中国寿险业发展的影响因素分析定好Word下载.docx

中国寿险业发展的影响因素分析定好Word下载.docx

《中国寿险业发展的影响因素分析定好Word下载.docx》由会员分享，可在线阅读，更多相关《中国寿险业发展的影响因素分析定好Word下载.docx（15页珍藏版）》请在冰点文库上搜索。

8.362408978

0.0864

0.0696289

-0.056406

28.7183129

13.59859756

1996

24.20334

8.484442701

0.0747

0.066936288

-0.075149

28.97963542

13.63996599

1997

24.82087

8.548749996

0.0567

0.07038628

-0.050785

29.1631416

13.62797543

1998

25.03768

8.598791611

0.0477

0.07431214

-0.035019

29.30638665

13.62918098

1999

25.19158

8.674880467

0.0225

0.07632811

-0.006048

29.4164573

13.65016411

2000

25.32593

8.745125259

0.0216

0.0696065

0.018256

29.49249942

13.76400672

2001

25.68029

8.833462721

0.0207

0.07103907

0.002988

29.62928514

13.85116724

2002

26.15024

8.949365142

0.0198

0.08162907

-0.014896

29.79331603

14.10616321

2003

26.43071

9.076580382

0.0212

0.08508225

0.020161

29.96914033

14.44518532

2004

26.50036

9.0150802659

0.08563323

0.026680

30.11221589

14.68722225

注：

①表中数据凡是牵涉收入或存款金额的单位都为“元”，受教育程度单位为“人”。

②lnY，lnX1，lnX5，lnX6取对数是为了同一数量级。

③因利率数据来自《国家统计年鉴》，其上数据并非按年排列，故按单利计算原则，作了相应的差分处理，转化为每年7月1日的利率。

（二）回归模型分析

利用spss统计软件对以上数据进行逐步自回归分析，我们可以得到对保费收入（lny）起明显作用的是城镇居民人民币储蓄存款（lnx5）和通货膨胀率（X4）。

最终的回归模型为：

Lny=-26.919+3.187*X4+1.775*lnX5

表2逐步自回归分析结果

ModelSummary

Model

R

RSquare

Adjusted

Std.ErroroftheEstinate

Changestatistics

Durbin-

Watson

Change

FChange

df1

df2

Sig.FChange

1

2

.979a

.989b

.959

.979

.955

.974

.23310

.17610

.020

234.238

8.521

10

9

.000

.017

1.721

apredictors:

（constant）.lnx5

bpredictors:

（constant）.lnx5.x4

cDependentVariable:

lny

Unstandardized

Coeffcients

standardized

t

Sig

Correlations

CollineariySta-

tistics

B

Std.Error

Beta

Zero-

order

Partial

Part

Tolerance

VIF

1（constant）

lnx5

-25.213

1.717

3.281

.112

-7.683

15.305

1.000

2（constant）

x4

-26.919

1.775

3.187

2.547

.087

1.092

1.031

.145

-10569

20.387

2.919

.797

-.088

.989

.697

.986

.141

.947

1.056

从表2中可以看出这个模型有较好的拟合结果。

城镇居民人民币储蓄存款代表了保险产品购买主体的购买力水平，因此对寿险的发展有着至关重要的关系。

同时，近年来我国通货膨胀是温和的或者结构性的，适度的通货膨胀能刺激经济增长，从而带来了居民收入的增长，促进了对寿险的需求。

（三）动态计量经济模型

1．数据平稳性的分析

运用E-views3.1对各个数据进行序列的平稳性检验。

通过做线性图可以看出，其中有些数据平稳性教差。

故采用扩展的Dickey-Fuller（ADF）检验对所选因素变量进行单位根检验。

表3序列的平稳性单位根检验

对lny作单位根检验

NumberofLags

NumberofSignificantLags

ADFTestStatistic

Conclusion

AkaikeCriterion

ScbwarzCriteion

4

明显不符

3

-1.416023

Notstationary

-1.062153

-0.974498

-1.352706

-0.451071

-0.360295

N/A

-0.561076

-0.429892

-0.357547

做了一阶差分之后的结果

ADFTestStati

-3.918691

1%Criticalvalue*

-4.4613

5%Criticalvalue

-3.2695

10%Criticalvalue

-2.7822

*Mackinnoncriticalvaluesforrejectionofhypothesisofaunitroot

AugmentedDickey-FullerTestEquation

Dependentvariable:

