健康保险市场的逆向选择问题比较突出，而目前健康保险市场缺乏有效的控制逆向选择风险的措施，现有的逆向选择风险控制方法对于控制健康保险市场的逆向选择风险均有一定的局限性，因此，本文以健康保险市场的逆向选择问题为主要研究对象，提出了一个专门针对健康保险市场的逆向选择风险控制新方法。　　 逆向选择现象产生的根本原因在于信息不对称。对于健康保险市场，被保险人投保时的健康状况如何是评价其风险类型(风险大小)的重要依据，然而，只有被保险人了解自己的健康状况，保险人并不了解，如果高风险的被保险人出于自身利益而隐瞒真实健康状况，保险人就无法正确判断其风险类型，从而导致逆向选择现象的发生。因此，要想控制逆向选择风险，保险人必须拥有有效的方法和手段来判断被保险人的真实风险类型。　　 目前在保险实务中保险人主要依据被保险人的年龄、性别等判断其风险类型，但这种方法不能有效控制逆向选择风险，尤其不能有效控制年轻的被保险人中发生的逆向选择风险。本文通过对健康保险告知过程的研究，提出了一个控制健康保险逆向选择风险的新方法——告知博弈模型。该模型可以帮助保险人判断被保险人的真实风险类型，从而有效控制逆向选择风险。　　 本文从保险人所掌握的信息入手展开研究。在订立保险合同的过程中，被保险人首先提出投保申请并作出健康告知，保险人据此决定是否对被保险人进行身体检查，再根据被保险人的健康告知信息及体检结果判断被保险人的风险类型，最后决定是否承保以及承保的条件。本文将这一过程称为告知过程。保险人在告知过程中可以获得两种主要信息，一是被保险人在健康告知中提供的关于其健康状况的信息，二是对被保险人进行体检获得的信息。这两种信息是保险人判断被保险人风险类型从而控制逆向选择风险的主要依据。然而保险人面临的问题是，一方面部分被保险人(主要是高风险的被保险人)出于自身利益考虑不能如实告知其健康状况，另一方面保险人受到成本限制不能对每一个被保险人都进行身体检查，这就可能出现部分高风险人避过保险人的检查而被作为低风险人承保的问题，使潜在的逆向选择风险转化为现实的逆向选择成本，给保险人造成重大损失。如何帮助保险人更有效地利用上述两种信息判断被保险人的风险类型是本文的重点研究内容之一。本文提出的告知博弈模型将帮助保险人在有限信息情况下提高判断的准确率和控制逆向选择风险的效果。　　 通过对告知过程的详细研究和分析，本文得出结论，告知过程是一个典型的信号传递博弈过程，可以用信号传递博弈的相关理论相方法进行研究和讨论，本文据此建立了一个告知博弈模型。在告知博弈模型中，被保险人是信号发出者，保险人是信号接收者，被保险人在健康告知中提供的信息是他所发送的信号。被保险人有两种行动选择：如实告知或者不实告知。保险人也有两种行动选择：对被保险人进行身体检查或者不进行身体检查。　　 本文依据信号传递博弈理论求得了告知博弈模型的均衡解。均衡时，被保险人的最优策略是：当被保险人为高风险人时，他以概率π*选择如实告知，以概率1-π*选择不实告知；当被保险人为低风险人时，他总是选择如实告知。其中，1-π*是被保险人的最优不实告知概率，它的确定原则是：当被保险人告知为低风险人时，1-π*使得保险人在选择对该被保险人进行检查或不进行检查时的期望效用相等。保险人的最优策略是：当被保险人告知为高风险人时，保险人总是推断其如实告知，不对其进行检查；当被保险人告知为低风险人时，保险人推断其可能如实告知或不实告知，按照比例s*选择对其进行检查，以判断其真实风险类型。其中s*是保险人的最优检查比例，它的确定原则是：当被保险人为高风险人时，s*使得该被保险人在选择如实告知或不实告知时的期望效用相等。　　 根据告知博弈中保险人和被保险人的最优策略，保险人判断被保险人风险类型的具体方法是：对于告知健康状况不佳的被保险人，保险人判断其为高风险人，不进行体检，直接加费承保。对于告知健康状况良好的被保险人，判断其可能为高风险人或低风险人，按照最优检查比例s*对这类被保险人进行抽检。