中国保险排除度空间集聚与差异：空间计量经济实证分析，本文主要内容关键词为：空间论文,实证论文,中国保险论文,差异论文,经济论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
“十二五”规划纲要提出坚持“广覆盖、保基本、多层次、可持续”方针，加快推进覆盖城乡居民的社会保障体系建设，实现新型农村社会养老保险制度全覆盖，其中，特别强调要发挥商业保险的补充作用。但是，从相关数据来看，我国商业保险远未达到要求。统计数据显示，2011年我国保险营业性机构每万人只有0.5家，保险密度仅为每人1062元(2007年日本为3320美元、美国4087美元)，保险深度为3%(2011年亚洲国家平均水平为5.85%)，这说明我国保险业与其他国家存在较大差距，许多人未能享受保险服务带来的普惠，存在着严重的保险排除现象①。
保险排除的概念是从金融排除的概念延伸而来的，是指经济基础薄弱的社会弱势群体由于经济、地理等客观原因不能获得保险服务或产品的经济现象。保险是金融业的重要组成部分，完整的金融体系应是包容性的、普遍惠及于社会各阶层群体的，人人都应享有公平的信贷机会和金融服务，这是金融机构和金融体系的社会责任，是和谐社会所必需的。然而，我国作为世界第二大经济体，金融业发展滞后，保险业更是金融业中的薄弱部分，不能满足人们的保险需求，存在着保险排除现象。我国的保险排除现状到底如何？保险排除度是否存在区域的空间依赖性？影响保险排除的因素是什么？本文以这些问题为线索，探索我国保险排除度的空间集聚及影响因素，为理论和实践提供参考。
二、相关文献回顾
回顾国内外研究文献，关于保险排除的研究主要集中在三个方面：一是保险排除现象分析及定义的研究。Kempson和Whyley(1999a)、FSA(2000)和Sinclair(2001)的研究都显示，保险产品在众多被排斥的金融产品中较为突出。在《Financial Exclusion in Europe(2007)》和欧洲委员会2008年的报告《Financial Services Provision and Prevention of Financial Exclusion》中，保险排除只是与银行交易排除、储蓄排除、信贷排除一起作为金融排除的现象，但没有给出定义。国内对保险排除度的研究很少。徐少君(2009)把保险排除作为金融排除的一个考察内容。张艳萍(2013)在综述了国内外保险排除问题的基础上，对保险排除的概念作了界定，认为保险排除和金融排除(一般对象指地区、行业、群体)不同，其对象主要是人，具体是指穷人或弱势群体由于经济等因素不能获得商业保险产品或服务的现象。二是保险排除的测量及影响因素分析。目前的文献主要是借鉴金融普惠指数的测算方法，如张艳萍(2013)构造了保险排除度的指标体系，测算出我国31个省市的保险排除度，并分析了保险排除度的10个影响因素。在保险排除度影响因素分析上，国外的研究认为种族、性别、受教育程度等对保险排除有重要的影响。如Taewoo Kim(2012)研究发现，欧裔、亚裔、非裔、韩裔拥有医疗保险的比例存在差异，其中欧裔、亚裔拥有比例最大，韩裔最小。Jianakoplos和Bernasek(1998)认为女性比男性具有更强的风险规避倾向，但很少选择保险产品来实现，从而更容易受到保险产品排斥，男性更倾向于拥有养老保险。Chakrabarty(2011)认为受教育水平低的印度人对保险了解很少并且实际中很少接触保险产品。三是保险排除对外部环境的影响研究。Leyshon和Thrift(1995)认为金融排除对象当面临不能使用诸如养老金在内的保险产品时，会引发经济主体的金融风险问题。
以上文献为本文的研究提供了帮助和借鉴，但也存在以下不足：一是目前关于保险排除度区域差异的研究忽略了空间的影响作用。二是在模型设定上，忽略了保险排除度的空间相关性，导致影响因素的传统回归分析方法估计的无效或偏差，不能真实反映变量之间的关系。对此，本文在前人的研究基础上作进一步探讨：通过对保险排除度进行测算并综合运用全局、局域空间自相关分析，考察我国保险排除度的空间集聚性。此外，运用空间误差模型对我国31个省域的保险排除度作影响因素分析，进而提出消除保险排除的合适机制。
