空间离散与业务离散对保险产业经营拓展的影响

何秉卓

【摘要】以产业聚集理论为基础， 构建具有指向性的保险产业子公司选址指标， 用以测度保险产业的空间离散程度， 并使用赫芬达尔指数等产业集中度指标描述保险产业业务离散程度。 基于2007 ～ 2017年中国保险企业数据， 采用固定效应回归模型， 讨论空间离散与业务离散对保险产业经营拓展的整体效果， 以及产险企业和寿险企业表现的异同， 并使用替代变量法对研究结论进行了稳健性检验。 研究结果显示， 空间离散与业务离散对保险产业经营拓展具有显著的正向影响， 鉴于我国各地区人口集中度与资本集中度的不平衡发展状况， 建议保险产业应更重视非经济中心城市的业务发展， 确保不同区域子公司的业务平衡。

【关键词】空间离散;业务离散;产业发展;保险企业

【中图分类号】F840      【文献标识码】A      【文章编号】1004-0994（2020）12-0152-9

一、研究背景与假设提出

产业发展的一般路径是以经济发达城市为中心， 逐步向周边地区拓展。 中国保险产业70年的发展历程同样遵循着这一基本规律。 2018年， 中国保险产业总资产已达183308.92亿元， 连续十年保持20%以上的年均增长率。 保险产业已成为中国增速最快、增量最大的金融产业之一。 我国保险产业随着各地区保险需求的增加， 存在逐步由中心城市向非中心城市拓展业务、设立子公司、抢占新市场的趋势， 保险产业子公司的空间离散、业务离散与保险产业经营拓展之间存在着密不可分的关系。

20世纪80年代随着各产业在地理位置上趋于集中的发展特征， 产业空间聚集逐渐成为学术界研究的焦点， 并发展出许多测度空间聚集度的指标。 早期学者们常使用区位Gini系数[1-4] 和赫芬达尔指数[5-9] 作为衡量空间聚集度的指标， 而赫芬达尔指数至今仍活跃于学术研究领域[10，11] ， 这两个指数具有计算方法简单、数据门槛低、结论稳定性强的特点， 最先被学者们采用。 在区位Gini系数的基础上， Ellison和Glaeser[12] 发展了E-G指数， 将单纯的空间聚集区分为随机性聚集以及企业为共享外部性和自然优势的内生性聚集。 Maurel和Sédillot[13] 对E-G指数进行了修正， 提出了M-S指数。 E-G指数和M-S指数开发不久便很快便得到了学者们的广泛应用[14-17] 。 以上四类指标属于单尺度的空间聚集测度方法， 依此延伸的熵指数， 集中曲线也属于此方法类型。

Ripley[18] 提出了完全空间随机（Complete Spatial Random）分布， 即将测度区域内的每一个企业视为一个点， 并假设这些点平均地散布在测度区域内， 则区域内的企业数量存在一个平均密度。 以此作为衡量空间聚集的标准， Ripley构造了测度区域内以r距离为变量的K函数， 分析了产业在不同空间尺度下的聚集情况。 Besag[19] 、Diggle和Chetwynd[20] 、Marcon和Puech[21，22] 分别对K函数进行了扩充， 从而形成了多尺度空间聚集测度方法。

本文以保险产业子公司选址的地理位置作为依据， 以其与经济中心之间的距离作为观察对象， 运用与Ripley的K函数相似的理念， 描述保险产业空间离散情况， 以赫芬达尔指数（HHI）和熵指数（EI）描述保险产业业务离散的情况， 并试图验证如下研究假设：

假设1：保险产业空间离散程度越高， 对产业经营拓展越有利。

假设2：保险产业子公司业务离散有助于产业经营拓展， 业务集中则反之。

二、变量定义与描述性统计

1. 样本来源。 本文样本数据来源于国泰安保险产业数据库， 时间跨度为2007 ～ 2017年总计10年的年度数据， 其中， 2017年为数据库最近更新时间， 近两年数据因可得性和完整性问题未能纳入本研究中。 样本总计144家保险企业， 共1184个观察值， 因回归模型涉及滞后变量的原因， 最终参与回归的样本量为999个观察值。 其中， 财产保险企业73家， 共475个观察值， 人身保险企业71家， 共524个观察值。 本文用来计算各城市间距离的351个城市坐标来源于百度地图和百度百科资料以及笔者对上述资料的整理。

