摘 要：本文基于我國31個?。ㄊ?、區(qū)）2007-2015年面板數據，選取相關指標構建動態(tài)差分GMM模型，圍繞居民收入水平對壽險發(fā)展的影響進行實證分析，根據研究結果提出促進壽險業(yè)發(fā)展的對策建議。

關鍵詞：居民收入水平；壽險發(fā)展；動態(tài)差分GMM模型

中圖分類號：F840.62 文獻標識碼：B 文章編號：1674-0017-2018（7）-0004-06

一、引言

自1980年恢復商業(yè)保險業(yè)務以來，我國壽險規(guī)模迅速增長，但規(guī)模迅速增大的同時，也出現了許多問題，比如治理壽險銷售誤導引起行業(yè)深幅調整，壽險業(yè)發(fā)展程度依舊偏低、與我國經濟發(fā)展水平極不適應，不同區(qū)域壽險業(yè)務發(fā)展差異越來越明顯。從工業(yè)化國家發(fā)展經驗來看，隨著人民收入水平提升，保險意識及保險投資需求也會相應提高，但由于我國傳統觀念落后、市場發(fā)展水平不高，導致目前壽險保障程度嚴重不足，而居民的收入水平是影響壽險發(fā)展的直接因素。

有關居民收入對壽險發(fā)展影響的問題，許多學者從不同角度進行了研究。大部分學者研究發(fā)現收入對壽險發(fā)展具有正面影響。張博等（2005）、潘軍昌等（2010）、唐廣應等（2016）、杜薇（2017）使用時間序列數據，通過回歸分析，均發(fā)現居民生活水平提高對壽險業(yè)發(fā)展產生強有力的推動作用。而賈海成等（2014）通過問卷調查，采用多元Logit模型進行研究，結果也發(fā)現，消費者收入水平對壽險需求影響顯著。徐佳等（2016）基于2011年全國25省家庭調查微觀數據，研究表明，隨著家庭財富的增長，家庭會選擇增加保險資產的配置。Mouna Zerriaa等（2016）以17個國家為樣本研究了中東與北非地區(qū)壽險消費的決定因素，結果也表明，收入對壽險發(fā)展具有正向促進作用。部分學者研究結論有所不同。郭運澤等（2012）卻認為，城鎮(zhèn)居民收入是保險發(fā)展的重要影響因素，個人保險需求量與收入水平呈倒“U”型特征。畢泗鋒等（2016）使用我國2002-2013年面板數據研究發(fā)現，東部地區(qū)保障型壽險收入彈性為正，中西部為負，而就投資型壽險而言，中西部地區(qū)收入彈性為正，但東部收入影響則不明顯。

綜上所述，就居民收入水平對壽險發(fā)展的影響分析這一問題，許多學者已經取得了不少成果，為本文研究提供了一定參考和啟示，但存在明顯不足。現有文獻部分采用問卷調查方式進行研究，但問卷調查難以全部知道被調查者是否獨立完成問卷及回答問題的環(huán)境，從而影響問卷質量的判斷。大多數學者基于時間序列數據進行分析，然而時間序列數據往往樣本點比較少，并且還會因為存在自相關問題而造成估計結果產生很大偏誤，并且靜態(tài)模型又忽視了前期壽險發(fā)展對當期的慣性影響而降低了實證結果準確度。鑒于此，本文從以下幾個方面進行擴展。首先，就研究視角來說，基于全國層面考察居民收入水平對壽險發(fā)展的影響。其次，研究方法上，選取我國31個?。ㄗ灾螀^(qū)、直轄市）2007-2015年面板數據，構建動態(tài)差分GMM模型進行實證分析，與已有文獻使用時間序列數據運用靜態(tài)模型相比，既擴大了樣本信息量，避免了自相關問題，也考慮了被解釋變量滯后一期對當期的影響，糾正了被解釋變量滯后項的內生性問題所引起的估計偏誤，提高了實證結果的準確性。最后，就研究結論而言，居民收入水平對壽險發(fā)展具有顯著的抑制作用；而死亡率、少兒撫養(yǎng)比、老年贍養(yǎng)率、城市化水平及社會保障程度均對壽險發(fā)展產生顯著的正向作用。因此，本文研究豐富了居民收入水平對壽險發(fā)展影響的理論體系，對下一步制定相關對策以促進壽險發(fā)展具有重要的現實意義。