对于其中被抽检的被保险人，根据体检结果判断其为高风险人或低风险人；对于未被抽检的被保险人，直接判断为低风险人。　　 按照这种判断方法，多数情况下保险人对于被保险人风险类型的判断都是正确的。只有在一种情况下，即：高风险的被保险人告知健康状况良好(不实告知)而保险人未对其进行检查、直接判断其为低风险人时，保险人的判断发生错误，此时保险人未能识别被保险人的逆向选择行为。这种判断错误的情况对于保险人的影响程度取决于其发生的比率，本文称之为判断错误率。虽然告知博弈模型不能完全避免判断错误的情况，即不能完全避免逆向选择问题，但是利用告知博弈模型可以较准确地估计判断错误率，即未能识别的逆向选择行为发生的比率。保险人可以利用判断错误率预先估计相应的逆向选择损失，并将其作为成本摊入保险费中。　　 本文提出的告知博弈模型与现行的主要利用性别和年龄来判断被保险人风险类型的方法相比更系统、更科学，具体来讲，本文方法有以下特点和优势：　　 1.为保险人提供了最优检查比例，成为抑制逆向选择风险的有效手段。均衡时，在最优检查比例下，高风险人选择如实告知或不实告知的期望效用相等。如果保险人实际使用的检查比例高于最优检查比例，则高风险人选择如实告知的期望效用大于选择不实告知的期望效用，理论上讲高风险人都会选择如实告知，此时不存在逆向选择风险。如果保险人实际使用的检查比例低于最优检查比例，则情况刚好相反，逆向选择将十分严重。因此，保险人可以利用最优检查比例这一手段有效抑制逆向选择风险：当检查成本较低而逆向选择问题较严重时，可以适当提高检查比例以抑制逆向选择风险；当检查成本较高时，保险人需要在控制检查成本和抑制逆向选择风险之间进行权衡，即使难以提高检查比例，也可以利用判断错误率预先估计逆向选择损失并从保险费中弥补。　　 2.帮助保险人利用判断错误率预先估计逆向选择损失。　　 保险人发生判断错误时就会造成逆向选择损失。告知博弈模型给出了判断错误率与1-π*和s*之间的确定的函数关系。这样，虽然判断错误的情况不可避免，但是因判断错误而发生的逆向选择损失是可以预先估计的。逆向选择损失等于判断错误情况下发生的净支出与判断错误率的乘积。保险人可以将预先估计的逆向选择损失作为成本计入保险费中，由所有的被保险人分摊，这样即使发生了逆向选择问题，保险人的损失也可以得到弥补。　　 3.提出了更系统、全面的体检分类体系。目前实务中主要依据被保险人的性别、年龄等进行体检分类。年龄大的人体检比例高，年龄小的人体检比例很低甚至为零。这种分类方法不符合疾病发生规律，忽略了总体人群和投保人群的差异，也忽略了被保险人的能动性，难以真实反映保险人面临的逆向选择风险。本文依据告知博弈模型提出了一套更系统的体检分类方法。保险人应按照不同地区、性别和年龄、被保险人的个人总资产、保险金额等对所有被保险人进行分类，然后针对每一类别分别计算最优检查比例，再按照最优检查比例对这一类别的被保险人进行抽检。这样所有的被保险人都可能被抽检，但是依组别不同抽检的比例不同。这种分类方法既可以全面覆盖所有被保险人，又可以依据检查比例的差别而对高风险人予以重点关注。　　 为了更好地在保险实践中应用告知博弈模型，本文还具体提出了利用告知博弈模型控制逆向选择风险的方法和步骤。利用告知博弈模型控制逆向选择风险不是简单地在告知过程中完成的，而是贯穿于自产品开发设计到产品销售再到售后管理的全过程中。具体来讲包括六个步骤：第一步，对被保险人进行恰当的分类;第二步，分别计算每一类别被保险人的最优检查比例；第三步，计算每一类别的判断错误率和逆向选择成本；第四步，按照预定的被保险人分类方案和最优检查比例，对各类别被保险人进行抽检；第五步，根据实际数据对模型参数进行调整；第六步，模型参数变动时对保险人的策略进行调整。　　 本文还以江苏省有关数据为例，按照上述控制逆向选择风险的步骤，进一步说明了告知博弈模型在保险实践中的应用方法。在该例中，针对南京市31～40岁男性，个人总资产10～30万元，保险金额5～10万元这一类别的保险客户，计算结果为保险人的最优检查比例1.851％，被保险人的最优不实告知概率7.651‰，判断错误率1.22‰。　　 