2. 变量定义与描述性统计。 表1列示了变量定义， 表2描述了参与回归各变量的统计特征。 其中， 保费收入Income、保费净收入Revenue是描述保险企业当前业务收入的因变量。 保费收入增长Income_gr、保费净收入增长率Revenue_gr是描述保险企业收益增长情况的因变量， 用以反映产业拓展的效果， 由其均值可以看出， 大部分保险企业的长期业务增长率均在2%左右， 且净利润的增长率要低于保费收入的增长率。 Dist和Df_Dist是描述保险企业子公司选址的变量， 其中， Df_Dist是Dist剔除了子公司数量影响之后的变量， 用来作为稳健性检验的替代變量。 Dist与Df_Dist在均值上有0.03的差距， 但在标准差上差距不明显。 Firm_HHI和Firm_EI是描述保险产业业务离散的自变量。 上述变量的计算方法将在下文详细介绍。

由表3变量的相关性分析可知， 空间离散变量Dist、Df_Dist和业务离散变量Firm_EI与业务收入因变量Income和Revenue， 以及产业拓展因变量Income_gr和Revenue_gr均存在显著的正相关关系， 而Firm_HHI则与上述因变量呈显著负相关关系， 初步验证了本文的研究假设， 其余因变量与自变量之间也存在较为明显的相关性。

表4为主要变量的平稳性检验， 除Z统计量外， 检验结果均拒绝原假设。 据此可知， 本文的主要因变量与自变量是基本平稳的。

3. 保险产业空间离散的测度。 本文用来计算保险产业（企业）空间离散的变量—— Dist的方法， 是基于与Ripley的K函数相似的理念设计的， 即将每一子公司所在城市视为区域内的一点， 计算该城市与我国经济中心的距离。 Ripley的K函数主要观察对象为产业分布区域， 故而将区域内每一个点都视为完全一致的。 而本文所观察的对象为子公司选址， 将每一座城市都视为毫无区别的点显然并不符合实际。 因此， 本文首先要做的就是对我国主要经济圈进行划分。

本文以GDP和地理环境为选择标准划分出4个主要经济圈：以北京市为核心的北方经济圈， 以上海市为核心的东方经济圈， 以广州市为核心的南方经济圈， 以及以重庆市为核心的西方经济圈。 其中， 北京市、上海市、重庆市皆为直辖市， 是我国重点开发的经济区域， 具有代表性。 广州市作为广东省省会， 是改革开放以来南方最重要的经济中心， 其经济增长能力长期居于中国城市前列。 这样的划分标准能够较全面地将我国各城市划归于四个经济圈内， 并依照每个城市距离四大经济中心的最小距离确定各个城市对于经济中心的依赖程度， 其计算公式如下：

Distance=Min（DBJ，DSH，DGZ，DCQ）

其中， DBJ、DSH、DGZ、DCQ为各子公司所在城市距离北京市、上海市、广州市和重庆市的距离， Distance为上述四个距离值的最小值。 由此， 一个保险企业所有下属子公司所在城市与经济中心城市距离的平均值即代表了该保险企业的空间离散程度， 其计算公式如下：

Dist=Mean（Distance/Distance_Sd）

其中， Distance_Sd为下属子公司Distance的标准差， 除以Distance_Sd的目的是实现变量标准化， 方便回归分析。 Dist的数值越小， 则表示保险企业下属子公司越接近经济中心， 业务辐射面越窄， 空间离散程度越低; Dist的数值越大， 则表示保险企业下属子公司距离经济中心越远， 业务辐射面越广， 空间离散程度越高。 对比本文对空间离散的计算方法和K函数的计算方法， 可以发现， 本文的计算方法是具有指向性的， 而K函数是无指向性的。 例如， 按照K函数的计算原则， 若一家保险企业在北、上、广分别设立一家子公司， 由于北、上、广三座城市彼此间相距很远， 那么这家保险企业空间离散程度较高。 然而实际情况并非如此， 这家保险企业的业务辐射范围并不广泛， 因为其子公司业务均依托于经济中心， 没有扩张到经济中心以外的城市。 按照本文的计算方法， Dist为0， 即意味着该企业空间离散程度低。 由此可见， 本文的计算方法较符合我国保险企业拓展新市场的实际情况。

