医保欺诈行为
医保欺诈行为的主动发现
摘 要
医疗保险欺诈是指公民、法人或者其他组织在参加医疗保险、缴纳医疗保险费、享受医疗保险待遇过程中,故意捏造事实、弄虚作假、隐瞒真实情况等造成医疗保险基金损失的行为。
本文主要是用模糊理论模型和聚类分析对于影响医疗诈骗的因素进行分析。 建立模型一利用模糊数学理论列出数据矩阵、数据标准化、平移•标准差变换等建立模糊相似矩阵解出一级二级指标权重,得出最终权重。从权重向量中可以看出单张处方药费所占大的比重最大,算出权重之后,再根据最大隶属原则可知在得出的矩阵中对权重影响最大的是单张处方的药费,利用单张处方的元素作为标准确定阈值取占权重最大的前两项指标单张处方的药费、单张处方取药次数,则可计算欺诈可能性为0.75136。所以当患者的得分为大于欺诈可能性t1时,则欺诈的可能性大;小于t1时,则不存在欺诈行为。
针对题目数据2.2费用明细表,我们从三方面考虑。首先,单张处方的总价过高可能为欺诈,但是考虑到总价与单价、数量之间的相互影响,对此我们先对单价、数量、总价进行相关分析,发现单价与总价呈弱相关;然后用聚类分析对医嘱子类、单价、医嘱数量、总价费用进行分类,案例数少的类即有欺诈嫌疑;其次,对病人ID号标识重复个案,由于重复个案所占比例较大,对重复个案进一步进行了聚类分析;最后,若下医嘱科室与病人科室不一致则可能为欺诈,对此我们绘制了简单线图,不在y=x直线上的即为欺诈记录。
最后通过Excel数据自动筛选的方法进行筛选得到病人在死亡之后没有医保消费记录。一张医保卡两人使用有376条记录,一张医保卡三人使用有9条记录,即存在医保欺诈行为。
关键字:医保欺诈;模糊数学理论;标识重复个案;Spss;相关分析
一 问题重述
医疗保险欺诈是指公民、法人或者其他组织在参加医疗保险、缴纳医疗保险费、享受医疗保险待遇过程中,故意捏造事实、弄虚作假、隐瞒真实情况等造成医疗保险基金损失的行为。
骗保人进行医保欺诈时通常使用的手段,一是拿着别人的医保卡配药,二是在不同的医院和医生处重复配药。下面这些情况都有可能是医保欺诈:单张处方药费特别高,一张卡在一定时间内反复多次拿药等。请根据题目附件中的数据,找出可能的欺诈记录。
注:数据中病人姓名、身份证号、电话号码、医保卡号为非真实数据。 数据见题目表2.1、2.2、2.3、2.4、2.5、2.6。
二 问题分析
我们通过对给出数据的观察和分析,我们发现这几个表里面有很多栏都是空白,而且有些信息记录与本次建模没有联系,所以首先可以通过数据库语言对表进行合理的处理,整合到一张表里。 由于处理的数据量巨大,各个变量之间的关系,已模糊数学理论的思想建立矩阵,并放入数据。 最后建立相似矩阵,取出一些变量作为权重向量的元素,模型一主要就是去研究那个元素对向量的影响较大,从而判断是否存在欺诈。但是由于拿出的元素只有两个,所以就会使得得出的结果不准确。那么就消除其他因子的影响,直接利用权重向量的前两个元素得出结果。
医疗保险欺诈行为通过分析病人的费用明细表中的各项数据也可以找出可能的欺诈行为表现,主要从单张处方的总价过高、病人ID号是否重复过多、下医嘱科室与病人科室是否一致这三个方面考虑。
在题目表2.2费用明细中,通过对各个变量进行K均值聚类分析,可以将数据分为几类,案例数少的则可能是欺诈行为。但是考虑到单价、数量、总价之间的相互影响,对此我们使用了SPSS中相关性分析找出三个变量的相关性,并用图标构建程序绘制了简单3-D散点图。对于病人ID号使用标记重复个案的方法,找到重复的记录,即可能为医保欺诈行为。而下医嘱科室与病人科室应该是一致的,若不一致即为欺诈,因此对下医嘱科室和病人科室绘制简单线图。
最后我们主要对病人死亡之后是否仍旧有医保消费记录和一张医保卡多人使用这两大类通过Excel自动筛选的方法来分析出结果。
三 基本假设
1. 假设医保手册号为1的病人都是不享受医疗保险的。 2. 假设不同的人群间经济统一,统一管理和统一待遇水平。
3. 假设所有不同参件中的保人都遵守相关数据真实可靠守医疗侵害医疗筹共保险基金行为的参保人员。
4. 假设所有保险的有关规定没各个指标。 5. 假设所有的相关数据都具有独立相互影响。 6. 由于数据过少,假设参保排除其他人数与今年一样。 7. 假设对每个聚类分析结果,使用同一评判标准。
四 定义及符号说明
符号
定义及说明 模糊相似关系矩阵
(r)1111
R
模糊相似矩阵 置信水平的阈值 欺诈可能性
t1
Zj(I)
2,k ) 初始聚类中心(j1,
D(xi,Zj(I))
JC(I) T
每一个数据样本与聚类中心之间距离
误差平方和准则函数 Pearson简单相关系数检验统计量
五 模型的建立与求解
5.1 模型的准备
通过对题目附件里的数据进行观察可以很容易发现,有很多表格里的栏目内容为空,还有就是有些信息对本次建模没有帮助,所以在建立模型前,有必要将原始数据进行筛选处理。通过将数据导入数据库,利用数据语言对数据进行处理(详见附录具体处理内容如下:
1.对于题目表2.1病人资料的处理
通过查找观察,发现如VIP标志PAPMIVIPFlag、备注PAPMIRemark等栏目为空,可进行删除;利用出生日期,计算出病人在2014年的年龄;将性别PAPMI_SEX_DR为男为1,女为0;对于是否死亡PAPMI_DECEASED,死亡了的病人设为1,未死亡的设为0;对于手机号PAPMI_MOBPHONE,将有手机号的病人设为1,没有手机号的病人设为0;对于医保手册号PAPMI_Name3,将有医保手册的人设为1,没有医保手册号的人设为0,将没有医保手册号的病人删除,因为没有医保手册号的病人是不享受医保。
2.对于题目表2.2病人资料费用明细处理
此表是所有表中有用信息最多,且是最为重要的表。选取里面下医嘱科室WORKLOAD_RECDEP_DR、医嘱数量WORKLOAD_RECDEP_DR、下嘱医生
WORKLOAD_QUANTITY、执行科室WORKLOAD_RESDOC_DR、核算分类
WORKLOAD_TAREC_DR、费用WORKLOAD_TOTALPRICE、单价WORKLOAD_UNITPRICE等信息,放入新表中;利用数据库语言,将医嘱日期WorkLoad_OrdDate到结算日期WorkLoad_FlagDate的时间间隔求出来。
3.对于题目表2.3、2.4、2.5、2.6进行处理
由于这四张表里面的信息有些过于详细,有很多都是空的信息,所以在本次建模中这四个表只用于参照和核对,不直接用于建模的数据引用和处理。
通过以上的方法可以得出一张新的数据表,表的大概情况如下: 数据处理后形成的新表如下表5.1
表5.1 数据处理后的新数据表
医保对象
购药记录
年龄
病例号
医保手册号
性别
是否死亡
0 账单号
178614
工作单位
35963074
执行科室
96
下医嘱科室
医嘱数量
6007833
下医嘱医生
手机号
核算分类
193
费用
203
单价
70
时间间隔
1326
医嘱子类
5060035
3
医保对象
1.75
购药记录
0.025
年龄
病例号
25
医保手册号
性别
是否死亡
0 账单号
225684
工作单位
36087446
执行科室
44
下医嘱科室
医嘱数量
1519350
下医嘱医生
手机号
1
核算分类
191
费用
单价
1
时间间隔
医嘱子类
„„
1
118 118 0 15 „„
5.2 模型建立和求解 5.2.1 模糊数学理论模型
模糊理论(Fuzzy Theory)是指用到了模糊集合的基本概念或连续隶属度函数的理论。模糊系统理论的基础是模糊集合理论,模糊系统理论的方法主要用于环境质量评价中,如模糊聚类法、模糊综合评判法等,它的核心是利用隶属度刻画客观事物中大量模糊的界线。
在环境质量评价中,对于评价级别的归属问题,即元素与集合之间的关系,不再是笼统的经典集合论中的属于或不属于关系,而是[0,1]中间的一个数,这样能更为确切地反映实际情况,模糊技术已渗透到自然科学、社会科学及工程技术的几乎全部领域。
1.数据矩阵
设论域U{x1,x2,,xn}为被分类对象,每个对象又有m个指标表示其性状,即
xi{xi1,xi2,,xim}(i1,2,,n)。
则,得到原始数据矩阵为
x11
x21xn1
x12x22xn2
x1m
x2m
。
...xmn
在矩阵中xmn表示的是第n个分类对象的第m个指标的原始数据。 2.数据标准化
