Một mục tiêu chính của Đạo luật Chăm sóc Giá cả phải chăng (ACA) là giảm chi phí chăm sóc sức khỏe bằng cách cung cấp cho người tiêu dùng nhiều sự lựa chọn hơn so với công ty bảo hiểm của họ.

Lý thuyết kinh tế cho thấy rằng khi người tiêu dùng đưa ra lựa chọn sáng suốt và chủ động trong một thị trường cạnh tranh, các công ty sẽ phản ứng bằng cách hạ giá và cải thiện chất lượng dịch vụ của họ.

Nhưng lý thuyết sang một bên, nghiên cứu thực nghiệm chương trình người tiêu dùng Không thực sự hành xử theo cách này trong thực tế, đặc biệt là trong các thị trường phức tạp như bảo hiểm y tế.

Thực tế này khiến chính sách của chính phủ khó khăn hơn rất nhiều trong việc hạn chế hiệu quả chi phí chăm sóc sức khỏe (một số trong đó phải trả) và giảm phí bảo hiểm. Điều đó cũng có nghĩa là nhiều cá nhân có thể phải trả nhiều hơn so với bảo hiểm y tế.

Vậy có điều gì chúng ta có thể làm để giúp mọi người đưa ra quyết định bảo hiểm tốt hơn không?

Trong một bài báo gần đây Tôi đồng tác giả với nhà kinh tế học đồng nghiệp Jonathan Jonathan Kolstad, chúng tôi đã đánh giá cách dữ liệu được cá nhân hóa có thể giúp người tiêu dùng làm điều đó và kết quả là làm cho thị trường y tế hiệu quả hơn.

Nhiều lựa chọn, nhiều nhầm lẫn

Kiểm soát chi tiêu chăm sóc sức khỏe - lần đầu tiên đạt tới 3 nghìn tỷ USD mỗi năm ở 2014 - vẫn là ưu tiên đặc biệt cao đối với các nhà hoạch định chính sách. Tăng trưởng chi tiêu chậm lại dưới mức trung bình lịch sử trong khoảng thời gian ACA được thông qua nhưng kể từ đó tăng tốc.

Các cơ quan quản lý nhà nước và liên bang đã tạo ra các sàn giao dịch ACA để khuyến khích các công ty bảo hiểm cạnh tranh về giá cả và chất lượng trong khi cung cấp cho người tiêu dùng nhiều lựa chọn hơn.

Một số thị trường Medicare, chẳng hạn như bảo hiểm thuốc theo toa Plan D, cũng làm như vậy, trong khi các công ty cung cấp bảo hiểm y tế cũng đang ngày càng cung cấp nhiều lựa chọn hơn cho nhân viên của họ thông qua trao đổi thuận lợi tư nhân.

Nhưng cung cấp cho cá nhân nhiều lựa chọn hơn chỉ là bước đầu tiên. nghiên cứu cho thấy người tiêu dùng mắc lỗi trong khi chủ động mua sắm vì thiếu thông tin có sẵn, hiểu biết hạn chế bảo hiểm hoặc chỉ là rắc rối tổng thể của nó. Những khó khăn tồn tại cho dù các lựa chọn chỉ là một vài hoặc vài chục.

Điều này dẫn đến việc người tiêu dùng rời đi hàng trăm hoặc thậm chí hàng ngàn đô la trên bàn. Nó cũng góp phần vàoquán tính lựa chọn, Trong đó người tiêu dùng có thể đưa ra lựa chọn ban đầu thông minh nhưng không theo dõi và chủ động xem xét lại khi thông tin mới xuất hiện hoặc điều kiện thay đổi. Điều đó cũng có thể khiến họ mất rất nhiều tiền theo thời gian.

Trong nghiên cứu của chúng tôi, chúng tôi đã kiểm tra làm thế nào chúng ta có thể giải quyết những vấn đề này.

Khuyến nghị của người tiêu dùng

Một cách liên quan đến việc cung cấp cho người tiêu dùng các đề xuất kế hoạch cụ thể của người dùng dựa trên dữ liệu chi tiết về nhu cầu và sở thích chăm sóc sức khỏe cá nhân của họ.

Thông tin được cá nhân hóa dựa trên rủi ro sức khỏe dự kiến ​​của một cá nhân, khẩu vị rủi ro tài chính và sở thích của bác sĩ. Các chính sách này nêu bật các lựa chọn tốt nhất cho một người tiêu dùng nhất định bằng cách liên kết từng lựa chọn với các số liệu mà người tiêu dùng dễ hiểu và quan tâm, chẳng hạn như chi tiêu dự kiến ​​của họ trong mỗi kế hoạch trong năm tới.

