医保欺诈行为的主动发现.doc

封一答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：论文题目： （标明A、B、C、D之一） A 组 别：(填写研究生、本科生、专科生或中学生) 本科生 参赛队员信息(必填)： 姓 名学 号联系电话参赛队员1高雪201111530272赛队员2杨建康20124138005518745733550参赛队员3顾腾鉴20122134004218645110373 参赛学校： 哈尔滨商业大学 封二答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：评阅情况（学校评阅专家填写）：学校评阅1.学校评阅2.学校评阅3. 评阅情况（联赛评阅专家填写）：联赛评阅1.联赛评阅2.联赛评阅3.A题 医保欺诈行为的主动发现摘 要 本文利用题目附件所给的原始医疗数据，用Excel和SPSS软件对数据进行整合、分析，最终判别出可能存在的医保欺诈行为。首先，本文对数据进行删除冗余数据、无用变量等预处理，然后通过Excel软件中的VLOOKUP函数对附表2.1和2.2进行连接，得到一个待处理数据的总表。再利用Excel软件中的CONCATENATE 函数和VALUE函数以及相关操作，将病人ID列与各指标列分别进行合并、筛选，观察同一医保卡号是否仅对应一个病人ID，若是则存在“一卡多用”这种医保欺诈行为。 其次，将数据分成有医保病人数据和无医保病人数据两类，用SPSS软件进行统计分析，无医保病人数据中不可能存在欺诈行为，将有医保病人数据分析结果与无医保病人数据分析结果进行对比，从而发现有医保病人数据中存在的医保欺诈行为。 最后，按病人是否住院将数据分成两类，用SPSS软件进行统计分析。以无住院病人为例，分别考虑有医保和无医保两种情况进行相关分析： 对有医保病人数据，分别对其执行科室、病人科室、下医嘱科室、核算分类等指标进行偏相 关分析，将相关性弱的冗余指标剔除，再对无医保病人数据和有医保病人数据进行探索性分析，探索各指标对病人单次消费额、总消费额的影响，找出影响较大的指标。 对无医保病人数据，对消费总额超过1000元病人数据用SPSS软件进行聚类分析，将开嘱医生ID、病人就诊科室和个案数作为自变量，消费总额作为因变量。我们将类数分为4类，得到每个个案的聚类类别表，然后将聚类类别表用SPSS软件与有医保病人中消费总额超过1000元病人数据进行个案连接得到连接表，然后对连接表进行判别分析，观察有医保病人的类别并从中找出可能存在医保欺诈行为的病人ID, 最后用神经网络模型对结果进行检验，判断结果的有效性。 关键词：医保欺诈；聚类分析；判别分析；神经网络模型；SPSS；EXCEL1 问题重述1.1 问题的背景医保卡(即医疗保险卡)是医疗保险个人帐户专用卡,以个人身份证为识别码,储存记载着个人身份证号码、姓名、性别以及账户金的拨付、使用情况等详细资料信息。参保人员可凭医保卡进行身份确认和在市内就诊购药、进行个人账户使用;可以直接在计算机联网的定点医院办理住院手续;在计算机联网的定点医院、药店划卡结算应由个人支付的医疗费;持卡到定点医院、药店和医保机构的查询台随时查询本人个人账户明细情况 医疗保险是为补偿疾病或意外风险所带来的医疗费用的一种措施。医疗保险制度的实施对保障人民的身体健康和促进卫生事业发展起到了不可低估的作用。然而由于利益驱动、信息不透明、监督机制不完善和法律制度不健全等原因，各类医保欺诈行为随之出现，严重影响医保基金安全运行，社会危害极大。1.2 问题的重述医疗保险欺诈，是指公民、法人或者其他组织在参加医疗保险、缴纳医疗保险费、享受医疗保险待遇过程中，故意捏造事实、弄虚作假、隐瞒真实情况等造成医疗保险基金损失的行为。骗保人进行医保欺诈时通常使用的手段，一是拿着别人的医保卡配药，二是在不同的医院和医生处重复配药。下面这些情况都有可能是医保欺诈：单张处方药费特别高，一张卡在一定时间内反复多次拿药等。请根据附件中的数据，找出可能的欺诈记录。2 问题分析2.1题目分析医疗欺诈的手段多种多样，其中违规治疗、伪造处方或票据、挂名住院或诊疗和以虚假之名套用或挪用基金为常见的骗取医保基金的手段。骗取医保基金给国家造成了巨大的经济损失，并且损害了参保人的合法权益，严重妨害了医疗保险基金的安全运行。首先，根据附件中所给数据及考虑各欺诈行为的特征，我们将医保欺诈行为分为四类，各类别及特征如下：（1） 拿着别人的医保卡配药：同一张医保卡，不同的病人ID使用。（2） 在不同医生处重复配药：同一张医保卡对应的医生ID数越多，可能出现在不同医生处重复配药的可能性越大。（3）单张处方药费特别高：同一医嘱项里，单价出现的异常值。（4）一张卡在一定时间内反复拿药：同一张医保卡号在一定时间间隔内看病的频数较高。