在实际问题中,不同的数据一般有不同的量纲,为了使不同的量纲也能进行比较,通常需要对数据做适当的变换。但是,即使这样,得到的数据也不一定在区间[0,1]上。因此,这里说的数据标准化,就是要根据模糊矩阵的要求,将数据压缩到区间[0,1]上。
3.平移·标准差变换
xikk
(i1,2,,n;k1,2,,m)。 sk
xik
1n
。 其中xk
xik,skni1
经过变换后,每个变量的均值为0,标准差为1,且消除了量纲的影响。但
还不一定在区间[0,1]上。 是,再用得到的xik
对上述问题用基于模糊等价矩阵的模糊聚类方法进行分析。 4. 求解
A、数据的收集从一原始数据中找出需要的变量; B、建立模糊相似矩阵。
利用相关系数法,构造模糊相似关系矩阵(r)1111,其中为了便于计算建立11行11列矩阵。
rij=
|(x
k1nk1
n
ik
xi)||(xjkxj)|
n
1
22
。
[(xikxi)2(xjkxj)]
k1
1101n
其中xi=xik,i=1,2,„,11,xj=xjk,j=1,2,„,11。
10k1nk1
取出i2,j1,代入公式得r21=0.839,由于运算量巨大用C语言编程计算出其余数值,得模糊相似关系矩阵(r)1111,具体程序如附录二。
从而得到模糊相似矩阵R
1.000 0.839 0.528 0.844 0.828 0.702 0.995 0.671 0.431 0.573 0.712 0.839 1.000 0.542 0.996 0.989 0.899 0.855 0.510 0.475 0.617 0.572 0.528 0.542 1.000 0.562 0.585 0.697 0.571 0.551 0.962 0.642 0.568 0.844 0.996 0.562 1.000 0.992 0.908 0.861 0.542 0.499 0.639 0.607 0.828 0.989 0.585 0.992 1.000 0.922 0.843 0.526 0.512 0.686 0.584 0.702 0.899 0.697 0.908 0.922 1.000 0.726 0.455 0.667 0.596 0.511 0.995 0.855 0.571 0.861 0.843 0.726 1.000 0.676 0.489 0.587 0.719 0.671 0.510 0.551 0.542 0.526 0.455 0.676 1.000 0.467 0.678 0.994 0.431 0.475 0.962 0.499 0.512 0.667 0.489 0.467 1.000 0.487 0.485 0.573 0.617 0.642 0.639 0.686 0.596 0.587 0.678 0.487 1.000 0.688 0.712 0.572 0.568 0.607 0.584 0.511 0.719 0.994 0.485 0.688 1.000
对这个模糊相似矩阵用平方法算出平方矩阵,求R2R4
:R4t(R)R4R*。
5. 聚类分析
R是对称矩阵,故只写出它的下三角矩阵
1.000
0.8611
0.6970.69710.8610.9960.69710.8610.9960.6970.9921R*
0.861
0.9950.6970.9220.9221
0.9940.8610.6970.8610.8610.8611
0.7190.7190.6970.7190.7190.7190.7191
0.6970.6970.9620.6970.6970.6970.6970.6761
0.6880.6880.6880.6880.6880.6880.6880.6880.6971
0.719
0.719
0.697
0.719
0.719
0.719
0.7190.6880.6970.688取=0.996,则
即
1
11111
1111*
1R0.996
1
1
11
1
x2,x4,x5在置信水平为0.996的阈值下相似度为1,故x2,x4,x5同属一类,所以此时可以将观测站分为9类{x2,x4,x5},{x1},{x3},{x6},{x7},{x8},{x9},{x10},{x11}。
降低置信水平,对不同的作同样分析,得到:
可分为8类,即{x2,x4,x5,x6},{x1},{x3},{x7},{x8},{x9},=0.995时,{x10},{x11}。
=0.994时,可分为7类{x2,x4,x5,x6},{x1,x7},{x3},{x8},{x9},
{x10},{x11}。
=0.962时,可分为6类{x2,x4,x5,x6},{x1,x7},{x3,x9},{x8},
{x10},{x11}。
=0.719时,可分为5类{x2,x4,x5,x6},{x1,x7},{x3,x9},{x8,x11 },{x10}。 一级指标权重为:A0.4,0.3,0.2,0.1 二级指标权重为:A10.2,0.3,0.3,0.2
, ,,
A20.3,0.2,0.1,0.2,0.2 A30.1,0.2,0.3,0.2,0.2
A40.3,0.2,0.2,0.3
。
对各个子因素集进行一级模糊综合评判得到
B1A1R10.39,0.39,0.26,0.04,0.01
,
B2A2R20.21,0.37,0.235,0.125,0.06B3A3R30.15,0.32,0.355,0.125,0.06B4A4R40.27,0.35,0.24,0.1,0.02
这样,二级综合评判为
,,
。
0.390.21
BAR0.4,0.3,0.2,0.1
0.150.27
0.390.370.320.350.260.2350.3550.240.040.1250.1250.1
0.010.060.06
0.2
0.28,0.37,0.27,0.09,0.04
。
表5.2 各个指标权重分配表
一级指标 二级指标 最终权重
年龄
一张卡使用次数
性别
0.16
0.04
配药种类数 0.40864
单张处方总费用 单张处方的药费 0.46888
单张处方使用次数 0.28248
则5个评价指标出的权重 W0.16,0.04,0.41,0.47,0.03。
从表中可以看出单张处方药费所占大的比重最大,算出权重之后,再根据最大隶属原则可知在得出的矩阵中对权重影响最大的是单张处方的药费,利用单张处方的元素作为标准确定阈值,设欺诈可能性为t1。
6.确定医保欺诈的阈值
医保欺诈度阈值的确定主要看患者单张处方产生总费用以及取药次数是否在合理范围之内。达到这个标准可作为是否欺诈的阈值。取占权重最大的前两项指标单张处方的药费、单张处方取药次数,则可计算欺诈可能性为
t1=0.46888+0.28248=0.75136。所以当患者的得分大于t1时,则医保欺诈的可能性大。
7.验证模型
表5.3 整理所得表格中随机选取3条记录表
ID
处方金额
药物种类
拿药次数
性别
年龄
处方总费用
667848 119.66 5 1 1 24 336.21
667898 371.59 9 2 1 32 786.14
669215 265.32 47 1 2 41 985.36
通过计算得到:
第一条记录欺诈度t=0.2619488,小于,所以没有发生医保欺诈; 第二条记录欺诈度t=0.8448976,大于t1,所以发生了医保欺诈; 第三条记录欺诈度t=0.8448986,大于t1,所以发生了医保欺诈。 将所有数据输入得到最后结果,部分结果如表5.4
表5.4 输入数据后得出的结果表
ID
年龄
性别
药物种类
次数
药费
欺诈度
是否欺诈
667848 0.65 0.4 0.05 0.98 0.84 0.793122 1
667898 0.65 0.4 0.05 0.98 0.84 0.793122 1
669215 0.65 0.4 0.05 0.98 0.84 0.793122 1
670627 0.65 0.6 0.05 0.98 0.84 0.801122 1
674510 0.65 0.4 0.05 0.98 0.84 0.793122 1
675172 0.65 0.4 0.05 0.98 0.84 0.793122 1
675559 0.65 0.4 0.05 0.98 0.84 0.793122 1
