Quantensprung beim Risikoausgleich - Interlaken, 12. April 2019 Health Insurance Days Konstantin Beck, CSS-Institut & Universität Luzern Lukas ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Quantensprung beim Risikoausgleich Interlaken, 12. April 2019 Health Insurance Days Konstantin Beck, CSS-Institut & Universität Luzern Lukas Kauer, CSS-Institut & Universität Zürich Thomas McGuire, Harvard Medical School, Boston www.css-institut.ch
Agenda
1. Risikoausgleich: Erklärungskraft & Komplexität
2. Existiert ein Regulierungs-Gap?
3. Erster Quantensprung in der Risikoerklärung:
Korrekte Datendefinition
4. Zweiter Quantensprung in der Risikoerklärung:
Optimale Einführung von EFAS
Konstantin Beck 2
Zweck des Risikoausgleichs
Zweck
Der Risikoausgleich soll Risikoselektion verhindern.
Er soll Risikounterschiede verschiedener Personen erkennen
und ausgleichen.
Konstantin Beck 3Risikoausgleich: Erklärungskraft und Komplexität
Erklärungskraft
Ausgedrückt als R2:
Wieviel Prozent der individuellen Risikounterschiede kann der
Risikoausgleich erklären?
Komplexität
Gemessen an der Anzahl Datenzeilen:
Wie viele Datenzeilen müssen bei der gemeinsamen
Einrichtung eingereicht werden?
Konstantin Beck 4Erklärungskraft und Komplexität
Jahr Komplexität Erklärungskraft
Datenzeilen R2
RA 1996 46'800 7.6%
RA 2012 93'600 15.7%
RA 2017 96'720 26.5%
RA 2020
Konstantin Beck 5Erklärungskraft und Komplexität
Jahr Komplexität Erklärungskraft
Datenzeilen R2
RA 1996 46'800 7.6%
RA 2012 93'600 15.7%
RA 2017 96'720 26.5%
RA 2020 8'000'000 25.1%
Konstantin Beck 6Scheinbarer Regulierungs-Gap
Risikoerklärung (in %)
& Kosten (in CHF) Implementierungskosten
Risikoerklärung über 50%
wäre ein Quantensprung
Risikoerklärung
R2 = 50% des Versicherers
Regulierungs-
Gap ?
R2 = 25% Risikoerklärung
des Regulators
8 Mio. Datensätze Komplexität
Konstantin Beck 7Woher stammt das unerklärte Risiko?
CHF
Die günstigsten 99% verursachen 1/3 des unerklärten Risikos
99%
Versicherte sortiert nach ihren Kosten
Quelle: Kauer, McGuire, Beck (2018)
Konstantin Beck 8Woher stammt das unerklärte Risiko?
CHF
Die günstigsten 99% verursachen 1/3 des unerklärten Risikos
Weitere 0.9% verursachen 1/3 des unerklärten Risikos
99.9%
Versicherte sortiert nach ihren Kosten
Quelle: Kauer, McGuire, Beck (2018)
Konstantin Beck 9Woher stammt das unerklärte Risiko?
CHF
Die günstigsten 99% verursachen 1/3 des unerklärten Risikos
Weitere 0.9% verursachen 1/3 des unerklärten Risikos
Die teuersten 0.1% verursachen 1/3 des unerklärten Risikos
100%
Versicherte sortiert nach ihren Kosten
Quelle: Kauer, McGuire, Beck (2018)
Konstantin Beck 10Verteilung des unerklärten Risikos
Unerklärtes
Risiko pro Kopf
99% der 0.9% der 0.1% der
Versicherten Versicherten Versicherten
Konstantin Beck 11Erste Erkenntnis aus Harvard
Das unerklärte Risiko fällt vor allem bei schwer
kranken und sehr teuren, multimorbiden Personen an.
Aus Sicht des Regulators DIE schützenswerte Gruppe.
Zusätzliche Morbiditätsindikatoren können diese seltenen,
hohen Kosten kaum erklären.
Konstantin Beck 12Zweite Erkenntnis aus Harvard
«It’s the Spitalfinanzierung – stupid!»
• Die verwendete Datendefinition ist unzweckmässig!
• Ausnahmslos alle RA-Analysen beziehen sich auf Netto-
Leistungen: Kosten nach Abzug der Kostenbeteiligung
Konstantin Beck 13Die relevanten Kosten
Netto-Leistungen
+ kantonale Spitalsubventionen
= effektive OKP-Kosten
Die Spitalsubventionen wirken wie eine 55%-
Rückversicherung bei tendenziell teuren Fällen.
