Et hovedmål med Affordable Care Act (ACA) var at sænke sundhedsomkostningerne ved at give forbrugerne flere valgmuligheder over deres forsikringsselskab.

Økonomisk teori antyder, at når forbrugere træffer informerede og aktive valg på et konkurrencepræget marked, reagerer virksomheder ved at sænke priserne og forbedre kvaliteten af ​​deres tilbud.

Men teori til side, empirisk forskning viser forbrugerne ikke faktisk opfører sig på denne måde i praksis, især på komplekse markeder som sygeforsikring.

Denne virkelighed gør det meget sværere for regeringens politik effektivt at begrænse udgifterne til sundhedspleje (hvoraf nogle betaler for) og reducere præmierne. Det betyder også, at mange enkeltpersoner sandsynligvis betaler meget mere, end de burde på sundhedsforsikring.

Så er der noget, vi kan gøre for at hjælpe folk med at træffe bedre forsikringsbeslutninger?

I en nyligt papir Jeg var medforfatter sammen med kollega Berkeley-økonom Jonathan Kolstad, vi vurderede, hvordan personaliserede data kunne hjælpe forbrugere med at gøre netop det og som følge heraf gøre sundhedsmarkederne mere effektive.

Mange muligheder, meget forvirring

Kontrol af udgifter til sundhedspleje – som ramte 3 billioner USD om året for første gang i 2014 – er fortsat en særlig høj prioritet for politiske beslutningstagere. Udgiftsvæksten aftog under historiske gennemsnit omkring det tidspunkt, hvor ACA blev vedtaget, men har siden accelereret.

Føderale og statslige tilsynsmyndigheder udformet ACA-børserne for at tilskynde forsikringsselskaber til at konkurrere på pris og kvalitet og samtidig tilbyde forbrugerne en bredere vifte af muligheder.

Flere Medicare-markeder, såsom Plan D-receptpligtig medicindækning, gør det samme, mens virksomheder, der tilbyder sygeforsikring, også i stigende grad tilbyder flere muligheder til deres medarbejdere via privat faciliterede udvekslinger.

Men at give enkeltpersoner flere muligheder er kun et første skridt. Forskning viser at forbrugere laver fejl, mens de aktivt handler på grund af mangel på tilgængelig information, begrænset forståelse af forsikring eller bare det overordnede besvær med det. Disse vanskeligheder eksisterer, uanset om valgene kun er nogle få eller flere dusin.

Dette får forbrugerne til at gå hundreder eller endda tusindvis af dollars på bordet. Det bidrager også til "valg inerti”, hvor forbrugere kan træffe smarte indledende valg, men undlader at følge op og aktivt genoverveje dem, efterhånden som ny information dukker op, eller forholdene ændrer sig. Det kan også koste dem mange penge over tid.

I vores forskning har vi undersøgt, hvordan vi kan løse disse problemer.

Målrettede forbrugeranbefalinger

En måde involverer at give forbrugerne brugerspecifikke plananbefalinger baseret på detaljerede data om deres personlige sundhedsbehov og præferencer.

De personlige oplysninger er baseret på en persons forventede sundhedsrisici, økonomiske risikoappetit og lægepræferencer. Disse politikker fremhæver de bedste muligheder for en given forbruger ved at forbinde hvert valg med målinger, som forbrugerne let forstår og bekymrer sig om, såsom deres forventede udgifter i hver plan i det kommende år.

Det overordnede mål er at udnytte kraften i forbrugerdata og teknologi til at komme med effektive anbefalinger på forsikringsmarkeder, svarende til det, vi allerede ser andre steder. For eksempel bruger Amazon din købshistorik og din browserdata til at komme med anbefalinger om, hvilke yderligere produkter du kunne tænke dig, mens Google behandler enorme mængder information for at skræddersy skræddersyede annoncer.

Der er allerede sket nogle fremskridt hen imod implementering af denne slags betingelser på forsikringsmarkederne.

En central bekymring er imidlertid, at sådanne politikker ikke er effektive nok. Empirisk bevis antyder, at selvom du leder forbrugerne til informationsbrønden, kan du ikke nødvendigvis tvinge dem til at drikke.

Smarte standardindstillinger kan være svaret

Så hvis det ikke er nok at give personlige data og anbefalinger til at hjælpe forbrugerne med at træffe bedre valg, kunne en mere aggressiv politik så være effektiv?

En måde er gennem "smarte standarder", som automatisk placerer forbrugere i foretrukne planer baseret på brugerspecifik information. I stedet for at kræve, at folk handler efter anbefalinger, vælges den optimale mulighed for dem.

Disse smarte standardindstillinger ville være omhyggeligt målrettede baseret på hver enkelt persons egne data, men de ville også være uforpligtende, hvilket giver forbrugerne mulighed for at skifte til en anden mulighed når som helst.

De smarte standardindstillinger, vi foreslår i vores papir, er baseret på detaljerede data om forbrugerspecifikke demografiske og sundhedsmæssige behov og en model for sundhedsplanværdi. De smarte standardindstillinger ville fungere ved at bruge data såsom tidligere medicinske påstande og demografiske oplysninger til at vurdere, om det ville give mening at skifte til en anden plan. En økonomisk model og specifikke værditærskler opstilles i starten for at styre, hvor stor risiko der skal tages, og hvor meget besparelse der skal opnås ved et skifte.

