（3）预备费
本项目预备费取建设投资中场地装修费、设备及软件购置费和项目实施其他费用之和的5.0，预备费计171.39万元。
（二）本次募投项目补充流动资金比例符合相关监管要求
1、相关监管要求
根据中国证监会发布的《第九条、第十条、第十一条、第十三条、第四十条、第五十七条、第六十条有关规定的适用意见——证券期货法律适用意见第18号》有关要求：“（一）通过配股、发行优先股或者董事会确定发行对象的向特定对象发行股票方式募集资金的，可以将募集资金全部用于补充流动资金和偿还债务。通过其他方式募集资金的，用于补充流动资金和偿还债务的比例不得超过募集资金总额的百分之三十。对于具有轻资产、高研发投入特点的企业，补充流动资金和偿还债务超过上述比例的，应当充分论证其合理性，且超过部分原则上应当用于主营业务相关的研发投入。（三）募集资金用于支付人员工资、货款、预备费、市场推广费、铺底流动资金等非资本性支出的，视为补充流动资金。资本化阶段的研发支出不视为补充流动资金。工程施工类项目建设期超过一年的，视为资本性支出。”
2、本次募集资金运用中的非资本性支出情况及研发费用资本化情况
公司各募投项目资本性支出及非资本性支出金额及占比情况如下：
单位：万元
募投项目非资本性支出资本性支出合计
三医数字化服务体系建设项目4,805.8628,666.8733,472.74
健康服务一体化建设项目5,664.7913,152.3918,817.18
商保数据服务平台建设项目2,597.995,913.258,511.24
研发中心升级建设项目3,510.016,273.259,783.26
营销网络升级建设项目5,520.323,343.588,863.90
合计22,098.9657,349.3479,448.31
比例27.82r.180
公司本次发行拟募集资金不超过79,448.31万元（含本数），其中，拟用于资本性支出金额合计为57,349.34万元，占本次募集资金总额的72.18；拟用于非资本性支出（视同补充流动资金）金额合计22,098.97万元，占本次募集资金总额的27.82。
公司各募投项目研发费用投入金额及资本化情况如下：
单位：万元
募投项目研发费用拟投入募集资金其中资本性支出研发费用资本化率
三医数字化服务体系建设项目14,808.0013,989.5313,989.53100.00
健康服务一体化建设项目9,740.009,740.005,844.0060.00
商保数据服务平台建设项目2,100.002,100.001,260.0060.00
研发中心升级建设项目3,560.003,039.22-0.00
营销网络升级建设项目----
合计30,208.0028,868.7521,093.5373.07
由上表可见，公司本次募投项目中存在研发投入资本化情况的为三医数字化服务体系建设项目、健康服务一体化建设项目和商保数据服务平台建设项目，具体资本化率及原因如下：
（1）三医数字化服务体系建设项目
三医数字化服务体系建设项目研发投入资本化率为100，主要原因是公司在三医领域深耕多年，三医数字化服务体系建设项目是公司针对现有数字医保、数字医疗和数字医药业务的升级，已完成合理、充分的可行性论证，因此属于开发阶段。
（2）健康服务一体化建设项目、商保数据服务平台建设项目
健康服务一体化建设项目、商保数据服务平台建设项目是针对公司健康服务业务的升级、拓展，属于基于数字医保、数字医疗、数字医药等基础业务的实施经验和技术能力，在健康服务业务现有产品和服务基础上，融合微服务、大数据、物联网等技术在健康服务领域的探索开发，出于互联网平台不断升级技术特性具有一定不确定性以及对募投项目谨慎性的考虑，健康服务一体化建设项目、商保数据服务平台建设项目在前期技术可行性研究阶段发生的投入予以费用化。同时，基于报告期内发行人平均研发投入资本化率为59.04，健康服务一体化建设项目、商保数据服务平台建设项目将研发投入资本化率设定在60。
