────────┐
│ KHUNG LÝ THUYẾT & SUY DIỄN BAYES LIÊN HỢP │
└────────────────────────────┬─────────────────────────────┘
│
┌───────────────────────────┴───────────────────────────┐
│ │
┌──────────────┴──────────────┐ ┌──────────────┴──────────────┐
│ TẦN SUẤT SỐ LƯỢT KCB (N) │ │ CHI PHÍ MỖI LƯỢT KCB (X) │
└──────────────┬──────────────┘ └──────────────┬──────────────┘
│ │
┌─────────────┼─────────────┐ ┌────────────┼────────────┐
▼ ▼ ▼ ▼ ▼ ▼
Poisson Binomial Negative Binomial Gamma Lognormal Pareto
│ │ │ │ │ │
[Tiên nghiệm: [Tiên nghiệm: [Tiên nghiệm: [Tiên nghiệm: [Tiên nghiệm: [Tiên nghiệm:
Gamma] Beta] Beta] Gamma] Normal] Gamma]
└─────────────┬─────────────┘ └────────────┬────────────┘
│ │
└───────────────────────────┬───────────────────────────┘
▼
┌───────────────────────────┐
│ MÔ HÌNH RỦI RO TẬP THỂ │
│ S = X_1 + ... + X_N │
│ (Phân phối phức Compound) │
└─────────────┬─────────────┘
▼
┌───────────────────────────┐
│ MÔ PHỎNG MONTE CARLO │
│ ĐỘ ĐO RỦI RO & VỐN │
│ (VaR_α, CTE_α, Pure P) │
└───────────────────────────┘
Khung phân tích độc đáo
Khung phân tích được xây dựng trên sự tích hợp chặt chẽ giữa 3 trụ cột lý thuyết: Khung dự báo dân số - tài chính y tế của Cichon (1999), Lý thuyết phân phối tổn thất của Tse (2009), và Kỹ thuật mô phỏng thống kê Monte Carlo.
Mô hình rủi ro nhóm cho một cá nhân thuộc nhóm đối tượng $k$ ($k = 1, \dots, 10.692$) có dạng:
$$S_k = \begin{cases} \sum_{i=1}^{N_k} X_{k,i}, & N_k > 0 \ 0, & N_k = 0 \end{cases}$$
Trong đó:
- $N_k$ là biến ngẫu nhiên rời rạc không âm biểu diễn số lượt KCB trong năm của cá nhân nhóm $k$.
- $X_{k,i}$ là các biến ngẫu nhiên liên tục dương, độc lập và có cùng phân phối (i.i.d), biểu diễn chi phí của lượt KCB thứ $i$.
- Giả thiết căn bản: $N_k$ và dãy biến ${X_{k,i}}$ hoàn toàn độc lập với nhau.
Tổng chi phí KCB BHYT của toàn bộ nhóm $k$ được tính thông qua số người tham gia BHYT dự báo ($m_k$):
$$T_k = m_k \times S_k$$
Tổng chi phí KCB BHYT của toàn xã hội là tổng gộp của tất cả các nhóm đối tượng:
$$T = \sum_{k=1}^{10.692} T_k = \sum_{k=1}^{10.692} m_k S_k$$
Điều kiện biên (Boundary Conditions) được xác định rõ: Các cá nhân trong cùng một vi phân mảng (cell) được giả định có tính đồng nhất hoàn toàn về mức độ rủi ro sức khỏe; mô hình chỉ áp dụng cho dịch vụ KCB do BHYT chi trả tại các cơ sở y tế công lập và tư nhân từ tuyến huyện trở lên có ký hợp đồng KCB BHYT.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan thực chứng (Positivism) với lập trường tri thức luận khách quan (Objectivist Epistemology), sử dụng phương pháp luận định lượng xác suất nghiêm ngặt. Nghiên cứu triển khai thiết kế phân tầng đa mức độ (Multi-level cell-based design):
┌─────────────────────────────────────────────────────────────────────────────────────────────────┐