4. 保险产业业务离散的测度。 除了使用Dist从地理上测量保险产业空间离散， 本文还尝试从企业内部业务分配的角度进行观察。 同一保险企业下属子公司间业务量的分配反映了该企业在各城市的业务专业程度， 各地区子公司业务量的平衡则是该企业业务成熟的一种表现。 由此可见， 业务离散也应当对保险产业经营拓展产生正向作用。 本文选择常见的集中度指标来描述保险产业业务离散的情况， 包括赫芬达尔指数、熵指数以及两个绝对集中度指标， 计算公式如下：

Firm_HHIi，t为保险企业i在t年时子公司的业务集中度。 其中， Si，j，t为保险企业i的子公司j在t年时的业务份额， 业务份额为该子公司的保费收入占该保险企业总保费收入的百分比， 下式中的Si，j，t与本式的定义相同。

Firm_EIi，t为保险企业i在t年时子公司的业务离散度。

三、空间离散与业务离散对保险产业经营拓展的影响

1. 空间离散与业务离散对保险产业经营拓展影响的整体回归。 在完成了对保险产业空间离散与业务离散程度的计算后， 构建如下模型：

经营变量t=α+β×Distt-1+δ×Firm_HHIt-1+γ×控制变量t-1+年度虚拟变量+ε    （1）

经营变量t=α+β×Distt-1+δ×Firm_EIt-1+γ×控制变量t-1+年度虚拟变量+ε    （2）

上述两个模型所考察的因变量分为两类指标：一类为保险企业盈利能力指标， 包括保费收入Income与保费净收入Revenue; 另一类为保险企业拓展能力指标， 包括盈利能力指标的增长率Income_gr与Revenue_gr。 两个模型总计4种因变量， 8个子回归。 本文使用固定效应面板模型回归， 并在回归模型中加入了Huber、White、Sandwich 稳健性估计， 从而避免共线性和异方差所带来的估计误差， 回归结果见表5。

由表5可知， 保险企业空间离散指标Dist对保险企业的盈利能力与拓展能力都具有显著的正向影响， 由此证明了本文的第一个研究假设。 回归结果表明， 无论是为了获得当前利润还是为了赢得未来发展机遇， 保险企业在考虑子公司选址时都应适当与中国主要经济中心（北京、上海、广州、重庆）保持一定距离。 保险企业空间离散度越高， 企业的经营与业务拓展越顺利。 经济中心虽然市场较大、受众人群收入较高， 但一方面， 企业面临着激烈的同业竞争， 另一方面将眾多子公司聚集一处， 彼此间也会存在严重的业务重叠， 从而降低各子公司的经营绩效。 不仅如此， 子公司聚集于经济中心的同时也必然会失去其他城市的市场和机遇， 阻碍了企业的未来发展。 当然， 各企业在设立子公司时， 都会遵循该原则：首先考虑立足主要经济中心， 而后选择经济相对发达地区， 再次考虑较偏远的经济不发达城市。 企业规模越大， 子公司数量越多， Dist数值也相应越大。 为避免这一问题， 本文在模型控制变量中加入了企业规模Size以减少偏误， 又因Dist是保险企业各子公司距离经济中心最短距离的平均值， 已经除以了子公司数量， 所以Dist所显示的效果就是空间离散的效果。 但是， 保险企业子公司数量的多寡可能依然影响着Dist的大小， 因此， 下文进行了剔除子公司数量效果的稳健性检验， 用以证明本文所论证的空间离散效果。

