中澳两国财险公司效率研究

中澳两国财险公司效率研究
作者：徐星张彤
来源：《金融发展研究》2018年第06期
摘要：本文运用非参数法中的SBM模型和DEA窗口分析度量了中澳两国31家财险公司在2011—2015年间技术效率、纯技术效率和规模效率的变化，实证结果表明：2011—2013年中国财险公司的技术效率低于澳大利亚财险公司，2014年，中国财险公司各项效率均值呈现总体上涨势头，并在2015年反超澳大利亚。

虽然我国财险公司在规模效率方面表现良好，但我国财险行业发展仍不完善，财险公司个体技术差距较大、经营管理技术不能在市场中有效流通且缺乏淘汰机制，需进一步改善。

关键词：财产保险公司；效率；SBM模型；DEA窗口分析
中图分类号：F840.65 文献标识码：A 文章编号：1674-2265（2018）06-0058-10
DOI：10.19647/ki.37-1462/f.2018.06.009
一、引言
自1979年我国恢复保险业务以来，财险业的发展取得了长足的进步。

从公司数量上看，近40年来我国从最初仅有的中国人民保险公司发展到拥有70多家财险公司，其产权类型覆盖了国有控股企业、股份制企业、政策性保险公司、外资企业和中外合资企业等多种组织形式。

从保费收入上看，我国财险业保费收入从1997年的383.23①亿元上升到2016年的8725亿元，18年间收入提高了近30倍。

尽管我国财险公司的发展取得了举世瞩目的成就，但是行业内公司经营效率低下、竞争力弱也是不争的事实（侯晋和朱磊， 2004；龙文文， 2011）。

在我国保险市场逐步开放、外资财产保险公司纷纷入华投资的背景下，我国财险业遇到了前所未有的挑战，其中亟待解决的问题就是如何提高自身经营效率和竞争力。

2016年8月保监会发布《中国保险业发展十三五规划纲要》，指出要以创新驱动保险业供给侧改革，着力激发保险业承保质量和效率；同时需要提升保险业的服务效率和质量，使得整个行业获得全社会的认可。

学术界对我国财险公司效率的研究也有很多，其中不乏中、外资保险公司的对比研究，但缺乏与国际优秀保险公司的对比研究。

同世界优秀财险公司的效率对比研究是提升我国财险公司效率的重要课题。

同英美等保险业发达国家相比，澳大利亚保险市场同我国有更多的相似性（吴憨和吴军，2006 ），如两国财险寿险都是分业经营；都是由国有、私营企业构成的竞争垄断型保险市场等等，这使得两国财险公司具有可比性。

基于上述原因，本文将中澳两国财险公司做对比，找到中方财险公司与澳大利亚财险公司效率的差距并明确改进方法，这样不仅能够提高我国财险市场中所有公司的经营效率，也能为我国财险公司进入国外市场做好准备。

二、模型的选取及综述
非参数法中的数据包络分析（DEA）和参数法中的随机前沿分析（SFA）是目前学术界度量效率所使用的两种主流方法。

（一）非参数法
国内外使用传统DEA方法对保险业的效率研究可分为以下几个方面：一是研究某国寿险或非寿险行业效率同其影响因素之间的关系。

Cummins和Turchetti （1996）首先使用DEA分析了意大利保险公司的技术效率，得出意大利保险公司的技术效率在生产力大幅下降的情况下并未发生明显变化的结论。