│ CẤU TRÚC PHÂN TẦNG 10.692 NHÓM ĐỐI TƯỢNG │
└────────────────────────────────────────────────┬────────────────────────────────────────────────┘
│
┌───────────────────────┬──────────────────────┴────────────────┬───────────────────────────┐
▼ ▼ ▼ ▼
GIỚI TÍNH ĐỘ TUỔI HÌNH THỨC PHÂN TUYẾN
(2 nhóm) (81 nhóm) (2 loại) (3 tuyến)
• Nam • 0 đến 79 tuổi • Nội trú • Tuyến Trung ương
• Nữ • 80 tuổi trở lên • Ngoại trú • Tuyến Tỉnh
• Tuyến Huyện
│ │ │ │
└───────────────────────┴──────────────────────┬────────────────┴───────────────────────────┘
│
▼
PHÂN LOẠI BỆNH LÝ (ICD)
(11 nhóm)
│
▼
2 × 81 × 2 × 3 × 11 = 10.692 NHÓM
Mẫu nghiên cứu bao quát toàn bộ hồ sơ thanh quyết toán KCB BHYT tại TP. Hồ Chí Minh giai đoạn 2014 - 2016, bao gồm hàng triệu lượt khám chữa bệnh nội trú và ngoại trú, đại diện cho gần 20% tổng chi tiêu BHYT quốc gia. Dữ liệu dân số tham chiếu được trích xuất từ Báo cáo Dự báo dân số Việt Nam giai đoạn 2014 - 2049 của Tổng cục Thống kê (2016) theo phương án mức sinh trung bình.
Quy trình nghiên cứu rigorous
Quy trình xử lý và làm sạch dữ liệu tuân thủ các chuẩn mực quốc tế:
- Thu thập và phân tách dữ liệu gốc: Trích xuất từ Hệ thống thông tin giám định BHYT của Cơ quan Bảo hiểm Xã hội Việt Nam theo 2 biểu mẫu tiêu chuẩn: Biểu mẫu 79b (chi phí KCB ngoại trú) và Biểu mẫu 80b (chi phí KCB nội trú).
- Khử trùng lặp và liên kết định danh cá nhân: Sử dụng mã định danh thẻ BHYT duy nhất để xâu chuỗi toàn bộ các lượt KCB của từng bệnh nhân trong suốt năm tài chính, tính toán chính xác biến số thực nghiệm $N$ (số lượt/năm) và dãy biến $X_i$ (chi phí/lượt).
- Kiểm định lựa chọn phân phối tối ưu:
- Đối với biến rời rạc $N$: Thực hiện Kiểm định Khi bình phương ($\chi^2$) về độ phù hợp phân phối với tiêu chuẩn kiểm định:
$$\chi^2 = \sum_{j=1}^{k} \frac{(O_j - E_j)^2}{E_j} \sim \chi^2(k - p - 1)$$
- Đối với biến liên tục $X$: Áp dụng song song Kiểm định Kolmogorov - Smirnov ($KS$) dựa trên độ lệch hàm phân phối thực nghiệm $F_n(x)$:
$$D = \sup_x |F_n(x) - F_0(x)|$$
và Kiểm định Anderson - Darling ($AD$) nhằm tăng cường độ nhạy tại vùng đuôi phân phối:
$$A^2 = -n - \sum_{i=1}^n \frac{2i - 1}{n} \left[ \ln F_0(X_{(i)}) + \ln(1 - F_0(X_{(n+1-i)})) \right]$$
- Tiêu chí so sánh mô hình: Sử dụng hệ thống tính điểm (Scored-based approach của Wuthrich, 2017) kết hợp tiêu chuẩn thông tin Akaike ($AIC = -2\ln L + 2k$) và tiêu chuẩn thông tin Bayes ($BIC = -2\ln L + k\ln n$).
Data và phân tích
Quy trình ước lượng tham số và mô phỏng ngẫu nhiên được thực hiện trên môi trường điện toán chuyên dụng:
- Ước lượng tham số: Triển khai phương pháp Bayes để tính toán các siêu tham số hậu nghiệm $\alpha^, \beta^$ thông qua việc cập nhật hàm hợp lý thực nghiệm vào hàm mật độ xác suất tiên nghiệm.