二、變量選取、數據來源與模型構建

（一）變量選取

1.被解釋變量：壽險發(fā)展水平（Y）。反映壽險發(fā)展水平的指標有壽險原保費收入、壽險密度、壽險深度。但壽險原保費收入是一個絕對值，很容易受到價格變化影響，難以真實地反映壽險發(fā)展水平。壽險深度是原保費收入與GDP之比，而壽險保費收入與GDP一般呈正相關關系，所以選取壽險原保費收入、壽險深度作為衡量壽險發(fā)展水平的指標都不合適。故本文參考杜薇（2017）學者做法，選取壽險密度來衡量壽險發(fā)展水平，壽險密度=壽險原保費收入/地區(qū)總人口數。

2.解釋變量：居民收入水平（Inc）。人們的消費能力會隨著收入的增加而提升，通常情況下，當收入增加時會加大對壽險的購買。潘軍昌（2010）等在使用多元線性回歸對壽險需求影響因素進行研究時，便發(fā)現居民可支配收入對壽險需求具有顯著的正向影響。衡量居民收入水平的指標有人均可支配收入水平和人均GDP，但人均GDP尚未剔除稅收等影響，無法度量居民真實購買力，因此，本文選取居民人均可支配收入來度量其收入水平。

3.控制變量。（1）死亡率（Dea）。死亡率是死亡人口占總人口的比例，死亡率在一定程度上度量了人們生活面臨風險的大小，死亡率越高的地區(qū)，人們面臨的生存風險越大，那么其購買保障型壽險的需求相對越強。（2）少兒撫養(yǎng)比（Tay）。隨著社會的快速發(fā)展，我國在生育、教育、兒童醫(yī)療等方面成本日益高漲，勢必導致有孩子的家庭為支付子女教育、醫(yī)療費用而大幅度減少保險消費支出，因此，少兒撫養(yǎng)比在一定程度上抑制了壽險發(fā)展。（3）老年贍養(yǎng)率（Old）。人口老齡化使得人們面臨更多的養(yǎng)老、醫(yī)療問題，作為養(yǎng)老保險體系重要組成部分的壽險業(yè)，可以通過補充險種空白部分，獲得較大程度發(fā)展。孫乃巖等（2012）對我國壽險需要影響因素進行實證檢驗，便發(fā)現老年贍養(yǎng)率越高，壽險需求量越大。（4）城市化水平（City）。一方面，城市人口相對農村人口風險防范意識更強，對新鮮事物接受度更高，因此城市居民對壽險這樣的社會化風險分散機制更加認可；另一方面，城市中壽險消費者地域上比較集中，壽險公司在展業(yè)、索賠、服務等方面所花成本相對較低，城市化帶來的成本和價格優(yōu)勢對壽險供給具有正面影響。所以，一般來說，城市化水平越高，壽險需求量越大。本文參考梁來存（2007）學者做法，選取城鎮(zhèn)人口占總人口的比重來度量城市化水平。（5）社會保障程度（Sse）。社會保障是為居民提供人身、經濟方面保障，這與壽險基本功能具有一定相似性，因此，社會保障對壽險具有替代作用，社會保障程度越高，壽險需求量越小。本文參考鐘春平（2012）等學者方法，選取人均社會保障支出來衡量社會保障程度。各變量匯總說明見表1。

（二）數據來源

本文將選取2007-2015年我國31個省（市、區(qū)）的面板數據進行實證分析。壽險保費收入數據來源于《中國保險年鑒》，居民人均可支配收入、社會保障支出、城鎮(zhèn)人口占總人口比重指標來源于《中國統計年鑒》，總人口數、少兒撫養(yǎng)比、老年贍養(yǎng)率、死亡率數據來自于《中國人口年鑒》。

（三）模型構建

本文參照黃忠華等（2008）學者[12]做法，構建如下靜態(tài)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年的壽險密度；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年的少兒撫養(yǎng)比；Old表示i省市在t年的老年贍養(yǎng)率；City表示i省市在t年的城市化率；Sse表示i省市在t年的人均社會保障支出；c是常數項，β、β、β、β、β、β為各變量系數，ζ、θ和μ分別表示反映個體效應、時間效應的虛擬變量以及隨機干擾項。