676605 0.65 0.6 0.05 0.98 0.84 0.801122 1
676698 0.65 0.6 0.05 0.98 0.84 0.801122 1
679987 0.65 0.4 0.05 0.98 0.84 0.793122 1
680753 0.65 0.4 0.05 0.98 0.84 0.793122 1
681821 0.65 0.4 0.05 0.98 0.84 0.793122 1
682843 0.65 0.4 0.05 0.98 0.84 0.793122 1
684759 0.65 0.4 0.05 0.98 0.84 0.793122 1
692315 0.65 0.4 0.05 0.98 0.84 0.793122 1
692323 0.65 0.6 0.05 0.98 0.84 0.801122 1
170461 0.2 0.6 0.05 0.98 0.84 0.729122 0
172515 0.2 0.6 0.05 0.98 0.84 0.729122 0
5.2.2聚类分析模型
1. 标识重复个案
当输入大量数据时,有时候会意外地出现输入同一条记录多次;或同一条记录的某部分多次出现,即多个个案具有相同的主标识值,但它们有不同的次标识值(比如,同一个身份证号有多个不同的序列号)。另外一种出现重复个案的情况是,多个个案代表同一个案,但是除这些个案的标识变量取值相同之外,其他
变量的取值不同。
2. 聚类分析:
对Userupdate(变量)的标识重复个案的结果,进行分类主要采用聚类分析法1,而求取类之间的距离有多种方法,其中最常用的是欧几里德距离。
(1)数据标准化
由于所选数据的量纲和数值大小都不一致,数值的变化范围也不同,因此必须首先对所选数据进行标准化处理,如果有n个样本,m个指标,则每个变量可表示为xij,均值
1n
xjxij,
ni1
标准方差
sj
则标准化后
x
(2)聚类
*ij
xijj
sj
s
j
0。
系统聚类是将n个样本结果各自看成一类,然后规定样本之间的距离和类与类之间的距离。开始,因每个结果自成一类,类与类之间的距离与个案之间的距离是相等的,选择距离最小的一对并成一个新类,计算新类与其他类的距离,再将距离最近的两类合并,这样每次少一类,直至所有的个案都成一类为止,最终完成分类。
①设有n个样本,令I=1,选取K个初始聚类中心:Zj(I),j1,2,...k。 ②计算每一个数据样本与聚类中心之间距离:
D(xi,Zj(I)),i1,2,...,n
如果满足D(xi,Zj(I))min{D(xi,Zj(I))},i1,2,...,n,则xi③计算误差平方和准则函数JC,公式如下:
wk。
nj
2
jk
JC(I)
x
j1k1
k
Zj(I)
。
④判断是否满足聚类算法结束条件:如果公式如下:
JC(I)JC(I1)
,则表示算
法结束,否则,I=I+1,计算下一个新的聚类中心,并返回②,新的聚类中心计算
1
Zj(I1)
nj
i1
k
Xij,j1,2,...,k
。
距离是对重复个案结果进行聚类时,“靠近”往往由某种距离来刻画。求取类之间的距离有多种方法,其中最常用的是欧几里德距离。
令xij表示第i个重复个案结果的第j个指标,dij表示第i个重复个案与第j个重复个案之间的距离,最常见计算距离的方法是
2p
dij2xikxjk,即为欧氏距离。
k1
1/2
3. 相关性分析
相关分析是描述两个变量间关系的密切程度,主要由相关系数值表示,当相
关系数r的绝对值越接近于1,则表示两个变量间的相关性越显著。双变量系数测量的主要指标有卡方类测量、Spearman相关系数、pearson相关系数等,在进行两者间的相关性检验时用pearson相关系数来判断,其公式为
r
(xx)(yy) ,
Pearson简单相关系数检验统计量为
T
r2
r
2
。
其中T统计量服从n2个自由度的T分布。 4. 模型的求解
(1)考虑到单价、医嘱数量、总费用之间的相互影响,对这三个变量进行了双变量相关分析,表5.5为三个变量的相关性分析统计表, 图1单价、医嘱数量、总费用的简单3-D散点图。
表5.5 单价、医嘱数量、总费用的相关性分析统计表
表5.5中,可以看出单价与总价的相关性为0.456(弱相关),而数量与总价的相关性为0.116(不相关),所以认为单价与总价有一定的相关性。
图1 单价、数量、总价的简单3-D散点图
(2)用k均值聚类分析对医嘱子类、单价、医嘱数量、总费用进行聚类。最终聚类中心结果见表5.6,表5.7是这四个变量的单因素方差分析表,表5.8为每个聚类的案例数。
表5.6对医嘱子类、单价、医嘱数量、总费用用k均值聚类分析表
表5.7 医嘱子类、单价、医嘱数量、总费用的单因素方差分析表
在表5.7的单因素方差分析中,医嘱子类、单价、数量、总价的P值均为0,说明各类在统计学上均有明显差异,将其作为分类标准是合适的。
表5.8 每个聚类的案例数表
每个聚类中的案例数
1 2 3 4
聚类
5 6 7 8 9
1.000 1.000 40.000 45.000 48864.000 1.000 1528.000 407.000 13768.000
从表5.6中看出,将医嘱子类、单价、医嘱数量、总费用分为10类;表5.7为医嘱子类、单价、医嘱数量、总费用的每个聚类的案例数,发现第1、2、4类的单价过高;第3、10类退药数量大,第8类买药数量大;第1、3类单张处方退药金额大;第2、4、6类单张处方药费高。以上所述的聚类特征,都有可能为医保欺诈记录(具体欺诈记录详见附录五)。
(3)用标识重复个案对病人ID号进行重复个案分析,结果见表5.9。再用k均值聚类分析对表5.9 中的重复个案进行聚类,结果见表5.10。表5.11为病人ID号重复个案的每个聚类的案例数。
表5.9 对病人ID号用标识重复个案分析表
表5.9统计出病人ID号重复个案占总数的77.6%,对此再进行聚类分析,结果见表5.10。
表5.10 对病人ID号用k均值聚类分析表
表5.11 病人ID号重复个案的每个聚类的案例数表
每个聚类中的案例数
1 2
聚类
3 4 5
33297.000 8251.000 2299.000 5774.000 213.000
6 7 8
9 10 有效 缺失
930.000 300.000 499.000 13902.000 70.000 65535.000 .000
由表5.11可知,第5、7、8、10类案例数较少,这些类的最终聚类中心大于25,此特征可能为欺诈。
(4)图2为绘制的下医嘱科室与病人科室的简单线图。
图2下医嘱科室与病人科室的简单线图
根据图2绘制的下医嘱科室与病人科室简单线图,可以看出有个别记录不在y=x线上,即为下医嘱科室与病人科室不一致,因此为医保欺诈行为。
5.3 其他医保欺诈行为
通过对本题所给的6张表格的初步分析,运用excel数据筛选和比对及spss的方法,分析和筛选数据。本模型我们主要针对病人死亡后医保卡是否仍旧有消费记录和一张医保卡多人使用来重点分析。
1.病人死亡后医保卡是否仍旧有消费记录
从题目表2.1病人资料表PAPMI_DECEASED(死亡标志)字段中用Excel自动
筛选出死亡标志为“Y”的死亡病人的资料如表5.12。
表5.12 死亡病人的资料表
PAPMI_ROWID1 214055 267817 293821 340155 474594 666401 658234 679918 679677 683806
PAPMI_NO 214058 267820 293824 340158 474596 666403 658236 679920 679679 683808
Middle name LTL 邬XX CWM LPZ XZL LYJ WYL LCY YZY LJD
死亡标志
Y Y Y Y Y Y Y Y Y Y
医保手册号 604284026
1 618129877
1 1 1 1 1 1 1
PAPMI_DECEASED_DATE
2014-1-25 2014-4-18 2014-4-9 2014-3-13 2014-2-10 2014-1-11 2014-1-6 2014-1-19 2014-1-19 2014-2-19