三、保险排除度的空间相关性分析
(一)保险排除度的测量。
1、保险排除度的构建方法。Mandira Sarmag(2008)提出了金融普惠指数(Index of financial inclusion)的概念，该指标涵盖了三个方面：产品接触性、地理渗透性和使用效用性，可以充分衡量金融的普惠程度。
其中，
分别表示金融地理渗透性维度、金融产品接触性维度、金融产品使用性。IFI值在[0，1]之间，当IFI=0时表示完全的金融排除，IFI=1则表示完全的金融普惠。相应的金融排除指数(IFE，Index of Financial Exclusion)即为1-IFI。本文借鉴金融排除指数的计算方法，构建保险排除指数(IIE，Index of Insurance exclusion)如下：
其中，
表示保险机构和人员的渗透性，用每百平方公里保险机构网点数、每万人保险机构网点数表示，并分别赋予权重为0.5。
表示保险服务的效用性，主要选取保险密度和保险深度来衡量，权重分别赋予0.5。表示保险产品服务可获得性，衡量消费者对保险产品的接触情况，选取保额/GDP、保险赔款/GDP表示，分别赋予权重0.5。具体指标解释如表1所示。
2、数据来源及指标测度。本文选取我国2011年31个省市自治区(以下简称“省域”)作为研究样本。有关保险的各个指标来源于2012年《中国统计年鉴》、各省自治区年鉴和《中国保险年鉴》以及中国保险监督管理委员会网站。表2给出了计算保险排除度所选取指标的统计描述。
根据(2)式，各个省域的保险排除度计算结果如表3所示。
(二)空间自相关性分析。
1、全局域空间自相关分析。检验保险排除度是否存在空间相关性，本文使用空间自相关Moran指数，其计算公式如下所示：
表示第i地区的观测值，在本文中特指保险排除度IIE，n为地区总数(n=31)；
为二进制的邻接空间权值矩阵，表示其中的任一元素，采用邻接标准或距离标准，其目的是定义空间对象的相互邻接关系，便于把地理信息系统(GIS)数据库中的有关属性放到所研究的地理空间上来对比。一般邻接标准的为：
Moran指数的取值范围是[-1，1]，若各省域间保险排除度是空间正相关的，其数值就越接近1；负相关则越接近-1。当保险排除度在各省域的分布相互独立时数值为0。
Moran指数有其对应的服从正态分布的期望值和方差，据此可以构建Z统计量对Moran指数进行统计检验。
为检验保险排除度集聚现象的空间依赖性，在测算2011年中国31个省域的保险排除度的基础上，利用空间计量软件计算Moran指数，具体如表4。结果显示，我国31个省域保险排除性集聚现象具有明显的空间依赖性(集聚性)。也就是说，我国保险排除性在空间上并非表现出随机分布状态，而是表现出特征值集聚态势。
2、局部空间自相关分析。为进一步分析我国保险排除度的空间集聚特征，本文给出了局域Moran指数散点图(见图1)。图1显示2011年中国31个省域的保险排除度大致呈正的空间相关性态势，我国保险排除度的空间分布可以分为四个集聚模式：第一象限(图右上方)为热点区(HH)，表示区域自身和周边地区的保险排除度水平均较高，二者的空间差异较小，存在较强的空间正相关。第二象限(图左上方)为异质性突出区(LH)，表示区域自身保险排除度水平较低，周边地区较高，二者的空间差异较大，局域较强的空间负相关。第三象限(图左下方)为盲点区(LL)，表示区域自身和周边地区的保险排除度水平均较低，但是两者存在较强的空间正相关。第四象限(图右下方)表示区域自身保险排除度水平较高，周边区域较低，两者存在较大的空间差异，较强的空间负相关，即为异质性突出(HL)。
图1 2011年中国保险排除度的Moran指数散点图
注：IIE表示2011年我国31个省域的保险排除度。WIIE表示邻近值的加权平均值。
