我国财产保险区域差异与宏观经济的_省略_研究_基于省际面板数据的实证分析_戴成峰

保险研究2012年第11期INSURANCE STUDIES No．112012我国财产保险区域差异与宏观经济的关系研究———基于省际面板数据的实证分析戴成峰张连增（南开大学经济学院风险管理与保险学系，天津300071）［摘要］目前我国财产保险在业务规模和赔付水平上体现出较大的区域差异性。

利用面板数据单位根检验、协整检验等计量经济学方法，实证分析了宏观经济指标对财产保险业务规模和赔付水平区域差异性的影响。

通过对我国2005年 2010年31个省、市、自治区6年的面板数据的研究，得出财产保险的保费收入与GDP、赔款支出与城镇居民人均消费支出之间存在长期稳定的均衡关系，并存在显著的正相关关系；在得出宏观经济的区域差异是导致财产保险区域差异的重要原因的基础上，提出了相关政策建议。

这些建议包括各财产保险相关主体应认可区域差异，并因地制宜地制定监管政策、发展策略；开发区域保险产品，使产品费率能体现消费水平差异的影响。

［关键词］财产保险；宏观经济指标；区域差异；单位根检验；协整检验［中图分类号］F840．65［文献标识码］A［文章编号］1004－3306（2012）11－0042－12一、引言保险发展与宏观经济增长的相互关系，是近年来我国保险理论界探讨较多的一个课题。

已有的研究主要集中在两个方面：一是保险业增长与经济增长的因果关系。

目前，学术界普遍认同“经济增长是影响保险需求的主要因素”；但在“保险业增长是否促进经济增长的问题”上存在不完全一致的看法。

世界贸易与发展组织在1964年的第一次会议上指出：“一国的保险与再保险市场的发展是其经济增长的至关重要的一部分”，我国保险理论界也普遍接受这种观点，几乎所有的教科书和文献中都肯定了保险业增长对经济增长的促进作用。

实证研究的结果却并没有完全验证以上说法。

有些研究（周海珍，2008；任燕燕、徐晓艳，2008；黄斌，2008；赵尚梅、李勇、庞玉锋，2009；王晓英、彭雪梅，2010；杨晓荣，2012）的实证结果显示，保险业增长能够促进经济增长。

另外一些研究（饶晓辉、钟正生，2005；胡宏兵，2007；黄英君、陈晔婷，2012）的实证结果却显示保险增长对经济增长没有影响或影响不大。

还有一些研究没有得到明确的结论。

二是保险区域发展差异与区域经济发展水平之间的关系。

实证研究（楚天骄，2002；秦建文、黄蕤，2009）的结果显示，我国区域保险发展水平差异较大，各地保险业发展与经济增长存在面板协整关系，但不同地区保险业发展对经济增长的贡献度存在差异，东部地区保险业发展对经济增长的拉动作用要比西部地区大。

总体来说，目前保险发展与宏观经济增长关系研究的文献偏重于保险业务增长与经济增长的因果关系研究，且大部分从整体保险业务的角度进行的；对于财产保险业务发展与宏观经济关系研究较少。

近年来，我国财产保险行业取得了巨大的发展，业务规模显著扩大。

从表1的数据可知，“十一五”期［基金项目］本文得到中央高校基本科研业务费专项资金“金融工程与精算学中的定量风险管理统计模型与方法”（NKZxTD1101）和国家自然科学基金面上项目（71271121）的资助。

［作者简介］戴成峰，南开大学经济学院风险管理与保险学系博士研究生，高级会计师，研究方向：保险财务，精算与风险管理；张连增，南开大学经济学院风险管理与保险学系教授，博士生导师，研究方向：精算与风险管理。

间，我国财产保险行业原保费收入增长了2．58倍，由2006年的1509亿元增长为2010年的3896亿；2011年保费收入为4168亿元。

2005年 2011年度财产险保费收入表1（单位：亿元）年度200620072008200920102011保费收入1509．431997．742336．712875．833895．644617．82与此同时，我国财产保险业无论保费还是效益在行政区划间表现出较大的差异。

保费收入差距超过了100倍，规模最大的广东省（含深圳）507．54亿，最小的西藏保费收入仅为5．73亿元①（具体数据见表2）；赔付率差异也超过了20个百分点，2005年 2010年6年间，吉林省的平均赔付率为61．84%，海南省为41．13%（具体数据见表3）。

2011年各地区财产保险保费收入情况表2（单位：亿元）2005年 2010年各地区赔付率情况表3（%）①此数据为2011年末实际数，来源于保监会网站。

针对财产保险行业省际间发展的不平衡，本文拟通过建立面板数据模型，对我国31个省、市、自治区财产保险保费收入与GDP、赔款支出与城镇居民人均消费支出进行实证分析，以探求我国31个行政区划财产保险的发展与宏观经济之间的关系，并借以解释我国财产保险在规模和效益上存在较大差异的影响因素，提出相关政策建议。

二、变量选择、数据来源及模型描述（一）变量选择及理由本文主要研究我国宏观经济指标对财产保险区域差异的影响，选择体现财产保险区域差异的指标为被解释变量，宏观经济指标为解释变量。

1．被解释变量的选取一般来说，反映保险业区域差异的指标主要有保险深度、保险密度、保费收入及赔付率（赔款支出）等。

根据研究的需要，本文选取保费收入和赔付率作为被解释变量，以分别反映财产保险区域差异的规模指标和效益指标。

同时，考虑到我国财产保险行业各区域保险产品同质性特征明显，条款、费率全国基本一致（除个别非车险产品外），我国同一保险标的在不同行政区域内的保费基本一致，同一险种在不同区域赔付率差异主要由赔款支出导致。