Barros 和Borges （2005）研究了葡萄牙保险公司生产效率的变化趋势。

他们的结论表明当保险公司的生产效率提高时，整个保险市场的表现也会更好。

二是把一国不同类型的保险公司效率做對比。

Cummins 等人（1999）利用DEA研究了兼并收购对保险公司效率的影响。

他们发现，被收购的公司在效率方面会得到很大的提升。

三是把不同国别保险公司的效率做研究。

Diacon（2001）利用DEA法分析了英国保险公司的效率，通过效率值的测算发现英国保险公司效率高于欧洲其他国家保险公司效率，但是前者效率仍有提升空间。

传统DEA模型的不足之处在于该方法并没有考虑生产过程中投入产出的联合机制。

如保险公司在承保阶段收到保费后，保费又作为中间变量进入投资阶段。

针对于此，Färe 和Grosskopf 2000年提出网络DEA （Network DEA）。

该方法把生产过程分成了若干个阶段，以中间产品为中介连接前后阶段并由此测算分阶段的效率以及整体效率。

Yang（2006）运用两阶段独立DEA计算了加拿大寿险公司的保险效率和投资效率，首次揭示出寿险公司经营的“黑箱子”。

但他分割了两个阶段，没有考虑投入产出的中间变量。

然而，网络DEA仍属于传统的径向模型，对无效率程度的度量只是根据所有投入、产出同比例增减，没有考虑松弛变量的影响，因此会造成效率度量的误差。

对此， Tone 在2001年加入松弛变量，提出了SBM模型（Slacked-based Model），后又同Tsutsui（2009）合作提出网络SBM模型（Network SBM）。

网络SBM模型的提出解决了网络DEA等径向模型在投入冗余或产出不足时高估企业效率的问题。

但是因为考虑到每年决策单元面临的前沿面不同，即最有效率的决策单元不同，所以对于面板数据的处理，使用逐年计算效率的方法得到的数据在不同年份不具有可比性。

针对于此，有文献提出采用Malmquist指数的方法来分析面板数据，提出了动态DEA模型（Grifell-
Tatjé，1995；Färe，1992）。

而Charnes 等人（1985）提出了DEA 窗口分析法（DEA Window Analysis），该方法不仅可以测算出同一个决策单元效率的时间变化趋势，还能成倍增加决策单元个数，解决样本个数不足的问题。

Asmild 等人（2004）使用了DEA 窗口分析法估计加拿大银行业在1981—2000年这20年间的效率。

国外使用该方法度量保险业效率的文献不多，而国内学者在这方面领先一步。

江涛（2015）使用DEA窗口分析法对中国寿险公司的效率进
行了评价。

孙蓉和奉唐文（2016）又使用同种方法分析了保险公司经营农险的效率并对传统DEA、SBM以及SBM—窗口分析法下度量出的效率值做了对比。

（二）参数法
参数法是前沿效率分析的另一分支。

参数法主要分为随机前沿分析（SFA）、自由分布法（DFA）和厚沿法（TFA），而国内外文献研究效率均以Aigner等人（1977）首次提出使用的随机前沿分析（SFA）为主。

同使用非参数法研究效率的文献相类似，参数法也被用于上述三类问题的研究。

但是使用随机前沿分析（SFA）研究保险公司效率的文献明显少于使用数据包络分析方法（DEA）的文献，且研究重点集中在对比一国不同类型保险公司的效率值上。

例如，刘铮等人（2013）利用SFA度量了我国16家财险公司的效率，得出国有控股公司在成本X效率上表现更好、市场份额大的公司在收益X效率上更有优势的结论。

Fenn等（2008）使用SFA估计了欧洲寿险、财险及保险集团1995—2001年间的X效率，得出市场份额大的公司成本效率高的结论。

甘小丰（2008）对中国保险业的成本效率和规模效率等进行了研究，认为中资保险公司的成本效率高于中外合资保险公司。

除了研究对比一国不同类型保险公司的效率值外，叶成徽和陈晓安（2012）分析了经理报酬对上市保险公司效率的影响，得出其对利润效率有反向影响，对成本效率没有影响的结论。

黄薇（2008）也使用SFA对我国1999—2006年承担不同经营风险的保险公司效率进行了度量并得出结论：竞争的压力对保险公司的效率有反向促进作用。

也有少数学者利用SFA研究不同国别保险公司的效率。

例如，王宇悦（2016）使用SFA对比研究了中美人身保险公司的利润效率，认为提高市场份额能够提升中美两国人身保险公司的利润效率，而效率的一些外部因素如GDP增长率、通胀率、广义货币增长率只能提升美国人身保险公司的利润效率。

