出口信用保险市场是否存在代表性启发效应

作者简介：张璐（1991—），女，甘肃定西人，对外经济贸易大学博士研究生，西北民族大学经济学院讲师，研究方向：商业保险、行为保险学。

摘要：基于贝叶斯概率模型，采用2009—2019年的省级面板数据，通过动态GMM回归分析出口信用保险市场是否受到代表性启发效应的干扰。研究表明：受制于代表性启发的决策者扭曲未来损失的概率估计，形成损前投保不足、损后过度投保的需求模式；代表性启发确实影响我国出口信用保险的需求市场，但时间递减效应不显著。

关键词： 代表性启发效应；出口信用保险；行为偏差

中图分类号：F069.9；F840.6文献标识码：A文章编号：1003-7217（2023）03-0043-07

一、引言与文献综述

出口信用保险是降低跨境贸易支付风险的重要工具，在宏观层面充分发挥着 “逆周期”调节作用[1]，在微观层面保护出口商免受不付款风险。自2015年以来，《政府工作报告》已连续八年明确提及出口信用保险的有关内容。而近期受外部环境复杂性和国内外疫情频发的影响，市场主体企业经营难度显著增大，经营形势不容乐观[2]。为帮助外贸企业克服困难、迎接挑战，国务院、商务部等部门多次强调要“进一步拓宽出口信用保险覆盖面”，维护产业链及供应链安全稳定，完成进出口保稳提质的任务目标。

中信保2020年度报告显示，出口信用保险对全国出口总额的覆盖率为22%，虽高于世界平均水平，但仍与传统保险需求理论的预测不符。传统的企业最优投保理论最初由Mossin提出，他基于期望效用最大化原则证明了决策者在面临精算公平保费时会选择购买全额保险[3]；但是Mayers和Smith认为，可保风险能够通过分散化投资消除，不投保才是企业的最优策略[4]。显然，上述两种观点均不能充分拟合现实情形。我国出口信用保险属于政策性保险，与Mossin等人的预测相比，市场发展现状处于“投保不足”阶段；但相较于Mayers等的观点而言又处于“过度投保”状态。如果按照理性行为的标准判断，那么以上两种现象均属于“保险异常”。

在已观察到的各类保险异象中，投保过度或投保不足是较为突出的两种市场表现[5]，对经典理论构成了巨大挑战。传统的理性学派认为，这种反应过度和反应不足都可以通过有效市场范式得到解释[6，7]，而行为偏差学派对此提出了质疑，于是尝试构建各种有限理性行为模型或引入各类非理性行为因素来更好地描述这两种现象[8，9]，代表性启发就是其中一种偏差类型。代表性启发最早由Tversky提出，用来刻画人们预测未来状态时受到以往类似事件影响的思維模式[10]，即通过过往经历或回忆辅助现时决策。实践证明代表性启发可能是一种高效的思维捷径，但有时也会造成严重的行为偏差[11]。因为这种思维模式主要通过典型或近期事件构建代表性信息子集，理所当然地认为过去代表未来[12，13]，所以在信息更新时可能违背理性贝叶斯规则[14]，从而导致判断偏误，做出非理性决策。

个人很难处理小概率大损失的风险信息[15]，因此在保险需求决策中也会频繁使用启发式思维[16，17]。目前，启发式在保险领域的研究内容主要聚焦于损失概率的判断和解释[18]，研究方法涵盖理论推导和实证检验两个维度。在理论层面，代表性

启发引起概率判断偏差，在损失未发生时低估概率，抑制保险需求；在损失发生后高估概率，刺激保险需求[19]。在实证层面，大量学者也发现了代表性启发影响投保决策的证据。洪灾发生前后，受灾地区的保险需求发生逆转 [20]，这表明一旦亲历洪水灾害，个人就会高估未来洪灾的可能性，然后寻求更多的保险保障[21]。类似地，严重的暴风雨不仅会促进更高的洪水保险购买，还会进一步降低免赔额水平[22]。此外，在地震保险市场中也发现许多代表性启发扭曲保险决策的现象 [23，24]。综上，现有文献指出代表性启发效应可能导致使用者对风险的先验概率不敏感、对参考样本的规模不敏感，从而严重低估或高估损失概率，于是在不同的保险市场中出现投保不足或投保过度等“异象”。但是鲜有文献涉及出口信用保险领域。我国出口信用保险是政策性保险，保险渗透率普遍较低，面临需求疲软等发展困境。除传统的市场因素外，企业的行为因素可能也会影响保险需求。鉴于此，考察我国出口信用保险市场上是否存在代表性启发效应，识别启发式思维引致的需求模式，有助于减轻非理性因素对保险需求的影响，从而改善出口信用保险增长乏力的现状，进一步扩大出口信保的覆盖范围。

