基于我国保费收入的VEC模型的构建及分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于我国保费收入的VEC模型的构建及分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：文章基于保险业基础数据的分析，选取1999年～2011年全国保费和财险保费的月度数据，通过格兰杰检验、协整检验等计量方法建立VAR模型和VEC模型，研究了全国保费和财险保费之间的内在联系和动态关系，并根据结果提出相应的政策建议。

关键词：总保费收入；财险保费收入；VAR模型；VEC模型

一、 引言

自1980年恢复保险业务以来，中国已经成为世界上发展最快的新兴保险市场。近年来，中国保险市场更是发生了深刻变化，一个功能相对完善、分工合理、公平竞争、共同发展的保险市场体系初步建立。“十二五”时期，仍要以加快转变保险业发展方式为主线，围绕“转方式、促规范、防风险、稳增长”，促进保险业平稳较快发展。从行业自身看，保险业的发展潜力还没有完全发挥出来。我国保险业起步晚、基础差，虽然经过多年发展，但整体水平仍滞后于经济社会发展，具有巨大的发展潜力和空间。2009年①，保费收入占GDP的比重，世界平均为7%，我国为3.4%；人均保费世界平均为595美元，我国为121美元。人均长期寿险保单持有量、医疗费用由商业健康保险承担的比例，以及家庭财产保险、各种责任保险等主要险种的投保率，远低于成熟保险市场的平均水平。保险赔偿占灾害损失的比例仅为5%左右，远低于全球30%的平均水平。从国际经验看，人均GDP 3 000至10 000美元，是保险业的加速上升期。在这一时期，一些国家的保险业无论是发展速度还是业务规模都实现了质的飞跃，一批保险公司也抓住机遇，迅速成长为具有国际竞争力的大型金融机构。目前我国人均GDP已经达到4 000美元，人们的消费需求开始升级，生活要求出现多样化，对养老保健、医疗卫生、汽车住宅、文化教育等改善生活质量的需求将明显提高。这些消费领域都与保险业息息相关，需要保险业提供更加丰富的产品和服务。

保费收入是保险业的一个最重要、最直接的指标，国内很多学者将总保费作为研究对象建立了相关的计量模型。栾存存（2004）在保费收入与增长率分析的基础上建立保险业增长动态模型和误差修正模型，说明了我国保险业长期和短期增长的影响因素、影响方式及应对措施。饶晓辉和钟正生（2005）用我国总保费与GDP进行了对保险业与经济增长之间的关系进行深入的研究。李辉和石龙（2012）采用季节调整方法，建立了中国保费收入月度数据短期预测模型。王鑫（2012）通过采用商业保险保费收入月度数据建立计量模型，表明我国商业保险保费收入与宏观经济之间存在着密切的关系。本文研究了全国总保费与财险保费收入之间的具体作用机制，引入VAR模型和vec模型，通过数据生成过程，来判断时间序列的平稳性，进而对全国总保费和财险保费收入之间的长期、动态关系做出分析，以期对我国保险市场改变市场结构，在财产险市场升级、创新产品，促进保险业科学发展提供参考建议。

二、 全国保费和财险保费的基本分析

本文采用1999年～2011年的全国保费和财险保费的月度数据作为样本空间，共156个样本做研究对象，数据来源于和讯网。运用Eviews7.0软件完成文中计量模型的建立与检验等计算过程。画出取对数后的全国总保费与财险保费的散点图，见图1。

从散点图可以看出，LN（INS）与LN（PINS）两个序列存在协整关系的可能性很大，但这需要通过协整检验来确定。由于是月度数据，两个序列存在季节因素，但是经过对数差分和季节调整后可以变成平稳序列，这使得它们之间的协整关系成为可能，所以可做协整回归并检验变量之间是否存在协整关系，不会造成虚假回归。

首先，利用Eviews7.0软件选择VAR模型的最优滞后期，根据LR统计量、AIC（赤池信息准则）、HQ（汉南—奎因准则）和SC（施瓦茨准则）等标准来进行判定，滞后期k=2时最优，因此，我们确定要建立2阶的VAR模型。通过格兰杰因果关系检验来分析和判断全国总保费与财险保费之间是否存在因果关联，选取2个不同的滞后期，做格兰杰因果关系检验的结果如表1。

由表1中结果可以得到结论：在滞后一期的情况下，在5%的水平拒绝“LOG（PINS）不是LOG（INS）的格兰杰原因”的假设，而接受“LOG（INS）不是LOG（PINS）的格兰杰原因” 的假设；在滞后二期的情况下，在5%的水平接受“LOG（PINS）不是LOG（INS）的格兰杰原因”和“LOG（INS）不是LOG（PINS）的格兰杰原因”的假设。这说明财险保费对总保费的促进作用存在一年的滞后期，而总保费的增长不是财险保费增长的原因，这与事实相符。根据两变量之间的因果关联，我们使用VAR模型分析其协整机制。

三、 模型构建与实证研究

1. VAR模型平稳性的检验。

由于VAR模型的建立要求其中的变量具有平稳性，因为非平稳时间序列在回归模型中会导致“虚假回归”，因此必须对其进行平稳性检验。ADF（Augment Dickey—Fuller）检验的结果②表明，LOG（INS）与LOG（PINS）均非平稳变量，存在单位根，但是LOG（INS）与LOG（PINS））的一阶差分变量均通过了ADF检验，由此拒绝了序列存在单位根的假设。这表明对数差分后LOG（INS）与LOG（PINS）都是平稳序列，满足VAR模型的变量平稳性要求。

2. 检验协整性。

如果一组非平稳性事件序列存在一个平稳的线性组合，即该组合不具有随机趋势，那么这组序列是协整的，这个线性组合被称为协整方程，表示一种长期的均衡关系。本文利用Johansen协整方法（也称为极大似然估计方法）来完成。

Johansen的分析框架包含了6种可能的情况：（1）协整空间无常数项、无时间趋势项；（2）协整空间有常数项、无时间趋势项，数据空间无常数项；（3）协整空间有常数项、无时间趋势项；（4）协整空间有常数项、有时间趋势项，数据空间无时间趋势项；（5）协整空间有常数项、有时间趋势项，数据空间有时间趋势项；（6）上述5种情况总览。