总体来看，我国处于第二、四象限的省域不多(只有7个)，第一、三象限保险排除度出现HH、LL空间相关模式的两极分化，这表明我国省域在保险排除度的地理空间分布上存在着依赖性和异质性。表5显示，呈现HH空间相关模式的省域有18个，这些省域主要分布在我国中西部地区，该地区经济金融发展水平相对较弱，保险排除度普遍偏高，最低的为陕西省(0.71)，最高的为西藏自治区(0.98)，这反映了保险排除度在地理空间分布上的依赖性。处于第三象限的省域为低值集聚，这些省域本身保险排除度较低(平均为0.55)，经济金融发展水平较高，如山东、浙江、江苏、上海、河南、河北等，同时周边地区保险排除度也较低。HL、LH空间相关模式为负区域空间相关，也称作空间离群，具有这类特征的地区称作非典型地区。LH空间相关模式意味着自身保险排除度低于周边地区的保险排除度，比如广东和北京，二者保险排除度都低于0.6，在全国31个省域中仅高于上海。非典型LL地区包括6个省域，这些地区都具有经济发达、对外开放积极、经济制度相对完善等特点。
四、我国保险排除度空间差异影响因素分析
以上分析表明，我国省域之间存在着保险排除度的空间集聚现象，地区差异比较显著。这也进一步说明有必要从空间维度的相关性和异质性出发，对保险排除度集聚的影响因素进行空间计量分析。由于空间相关性的存在，导致普通最小二乘法估计无效，如果忽略空间相关性直接进行估计和推论，则可能导致不恰当的模型设立。鉴于此，本文引入能够解决这些问题的空间计量模型——空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)进行空间回归分析，以期得出保险排除度的影响因素，并据此提出一些指导性的结论和建议。
(一)模型介绍。
空间计量经济学模型有多种类型，本文借鉴已有应用研究(吴玉鸣，2007；任英华等，2010)，所利用的空间计量模型是加入了空间效应(空间相关和空间差异)，适用于截面数据的空间常系数回归模型，包括空间滞后模型与空间误差模型。
1、空间滞后模型(SLM)。空间滞后模型主要用来探讨变量在某地区是否有溢出效应。其表达式：
其中，Y为n×1维因变量向量，X为包含k个解释变量的n×k维向量，Wy为空间滞后因子，ε为随机误差项向量；W为n×n维空间权重矩阵，一般用邻接矩阵(Contiguity Matrix)，β为解释变量系数，ρ为空间自相关系数。假定误差服从均值为零，方差为
的独立同分布，且与解释变量不相关。在空间滞后模型中，参数反映了自变量对因变量的影响，空间滞后因变量Wy是一内生变量，反映了空间距离对区域行为的作用。
2、空间误差模型(SEM)。空间误差模型的数学表达式为：
在(7)式中，ε为随机误差项向量，λ为n×1的截面因变量向量的空间误差系数，μ为正态分布的随机误差向量。参数λ衡量了样本观察值中的空间依赖作用，即相邻地区的观察值Y对本地区观察值Y的影响方向和程度，参数β反映了自变量X对因变量Y的影响。SEM的空间依赖作用存在于扰动误差项之中，度量了邻接地区关于因变量的误差冲击对本地区观察值的影响程度。
对于模型估计方法的选择，如果采用最小二乘法，会出现系数估计值有偏或者无效等问题。本文采用了Anselin(1988)的建议及有关实际运用经验，采用极大似然法估计SEM和SLM的参数。
3、SLM与SEM模型的选择。判断区域保险排除度的空间相关性是否存在，以及SLM和SEM模型适应度选择问题，已经形成了普遍规则，可通过Moran指数检验以及两个拉格朗日乘数形式的LMERR、LMLAG和稳健(Robust)的R-LMERR、R-LMLAG等方式来判断。
目前常用的主要有两种方法：一是Anselin和Florax等(1995)提出的判别准则：在空间依赖性的检验中，如果发现LMLAG较之LMERR在统计上更加显著，且R-LMLAG显著而R-LMERR不显著，则可以断定适合的模型是空间滞后模型；相反，如果LMERR比LMLAG在统计上更加显著，且R-LMERR显著而R-LMLAG不显著，则可以断定空间误差模型是恰当的模型。二是根据拟合优度