- Mô phỏng Monte Carlo: Viết các thuật toán chuyên sâu bằng ngôn ngữ
R và Matlab để mô phỏng phân phối phức hợp $S_k$:
- Mô phỏng biến ngẫu nhiên tham số $\Theta$ từ phân phối tiên nghiệm;
- Rút ngẫu nhiên giá trị $n$ từ phân phối rời rạc của $N$;
- Mô phỏng biến ngẫu nhiên siêu tham số $\Gamma$ của chi phí;
- Tạo ngẫu nhiên $n$ giá trị $x_1, x_2, \dots, x_n$ từ phân phối liên tục của $X$ bằng phương pháp Biến đổi ngược ($x = F^{-1}(u)$ với $u \sim U(0,1)$), phương pháp Chấp nhận - Bác bỏ (Acceptance - Rejection Method), hoặc phương pháp Tích chập (Convolution);
- Tính tổng tổn thất cá nhân $s = \sum_{i=1}^n x_i$;
- Lặp lại quá trình mô phỏng $M = 100.000$ lần để thu được hàm phân phối xác suất thực nghiệm hoàn chỉnh của $S_k$.
- Hệ thống phần mềm hỗ trợ: Quản trị và tiền xử lý dữ liệu lớn bằng
Stata, SPSS và MS Excel; thực thi mô hình toán, kiểm định phân phối và mô phỏng xác suất trên R và Matlab.
Phát hiện đột phá và implications
Những phát hiện then chốt
- Bản chất phân phối của chi phí y tế đơn vị ($X$): Dữ liệu thực nghiệm bác bỏ hoàn toàn giả định phân phối Chuẩn ($p < 0.001$). Phân phối Gamma và Weibull tỏ ra tối ưu đối với các chi phí KCB ngoại trú tuyến huyện và tỉnh (vùng thân phân phối dày, độ lệch phải vừa phải), trong khi phân phối Lognormal và Pareto chiếm ưu thế tuyệt đối ở các nhóm bệnh hiểm nghèo điều trị nội trú tuyến trung ương (đuôi tổn thất cực dày, phản ánh các ca bệnh có chi phí hàng trăm triệu đồng).
- Hiện tượng phân tán vượt bậc của tần suất KCB ($N$): Kiểm định Khi bình phương chứng minh phân phối Poisson bị vi phạm nghiêm trọng do hiện tượng thừa phương sai ($Var(N) > E(N)$). Phân phối Nhị thức âm (Negative Binomial) thể hiện sự tương thích hoàn hảo với dữ liệu ($p > 0.05$ trong kiểm định $\chi^2$), phản ánh chính xác hành vi của các nhóm bệnh nhân mãn tính có tần suất tái khám dày đặc.
- Cấu trúc rủi ro theo nhân khẩu học và phân tuyến kỹ thuật: Chi phí KCB bình quân đầu người có xu hướng tăng phi tuyến tính theo độ tuổi, hình thành điểm gãy gia tăng đột biến từ nhóm 60 tuổi trở lên và đạt đỉnh ở nhóm trên 80 tuổi. Chi phí KCB nội trú tuyến trung ương chiếm tỷ trọng chi phối trong tổng quỹ dù số lượt khám thấp hơn ngoại trú, tạo nên rủi ro mất cân đối tài chính cục bộ.
- Độ chính xác vượt trội của mô hình dự báo: Mô phỏng Monte Carlo tổng chi phí KCB BHYT cho năm tài chính 2017 tại TP. Hồ Chí Minh cho kết quả với biên độ sai số tuyệt đối (MAPE) dưới 3% so với số liệu quyết toán thực tế của Bảo hiểm Xã hội Việt Nam, khẳng định tính vững và độ tin cậy vượt bậc so với các phương pháp ngoại suy xu thế quá khứ.