（三）模型的选取
考虑到如下几点原因，本文选择数据包络分析法（DEA）对中澳两国财险公司效率进行度量：
1. 现实生活中公司成本或利润函数可能远比大多文献采取的Cobb-Douglas生产函数或者超越对数生产函数要更加复杂。

而对于保险公司这一经营风险转移这种无形商品的公司来说，准确地估计出保险公司的成本或利润函数更加困难。

即使估计出的函数形式正确，我们依然要对投入、产出等变量进行假设，这样依旧会面临变量选取不准确的问题。

考虑到DEA不需要设定成本或生产函数，可以避免函数估计错误引起的误差，故本文使用DEA。

2. SFA对样本容量要求较高，如果样本容量不足往往估计出来的结果不准确，而DEA不仅避免了这个问题，其中的窗口分析模型还可以通过构建窗口起到增加样本的效果。

3. DEA方法可以把技术效率进一步划分为纯技术效率和规模效率，还可以通过成本最小化DEA模型度量出决策单元（DMU）的资源配置效率并计算得到总的经济效率。

这样可以更加细致地分析财险公司效率水平低下是咎于技术层面、规模层面还是资源配置层面，帮助公司更好地找到提高效率的着力点。

三、样本及数据指标
（一）样本的选择
本文从《中国保险统计年鉴》中选取平均保费收入超过50亿人民币的15家中国财险公司②，之所以选取平均保费收入超过50亿人民币的公司，是因为本文在多次试验后发现：选取平均保费收入超过50亿人民币的公司后，平均保费收入最小的华泰财险仅占所有15家樣本公司市场份额的不足1%，所以这样选取的15家保险公司保费收入之和能够近似于整个财险业的保费收入，具有覆盖性；接着本文从全球保险行业分析库（ORBIS Insurance Focus）③中选取了被认定为超大型和大型财险公司，但是由于部分公司在近5年（2011—2015年）的数据没有披露，最后只选取了可获得数据的16家澳大利亚超大型和大型财险公司。

之所以选取被认定为超大型和大型财险公司是因为在澳大利亚只有此两种类型的公司保费收入同中国财险公司保费收入、总资产规模类似，具有可比性。

而一些中小型财险公司由于保费收入同选取的15家中国财险公司差距过大而被舍弃。

这样一来，选取的16家澳大利亚大型保险公司不仅可以同中国的15家财险公司作比较，也代表了澳洲承保能力最为优秀的财险公司。

相互比较这种覆盖层次深的公司并对它们的效率进行度量可以帮助找出我国财险公司同世界优秀公司的差距，同时也能为公司经营者和市场消费者、投资者提供公司效率方面的参考信息。

本文最后确定选取15家中国财险公司、16家澳大利亚财险公司共31家财险公司的155个样本数据（见表1）。

（二）数据来源
本文中国财险公司的所有数据来源于《中国保险统计年鉴》（2012—2016年）；澳大利亚财险公司的部分数据来源于全球保险行业分析库，关于员工数量的数据来源于各家公司披露的财务报告、年报以及公司官网介绍。

（三）投入产出指标的选取
对于利用数据包络分析研究财险公司效率时投入、产出变量的设定，学术界目前没有形成一个统一的理论方法。

但是叶世绮等人（2004）提出DEA投入、产出变量的选取应该遵循目的性、精简性和关联性原则，三者之间互为关联。

其中目的性是指投入、产出的选取要符合效率评价的目的。

精简性要求在满足目的性的前提下尽量精简变量个数。

而关联性原则为如何精简提供了方向；当投入指标或者产出指标中的两个变量高度相关时，可认为其中一个指标已经包含了另外一个指标，所以可以将其中一个剔除，而剔除哪个变量要看研究的目的。