Denne økonomiske model, implementeret med en computeralgoritme, ville tage højde for økonomiske gevinster, eksponering for risici i tilfælde af en større medicinsk hændelse og adgang til de rigtige læger.

Hvis de rigtige betingelser er opfyldt (mere eller mindre aggressive), er forbrugeren misligholdt i en ny plan. Figuren til højre illustrerer processen mere detaljeret.

Overvej for eksempel en diabetespatient, der er tilmeldt en plan med en årlig præmie på $4,000 og adgang til et bestemt sæt læger. Oven i præmien er patienten forventet at bruge yderligere $2,000 om året i omkostningsdeling – selvrisiko, selvbetaling for aftaler, recepter, udstyr til at teste blodsukker og andre ydelser – op til et maksimum på 8,000 USD.

Den smarte standardalgoritme ville først overveje, om der var et alternativ på markedet, som ville "meningsfuldt sænke" patientens årlige forbrug. Hvis tærsklen blev sat til $1,000, ville algoritmen søge efter en mulighed, der forudser, at patienten ikke ville bruge mere end $5,000 i præmier og omkostningsdeling.

To yderligere betingelser skal også være opfyldt: de læger, patienten ser, skulle være i planens netværk, og muligheden kunne ikke udsætte ham eller hende for for meget yderligere økonomisk risiko (maksimum for omkostningsdeling). Så hvis den finansielle risikotærskel blev sat til $500, så skulle den alternative plan maksimalt være på ikke mere end $8,500.

Patienten vil derefter automatisk blive tilmeldt planen med forventede besparelser på $1,000 om året og et worst case-scenario på kun $500 i ekstra udgifter.

Hidtil er sådanne standarder kun blevet brugt sparsomt på sygeforsikringsmarkederne. Men i andre sammenhænge, ​​såsom at hjælpe medarbejderne med at vælge, hvor meget de vil bidrage til pensionsordninger, har smarte standarder vist sig bemærkelsesværdigt effektivt at forbedre valgkvaliteten.

Hvis du for eksempel har en 401(k) plan på arbejdet, er der en god chance for, at dette smarte standardsystem er blevet brugt til at sætte dig i den bedste plan for din situation. Dette fungerer for pensionsopsparinger nu, fordi mulighederne er enklere, og der er masser af data.

Problemer med smarte standardindstillinger

Så hvorfor bruger vi ikke smarte standarder mere bredt på sygeforsikringsmarkederne lige nu?

For det første er politiske beslutningstagere og arbejdsgivere sandsynligvis tilbageholdende med at implementere politikker, der ser ud til at drive forsikringsvalg på så kraftig en måde. For eksempel, hvis standardindstillingerne er alt for aggressive, kan mange forbrugere automatisk blive tilmeldt planer, der gør dem dårligere stillet – også selvom den gennemsnitlige person ville have det bedre.

En mulig løsning på dette er, at tærsklerne for automatisk tilmelding kan sættes meget konservativt, så kun forbrugere med væsentlige forventede gevinster bliver berørt (selvom dette også ville reducere de potentielle fordele).

Et mere grundlæggende problem er imidlertid manglen på data. Desværre har tilsynsmyndigheder ofte ikke den slags forbrugerdata i realtid om personlige sundhedsrisici, forsikringsbrug og demografi, der er nødvendige for effektivt at implementere smarte standardpolitikker på en præcis måde (som det er tilfældet i pensionsvalg). En grund er, at forsikringsselskaber ofte nægter at dele deres data med tilsynsmyndigheder med den begrundelse, at de er proprietære, og Højesteret har givet medhold deres holdning.

I sådanne tilfælde er smarte standarder stadig mulige, men de giver mindre værdi for forbrugerne og skal være mere konservative i deres implementering.

Yderligere overvejelser

Lidt er kendt om virkningerne af markedskonkurrence, når forbrugernes valg er drevet af algoritmer snarere end af en mere fritflydende og naturlig proces.

For eksempel kunne forsikringsselskaber forsøge systematisk at udnytte kendte funktioner i algoritmen for at presse flere mennesker ind i deres planer (som med annoncører, der interagerer med Google)? Eller vil enkeltpersoner ende med at blive mindre engageret i processen med at vælge deres egen forsikring, hvilket betyder, at de vil være mindre informeret om, hvilke fordele de rent faktisk har og de dermed forbundne risici?

At forstå konsekvenserne af at lade computeralgoritmer træffe forbrugernes valg vil være afgørende for at vurdere, om implementering af en politik som smarte standarder kan hjælpe forbrugerne med at træffe bedre valg med minimale ulemper. Men det vil ikke være muligt, før forsikringsselskaberne begynder at dele mere detaljerede data med tilsynsmyndighederne.

Om forfatteren

Ben Handel, assisterende professor i økonomi, University of California, Berkeley. Hans forskning har studeret forbrugernes beslutningstagning og markedsdesign af sygeforsikringsmarkeder og illustrerer samspillet mellem forbrugernes beslutningstagning og markedsregulering.

Denne artikel blev oprindeligt offentliggjort den The Conversation. Læs oprindelige artikel.

Relateret bog:

at InnerSelf Market og Amazon