根据筛选出的死亡病人的ID用excel在题目表2.2病人ID的字段中自动筛选出表5.12所筛选出的死亡病人ID号的医保卡消费情况,得表5.13
表5.13 死亡病人的医保卡消费情况表
病人ID 474594 474594 474594 474594 474594 474594 474594 474594 658234 658234 658234 658234 658234 658234 658234 658234
单价 42.95 2.687 0.021 1.67 1.085714286 2.832 4.732857143 0.339 0.42 3.67 0.76 4.16 10.8 0.118 4.16 0.099
医嘱数量
4 200 100 30 21 30 14 200 2 1 3 1 1 1 1 1
总费用 171.8 537.4 2.1 50.1 22.8 84.96 66.26 67.8 0.84 3.67 2.28 4.16 10.8 0.12 4.16 0.1
结算日期 2014-1-3 2014-1-3 2014-1-3 2014-1-3 2014-1-3 2014-1-3 2014-1-3 2014-1-3 2014-1-6 2014-1-6 2014-1-6 2014-1-6 2014-1-6 2014-1-6 2014-1-6 2014-1-6
由于数据不完整,表3-1所筛选出的10的已死亡的病人在表3-2只有3个,将PAPMI_DECEASED_DATE与结算日期对比,可得病人死亡后医保卡没有被消费的记录。
2.一张医保卡多人使用
从题目表2.1病人资料表对医保卡号一栏运用COUNTIF和IF函数筛选出一卡多用欺诈可得结果分为两种:一张医保卡两人使用和一张医保卡三人使用。
一张医保卡两人使用部分筛选数据(其余数据见附录一)如表5.14
表5.14 一张医保卡两人使用部分数据表
PAPMI_ROWID1 618811 665690 359447 679780 11672 644995 666656 689451 372523 690491 659120 198075 533630 615701 674710 308020 684898
医保手册号 1331247 1331247 1357441 1357441 1592113 1592113 1648629 1648629 1716361 1716361 2006854 2336488 2336488 2675243 2675243 2762350 2762350
PAPMI_ROWID1 316233 566689 693432 692100 121723 687368 213393 672479 391404 683207 212312 56617 398558 470308 693135 366935 652686
医保手册号 2897151 2897151 3070484 3070484 3122957 3122957 3254029 3254029 3320427 3320427 6039417 6051857 6051857 7035053 7035053 104610229 104610229
PAPMI_ROWID1
29069 694026 117550 305749 236283 445657 663995 653562 22915 694088 13159 19308 245344 520302 662453 118576 203732
医保手册号 500138134 500138134 500432632 500432632 500464864 500464864 500466505 500466505 500483842 500483842 500483935 500499578 500499578 500523912 500523912 500537510 500537510
一张医保卡三人使用筛选数据如表5.15
表5.15 一张医保卡三人使用数据表
PAPMI_ROWID1 670720 664070 661912
医保手册号 612724738 612724738 612724738
PAPMI_ROWID1 512765 651563 685007
医保手册号 600502234 600502234 600502234
PAPMI_ROWID1 498987 641543 683012
医保手册号 622779087 622779087 622779087
六 模型评价与推广
6.1 模型的评价
1、本论文中采用两个的模型,灵活独特的对题中所涉及的问题进行详细准确的求解。
2、第一个模型中我们利用了模糊矩阵、权重等,数学方法,对问题中出现的数据进行处理,量化。
3、算法在总体上比较简单,准确性高,利用统计所得数据可以完全求得最
后结果,具有一定的实际价值。建立的模糊系,结合实际情况对问题进行求解,聚类模型分析模型能与实际紧密联使模型具有很好的通用性和推广性。在第二个模型中利用距离分析法,模型易于实现。
4、对题目附件中众多表格进行了处理找出了许多变量之间的潜在关系。 由于题中数据量很大,所建模型对数据的计算存在一定的难度,从而导致求解模型的最终结果不是很容易。改进:本文所建模型为信息的反馈提供了依据,充分发挥了评价的导向和激发功能,从而促进学生综合素质的提高,但大量的数据计算浪费了大量的时间,故寻找合适的计算方法是本文所要改进的具体方向。
5、考虑的影响因素较少,在处理问题时可能存在一些误差。仅使用部分数据具有一定的局限性,考虑的情况比较简单,所以说模型还有很多不足。
6.2 模型的推广
依据题目中提供的数据和附录,建立了模糊数据模型和距离分析的方法,并利用数据矩阵的相关知识,确定了病人ID、单价等关系,建立关系。 模型中分析问题、解决问题的一些独到方法,模糊数据处理的总体思想,对其他数学问题及一般模型仍可使用。例如路边停车、占道施工等因素导致车道或道路横断面通行能力在单位时间内降低的现象,我们的方法对于交通管理部门可以作为分析解决问题的一种参考。
参考文献
[1]姜启源,谢金星,叶俊.数学模型.北京:高等教育出版社,2008.8。 [2]王红,王云,基于模糊聚类分析的奖学金评定系统分析,1671-7597(2011)0345153-01:102-121,2011。
[3]秦小铁,郑辉昌,基于模糊聚类分析的图书馆选决策方法,重庆科学学院学报,1673-1999(2011)11-0275-02:127-136,2014.1。
[4] 韩中庚.数学建模方法及其应用(第二版)[M].北京:高等教育出版社,2009。
[5]丁国盛,李涛.SPSS统计教程.北京:机械工业出版社,2006。
[6]刘潇.社会医疗保险道德风险及其控制机制研究基于医疗服务供需双方的分析.北京:中国人民大学,2008。
[7]刘长骞,K均值算法改进及其网络入侵检测中的应用,28(3),190-193,2011。
附录一:
一张医保卡两人用筛选数据一览表
PAPMI_ROWID1 618811 665690 359447 679780 11672 644995 666656 689451 372523 690491 659120 661468 198075 533630 615701 674710 308020 684898 316233 566689 693432 692100 121723 687368 213393 672479 391404 683207 212312 685768 56617 398558 470308 693135 366935 652686 29069 694026 117550
医保手册号 1331247 1331247 1357441 1357441 1592113 1592113 1648629 1648629 1716361 1716361 2006854 2006854 2336488 2336488 2675243 2675243 2762350 2762350 2897151 2897151 3070484 3070484 3122957 3122957 3254029 3254029 3320427 3320427 6039417 6039417 6051857 6051857 7035053 7035053 104610229 104610229 500138134 500138134 500432632