Mục tiêu rộng lớn là khai thác sức mạnh của dữ liệu và công nghệ của người tiêu dùng để đưa ra các khuyến nghị hiệu quả trong thị trường bảo hiểm, tương tự như những gì chúng ta đã thấy ở nơi khác. Ví dụ: Amazon sử dụng lịch sử mua hàng và dữ liệu duyệt web của bạn để đưa ra đề xuất về những sản phẩm bổ sung nào bạn có thể thích, trong khi Google xử lý lượng thông tin khổng lồ để điều chỉnh quảng cáo tùy chỉnh.

Hiện đã có một số tiến bộ trong việc thực hiện các loại điều kiện này trong thị trường bảo hiểm.

Tuy nhiên, một mối quan tâm chính là các chính sách như vậy không đủ hiệu quả. Bằng chứng thực nghiệm gợi ý rằng ngay cả khi bạn dẫn người tiêu dùng đến giếng thông tin, bạn không nhất thiết phải ép họ uống.

Mặc định thông minh có thể là câu trả lời

Vì vậy, nếu việc cung cấp dữ liệu và đề xuất được cá nhân hóa không đủ để giúp người tiêu dùng đưa ra lựa chọn tốt hơn, liệu một chính sách tích cực hơn có hiệu quả không?

Một cách là thông qua các giá trị mặc định thông minh, hệ thống tự động đặt người tiêu dùng vào các kế hoạch ưu tiên dựa trên thông tin cụ thể của người dùng. Thay vì yêu cầu mọi người hành động theo khuyến nghị, tùy chọn tối ưu được chọn cho họ.

Các mặc định thông minh này sẽ được nhắm mục tiêu cẩn thận dựa trên dữ liệu riêng của từng cá nhân, nhưng chúng cũng không ràng buộc, cho phép người tiêu dùng chuyển sang tùy chọn khác bất cứ lúc nào.

Mặc định thông minh mà chúng tôi đề xuất trong bài viết của chúng tôi dựa trên dữ liệu chi tiết về nhân khẩu học và nhu cầu sức khỏe cụ thể của người tiêu dùng và mô hình giá trị chương trình sức khỏe. Mặc định thông minh sẽ hoạt động bằng cách sử dụng dữ liệu như khiếu nại y tế và thông tin nhân khẩu học trong quá khứ để đánh giá liệu việc chuyển sang kế hoạch khác có hợp lý hay không. Một mô hình kinh tế và các ngưỡng giá trị cụ thể được thiết lập ngay từ đầu để chi phối mức độ rủi ro và mức độ tiết kiệm phải đạt được từ một công tắc.

Mô hình kinh tế đó, được thực hiện bằng thuật toán máy tính, sẽ xem xét lợi ích tài chính, tiếp xúc với rủi ro trong trường hợp xảy ra sự cố y tế lớn và tiếp cận với các bác sĩ phù hợp.

Nếu các điều kiện phù hợp được đáp ứng (ít nhiều gây hấn), người tiêu dùng được mặc định vào một kế hoạch mới. Hình bên phải minh họa quá trình chi tiết hơn.

Ví dụ, hãy xem xét một bệnh nhân tiểu đường đăng ký vào một chương trình với phí bảo hiểm hàng năm là $ 4,000 và truy cập vào một nhóm bác sĩ cụ thể. Trên cùng của phí bảo hiểm, bệnh nhân là dự đoán để chi thêm $ 2,000 mỗi năm trong chia sẻ chi phí - khấu trừ, các khoản đồng thanh toán cho các cuộc hẹn, đơn thuốc, thiết bị để kiểm tra lượng đường trong máu và các dịch vụ khác - lên đến tối đa $ 8,000.

Thuật toán mặc định thông minh trước tiên sẽ xem xét liệu có một giải pháp thay thế nào trên thị trường mà sẽ có ý nghĩa hạ thấp chi tiêu hàng năm của bệnh nhân hay không. Nếu ngưỡng được đặt ở mức $ 1,000, thuật toán sẽ tìm kiếm một tùy chọn dự đoán bệnh nhân sẽ chi không quá $ 5,000 cho phí bảo hiểm và chia sẻ chi phí.

Hai điều kiện nữa cũng phải được đáp ứng: các bác sĩ mà bệnh nhân nhìn thấy sẽ phải nằm trong mạng lưới của chương trình và tùy chọn không thể khiến anh ta hoặc cô ta gặp quá nhiều rủi ro tài chính (tối đa cho việc chia sẻ chi phí). Vì vậy, nếu ngưỡng rủi ro tài chính được đặt ở mức $ 500, thì kế hoạch thay thế sẽ phải tối đa không quá $ 8,500.

