Одной из основных целей Закона о доступности (ACA) было снижение расходов на здравоохранение, предоставляя потребителям больше выбора по сравнению со своим страховщиком.

Экономическая теория предполагает, что, когда потребители делают осознанный и активный выбор на конкурентном рынке, компании реагируют на снижение цен и повышение качества своих предложений.

Но теория в сторону, эмпирические исследования показывает потребителей на самом деле не ведут себя так на практике, особенно на сложных рынках, таких как медицинская страховка.

Эта реальность намного усложняет политику правительства по эффективному обучению стоимости медицинского обслуживания (некоторые из которых он платит) и снижению премий. Это также означает, что многие люди, вероятно, платят намного больше, чем должны на медицинскую страховку.

Так что мы можем сделать, чтобы помочь людям принимать более качественные страховые решения?

В Недавняя статья Я соавтором с экономистом из Беркли Джонатаном Колстадом, мы оценили, как персонализированные данные могут помочь потребителям сделать именно это, и в результате сделать рынки здравоохранения более эффективными.

Много вариантов, много путаницы

Контроль за расходами на здравоохранение, которые впервые попали в 3 триллионов долларов в год в 2014, остается особенно важным для разработчиков политики. Рост расходов замедлился ниже исторических средних за тот период, когда ACA был принят, но с тех пор ускоренный.

Федеральные и государственные регуляторы создали обмены ACA, чтобы побудить страховщиков конкурировать по цене и качеству, предлагая потребителям более широкий спектр вариантов.

Некоторые рынки Medicare, такие как покрытие по рецепту лекарств Plan D, делают то же самое, в то время как компании, предоставляющие медицинскую страховку, все чаще предлагают больше возможностей своим сотрудникам через частные обмены.

Но дать людям больше возможностей - это только первый шаг. Исследования показывают, что потребители совершают ошибки при активном шопинге из-за отсутствия доступной информации, ограниченное понимание страховки или просто общей сложности. Эти трудности существуют, если выбор составляет всего несколько или несколько десятков.

Это заставляет потребителей уходить сотни или даже тысячи долларов на столе. Это также способствует "инерция выбора, «В котором потребители могут делать разумные первоначальные выборы, но не следить и активно пересматривать их по мере появления новой информации или изменения условий. Это также может стоить им много денег с течением времени.

В наших исследованиях мы рассмотрели, как мы можем решить эти проблемы.

Целевые рекомендации для потребителей

Один из способов - предоставить потребителям индивидуальные рекомендации по плану на основе подробных данных о своих личных потребностях и предпочтениях в области здравоохранения.

Персональная информация основана на ожидаемых рисках для здоровья человека, аппетите к финансовому риску и предпочтениях врача. Эти политики подчеркивают наилучшие варианты для конкретного потребителя, связывая каждый выбор с метриками, которые потребители легко понимают и заботятся, например, ожидаемые расходы в каждом плане в предстоящем году.

Широкая цель - использовать возможности потребительских данных и технологий для принятия эффективных рекомендаций на страховых рынках, аналогично тому, что мы уже видим в других местах. Например, Amazon использует вашу историю покупок и просматривает данные, чтобы давать рекомендации о том, какие дополнительные продукты вам могут понравиться, в то время как Google обрабатывает огромное количество информации для адаптации настроенных объявлений.

Уже достигнут определенный прогресс в реализации таких условий на страховых рынках.

Однако основная проблема заключается в том, что такая политика недостаточно эффективны. Эмпирическое доказательство предполагает, что даже если вы будете вести потребителей к колодцу информации, вы не можете заставить их пить.

Умными значениями по умолчанию могут быть ответ

Поэтому, если предоставление персональных данных и рекомендаций недостаточно для того, чтобы помочь потребителям сделать лучший выбор, может ли быть более агрессивной политика эффективной?

Один из способов - «умные дефолты», которые автоматически помещают потребителей в предпочтительные планы на основе пользовательской информации. Вместо того, чтобы требовать от людей действий по рекомендациям, для них выбирается оптимальный вариант.

Эти интеллектуальные значения по умолчанию будут тщательно ориентированы на основе данных каждого пользователя, но они также будут не привязаны, что позволит потребителям в любой момент переключиться на другой вариант.

Умные дефолты, которые мы предложили в нашем документе, основаны на подробных данных о демографических характеристиках и потребностях в области здравоохранения, а также о модели стоимости медицинского плана. Умные дефолты будут работать, используя данные, такие как прошлые медицинские претензии и демографическую информацию, чтобы оценить, имеет ли смысл переключиться на другой план. Экономическая модель и пороговые значения определенной стоимости устанавливаются с самого начала, чтобы определить, сколько рисков взять и сколько экономии нужно получить от коммутатора.

