空間離散與業務離散對保險產業經營拓展的影響

何秉卓

【摘要】以產業聚集理論為基礎， 構建具有指向性的保險產業子公司選址指標， 用以測度保險產業的空間離散程度， 并使用赫芬達爾指數等產業集中度指標描述保險產業業務離散程度。 基于2007 ～ 2017年中國保險企業數據， 采用固定效應回歸模型， 討論空間離散與業務離散對保險產業經營拓展的整體效果， 以及產險企業和壽險企業表現的異同， 并使用替代變量法對研究結論進行了穩健性檢驗。 研究結果顯示， 空間離散與業務離散對保險產業經營拓展具有顯著的正向影響， 鑒于我國各地區人口集中度與資本集中度的不平衡發展狀況， 建議保險產業應更重視非經濟中心城市的業務發展， 確保不同區域子公司的業務平衡。

【關鍵詞】空間離散;業務離散;產業發展;保險企業

【中圖分類號】F840 ? ? ?【文獻標識碼】A ? ? ?【文章編號】1004-0994（2020）12-0152-9

一、研究背景與假設提出

產業發展的一般路徑是以經濟發達城市為中心， 逐步向周邊地區拓展。 中國保險產業70年的發展歷程同樣遵循著這一基本規律。 2018年， 中國保險產業總資產已達183308.92億元， 連續十年保持20%以上的年均增長率。 保險產業已成為中國增速最快、增量最大的金融產業之一。 我國保險產業隨著各地區保險需求的增加， 存在逐步由中心城市向非中心城市拓展業務、設立子公司、搶占新市場的趨勢， 保險產業子公司的空間離散、業務離散與保險產業經營拓展之間存在著密不可分的關系。

20世紀80年代隨著各產業在地理位置上趨于集中的發展特征， 產業空間聚集逐漸成為學術界研究的焦點， 并發展出許多測度空間聚集度的指標。 早期學者們常使用區位Gini系數[1-4] 和赫芬達爾指數[5-9] 作為衡量空間聚集度的指標， 而赫芬達爾指數至今仍活躍于學術研究領域[10，11] ， 這兩個指數具有計算方法簡單、數據門檻低、結論穩定性強的特點， 最先被學者們采用。 在區位Gini系數的基礎上， Ellison和Glaeser[12] 發展了E-G指數， 將單純的空間聚集區分為隨機性聚集以及企業為共享外部性和自然優勢的內生性聚集。 Maurel和Sédillot[13] 對E-G指數進行了修正， 提出了M-S指數。 E-G指數和M-S指數開發不久便很快便得到了學者們的廣泛應用[14-17] 。 以上四類指標屬于單尺度的空間聚集測度方法， 依此延伸的熵指數， 集中曲線也屬于此方法類型。

Ripley[18] 提出了完全空間隨機（Complete Spatial Random）分布， 即將測度區域內的每一個企業視為一個點， 并假設這些點平均地散布在測度區域內， 則區域內的企業數量存在一個平均密度。 以此作為衡量空間聚集的標準， Ripley構造了測度區域內以r距離為變量的K函數， 分析了產業在不同空間尺度下的聚集情況。 Besag[19] 、Diggle和Chetwynd[20] 、Marcon和Puech[21，22] 分別對K函數進行了擴充， 從而形成了多尺度空間聚集測度方法。

本文以保險產業子公司選址的地理位置作為依據， 以其與經濟中心之間的距離作為觀察對象， 運用與Ripley的K函數相似的理念， 描述保險產業空間離散情況， 以赫芬達爾指數（HHI）和熵指數（EI）描述保險產業業務離散的情況， 并試圖驗證如下研究假設：

假設1：保險產業空間離散程度越高， 對產業經營拓展越有利。

假設2：保險產業子公司業務離散有助于產業經營拓展， 業務集中則反之。

二、變量定義與描述性統計

1. 樣本來源。 本文樣本數據來源于國泰安保險產業數據庫， 時間跨度為2007 ～ 2017年總計10年的年度數據， 其中， 2017年為數據庫最近更新時間， 近兩年數據因可得性和完整性問題未能納入本研究中。 樣本總計144家保險企業， 共1184個觀察值， 因回歸模型涉及滯后變量的原因， 最終參與回歸的樣本量為999個觀察值。 其中， 財產保險企業73家， 共475個觀察值， 人身保險企業71家， 共524個觀察值。 本文用來計算各城市間距離的351個城市坐標來源于百度地圖和百度百科資料以及筆者對上述資料的整理。

