《Frontiers in Public Health》:Perceived aging risk and private medical insurance intentions: education, subjective health, and a China–Malaysia comparison
编辑推荐:
摘要:人口老龄化为未来医疗费用、养老金充足性及财务安全带来不确定性,然而关于老龄化相关风险感知如何在18–64岁成年消费者中影响商业医疗保险(private medical insurance, PMI)购买意向的证据仍有限。本研究检验感知老龄化风险(agin
摘要:人口老龄化为未来医疗费用、养老金充足性及财务安全带来不确定性,然而关于老龄化相关风险感知如何在18–64岁成年消费者中影响商业医疗保险(private medical insurance, PMI)购买意向的证据仍有限。本研究检验感知老龄化风险(aging risk, AR)是否与PMI购买意向相关联,以及教育(education, EDU)、主观健康状态(subjective health status, SHS)和国家背景是否调节此关联。研究人员采用中国(N=484)与马来西亚(N=415)18–64岁消费者调查数据,使用偏最小二乘结构方程模型(partial least squares structural equation modeling, PLS-SEM)分析两个国别模型及一个合并边界条件模型(N=899),控制人口统计学、健康状况、保险经验及收入变量。结果显示,AR在所有模型中均与PMI购买意向呈显著正相关,而EDU与SHS无直接效应。在马来西亚,低教育者及自评健康较好者的AR–意向关联更强;该调节效应在中国未观察到。合并模型表明国家背景仅调节基于教育的调节作用。研究结果表明AR是PMI意向稳健的预期基础关联因子,但其转化为意向取决于情境特定的消费者资源。老龄化社会中的PMI传播应结合老龄化风险框架与本地校准的教育敏感化实施策略。
论文解读:感知老龄化风险与商业医疗保险购买意向——基于中国与马来西亚的实证研究
该研究发表于《Frontiers in Public Health》。人口老龄化使消费者对未来医疗支出、养老金及财务安全产生不确定性,现有文献多关注老年群体或整体风险感知对保险采纳的影响,较少探讨"感知老龄化风险(aging risk, AR,指个体对老龄化伴随的医疗花费压力、养老金不足及财务不安全感的主观评估)"在18–64岁人群中如何驱动商业医疗保险(private medical insurance, PMI)购买意向,且忽略了教育(education, EDU)与主观健康状态(subjective health status, SHS)的异质性作用及国家制度背景差异。中国与马来西亚同属快速老龄化发展中国家,但公共卫生体系、PMI市场成熟度及家庭—国家风险分担观念不同,适合作为比较情境。因此研究人员基于期望理论(Expectancy Theory)与资源基础异质性视角,构建含AR→PMI购买意向(purchase intention, PI)、EDU与SHS调节作用及国家边界条件的概念框架,在中国与马来西亚开展跨文化实证检验。
主要技术方法:
研究人员于2024年3月至8月采用目的抽样,分别在中国深圳与上海(N=484)、马来西亚吉隆坡(N=415)对18–64岁有PMI购买资格的常住居民进行在线问卷调查。AR采用Zheng等改编的8题项七点Likert量表测量,PI采用Ajzen等购买意向量表6题项七点Likert量表测量;EDU为五等级单条目自评学历,SHS为四等级自评健康,控制变量含年龄(AGE)、性别(GEN)、婚姻状况(MS)、既往购买经验(PE)、客观健康状况(患慢性病与否, OHS)及家庭年收入分层(HAI)。经专家内容效度评审与预测试(n=57)后正式施测。数据分析使用SmartPLS 4.0进行PLS-SEM,先评估测量模型(因子载荷≥0.708、Cronbach's α≥0.7、组合信度CR≥0.7、平均方差萃取AVE≥0.5、Fornell-Larcker准则与HTMT≤0.9判别效度),再估计结构模型含AR→PI主效应、AR×EDU与AR×SHS交互项及国家×AR三重交互,采用5000次Bootstrap抽样检验假设,MICOM程序因未达部分测量不变性而将合并模型解释为边界条件分析而非多组比较。
研究结果
4.1 Measurement model assessment(测量模型评估)
通过对三国别模型(Study 1中国、Study 2马来西亚、Study 3合并)的验证,所有AR与PI条目的因子载荷均>0.708,Cronbach's α为0.914–0.942,CR为0.930–0.954(合并模型PI的CR=0.954但仍可接受),AVE分别为0.626–0.698(AR)与0.736–0.774(PI),√AVE大于构念间相关系数且HTMT<0.90,测量模型符合聚敛与判别效度要求,可进行结构分析。
4.2 Structural model assessment(结构模型评估)
所有内生VIF<3,无多重共线性问题。PI的R2在中国为0.653、马来西亚为0.588、合并为0.680(中等解释力),AR对PI的f2为0.716–1.324(大效应量)。交叉验证预测能力检验(CVPAT)显示PLS模型预测误差小于信息知晓基准模型,具样本外预测相关性。
4.3 Hypotheses testing and moderation effects(假设检验与调节效应)
4.3.1 Moderation effects in Study 1 (China)(中国样本中的调节效应):
AR→PI路径系数β=0.717(p<0.001),H1支持。EDU→PI(β=0.021,p=0.552)与SHS→PI(β=-0.036,p=0.224)不显著,H2a、H2b不支持。EDU×AR(β=0.014,p=0.579)与SHS×AR(β=0.030,p=0.328)不显著,H3a、H3b不支持。结论:在中国样本中AR对PMI意向的正向关联稳定存在,不受教育程度与自评健康的调节。
4.3.2 Moderation effects in Study 2 (Malaysia)(马来西亚样本中的调节效应):
AR→PI β=0.745(p<0.001),H1支持。EDU→PI与SHS→PI不显著(H2a、H2b不支持)。EDU×AR β=-0.091(p=0.015),低教育者AR–PI关联更强,H3a支持;SHS×AR β=0.115(p=0.001),自评健康越好AR–PI关联越强,H3b支持。结论:马来西亚样本中教育与主观健康状态对AR至PMI意向的转化具边界条件作用,且该作用方向不同于传统"健康差才买保险"假设。
4.3.3 Study 3: pooled boundary-condition analysis(合并边界条件分析):
合并样本AR→PI β=0.751(p<0.001),H1支持。国家×AR(CTY×AR)不显著(p=0.422),H4a不支持,即国家背景不调节AR→PI主效应。CTY×EDU×AR β=0.109(p=0.017),H4b支持,说明教育调节作用依国家而异。CTY×SHS×AR不显著(p=0.096),H4c不支持。结论:国家背景主要体现为教育相关异质性的边界条件,不影响AR–PI基本关联及SHS调节作用的国家差异。
讨论与结论翻译(研究结论部分总结):
感知老龄化风险(AR)在中马两国18–64岁成人中均正向关联商业医疗保险(PMI)购买意向,证实老龄化相关未来风险评估是PMI意向的稳健预期基础预测因子。教育与主观健康状态本身不直接影响PMI意向,而是作为AR–PI关联的边界条件发挥作用——该边界条件仅在马来西亚样本中显著(低教育者及自评健康更好者AR–PI关联更强),中国国家样本未见此调节。国家背景不调节AR→PI主效应,但调节教育层面的异质性(合并模型CTY×EDU×AR显著)。研究表明PMI推广应以AR风险框架为共同沟通基础,并结合本地制度环境调整产品说明与消费者细分:马来西亚需侧重降低低学历群体的理解门槛与增强健康人群预防性规划感知;中国宜强调PMI对公共医保的互补功能。国家语境差异主要体现在教育资源相关的计划能力异质性,而非AR感知本身的有效性。