上述募投项目研发投入符合资本化条件的判断依据如下：
（1）完成该无形资产以使其能够使用或出售在技术上具有可行性
公司在医保、医疗、医药等领域经过多年深耕，建立了底层数据标准及知识库体系，并在实践中的不断积累完善，逐步形成了全面、专业的知识体系，包括医学知识库、药学知识库、标准数据库和循证医学信息库等，涵盖超过290万条医学、药学专业知识数据以及超过8,600万条医保基金监管规则数据，有效地支持公司业务的开展及产品服务的创新。公司已成功自主研发并获得270余项著作权，均已获得计算机软件著作权登记证书。
公司已掌握的核心技术情况如下：
序号技术名称具体内容来源
1基于三医体系的DevOps在自研的容器化PaaS平台基础上，提供完备的应用开发、运行、运维、运营支撑能力，能够打通与SaaS服务、基础数据服务及API的连接。提供了资源管理、持续集成、持续交付、容器服务、镜像仓库等应用基础服务，同时为应用的微服务架构落地提供完备的支撑，结合DevOps的理念，通过提供自动化运维、日志管理、配置文件管理、中间件服务等功能，帮助开发及运维人员加快研发迭代速度，减轻繁琐工作带来的负担。自主研发
2低代码开发技术自主研发低代码开发技术，通过图形化拖拉拽、参数配置等高效的方式完成开发工作。将重复的部分抽出做出单独的功能，可以图形化拖拽等，极大减少重复性代码开发；面向产品经理、需求人员使用，可减少沟通成本，避免沟通隔阂；可视化、交互化、简洁的平台界面，应用开发者能更高效地实施开发，能快速排查及修复故障。自主研发
3数据治理技术通过少量编码及配置方式，实现数据抽取、转换、治理，实现数据主题管理、数据分类管理、数据流向追溯大屏展示等，提升对各类异源、非标的数据的标准化处理能力。自主研发
4自然语言处理标注技术提供中文语义标注工具，对医疗、医保、药监等相关领域的专业知识、临床文件、业务相关文书进行语义标注，利用自然语言处理的实体识别、实体关系识别等技术，对半结构化或者非结构化文档进行结构化处理，实现医疗知识的智能结构化处理。自主研发
5病案信息校验技术通过将目标患者的费用信息输入到预先训练好的病案信息预测模型，得到目标患者的预测病案信息，然后将预测病案信息与目标患者已记录病案信息进行比较，从而实现对目标患者已记录病案信息的校验。在校验过程中不再需要专家制定规则，也不再依赖于人工劳动，不仅可以提高效率，还能降低错误率。自主研发
6医保欺诈行为识别技术通过获取目标病例的费用信息，根据目标病例的费用信息以及医保欺诈行为识别模型，得到目标病例存在医保欺诈行为的概率值；根据目标病例存在医保欺诈行为的概率值与预设的阈值，确定目标病例是否存在医保欺诈行为。本技术通过发现目标病例费用信息中所隐含的内在规律，可以自动识别目标病例是否存在医保欺诈行为，具有识别准确率高、识别效率高以及识别成本低的优点。自主研发
7医疗费用预测技术通过获取用户在第一时间周期内的就诊基本信息以及诊断数据，确定用户在第一时间周期内的主要治疗诊断组，将用户在第一时间周期内的就诊基本信息以及主要治疗诊断组信息输入医疗费用预测模型，得到用户在第二时间周期内的医疗费用预测数据。本技术基于主要治疗诊断组、用户在第一时间周期内的就诊基本信息以及医疗费用预测模型对用户在第二时间周期内的医疗费用进行预测。由于医疗费用预测模型在预测时采用了用户的主要治疗诊断组信息，因此能够精准的估计用户在第二时间周期内在每种疾病上的资源消耗，从而能够有效提高医疗费用预测的准确性。自主研发
