总公司因为各种因素的限制，不能全部满足各子公司的医疗费用支出。我们假定总公司的医疗费用约可满足各子公司的医疗费用支出之和的90%。,设可靠度为p,我们计算了总公司在不同可靠度下为了保证至少90%的员工医疗费用得到及时报销而需投入的资金X=0.9p+0.9，结果如下:
资 金
50％ 34.744
70% 34.885
80% 35.1676
90% 35.309
99% 35.4358
在2003年，总公司投入80万元，在去除银行利率和通货膨胀的效应后，投入的等效医疗费用为80*（1+1%）/2.26=35.75。我们可以看出，03年的等效医疗费用已在99％可靠度下保证至少90%的员工医疗费用得到及时报销,并且超出所需资金甚少。综合以上各因素，我们认为总公司每年投入的等效医疗基金总额在35.44万元即可。各年乘以通货膨胀指数之后，总公司实际支出的医疗费用见附表3。
总公司的分配过程与方案的决策
我们引入一种对分配方案好坏的判别准则：
各子公司不
假设各子公司对总公司具有相同的重要性，从总公司的角度看，我们的目标就是要寻找不满意度之和的最小值，并且，不满意度的参数之间存在一定的线性约束条件：
1．各个子公司可分配的金额总和等于总公司提供的金额。
2．各个子公司分配的金额不小于零。
3．各个子公司实际分到的金额不大于需要的医疗保障金额.
s.t.
我们利用Lingo软件进行求解，结果发现由于每年都是ｃ公司实际需要的医疗保障基金最多，为了达到最大满意度，每年都给ｃ公司分配的医疗保障金最少。而给ABD分配的医疗保障基金即它们各自所需要的基金。
另外一种思考方法是按照各公司所需医疗保障基金在总的所需医疗保障基金中的比例分配。即
这两种分配结果见附表3.4.5。按照第一种方法进行分配，显然对C公司不公平，所以最好综合考虑两种方法。
五．模型的检验以及推广
由于所给的数据只有24年的数据，而影响未来的因素过多，所以对未来11年的各个公司所需医疗保障基金的预测必然有所偏颇。时间序列分析在预测短期数据时比较精确，在预测长期数据时有一定局限性。 但是，我们采用时间序列分析，尽最大可能找出各观测值之间的依赖关系或相关性，并且把这种相关性定量地描述出来，从系统的过去推测其将来的值。时间作为一个明显的自变量进入模型，其意义表面上是表示因变量随时间而自发的变化，而实际上是代表了决定应变量变化的诸因素的联合影响。这种方法比用多项式拟合要准确许多。在预测总支出医疗保障基金时，认为其服从正态分布是从变化中寻找规律，定出的总投入能以很大的概率保证90%的职工医疗保障基金得到及时报销。最后在进行资源分配时，时间不太够，模型有点粗糙。本文中关于数据预测的方法可推广到无法用数学函数定量描述
的离散数据序列预测上，如果和神经网络，遗传算法结合起来，可以在更大的范围，以更高的精度解决更多的问题。
对医疗保障金分配方案的决策分析(六)相关范文