除了考察保险企业各子公司的地理位置对保险产业的影响， 本文的另一个研究重点是保险企业的业务离散， 即Firm_HHI与Firm_EI对保险企业盈利能力与拓展能力的实际效果。 本文之所以在回归中从多个角度解读业务离散的概念是基于如下考虑：Dist从地理位置上规定了保险企业的空间离散， 但該结论是不完全的。 假如某保险企业虽在许多偏远城市设立子公司， 但这些子公司业务量贡献比例却很低， 大部分业务量依然来自于位于经济中心的大型子公司， 该企业Dist值较高， 但业务离散程度却很低， 其偏远子公司则形同虚设， 并未实现真正意义上的业务拓展。 因此， 本文添加了Firm_HHI与Firm_EI这两个变量用以检测保险产业业务离散情况。 由表5可知， 基于Firm_HHI与Firm_EI的回归结果与Dist高度统一。 Firm_HHI对保险企业保费收入、保费净收入以及两者的增长率都有显著负向影响， 而Firm_EI则反之， 这说明业务离散对保险企业的经营与拓展同样至关重要， 即证明了本文的第二个研究假设， 并且要求保险企业的拓展要既有广度——子公司地理位置范围的扩散， 又有深度——各子公司业务量的均衡分配。

在控制变量方面， 企业规模Size对保险企业的盈利能力与拓展能力均有显著的正向影响， 证明了马太效应在保险产业的普遍存在。 股本回报率ROE反映了股东的收益水平， 具有较高ROE的保险企业具有稳健经营的特点， 在提供保险产品时则可能存在风险规避的倾向， 该特征在回归中的表现为降低了保险企业的保费收入， 但显著提高了保险企业的保费净收入增长率。 风险资产比率Risky对保险企业保费净收入增长率存在显著负向影响， 说明保险企业风险资产比率越高， 企业融资成本越高， 经营现金流越不稳定， 这些都会对企业的未来发展产生不良影响。 安全性资产比例Money的核心指标是保险企业持有的货币资本， 此类资本具有流动性强、安全性高的特点， 能够有效地降低保险企业的经营风险， 同时也能为产业拓展提供资金支持， 因此， Money对保费收入及其增长率具有显著的正向影响。

2. 产险企业与寿险企业表现的异同。 在分析了保险企业整体样本的回归结果后， 本文分别对产险企业和寿险企业子样本进行了回归， 以观察两类保险企业实证结果的差异， 回归结果见表6和表7。

对比表6、表7与整体样本的回归结果， 可以发现， Dist的显著性在三个样本回归中保持一致， 即对保险企业的经营收益和业务拓展都具有显著正向影响， Firm_HHI和Frim_EI的系数在寿险企业子样本的回归结果中同样显著。 但在产险企业子样本中， Firm_HHI和Frim_EI对产业拓展因变量的符号一致， 但效果不显著。 由此可见， 对寿险企业而言， 各子公司间的业务均衡将会影响企业未来的业务发展， 而该特征对产险企业的影响并不明显。 这是因为产险企业所经营的业务对象——财产， 在经济中心的集中程度要大于寿险企业所经营的业务对象——消费者。 仅以2018年国家统计局数据计算， 北京市GDP占全国的3.31%， 人口占全国的1.54%， 资本集中度为人口集中度的2.15倍， 上海市GDP占全国的3.57%， 人口占全国的1.73%， 资本人口集中度之比也接近2倍， 经济比较发达的省份如广东省、浙江省、江苏省等都具有资本集中度大于人口集中度的特征。 综上， 产险企业子公司间的业务量不平衡对未来发展的影响要小于寿险企业。

比较控制变量的结果， Size和ROE的结果在三个样本回归中基本一致， 在寿险企业中， ROE多显著为正， 证明了稳健经营对寿险企业更有利。 Lev对产险企业未来发展产生了显著的负向影响， 而寿险企业则反之， 反映了产险业务较之寿险业务更具高风险性， 高杠杆加剧了这一问题。 此外， 其他控制变量并未在两类保险企业中产生稳定的显著效应。

