我国车险市场承保周期研究Word格式文档下载.docx

我国车险市场承保周期研究Word格式文档下载.docx

《我国车险市场承保周期研究Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《我国车险市场承保周期研究Word格式文档下载.docx（11页珍藏版）》请在冰豆网上搜索。

二、文献综述

截至现在，差不多没有文献不认可承保周期的存在。

最早可以追溯到20世纪70年代，名为conning&

company的保险经纪公司发表了一份报告，承保周期的概念第一次被提到，这篇报告叫做astoryofwhyunderwringcycleoccur。

20世纪80年代，中国保险业务逐渐恢复并快速发展。

保险业能够稳定发展，特别是在比较薄弱的非寿险业，对整个保险业而言意义非常重大。

保险堪比社会的稳定器，保险业承保利润的稳定，能帮助提高企业风险管理能力，保障全社会的财产安全。

在学术上，把利润的波动称为承保周期，它是由于保险市场的外部环境或产品的定价等产生变化而导致利润率呈现上下起伏的周期性波动。

annegron（1994）认为，承保周期是指通过对重复出现的状况影响财险市场。

Chen（1999）则将承保周期描述为保险市场不断出现繁荣和萎缩的过程。

在检验与经济周期的关系时，annegron把承保周期根据利润盈余情况分成四个阶段，即起步阶段、快速发展阶段、稳定阶段、衰退阶段。

并用1950年以来，被称作“保险危机”的在美国连续六次保费极速增长，保险总量萎缩的例子论证了“保险费率的升高与承保能力的下降往往息息相关”。

但chen（1999）则在文文章中提到，承保周期与经济周期（商业周期）并不具有协同效应。

他认为，一定程度上的经济数据显示，经济周期的循环往往要覆盖更多的规则，从而显得承保周期更加规则。

Cummins，harrington，andRobertw（1991）研究得到，当保险市场步入衰退期，竞争力较弱的保险人会选择退出市场，从而就可能引起保险市场供给的不足。

相反，如果当保险市场步入发展期，则进入市场的保险公司数量增加，同时也在一定程度上增加了保险市场产品供给。

在很久以前就有很多学者作出的关于承保周期的研究，只是研究的方向和研究的侧重点都有所差异，其中讨论影响因素的占了大多数。

在众多的研究中，有很多都引起了较大反响，其中反响最大的应该算是cummins&

outreville（1987）建立的模型，他们认为，保险市场中绝大多数的保险公司的定价不是非理性的，而是具有足够的理性，而且对于这种理性是不需要再进行商榷，是毋庸置疑的。

如果不存在其他干扰因素的影响，在理性市场的状态下，因为信息史痕完备的，保险人的选择是完美无缺的，所以完全不可能存在周期现象。

此外，他们还认为，在保险公司可以控制的因素的范围内，是不包括承保周期的，这超出了保险公司的能力。

因为承保周期现象产生的原因是保险市场内部本身就存在的一些有关于制度性的因素和冲击，在内部因素上主要包括两个方面：

第一，由于合同和信息特点的存在导致经济情况的变化不能够通过保险价格及时的反映出来；

第二，针对不同期间的价格，财务报告时间对其做了最机械化的普通的平均统计，让价格序列中本身就存在自相关性的可能性变的更加的大。

Cummins&

outreville把制度性因素中是第一条合同和信息的特点中所涵盖的内容大致的划分成了三类：

数据滞后、管理滞后、保单更新滞后。

数据滞后这一概念主要是指，在确定保费前需要收集、统计和分析一系列的数据，但由于在前期的收集处理过程导致这些需要的数据都变成了过时的数据，而且这一系列的数据在被利用投入到实用阶段后一般都有大概0.5－2.5年的滞后期，这就很自然的就会产生价格自相关的一系列问题。

管理滞后这一概念主要是指政府严格监管保险市场中的价格，从价格的制定和到上级审核到正式投入运行，该区间的时间跨度可能较大，导致时效性不足，产生一定程度的滞后。

保单更新滞后这一概念主要是指保险的价格会因为保险合同具有的约束性而产生刚性，也就是说保单只能等到保单到期进行更新日期时才可以根据新风险状况来对保险价格进行相应的调整，而不能在有效期内进行调整。