Sau đó, bệnh nhân sẽ được đăng ký tự động vào chương trình, với khoản tiết kiệm dự kiến ​​là $ 1,000 một năm và trường hợp xấu nhất chỉ là $ 500 trong chi tiêu bổ sung.

Cho đến nay, mặc định như vậy chỉ được sử dụng một cách tiết kiệm trong thị trường bảo hiểm y tế. Nhưng trong các bối cảnh khác, chẳng hạn như giúp nhân viên chọn đóng góp bao nhiêu cho kế hoạch lương hưu, mặc định thông minh đã được chứng minh hiệu quả rõ rệt cải thiện chất lượng lựa chọn.

Ví dụ, nếu bạn có kế hoạch 401 (k), rất có thể hệ thống mặc định thông minh này đã được sử dụng để đưa bạn vào kế hoạch tốt nhất cho hoàn cảnh của bạn. Điều này hoạt động để tiết kiệm hưu trí bây giờ vì các tùy chọn đơn giản hơn và có nhiều dữ liệu.

Sự cố với mặc định thông minh

Vậy tại sao chúng ta không sử dụng mặc định thông minh rộng rãi hơn trong thị trường bảo hiểm y tế ngay bây giờ?

Đối với người mới bắt đầu, các nhà hoạch định chính sách và sử dụng lao động có thể miễn cưỡng thực hiện các chính sách dường như thúc đẩy các lựa chọn bảo hiểm theo cách mạnh mẽ như vậy. Ví dụ: nếu cài đặt mặc định quá mạnh, nhiều người tiêu dùng có thể tự động đăng ký vào các kế hoạch khiến họ trở nên tồi tệ hơn - ngay cả khi người bình thường sẽ tốt hơn.

Một giải pháp khả thi cho vấn đề này là các ngưỡng đăng ký tự động có thể được đặt rất thận trọng, do đó chỉ những người tiêu dùng có lợi nhuận dự kiến ​​đáng kể mới bị ảnh hưởng (mặc dù điều này cũng sẽ làm giảm lợi ích tiềm năng).

Tuy nhiên, một vấn đề cơ bản hơn là thiếu dữ liệu. Thật không may, các cơ quan quản lý thường không có loại dữ liệu người tiêu dùng thời gian thực về rủi ro sức khỏe cá nhân, sử dụng bảo hiểm và nhân khẩu học cần thiết để thực hiện hiệu quả các chính sách mặc định thông minh theo cách chính xác (như đúng trong lựa chọn lương hưu). Một lý do là các công ty bảo hiểm thường từ chối chia sẻ dữ liệu của họ với các nhà quản lý với lý do họ là độc quyền và Tòa án tối cao đã giữ nguyên lập trường của họ.

Trong những trường hợp như vậy, mặc định thông minh vẫn có thể nhưng cung cấp ít giá trị hơn cho người tiêu dùng và phải thận trọng hơn trong việc thực hiện.

Xem xét bổ sung

Người ta biết rất ít về tác động của cạnh tranh thị trường khi sự lựa chọn của người tiêu dùng được thúc đẩy bởi các thuật toán hơn là bởi một quá trình tự nhiên và tự do hơn.

Ví dụ, các công ty bảo hiểm có thể cố gắng khai thác một cách có hệ thống các tính năng đã biết của thuật toán để đẩy nhiều người hơn vào kế hoạch của họ (như với các nhà quảng cáo tương tác với Google)? Hoặc các cá nhân cuối cùng sẽ ít tham gia vào quá trình lựa chọn bảo hiểm của họ, điều đó có nghĩa là họ sẽ ít được thông báo về những lợi ích thực sự họ có và những rủi ro liên quan?

Hiểu được hậu quả của việc để thuật toán máy tính đưa ra lựa chọn của người tiêu dùng sẽ rất quan trọng trong việc đánh giá liệu việc thực hiện một chính sách như mặc định thông minh có thể hoạt động trong việc giúp người tiêu dùng đưa ra lựa chọn tốt hơn với những nhược điểm tối thiểu. Nhưng điều đó là không thể cho đến khi các công ty bảo hiểm bắt đầu chia sẻ dữ liệu chi tiết hơn với các nhà quản lý.

Giới thiệu về Tác giả

Ben Handel, Trợ lý Giáo sư Kinh tế, Đại học California, Berkeley. Nghiên cứu của ông đã nghiên cứu việc ra quyết định của người tiêu dùng và thiết kế thị trường của thị trường bảo hiểm y tế và minh họa sự tương tác giữa việc ra quyết định của người tiêu dùng và điều tiết thị trường.

Bài viết này ban đầu được xuất bản vào Conversation. Đọc ban đầu bài viết.

Sách liên quan:

at Thị trường InnerSelf và Amazon