、自然对数似然函数值(LogL)、似然比率(LR)、赤池信息准则(AIC)，施瓦茨准则(SC)等来判断。如果对数似然值越大，则AIC和SC值越小，模型拟合效果越好。
(二)变量选取和模型设定。
1、变量选取。关于排除度影响因素的选取，本文参考国内学者如田霖(2007)、王伟(2011)和张艳萍(2013)的研究成果，并结合我国保险行业发展的具体实际情况，选取人均可支配收入、人均GDP、性别比例、教育水平、城镇居民存款、年龄、失业率、交通便利度等8个因素作为解释变量。基于此，本文提出以下假设：
假设1：人口素质对保险排除度有负影响。受教育程度或对保险知识的拥有量，会促进人们对保险产品、服务理念的接受，有利于降低保险排除。但是，现有直接衡量保险知识拥有程度的指标有限，因此本文以地区大专及以上学历人口占总人口比例(JY)近似代替。
假设2：人口年龄构成对保险排除度会产生影响。一般来说，老人和儿童由于经济条件、认知能力所制，风险规避能力弱，避险意识不足(大多认为意外发生可能性较小)，同时商业保险公司开发的保险产品对他们(被认为高风险群体)也具有排除性，因此一个地区老龄化和低龄化程度越高，保险排除度就会越高。本文选取年龄在15-64岁的人口在总人口中的比重(NLBL)来反映各地区的人口年龄结构。
假设3：性别对保险排除度会产生影响。在大多数家庭中，男性收入是抚养子女、维持家庭开支的主要经济来源，因此男性对自己的风险会更加重视，更乐意通过保险方式规避风险。但是有心理学家研究认为，男性对得益更敏感，不会为了未知的得益支付不确定的保费。对于这两种不同说法，本文引入性别比例指标(男性人口/女性人口，XBBL)，来验证性别差异是否对保险排除产生影响。
假设4：居民收入水平对保险排除度有一定影响。收入水平的高低决定了人们参与经济消费能力的强弱，收入越高，就会更愿意购买保险去规避风险。所以，本文选择人均可支配收入(KZPS)表示人们的消费能力，研判认为收入水平的提升可以降低保险排除度。
假设5：城乡居民储蓄存款余额对保险排除度有影响。受文化传统影响，我国居民更愿意把收入存到银行或持在手中，去应付未来的疾病、意外等风险支出，这种储蓄行为对保险行业具有替代效应；同时，银行储蓄对投保行为含有较强的收入效应，银行储蓄的增加意味着有更多的支付能力去接触保险。本文选取城乡居民储蓄存款余额指标(JMCK)表示居民的金融选择行为，由于替代效应和收入效应的交替影响，该指标对保险排除度的影响方向尚不确定。
假设6：较高的经济发展水平有利于消弱保险排除度。一个地区经济发展水平越高，对金融服务的需求就会越大，同时为迎合需求就会促使许多金融机构的产生，本文选取人均GDP指标(RJGDP)表示一个地区的经济发展水平，初判经济发展水平的提高可以降低保险排除度。
假设7：良好的就业状况有利于降低保险排除度。就业是一种社会活动，如果一个人失业，社会地位会下降，那么其接触保险服务的可能性就会降低。所以，就业率越高，就越有利于降低保险排除。本文选取失业率指标(SYL)来考察，初步研判失业率越高，保险排除度越高。
假设8：交通便利性有利于降低保险排除度。便捷的交通和邮电通讯可以缩短人们与金融服务之间的接触距离。Leyshon(1997)曾提出交通便利性可以降低金融服务的排除度。因此本文引用交通便利性指标，采用人均民用汽车拥有量(JTBL)表示。
2、模型设定。本文采用双对数线性的空间滞后和空间误差模型，具体模型如下：
其中，lnIIE表示保险排除度的取对数形式，
(i=1，2，…，8)表示各自变量的回归系数，μ表示随机误差项。
(三)空间计量回归分析。
1、空间计量模型的选择与估计。在利用空间计量模型进行估计和检验之前，需要确定空间计量模型的形式是如(6)式所示的空间滞后模型还是如(7)式所示的空间误差模型。通过不考虑空间效应的经典OLS估计，结果见表5。估计结果发现，8个指标中只有4个显著相关，教育水平、性别比例、交通便利性分别通过了1%和10%的显著性检验，与假设一致。非儿童老人所占人口比重通过了10%的显著性检验，但是非儿童老人所占人口比重与保险排除度的回归系数为正，这与假设相悖。其余4个指标中，城乡居民储蓄存款余额、人均GDP、人均可支配收入和失业率均没有通过显著性检验。出现这种结果，可能是由于OLS估计没有考虑到省域之间的空间自相关性造成的。