通过对这些因素的仔细的分析和考量，Commins&

outreville建立了相关模型，推出了承保利润序列的二阶自相关性。

然而，Tennyson（1991）的研究与之并不一致，他更是反对“理想模型”，他认为，保险费率审批延迟对保险结果并没有什么影响，也就是说保险费率审批时滞没有加剧也没有减弱保险结果波动程度。

非理性预期学派指出，保险市场承保周期的变化是因为非理性的市场行为所致。

诸如“外推”预测机制、现金流承保技术的采用都会使保险市场呈现出相当程度的波动。

现金流承保技术（cashflowun-drewing）是指保险人为了获取资金，在收益相对较高时大量承保，通过高收益来填补承保产生的损失。

毫无疑问，这些方法中，相比在竞争市场中，保险价格会因为损失率和收入估计误差，而发生更加不规则的一场的变化。

Venezian（1985）的想法是，外推预测机制的定价技术的产生是承保周期产生的根本原因，因为通常保险行业里一般会以过去损失的案例来推断未来可能的损失，来制定新一轮费率，这是一种不成熟的费率厘定。

同时他还通过外推模型得到了承保结果自回归特性，认为外推预测是保险人非理性态度的体现。

因此Venezian的保险费率计算模型已成为学术界的经典，他的二阶自回归计量模型也获得了后来研究者的广泛认同，被当做承保周期测算的标准模板。

此外还有承保力限制模型，也是基于非理性预期假说。

它是由Stewart（1984）、Bloom（1987）在早期建立的承保能力模型为基础，后由Gron（1994）、winter（1988）作了改进并实现了程式化。

Winter（1988）和Gron（1994）的“承保力限制”理论认为，承保周期产生的主要原因，便是资本流动障碍导致了保险市场中相继出现资本缺乏或资本过度的状态。

在现实世界中，鲜有最优资本规模经营的情形，即便是有，也紧紧只是短暂时现象，一旦出现外部变化，资本规模就会离开最优形态，这将使保险市场的供需情况发生改变。

如果资本快速减少导致保险供给减少，承保价格就会因此而上涨。

从另一个角度来讲，资本减少就意味着保险公司偿付风险增大，处于本能反应保险公司就会提高承保价格从而更加审慎地经营。

反之，如果保险市场出现外部变化导致资本增加，保险市场供给增加，则承保价格下跌，利润率减少。

Niehaus（1993）曾对于该结论进行了实证研究，证明了外部资金的价格会直接影响承保价格。

Outreville和Cummins（1987）搜集整理研究了13个西方发达国家的保险市场数据后得出结论，有8个国家的保险市场确实存在承保周期，周期长度从4.69-8.23不等。

有6个国家的汽车保险市场承保业务利润波动有周期性。

Chen，Wong，lee（1999）在对对新加坡、马来西亚、韩国、日本和中国台湾的保险市场进行了研究时运用了二阶自回归模型，发现新加坡、马来西亚、日本存在承保周期且周期长度分别为8年、12年和14年。

他们研究了几个亚洲国家，却没有对中国市场进行分析，作者的理由是中国保险市场大发展还不够成熟。

在我国，由于数据资料缺乏、保险市场起步晚、市场文化程度低，因此早期对于承保周期的研究主要集中在国外。

随着我国保险业发展的深入，统计信息的逐渐完整为承保周期的研究奠定了良好的基础，我们现在拥有充分的理由和资本可以去检验中国保险市场承保周期的存在性，还可以考量经济周期对承保周期的影响程度如何。