Konstantin Beck 14Quantensprung in der Risikoerklärung
Risikoerklärung gemessen als R2 Inklusive Spitalsubventionen
Ohne Spitalsubventionen
RA2020 und Monismus 18%
RA2020 & Medikamentenkosten- 56%
Gruppen 23%
52%
RA2012 & Spital im Vorjahr
16%
RA1996 Alter, Geschlecht 48%
9%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
Konstantin Beck Quelle: Kauer, McGuire, Beck (2019) 15Tatsächliche Wirkung der CH-Regulation
Risikoerklärung (in %)
& Kosten (CHF) Implementierungskosten
Die CH verfügt mit RA & Spitalsubventionen
im internationalen Vergleich über die besten Tatsächliche
Instrumente zur Eindämmung der Risikoselektion Risikoerklärung
des Regulators
R2 = 56%
Risikoerklärung
des Versicherers
R2 = 25% Scheinbare
Risikoerklärung
des Regulators
8 Mio. Datensätze Komplexität
Konstantin Beck 16Einwand
Ist das R2 das richtige Risiko-Mass?
Kosten Kosten im R2 Kosten im MAD .
0 CHF 0 CHF2 0 CHF
1 Mio. CHF 1 Billion CHF2 1 Mio. CHF
Konstantin Beck 17Quantensprung auch mit MAD
Risikoerklärung als Verbesserung im MAD Inklusive Spitalsubventionen
Ohne Spitalsubventionen
RA2020 & Medikamentenkosten- 41%
Gruppen 25%
36%
RA2012 & Spital im Vorjahr
18%
RA1996 Alter, Geschlecht 31%
12%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
Konstantin Beck Quelle: Kauer, McGuire, Beck (2019) 18EFAS Diskussion in neuem Licht
• Einseitige, nur stationäre Subventionierung ist Preis
verzerrend.
• Die Subventionierung sollte symmetrisch erfolgen.
• Zurzeit mehrere Vorschläge zu Finanzflüssen bei EFAS.
• Diskussion konzentriert sich auf die Kostensparanreiz.
• Auswirkung auf Selektionsanreiz wurde vernachlässigt.
(Frühe Warner: Guido Klaus, Maria Trottmann).
Konstantin Beck 19Risikoerklärung und EFAS Varianten
Risikoerklärung gemessen als R2 Inklusive Spitalsubventionen
Ohne Spitalsubventionen
17%
RA2020 &
EFAS Subvention pro Kopf
50%
RA2020 &
EFAS nach santésuisse
RA2020 &
Spitalsubvention (status quo) 56%
Sind Risikoausgleich und EFAS ein Zielkonflikt ?
0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
Konstantin Beck Quelle: Kauer, McGuire, Beck (2019) 20Dritte Erkenntnis aus Harvard
• Harvard Idee: Das heutige Subventionsvolumen gezielt für alle
hohen Risiken einsetzen.
• Kanton subventioniert:
• teure stationäre Fälle
• teure ambulante Fälle
• Stationäre «Bagatellleistungen» werden nicht mehr
subventioniert.
à Hochrisikopooling.
Konstantin Beck 21Vorteile des Hochrisikopoolings
• Einfacher und kostengünstiger als jede Risikoausgleichs-
Reform.
• Risikoselektionsanreiz wird gezielt reduziert.
• Kostensparanreiz dank eines Selbstbehalts des Versicherers.
• Es sind weniger Personen von der Umverteilung betroffen.
• Subventionsvolumen der Kantone bleibt (im Übergangsjahr)
gleich.
• Keine Benachteiligung der ambulanten Versorgung mehr.
Konstantin Beck 22Hochrisikopool-Varianten
Risiko-Erklärung
Risikoindikatoren Hochrisikopool finanziert mit inklusive
im Risikoausgleich kantonalen Subventionen Spitalsubventionen
Attachment Selbstbehalt Betroffene R2 MAD-
point Versicherer Personen Verbesserung
Alter, Geschlecht, Kein Hochrisikopool 11.0% 56% 41%
Spital im Vorjahr,
CHF 29’800 10% 3.66% 77% 43%
PCG im Vorjahr
(RA 2020) CHF 26’600 20% 4.35% 76% 42%
Maximum
Besser da Kostensparanreiz grösser
Maximal eine von 20 Personen betroffen
Konstantin Beck 23Hochrisikopool-Varianten
Risiko-Erklärung
Risikoindikatoren Hochrisikopool finanziert mit inklusive
im Risikoausgleich kantonalen Subventionen Spitalsubventionen
Attachment Selbstbehalt Betroffene R2 MAD-
point Versicherer Personen Verbesserung
Alter, Geschlecht, Kein Hochrisikopool 11.0% 56% 41%
Spital im Vorjahr,
CHF 29’800 10% 3.66% 77% 43%
PCG im Vorjahr
(RA 2020) CHF 26’600 20% 4.35% 76% 42%
Alter, Geschlecht, CHF 29’800 10% 3.66% 75% 38%
Spital im Vorjahr
CHF 26’600 20% 4.35% 74% 38%
(RA 2012)
Konstantin Beck 24Schlummerndes Potential von EFAS betreffend
Risikoausgleich
Risikoerklärung (in %) Implementierungskosten
& Kosten (CHF)
Risikoerklärung bei
R2 = 77% opt. EFAS
Aktuelle Risikoerklärung
des Regulators
R2 = 56%
Risikoerklärung
des Versicherers
R2 = 25% Scheinbare
Risikoerklärung
des Regulators
8 Mio. Datensätze Komplexität
Konstantin Beck 25Nachteile des Hochrisikopooling
• Deutlicher Strukturbruch. Solche sind immer mit
Übergangskosten verbunden.