8基于ECC值和费用影响特征的DRG病例分组技术通过确定待分组病例的ADRG组，获取第一ADRG组的数据；其中，所述第一ADRG组为待分组病例所在的ADRG组；根据所述第一ADRG组的数据，计算所述待分组病例的ECC值；确定所述待分组病例的费用影响特征；其中，所述费用影响特征为对待分组病例的医疗费用的影响高于预设阈值的特征；将待分组病例的ECC值和费用影响特征输入病例分组模型中，确定所述待分组病例所在的DRG组；其中，所述病例分组模型是基于样本病例的ECC值以及费用影响特征训练得到的。该分组技术可有效提高DRG病例分组的准确性和稳定性。自主研发
9基于CCI指数和费用影响特征的DIP病例分组技术通过确定待分组病例的疾病治疗大类，获取第一疾病治疗大类的数据；其中，所述第一疾病治疗大类为待分组病例所在的疾病治疗大类，是基于待分组病例的主诊断类型和主手术类型得到的；根据所述第一疾病治疗大类的数据，计算所述待分组病例的CCI指数；确定所述待分组病例的费用影响特征；其中，所述费用影响特征为对待分组病例的医疗费用的影响高于预设阈值的特征；将待分组病例的CCI指数和费用影响特征输入病例分组模型中，确定所述待分组病例所在的DIP疾病严重程度分组；其中，所述病例分组模型是基于样本病例的CCI指数以及费用影响特征训练得到的。该病例分组技术可有效提升DIP分组过程中对于不同合并症和疾病严重程度病例的分组结果的准确性和稳定性。自主研发
10欺诈病例查找技术通过获取第一病例的出院小结数据以及诊疗过程数据；从所述第一病例的出院小结数据中获取诊疗关键词组；根据第一病例的诊疗关键词组、第一病例的诊疗过程数据，确定所述第一病例是否为欺诈病例。本技术通过从出院小结数据中抽取文本信息，并结合诊疗过程数据对病例进行核查，利用数据之间的逻辑关联可发现欺诈病例，提高欺诈病例识别的准确度。自主研发
11医保违规对象发现技术基于第一目标时段目标区域内医保参保人购买药品的交易数据，构建若干个关系图，并将至少一个所述关系图作为目标关系图；基于社区发现算法，对所述目标关系图进行社区发现，确定医保违规对象；其中，所述关系图中的结点表示医保参保人，所述关系图中的边表示所述边连接的两个结点所表示的医保参保人购买药品的交易之间的关系。本技术通过获取目标关系图后，对目标关系图进行社区发现，确定医保违规对象，能更准确的发现医保违规对象，发现医保违规对象的过程简单，投入成本较低。合作研发
12医疗规则补全技术基于临床路径文本，构建医疗规则知识图谱；基于预设医疗关系类型，对所述医疗规则知识图谱中各实体之间的潜在关系进行预测，得到多个规则预测结果；基于各规则预测结果的有效性评判结果，对所述医疗规则知识图谱进行补全；其中，所述预设医疗关系类型包括诊疗项目之间的时序关系、诊疗项目之间的互斥关系和药品配伍禁忌关系中的至少一种。本技术实现了对医疗规则进行自动化地补全和动态更新，提高了医保审核的准确性以及效率，提高了临床路径文本的利用率。合作研发
13用于医保数据的异常行为关联分析技术基于医保场景知识图谱，根据目标就诊路径，确定与目标医保节点之间存在关联的多个待分析医保节点，并获取各个待分析医保节点在医保场景知识图谱中的待分析就诊路径；根据就诊次数信息，分别对目标就诊路径和各个待分析就诊路径中的子路径进行加权处理，并计算加权处理后的目标就诊路径与各个加权处理后的待分析就诊路径之间的相似度值；选取相似度值TOP-K的待分析医保节点作为目标分析医保节点，根据目标医保节点和目标分析医保节点之间的共现就诊路径，生成对应的医保数据关联分析结果。本技术提高了医保异常病历审核效率和