┌─────────────────────────────────────────────────────────────────────────────────────────────────┐
│ SO SÁNH CÁC ĐỘ ĐO RỦI RO & ĐỊNH PHÍ │
└────────────────────────────────┬────────────────────────────────┬───────────────────────────────┘
│ │
┌───────────────┴───────────────┐┌───────────────┴───────────────┐
│ ĐỘ ĐO RỦI RO TÍNH PHÍ ││ ĐỘ ĐO TÍNH VỐN KINH TẾ │
└───────────────┬───────────────┘└───────────────┬───────────────┘
│ │
┌───────────────────────┼───────────────────────┐ │
▼ ▼ ▼ ▼
Phí thuần Phí có hệ số tải Theo độ lệch Giá trị rủi ro VaR_α (99%)
E(S) (1 + θ)E(S) chuẩn Tổn thất tối đa tại độ tin cậy α
E(S) + c·σ_S │
▼
Kỳ vọng đuôi có điều kiện
CTE_α = E(S | S > VaR_α)
Đo lường tổn thất thảm họa
Implications đa chiều
- Về mặt lý thuyết tài chính y tế: Công trình cung cấp minh chứng thực nghiệm khẳng định sự cần thiết phải tích hợp lý thuyết toán bảo hiểm ngẫu nhiên vào quản trị y tế công tại các thị trường mới nổi, bắc cầu nối giữa dịch tễ học và khoa học định phí (Actuarial Science).
- Về phương pháp luận ứng dụng: Khung mô hình rủi ro nhóm 10.692 mảng phân tầng thiết lập một chuẩn mực quy trình nghiên cứu có thể chuẩn hóa và chuyển giao trực tiếp cho 63 tỉnh, thành phố trên toàn lãnh thổ Việt Nam.
- Về thực tiễn định phí BHYT: Cung cấp cơ sở khoa học để xây dựng biểu phí BHYT kỹ thuật (Actuarial Fair Premium) dựa trên 4 công thức định phí: phí thuần ($E[S]$), phí có hệ số tải an toàn ($(1+\theta)E[S]$), phí theo nguyên lý phương sai ($E[S] + \alpha Var(S)$), và phí theo nguyên lý độ lệch chuẩn ($E[S] + c\sigma_S$).
- Về quản trị an toàn vốn và chính sách công: Cho phép Cơ quan Bảo hiểm Xã hội Việt Nam xác định chính xác lượng Vốn kinh tế tối thiểu (Economic Capital) cần trích lập dự phòng thông qua hai chỉ số $VaR_{99%}(S) - E(S)$ và $CTE_{99%}(S) - E(S)$. Kết quả này giúp cơ quan hoạch định chính sách chủ động kịch bản ứng phó trước các biến cố dịch bệnh hoặc thay đổi chính sách thông tuyến KCB.
Limitations và Future Research
Luận án thừa nhận một cách khách quan các giới hạn nghiên cứu:
- Thiếu hụt biến giải thích vi mô: Do dữ liệu hồ sơ thanh toán BHYT hành chính chỉ ghi nhận thông tin lâm sàng và kỹ thuật y tế, mô hình chưa thể tích hợp các biến số kinh tế - xã hội quan trọng như thu nhập hộ gia đình, trình độ học vấn, tình trạng việc làm và lối sống (hút thuốc, dinh dưỡng), làm hạn chế khả năng áp dụng các mô hình hồi quy kinh tế lượng vi mô hỗn hợp.
- Giới hạn phạm vi phân tuyến kỹ thuật: Nghiên cứu mới chỉ bao quát 3 tuyến kỹ thuật (trung ương, tỉnh, huyện) mà phải loại trừ tuyến trạm y tế xã/phường do đặc thù biểu mẫu thanh toán tại TP. Hồ Chí Minh giai đoạn 2014 - 2016 không đồng nhất dưới dạng mẫu 79b và 80b.
- Độ dài chuỗi thời gian: Bộ dữ liệu 3 năm (2014 - 2016) đủ để ước lượng tĩnh và cập nhật Bayes ngắn hạn nhưng chưa đủ độ dài để thiết lập các mô hình chuỗi thời gian ngẫu nhiên phức hợp (Stochastic Dynamic Time-Series) nhằm dự báo dài hạn 20-30 năm.