2.2问题的解决思路首先对数据进行预处理，然后将处理后的数据分成有医保和无医保两类进行初步分析，我们认为无医保病人数据中不存在欺诈行为，将有医保病人数据与无医保病人数据进行对比，观察是否存在欺诈行为。其次，我们将处理后的数据分成无住院和住院两类用SPSS软件进行统计分析。以无住院病人为例，分别考虑有医保和无医保两种情况，首先对其数据进行聚类分析，然后将聚类结果与无医保病人数据进行连接，最后对其进行判别分析，分析有医保病人数据中可能存在的医保欺诈行为。 最后我们用神经网络模型进行结果训练、判断，以检验结果的有效性。 3 问题假设假设1：医保手册号为1代表此病人无医保卡或在相应消费中没用医保卡。假设2：所给数据中无医保卡号的病人没有享受医保优惠，即不存在医保欺诈行为。假设3：所给数据中不存在大规模的欺诈行为。假设4：病人消费总额在给定一个月内超过1000元才有可能存在医保欺诈行为。假设5：数据中有住院病例号的病人进行住院治疗，无住院病例号的为未进行住院治疗。假设6：病人在同一天内就诊n次（n1)，对应一个就诊ID。4 符号说明Recdep DR执行科室ItemOrd DR医嘱项Patdep DR病人科室ItemCat DR医嘱子类Patient DR病人IDTotal Price总价ResDoc ID开嘱医生IDArpbl DR帐单号Patdep DR下医嘱科室TarEC Dr核算分类Outpatient No门诊号Sex性别Safetynetcard No住院病历号Insurance No医保手册号DOB出生日期Number个案数5模型的建立与求解5.1 数据的分析处理与合并首先对数据进行删除冗余数据、无用变量等预处理，经分析可知各表数据均是对表2.2的解释和说明，且表2.1的数据信息对表2.2的影响较大，由病人ID的一致性，通过Excel软件中的VLOOKUP函数对附表2.1和2.2进行连接，得到一个含289800行、19列的待处理数据的总表，见表1（由于数据太多，我们只列出一部分）。病人ID出生日期门诊号性别住院病例号医保手册号更新号流水号执行科室病人科室医嘱日期医嘱子类就诊ID总价开嘱医生ID帐单号下医嘱科室核算分类医嘱时间2413072124110609010235296373470071911442014/1/1123201663837.54857517815914418:52:182413072124110609010235296373470081911442014/1/111201663817.71857517815914418:52:182413072124110609010235296373470091911442014/1/1123201663818.79857517815914428:52:1829340459293201396390938251911242014/1/23620807860.486865335387124114:23:13表1 数据总表开头部分5.2 数据初步分析 利用Excel软件中的CONCATENATE 函数和VALUE函数以及相关操作，将病人ID列与各指标列分别进行合并、筛选，观察同一医保卡号是否仅对应一个病人ID，若是则存在“一卡多用”这种医保欺诈行为。 （1）将病人ID号列分别与出生日期列、性别列、医保手册号列、门诊号列合并、筛选，可知一个病人ID号仅对应各指标中的一个量。 （2）将病人ID号列和住院病例号列进行合并、筛选，可知一个病人ID号仅对应一个住院病例号或无住院病例号。 （3）将病人ID 号和相应就诊ID号进行合并、筛选，可知存在一个病人ID号对应多个就诊ID 号，一些典型的病人ID号与就诊ID号个数（病人Id号，就诊Id号数）为 ：（160450，16），（338370，14），（404867，14），（163696，13），（223085，13），（242023，13），（309765，13），（34118，13），（452114，13），（523612，13），（376042，12），（363950，11），（519164，11）。 其中，除了病人ID号为338370，404867，309765的病人无医保外，其他的病人均有医保。由上述数据可知，病人大约平均每2-3天去医院就诊一次（假设6：病人在同一天内就诊n次（n1)，对应一个就诊ID），这种情况不符合常理。综上，可能存在“一卡多用”这种医保欺诈行为，又由于出现一个病人ID对应多个就诊ID的情况，故我们断定可能存在重复就医或一定时间内反复拿药的医保欺诈行为，且上述病人中存在医保欺诈行为的可能性较大。5.3用SPSS软件对数据描述性统计首先，我们将处理好的数据按病人有无医保分类用SPSS软件分别进行处理，将处理后的数据进行对比分析，观察可能存在的欺诈行为。其次，我们进一步将数据按病人是否住院治疗进行分类考虑。