本文將采用混合普通最小二乘法、隨機效應及固定效應三種方法進行靜態(tài)模型估計。但靜態(tài)面板模型忽視了被解釋變量前期值對當期的影響，而動態(tài)差分GMM考慮了被解釋變量產生的內生性問題，估計結果相比于靜態(tài)模型更為準確。因此，為克服靜態(tài)模型缺陷，特參考周穩(wěn)海等（2015）、李勇斌（2017）學者方法建立如下動態(tài)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年壽險密度滯后一期，動態(tài)差分GMM模型考慮了滯后項Y產生的內生性問題，一定程度上克服了靜態(tài)模型因忽視內生性問題而造成的較大偏誤。但差分GMM估計結果必須滿足以下兩個條件，一是隨機干擾項不能存在序列相關，即一階自相關檢驗概率值小于5%但二階自相關檢驗概率值大于5%；二是不能存在弱工具變量問題，即Hansen統計量概率值大于5%。

三、實證研究及結果分析

（一）變量描述性統計分析

在分析面板數據之前，先對各指標數據進行取對數處理，以克服原始數據可能存在的異方差問題，各變量描述性統計結果見表2。

（二）單位根檢驗

為避免模型出現“偽回歸”現象，需要對變量序列進行單位根檢驗以判斷各序列的平穩(wěn)情況。由表3可知，經過LLC和PP-Fisher檢驗，各序列都在顯著性水平下拒絕了存在單位根的原假設，說明各變量序列并不存在單位根，即變量是平穩(wěn)的，各平穩(wěn)變量數據可以進一步做靜態(tài)和動態(tài)差分GMM回歸分析。

（三）實證結果及分析

1.GMM估計結果與分析。為探討居民收入水平對我國壽險發(fā)展的影響，本文選取壽險密度lnY為被解釋變量，居民收入水平lnInc為解釋變量，死亡率lnDea、少兒撫養(yǎng)比lnTay、老年贍養(yǎng)率lnOld、城市化水平lnCity、社會保障程度lnSse為控制變量。使用Eviews9.0進行靜態(tài)和動態(tài)面板估計，回歸結果見表4。

表4中第（1）、（2）、（3）列分別是普通最小二乘法（OLS）、面板固定效應（FE）模型、面板隨機效應（RE）模型的實證結果，但普通最小二乘法忽略了個體異質性，所以估計結果會存在很大偏誤。而面板固定效應（FE）模型考慮了31個?。ㄊ?、區(qū)）之間的個體差異性，因此估計結果相比普通最小二乘法更佳。面板隨機效應（RE）模型則比固定效應節(jié)省了比較多的自由度。通過Hausman檢驗χ2（p）為0.000<0.05，因此拒絕固定效應模型與隨機效應模型不存在系統差異的原假設，固定效應模型估計結果要好于隨機效應模型，應建立固定效應模型。第（4）列為動態(tài)差分GMM模型實證結果，動態(tài)差分GMM既考慮了各樣本間存在的個體差異，也克服了lnY（-1）內生性產生的偏誤，其中AR（1）P值為0.003<0.05，AR（2）P值為0.485>0.05，說明模型是一階自相關但二階不自相關，因此隨機干擾項不存在序列相關；Hansen P值為0.175>0.05，說明不存在過渡識別現象，模型選取的工具變量非常合理。差分GMM估計兩個條件均滿足，表明估計結果是無偏一致估計，具有實際參考意義。

通過上述分析可知，第（4）列動態(tài)差分GMM實證結果優(yōu)于其它3列，因此對各變量系數和顯著性的分析將按（4）列結果進行評價。壽險密度滯后一項lnY（-1）在1%置信水平下顯著，且其系數估計值為0.296>0，說明壽險發(fā)展存在慣性，前期發(fā)展對當期具有顯著的促進作用。這可能是因為：一是已購壽險客戶在消費者群體中發(fā)揮出了應有的正面示范效應，使得其他消費者對壽險有了正確認識，增強了人們對壽險的接受度；二是壽險公司前期的工作積累了大量經驗，有助于銷售人員恰當處理其在展業(yè)中與客戶存在的分歧，提高簽單率，從而促進了當期壽險的發(fā)展；三是壽險業(yè)面對前期市場供求狀況，及時調整產品結構、開發(fā)新產品，以滿足多層次需求，進而對當期發(fā)展產生顯著影響。