本文参照
上述观点来确定投入、产出变量。

通过阅读文献，本文发现在投入变量的选取上，学者们的意见基本一致，只是在产出变量的选取方面存在不同意见。

对于投入变量的选取，学者们普遍认为保险公司的投入指标为劳动力、资本和费用（孙蓉和奉唐文， 2016；廖浠伶，2013；谭春彦，2012）。

财产保险的承保、勘查、定损都需要人力，因此劳动力是财险公司经营的一个投入要素。

考虑到数据的可获得性和目前文献较多选取公司员工人数代替劳动力，认定公司员工数为中澳财险公司的第一个投入变量。

考虑到保险公司同一般公司不同，利用保费收入和赔付的时间差赚取投资利润也是保险公司的主要业务收入之一，反映了公司的竞争力，本文加入投资资产④作为第二个投入变量。

由于DEA指标选取的精简性和关联性原则，考虑到投资资产包含了资本，本文舍弃了资本这一变量。

最后对于各种费用的投入，考虑到数据的可得性以及参照其他学者的做法（宋增基等，2007；张俊岭，2007），本文使用营业费用⑤代替。

（二）参数法
参数法是前沿效率分析的另一分支。

参数法主要分为随机前沿分析（SFA）、自由分布法（DFA）和厚沿法（TFA），而国内外文献研究效率均以Aigner等人（1977）首次提出使用的随机前沿分析（SFA）为主。

同使用非参数法研究效率的文献相类似，参数法也被用于上述三类问题的研究。

但是使用随机前沿分析（SFA）研究保险公司效率的文献明显少于使用数据包络分析方法（DEA）的文献，且研究重点集中在对比一国不同类型保险公司的效率值上。

例如，刘铮等人（2013）利用SFA度量了我国16家财险公司的效率，得出国有控股公司在成本X效率上表现更好、市场份额大的公司在收益X效率上更有优势的结论。

Fenn等（2008）使用SFA估计了欧洲寿险、财险及保险集团1995—2001年间的X效率，得出市场份额大的公司成本效率高的结论。

甘小丰（2008）对中国保险业的成本效率和规模效率等进行了研究，认为中资保险公司的成本效率高于中外合资保险公司。

除了研究对比一国不同类型保险公司的效率值外，叶成徽和陈晓安（2012）分析了经理报酬对上市保险公司效率的影响，得出其对利润效率有反向影响，对成本效率没有影响的结论。

黄薇（2008）也使用SFA对我国1999—2006年承担不同经营风险的保险公司效率进行了度量并得出结论：竞争的压力对保险公司的效率有反向促进作用。

也有少数学者利用SFA研究不同国别保险公司的效率。

例如，王宇悦（2016）使用SFA对比研究了中美人身保险公司的利润效率，认为提高市场份额能够提升中美两国人身保险公司的利润效率，而效率的一些外部因素如GDP增长率、通胀率、广义货币增长率只能提升美国人身保险公司的利润效率。

（三）模型的选取
考虑到如下几点原因，本文选择数据包络分析法（DEA）对中澳两国财险公司效率进行度量：
1. 现实生活中公司成本或利润函数可能远比大多文献采取的Cobb-Douglas生产函数或者超越对数生产函数要更加复杂。