进一步进行保险排除度的空间依赖性检验，利用Moran指数和拉格朗日统计量判断哪种模型更加符合客观实际。结果显示(如表4)，Moran指数为0.235004，P值为0.0018962，通过了1%的显著性水平检验，这说明一般经典回归的空间误差自相关性的存在。另外LMLAG、R-LMLAG均不显著(P值分别为0.4704977、0.2182347)，而LMERR和R-LMERR分别通过了5%、10%的显著性检验。根据Anselin和Florax等(1995)提出的判别准则，本文认为选择空间误差模型更加合适。
2、回归结果分析。表6的回归结果显示，空间误差模型中的空间误差系数λ通过了1%的显著性水平检验，表明保险排除度在地理空间的邻域连接上具有较强的溢出效应，保险排除度集聚的空间相互作用可以通过邻接区域互动传递、同性集聚。
在对保险排除度影响因素的考察中，发现人口受教育水平、性别比例的回归系数分别通过了5%、1%的显著性水平检验，表明人口因素(人口质量、人口性别比例)对保险排除度的影响是多维、显著的，一个地区人口受教育水平越高，对保险服务的认知度就越高，越有利于降低保险排除度；男性人口数占女性人口比例越大，那么保险排除度越高，这说明男性相比女性来说对保险服务的热衷或者亲睐度相对较低。但是，年龄结构作为人口因素的主要构成部分，结果却显示非儿童老人所占比重对保险排除度并不显著，拒绝了非儿童老人人口比重有利于降低保险排除度的假设。
城乡居民储蓄存款余额和人均可支配收入两个变量在SEM模型中分别通过了1%和10%的显著性水平检验，回归系数都为负，说明二者能显著的降低保险排除度。对于城乡居民储蓄存款余额来说，其对保险业的收入效应大于替代效应，储蓄存款余额越多，意味着人们的支付能力越强，这和人均可支配收入对保险排除度的作用功能相近。此外，人均GDP对保险排除度的回归系数为正值，且通过了5%的显著性水平检验。这与本文预期相反。
失业率一直被认为是落后指标，其反映居民的就业状况。表6显示，失业率对保险排除度的相关性为正，通过了10%的显著性水平检验，表明失业率越大，保险排除度就越高。
五、结论及启示
本文根据Sarmag(2008)提出的金融包容性指数概念，测算出我国2011年的保险排除度，在此基础上利用空间经济计量模型对我国保险排除度的空间集聚和差异进行了实证分析，主要结论和启示如下：
第一，我国保险排除度在地理空间分布上存在着依赖性和正的空间溢出效应。这种经济属性的集聚，说明了邻接地区之间的相互作用。保险排除度反映了保险服务、产品与人们之间的距离，是一种非积极性指标，其在空间邻域之间的依赖性，揭示出我国保险服务的“普遍排除”性是区域的共病现象。
第二，人口素质、城乡居民储蓄存款余额和人均可支配收入的提高都能有效降低保险排除度。十八大报告中提出的到2020年城乡居民人均收入比2010年翻一番的新目标如果能够实现，那么我国保险排除度会大大消弱，人们生活会更加有保障。
第三，失业率、“总量经济”②导致保险排除的滋生与蔓延。一个人失业意味着其经济来源受困、社会地位受威胁，那么接触保险产品、服务的能力就会下降。充分就业不仅一直是我国的一个重要的经济目标，更是一个大的社会工程，需要政府、企业、个人等多方的共同合作。金融是经济的核心，但是，提高经济发展水平不仅要增加“总量”，更应该调整经济结构，特别是激发金融业的服务功能，这样才能有效降低保险排除度，保证人们享受保险服务。
注释：
①数据由《中国保险统计年鉴》整理而得。
②本文定义总量经济是指经济规模庞大，但是经济内部结构失调，经济质量低下的一种数量式状态。
标签：保险产品论文; 空间分析论文; 经济模型论文; 经济指数论文; 集聚效应论文; 差异分析论文; 实证分析论文; 误差分析论文; 经济学论文;