Эта экономическая модель, реализованная с помощью компьютерного алгоритма, будет учитывать финансовые выгоды, подверженность рискам в случае крупного медицинского инцидента и доступ к нужным врачам.

Если правильные условия удовлетворяются (более или менее агрессивные), потребитель дефолт в новый план. Рисунок справа иллюстрирует процесс более подробно.

Например, рассмотрите пациента с диабетом, зачисленного в план с годовой премией $ 4,000 и доступом к определенному набору врачей. Помимо премии, пациент ожидаемый потратить еще $ 2,000 в год в распределение затрат - франшизы, пособия для встреч, рецепты, оборудование для проверки уровня сахара в крови и другие услуги - максимум до $ 8,000.

В интеллектуальном алгоритме по умолчанию сначала будет рассмотрен вопрос о том, была ли альтернатива на рынке, которая «значимо снизила бы» ежегодные расходы пациента. Если порог был установлен в $ 1,000, алгоритм будет искать вариант, который предполагает, что пациент будет тратить не более $ 5,000 в премиях и распределении затрат.

Необходимо также выполнить еще два условия: врачи, которых видит пациент, должны были быть в сети плана, и этот вариант не мог подвергнуть его или ее слишком большому дополнительному финансовому риску (максимум для разделения расходов). Поэтому, если порог финансового риска был установлен в $ 500, тогда альтернативный план должен был бы максимизировать не более $ 8,500.

Затем пациент будет автоматически зачислен в план с ожидаемой экономией в размере $ 1,000 в год и самым худшим сценарием всего лишь $ 500 в дополнительных расходах.

До сих пор такие дефолты использовались лишь экономно на рынках медицинского страхования. Но в других контекстах, например, помогая сотрудникам выбирать, сколько внести свой вклад в пенсионные планы, умные дефолты доказали замечательно эффективный при улучшении качества выбора.

Например, если у вас есть план 401 (k), например, есть хорошая вероятность, что эта интеллектуальная система по умолчанию использовалась для того, чтобы поставить вас в лучший план для ваших обстоятельств. Это работает для пенсионных сбережений сейчас, потому что варианты проще, и есть много данных.

Проблемы с умными значениями по умолчанию

Так почему же мы не используем интеллектуальные дефолты более широко на рынках медицинского страхования прямо сейчас?

Во-первых, разработчики политики и работодатели, скорее всего, неохотно реализуют политику, которая, как представляется, ведет выбор страховых компаний таким решительным образом. Например, если настройки по умолчанию чрезмерно агрессивны, многие потребители могут автоматически зачисляться в планы, которые делают их хуже - даже если средний человек будет лучше.

Возможным решением этого является то, что пороги для автоматической регистрации могут быть установлены очень консервативно, так что пострадают только потребители с существенным ожидаемым ростом (хотя это также снизит потенциальные выгоды).

Однако более фундаментальной проблемой является отсутствие данных. К сожалению, регуляторы часто не имеют данных о потребностях в реальном времени, связанных с персонифицированными рисками для здоровья, страхованием и демографией, необходимыми для эффективного осуществления политики интеллектуального дефолта точно (как это справедливо в выборе пенсионных возможностей). Одна из причин заключается в том, что страховые компании часто отказываются делиться своими данными с регулирующими органами на том основании, что они являются собственностью, и Верховный суд поддержал их позиции.

В таких случаях интеллектуальные дефолты по-прежнему возможны, но обеспечивают меньшую ценность для потребителей и должны быть более консервативными в их реализации.

Дополнительные соображения

Мало что известно о влиянии рыночной конкуренции, когда выбор потребителей определяется алгоритмами, а не более свободным и естественным процессом.

Например, могут ли страховщики попытаться систематически использовать известные функции алгоритма, чтобы подтолкнуть больше людей к своим планам (как с рекламодателями, взаимодействующими с Google)? Или люди в конечном итоге будут менее вовлечены в процесс выбора своей собственной страховки, а это значит, что они будут менее осведомлены о том, какие выгоды они имеют на самом деле, и о связанных с ними рисках?

Понимание последствий разрешения компьютерных алгоритмов делает выбор потребителя очень важным в оценке того, может ли реализация политики, например, умных дефолтов, помогать потребителям лучше выбирать с минимальными минусами. Но это будет невозможно, пока страховщики не начнут делиться более подробными данными с регуляторами.

Об авторе

Бен Гендель, доцент экономики Калифорнийского университета в Беркли. Его исследования изучали процесс принятия решений потребителями и рыночный дизайн рынков медицинского страхования, а также иллюстрируют взаимодействие между принятием решений потребителей и рыночным регулированием.

Эта статья изначально была опубликована в Беседа, Прочтите оригинал статьи.

Связанные книги:

at Внутренний рынок самовыражения и Amazon