居民收入水平对寿险发展影响的实证研究

摘 要：本文基于我国31个省（市、区）2007-2015年面板数据，选取相关指标构建动态差分GMM模型，围绕居民收入水平对寿险发展的影响进行实证分析，根据研究结果提出促進寿险业发展的对策建议。

关键词：居民收入水平；寿险发展；动态差分GMM模型

中图分类号：F840.62 文献标识码：B 文章编号：1674-0017-2018（7）-0004-06

一、引言

自1980年恢复商业保险业务以来，我国寿险规模迅速增长，但规模迅速增大的同时，也出现了许多问题，比如治理寿险销售误导引起行业深幅调整，寿险业发展程度依旧偏低、与我国经济发展水平极不适应，不同区域寿险业务发展差异越来越明显。从工业化国家发展经验来看，随着人民收入水平提升，保险意识及保险投资需求也会相应提高，但由于我国传统观念落后、市场发展水平不高，导致目前寿险保障程度严重不足，而居民的收入水平是影响寿险发展的直接因素。

有关居民收入对寿险发展影响的问题，许多学者从不同角度进行了研究。大部分学者研究发现收入对寿险发展具有正面影响。张博等（2005）、潘军昌等（2010）、唐广应等（2016）、杜薇（2017）使用时间序列数据，通过回归分析，均发现居民生活水平提高对寿险业发展产生强有力的推动作用。而贾海成等（2014）通过问卷调查，采用多元Logit模型进行研究，结果也发现，消费者收入水平对寿险需求影响显著。徐佳等（2016）基于2011年全国25省家庭调查微观数据，研究表明，随着家庭财富的增长，家庭会选择增加保险资产的配置。Mouna Zerriaa等（2016）以17个国家为样本研究了中东与北非地区寿险消费的决定因素，结果也表明，收入对寿险发展具有正向促进作用。部分学者研究结论有所不同。郭运泽等（2012）却认为，城镇居民收入是保险发展的重要影响因素，个人保险需求量与收入水平呈倒“U”型特征。毕泗锋等（2016）使用我国2002-2013年面板数据研究发现，东部地区保障型寿险收入弹性为正，中西部为负，而就投资型寿险而言，中西部地区收入弹性为正，但东部收入影响则不明显。

综上所述，就居民收入水平对寿险发展的影响分析这一问题，许多学者已经取得了不少成果，为本文研究提供了一定参考和启示，但存在明显不足。现有文献部分采用问卷调查方式进行研究，但问卷调查难以全部知道被调查者是否独立完成问卷及回答问题的环境，从而影响问卷质量的判断。大多数学者基于时间序列数据进行分析，然而时间序列数据往往样本点比较少，并且还会因为存在自相关问题而造成估计结果产生很大偏误，并且静态模型又忽视了前期寿险发展对当期的惯性影响而降低了实证结果准确度。鉴于此，本文从以下几个方面进行扩展。首先，就研究视角来说，基于全国层面考察居民收入水平对寿险发展的影响。其次，研究方法上，选取我国31个省（自治区、直辖市）2007-2015年面板数据，构建动态差分GMM模型进行实证分析，与已有文献使用时间序列数据运用静态模型相比，既扩大了样本信息量，避免了自相关问题，也考虑了被解释变量滞后一期对当期的影响，纠正了被解释变量滞后项的内生性问题所引起的估计偏误，提高了实证结果的准确性。最后，就研究结论而言，居民收入水平对寿险发展具有显著的抑制作用；而死亡率、少儿抚养比、老年赡养率、城市化水平及社会保障程度均对寿险发展产生显著的正向作用。因此，本文研究丰富了居民收入水平对寿险发展影响的理论体系，对下一步制定相关对策以促进寿险发展具有重要的现实意义。

二、变量选取、数据来源与模型构建

（一）变量选取

1.被解释变量：寿险发展水平（Y）。反映寿险发展水平的指标有寿险原保费收入、寿险密度、寿险深度。但寿险原保费收入是一个绝对值，很容易受到价格变化影响，难以真实地反映寿险发展水平。寿险深度是原保费收入与GDP之比，而寿险保费收入与GDP一般呈正相关关系，所以选取寿险原保费收入、寿险深度作为衡量寿险发展水平的指标都不合适。故本文参考杜薇（2017）学者做法，选取寿险密度来衡量寿险发展水平，寿险密度=寿险原保费收入/地区总人口数。