5.3.1按有无医保分类处理分析我们将数据分成有医保病人数据和无医保病人数据两类，用SPSS软件进行统计分析，我们认为无医保病人数据中不可能存在欺诈行为（假设2），将有医保病人数据分析结果与无医保病人数据分析结果进行对比，从而发现有医保病人数据中存在的医保欺诈行为。（1）用SPSS软件对无医保病人数据进行处理，得到表2（处理结果见附录一）。表2无医保病人数据统计量表统计量PatientDROutpatient NoSexSafetynetcard NoInsurance NoRecdep DRResdep DRPatdep DRTotal PriceArpbl DRN有效96772967729677296772967729677296772967729677296772缺失0000000000众数16480235797884a10125569.4740203203距695721422888833860270.99935245244560.0000567676极小值2933579788410125569.000788-860.00004842614极大值696014400267724386027125570.00005325323700.00005410290a. 存在多个众数。显示最小值从表2中可知，病人性别出现了3和4，我们认为这是输入错误，但是在不考虑性别的情况下，我们把这种错误忽略。由附录一可看出：执行科室所占百分比（代码，百分比）分别为：（191，45.6%），（193，22.0%），（423，10.1%），（2，9.3%），（424，8.3%），（425，2.9%），（502，2.9%），（101，0.6%）。医嘱子类所占百分比（代码，百分比）较大的分别为：（25,24.2%），（1,23.1%）。核算分类所占百分比（代码，百分比）分别为：（1，63.7%），（2，8.4%）（3，27.9%）。用SPSS软件对有医保病人数据进行处理，处理结果见附录二。PatientDRDOBOutpatient NoSexSafetynetcard NoInsurance NoRecdep DRResdep DRTotal PriceArpbl DRPatdep DRN有效193025193025193025193025193025193025193025193025193025193025193025缺失00000000000众数1604501a1070335062520322.98005076301203全距695760211050113159856358432135242952.6400443590524极小值241110100067918-1068.340049667068极大值696001321050113159866365222145321884.30005410296532a. 存在多个众数。显示最小值表3 有医保病人数据统计量表由表2、表3对比可知：有医保病人消费总额极大值为3700元，高于无医保病人消费总额极大值1884.3元，因此我们认为一般情况下有医保欺诈行为的病人消费总额相对较高。由附录二可知：执行科室所占百分比（代码，百分比）分别为：（191，42.7%），（193，35.0%），（423，7.7%），（424，6.2%），（2，6.2%），（425，1.0%），（502，0.9%），（101，0.2%），（192，0.001%）。此种情况与无医保病人的执行科室所占百分比有别，但差别不显著。 医嘱子类所占百分比（代码，百分比）最大的分别为：（25,31.3%），（1,20.5%）。核算分类所占百分比（代码，百分比）分别为：（1，53.1%），（2，7.7%）（3，39.2%）。在数据总表中，ID号为160450的病人配药次数最高，在一个月内达到121次，配药次数较频繁，不符合医学常理。综上所述，我们认为该数据中可能存在一定时间内反复拿药或医生重复开药的医保欺诈行为。5.3.2无住院病人数据的描述性统计（1）按病人是否住院将数据分成两类，用SPSS软件进行统计分析。以无住院病人为例，分别考虑有医保和无医保两种情况进行相关分析，分别对其执行科室、病人科室、下医嘱科室、核算分类等指标进行偏相关分析，将相关性弱的冗余指标剔除，再对无医保病人数据和有医保病人数据进行探索性分析，探索各指标对病人单次消费额的影响，找出影响较大的指标，得到如下表4。