Chương trình nghiên cứu tương lai (Future Research Agenda):
- Phát triển mô hình tích hợp Học máy (Machine Learning) và Mô hình tổn thất (Loss Models) nhằm phát hiện gian lận, trục lợi quỹ BHYT trong dữ liệu lớn thời gian thực;
- Mở rộng phạm vi thu thập dữ liệu trên toàn bộ 63 tỉnh thành và tích hợp đầy đủ dữ liệu y tế cơ sở tuyến xã/phường;
- Khảo sát dữ liệu bảng hộ gia đình (VHLSS) để liên kết hành vi kinh tế vi mô với rủi ro tổn thất y tế ngẫu nhiên.
Tác động và ảnh hưởng
- Tác động học thuật (Academic Impact): Luận án đóng vai trò là một trong những công trình tiên phong tại Việt Nam áp dụng toàn diện lý thuyết rủi ro nhóm phức hợp và suy diễn Bayes vào BHYT công, mở ra hướng nghiên cứu liên ngành giữa Toán ứng dụng, Khoa học Thống kê và Kinh tế Y tế.
- Chuyển đổi ngành bảo hiểm và y tế (Industry Transformation): Định hình lại quy trình nghiệp vụ giám định và dự báo tài chính của Bảo hiểm Xã hội Việt Nam từ phương pháp thống kê thủ công sang tự động hóa mô hình hóa xác suất ngẫu nhiên.
- Ảnh hưởng chính sách quốc gia (Policy Influence): Cung cấp luận cứ định lượng độc lập phục vụ việc sửa đổi Luật Bảo hiểm Y tế, hỗ trợ Bộ Y tế và Bộ Tài chính trong việc xác định mức đóng BHYT tối ưu, danh mục chi trả thuốc BHYT và cơ chế trích lập quỹ dự phòng rủi ro quốc gia.
- Lợi ích xã hội (Societal Benefits): Đảm bảo tính bền vững lâu dài của quỹ BHYT toàn dân, gián tiếp bảo vệ hàng chục triệu người dân Việt Nam trước nguy cơ nghèo hóa do chi phí y tế thảm họa (Catastrophic Health Expenditure).
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phương pháp luận mẫu mực, kết hợp giữa kiểm định phân phối phi đối xứng, thuật toán Bayes liên hợp và quy trình mô phỏng ngẫu nhiên Monte Carlo trên dữ liệu lớn.
- Cơ quan quản lý nhà nước (Bộ Y tế, Bộ Tài chính, BHXH Việt Nam): Sở hữu công cụ định lượng chính xác để dự báo gánh nặng chi phí y tế, đánh giá tác động của các thay đổi chính sách viện phí và phân tuyến KCB.
- Các nhà quản lý bệnh viện và cơ sở y tế: Hiểu rõ cấu trúc phân phối chi phí theo phân loại bệnh ICD và nhóm tuổi để tối ưu hóa quản trị viện phí, hạn chế bội chi quỹ BHYT tại cơ sở.
- Tổ chức quốc tế (WHO, WB, USAID): Có nguồn dữ liệu tham chiếu khoa học tin cậy về hành vi chi phí y tế trong quá trình chuyển đổi bao phủ BHYT toàn dân tại các nền kinh tế đang phát triển.
Câu hỏi chuyên sâu
-
Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Đó là việc mở rộng thành công Lý thuyết Rủi ro tập thể (Collective Risk Theory) vào hệ thống BHYT công lập đa tuyến tại một quốc gia đang phát triển. Bằng việc phân rã mô hình thành $S = \sum_{i=1}^N X_i$ trên 10.692 mảng đặc trưng và tích hợp hệ thống phân phối tiên nghiệm liên hợp Bayes, luận án đã chuyển đổi căn bản cách thức mô hình hóa chi phí y tế từ tiếp cận tất định sang tiếp cận ngẫu nhiên toàn diện.
-
Đột phá về phương pháp luận so với các nghiên cứu trước đây tại Việt Nam và quốc tế?