居民收入水平在1%水平下顯著，且其系數估計值為-1.619<0，表明居民收入水平對壽險發(fā)展具有顯著的抑制作用，居民收入水平每提高1個百分點，壽險密度就會降低1.619個百分點，這與預期不符?？赡苁且驗椋阂皇菈垭U消費者主要集中在城鎮(zhèn)家庭，而現今家庭生活成本較高、生活壓力較大，子女教育、住房等方面支出很大程度上擠出了壽險消費，其增加的收入主要分配于日?；局С龌蚱渌菈垭U投資；二是我國貧富差距明顯，低收入階層占比非常大，新型壽險保費較高，保障程度有限，對低收入群體來說是奢侈品，而且壽險保單期限長，具有耐用品特征，高收入階層一般不會持續(xù)購買，因此導致壽險需求的增加遠低于居民收入水平的提高；三是隨著收入水平的增加，人們對保險消費結構的需求也會發(fā)生變化，當壽險產品充分滿足了安全保障需求時，其注意力便轉向更高層次消費品以滿足安全以外的各種保障，此時過多壽險消費對他們來說就變成多余，只會帶來負的邊際效用，所以收入增加，壽險消費比重反而越來越低。

另外，控制變量中死亡率、老年贍養(yǎng)率、城市化水平都在1%水平下顯著，且其系數估計值分別為2.123>0、0.898>0、3.879>0，說明死亡率、老年贍養(yǎng)率以及城市化水平都對壽險需求具有顯著的正向影響。死亡率、老年贍養(yǎng)率、城市化水平每提高一個百分點，可以分別帶來壽險密度2.123、0.898、3.879個百分點的增加。這和預期一致。

而少兒撫養(yǎng)比、社會保障程度也在1%的置信水平下顯著，其系數估計值分別是0.426>0、0.911>0，表明少兒撫養(yǎng)比及社會保障程度均對壽險發(fā)展具有顯著的促進作用，與預期不符?？赡芤驗樽优谖覈彝ブ械牡匚辉絹碓礁撸瑸楸Ｕ献优踩?，父母對壽險這種風險分散機制依賴性越來越強。而社會保障一方面提高了人們保險意識，另一方面穩(wěn)定了人們基本生活，促進了其它各種消費需求，消費者沒有了后顧之憂，更加有助于刺激其購買壽險獲得更大的保障。因此，少兒撫養(yǎng)比及社會保障程度均對壽險發(fā)展產生正面影響。

2.穩(wěn)健性檢驗。陳強等（2015）學者指出，為保證實證結果的科學性和準確性，對估計模型進一步做穩(wěn)健性檢驗是非常有必要的。而采用的方法可以是去掉樣本中的極端值然后對子樣本重做回歸，如果子樣本和全樣本實證結果相近，則表明結果具有穩(wěn)健性，研究結論可靠；反之則不具穩(wěn)健性。周穩(wěn)海（2015）、袁輝等（2017）學者皆采用此方法對動態(tài)GMM模型進行穩(wěn)健性檢驗，故本文參考以上學者做法對研究結果做進一步檢驗。

通過計算壽險密度Y、居民可支配收入Inc、死亡率Dea、少兒撫養(yǎng)比Tay、老年贍養(yǎng)率Old、城市化水平City、社會保障程度Sse，結果發(fā)現北京壽險密度Y最高，上海的少兒撫養(yǎng)比Tay最低、城市化水平City及居民可支配收入水平Inc最高，西藏的壽險密度Y、老年贍養(yǎng)率Old、城市化水平City及居民可支配收入水平Inc最低，寧夏的死亡率Dea最小。因此本文選擇剔除北京、上海、西藏和寧夏四個具有代表性的省市分別進行子樣本回歸，回歸結果見表5。

由表5可知，剔除北京、上海、西藏和寧夏后的子樣本回歸結果都滿足AR（1）<0.05.AR（2）>0.05.Hansen P值>0.05條件，說明模型不存在二階自相關和過度識別問題，子樣本回歸中各變量的顯著性及估計系數的正負號均與全樣本回歸基本一致，說明模型沒有因為樣本改變而發(fā)生明顯變化，即模型是穩(wěn)健的，本文實證結果可靠。

四、結論與對策建議

本文使用我國31個?。ㄗ灾螀^(qū)、直轄市）2007-2015年面板數據，構建動態(tài)差分GMM模型實證分析了居民收入水平對壽險發(fā)展的影響，研究結果表明：壽險發(fā)展存在慣性影響，前期發(fā)展對當期產生顯著的正面影響；居民收入水平對壽險發(fā)展具有顯著的抑制作用；而死亡率、少兒撫養(yǎng)比、老年贍養(yǎng)率、城市化水平及社會保障程度均對壽險發(fā)展產生顯著的正向作用。