不仅仅是保险业，联保险业的相关部门都加深了对于保险承保利润的重视。

在分析中国保险市场时，王波和史安娜（2006）、吴三明和吴波（2007）利用二阶自回归模型分析得出结论：

虽然我国的车险市场存在6～8年的周期波动，但是非寿险市场整体却不存在周期性变化。

朱园丽、张琳（2007）在证明检验我国的车险市场也存在承保周期且周期长度为5～6年时使用了与之相同的回归模型。

对承保周期进行研究不仅有利于了解市场的发展情况，增强企业的风险预警和管理能力，而且对投资者的进入与退出也起到了十分良好的作用。

因此，对承保周期的研究就具有重大意义。

三、承保周期的滤波分析

1、研究方法

在非理性假设下，Venezian&

Emilio（1985）认为，由于财险的定价方式的特殊性，使保险收益体现出了自回归特性，而后进行实验一起验证了这一想法。

之后出现的谱分析法和ARIMA分析法已经能够更精确地计算承保周期。

因为谱分析可以通过相对较短的时间样本计算承保周期，但根据不同的时间样本计算得到的结果差异较大且原因不明。

ARIMA分析法在研究承保周期时则是使用了Venezia的模型。

Venezian认为，ARIMA分析可以从较长时间的时间样本数据中计算出较为准确的承保周期，且通过不同市场或产品的数据，ARIMA分析还可以检测出显著的周期差异性，此乃ARIMA分析独有的优点。