而对于保险公司这一经营风险转移这种无形商品的公司来说，准确地估计出保险公司的成本或利润函数更加困难。

即使估计出的函数形式正确，我们依然要对投入、产出等变量进行假设，这样依旧会面临变量选取不准确的问题。

考虑到DEA不需要设定成本或生产函数，可以避免函数估计错误引起的误差，故本文使用DEA。

2. SFA对样本容量要求较高，如果样本容量不足往往估计出来的结果不准确，而DEA不仅避免了这个问题，其中的窗口分析模型还可以通过构建窗口起到增加样本的效果。

3. DEA方法可以把技术效率进一步划分为纯技术效率和规模效率，还可以通过成本最小化DEA模型度量出决策单元（DMU）的资源配置效率并计算得到总的经济效率。

这样可以更加细致地分析财险公司效率水平低下是咎于技术层面、规模层面还是资源配置层面，帮助公司更好地找到提高效率的着力点。

三、样本及数据指标
（一）样本的选择
本文从《中国保险统计年鉴》中选取平均保费收入超过50亿人民币的15家中国财险公司②，之所以选取平均保费收入超过50亿人民币的公司，是因为本文在多次试验后发现：选取平均保费收入超过50亿人民币的公司后，平均保费收入最小的华泰财险仅占所有15家样本公司市场份额的不足1%，所以这样选取的15家保险公司保费收入之和能够近似于整个财险业的保费收入，具有覆盖性；接着本文从全球保险行业分析库（ORBIS Insurance Focus）③中选取了被认定为超大型和大型财险公司，但是由于部分公司在近5年（2011—2015年）的数据没有披露，最后只选取了可获得数据的16家澳大利亚超大型和大型财险公司。

之所以选取被认定为超大型和大型财险公司是因为在澳大利亚只有此两种类型的公司保费收入同中国财险公司保费收入、总资产规模类似，具有可比性。

而一些中小型财险公司由于保费收入同选取的15家中国财险公司差距过大而被舍弃。

这样一来，选取的16家澳大利亞大型保险公司不仅可以同中国的15家财险公司作比较，也代表了澳洲承保能力最为优秀的财险公司。

相互比较这种覆盖层次深的公司并对它们的效率进行度量可以帮助找出我国财险公司同世界优秀公司的差距，同时也能为公司经营者和市场消费者、投资者提供公司效率方面的参考信息。

本文最后确定选取15家中国财险公司、16家澳大利亚财险公司共31家财险公司的155个样本数据（见表1）。

（二）数据来源
本文中国财险公司的所有数据来源于《中国保险统计年鉴》（2012—2016年）；澳大利亚财险公司的部分数据来源于全球保险行业分析库，关于员工数量的数据来源于各家公司披露的财务报告、年报以及公司官网介绍。

（三）投入产出指标的选取
对于利用数据包络分析研究财险公司效率时投入、产出变量的设定，学术界目前没有形成一个统一的理论方法。

但是叶世绮等人（2004）提出DEA投入、产出变量的选取应该遵循目的性、精简性和关联性原则，三者之间互为关联。

其中目的性是指投入、产出的选取要符合效率评价的目的。

精简性要求在满足目的性的前提下尽量精简变量个数。

而关联性原则为如何精简提供了方向；当投入指标或者产出指标中的两个变量高度相关时，可认为其中一个指标已经包含了另外一个指标，所以可以将其中一个剔除，而剔除哪个变量要看研究的目的。

本文参照上述观点来确定投入、产出变量。

通过阅读文献，本文发现在投入变量的选取上，学者们的意见基本一致，只是在产出变量的选取方面存在不同意见。

对于投入变量的选取，学者们普遍认为保险公司的投入指标为劳动力、资本和费用（孙蓉和奉唐文， 2016；廖浠伶，2013；谭春彦，2012）。

财产保险的承保、勘查、定损都需要人力，因此劳动力是财险公司经营的一个投入要素。

考虑到数据的可获得性和目前文献较多选取公司员工人数代替劳动力，认定公司员工数为中澳财险公司的第一个投入变量。

考虑到保险公司同一般公司不同，利用保费收入和赔付的时间差赚取投资利润也是保险公司的主要业务收入之一，反映了公司的竞争力，本文加入投资资产④作为第二个投入变量。

由于DEA指标选取的精简性和关联性原则，考虑到投资资产包含了资本，本文舍弃了资本这一变量。

最后对于各种费用的投入，考虑到数据的可得性以及参照其他学者的做法（宋增基等，2007；张俊岭，2007），本文使用营业费用⑤代替。

（二）参数法
参数法是前沿效率分析的另一分支。

参数法主要分为随机前沿分析（SFA）、自由分布法（DFA）和厚沿法（TFA），而国内外文献研究效率均以Aigner等人（1977）首次提出使用的随机前沿分析（SFA）为主。