2.解释变量：居民收入水平（Inc）。人们的消费能力会随着收入的增加而提升，通常情况下，当收入增加时会加大对寿险的购买。潘军昌（2010）等在使用多元线性回归对寿险需求影响因素进行研究时，便发现居民可支配收入对寿险需求具有显著的正向影响。衡量居民收入水平的指标有人均可支配收入水平和人均GDP，但人均GDP尚未剔除税收等影响，无法度量居民真实购买力，因此，本文选取居民人均可支配收入来度量其收入水平。

3.控制变量。（1）死亡率（Dea）。死亡率是死亡人口占总人口的比例，死亡率在一定程度上度量了人们生活面临风险的大小，死亡率越高的地区，人们面临的生存风险越大，那么其购买保障型寿险的需求相对越强。（2）少儿抚养比（Tay）。随着社会的快速发展，我国在生育、教育、儿童医疗等方面成本日益高涨，势必导致有孩子的家庭为支付子女教育、医疗费用而大幅度减少保险消费支出，因此，少儿抚养比在一定程度上抑制了寿险发展。（3）老年赡养率（Old）。人口老龄化使得人们面临更多的养老、医疗问题，作为养老保险体系重要组成部分的寿险业，可以通过补充险种空白部分，获得较大程度发展。孙乃岩等（2012）对我国寿险需要影响因素进行实证检验，便发现老年赡养率越高，寿险需求量越大。（4）城市化水平（City）。一方面，城市人口相对农村人口风险防范意识更强，对新鲜事物接受度更高，因此城市居民对寿险这样的社会化风险分散机制更加认可；另一方面，城市中寿险消费者地域上比较集中，寿险公司在展业、索赔、服务等方面所花成本相对较低，城市化带来的成本和价格优势对寿险供给具有正面影响。所以，一般来说，城市化水平越高，寿险需求量越大。本文参考梁来存（2007）学者做法，选取城镇人口占总人口的比重来度量城市化水平。（5）社会保障程度（Sse）。社会保障是为居民提供人身、经济方面保障，这与寿险基本功能具有一定相似性，因此，社会保障对寿险具有替代作用，社会保障程度越高，寿险需求量越小。本文参考钟春平（2012）等学者方法，选取人均社会保障支出来衡量社会保障程度。各变量汇总说明见表1。

（二）数据来源

本文将选取2007-2015年我国31个省（市、区）的面板数据进行实证分析。寿险保费收入数据来源于《中国保险年鉴》，居民人均可支配收入、社会保障支出、城镇人口占总人口比重指标来源于《中国统计年鉴》，总人口数、少儿抚养比、老年赡养率、死亡率数据来自于《中国人口年鉴》。

（三）模型构建

本文参照黄忠华等（2008）学者[12]做法，构建如下静态模型：

Y=c+βInc+βDea+βTay+βOld+βCity+βSse+ζ+θ+μ （1）

其中，i（i=1，2，...，31）表示省市；t（t=2007，2008，...，2015）表示年份；Y表示i省市在t年的寿险密度；Inc表示i省市在t年的居民人均可支配收入；Dea表示i省市在t年的死亡率；Tay表示i省市在t年的少儿抚养比；Old表示i省市在t年的老年赡养率；City表示i省市在t年的城市化率；Sse表示i省市在t年的人均社会保障支出；c是常数项，β、β、β、β、β、β为各变量系数，ζ、θ和μ分别表示反映个体效应、时间效应的虚拟变量以及随机干扰项。

本文将采用混合普通最小二乘法、随机效应及固定效应三种方法进行静态模型估计。但静态面板模型忽视了被解释变量前期值对当期的影响，而动态差分GMM考虑了被解释变量产生的内生性问题，估计结果相比于静态模型更为准确。因此，为克服静态模型缺陷，特参考周稳海等（2015）、李勇斌（2017）学者方法建立如下动态差分GMM模型：