PAPMI_ROWID1 432119 695193 71885 679837 74927 664579 92598 686945 612328 618405 100060 684407 210001 292485 473882 695605 168014 617367 638747 691909 173434 489357 10824 669062 87674 390523 426891 660622 640502 673777 250232 674440 22127 229487 110606 677160 205385 543377 418958
医保手册号 600922481 600922481 600942318 600942318 600957624 600957624 600960985 600960985 601043602 601043602 601297485 601297485 601358658 601358658 601457440 601457440 603920370 603920370 603964774 603964774 603985761 603985761 604305467 604305467 604341881 604341881 604358820 604358820 604464365 604464365 604642588 604642588 604871839 604871839 605028197 605028197 605144655 605144655 605198656
PAPMI_ROWID1 616168 657098 422908 691723 669986 690397 633959 680069 174403 634900 304988 633653 310418 665497 432611 659996 160213 665296 530111 647101 591804 694590 41466 690317 65951 615056 626153 657557 580038 607625 12647 226195 462254 650045 62157 206461 587095 685227 168750
医保手册号 615036094 615036094 615090717 615090717 615090900 615090900 615460102 615460102 615575482 615575482 616198298 616198298 616728982 616728982 616900388 616900388 617009711 617009711 617649581 617649581 617732453 617732453 617992025 617992025 618289038 618289038 618361511 618361511 618430378 618430378 618887184 618887184 619259084 619259084 619444076 619444076 619470077 619470077 619625657
305749 236283 445657 663995 653562 22915 694088 13159 174040 19308 245344 520302 662453 118576 203732 656952 680961 649587 683957 631947 678203 325686 668921 206156 640261 278080 264928 143861 178446 105771 221591 147111 688301 109381 200755 180073 252881 155540 251449 656285 690093 335931 453904 500432632 500464864 500464864 500466505 500466505 500483842 500483842 500483935 500483935 500499578 500499578 500523912 500523912 500537510 500537510 500585860 500585860 500585964 500585964 500589613 500589613 500625202 500625202 500629557 500629557 500630807 500630807 500631002 500631002 500632428 500632428 500633082 500633082 500644034 500644034 500719225 500719225 500729634 500729634 500734195 500734195 500746562 500746562
688011 647037 647474 195236 529538 674654 681590 535548 669019 19014 253349 552956 670161 687213 687327 133768 662025 459653 646288 226098 646431 679900 684969 672310 693574 184694 257503 74584 637352 263053 680114 386092 672068 668593 656310 413322 657506 646340 694967 92563 680615 131925 670786
605198656 605285478 605285478 605340429 605340429 605375610 605375610 605463444 605463444 605615535 605615535 605872533 605872533 605998764 605998764 606030078 606030078 606228745 606228745 606440475 606440475 606556005 606556005 606632409 606632409 606696287 606696287 607175469 607175469 607587174 607587174 607742800 607742800 608176706 608176706 608302387 608302387 608508786 608508786 608728849 608728849 609106987 609106987
635628 315919 652771 666014 669737 648862 672416 649451 683658 665068 656324 668778 684869 66419 481008 509713 690629 655921 690261 654356 695536 18491 669194 498987 641543 683012 672202 660175 397572 521134 659994 686739 665026 665223 679290 690190 27265 677252 473934 656199 683530 683662 485057
619625657 619814684 619814684 619885147 619885147 620705684 620705684 620983032 620983032 620984816 620984816 621904673 621904673 621986840 621986840 622182019 622182019 622243059 622243059 622665010 622665010 622737938 622737938 622779087 622779087 622779087 622968380 622968380 623067525 623067525 623129534 623129534 623183772 623183772 624101350 624101350 624403888 624403888 624455560 624455560 624626204 624626204 625113424