因此，在实际建模过程中，选用赔款支出来代替赔付率。

2．解释变量的选取保费收入和赔款支出作为被解释变量，衡量财产保险区域差异的角度和侧重点不同，决定了在研究中需要选取不同的解释变量。

在研究宏观经济对各地财产保险保费收入的影响时，本文选取了GDP作为解释变量，主要是因为GDP能综合反映各地的经济实力和经济发展状况，可以作为宏观经济的典型代表。

但在研究赔款支出的宏观经济影响因素时，本文选取了反映消费水平差异的指标作为解释变量，具体为城镇居民人均消费支出。

主要理由为：（1）财产保险赔付以经济补偿为主，补偿支出包括车损险赔案的修理配件支出、工时支出，人伤案件中的医疗费用支出、误工补偿等。

这些支出金额的大小与各地的经济发达程度、消费水平密切相关。

（2）我国财产保险在城市和农村间分布差异较大，目前主要集中在城镇。

（二）数据来源及说明本文建模的数据来源于2006年 2011年《中国统计年鉴》、《中国保险年鉴》及保监会网站。

样本期为我国2005年 2010年31个省、市、自治区的年度数据，包括保费收入、赔款支出、国内生产总值GDP、城镇居民家庭平均每人全年消费性支出（以下简称“城镇居民人均消费支出”）。

为保持研究数据的一致性，将《中国保险年鉴》及保监会网站中各计划单列市的数据汇总至相应的省份。

（三）变量及模型的基本形式1．被解释变量、解释变量的形式本文的被解释变量为保费收入（prem）、赔款支出（claim）；解释变量为国内生产总值GDP、城镇居民人均消费支出（consume）。

由于宏观经济变量序列具有随着解释变量值的变化，被解释变量的差异一般会越来越大的特点，为了消除可能产生的递增型异方差的影响，本文对31个省、市、自治区的年度prem、claim、GDP、consume数据取自然对数进行处理，分别得到各省、市、自治区的ln prem、ln GDP、ln claim、ln consume 的面板数据序列。

2．面板模型的基本形式为得到要解决的核心问题的答案，探讨宏观经济变量是否是引起我国财产保险区域差异的重要因素，本文拟选用面板数据进行建模分析。

面板数据建模相对单一界面数据具有较为明显的优势：（1）面板数据综合了时间序列数据和截面数据的特征，能较好地解决时间短、个体数多的观测数据的分析问题；（2）面板数据观测值明显增多，能较好地提高估计量的抽样精度；（3）面板数据建模能获得更多的动态信息，固定效应面板数据模型可以得到参数的一致估计量，甚至有效估计量。

根据面板数据模型的特点，充分考虑本文需要解决的问题，拟选用面板数据模型的基本形式如下：模型1：混合模型y it =α+X'itβ+εit，i=1，2，…，N；t=1，2，…，T（1）其中y it为被回归变量（标量），对应本文的ln prem和ln claim等；α表示截距项，X it为Kˑ1阶回归变量列向量（包括K个回归变量），对应本文ln GDP和ln consume等，β为Kˑ1阶回归系数列向量，εit为误差项；混合模型的特点是无论任何个体和截面，回归系数α和β都相同。

模型2：固定效应模型（包括个体固定效应模型、时点固定效应模型和双固定效应模型）（1）个体固定效应模型：y it =αi+X'itβ+εit，i=1，2，…，N；t=1，2，…，T（2）其中αi是随机变量，表示对于i个个体有i个不同的截距项，且其变化与X it有关。

（2）时点固定效应模型：y it =γi+X'itβ+εit，i=1，2，…，N（3）其中γi是模型截距项，随机变量，表示对于T个截面有T个不同的截距项，且其变化与X it有关。

（3）个体、时点双固定效应模型：y it =α+αi+γt+X'itβ+εit，i=1，2，…，N；t=1，2，…，T（4）其中αi是随机变量，表示对于i个个体有i个不同的截距项，且其变化与X it有关，γt是模型截距项，随机变量，表示对于T个截面有T个不同的截距项，且其变化与X it有关。

模型3：随机效应模型（包括个体随机效应模型、时点随机效应模型和双随机效应模型）随机效应模型中最常用的是个体随机效应模型，其基本形式为：y it =αi+X'itβ+εit，i=1，2，…，N；t=1，2，…，T（5）其中αi是随机变量，其分布与X it无关，X it为Kˑ1阶回归变量列向量（包括K个回归变量），β为K ˑ1阶回归系数列向量，对于不同个体回归系数相同，yit为被回归变量（标量），εit为误差项（标量），并假定αi、εit独立同分布。

本文将不采用时点随机效应模型和双随机效应模型，这两类模型的表达形式不在此描述。

3．面板数据的检验（1）单位根检验的方法单位根检验是用来确定时间序列数据是否平稳，能防止非平稳经济变量的虚假回归问题。

针对面板数据的特点，本文选用LLC检验、IPS检验、崔仁（InChoi）检验（又称Fisher-ADF检验）、Fisher-PP检验四种方法对变量进行单位根检验。

（2）面板数据的协整检验面板数据模型的协整检验按方法不同分为两类。

一类是由EG（Engle-Grange）两步法推广而成的面板数据协整检验方法，如Pedroni协整检验法、Kao协整检验法；这两种方法都是Engle-Grange协积检验方法为基础构造检验统计量，标准化以后渐进服从标准正态分布。