表4无医保病人数据相关性分析表控制变量Recdep DRResdep DRPatdep DRTraEC_DR无Recdep DR相关性1.000-.051.000.211显著性（双侧）.000.934.000df0907019070190701Resdep DR相关性-.0511.000.245-.119显著性（双侧）.000.000.000df9070109070190701Patdep DR相关性.000.2451.000.124显著性（双侧）.934.000.000df9070190701090701TraEC_DR相关性.211-.119.1241.000显著性（双侧）.000.000.000.df9070190701907010Patient DRRecdep DR相关性1.000.013.013.206显著性（双侧）.000.000.000df0907009070090700Resdep DR相关性.0131.0001.000.159显著性（双侧）.000.000.000df9070009070090700Patdep DR相关性.0131.0001.000.159显著性（双侧）.000.000.000df9070090700090700TraEC_DR相关性.206.159.1591.000显著性（双侧）.000.000.000.df9070090700907000a. 单元格包含零阶 (Pearson) 相关。由表4可知，执行科室、病人科室、下医嘱科室间的相关性很小均小于0.05，三者与核算分类间的相关性均大于0.05，但相关性相对较小，因此我们认为各指标间无相关性。下面我们给出各指标对有医保病人单次消费额的影响结果图：图1 执行科室对病人单次消费额的影响图2 病人科室对病人单次消费额的影响图3 医嘱子类对病人单次消费额的影响图4 下医嘱科室对病人单次消费额的影响图5 核算分类对单次消费额的影响结论：各图中均出现了少部分的孤立点，且孤立点多数分布在消费额1000元以上，因此我们假设病人消费额在给定一个月内超过1000元才有可能存在医保欺诈行为（假设4）。 将上述结果图与无医保病人数据分析结果图（见附录三）对比可知，两类病人数据中，医嘱子类、核算分类对病人单次消费额影响几乎相同，而在下医嘱科室、病人科室和执行科室对病人单次消费额的影响图中，存在反差较大的个案，故可初步认为这些个案病人ID号所对应的病人很可能存在医保欺诈行为。我们将各标量对单次消费额影响较大的个案一一列出，见表5.Patdep DRTraEC DRItemCat DRResdep DRRecdep DR162186162186647219690183690183325939477945639799647219676216477945555728628287639799639799555728615989628287628287628287572452628287615989616269616269608684639799555728615989615989615989690183477945608684581961628287325939591139572452628287224324572452555728639799162186555728477945647219477945363050655728195348325939162186表5对总价影响较大的个案 其中，有医保病人中很有可能存在医保欺诈行为的病人ID号为： 690183，676216，655728，647219，647219，639799，628287，616269，615989，608684，591139，581961，572452，555728，477945，363050，325939，224324，195348，162186。 接下来我们从总消费额角度出发观察可能存在的医保欺诈行为，用SPSS软件分别对无医保病人数据和有医保病人数据中的消费总额进行汇总，结果我们发现病人ID和病人科室相关性很强，即同一个病人ID对应同一个病人科室，我们认为符合医学常理，因为在一个月内同一病人看病科室大体是相同的。如果病人中存在医保欺诈行为，考虑到风险因素，这类病人的总消费应相对较高。 由图1-5知，异常点多数分布在消费额1000元以上，因此我们以无住院病人消费总额等于1000元为基准，认为消费总额超过1000元的病人中存在欺诈行为。接下来我们研究不住院病人中消费总额超过1000元的病人数据，主要对下医嘱科室、病人科室和执行科室与消费总额进行对比分析。 由于数据较多，我们只给出无住院病人消费总价超过1000元的个案中总额排名前十的数据，按有无医保分类进行分析（分析结果见附录三），消费总额对比在表6中体现。表6无住院病人消费总额（排名前十）有医保病人消费总额（排名前十）Patient DR225684173602173602165507173684162744618430619951627691162799Total Price8459.487510.245577.53532851874518.34509.64204.854159.264149.6无医保病人消费总额（排名前十）Patient DR263323537132695632650134667790183268190334186919639719661777Total Price4149.63920.3537003645.23589.63081.12795.242669.42632.82622.22 由表6可充分看出有医保病人消费总额远远高于无医保的病人消费总额。