362772 667193 89131 661081 338945 690112 89245 209825 657210 655108 670113 671298 406483 656758 670483 677281 272820 640920 153597 676235 506046 550126 423588 695866 573663 671510 694255 689876 571503 674003 109563 693301 650389 679926 672111 681632 639079 646279 512765 651563 685007 447443 660473 500750095 500750095 500762757 500762757 500831053 500831053 500878934 500878934 500881364 500881364 500930004 500930004 501000230 501000230 501005075 501005075 501005657 501005657 501006010 501006010 501033570 501033570 501034053 501034053 501042617 501042617 501077415 501077415 501163747 501163747 600115048 600115048 600226795 600226795 600469157 600469157 600497309 600497309 600502234 600502234 600502234 600602580 600602580
364295 425211 526045 665389 163832 653791 572023 689294 254650 664127 244134 655395 667728 680834 665672 686928 55063 477064 658632 662458 670720 664070 661912 210507 655718 489630 683093 626021 688823 435397 655287 659216 692708 206789 533536 660817 693933 95964 664612 409131 684962 675972 687575
609183328 609183328 609753613 609753613 610605679 610605679 610981094 610981094 611119044 611119044 611381861 611381861 611753810 611753810 612403314 612403314 612418102 612418102 612596038 612596038 612724738 612724738 612724738 613002989 613002989 613538814 613538814 613944215 613944215 614140069 614140069 614212051 614212051 614217434 614217434 614698656 614698656 614929998 614929998 614976857 614976857 615009380 615009380
509782 78174 394038 58996 666219 377853 651708 642219 684854 670843 681792 663133 664161 465048 629951 655475 691431 639060 688373 259101 670316 62589 653285 669688 657261 467127 648640 602057 651715 615790 637410 638150 665654 591655 688694 639848 684413 661477 654386 533971 680877 596658 615277
625113424 625201636 625201636 625293937 625293937 625781791 625781791 625973221 625973221 627559619 627559619 628182961 628182961 628877409 628877409 629545576 629545576 629554870 629554870 629625420 629625420 629871044 629871044 629911579 629911579 630517262 630517262 630631589 630631589 631319588 631319588 631912832 631912832 632468824 632468824 633015087 633015087 634116643 634116643 635797728 635797728 636032744 636032744
附录二:
WHAT程序
#include #include double r[11][11]; double x[11]; void main()
{ int i,j,k; double fenzi=0,fenmu1=0,fenmu2=0,fenmu=0; int year[10][11]={ 474594 474594 474594 474594 474594 474594 474594 474594 658234 658234 658234 658234 658234 658234 658234 658234 2.687 0.021
42.95
4
171.8
200 537.4 100 2.1
1.67 30 50.1
1.085714286 21 22.8 2.832
30 84.96
4.732857143 14 66.26 0.339 0.42 2 3.67 1 0.76 3 4.16 1 10.8 1 0.118 4.16 1 0.099
200 67.8 0.84 3.67 2.28 4.16 10.8 1
0.12
4.16 1
0.1for(i=0;i
{ for(k=0;k
for(i=0;i
{ fenzi=fenzi+fabs((year[k][i]-x[i])*(year[k][j]-x[j])); fenmu1=fenmu1+(year[k][i]-x[i])*(year[k][i]-x[i]);
fenmu2=fenmu2+(year[k][j]-x[j])*(year[k][j]-x[j]);
fenmu=sqrt(fenmu1)*sqrt(fenmu2); r[i][j]=fenzi/fenmu; }
fenmu=fenmu1=fenmu2=fenzi=0; }}
for(i=0;i
附录三:
数据库中对数据进行预处理程序: select WORKLOAD_ROWID as 购药记录, WORKLOAD_ARPBL_DR as 账单号,
WORKLOAD_ITEMCAT_DR as 医嘱子类, WORKLOAD_ITEMORD_DR as 医嘱项, WORKLOAD_ORDDATE as 医嘱日期, WORKLOAD_FLAGDATE as 结算日期, convert(float,
WORKLOAD_FLAGDATE-WORKLOAD_ORDDATE)) as 时间间隔,
WORKLOAD_PAPMI_DR as 医保对象, PAPMI_DOB as 出生日期, PAPMI_MEDICARE as 病例号, PAPMI_NAME3 as 医保手册号, PAPMI_SEX_DR as 性别, PAPMI_DECEASED as 是否死亡, PAPMI_DECEASED_DATE as 死亡日期, PAPMI_SECONDPHONE as 工作单位, PAPMI_MOBPHONE as 手机号, WORKLOAD_PATDEP_DR as 下医嘱科室, WORKLOAD_QUANTITY as 医嘱数量, WORKLOAD_RECDEP_DR as 执行科室, WORKLOAD_RESDOC_DR as 下医嘱医生, WORKLOAD_TAREC_DR as 核算分类, WORKLOAD_TOTALPRICE as 费用, WORKLOAD_UNITPRICE as 单价 from dhc_workload$,pa_patmas$ where WORKLOAD_PAPMI_DR=PAPMI_ROWID1 delete from sheet1$ where 医保手册号=1