二、理论模型

代表性启发意味着个人常常无意识地将信息子集视为信息总体的代表[10]，忽略保险事件的随机性与偶然性，认为过往经历表征着同质风险的损失分布。当子样本只涵括最新信息时，代表性启发式的思维体系将引致决策者对最近事件的结果赋予过高权重，即对先验概率重视不足以及对后验概率过度关注[14]。以此为模型演化的基础，构建代表性启发影响出口信用保险需求的理论框架。

（一）代表性启发对损失概率估计的影响

用p1表示本期信用风险不发生且下一期也不发生的概率，p2表示本期损失发生但下一期不发生的概率。显然，对于完全理性的决策者而言，无论是第t期还是第t+1期，独立随机事件发生与否不受上一期状态结果的影响，即p1=p2=p。相比之下，若决策者非完全理性，其思维受代表性启发的支配，则会导致p1>p>p2，意味着若第t期未出现违约事件，决策者将提高下一期损失也不发生的概率估计，结果导致过度低估损失发生的概率（1－p1）。同样，如果第t期造成损失，代表性启发决策者将高估下一期的损失概率（1－p2）而低估p2。

三、变量描述与模型构建

由于企业微观资料难以获取，参考Dumm等的做法[25]，选取中国出口信用保险公司各营业部作为主要研究对象①，共涉及22个省（区、市）的出口信用保险数据。又由于《中国保险年鉴》从2009年开始才有中信保分营业部报告的详细信息，于是最终采用2009—2019年的样本数据，剔除异常值后把个别单列城市纳入对应的省级层面合并统计②，然后检验代表性启发对出口信用保险需求的影响。

（一）变量设定与描述

1.被解释变量：信用保险保费收入（Premium，单位：百万元）。我国出口信用保险是政策性保险，中信保作为唯一的官方ECA（export credit agency），占据信用保险市场中绝大部分市场份额，因而可以较好地代表我国出口信用保险市场。此外，为了鼓励更多的出口企业运用保险降低风险，在商务部等相关部门的指导下，中信保连续多年下调结构性平均费率，因此保费收入的增加能直接刻画消费者保险需求的扩张。

2.解释变量：核心解释变量选取为保险损失，用信用保险的赔付金额（Indemnity，单位：百万元）衡量。代表性启发最显著的特征是决策者会因过往损失经历而扭曲未来概率估计，尤其是近期发生的同质风险，往往是触发代表性启发思维的重要参考[26]。考虑到出口信用保险实务，从保费缴纳、货物交付、损失发生、索赔申请、理赔调查到最终的赔款支付，这一流程往往耗时数月甚至数年，导致赔付数据与保费收入的统计期间本身具有一定程度的错配，当期赔付无法及时反映当期损失，存在时滞性。而且根据中信保历年赔付资料发现，出口信用保险赔案的平均结案时间约为300天。因此，当期赔付实际上反映的是上期保险事故的损失状况，于是在实证研究中把当期赔付金额视为“近期损失”，重点关注其对当期保费收入的影响。

3.控制变量：根据现有文献，影响出口信用保险需求的主要因素包括出口额、企业规模、生产能力以及客观出口风险等[26，27]。对应省级层面的数据，选取相应省（区、市）的年出口额（Export，单位：百万美元）、地区生产总值（GDP，单位：百万元）、规模以上企业数量（Firms，單位：个）以及全球政治风险指数（GPR）作为控制变量。其中，前三个变量的观测取自EPS数据库，全球政治风险指数（GPR）来源于学者Caldara和 Iacoviello构建的政治风险指标，它是基于全球最具影响力的十种报纸③中有关地缘政治紧张局势的文章所构建的衡量世界各地地缘政治风险强度的年度指标。一般而言，地缘政治风险越高，发生经济灾难的可能性越大，全球出口违约风险越高，因此保险需求增加。各变量的描述性统计如表1所示。

