基于排序选择模型的保险排除程度影响因素分析

张艳萍

（中央财经大学 保险学院，北京 100081）

一、引言

对于金融排除问题的关注最早开始于20世纪90年代初（Leyshon&Thrift.1993、1994、1995），他们提出在金融管制放松和信息网络技术进步等多重因素作用下，金融机构为应对严峻的市场竞争，逐渐寻求“安全”目标市场，陆续关闭了一些农村及落后地区的分支机构，导致贫困地区及弱势群体无法享受金融产品及服务，因此而产生了金融排除现象。

对于金融排除较为普遍的定义是：人们在获得和/或使用金融主流服务和产品的过程中存在着障碍，而这些服务和产品恰好又是能使他们在其所属社会阶层中过上正常的社会必需品。[1](p21)其中所指的社会必需品一般包括银行、储蓄、信贷和保险，相应的金融排除包括银行排除、储蓄排除、信贷排除和保险排除。其中，保险作为“稳定器”在社会经济中发挥着举足轻重的作用，但是现有文献中保险排除作为金融排除的现象之一，长期以来并未得到重视，最早提出保险排除问题的是英国学者 Andreas Cebulla（1999，2000），基于英国保障体系改革的背景下，对商业性质的失业保险排除进行了概念性的阐述和产生机理分析，[2](p111)并提出不同的国家影响失业保险排除的因素各异，如在英国影响因素主要来自主观对自身风险的判断。[3](p389)其他学者更多的只是将其作为金融排除的现象之一进行描述。国内目前没有学者对保险排除做出系统的研究，仅见徐少君在其博士论文中对基本保险产品的排除，[4](p130)只针对社会保险做出了评估，未对商业保险排除进行分析，可以说是对保险排除的错误理解。社会保险具有强制性和政策性，其覆盖率主要是受国家体制的影响，因此本文将保险排除定义为对商业保险产品的排除，即社会中有一部分人无法或较少获得商业保险服务。

二、保险排除的维度

（一）地理排除。由于空间距离的限制，使得一部分消费者无法获得保险服务。保险机构基于成本收益的考虑往往在偏远地区及贫困地区减少机构设置甚至不予以设立，此外，这类地区往往在电力供应和网络通信等方面比较欠缺，保险公司无法正常运转。一般来说，保险机构的网点数量与保险排除存在负相关关系。

（二）评估排除。指保险公司通过风险评估限制消费群体的进入，对于某些风险过于集中的主体采取风险回避措施，也是基于保险公司生存的考虑，确保公司保持一定的偿付能力和竞争力。

（三）条件排除。即某些人的保险消费需求由于保险机构在提供产品时所附加的条件不能实现而无法满足。这些条件往往是基于保险机构主观风险的评判而设置的门槛，同时也不排除某些条件的不合理性，甚至是单方免责的霸王条款。

（四）价格排除。当消费者收入无法支付保险产品的价格时就会遭受保险排除，往往越是不发达的地区，所能得到的保险保障越少。

（五）营销排除，指保险公司在寻求目标市场时，会“理性”地自动将某些处于边缘地带的人群排除在外。

（六）自我排除，由于经济主体自身对风险的错误认识以及对保险的不信任而自主地将自己排除在保险服务体系之外，产生原因一般认为可能来自教育水平、民族文化、消费习惯等。典型的表现就是不予购买保险产品或不足额投保。

三、我国保险排除程度空间差异及影响因素

（一）研究方法及数据来源。

对于保险排除程度的量化研究方法借鉴田霖（2007）[5]（p107）对金融排除程度的研究成果，首先建立保险发展水平指标，由于保险排除程度与发展水平呈现负相关关系，接着利用保险发展水平的排序对保险排除程度进行反向排序，最后利用排序选择模型确定保险排除的影响因素。

