Le financement du système de santé et le partage obligatoire-volontaire
Bibliographic record
Abstract
Résumé Cet article vise à faire un point des connaissances (en économie) sur le rôle de la couverture complémentaire dans le financement de la santé. On commence dans la première partie par définir les différents modes de financement de la santé et leurs forces et faiblesses respectives. Dans une seconde partie, sont passées en revue les connaissances théoriques et empiriques relatives à diverses formes de partage de la dépense de soins entre système obligatoire et système volontaire. Cette partie repose sur des contributions théoriques, mais aussi sur des analyses empiriques du fonctionnement de la complémentaire dans différents systèmes de soins ayant adopté ce type de financement sous des formes diverses : Canada, France, Royaume-Uni, Suisse et USA. La principale conclusion est la suivante : tout système de financement pur (purement obligatoire ou purement volontaire) est rejeté, d’un point de vue normatif (le bien-être social est moindre que dans un système mixte) ou positif (il ne serait pas choisi dans un vote référendaire). Les systèmes mixtes ne sont donc pas seulement la résultante de circonstances historiques chaotiques mais reflètent un arbitrage rationnel entre les défauts des systèmes obligatoires et volontaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".