Y=c+βY+βInc+βDea+βTay+βOld+βCity+βSse+ζ+θ+μ （2）

Y表示i省市t年寿险密度滞后一期，动态差分GMM模型考虑了滞后项Y产生的内生性问题，一定程度上克服了静态模型因忽视内生性问题而造成的较大偏误。但差分GMM估计结果必须满足以下两个条件，一是随机干扰项不能存在序列相关，即一阶自相关检验概率值小于5%但二阶自相关检验概率值大于5%；二是不能存在弱工具变量问题，即Hansen统计量概率值大于5%。

三、实证研究及结果分析

（一）变量描述性统计分析

在分析面板数据之前，先对各指标数据进行取对数处理，以克服原始数据可能存在的异方差问题，各变量描述性统计结果见表2。

（二）單位根检验

为避免模型出现“伪回归”现象，需要对变量序列进行单位根检验以判断各序列的平稳情况。由表3可知，经过LLC和PP-Fisher检验，各序列都在显著性水平下拒绝了存在单位根的原假设，说明各变量序列并不存在单位根，即变量是平稳的，各平稳变量数据可以进一步做静态和动态差分GMM回归分析。

（三）实证结果及分析

1.GMM估计结果与分析。为探讨居民收入水平对我国寿险发展的影响，本文选取寿险密度lnY为被解释变量，居民收入水平lnInc为解释变量，死亡率lnDea、少儿抚养比lnTay、老年赡养率lnOld、城市化水平lnCity、社会保障程度lnSse为控制变量。使用Eviews9.0进行静态和动态面板估计，回归结果见表4。

表4中第（1）、（2）、（3）列分别是普通最小二乘法（OLS）、面板固定效应（FE）模型、面板随机效应（RE）模型的实证结果，但普通最小二乘法忽略了个体异质性，所以估计结果会存在很大偏误。而面板固定效应（FE）模型考虑了31个省（市、区）之间的个体差异性，因此估计结果相比普通最小二乘法更佳。面板随机效应（RE）模型则比固定效应节省了比较多的自由度。通过Hausman检验χ2（p）为0.000<0.05，因此拒绝固定效应模型与随机效应模型不存在系统差异的原假设，固定效应模型估计结果要好于随机效应模型，应建立固定效应模型。第（4）列为动态差分GMM模型实证结果，动态差分GMM既考虑了各样本间存在的个体差异，也克服了lnY（-1）内生性产生的偏误，其中AR（1）P值为0.003<0.05，AR（2）P值为0.485>0.05，说明模型是一阶自相关但二阶不自相关，因此随机干扰项不存在序列相关；Hansen P值为0.175>0.05，说明不存在过渡识别现象，模型选取的工具变量非常合理。差分GMM估计两个条件均满足，表明估计结果是无偏一致估计，具有实际参考意义。

通过上述分析可知，第（4）列动态差分GMM实证结果优于其它3列，因此对各变量系数和显著性的分析将按（4）列结果进行评价。寿险密度滞后一项lnY（-1）在1%置信水平下显著，且其系数估计值为0.296>0，说明寿险发展存在惯性，前期发展对当期具有显著的促进作用。这可能是因为：一是已购寿险客户在消费者群体中发挥出了应有的正面示范效应，使得其他消费者对寿险有了正确认识，增强了人们对寿险的接受度；二是寿险公司前期的工作积累了大量经验，有助于销售人员恰当处理其在展业中与客户存在的分歧，提高签单率，从而促进了当期寿险的发展；三是寿险业面对前期市场供求状况，及时调整产品结构、开发新产品，以满足多层次需求，进而对当期发展产生显著影响。