本文共收集31个地区 （不包括香港、台湾、澳门）2011年截面数据样本共217个，包括保险机构数量，保险从业人员数量，保险行业总资产，承保总额，赔付金额，保险深度和保险密度。数据主要来自2012年中国统计年鉴，2012年中国保险年鉴，2012年地方统计年鉴，保监会及各派出保监局网站。

（二）我国保险排除程度的空间差异。

1.指标选择。

选择以下指标来衡量中国各省市的保险综合发展水平。

（1）保险机构数量，反映保险整体供给能力，作为总量指标用来衡量主体成熟水平。

（2）保险业保险金额，保险业所承担的风险总额，体现着保险业作为社会“稳定器”的作用。

（3）赔付金额包括财产保险赔偿以及人身保险给付金额，体现了保险业对社会经济的风险管理及保障水平。

（4）保险深度，反映了保险业在该地区经济中的影响程度和相对发展水平。

（5）保险密度，是某一地区的人均保费收入，能够反映该地区保险业发展的人口条件。

保险密度和保险深度在一定程度上能够反映地区保险市场的需求状况。

（6）保险从业人员数量，可在一定程度上反映保险行业总体规模。

（7）保险行业总资产，反映该地区保险行业通过过去的交易或事项形成并且由保险业所能控制的资源规模的存量。

2.主成分与因子分析方法。

首先进行KMO和Barleett球形检验，根据Kaiser（1974）给出的检验标准，当KMO大于0.5时，数据才适合做因子分析。本文中KMO为0.780，而且Barleett统计值的显著性概率为0.000，说明显著性水平小于1%，适合做因子分析。

主成分分析中一般来说当因子的累积贡献度之和大于85%时，即说明公因子可反映绝大部分的信息。表1中给出保险发展水平主成分的特征值。

表1 保险发展水平主成分的特征值及方差比重

表2 保险发展水平得分及排名情况

经过Varimax旋转后，第一主成分为44.834%，第二主成分为42.320%，累计方差贡献率达87.154%，足以反映保险行业总体发展水平，因此，将前两个公因子作为评价地区保险发展水平的综合指标。根据旋转成份矩阵可知：（1）F1在保险密度、保险深度和承保总额的载荷值比较大，可称之为保险效率因子；（2）F2在保险机构总数、就业人数、赔款总额和总资产的载荷值比较大，可称之为保险规模因子；（3）综合得分F=（44.834%*F1+42.320%*F2）/87.154%。根据此公式，计算出各个省市的保险发展水平得分并进行排序。

从表2数据可以看出，广东、上海、北京的保险发展水平处于领先地位，排名先后的海南、青海、西藏的保险整体水平较落后，需要注意的是得分正负仅代表各地区保险相对发展水平。

3.对保险发展水平进行聚类分析，结果见表4。将31省市划分为四个梯队，由于区域保险发展水平与保险排除程度呈负相关关系，可以根据其聚类结果将保险排除程度按四个等级划分：较轻、中等、比较严重、非常严重。

表4 保险发展水平聚类结果

（三）保险排除的排序选择模型。

本文保险排除程度作为因变量存在不止两种选择，属于多元选择问题常见类型之一。即，需要将选择对象按某个准则进行排队后由决策者进行选择，对此我们需要建立排序选择模型，也称排序因变量模型ODM（Ordered Dependent Model）。本文中对保险排除程度按照由高到低排序，依次用0、1、2、3进行表示，采用ODM模型进行我国保险排除空间差异影响要素的量化分析，从而确定影响我国保险排除的各因素。

引入一个潜在变量yi是不可观测的，yi取决于x·yi是可观测的，并设 yi有 0、1、2、3 共四个取值。

公式6中，xi是影响yi的一组解释变量，β为未知系数，ε是独立同分布可识别的随机变量，可以通过按以下规则得到：

其中Ci是临界值。

1.指标的选择。

对影响我国保险排除因素的选择，本文将借鉴田霖（2007），徐少君（2008），王伟（2011）[6](p13)的研究成果并结合我国实际情况进行选择分析，分别是：

（1）年龄（AGE）。从消费者角度来看，随着年龄变化对保险的消费相应也做了调整，一般来说，老年人和儿童对保险产品的接受能力比较有限。本文采用15-64岁人口占比来反映各地区的人口年龄构成。