告知博弈模型中有些条件在现实中可能并不满足。例如，告知博弈模型中假设每个被保险人在投保时都了解自己的真实健康状况，但现实中未必如此，可能有些人了解，有些人不了解。再比如，告知博弈模型中保险人在承保之前对被保险人进行身体检查，理赔时不再进行调查，而现实中理赔调查也是一项重要的防范风险的手段，如果保险人有确凿的证据证明被保险人提供了虚假信息，保险人可以拒赔。针对这两种情况，本文提出了两个以告知博弈模型为基础的扩展模型。　　 扩展模型一中，有些被保险人投保时可能健康状况不佳但自己并不清楚，因此仍告知健康状况良好。这种情况下，不实告知的比例看起来降低了，但实际上是部分高风险人在非故意的情况下作为低风险人投保。如果保险人忽略了这种非故意不实告知行为，就会使保险人错误地认为不实告知的比例降低了，从而导致保险人低估逆向选择风险。因此，在部分被保险人不了解自己的风险类型的情况下，应用扩展模型一可以帮助保险人正确判断逆向选择风险，避免造成严重损失。　　 在告知博弈模型和扩展模型一中，保险人都是进行事前调查，即在订立保险合同之前，保险人抽取一部分被保险人进行身体检查以确认被保险人的风险类型。在扩展模型二——事后调查模型中，保险人在订立保险合同时不对被保险人进行体检，但是双方约定如果被保险人在投保后一定期间内提出索赔，保险人将在给付保险金之前进行相关调查。如果调查结果证明被保险人投保时作出了不实告知，保险人将拒绝给付保险金并不退还已缴保险费；如果调查结果不能证明被保险人投保时作出了不实告知，保险人将给付保险金。　　 事后调查模型与告知博弈模型相比，在控制逆向选择风险方面是否具有优势，主要看两种情况下成本和收益的比较。两个模型中，如果哪一个模型的检查/调查总成本较低，并且逆向选择成本也较低，则该模型较优。如果这两种成本中，一个较高，一个较低，就要看相互抵销的结果及保险人的侧重。当检查/调查的总成本都较低时，保险人可能更侧重于控制逆向选择成本。　　 本文的创新之处主要体现在：　　 1.提出了一个控制健康保险市场逆向选择风险的新方法——告知博弈模型。该模型为保险人提供了抑制逆向选择风险的手段和估计逆向选择成本的工具，比现行方法　　 更能有效控制逆向选择风险。　　 2.依据告知博弈模型提出了一个系统、全面的健康保险体检分类体系。该体系使所有被保险人都可能被抽检，但依组别不同抽检的比例不同，这就同时保证了体检的覆盖面和针对性，使有限的体检费用得到更合理分配。　　 3.提出了如何在保险实务中应用告知博弈模型控制逆向选择风险的具体方法和步骤，特别是提出了如何依据实际数据对模型参数进行词整的方法。为了更适应现实情况，本文还在告知博弈模型的基础上提出了两个扩展模型。　　 1.以期望效用理论作为保险人和被保险人的主要行为准则有一定的局限性。例如：保险人或者被保险人不一定是期望效用最大化者；被保险人不一定是风险厌恶者；保险人或者被保险人在计算期望效用时，所掌握的相关数据可能不准确等，这使得本模型的估计可能与现实情况不一致。不过，本文详细说明了模型参数的调整方法。当发现模型的估计与实际情况不符时，可以对模型进行调整，这在一定程度上弥补了使用期望效用理论的局限性。　　 2.告知博弈模型及两个扩展模型均没有考虑时间价值。时间价值是确定保险产品成本和计算保险费时必须考虑的重要因素。但由于本文的重点是提出一个控制逆向选择风险的新方法，所以更侧重于分析和论述该方法本身，没有更多关注具体的计算，也就忽略了时间价值问题。不过，这并不影响告知博弈模型的均衡解的性质，也不影响了利用告知博弈模型控制逆向选择风险的基本方法和步骤。　　 本文提出的告知博弈模型及两个扩展模型是一种全新的控制健康保险市场逆向选择风险的方法。本文不仅提出了理论模型，还提出了具体应用方法，保险人可以直接应用本文研究成果控制健康保险市场的逆向选择风险。本文的不足之处则有待于进一步研究和完善。