（二）模型设定与估计方法选择

为了探究我国出口信保市场是否存在代表性启发效应，在设定模型时，需要考虑以下三个方面：首先，核心自变量（赔付金额）与因变量（保费收入）可能存在反向因果关系；其次，由于经济活动惯性和经济行为的持续性，保费收入可能会受到上一期的影响[28]；最后，由于获取的样本数据具有“小T大N”的短面板特点，传统的组内回归可能存在严重偏差。动态广义矩估计可以有效避免以上可能导致的内生性问题，因此引入因变量的一阶滞后作为解释变量，建立如下的动态GMM面板模型：

回归模型对各变量取对数形式，其下标i、t分别表示第i个省（区、市）第t年的观测值，μi表示省（区、市）固定效应。考虑到保险期间与统计年度不完全重合，大部分保单都横跨两个自然年度，投保决策可能同时受到上期期末及当期发展的影响，因此加入地区生产总值的当期值与滞后一期的观测值作为控制变量。

此外，Dumm等发现[23]，过往损失对保险需求产生的影响将随着时间的流逝逐渐减弱。换句话说，损失事件距离决策时点越远，代表性启发效应越弱。因此在上述模型的基础上又依次增加了赔付金额的k阶滞后项以验证我国出口信用保险市场中是否也存在这种“时间递减效应”，回归模型为

由于客观因素的限制，样本期间仅包含11年的数据，权衡滞后阶数增加与样本量减少的矛盾后，最终选择最高滞后二阶的赔付数据作为核心解释变量，其他控制变量与式（13）保持一致。动态面板的估计通常采用差分GMM或系统GMM两种方法。差分GMM无法估计不随时点变化的变量的参数，且差分后的解释变量仍然可能存在内生性问题，而系统GMM能进一步提高估计效率[29]。此外，广义矩估计又可分为一步估计（Onestep）和两步估计（Twostep）。当存在自相关和异方差时，Twostep估计结果更加稳健。综上，在基准回归中主要选择系统GMM两步法对式（13）、式（14）的模型系数进行估计，然后从不同角度验证稳健性。

四、实证检验与结果分析

（一）基准回归结果

首先，根据系统GMM法，考虑到样本数据本身“小T大N”的特征，为了尽可能减少样本量的损失以及提高工具变量过度识别的有效性，在基准回归中选择被解释变量的二阶滞后项作为GMM式工具变量，其他变量均视作IV式工具变量，得到的回归结果见表2。模型1对应于回归方程（13），仅加入赔付金额的当期值作为核心解释变量的情况下，赔付金额显著影响信用保险的市场需求，具体表现为赔付金额每增加1%将刺激保费收入增加0.228%。这与理论推导的结论保持一致，即近期损失确实会增加保险需求，说明我国出口信用保险市场存在代表性启发效应。

然后，借鉴Dumm等的做法[23]，逐步加入赔付金额的1阶、2阶滞后项以验证代表性启发的时间效应，估计结果分别见表2模型2和模型3。由回归结果来看，只有核心解释变量的当期值影响显著，其他滞后项的系数虽然逐渐减小，但在统计角度并不支持损失发生的时间越早其影响越小的结论。这与Dumm等在美国房屋保险市场中的发现不同[23]，本文的样本数据只能说明我国信用保险市场上并不存在代表性偏差的时间效应递减现象，出口信用保险需求的驱动因素可能仅限于最近损失，发生时间较久远的违约赔偿事件或许因记忆模糊而不影响当期决策。

此外，模型1～模型3的Hansen 检验P值都大于0.1，不能拒绝工具变量全部外生的原假设，说明设置的工具变量有效。AR（1）和AR（2）的检验显示，扰动项的一阶差分存在自相关，但不存在二阶序列相关，满足系统GMM的假设条件。综合以上两个检验结果，充分说明基准回归的模型设定较为合理。

控制变量回归结果显示，信用保险的投保决策的确具有行为惯性，表现为上期保费收入对当期保险需求具有显著的正向影响；此外，在模型1与模型2中出口额与保险需求之间也呈现出明显的正相关关系，这也符合出口信用保险的经营原理：一般而言，出口额增加，出口信用保险的承保规模也会随之扩大，进而保费收入增加。其他控制变量与保险需求之间并不存在显著或稳定的线性关系。