（2）收入（INCOME）。收入是影响保险排除的一个最重要因素，通常可支付收入越多，对保险产品的消费也越多。此外，对于保险行业来说，高收入者往往意味着对保险产品有着更高的消费能力，因此也就成为保险机构追逐的服务对象。本文采用居民人均可支配收入来衡量其影响。

（3）受教育程度（KNOW）。对于保险这个特殊的非渴求产品来说，自我排除受其对保险知识的拥有量的影响比较大，当消费者缺乏基本的保险知识且对风险不了解时会限制其对保险产品的购买。由于在我国没有直接反映保险知识拥有程度的指标，所以此处以地区中大专及以上人口占总人口比例近似代替。

（4）民族（MINO）。由于宗教文化、习俗、传统等的影响以及收入的制约，少数民族在对保险产品的消费上存在着明显的自我排除。本文对我国31个省区的民族构成进行了虚拟变量的设置，少数民族聚集的省份（新疆、内蒙古、宁夏、西藏和广西）赋值1，其余赋值0。

（5）地理特征（Dt）。①本文仍延用东中西部的划分。西部地区包括的省级行政区共12个，分别是四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古；中部地区有8个省级行政区，分别是山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；东部地区包括的11个省级行政区没变,包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省（市）。我国东中西三大地区由于地理位置的差异，对保险排除程度有着较显著的影响。东部地区的良好区位已经形成了一种循环累积效应，相对于中西部地区，保险排除程度较低。该指标设置为虚拟变量，分别表示东、中和西部，以反映地区因素对保险排除的影响。

（6）就业状况（EMPL）。就业水平也是影响保险排除的一个重要指标，就业状况一方面会从收入间接影响到保险排除的程度，另一方面，也会通过是否获得金融保险服务的接触而产生影响。失业率越低，保险排除程度越低。本文采用地区失业率进行反映。

（7）交通便利性（TRAN）。Leyshon(1997)认为居民的交通便利情况将直接影响到其遭受“接触”方面的排除程度，故而将该指标也纳入到模型中来，本文采用各省区每百人民用汽车拥有量TRAN来表示。

（8）地区生产总值（GDP）。一般而言，地区生产总值反映了一个地区的整体经济水平，GDP值越高，经济越发达，越能够为保险业的发展提供了良好的经济基础。笔者用各地区实际GDP来反映。

（9）金融资源（DEPO）。城乡居民储蓄存款余额，反映了居民的储蓄货币和金融资源数量，它既可以作为影响保险业发展环境因素中居民收入水平的体现，又可观察它对保险业的替代效应和收入效应。

（10）性别（GEND）。通常，消费者会因性别差异对保险需求偏好有所不同，因此引入性别比例 (男性人口/女性人口)，反映性别对保险排除的影响。

（11）社会保障水平（SI）。用人均参保量（基本社保基金收入／地区人数）来衡量地区社会保障程度。一般认为社会保险对商业保险存在着一定的“挤出效应”，即社会保障水平越高，商业保险的发展越受到制约。

（12）婚姻状况（MS）。Marital status通常会对保险的投保产生一定的影响，普遍认为已婚家庭会比单身（包括未婚、离异等）不易被保险所排除，而且更多地体现在人身保险上。本文用15岁以上未婚人口所占的比例来反映。

2.回归结果及分析。

根据Eviews对各指标进行变量的相关性分析，发现各变量间存在着高度相关，因此需要对解释变量进行相应调整，经过对比分析，AIC准则和SC准则，最终确定模型的解释变量为 GEND、INCOME、MINO、MS、AGE、EMPL 和 D1t，结果见表5。