update Sheet1$ set 医嘱数量=0-医嘱数量 where 医嘱数量
update Sheet1$ set 年龄=datediff(YEAR,出生日期,'2014-08-15') update Sheet1$ set 性别 =0 where 性别=2 update Sheet1$ set 病例号=0 where 病例号='NULL' update Sheet1$ set 病例号=1 where 病例号 0 update Sheet1$ set 是否死亡=0 where 是否死亡 ='NULL' update Sheet1$ set 是否死亡 ='1' where 是否死亡 '0'
update Sheet1$ set 工作单位='0' where 工作单位 is NULL or 工作单位
convert(datetime,
='未提供'
update Sheet1$ set 工作单位='1' where 工作单位 '0' update Sheet1$ set 手机号=0 where 手机号 =1 update Sheet1$ set 手机号=1 where 手机号0 附录四:
update Sheet1$ set 是否欺诈=0 --总费用高
update Sheet1$ set 是否欺诈=1 where 购药记录 in(select 购药记录 from Sheet1$ s , (select top 5 医保对象,sum(费用) k from Sheet1$ group by 医保对象 order by k desc) n
where s.医保对象=n.医保对象) --数量多
update Sheet1$ set 是否欺诈= 是否欺诈+10 where 购药记录 in(select 购药记录 from Sheet1$ s , (select top 5 医保对象,sum(医嘱数量) k from Sheet1$ group by 医保对象 order by k desc) n
where s.医保对象=n.医保对象) --时间间隔长
Sheet1$ set 是否欺诈= 是否欺诈+100 where 购药记录 in(select 购药记录 from Sheet1$ s , (select top 30 医保对象,max(时间间隔) k from Sheet1$ group by 医保对象 order by k desc) n
where s.医保对象=n.医保对象)
select top 10 账单号 from sheet1$ group by 账单号 have on sum(费用) k order by k desc
update Sheet1$ set 是否欺诈=是否欺诈+100 where 账单号 in(select n.账单号 from sheet1$ s, (select top 50 账单号,sum(费用) k from sheet1$ group by 账单号 order by k desc)n where n.账单号=s.账单号)
update Sheet1$ set 是否欺诈=是否欺诈+1000 where 医保对象 in( 象
select s.医保对象 from (
select top 10 n.医保对象,sum(1) k from (
select 账单号,医保对象 from Sheet1$ group by 账单号,医保对
)n
group by n.医保对象 order by k desc )s )
--医嘱项多
update Sheet1$ set 是否欺诈=是否欺诈-10000 where 医保对象 in(select 医保对象 from(select top 10 医保对象,sum(1) k from sheet1$ group by 医保对象,医嘱项 order by k desc)s)
--(select 医保对象,SUM(1) k from(select 医保对象,医嘱项 from sheet1$ group by 医保对象,医嘱项 )s group by s.医保对象 order by k desc )
select max(结算日期) ,min(结算日期) from Sheet1$ 附录五:
表1 单价过高医保欺诈记录表
医嘱子 类 6 6 11 6 15 6 15 6 15 15 15 15 15 15 15 15 6 15 6 15 15 15 15 6
单价 888.000 1,703.360 1,163.770 888.000 797.500 888.000 797.500 1,037.400 797.500 797.500 797.500 797.500 797.500 797.500 797.500 797.500 1,037.400 797.500 1,037.400 797.500 797.500 797.500 797.500 1,037.400
医嘱数量 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
总费用 -888.00 1,703.36 1,163.77 888.00 797.50 888.00 797.50 1,037.40 797.50 797.50 797.50 797.50 797.50 797.50 797.50 797.50 1,037.40 797.50 1,037.40 797.50 797.50 797.50 797.50 1,037.40
QCL_1 1 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
医嘱子类 15 15 15 15 15 6 6 6 6 15 15 6 6 6 15 6 6 6 6 6 6 6 11
单价 797.500 797.500 797.500 797.500 797.500 888.000 1,037.400 1,037.400 1,037.400 797.500 797.500 888.000 888.000 1,037.400 797.500 888.000 888.000 888.000 1,037.400 888.000 888.000 888.000 1,163.770
医嘱数量 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
总费用 797.50 797.50 797.50 797.50 797.50 888.00 1,037.40 1,037.40 1,037.40 797.50 797.50 888.00 888.00 1,037.40 797.50 888.00 888.00 888.00 1,037.40 888.00 888.00 888.00 1,163.77
QCL_1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
表2 退药数量大部分医保欺诈记录表
医嘱子类 1 15 1 19 1 1 1 1 1 1 23 23 15 15 21 21 21 19 1
单价 2.093 57.500 7.565 15.460 29.814 29.814 19.379 19.379 1.377 2.187 6.685 2.233 254.100 57.500 26.860 26.860 26.860 48.000 19.379
医嘱数量
总费用
QCL_1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
医嘱子类 21 1 23 20 20 1 1 1 23 23 20 1 11 1 1 1 21 6 23