3. 稳健性检验。 上文已提及保险企业设立子公司选址时的一般策略， 即由经济中心城市向经济不发达城市延伸。 因此， Dist可能会受到保险产业子公司数量的影响， 即保险产业规模越大， 则会设立越多的子公司， 子公司的位置向经济不发达地区扩展速度越快。 为了能够更直接地剔除子公司数量对Dist的影响， 本文首先对下式进行回归：

Distt=α+βSub_Numt+ε

Sub_Numt为保险产业t年的子公司数量， 由此可得剔除子公司数量影响的保险企业选址变量：

Df_Distt=Distt-βSub_Numt=α+ε

本文用Df_Dist替代Dist对上述三类样本和两个模型进行回归， 结果见表8、表9和表10。

由表8、表9和表10可知， 保险产业空间离散和业务离散对产业经营拓展的正面效果并未随着子公司数量因素的剔除而消失， 稳健性检验的结果和主要回归结果基本一致。 由此得证， 本文的主要结论是稳健的， 并在不同子样本下表现出了符合其样本特征的规律。

四、结论与建议

1. 结论。 本文讨论了保险产业空间离散和业务离散对业务收益和产业拓展的影响， 实证检验了本文提出的两个假设， 得出如下结论：

第一， 保险产业空间离散显著提升保险产业的业务收益和产业拓展能力。 第二， 保险产业业务离散对业务收益与产业拓展均有显著正向影响， 业务集中度则反之。 第三， 产险企业的业务收益与产业拓展对空间离散与业务离散的依赖程度较寿险企业低， 这是由于两类保险企业业务性质的不同及各地区资本集中度与人口集中度的客观差异导致的。

2. 建议。 本文对保险产业的经营发展提出以下具有可行性的建议：

第一， 基于对保险产业稳健经营与良性发展的考虑， 在设立子公司时， 保险企业应当选择距离经济中心较偏远的城市。 经济中心城市具有经济发展程度高、人口密度大、人均收入高等特点， 从而形成了较大的保险需求和保险市场， 但同时也导致了产业内及企业内的过度竞争甚至彼此倾轧， 严重影响企业业务收益， 并同时挤占了保险企业向其他非中心城市拓展的资源。 保险产业对经济中心城市的饱和供给既不利于各区域保险产业的高质量发展， 也不利于我国保险产业的进一步增长， 在距离经济中心较远的地区设立子公司是保险产业发展的必由之路。

第二， 保險企业各子公司间的业务平衡应在保险产业拓展过程中受到关注和重视。 各区域子公司的运营都需要一定额度的固定成本， 如果将大量保险业务聚集于少数子公司， 而大量子公司业务量却不足。 这一方面将使设立子公司的沉没成本与运营费用无法得到及时弥补， 不利于企业的整体发展; 另一方面， 错失了子公司在非中心城市抢占新兴市场的良机， 不利于未来业务开展。 因此， 保险产业应适当平衡各子公司之间的业务量， 真正做到业务离散， 而不应当特别关注少数子公司， 导致企业内部业务分配的失衡失效。

第三， 鉴于中国目前经济发展的实际情况， 在中心城市， 资本密度远大于人口密度， 所以， 相比于寿险企业， 产险企业在设立子公司和分配各子公司间业务量时， 可以更偏向于经济中心城市， 但显然这仅仅是应对当前我国资本和人口分布不均匀的权宜之计。 从长远看， 保险产业在全国各个城市的均衡发展将是我国保险产业成熟后的必然趋势。

第四， 由保险企业资产规模引起的正效应可知， 相对于资本量较小的保险企业， 资本量较大的保险企业实力更强， 产业拓展能力更高， 在竞争中更具有优势， 这是普遍存在于产业竞争中的基本规律。 因此， 资本量较小的保险企业应更积极地向非中心城市发展， 避免与大型保险企业正面冲突， 防止自身发展受到遏制。 另外， 保险企业因其经营的特殊性和长期性， 不宜持有过多风险资本， 只有持有较多安全资本并采取较平稳的经营模式和资本结构才能加快提升保险企业业务拓展效率。

【 主 要 参 考 文 献 】

[ 1 ]   Krugman P.. History and Industry Location： The Case of the Manufacturing Belt[ J].American Economic Review，1991（81）：80 ～ 83.