目前，我国依然使用Venezian的二阶自回归模型来承保周期进行研究分析。

Smith&

Gahin（1985）通过谱分析检验得到了与Venezian一致的结论。

此类方法仅适用于保险业已发展到一定阶段的国家。

王波（2006）等首次将这个方法用于我国保险市场，并得出车险的承保周期在6年左右。

以下就是被广泛采用的承保周期具体模型：

在这里需要注意,对于被解释变量,在不同的研究中用到不同的数据，有的使用损失率（又叫赔付率）,有的使用承保利润率，还有的使用综合成本率。

但是，每个国家经济政治文化的发展都有较大区别，不同的市场结构都会产生不同的承保周期。

所以，我们认为对我国承保周期的研究不能只是简单地套用自回归模型。

2、指标的选择

关于对承保周期的衡量，现有的研究主要采用的主要指标有：

承保赔付率、承保利润率、综合费用率等。

承保赔付率反映保费收入与承保范围内的损失此两者间的关系。

因为这些数据之间存在现行相关性，再加上考虑到数据的可得性，本文决定以承保赔付率来对承保周期进行度量。

我们国家在1978年进行改革开放，经济开始快速发展，保险业也随之在1980年开始恢复运行。

由于改革开放初期，整个经济形势都在不断转型升级，而经济周期也相对不稳定。

另外，保险监督管理委员会与1998年成立，在此之前的数据都比较粗糙，我们无法精确的查找得到本文研究所需的月度数据。

综合以上原因，本文将1999年到2014年的月度承保赔付率数据作为主要研究指标。

图1保险承保赔付率月度数据HP滤波结果

3、滤波结果

我们先对承保赔付率进行X12季节调整，然后利用月度数据和季度数据再对其进行HP滤波分析。

因为中国统计局公布的GDP数据只有季度的，而本文是利用工业增长率对GDP数据进行月化，为了保证准确性，所以对承保赔付率的月度数据和季度数据都进行了HP滤波分析。

得到了如下的滤波结果。

图2保险承保赔付率季度数据HP滤波结果

从图1中看到，很明显我国市场存在周期性波动。

从1999年1月到2014年12月我国经历了大约三个周期，分别是2000年1月到2004年6月，2004年6月到2009年6月，2009年6月到2014年。

周期长度并不完全一致，从4到6年不等。

这也更充分的说明，之前被广泛使用是二阶自回归模型被运用到我国的研究并不非常合理。

在深度对称性上看，保险赔付率的波峰振幅远远大于波谷的振幅，这对我国保险公司的发展，乃至于整个保险业的发展都是具有巨大威胁的。

另外，我国的承保赔付率下降的时间长度较承保赔付率上升的时间长度，但差别并不是很大。

四、我国经济周期对承保周期影响的实证研究

近年来，我国保险市场快速发展，承保利润正在扭亏为盈，但是还是欠缺稳定。

由于保险业的特殊性和不稳定性，研究经济周期对承保周期的影响，能使保险业看清经济周期变化，有助于积极实施应对举措。

（一）数据及指标的选择

本文研究分析了对我国车险承保周期造成影响的经济周期变化因素和其他因素。

在HP滤波分析中使用了承保赔付率，在本节的回归分析中仍然使用承保赔付率作为回归分析的被解释变量。

在解释变量方面，本文选择了从1999年1月到2014年12月的承保赔付率数据，从保险监督管理委员会的网站数据整理取得；

1999年1月到2014年12月GDP、CPI指标数据，从中国国家统计局网站数据整理取得；

1999年1月到2014年12月一年期基准存款利率，从中国人民银行官方网站获得原始数据后整理取得；

1999年1月到2014年12月上证综合指数，从搜狐网站数据整理取得。

（二）波动的计算

HP滤波法是Hodrick和Prescott在19世纪80年代初期，在分析研究美国战后经济状况的情况时首次提出的。

后来在研究关于宏观经济形势时，这个方法被许多专家学者反复使用，接受程度很高。

至于HP滤波法到底是什么，简单来说就是时间序列在状态空间下的一种分析方法，也就是相当于把波动的方差极小化。

在某些程度上看，HP滤波可以看作是一个的高通滤波器，它是基于时间样本的谱分析方法。

HP滤波法就是要在所有不同频率的成分中，把频率相对较高和相对较低的成分进行区分，剔除频率较高的部分，保留频率较低的部分，也就是去掉了长期的趋势项，而对短期内的随机波动项进行度量。

简单来说，就是将波动分成了趋势波动和周期波动。

虽然该分析方法没有把经济周期的波动很明确彻底独立地分离出来，但趋势波动可以预测，而周期波动却很难预测。

Aghionetal（2006）则认为应把经济周期等分成等时间长度的若干个时间序列区间，在每个区间内以计算经济增长率的方差来当作经济波动的考量数据。

曾五一和卢二坡（2008）对上述模型进行了补充修改，并将每个区间内的经济平均增长率作为计量指标以减轻对最终结果的影响，因为他们认为用不同的地区的不同的经济均值计算得出的方差来进行比较的效果启示并不非常理想。

考虑这一想法后，本文认为，上述提到的个变量都应该对其进行波动计算：

（三）单位根的检验

对上述所提到的所有变量按照上一节的波动率计算公式进行波动率的计算，并分别对所有数据的波动数据进行单位根检验，一下就是具体的单位根检验过程，通过检验，发现所有的数据都是平稳序列。

1、对FCPI的单位根检验

单位根ADF检验结果：

单位根的t统计量的值为：

－8.67027。

在1％显著性水平下的临界值为－3.542097、在5%显著性水平下的临界值是－2.910019、在10％显著性水平下的临界值是－2.592545，得到序列的ADF平稳性检验结果，显然，上述t统计量的值小于所有临界值，从而表明FCPI原序列是平稳序列。

2、对FGDP的单位根检验

－2.370620。

在1％显著性水平下的临界值为－3.548280、在5%显著性水平下的临界值为－2.912631、在10％显著性水平下的临界值为－2.594027，得到序列的ADF平稳性检验结果，显然，上述t统计量的值大于所有临界值，从而表明FGDP原序列是非平稳。

对序列进行一阶差分，得到序列的ADF平稳性检验结果，检测值-5.183946远小于所有临界值，则表明序列一阶差分平稳。

3、对FI的单位根检验

－3.171895。

在1％显著性水平下的临界值为－3.540198、在5%显著性水平下的临界值为－2.909206、在10％显著性水平下的临界值为－2.592215，得到序列的ADF平稳性检验结果，显然，上述t统计量的值小于5%时的临界值，从而表明FI原序列有95%的把握不存在单位根，是平稳的。

也可继续对序列进行一阶差分，得出ADF平稳性检验结果，检测值-11.35711远小于所有临界值，则表明序列一阶差分平稳。

4、对FLOS（-1）的单位根检验

－1.714498。

在1％显著性水平下的临界值为－3.550396、在5%显著性水平下的临界值为－2.913549、在10％显著性水平下的临界值为－2.594521，得到序列的ADF平稳性检验结果，显然，上述t统计量的值大于所有临界值，从而表明FLOS（-1）原序列是非平稳。