表5 多元排序选择模型的分析结果

（1）INCOME指标系数为负，说明随着地区人均收入的增加，保险排除程度逐渐降低，且能在1%水平上非常显著，即该指标对保险排除的影响是最强的。这也与之前排序时出现的广东、北京、上海三大经济发达省市的保险发展水平较高，而经济落后地区相应保险排除程度较高的情况相一致。

（2）GEND指标系数也为负，即男性相对女性人口比例越大，对保险的排除越低，说明性别在一定程度上会影响风险的偏好以及对保险的需求。相伴概率仅为0.0358，影响程度比较显著。

（3）MINO、MS系数均为正，且都在5%水平上显著，说明越是少数民族集聚的地区，保险程度越高，这一点完全符合我国的实际情况。未婚人口的比例越大，保险排除程度也越高，与之前的预测也相符。

（4）EMPL系数为正，表明随着失业率的增加，保险排除程度也会增加。D1t系数也为正，说明地处西部地区的省市，保险排除程度相对于其他地区要高，但这两个指标的影响较弱，显著性水平分别为0.2501和0.4949。

四、结论与政策建议

保险排除不仅会对微观个体抵御风险的能力上产生影响，同时作为社会排除的一个方面，会加剧社会阶层的两极分化，也会对社会经济的稳定性产生不良影响。因此，从实证研究结果出发，因地制宜地找寻缓解保险排除的措施是非常有必要的。

（一）增强地区经济增长潜力，对于降低欠发达地区的保险排除程度是根本举措。保险排除的负外部性不仅表现在弱势群体在地理上的聚集，而且逐渐被社会所排除，无论这种排除是主动的还是被动的，其结果都会影响到社会经济秩序的稳定性。缓解这一恶性循环的重要方面就是要做到切实从贫困地区利益出发，改善投资环境，重点培育发展特色产业，实现居民收入真实增长，减小贫富差距。

（二）西部地区所遭受的资源错配亟需制度性调整。保险资源的缺乏、优秀人才的流失、基础设施的不完善已经影响到西部地区保险业的健康发展，中央政府在制定政策时应优先考虑在人才引进、地区资源禀赋的保留方面给予更多的优惠政策，地方政府更是在引进的同时注重地区现有资源的最优配置，促进保险业的持续发展。

（三）实行保险差异化经营，充分发挥保险社会管理功能。针对不同消费群体的风险偏好，加大产品创新力度，深入挖掘保险潜在需求。产品设计力求做到能够根据消费者性别、社会背景、婚姻状况、民族文化等差别做出相应调整，同时能够多渠道有选择地开展保险营销，全面考虑地理空间特征、信息技术、人员配备、产品特点等因素，选取适合的销售方式。

（四）加强保险教育，推进保险知识的普及，一方面需要保险供给方侧重于服务对象的需求，简化产品设计，回归保险产品风险保障功能；另一方面，提高人们的自主学习能力和风险管理意识。仿效发达国家设立专门机构或组织对弱势群体提供金融指导或建议，针对被排除对象聚居的地区，如农村地区，开展金融保险知识的培训。

[1]Santiago Carbo,Edward P.M.Gardener and Philip Molyneux.Financial Exclusion in Europe[J].Public Money&Management.FEBRUARY 2007.

[2]Andreas Cebulla.1999.A Geography Of Insurance Exclusion—Perceptions Of Unemployment Risk And Actuarial Risk Assessment[J].Area,Vol.31,No.2.

[3]Andreas Cebulla.2000.The Final Instance—Unemployment Insurance Going Private?A Study of a Future Social Security Scenario in the UK and Germany[J].Innovation,Vol.13,No.4,2000.

[4]徐少君.中国区域金融排除的研究[D].浙江大学，2008.

[5]田霖.我国金融排除空间差异的影响要素分析[J].财经研究,2007,（4）.

[6]王伟，田杰，等.我国金融排除度的空间差异及影响因素分析[J].金融与经济,2011,（3）.