[ 2 ]   Sukkoo Kim. Expansion of Markets and the Geographic Distribution of Economic Activities： The Tends in U.S. Regional Manufacturing Structure，1860-1987[ J].Quarterly Journal of Economics，1995（4）：881 ～ 908.

[ 3 ]   David B. Audretsch， Maryann P. Feldman. R&D Spillovers and the Geography of Innovation and Production[ J].The American Economic Review，1996（3）：630 ～ 640.

[ 4 ]   Mary Amiti.New Trade Theories and Industrial Location in EU： A Survey of Evidence[ J].Oxford Review of Economic Policy，1998（2）：45 ～ 53.

[ 5 ]   Davies S.， Lyons B.. Industrial Organization in the European Union[ J].Molecular Reproduction & Development，2005（4）：92 ～ 107.

[ 6 ]   Mano Y.， Otsuka K.. Agglomeration Economies and Geographical Concentration of Industries： A Case Study of Manufacturing Sectors in Postwar Japan[ J].Journal of the Japanese & International Economies，2000（3）：189 ～ 203.

[ 7 ]   Aiginger K.， Pfaffermayr M.. The Single Market and Geographic Concentration in Europe[ J].Review of International Economics，2004（1）：1 ～ 11.

[ 8 ]   吴学花，杨蕙馨.中国制造业产业集聚的实证研究[ J].中国工业经济，2004（10）：36 ～ 43.

[ 9 ]   Lariviere V.， Gingras Y.， Archambault E.. The Decline in the Concentration of Citations，1900-2007[ J].Journal of the American Society for Information Science & Technology，2009（4）：858 ～ 862.

[10]   Baier N.， Sax L. M.， Sundmacher L.. Trends and Regional Variation in Rates of Orthopaedic Surgery in Germany： The Impact of Competition[J]. European Journal of Health Economics， 2019（20）：N/A.

[11]   Jha A. P.， Singh S. K.. Does Diversity Matter？ A Fresh Inquiry into the Energy， Economy and Environment Nexus[ J].Applied Economics，2020（52）：N/A.

[12]   Ellison G.， Glaeser E. L.. Geographic Concentration in U.S. Manufacturing Industries： A Dartboard Approach[ J].Journal of Political Economy，1997（5）：889 ～ 927.

[13]   Maurel F.， Sédillot B.. A Measure of the Geographic Concentration in French Manufacturing Industries[ J].Regional Science & Urban Economics，1999（5）：575 ～ 604.

[14]   Callejón M.. Concentratión Geográphic de la Industrial Ecnomiasde Agglomeratión[ J].Economic Industrial，1997（5）：61～68.

[15]   Houdebine M.. Concentration Géographique des Activitiés et Specialization des Départments Francais[ J].Regional Science and Urban Economics，1999（29）：575 ～ 604.

[16]   Rosenthal S. S.，Strange W. C.. The Determinants of Agglomeration[ J].Journal of Urban Economics，2001（2）：191 ～ 229.

[17]   Henderson V. J.. Marshall's Scale Economics[ J].Journal of Urban Economics，2003（53）：1 ～ 28.

[18]   Ripley B. D.. The Second-Order Analysis of Stationary Point Process[ J].Journal of Applied Probability，1976（2）：255 ～ 266.

[19]   Besag J. E.. Comments on Ripley's Paper[ J].Journal of the Royal Statistical Society，1977（2）：193 ～ 195.

[20]   Diggle P. J.， Chetwynd A. G.. Second-Order Analysis of Spatial Clustering for Inhomogeneous Populations[ J].Biometrics，1991（3）：1155 ～ 1163.

[21]   Marcon E.， Puech F.. Evaluating the Geographic Concentration of Industries Using Distance-based Methods[ J].Journal of Economic Geography，2003（4）：409 ～ 428.

[22]   Marcon E.， Puech F.. Measures of the Geographic Concentration of Industries： Improving Distance-based Methods[ J].Journal of Economic Geography，2009（5）：745 ～ 762.