居民收入水平在1%水平下显著，且其系数估计值为-1.619<0，表明居民收入水平对寿险发展具有显著的抑制作用，居民收入水平每提高1个百分点，寿险密度就会降低1.619个百分点，这与预期不符。可能是因为：一是寿险消费者主要集中在城镇家庭，而现今家庭生活成本较高、生活压力较大，子女教育、住房等方面支出很大程度上挤出了寿险消费，其增加的收入主要分配于日常基本支出或其它非寿险投资；二是我国贫富差距明显，低收入阶层占比非常大，新型寿险保费较高，保障程度有限，对低收入群体来说是奢侈品，而且寿险保单期限长，具有耐用品特征，高收入阶层一般不会持续购买，因此导致寿险需求的增加远低于居民收入水平的提高；三是随着收入水平的增加，人们对保险消费结构的需求也会发生变化，当寿险产品充分满足了安全保障需求时，其注意力便转向更高层次消费品以满足安全以外的各种保障，此时过多寿险消费对他们来说就变成多余，只会带来负的边际效用，所以收入增加，寿险消费比重反而越来越低。

另外，控制变量中死亡率、老年赡养率、城市化水平都在1%水平下显著，且其系数估计值分别为2.123>0、0.898>0、3.879>0，说明死亡率、老年赡养率以及城市化水平都对寿险需求具有显著的正向影响。死亡率、老年赡养率、城市化水平每提高一个百分点，可以分别带来寿险密度2.123、0.898、3.879个百分点的增加。这和预期一致。

而少儿抚养比、社会保障程度也在1%的置信水平下显著，其系数估计值分别是0.426>0、0.911>0，表明少儿抚养比及社会保障程度均对寿险发展具有显著的促进作用，与预期不符。可能因为子女在我国家庭中的地位越来越高，为保障子女安全，父母对寿险这种风险分散机制依赖性越来越强。而社会保障一方面提高了人们保险意识，另一方面稳定了人们基本生活，促进了其它各种消费需求，消费者没有了后顾之忧，更加有助于刺激其购买寿险获得更大的保障。因此，少儿抚养比及社会保障程度均对寿险发展产生正面影响。

2.稳健性检验。陈强等（2015）学者指出，为保证实证结果的科学性和准确性，对估计模型进一步做稳健性检验是非常有必要的。而采用的方法可以是去掉样本中的极端值然后对子样本重做回归，如果子样本和全样本实证结果相近，则表明结果具有稳健性，研究结论可靠；反之则不具稳健性。周稳海（2015）、袁辉等（2017）学者皆采用此方法对动态GMM模型进行稳健性检验，故本文参考以上学者做法对研究结果做进一步检验。

通过计算寿险密度Y、居民可支配收入Inc、死亡率Dea、少儿抚养比Tay、老年赡养率Old、城市化水平City、社会保障程度Sse，结果发现北京寿险密度Y最高，上海的少儿抚养比Tay最低、城市化水平City及居民可支配收入水平Inc最高，西藏的寿险密度Y、老年赡养率Old、城市化水平City及居民可支配收入水平Inc最低，宁夏的死亡率Dea最小。因此本文选择剔除北京、上海、西藏和宁夏四个具有代表性的省市分别进行子样本回归，回归结果见表5。

由表5可知，剔除北京、上海、西藏和宁夏后的子样本回归结果都满足AR（1）<0.05.AR（2）>0.05.Hansen P值>0.05条件，说明模型不存在二阶自相关和过度识别问题，子样本回归中各变量的显著性及估计系数的正负号均与全样本回归基本一致，說明模型没有因为样本改变而发生明显变化，即模型是稳健的，本文实证结果可靠。

四、结论与对策建议

本文使用我国31个省（自治区、直辖市）2007-2015年面板数据，构建动态差分GMM模型实证分析了居民收入水平对寿险发展的影响，研究结果表明：寿险发展存在惯性影响，前期发展对当期产生显著的正面影响；居民收入水平对寿险发展具有显著的抑制作用；而死亡率、少儿抚养比、老年赡养率、城市化水平及社会保障程度均对寿险发展产生显著的正向作用。

为提高我国寿险需求，基于上述研究，本文提出如下建议：

一是改善寿险产品结构，创新产品品种。少儿抚养比、老年赡养率及城市化水平均对寿险发展产生显著的正面影响，随着子女在家庭中的地位越来越重要、人口老龄化的加深、城市化进程的推进，人们对储蓄及退休产品需求大增，但我国寿险市场险种类同的多，创新、差异化的较少，有效供给不足。所以各寿险公司应该抓住机遇，大力发展医疗保险产品、个人年金产品来弥补公共健康保险、公共年金制度的不足，满足少儿、老年市场及城市化过程的多样化寿险需求。