接下来，我们对无住院病人数据进行描述性统计分析（我们只分析消费总额超过1000元的个案数据），并将与有医保病人数据分析结果与无医保病人数据分析结果进行对比，我们将对比后相差较大的数据整理在表7中（统计结果见附录四）。表7 各指标相差较大的数据执行科室频数百分比医嘱子类频数百分比有医保193366.3140871.742329952.526173无医保19363.719356.742359362610.6下医嘱科室频数百分比核算分类频数百分比有医保1337212.73386.732928349.7无医保13342.4363.73295432.9由表7可知：有医保病人数据中执行科室号为193和423所占比例分别为6.3%、52.5%，远高于无医保病人数据中执行科室号193和423所占比例3.7%、36%。有医保病人数据中医嘱子类号为1和26所占比例分别为71.7%、3%，远高于无医保病人数据中医嘱子类为1和26所占比列56.7%、0.6%。有医保病人数据中下医嘱科室为133和329所占比例分别为12.7%、49.7%，远高于无医保病人数据中下医嘱科室为133和329所占比例2.4%、32.9%。有医保病人数据中核算分类为3所占比例为6.7%，远高于无医保病人数据中核算分类为3所占比例3.7%。综上可知，医保欺诈行为可能与执行科室号为193和423、医嘱子类号为1和26、下医嘱科室为133和329、核算分类为3的指标有关，从而得出可能存在医保欺诈行为的病人ID号（见附录五）。将不住院病人中消费总额超过1000元的病人数据进行合并，用SPSS软件进行偏相关分析（见表8），观察每个指标对消费总额影响的大小。表8各指标对消费总额影响表相关性控制变量Recdep DRResdep DRPatdep DRTraEC_DRTotal PriceNumberResDoc ID性别Recdep DR相关性1.000-.145.053.214-.023.253-.174显著性（双侧）.000.149.000.541.000.000df0730730730730730730Resdep DR相关性-.1451.000-.108-.090-.216-.158.915显著性（双侧）.000.003.015.000.000.000df7300730730730730730Patdep DR相关性.053-.1081.000-.037.046-.016-.117显著性（双侧）.149.003.317.215.665.002df7307300730730730730TraEC_DR相关性.214-.090-.0371.000-.046.680-.127显著性（双侧）.000.015.317.212.000.001df7307307300730730730Total Price相关性-.023-.216.046-.0461.000.121-.250显著性（双侧）.541.000.215.212.001.000df7307307307300730730Number相关性.253-.158-.016.680.1211.000-.248显著性（双侧）.000.000.665.000.001.000df7307307307307300730ResDocID相关性-.174.915-.117-.127-.250-.2481.000显著性（双侧）.000.000.002.001.000.000.df7307307307307307300结论：对消费总额影响较大的指标依次是：开嘱医生ID与病人就诊科室相关行为0.915，个案数与核算分类的相关性为0.680。因此我们把开嘱医生ID、病人就诊科室和个案数作为对消费总额影响较大的主要指标（核算分类是对消费总额的一种分类，因此相关性较强，故我们不考虑）。（2）我们对无医保病人中消费总额超过1000元病人数据用SPSS软件进行聚类分析，将开嘱医生ID、病人就诊科室和个案数作为自变量，消费总额作为因变量。我们将类数分为4类，得到每个个案的聚类类别表，将聚类类别表用SPSS软件与有医保病人中消费总额超过1000元病人数据进行个案连接得到连接表，然后对连接表进行判别分析(见表8），观察有医保病人的类别并从中找出可能存在医保欺诈行为的病人ID。分类结果案例的类别号预测组成员合计1234初始计数111000112090009030059059400044未分组的案例3623029310569%1100.0.0.0.0100.02.0100.0.0.0100.03.0.0100.0.0100.04.0.0.0100.0100.0未分组的案例6.340.451.51.8100.0a. 已对初始分组案例中的 100.0% 个进行了正确分类。