Willingness to Pay for Family Health Insurance: Evidence from Baglung and Kailali Districts of Nepal
Notice bibliographique
Résumé
INTRODUCTION: The Government of Nepal introduced a health insurance programme in three districts in 2016. However, it seems that there has not been systematic evidence on whether the current contribution amount (CCA) needed for enrolling in health insurance (HI), is acceptable for those who are willing to enroll. This article aims to assess the respondents' willingness to pay (WTP) for HI. METHODS: A cross-sectional study was conducted with 810 randomly selected households in Baglung and Kailali districts and the data was collected using a validated schedule. The socio-demographic characteristics were considered as independent and the WTP as dependent variables respectively. Univariate, bivariate and multivariate analysis were performed. RESULTS: Of the total respondents, 74 percent expressed that they could pay nearly three times as much as the CCA. Mean differences in WTP for HI were observed in terms of districts (p<0.001), sex of the respondents (p<0.01), household headship (p<0.05), mother tongue (p<0.001), wealth status (p<0.001), presence of chronic diseases in the family(p<0.05), enrollment in HI(p<0.01), exposure to the radio/FM(p<0.05) and TV(p<0.01), and access to health facilities (p<0.01). The lieklyhood of WTP for HI were lower in Kailali than in Baglung (b= –0.178, p<0.001); with females than with males(b= –0.076, p<0.05); and with the age group £37 years than > 37 years(b= –0.090, p<0.05). CONCLUSION: The WTP for HI was nearly three times as high as the CCA for all health services if available to them. More than one fourth of the respondents did not know about HI. Therefore, appropriate interventions are needed for awareness raising which may support the WTP as well as enrollment in HI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».