自1980年以来中国保险业发展状况的研-基于计量经济学理论的实证分析

的各种显著性水平下的τ值。因而可以认为时间序列lny是一个非平稳序列。 以上两种不同形式的回归模型均证明了lny是一个非平稳序列。 5.1.2.3 单位根检验结果

DF和ADF两种检验方法均证明，本文的保险密度双对数模型存在单位根，即回归模型不是平稳序列。 5.2 格兰杰因果关系检验

格兰杰从预测的角度给出了因果关系的一种定义,并将这种定义下的因果关系称为格兰杰因果关系（孙敬水，2004）。

5.2.1 保险密度与人均GDP的格兰杰因果关系检验 5.2.1.1 保险密度推导人均GDP的格兰杰因果关系检验

表5 保险密度推导人均GDP的格兰杰因果关系检验结果

滞后期长度

1 2 3 4 5 6 7 8

显著性水平α=0.05

F值 0.82825 0.64934 0.89962 0.83504 1.67951 8.06146 16.2053 1243.02

临界概率 0.37264 0.5336 0.46296 0.52672 0.2268 0.00723 0.00863 0.02193

结论 通过 通过 通过 通过 通过 不通过 不通过 不通过

从表5可以看出，在滞后期长度为1至5期的范围内保险密度均为人均GDP的原因（取显著性水平α=0.05），即保险密度的变化导致人均GDP的变化。 5.2.1.2 人均GDP推导保险密度的格兰杰因果关系检验

表6 人均GDP推导保险密度的格兰杰因果关系检验结果

滞后期长度

1

F值 0.05988

临界概率 0.80896

结论 通过

2 3 4 5 6 7 8

显著性水平α=0.05

0.01147 0.11484 0.54045 1.07806 0.74405 1.09972 1.36022

0.9886 0.95012 0.7089 0.42794 0.63274 0.49216 0.58384

通过 通过 通过 通过 通过 通过 通过

从表6可以看出，在滞后期长度为1至8期的范围内人均GDP均为保险密度的原因（取显著性水平α=0.05），即的人均GDP变化导致保险密度的变化。 5.2.2 保险密度与第三产业产值比重的格兰杰因果关系检验 5.2.2.1 保险密度推导第三产业产值比重的格兰杰因果关系检验

表7 保险密度推导第三产业产值比重的格兰杰因果关系检验结果

滞后期长度

1 2 3 4 5 6

显著性水平α=0.05

F值 1.39763 2.73873 8.98822 7.72522 11.7554 8.84295

临界概率 0.24974 0.09013 0.00101 0.00205 0.00063 0.00553

结论 通过 通过 不通过 不通过 不通过 不通过

从表7可以看出，在滞后期长度为1、2、8期的范围内保险密度均为第三产业产值比重的原因（取显著性水平α=0.05），即保险密度的变化导致第三产业产值比重的变化。 5.2.2.2 第三产业产值比重推导保险密度的格兰杰因果关系检验

表8 第三产业产值比重推导保险密度的格兰杰因果关系检验结果

滞后期长度

F值

临界概率

结论

1 2 3 4 5 6 7 8

显著性水平α=0.05

1.76793 0.69616 0.50366 0.27331 0.54709 0.51602 0.43613 0.48195

0.19726 0.51077 0.68517 0.88997 0.7377 0.78093 0.84072 0.81229

通过 通过 通过 通过 通过 通过 通过 通过

从表8可以看出，在滞后期长度为1至8期的范围内第三产业产值比重均为保险密度的原因（取显著性水平α=0.05），即的第三产业产值比重变化导致保险密度的变化。 5.2.3 格兰杰因果关系检验结果

从以上的分析可以看出，在滞后期长度为1至8期的范围内，无论是人均GDP的变化，还是第三产业产值比重的变化，都是保险密度变化的原因（取显著性水平α=0.05）。而在一定的滞后期内，保险密度的变化，又是人均GDP和第三产业产值比重变化的原因（取显著性水平α=0.05）。人均GDP、第三产业产值比重与保险密度在一定条件下互为因果。

5.2 向量自回归模型（VAR）

以本文表1数据，选定滞后期长度为2，建立向量自回归模型（VAR）。

lny=-11.246+0.8971nX1(t-1)-0.056lnX1(t-2)+1.367lnX2(t-1)+0.65lnX2(t-2)+0.3837lnyt-1-0.085lnyt-2 s=(-0.62563)(-0.47719) (-0.90948) (-0.92067) (-0.28828) (-0.23435) (-5.08289) t=(1.43431)(-0.11784) (1.50297) (0.70648) (1.33087) (-0.36365) (-2.21256)

R2=0.99541 修正的决定系数R2=0.993791 S.E.=0.143594 F=614.5048

这个向量自回归模型的修正的决定系数R2=0.993791，拟合优度较高。且F统计量F=614.5048＞F0.05（6，17）=2.7，即向量自回归模型通过F检验。但是，只有lnyt-2的系数的t统计量绝对值为2.21256，大于t0.05/2(17)=2.1098，通过检验t检验，其余的参数的系数的t统计量绝对值均小于t0.05/2(17)=2.1098，不能通过检验t检验。

6 结论

综合以上各种分析的结果可知，1980年至2005年中国保险密度的计量经济学模型是：

lny =-16.92572777684+1.333507799059lnX1+2.724283416411lnX2 s=(0.9582833789904) (0.07780650443339) (0.4334275696991) t=(-17.66254966737) (17.13877019369) (6.285440998371) R2=0.994500 修正的决定系数R2=0.994022 S.E.=0.157377

F=2079.497449 DW=1.389998

这个回归模型的拟合优度较高，能够通过t检验和F检验，不存在异方差性和自相关性，多重共线性不算严重，因而是一个较为科学的计量经济学模型。

从这个模型中可知，1980年至2005年的26年间保险密度与人均GDP和第三产业产值比重存在正相关关系。在第三产业产值比重不变的条件下，人均GDP每增加一个百分点，保险密度将平均增加1.333507799059%。在人均GDP保持不变的条件下，第三产业产值比重的数值每增加一个百分点，保险密度将平均增加2.724283416411%。要想从促进中国保险业的发展，就必须大力提升人均GDP和第三产业在GDP中所占的比重，因为着两个指标对中国保险密度的影响非常显著。另一方面，从这个回归模型中，也可以印证一国保险业的发展与一国经济发展紧密联系的这个国际保险业的一般规律。