表9 判别分析结果 由表9可看出判别分析非常有效，第2类和第3类个案数相对较多。 由判别结果知可能存在医保欺诈行为的病人（病人Id号，消费总额）有：（661726，2470），（652809，3463），（656804，2806），（654306，2726），（570215，2431），（649180，2369），（160450，2328），（199125，2246），（652507，2197），（652526，2163）。虽然这些病人的消费总额不算太高，但有可能存在欺诈人员的防范措施。由于患同类病的病人应在同一个病人科室就诊，虽然病情可能不同，但其消费情况一般相差不大，因此我们以无住院无医保病人的消费为参考依据，并结合其它指标来判断医保欺诈行为的存在，导致上述医保欺诈行为的原因可能为：（1） 医生隐瞒病人故意向病人开高价药、开大量药。（2） 医生用未得该种病的患者医保卡套取医保费。 （3）医生和病人合谋用医保卡套取医保费。5.3.3住院病人数据描述性统计 用住院无医保病人数据和住院有医保病人数据进行对比分析，查找住院病人中可能存在的医保欺诈行为。该统计分析过程与无住院病人数据统计过程相同，故我们给出相应的结果： 从单次消费额角度出发进行统计分析，有医保的病人中可能存在医保欺诈行为的病人ID号为： 660150，612657，589176，579902，539869，463011，405032，387776,267254。 从消费总额来看很可能存在欺诈行为的病人（病人Id号，消费总额）为：（4782884，5333.68），（337249，538.00），（260460，5297.26），（239011，4810.55），（185469，4764.83），（161213，3752.65），（201969，3693.60），（231890，3618.77），（660818，2040.40），（185750，1609.08），（589176，1884.3）。6 神经网络模型进行检验 人工神经网络是根据人的认识过程而开发的一种算法。假如现在只有一些输入和相应的输出，而对如何由输入得到输出的机理并不清楚，那么，可以把输入与输出之间的未知过程看做是一个“网络”，通过不断地给这个网络输入和相应的输出来“训练”这个网络，网络根据输入和输出不断地调节自己的各节点之间的权值来满足输入和输出。这样，当训练结束后，给定一个输入，网络便会根据自己已调节好的权值计算出一个输出。这就是神经网络的简单原理。 我们借用在金融分析方面，使用SPSS神经网络分析申请人的信用状况，探测可能的欺诈行为的案例，来运用到此题中。 我们将以上得到存在欺诈行为的病人数据进行分组，分为最有可能欺诈行为的病人x组并标记为欺诈等级2和很可能欺诈行为的病人y组并标记欺诈等级为1，剩余的病人归为z组并标记为欺诈等级0。然后从x、y、z组中随机各选出100个个案做为待判欺诈等级数据集，将剩余的样本数据作为训练数据集来创建一个多层感知器的神经网络模型，并利用创建的模型来分析待判欺诈等级数据集，以观察并来验证这300个病人的欺诈等级。由检验结果可知，判对的概率分别为为92.3%，79.7%，80.2%，说明模型显著，从而可以认为上述医保欺诈行为的识别在一定程度上有效。7 进一步讨论 医疗保险欺诈行为在经济上严重危害了国家、参保人及医疗机构的公共利益，而且损害了社会道德风气和社会公平。因此提出以下防范策略建议：1. 加强医保制度宣传和教育 大多数参保人实施诈骗的原因是不清楚医保基金对于公民生命的意义和骗取医保基金的危害性以及严重性，因此，在扩大医保范围覆盖、提升医保额度的同时，需要加强对医保制度的宣传教育，通过各种方式告知参保人员持卡就医权利，同时告知其责任和义务，规范参保人员的就医行为。2. 健全信息共享机制 完善的信息共享机制使医保机构以较低的成本快速准确地获取医疗机构和医疗服务的真实信息，及时实现医疗服务信息和医保信息共享。建立健全医疗保险信息数据库，统一接口规范，促进医疗机构诊疗信息和原始数据及时共享，提高医疗保险机构的工作效率，监控医疗机构的医疗行为，从而有效地控制医保基金的支出。3. 健全监督机制 首先，加强对定点医疗机构和医务人员的监督和教育，提高医生职业素养，建立完整的职业道德评估体系和医务人员诚信档案，明确经办机构与医疗机构定点服务协议中的责任和义务，从源头遏制骗保行为的发生。其次，建立严格的医保监控系统和报销流程监督机制，规范医疗服务信息监控标准，对于在工作中失误的医保工作人员加大惩罚力度。最后加强对参保人的监督，对其身份及所持票据和处方严格核查。4. 健全法律制度虽然十二届全国人大常委会第八次会议进一步解释了刑法与刑事诉讼法中的骗保内容，并明确以诈骗罪论处，但是由于诈骗形式多样，法律法规适用范围有限，法律条文中对于认定社保欺诈的犯罪事实也不甚明确，导致反欺诈的力度大大减少。