D（LNY,2）

Method:

LeastSquares

Date:

06/15/06Time:

01:

14

Sample（adjusted）:

19962004

Includedobservations:

9afteradjustingendpoints

Variable

Coefficient

t-Statistic

Prob

D（LNY（-1））

-1.360523

0.347188

0.0078

D（LNY（-1）,2）

0.803878

0.272625

2.948662

0.0257

C

0.409668

0.118297

3.463014

0.0134

R-squared

0.728314

Meandependentvar

-0.016993

AdjustedR-squ

0.637752

S.D.dependentvar

0.219718

S.E.ofregres

0.132242

Akaikeinfocriterion

-0.947172

Sumsquaredre

0.104927

Schwarzcriterion

-0.881431

Loglikelibood

7.262274

F-statiatia

8.042171

Durbin-Watson

2.703214

Prob（F-statiatia）

0.020054

从表3可以看到对lnyY作一阶差分会使其变稳定。

通过检验，可知lnX1序列为平稳序列，X2序列为平稳序列，X3序列在作一阶差分后变为平稳，X4序列变为X4（-1）后平稳，lnX5序列为平稳序列，lnX6序列为平稳序列。

2.自回归分布滞后模型分析

⑴向量自回归模型（VAR）分析

利用相互联系的所有系统变量的滞后项，对由寿险保费收入（lnY）、城镇居民人均可支配收入（X1）、存款利率（X2）、中国老龄化比率（X3）、通货膨胀率（X4）、储蓄存款量（X5）和受教育程度（X6）组成的VAS方程，利用Eviews3.1，考虑到高阶滞后对较短时间的时间序列意义不大，故选择滞后阶数为1。