（二）稳健性分析

为了验证基准回归结论的稳健性，分别从以下四个角度进一步检验出口信用保险市场中的代表性启发效应，结果见表3。

首先，改变动态面板数据的估计步骤，由基准回归中的两步法（Twostep）变为一步法（Onestep），估计结果如表3模型4所示，系数仍然显著。

其次，使用被解释变量的二阶和三阶滞后项作为GMM式工具变量，以考察工具变量的设定是否影响基准分析的结论。表3模型5显示代表性启发效应仍然存在。此外，Hansen检验的P值已经接近1，说明使用的工具变量过多，可能降低其有效性，因此在基准回归中仅引入二阶滞后作为工具变量更加合理。

再次，把赔付金额视作内生解释变量考察结论是否依然成立。在基准回归中，无论是理论层面还是实务层面，当期赔付金额本质上都是上期保险事故的时滞反应，因此作为外生变量加入模型。但考虑到实际中，赔付金额也可能与当期保费收入的统计期间存在少量重叠，由此导致因变量与解释变量出现双向因果关系，于是此处把赔付金额视作内生变量，再利用其二阶滞后项作为GMM式工具变量进行估计。表3模型6显示，即使考虑解释变量的内生性问题，实证结果也未改变。

最后，通过加减控制变量的个数验证估计结果是否稳健。模型7表明，即使去掉地区生产总值的一阶滞后项，过往损失对信用保险需求的促进效应也还是在1%水平上显著。类似地，无论是增加各控制变量的一阶滞后或是删去某一控制变量等不同的模型设定，回归结论都保持不变④，即我国出口信用保险市场确实存在代表性启发效应。

五、结论与启示

本文主要研究我国出口信用保险市场上是否存在用近期损失作为决策样本的代表性启发效应，得到如下结论：理论模型表明，不受代表性启发影响的出口商使用期望利润最大化原则进行决策时，无论是否收取精算公平保费，都不愿购买全额保险；而受制于代表性启发的决策者显著依赖于过往损失状态，若上期遭遇过违约事件，则会高估下期损失概率，即使保险定价不公，也会购买出口信用保险；实证结果显示，在紧随损失发生后的时间段内，保险需求显著增加， 但这种效应仅限于上年度的损失状况，随着记忆逐渐模糊，更加久远的损失对出口信用保险需求的影响并不显著。最后，从模型估计方法、工具变量设置、控制变量选取以及内生性讨论等方面验证了实证结果的稳健性。

以上结论对未来出口信用保险的发展具有如下启示：（1）政府和保险机构应加强形势跟踪研判，利用开放平台及时发布信用违约率高的国家、地区或进口商动态，以持续不断的提醒和引导等方式提高企业的风险意识，减轻代表性启发的影响；（2）增强供给侧的主动性和前瞻性，积极深入地了解代表性启发等行为偏差对消费者投保决策的影响途径和影响程度，从而更好地支持出口信保发挥其政策性功能。

注释：

① 包括北京、天津、河北、山西、辽宁、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、重庆、四川、云南、陕西共22个省（区、市）。

② 其中宁波营业部数据并入浙江省，厦门营业部数据并入福建省，深圳营业部数据并入广东省，总营业部数据并入北京市。

③ 这十种报纸包括《芝加哥论坛报》《每日电讯报》《金融时报》《环球邮报》《卫报》《洛杉矶时报》《纽约时报》《今日美国》《华尔街日报》和《华盛顿邮报》；指数下载来源：https：//www.matteoiacoviello.com/gpr.htm。

④ 由于篇幅限制，其他删除或增加变量以改变控制变量个数的稳健性结果略去，感兴趣的读者可联系作者。

參考文献：

［1］王稳，陈字旺，张阳，等. 新冠疫情， 全球政治风险市场与出口信用保险的创新发展 [J]. 保险研究， 2020（10）：21-34.

［2］梁向东，井中鸣，陈懋林.制度异质性、外生冲击与对外贸易结构——基于断点回归的短期与长期判断[J].财经理论与实践，2022，43（2）：58-66.

［3］Mossin J. Aspects of rational insurance purchasing[J]. Journal of Political Economy， 1968，76（4）：553-568.

［4］Mayers D， Smith C. On the corporate demand for insurance[J]. Journal of Business， 1982，55（2）：281-296.