今后要强化司法解释需要建立健全社保诈骗法律法规，加大惩处力度。8 模型的优缺点8.1 模型的优点 1.在模型求解时，我们将表格合并、拆分，采用各表间的对比、相互验证的方法求解，以原始数据出发来寻找最有可能存在欺诈行为病人。 2.在模型求解过程中，我们仅用Excel表格和SPSS软件处理数据、解决问题，思路简单易懂。 3.在模型求解过程中，所用理论大多是常见的理论，比较容易理解，实现起来也相对较简单。8.2 模型的缺点 1.虽然数据较多，但为了使结果有较高的可信度，我们给出的存在医保欺诈行为的个案并不多，因此还可能存在被我们遗漏的医保欺诈个案。2.我们建模过程中并没有结合相应的数据库软件处理数据，因此数据与结果的交互性较差，如果换成其它数据则需重新处理。因此，如果将Excel表格、SPSS软件和数据库软件结合起来运用到建模过程中，模型会相对有所改善。3.由于SPSS软件处理数据结果较多，表格相对较大，有一些结果不能在文中得以体现。参考文献1马竟波.蚌埠市医保卡使用现状调查与浅析.蚌埠市人民政府.蚌埠市城镇职工医疗保险制度改革实施办法（试行),2000年6月15日颁布.2李亚子,尤斌.医疗保险骗保特征分析.中国医学科学院医学信息研究所,北京师范大学管理学院.中国社会保障,2015年第二期. 3谢龙汉,尚涛.SPSS统计分析与数据挖掘.电子工业出版社，2012.1,ISBN 978-7-121-15219-1.4王璐.SPSS统计分析基础、应用与实战精粹.化学工业出版社，2012.1,ISBN 978-7-122-13140-9.附录一：无医保病人数据统计结果执行科室号频率百分比有效1914409845.61932133422.0423974310.1290319.342480648.342528162.950211371.2101549.6合计96772100.0医嘱子类（部分）频率百分比有效252345824.212239423.1231488615.4681318.41167617.02053435.51243414.52635183.62422762.4核算分类频率百分比有效百分比累积百分比有效16162663.763.763.732697627.927.991.6281708.48.4100.0合计96772100.0100.0附录二：有医保病人数据统计结果执行科室号频率百分比有效1918246342.71936751635.0423149397.7424120446.22120186.242519251.05021707.9101411.21922.0合计193025100.0医嘱子类（部分）频率百分比有效256050231.313961320.5232986915.526152137.911110265.76109725.72090904.71252602.72437872.02120771.120919071.0核算分类频率百分比有效百分比累积百分比有效110250553.153.153.137571539.239.292.32148057.77.7100.0合计193025100.0100.0附录三：各指标对无医保病人单次消费额的影响图附录四：消费总额超过1000元病人数据统计结果1.无医保病人数据统计结果病人科室频率百分比有效百分比有效10106.16.110642.42.411121.21.211221.21.21231.6.61241.6.612921.21.2 执行科室频率百分比有效百分比有效2137.97.91011.6.61916841.541.519363.73.74235936.036.042453.03.0502127.37.3合计164100.0100.0医嘱子类频率百分比有效百分比有效19356.756.762615.915.91174.34.31253.03.0151.6.6191.6.62031.81.8231811.011.0241.6.62553.03.0261.6.620931.81.8合计164100.0100.0下医嘱科室频率百分比有效10106.110642.411121.211221.21231.61241.612921.213342.41391.614374.31441.61501.615921.21612314.017142.417342.417942.418142.4203106.1210127.32111.632553.03295432.952553.0合计164100.0核算分类频率百分比有效114990.9295.5363.7合计164100.02. 有医保病人数据统计结果执行科室频率百分比有效2162.819118833.0193366.342329952.542481.44252.4502203.5合计569100.0医嘱子类（部分）频率百分比有效140871.731.26427.41171.2121