估计结果如下：

表4向量自回归模型（VAR）分析结果

LNY

LNX1

X2

X3

X4

LNX5

LNX6

LNY（-1）

1.126916

0.21043

0.024819

0.022999

0.030096

0.215829

0.603232

（0.51481）

（0.12905）

（0.01434）

（0.00873）

（0.04539）

（0.08750）

（0.22430）

（2.18901）

（1.63070）

（1.73016）

（2.63387）

（0.66309）

（2.46649）

（2.68935）

LNX1（-1）

2.501896

1.577379

0.189449

0.073819

-0.905557

1.268281

3.895609

（2.84370）

（0.71283）

（0.07920）

（0.04823）

（0.25072）

（0.48336）

（1.23902）

（0.87980）

（2.21285）

（2.39207）

（1.53046）

（-3.61190）

（2.62387）

（3.14411）

X2（-1）

-4.038360

-2.190406

-0.090186

0.330713

-2.339096

-0.426722

-2.961444

（9.93887）

（2.49137）

（0.27680）

（0.16858）

（0.87626）

（1.68937）

（4.33043）

（-0.40632）

（-0.87920）

（-0.32581）

（1.96178）

（-2066941）

（-0.25259）

（-0.68387）

X3（-1）

-32.94569

-1.478156

-0.138323

-0.157709

-1.233573

-4.433799

6.180481

（18.0449）

（4.52329）

（0.50256）

（0.30607）

（1.59093）

（3.06720）

（7.86227）

（-1.82577）

（-0.32679）

（-0.27524）

（-0.51527）

（0.77538）

（-1.44555）

（0.78609）

X4（-1）

-2.509543

-0.018541

-0.077719

-0.022064

-0.031590

-0.156948

0.203079

（1.91631）

（0.48036）

（0.05337）

（0.03250）

（0.16895）

（0.32573）

（0.83495）

（-1.30957）

（-0.03860）

（-1.45623）

（-0.67881）

（-0.18698）

（0.48184）

（0.24322）

LNX5（-1）

-1.704260

-0.921184

-0.219807

-0.042631

-0.221057

-0.224268

-3.205172

（2.52443）

（0.63280）

（0.07031）

（0.04282）

（0.22257）

（0.42909）

（1.09991）

（-0.67511）

（-1.45573）

（-3.12639）

（-0.99564）

（0.99322）

（-0.52265）

（-2.91402）

LNX6（-1）

0.128590

0.042639

0.023728

0.020083

0.253693

0.011957

0.419681

（0.79290）

（0.19876）

（0.02208）

（0.01345）

（0.06991）

（0.13477）

（0.34547）

（0.16218）

（0.21453）

（1.07451）

（-1.49331）

（3.62905）

（0.08872）

（1.21480）

26.20378

16.44772

3.905267

0.382554

-2.889669

19.84287

52.92492

（45.1291）

（11.3125）

（1.25687）

（0.76546）

（3.97881）

（7.67089）

（19.6630）

（0.58064）

（1.45395）

（3.10714）

（0.49977）

（-0.72627）

（2.58678）

（2.69159）

0.994251

0.995862

0.994771

0.968174

0.977068

0.999367

0.992913

Adj.R-squared

0.980838

0.986208

0.982571

0.893914

0.923560

0.997891

0.976378

Sumsq.resids

0.060070

0.003775

4.66E-05

1.73E-05

0.000467

0.001736

0.011404

S.E.equation

0.141504

0.035471

0.003941

0.002400

0.012476

0.024052

0.061654

F-statistic

74.12503

103.1504

81.53528

13.03762

18.26017

676.8224

60.04690

Loglikelihood

13.04743

28.26725

52.43735

57.89231

39.76141

32.54046

22.18607

AkaikeAIC

-0.917714

-3.684955

-8.079518

-9.071329

-5.774803

-4.461903

-2.579285

SchwarzSC

-0.628336

-3.395576

-7.790140

-8.781950

-5.485424

-4.172524

-2.289907

Meandependent

25.14527

8.689458

0.044718

0.073991

-0.008024

29.36161

13.85129

S.D.dependent

1.022239

0.302033

0.029851

0.007369

0.045124

0.523699

0.401146

DeterminantResidual0.000000

由表4可知，VAR方程性质较为优良，决定性方差协方差为0。

虽然部分滞后变量系数不显著，但为了分析的全面性，还是做了保留。

⑵自回归分布滞后模型

通过对数据的自相关检验和单位根检验，我们可以知道城镇居民人均可支配收入（lnX1）序列为平稳序列，、存款利率（X2）序列为平稳序列，中国老龄化比率（X3）序列在作一阶差分并滞后一期变换后变为平稳，通货膨胀率（X4）序列经一期滞后变换后变平稳，储蓄存款量（lnX5）序列为平稳序列，受教育程度（lnX6）序列为平稳序列。

为了消除平稳性差异。

在做回归模型时，将lnX1，X2，lnX5和lnX6写为一阶差分形式。

经过一些列数据调整之后，可以得到表5

表5变换处理后的各变量数据

寿险保费收入（lnY）

城镇居民人均可支配收入（bhlnX1）

存款利率（bhX2）（经过修正）

老龄化比率（bhX3）

通货膨胀率（bhX4）

城镇居民人民币储蓄存款（bhlnX5）

受教育程度（bhlnX6）

-0.304895525

0.0117

-0.003402892

0.138359

-0.3474013

-0.10938044

-0.202977035

-0.002399985

0.018743

-0.32094991

-0.23407263

-0.122033723

-0.001023404

-0.024364

-0.326132252

-0.04136843

-0.064307295

0.018

-0.003925854

-0.015766

-0.18350618

0.01199056

-0.050041615

0.009

-0.002015977

-0.028971

-0.14324505

-0.00120555

-0.076088856

0.0252

0.006721609

-0.024304

-0.11007065

-0.02098313

-0.070244792

0.0009

-0.001432571

0.015268

-0.07604212

-0.11384261

-0.088337462

-0.010589997

0.017884

-0.13678572

-0.08716052

-0.115902421

-0.003453174

-0.035057

-0.16403089

-0.25499597

-0.12721524

-0.0014

-0.000550982

-0.006519

-0.1758243

-0.33902211

bhlnX1=lnX1-lnX1（-1），bhX2=X2-X2（-1），bhlnX3=[X3-X3（-1）]（-1）=X3（-1）X3（-2）,bhX4=X4（-1）-X4（-2），bhlnX5