So với các nghiên cứu tại Việt Nam vốn chỉ dùng thống kê mô tả hoặc hồi quy tuyến tính OLS (mắc sai số nghiêm trọng do dữ liệu lệch phải), và so với các nghiên cứu quốc tế như Racic (1997) hay Vos và cộng sự (2007) vốn dùng mô hình đoàn hệ tất định, luận án đã thực hiện quy trình kiểm định phân phối kép (Khi bình phương cho biến rời rạc, Kolmogorov - Smirnov và Anderson - Darling cho biến liên tục), kết hợp mô phỏng Monte Carlo $100.000$ lần để tái tạo hàm mật độ xác suất đầy đủ của tổng chi phí.
-
Phát hiện thực nghiệm bất ngờ và có ý nghĩa kinh tế nhất?
Phát hiện về sự khác biệt căn bản giữa phân phối chi phí theo tuyến: chi phí KCB tuyến huyện tuân theo phân phối Gamma/Weibull với đuôi tương đối mỏng, trong khi tuyến trung ương lại tuân theo phân phối Lognormal/Pareto với đuôi cực dày. Điều này chứng minh rằng rủi ro vỡ quỹ BHYT không nằm ở tần suất KCB ngoại trú số đông mà tập trung ở rủi ro đuôi (Tail Risk) của các ca bệnh nội trú phức tạp tại tuyến cuối.
-
Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không?
Toàn bộ cấu trúc thuật toán giải tích hợp lý cực đại (MLE), công thức cập nhật tham số hậu nghiệm Bayes, mã giả mô phỏng Monte Carlo bằng phương pháp biến đổi ngược và các tiêu chuẩn kiểm định thống kê đều được trình bày minh bạch, chi tiết trong Chương 2 và Chương 4, cho phép tái lập hoàn toàn trên bất kỳ bộ dữ liệu BHYT nào.
-
Chương trình nghiên cứu 10 năm tiếp theo được định hình thế nào?
Lộ trình 10 năm tập trung vào 3 trụ cột: (i) Mở rộng mô hình rủi ro nhóm trên cơ sở dữ liệu giám định BHYT điện tử toàn quốc thời gian thực; (ii) Tích hợp các thuật toán trí tuệ nhân tạo (Machine Learning/Deep Learning) để mô hình hóa rủi ro phi tuyến tính và phát hiện gian lận bảo hiểm; (iii) Xây dựng mô hình động cân bằng tổng thể (Dynamic CGE - Actuarial Model) đánh giá tác động dài hạn của già hóa dân số đối với tính bền vững của quỹ BHYT đến năm 2050.
Kết luận
Luận án tiến sĩ của Nghiên cứu sinh Phạm Thị Hồng Thắm đã khẳng định vị thế tiên phong trong nghiên cứu kinh tế y tế và toán bảo hiểm tại Việt Nam thông qua 5 đóng góp cốt lõi:
- Hệ thống hóa và phân loại toàn diện cơ sở lý luận về các mô hình toán kinh tế trong ước lượng chi phí KCB trên phạm vi toàn cầu.
- Thiết lập thành công khung mô hình rủi ro nhóm phức hợp đa tầng với 10.692 nhóm đối tượng, phản ánh chính xác cấu trúc nhân khẩu học và phân tuyến kỹ thuật y tế.
- Ứng dụng xuất sắc phương pháp suy diễn Bayes liên hợp và quy trình mô phỏng ngẫu nhiên Monte Carlo, khắc phục triệt để các khiếm khuyết của mô hình kinh tế lượng cổ điển.
- Lượng hóa chính xác phân phối xác suất tổng chi phí KCB BHYT tại TP. Hồ Chí Minh, đưa ra dự báo năm 2017 với sai số tối thiểu dưới 3%.
- Cung cấp bộ công cụ đo lường rủi ro chuẩn mực ($VaR$, $CTE$) phục vụ trực tiếp cho việc định phí kỹ thuật và trích lập quỹ dự phòng an toàn vốn, góp phần đảm bảo an ninh tài chính y tế quốc gia.
