我国机动车辆保险需求影响因素实证分析.docVIP

我国机动车辆保险需求影响因素实证分析 　　摘要：近年来，我国机动车保险市场一直保持着较快的发展速度，并始终在整个财产保险市场占据主导地位。本文结合华中三省的实际情况，运用Stata软件，分别以机动车辆保险保费收入、机动车辆保险密度和机动车辆保险深度作为因变量来构造面板数据模型，分析影响机动车辆保险需求的影响因素。 　　关键词：机动车辆保险；面板数据模型；保险需求；保费收入 　　一、引言 　　私人汽车的拥有量平均年增长率达23.26%。近十年中，机动车辆保险在财产险保费收入中的占比一直保持在72%以上，并有逐年上涨的趋势，机动车辆保险业务无疑将成为财产保险发展的第一驱动力。 　　二、机动车辆保险保费收入影响因素的实证分析 　　（一）数据指标选取 　　本文基于数据可得性的考虑，采用2005至2014年华中三省的省级面板数据，研究华中三省机动车辆保险需求的影响因素。我们将从经济因素、交通因素和风险因素三个方面来对影响机动车辆保险需求的因素进行实证分析，从中选取具有代表性的经济或社会统计指标作为衡量这三个因素的变量。 　　1、代表机动车保险需求的变量 　　本文以机动车辆保险保费收入作为第一指标（Y1），它能直观的以货币形式体现机动车辆保险的需求量；以机动车辆保险密度作为第二指标（Y2），它能反映机动车辆保险的普及程度及其发展水平；以机动车辆保险深度作为第三指标（Y3），它能反映机动车辆保险在国民经济中的地位。 　　2、代表经济因素的变量 　　（1）机动车辆保险价格 　　本文选取居民消费价格指数（EPI）作为机动车辆保险价格的衡量指标。 　　（2）居民收入水平 　　本文选取城镇居民人均可支配收入（INCOME）作为居民收入水平的衡量指标。 　　（3）城市化水平 　　本文选取城市化率（URBAN）作为城市化水平的衡量指标。 　　3、代表交通因素的变量 　　（1）汽车数量 　　本文选取民用汽车保有量（AUTO）作为汽车数量的衡量指标。 　　（2）道路状况 　　本文选取公路里程（RODE）作为道路状况的衡量指标。 　　4、代表风险因素的变量 　　本文选取交通事故发生数（RISK）作为风险因素的衡量指标。 　　（二）模型设定 　　本文将运用Stata14.0软件分别以Y1、Y2、Y3为被解释变量建立本文数据的回归模型，通过Hausman Test选取最适合本文数据的回归模型并对回归模型进行经济学分析。基于对数据稳定性的考虑，为了消除系数绝对值偏差和减轻异方差影响，对文中的所有宏观变量在实际计算中均采用对数形式，即保留EPI和URBAN两个变量的原始数据，对其它变量均取对数。 　　（三）计量方法及主要结果 　　Hausman Test基本原理： 　　H0：内部估计量（LSDV）与GLS估计量一致 　　H1：内部估计量（LSDV）与GLS估计量不一致 　　若接受H0，则表示随机效应模型更为合适； 　　若拒绝H0，则表示随机效应模型估计不一致，固定效应模型更为合适。 　　1、以机动车辆保险保费收入为被解释变量的Hausman Test 　　根据Hausman Test结果显示：Hausman Test=-26.130 　　意味着即使在90%的显著性水平下也要接受原假设，即随机效应模型要优于固定效应模型。 　　2、以机动车辆保险密度作为被解释变量的Hausman Test 　　根据Hausman Test结果显示：Hausman Test=7.51X20.1（6）=10.64 　　意味着即使在90%的显著性水平下也要接受原假设，即随机效应模型要优于固定效应模型。 　　3、以机动车辆保险深度作为被解释变量的Hausman Test 　　根据Hausman Test结果显示：Hausman Test=4.54X20.1（6）=10.64 　　意味着即使在90%的显著性水平下也接受原假设，即随机效应模型要优于固定效应模型。 　　4、随机效应模型 　　本文对研究数据进行随机效应模型估计的实证结果如表1所示。 　　如上表随机效应模型拟合结果所示，我们可以看到三个模型均具有一定的可信度。城市化率、民用汽车保有量和交通事故发生数这三个因素与机动车辆保险保费收入之间的关系均在90%以上的显著性水平下是显著的。城市化率和民用汽车保有量与机动车辆保险需求呈正相关关系，而交通事故发生数对机动车辆保险需求的正负影响因机动车辆保险需求所取指标的不同而有所差异。其它三个变量虽然与机动车辆保险需求之间的关系不显著，但是其表现出来的经济意义与预期是一致的。从各解释变量的系数来看，其系数所表示的经济意义与我们的预期是相符的。 　　（四）回归结果分析 　　根据以上回归结果，我们可以看到：分别