保险扶贫减贫效果分析.docVIP

保险扶贫减贫效果分析 一、引言 贫困是世界著名的“3P”（POLLUTION—污染、POPULA-TION—人口、POVERTY—贫困）问题之一，贫困问题一直困扰着世界各国，作为世界上最大的发展中国家，中国的贫困人口曾经占世界贫困人口总数的20%。为了对症下药，深入实施扶贫脱贫，精准扶贫应运而生。改革开放40年来，我国成功走出了一条中国特色减贫道路，并一跃成为世界上减贫人口最多的国家。但与此同时，我们也要清醒的认识到，当前我国脱贫攻坚形势依然严峻，因为我国剩余贫困人口贫困程度深、减贫成本更高、脱贫难度更大。保险业作为经济社会发展的“稳定器”和“压舱石”，具有风险转嫁与分散、经济补偿与给付、资源配置与资金融通等功能。[1]在扶贫工作中引入保险机制，有利于统筹利用社会资源、放大财政扶贫资金效用、改善贫困地区金融生态。[2]为了防止出现较为严重的“边脱贫、边返贫、边致贫”现象，为脱贫人口和边缘贫困人口提供合理的保险保障就显得尤为重要。[3]保险扶贫，不仅有助于实现脱贫，还能有效防止返贫。保险业服务精准扶贫的实现路径主要包括农业保险扶贫、大病保险扶贫、民生保险扶贫以及增信融资扶贫四大类。[4]大病保险扶贫主要针对因病致贫、返贫，通过政府补贴等方式，以商业化渠道资助贫困人口，适当补充重大疾病保障，可以进一步缓解因病致贫、返贫，助推精准扶贫；农业保险扶贫主要针对因灾致贫、返贫，主要承保农产品上市之前遭遇的旱、涝、寒冻等自然灾害风险，以及农产品目标价格保险；民生保险扶贫主要包括扶贫小额人身保险、农村住房保险等；增信融资扶贫主要包括扶贫小额贷款保证保险、农业保险保单质押贷款等。我国提出在2020年实现全面脱贫，保险扶贫作为精准扶贫的重要抓手，对提升脱贫质量和打赢脱贫攻坚战意义重大，不少学者提出，在我国实现全面脱贫后，仍需利用保险手段守住脱贫成果。那么，在我国精准扶贫过程中，保险扶贫的减贫效果到底如何？还需要进一步实证检验。本文正是基于此思路，试图通过分析我国贫困人口规模与保险业发展之间的内在关系，以度量保险扶贫的减贫效果，这对我国保险扶贫工作的进一步开展有重要的理论与实践意义。 二、保险扶贫减贫效果实证分析 1.计量模型设定与变量选取从已有文献研究来看，减贫的影响因素有很多，为了探索保险业发展对于精准扶贫的助推效果，从经济发展、社会发展及保险业发展，三个层面考察各因素的减贫效果。本文将贫困人口规模作为因变量，将保险业发展的各项指标作为自变量，同时，以对贫困人口规模产生综合影响的居民消费价格指数、人均GDP、人口、普通本科人数等指标变量作为控制变量。保险业发展层面，保险深度和密度是衡量保险业发展水平的重要指标，而保险扶贫中最主要的两大抓手为大病保险扶贫和农业保险扶贫，由于大病保险存在部分省份数据缺失的问题，本文选取农业保险的保费收入、赔付金额及保险深度、保险密度四个指标衡量保险扶贫的减贫效果。开始的2013年至2016年的数据为样本，进行计量模型的估计。从数据的结构特征来看，属于典型的面板数据。面板数据兼具横截面与时间两个维度，提供更多个体动态行为的信息，数据容量大，估计结果也更加稳定。面板数据的一般形式：yit=α+Xitβi+εit，据此，本文将上述变量引入模型，计量模型的设定为如下形式：Povertyit=α+β1CPIit+β2avegdpit+β3popit+β4eduit+β5incomeit+β6expensesit+β7densityit+β8depthit+εit其中，poverty表示各省（市、直辖区）的贫困人口规模，数据来自于中国农村贫困监测报告，下标i和t分别表示地区和年份，α表示常数项，βi表示变量系数，εit表示残差。2.回归结果分析运用stata软件对我国30个省份2013年至2016年的面板数据进行回归分析。为了得到较为有效的估计结果，分别采用混合回归、随机效应和固定效应进行估计。表中的模型（1）、模型（2）、模型（3）分别报告了混合回归、随机效应、固定效应的解释变量系数结果。回归结果显示的F统计量的p值为0.000，表明个体效应整体上是显著的，固定效应模型优于混合回归;根据Hausman检验，chi值为正数，p值为0.0241，拒绝原假设，因此，在固定效应模型和随机效应之间选择固定效应模型。因此，我们认为模型（3）中的结果是最有效的。表2面板数据回归分析结果通过观察方程（3）中解释变量的估计值可以发现：第一，在经济发展层面，人均GDP对贫困人口规模的影响系数为负，说明人均GDP的提高对于贫困人口规模的减少有显著的促进作用，这验证了经济发展会促进贫困人口规模降低。同时，人均GDP的系数为-0.00811，说明人均GDP增加1%，贫困人口规模将降低0.008%。居民消费价格