• Kostensparanreiz sinkt bei ambulanten Hochkostenfällen
(teilweise durch Selbstbehalt jedoch wieder hergestellt).
Konstantin Beck 26Grafisches Fazit zu RA & EFAS
EFAS mit
Hochrisikopool
EFAS pro Kopf
EFAS santésuisse
Wirkung von RA &
Spitalfinanzierung
Isolierte Wirkung
des RA
Risikoerklärung
Konstantin Beck 27Vielen Dank
für Ihre Aufmerksamkeit
www.css-institut.ch
Konstantin Beck 28Anhang 1
• Angaben zur Stichprobe (Kauer, McGuire, Beck, 2018 & 2019):
Mittelwert Standardabw. Minimum Maximum
Männlich = 1 0.479 0 1
Alter (in Jahren) in 2016 50.679 18.596 21.5 93
Hospitalisierung in 2014 = 1 0.071 0 1
Hospitalisierung in 2015 = 2 0.078 0 1
Anzahl PCG in 2014 0.375 0.779 0 8
Anzahl PCG in 2015 0.403 0.806 0 8
KoBe (in 1000 CHF) 0.611 0.610 0 9.089
Nettoleistungen ohne Kantonsanteil in
2016 (in 1000 CHF) 3.899 10.555 0 1404.600
Kantonsanteil in 2016 (in 1000 CHF) 0.919 4.980 0 493.987
Nettoleistungen mit Kantonsanteil in
2016 (in 1000 CHF) 4.817 14.166 0 1404.600
N = 992,149
Konstantin Beck 29Anhang 2: Erläuterungen
Folie 5 & 6: Die Erklärungskraft pro RA-Modell entspricht dem durchschnittlichen Wert
der in der Literatur publizierten Determinationskoeffizienten (R2). Aus: Schmid, Beck,
Kauer, Health Plan Payment in Switzerland, in T. McGuire and R. van Kleef (eds), Risk
Adjustment, Risk Sharing and Premium Regulation in Health Insurance Markets:
Theory and Practice, Elsevier Publishing, London, 2018, p. 453-489 (Table 16.2).
Folie 8-9: Basis: L. Kauer/T. McGuire/K. Beck, 2018: Extreme Under and
Overcompensation in Morbidity-Based Health Plan Payments: The Case of
Switzerland, submitted for publication.
Konstantin Beck 30Risk selection incentives measured by R-
squared in Switzerland (1996-2016)
Risk equalization Evaluation
based on in force R-squared Year Data No. of individuals Study
age, gender 1996 – 3.9% 1993 single insurer, canton 4,539(0.5%) Beck & Zweifel
2011 Zurich only (1998)
11.0% 2000 single insurer, French and 182,529 Beck, Trottmann
Italian speaking cantons (14%) & Zweifel (2010)
5.9% 2002 two insurers, cantons NA Holly et al.
Vaud and Zurich only (2004)
9.0% 2012 several insurers 4,732,538(73%) Pirktl (2015)
8.3% 2012 single insurer 235,420(3.7%) Schmid & Beck
(2016)
age, gender, prior 2012 – 21.0% 2000 single insurer, French and 182,529(14%) Beck, Trottmann
hospitalization 2016 Italian speaking cantons & Zweifel (2010)
14.3% 2002 two insurers, cantons NA Holly et al.
Vaud and Zurich only (2004)
17.0% 2012 several insurers 4,732,538(73%) Pirktl (2015)
14.7% 2012 single insurer 235,420(3.7%) Schmid & Beck
(2016)
15.1% 2013 several insurers 4,089,493(63%) Trottmann et al.
(2015)
12.2% 2014 several insurers 2,400,000(37%) McKinsey (2015)
Konstantin Beck 31Risk selection incentives measured by R-
squared in Switzerland (2017 - 2020)
Risk equalization Evaluation
based on in force R-squared Year Data No. of individuals Study
age, gender, prior 2017 – 28.0% 2012 several insurers 4,732,538(73%) Pirktl (2015)
hospitalization, 2019 25.0% 2012 single insurer 235,420(3.7%) Schmid & Beck
indicator for high (2016)
drug expenditures
age, gender, prior 2020 – 30.0% 2000 single insurer, French and 182,529(14%) Beck, Trottmann
hospitalization, Italian speaking cantons & Zweifel (2010)
pharmaceutical 21.2% 2012 single insurer 235,420(3.7%) Schmid & Beck
cost groups (2016)
25.3% 2013 several insurers 4,089,493(63%) Trottmann et al.
(2015)
Konstantin Beck 32Sie können auch lesen