為提高我國壽險需求，基于上述研究，本文提出如下建議：

一是改善壽險產品結構，創(chuàng)新產品品種。少兒撫養(yǎng)比、老年贍養(yǎng)率及城市化水平均對壽險發(fā)展產生顯著的正面影響，隨著子女在家庭中的地位越來越重要、人口老齡化的加深、城市化進程的推進，人們對儲蓄及退休產品需求大增，但我國壽險市場險種類同的多，創(chuàng)新、差異化的較少，有效供給不足。所以各壽險公司應該抓住機遇，大力發(fā)展醫(yī)療保險產品、個人年金產品來彌補公共健康保險、公共年金制度的不足，滿足少兒、老年市場及城市化過程的多樣化壽險需求。

二是轉變經營理念，提高理賠效率與服務質量。壽險發(fā)展存在慣性影響，前期客戶正面示范效應會對當期壽險需求產生顯著的正向作用，所以壽險公司應該重視退保率、經營成本的考核，加大資金技術投入，從被保險人利益出發(fā)，提高理賠效率和服務質量，建立消費者對壽險業(yè)的信任，提升壽險客戶滿意度，促進客戶對壽險的正面?zhèn)鞑ァ?/p>

三是健全社會保障制度，加強社會保險與商業(yè)壽險銜接。社會保障制度的健全關系到國計民生，對壽險發(fā)展具有正向影響，所以國家層面應該提高社會保障水平，確定統籌層次、保障范圍、保障對象及保障方案，減輕人們后顧之憂。而壽險公司則應該深入參與社會保障制度的實施，通過商業(yè)壽險彌補社會保障機構中案件處理不靈活問題，促進壽險業(yè)發(fā)展。

參考文獻

[1]畢泗鋒，孫秀清.居民收入的增長促進壽險需求了嗎[J].財經科學.2016，（1）：45-55。

[2]杜薇.基于宏觀層面我國壽險需求影響因素的實證分析[J].經濟研究參考，2017，（6）：96-101。

[3]郭運澤，歐陽川.城鎮(zhèn)居民收入與保險需求關系的理論分析[J].中國經貿導刊，2012，（1）：63-64。

[4]黃忠華，吳次芳，杜雪君.房地產投資與經濟增長——全國及區(qū)域層面的面板數據分析[J].財貿經濟，2008，（8）：56-60。

[5]賈海成，秦菲菲.多元Logit模型的壽險選擇行為研究[J].統計與決策，2014，（12）：58-61。

[6]姜永宏，廖靜.日本壽險需求影響因素分析及對中國的啟示[J].金融與經濟，2014，（12）：64-69。

[7]李勇斌.三種城鎮(zhèn)化類型對農業(yè)保險發(fā)展影響的實證研究[J].金融理論探索，2018，（4）：72-80。

[8]梁來存.我國壽險需求的實證分析[J].數量經濟技術經濟研究，2007，（8）：80-89。

[9]潘軍昌，楊軍.我國壽險需求的影響因素分析[J].經濟管理，2010，（2）：131-137。

[10]孫乃巖，金喜在.中國壽險需求影響因素的實證檢驗[J].東北師大學報，2012，（5）：70-74。

[11]唐廣應，展凱，賀超.我國壽險需求的影響因素分析——基于不同區(qū)域的實證研究[J].金融與經濟，2016，（7）：79-85。

[12]徐佳，龔六堂.中國家庭壽險市場的需求分析——基于全國25個?。ㄊ?、區(qū)）家庭金融調查的微觀數據[J].江漢論壇，2016，

（9）：23-28。

[13]袁輝，譚迪.政策性農業(yè)保險對農業(yè)產出的影響效應分析——以湖北省為例[J].農村經濟，2017，（9）：94-100。

[14]張博，薛偉賢.影響人壽保險業(yè)需求的經濟因素的實證分析[J].消費經濟，2005，（5）：13-17。

[15]鐘春平，陳靜，孫煥民.壽險需求及其影響因素研究：中國壽險需求為何低？[J].經濟研究，2012，（1）：148-160。

[16]周穩(wěn)海，趙桂玲，尹成遠.農業(yè)保險對農業(yè)生產影響效應的實證研究——基于河北省面板數據和動態(tài)差分GMM模型[J].

保險研究，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

責任編輯、校對：楊鈺琳