继续进行一阶差分，得到ADF平稳性检验结果，检测值-7.098484小于所有临界值，则表明序列一阶差分平稳。

5、对FLOS（-2）的单位根检验

－1.697671。

在1％显著性水平下的临界值为－3.552666、在5%显著性水平下的临界值为－2.914517、在10％显著性水平下的临界值为－2.595033，得到序列的ADF平稳性检验结果，显然，上述t统计量的值大于所有临界值，从而表明FLOS（-2）原序列是非平稳。

继续对序列进行一阶差分，得到序列的ADF平稳性检验结果，检测值-7.102014小于所有临界值，则表明序列一阶差分平稳。

6、对FLR的单位根检验

－7.023222。

在1％显著性水平下的临界值为－3.540198、在5%显著性水平下的临界值为－2.909206、在10％显著性水平下的临界值为－2.592215，得到序列的ADF平稳性检验结果，显然，上述t统计量的值小于所有临界值，从而表明FLR原序列是平稳序列。

7、对FLR（-1）的单位根检验

－6.965687。

在1％显著性水平下的临界值为－3.542097、在5%显著性水平下的临界值为－2.910019、在10％显著性水平下的临界值为－2.592645，得到序列的ADF平稳性检验结果，显然，上述t统计量的值小于所有临界值，从而表明FLR（-1）原序列是平稳序列。

8、对FSTOCK的单位根检验

－3.103546。

在1％显著性水平下的临界值为－3.550396、在5%显著性水平下的临界值为－2.913549、在10％显著性水平下的临界值为－2.594521，得到序列的ADF平稳性检验结果，显然，上述t统计量的值小于5%时的临界值，从而表明FSTOCK原序列有95%的把握不存在单位根，是平稳的。

也可继续对序列进行一阶差分，得到序列的ADF平稳性检验结果，检测值-6.485968小于所有临界值，则表明序列一阶差分平稳。

9、对JWTO的单位根检验

－2.118768。

在1％、5%、10％三个显著性水平下，单位根检验的临界值为－3.538362、－2.908420、－2.591799，得到序列的ADF平稳性检验结果，显然，上述t统计量的值大于所有临界值，从而表明JWTO原序列是非平稳。

继续对序列进行一阶差分，得到序列的ADF平稳性检验结果，检测值-7.874008小于所有临界值，则表明序列一阶差分平稳。

（四）模型的选择

迄今为止的众多关于承保周期的研究中，最广泛的应当属于二阶自回归模型来对承保周期进行研究分析，然后再对二阶自回归模型的谱密度性质进行分析，然后得出承保周期波动的频率，进而计算得出承保周期长度。

但其实这种方法并不是对所有的情况下的承保周期的研究都适合的，对具有不规则周期特征的承保周期的研究就显得不是很合理，这种方法仅仅适用于具有固定周期长度的时间序列分析。

基于此，本文采用在宏观经济周期研究中，被广泛使用的HP滤波分析法，对上述数据进行X12季节调整后，再建立模型，来考察检验影响影响承保周期波动的因素。

（五）模型的建立和实证分析

对上述数据进行X12的季节调整后，建立如下的模型：

其中，c代表是随机扰动项，而a（i＝1…8）代表回归系数。

表1模型中各变量的定义

变量变量定义变量变量定义变量变量定义

FLR赔付率波动FGDPGDP波动FCPICPI波动

FI利率波动FSTOCK上证指数波动JWTO加入世贸

FLOS（-1）一阶滞后赔付额FLOS（-2）二阶滞后赔付额FLR（-1）一阶滞后赔付率

表2回归结果

模型

（1）

（2）（3）（4）（5）

FLR

FCPI0.001128（-0.001286）

FGDP0.4956310.8148020.4957330.528238

（6.683559）（13.187566）（6.774135）（7.829077）

FI-0.051722-0.095676-0.527206-0.052949

（-0.591878）（-5.502167）（-2.991761）（-2.982848）

FLR（-1）0.1130490.113049

（1.167024）（1.182307）

FLOS（-1）0.26887-0.266362-0.145286-0.288322

（-2.011182）（-2.095044）（-1.906263）（-3.564568）

FLOS（-2）-0.085583-0.085583-0.0484470.204171

（-1.311333）（-1.328553）（-0.862397）（2.24442）

FSTOCK-0.