二是转变经营理念，提高理赔效率与服务质量。寿险发展存在惯性影响，前期客户正面示范效应会对当期寿险需求产生显著的正向作用，所以寿险公司应该重视退保率、经营成本的考核，加大资金技术投入，从被保险人利益出发，提高理赔效率和服务质量，建立消费者对寿险业的信任，提升寿险客户满意度，促进客户对寿险的正面传播。

三是健全社会保障制度，加强社会保险与商业寿险衔接。社会保障制度的健全关系到国计民生，对寿险发展具有正向影响，所以国家层面应该提高社会保障水平，确定统筹层次、保障范围、保障对象及保障方案，减轻人们后顾之忧。而寿险公司则应该深入参与社会保障制度的实施，通过商业寿险弥补社会保障机构中案件处理不灵活问题，促进寿险业发展。

参考文献

[1]毕泗锋，孙秀清.居民收入的增长促进寿险需求了吗[J].财经科学.2016，（1）：45-55。

[2]杜薇.基于宏观层面我国寿险需求影响因素的实证分析[J].经济研究参考，2017，（6）：96-101。

[3]郭运泽，欧阳川.城镇居民收入与保险需求关系的理论分析[J].中国经贸导刊，2012，（1）：63-64。

[4]黄忠华，吴次芳，杜雪君.房地产投资与经济增长——全国及区域层面的面板数据分析[J].财贸经济，2008，（8）：56-60。

[5]贾海成，秦菲菲.多元Logit模型的寿险选择行为研究[J].统计与决策，2014，（12）：58-61。

[6]姜永宏，廖静.日本寿险需求影响因素分析及对中国的启示[J].金融与经济，2014，（12）：64-69。

[7]李勇斌.三种城镇化类型对农业保险发展影响的实证研究[J].金融理论探索，2018，（4）：72-80。

[8]梁来存.我国寿险需求的实证分析[J].数量经济技术经济研究，2007，（8）：80-89。

[9]潘军昌，杨军.我国寿险需求的影响因素分析[J].经济管理，2010，（2）：131-137。

[10]孙乃岩，金喜在.中国寿险需求影响因素的实证检验[J].东北师大学报，2012，（5）：70-74。

[11]唐广应，展凯，贺超.我国寿险需求的影响因素分析——基于不同区域的实证研究[J].金融与经济，2016，（7）：79-85。

[12]徐佳，龚六堂.中国家庭寿险市场的需求分析——基于全国25个省（市、区）家庭金融调查的微观数据[J].江汉论坛，2016，

（9）：23-28。

[13]袁辉，谭迪.政策性农业保险对农业产出的影响效应分析——以湖北省为例[J].农村经济，2017，（9）：94-100。

[14]张博，薛伟贤.影响人寿保险业需求的经济因素的实证分析[J].消费经济，2005，（5）：13-17。

[15]钟春平，陈静，孙焕民.寿险需求及其影响因素研究：中国寿险需求為何低？[J].经济研究，2012，（1）：148-160。

[16]周稳海，赵桂玲，尹成远.农业保险对农业生产影响效应的实证研究——基于河北省面板数据和动态差分GMM模型[J].

保险研究，2015，（5）：60-68。

An Empirical Study on the Impact of Residents

Income Level on Life Insurance Development

——Based on 31 Provincial Panel Data and Dynamic Differential GMM Model

LI Yongbin

（Business School， Guangxi University， Nanning Guangxi 530004）

Abstract： Based on panel data of 31 provinces （autonomous regions and municipalities） in China from 2007 to 2015， the paper selects related indicators to construct a dynamic differential GMM model for empirical analysis， and puts forward corresponding policy suggestions on promoting the life insurance development according the research results.

Keywords： resident income level； life insurance development； Dynamic Differential GMM Model

责任编辑、校对：杨钰琳