“The peer effect in adverse selection: Evidence from the micro health insurance market in Pakistan”文章基于巴基斯坦AKAM小额健康保险的投保和理赔数据，检验并证实了社会网络促进保险项目中逆向选择的传播和扩散，不利于项目的可持续发展。文章首先构建了一个理论框架，证明在存在异质性的同群效应时，低风险投保人的支付意愿比不存在同群效应时进一步降低，而高风险投保人的支付意愿则较之没有同群效应的情形下有所上升，因此，高风险投保人和低风险投保人之间支付意愿的差异在异质性同群效应下进一步扩大。这加剧了市场中的逆向选择问题，体现为高风险个体更倾向于续保，而低风险个体更容易退出保险市场。作者将同一投保单位中罹患同一类疾病的个人定义为一个社会网络中的同伴（病友）。由于该保险项目要求全家投保，因此作者根据每位家庭成员的索赔记录和疾病类型进一步将家庭面临的医疗支出风险分为四类。文章证明了两个假说：同一社会网络中的同伴家庭的续保决策趋同（同群效应）；高风险家庭的续保决策更趋同于其高风险的同伴家庭，而非其低风险的同伴家庭（异质性的同群效应），也就是说高风险家庭倾向选择续保，反之亦然（低风险家庭的续保决策更趋同于其低风险的同伴家庭，选择不续保）。这一研究创新性地将社会网络与传统的逆向选择问题相结合，从理论和实证角度探究了其机制和作用，并为存在异质性同群效应的情况下如何降低逆向选择提出了政策建议。

《微观医疗费用预测模型：从线性回归到机器学习》文章基于我国当前正在大力推行医保支付方式改革这一时代背景，和缺乏针对我国国情的医疗费用预测模型的现实背景下，为减少执行医保支付方式改革的技术障碍，专注于利用现有前沿统计技术，设计并估计更贴合我国居民特征的费用预测模型。文章利用大样本医保微观数据，构建了多个针对个体的医疗费用预测模型，着重比较传统预测模型与机器学习模型对个人医疗费用的跨期样本外预测能力；构建根据风险调整的按人头付费的医保支付模式，展示了机器学习模型的应用如何降低医疗机构所面临的财务不确定性，从而使医保支付方式改革更能得到微观主体的支持，进而可以更顺利地推广并深化改革。文章研究发现，大部分机器学习模型的预测性能优于线性回归模型，其中梯度提升模型表现最优。政策模拟发现，将机器学习模型预测结果作为依据以确定按人头付费方式下医保支付额时，医疗机构财务风险低于以线性回归模型作为依据的财务风险。本文是首篇系统性探索各类机器学习模型在我国微观医疗费用跨时样本外预测方面的研究，为机器学习模型在医保支付领域的应用提供了支持。

文章一：Du, Xia; Zheng, Wei; Yao, Yi. The peer effect in adverse selection: Evidence from the micro health insurance market in Pakistan. Journal of Risk & Insurance. Dec2023, Vol. 90 Issue 4, p1063-1100.

Abstract: The peer effect may amplify adverse selection in social networks, hampering the sustainable operation of microinsurance. This paper uses data from a micro health insurance program in Pakistan to test for the peer effect in renewal decisions and the role it plays in amplifying adverse selection within social networks. The paper finds evidence supporting that insurance renewal decisions are similar among peers in the same network, and the peer effect is stronger among households of the same risk type than households of different risk types, indicating that the heterogeneous peer effect acts as an amplifier for adverse selection. The paper provides policy implications for effective ways to mitigate the peer effect and adverse selection, based on the results of heterogeneity analyses. The policy recommendation is to enforce a minimum group enrollment rate requirement of at least 60% for large groups to mitigate the peer effect.

KEYWORDS: adverse selection, peer effect, social networks

文章二：石菊,王小倩,王熙.微观医疗费用预测模型：从线性回归到机器学习[J].经济学(季刊),2023,23(06):2247-2263.

摘要：机器学习模型在微观医疗费用预测方面的潜在价值值得进一步发掘。本文基于微观医疗大数据,对比了线性回归模型与多种机器学习模型的个人医疗费用预测性能。结果显示,大部分机器学习模型的预测性能优于线性回归模型,其中梯度提升模型表现最优。政策模拟发现,将机器学习模型预测结果作为依据以确定按人头付费方式下医保支付额时,医疗机构财务风险低于以线性回归模型作为依据的财务风险。本研究为医保支付方式改革提供了技术支持。

关键词：医疗费用预测; 机器学习; 医保支付方式改革