单价 26.860 21.200 1.915 2.369 2.369 0.791 4.613 0.693 1.823 1.069 2.369 0.791 22.460 3.338 1.161 0.287 18.783 35.650 0.798
医嘱数量 -3 -1 -12 -36 -24 -24 -24 -12 -24 -24 -24 -2 -8 -40 -48 -2 -4 -30
总费用 -80.58 -21.20 -22.98 -85.29 -56.86 -18.98 -16.63 -21.88 -25.65 -56.86 -18.98 -44.92 -26.70 -46.42 -13.78 -37.57 -142.60 -23.94
QCL_1 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
-120 -251.16 -4
-230.00 -30 -226.95 -16 -247.36 -14 -417.40 -21 -626.10 -21 -406.95 -21 -406.95 -300 -413.00 -98 -214.34 -30 -200.55 -180 -401.90 -1 -4 -9 -9
-254.10 -230.00 -241.74 -241.74
-42 -193.74
-18 -483.48 -12 -576.00 -28 -542.60
表3 买药数量大部分医保欺诈记录表
医嘱子类 1 23 23 25 25 23 23 1 23 23 1 23 23 25 25
单价 0.932 0.032 0.641 0.055 0.198 0.822 0.676 1.196 0.640 0.590 0.205 0.308 0.222 0.027 0.039
医嘱数量 480 720 480 350 350 216 480 270 240 252 250 240 360 505 350
总费用 447.40 23.28 307.70 19.25 69.30 177.48 324.30 322.80 153.60 148.68 51.25 73.92 79.92 13.64 13.65
QCL_1 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
医嘱子类 23 23 25 23 23 23 23 23 23 23 23 23 23 23 23
单价
医嘱数量
总费用
QCL_1 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
0.633 240 151.92 0.633 360 227.88 0.037 575
20.99
0.434 500 217.00 0.434 400 173.60 0.222 360
79.92
0.633 240 151.92 1.013 192 194.48 0.222 360 0.222 360
79.92 79.92
0.507 288 146.00 0.748 384 287.28 0.222 360
79.92
0.640 240 153.60 0.877 300 263.15
表4 单张处方退药金额大医保欺诈记录表
医嘱子类 6 1 15 1 19 1 1 1 1 1 1 23 23 15 15 21 21 21 19 1 6
单价 888.000 2.093 57.500 7.565 15.460 29.814 29.814 19.379 19.379 1.377 2.187 6.685 2.233 254.100 57.500 26.860 26.860 26.860 48.000 19.379 25.080
医嘱数量 -1 -4
总费用 -888.00 -230.00
QCL_1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
医嘱子类
15 1 1 1 21 209 1 6 6 19 23 1 1 23 1 1 23 23 6 1
单价 57.500 19.379 23.391 29.814 26.860 25.730 29.814 57.500 206.090 26.350 1.462 8.000 29.814 0.590 29.814 8.000 1.462 0.590 57.500 0.932
医嘱数量 -4
总费用 -230.00
QCL_1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
-120 -251.16 -30 -226.95 -16 -247.36 -14 -417.40 -21 -626.10 -21 -406.95 -21 -406.95 -300 -413.00 -98 -214.34 -30 -200.55 -180 -401.90 -1 -4 -9 -9
-254.10 -230.00 -241.74 -241.74
-28 -542.60 -10 -233.91 -14 -417.40 -8
-214.88 -14 -360.22 -14 -417.40 -4 -1 -8
-230.00 -206.09 -210.80
-140 -204.68 -50 -400.00 -21 -626.10 -315 -185.85 -14 -417.40 -90 -720.00 -280 -409.36 -315 -185.85 -4
-230.00
-576 -536.88
-18 -483.48 -12 -576.00 -28 -542.60 -15 -376.20
表5 单张处方药费高医保欺诈记录表
医嘱子类 6 11 6 15 6 15 6 15 15 15 15 15
单价 1,703.360 1,163.770 888.000 797.500 888.000 797.500 1,037.400 797.500 797.500 797.500 797.500 797.500
医嘱数量 1 1 1 1 1 1 1 1 1 1 1 1
总费用 1,703.36 1,163.77 888.00 797.50 888.00 797.50 1,037.40 797.50 797.50 797.50 797.50 797.50
QCL_1 2 4 4 4 4 4 4 4 4 4 4 4
医嘱子类 15 15 15 15 6 6 6 6 15 15 6 6
单价 797.500 797.500 797.500 797.500 888.000 1,037.400 1,037.400 1,037.400 797.500 797.500 888.000 888.000
医嘱数量 1 1 1 1 1 1 1 1 1 1 1 1
总费用 797.50 797.50 797.50 797.50 888.00 1,037.40 1,037.40 1,037.40 797.50 797.50 888.00 888.00
QCL_1 4 4 4 4 4 4 4 4 4 4 4 4
15 15 15 6 15 6 15 15 15 15 6 15
797.500 797.500 797.500 1,037.400 797.500 1,037.400 797.500 797.500 797.500 797.500 1,037.400 797.500
1 1 1 1 1 1 1 1 1 1 1 1
797.50 797.50 797.50 1,037.40 797.50 1,037.40 797.50 797.50 797.50 797.50 1,037.40 797.50
4 4 4 4 4 4 4 4 4 4 4 4
6 15 6 6 6 6 6 6 6 11 6
1,037.400 797.500 888.000 888.000 888.000 1,037.400 888.000 888.000 888.000 1,163.770 91.130
1 1 1 1 1 1 1 1 1 1 40
1,037.40 797.50 888.00 888.00 888.00 1,037.40 888.00 888.00 888.00 1,163.77 3,645.20
4 4 4 4 4 4 4 4 4 4 6
31