同使用非参数法研究效率的文献相类似，参数法也被用于上述三类问题的研究。

但是使用随机前沿分析（SFA）研究保险公司效率的文献明显少于使用数据包络分析方法（DEA）的文献，且研究重点集中在对比一国不同类型保险公司的效率值上。

例如，刘铮等人（2013）利用SFA度量了我国16家财险公司的效率，得出国有控股公司在成本X效率上表现更好、市场份额大的公司在收益X效率上更有优势的结论。

Fenn等（2008）使用SFA估计了欧洲寿险、财险及保险集团1995—2001年间的X效率，得出市场份额大的公司成本效率高的结论。

甘小丰（2008）对中国保险业的成本效率和规模效率等进行了研究，认为中资保险公司的成本效率高于中外合资保险公司。

除了研究对比一国不同类型保险公司的效率值外，叶成徽和陈晓安（2012）分析了经理报酬对上市保险公司效率的影响，得出其对利润效率有反向影响，对成本效率没有影响的结论。

黄薇（2008）也使用SFA对我国1999—2006年承担不同经营风险的保险公司效率进行了度量并得出结论：竞争的压力对保险公司的效率有反向促进作用。

也有少数学者利用SFA研究不同国别保险公司的效率。

例如，王宇悦（2016）使用SFA对比研究了中
美人身保险公司的利润效率，认为提高市场份额能够提升中美两国人身保险公司的利润效率，而效率的一些外部因素如GDP增长率、通胀率、广义货币增长率只能提升美国人身保险公司的利润效率。

（三）模型的选取
考虑到如下几点原因，本文选择数据包络分析法（DEA）对中澳两国财险公司效率进行度量：
1. 现实生活中公司成本或利润函数可能远比大多文献采取的Cobb-Douglas生产函数或者超越对数生产函数要更加复杂。

而对于保险公司这一经营风险转移这种无形商品的公司来说，准确地估计出保险公司的成本或利润函数更加困难。

即使估计出的函数形式正确，我们依然要对投入、产出等变量进行假设，这样依旧会面临变量选取不准确的问题。

考虑到DEA不需要设定成本或生产函数，可以避免函数估计错误引起的误差，故本文使用DEA。

2. SFA对样本容量要求较高，如果样本容量不足往往估计出来的结果不准确，而DEA不仅避免了这个问题，其中的窗口分析模型还可以通过构建窗口起到增加样本的效果。

3. DEA方法可以把技术效率进一步划分为纯技术效率和规模效率，还可以通过成本最小化DEA模型度量出决策单元（DMU）的资源配置效率并计算得到总的经济效率。

这样可以更加细致地分析财险公司效率水平低下是咎于技术层面、规模层面还是资源配置层面，帮助公司更好地找到提高效率的着力点。

三、样本及数据指标
（一）样本的选择
本文从《中国保险统计年鉴》中选取平均保费收入超过50亿人民币的15家中国财险公司②，之所以选取平均保费收入超过50亿人民币的公司，是因为本文在多次试验后发现：选取平均保费收入超过50亿人民币的公司后，平均保费收入最小的华泰财险仅占所有15家样本公司市场份额的不足1%，所以这样选取的15家保险公司保费收入之和能够近似于整个财险业的保费收入，具有覆盖性；接着本文从全球保险行业分析库（ORBIS Insurance Focus）③中选取了被认定为超大型和大型财险公司，但是由于部分公司在近5年（2011—2015年）的数据没有披露，最后只选取了可获得数据的16家澳大利亚超大型和大型财险公司。

之所以选取被认定为超大型和大型财险公司是因为在澳大利亚只有此两种类型的公司保费收入同中国财险公司保费收入、总资产规模类似，具有可比性。

而一些中小型财险公司由于保费收入同选取的15家中国财险公司差距过大而被舍弃。

这样一来，选取的16家澳大利亚大型保险公司不仅可以同中国的15家财险公司作比较，也代表了澳洲承保能力最为优秀的财险公司。

相互比较这种覆盖层次深的公司并对它们的效率进行度量可以帮助找出我国财险公司同世界优秀公司的差。