［5］Kunreuther H， Pauly M. Rules rather than discretion： lessons from hurricane Katrina[J]. Journal of Risk and Uncertainty，2006，33（1）：101-116.

［6］French F K R. Multifactor explanations of asset pricing anomalies[J]. Journal of Finance， 1996，51（1）：55-84.

［7］Brav  A， Heaton J B. Competing theories of financial anomalies[J]. Review of Financial Studies，2002，15（2）：575-606.

［8］Barberis N， Shleifer A， Vishny R. A model of investor sentiment[J]. Journal of Financial Economics，1998，49（3）：307-343.

［9］Lam K， Liu T， Wong W K. A pseudo-Bayesian model in financial decision making with implications to market volatility， under- and overreaction[J]. European Journal of Operational Research，2010，203（1）：166-175.

［10］Tversky K A. Subjective probability： a judgment of representativeness[J]. Cognitive Psychology，1972（3）：430-454.

［11］Hirshleifer D， Levi Y， Lourie B， et al. Decision fatigue and heuristic analyst forecasts[J]. Journal of Financial Economics，2019，133（1）：83-98.

［12］Guo X， McAleer M J， Wong W K， et al. A Bayesian approach to excess volatility， short-term underreaction and long-term overreaction during financial crises[J]. The North American Journal of Economics and Finance， 2017，42：346-358.

［13］Pompian M M. Behavioral finance and wealth management： how to build investment strategies that account for investor biases[J]. Financial Analysts Journal， 2012，63（2）：107-108.

［14］Grether D M. Bayes rule as a descriptive model： the representativeness heuristic[J].The  Quarterly Journal of Economics，1980，95（3）：537-557.

［15］Kunreuther H， Novemsky N， Kahneman D. Making low probabilities useful[J]. Journal of Risk and Uncertainty， 2001，23（2）：103-120.

［16］Browne M J， Knoller C， Richter A. Behavioral bias and the demand for bicycle and flood insurance［J］. Journal of Risk and Uncertainty， 2015， 50（2）： 141-160.

［17］Lacetera N， Pope D G，Sydnor J R，et al. Heuristic thinking and limited attention in the car market[J]. American Economic Review，2012，102（5）：2206-2236.

［18］McClelland G H， Schulze W D， Coursey D L. Insurance for low-probability hazards： a bimodal response to unlikely events[J]. Journal of Risk and Uncertainty，1993，7（1）：95-116.

［19］Volkman-Wise J. Representativeness and managing catastrophe risk[J]. Journal of Risk and Uncertainty， 2015，51（3）：267-290.

［20］Browne M J， Hoyt R E. The demand for flood insurance： empirical evidence[J]. Journal of Risk and Uncertainty，2000，20（3）：291-306.

［21］Gallagher J. Learning about an infrequent event： evidence from flood insurance take-up in the United States[J]. American Economic Journal Applied Economics， 2014，6（3）：206-233.

［22］Michel-Kerjan E O， Kousky C. Come rain or shine： evidence on flood insurance purchases in Florida[J]. Journal of Risk and Insurance，2010，77（2）：369-397.

［23］Dumm R E， Eckles D L， Nyce C， et al. The representative heuristic and catastrophe-related risk behaviors[J]. Journal of Risk and Uncertainty，2020，60（2）：157-185.

［24］Kunreuther H. Mitigating disaster losses through insurance［J］.Journal of Risk and Uncertainty， 1996， 12（3）： 171-187.

［25］Dumm R E， Eckles D L， Nyce C， et al. Demand for windstorm insurance coverage and the representative heuristic[J]. The Geneva Risk and Insurance Review， 2017，42（2）：1-23.

［26］Braun A， Fischer M. Determinants of the demand for political risk insurance： evidence from an international survey[J]. The Geneva Papers on Risk and Insurance-Issues and Practice， 2018，43（3）：397-419.

［27］Graham-Rozen M， Michelson N. Credit insurance in Israel： an initial overview and analysis of considerations affecting the acceptance rate[J]. Israel Economic Review，2020，18（1）： 177-214.

［28］黃星刚，杨敏.互联网保险能否促进保险消费——基于北大数字普惠金融指数的研究[J].宏观经济研究，2020（5）：28-40.

［29］Blundell R， Bond  S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics， 1998，87（1）：115-143.

（责任编辑：厉亚）