2. 變量定義與描述性統計。 表1列示了變量定義， 表2描述了參與回歸各變量的統計特征。 其中， 保費收入Income、保費凈收入Revenue是描述保險企業當前業務收入的因變量。 保費收入增長Income_gr、保費凈收入增長率Revenue_gr是描述保險企業收益增長情況的因變量， 用以反映產業拓展的效果， 由其均值可以看出， 大部分保險企業的長期業務增長率均在2%左右， 且凈利潤的增長率要低于保費收入的增長率。 Dist和Df_Dist是描述保險企業子公司選址的變量， 其中， Df_Dist是Dist剔除了子公司數量影響之后的變量， 用來作為穩健性檢驗的替代變量。 Dist與Df_Dist在均值上有0.03的差距， 但在標準差上差距不明顯。 Firm_HHI和Firm_EI是描述保險產業業務離散的自變量。 上述變量的計算方法將在下文詳細介紹。

由表3變量的相關性分析可知， 空間離散變量Dist、Df_Dist和業務離散變量Firm_EI與業務收入因變量Income和Revenue， 以及產業拓展因變量Income_gr和Revenue_gr均存在顯著的正相關關系， 而Firm_HHI則與上述因變量呈顯著負相關關系， 初步驗證了本文的研究假設， 其余因變量與自變量之間也存在較為明顯的相關性。

表4為主要變量的平穩性檢驗， 除Z統計量外， 檢驗結果均拒絕原假設。 據此可知， 本文的主要因變量與自變量是基本平穩的。

3. 保險產業空間離散的測度。 本文用來計算保險產業（企業）空間離散的變量—— Dist的方法， 是基于與Ripley的K函數相似的理念設計的， 即將每一子公司所在城市視為區域內的一點， 計算該城市與我國經濟中心的距離。 Ripley的K函數主要觀察對象為產業分布區域， 故而將區域內每一個點都視為完全一致的。 而本文所觀察的對象為子公司選址， 將每一座城市都視為毫無區別的點顯然并不符合實際。 因此， 本文首先要做的就是對我國主要經濟圈進行劃分。

本文以GDP和地理環境為選擇標準劃分出4個主要經濟圈：以北京市為核心的北方經濟圈， 以上海市為核心的東方經濟圈， 以廣州市為核心的南方經濟圈， 以及以重慶市為核心的西方經濟圈。 其中， 北京市、上海市、重慶市皆為直轄市， 是我國重點開發的經濟區域， 具有代表性。 廣州市作為廣東省省會， 是改革開放以來南方最重要的經濟中心， 其經濟增長能力長期居于中國城市前列。 這樣的劃分標準能夠較全面地將我國各城市劃歸于四個經濟圈內， 并依照每個城市距離四大經濟中心的最小距離確定各個城市對于經濟中心的依賴程度， 其計算公式如下：

Distance=Min（DBJ，DSH，DGZ，DCQ）

其中， DBJ、DSH、DGZ、DCQ為各子公司所在城市距離北京市、上海市、廣州市和重慶市的距離， Distance為上述四個距離值的最小值。 由此， 一個保險企業所有下屬子公司所在城市與經濟中心城市距離的平均值即代表了該保險企業的空間離散程度， 其計算公式如下：

Dist=Mean（Distance/Distance_Sd）

其中， Distance_Sd為下屬子公司Distance的標準差， 除以Distance_Sd的目的是實現變量標準化， 方便回歸分析。 Dist的數值越小， 則表示保險企業下屬子公司越接近經濟中心， 業務輻射面越窄， 空間離散程度越低; Dist的數值越大， 則表示保險企業下屬子公司距離經濟中心越遠， 業務輻射面越廣， 空間離散程度越高。 對比本文對空間離散的計算方法和K函數的計算方法， 可以發現， 本文的計算方法是具有指向性的， 而K函數是無指向性的。 例如， 按照K函數的計算原則， 若一家保險企業在北、上、廣分別設立一家子公司， 由于北、上、廣三座城市彼此間相距很遠， 那么這家保險企業空間離散程度較高。 然而實際情況并非如此， 這家保險企業的業務輻射范圍并不廣泛， 因為其子公司業務均依托于經濟中心， 沒有擴張到經濟中心以外的城市。 按照本文的計算方法， Dist為0， 即意味著該企業空間離散程度低。 由此可見， 本文的計算方法較符合我國保險企業拓展新市場的實際情況。

4. 保險產業業務離散的測度。 除了使用Dist從地理上測量保險產業空間離散， 本文還嘗試從企業內部業務分配的角度進行觀察。 同一保險企業下屬子公司間業務量的分配反映了該企業在各城市的業務專業程度， 各地區子公司業務量的平衡則是該企業業務成熟的一種表現。 由此可見， 業務離散也應當對保險產業經營拓展產生正向作用。 本文選擇常見的集中度指標來描述保險產業業務離散的情況， 包括赫芬達爾指數、熵指數以及兩個絕對集中度指標， 計算公式如下：

Firm_HHIi，t為保險企業i在t年時子公司的業務集中度。 其中， Si，j，t為保險企業i的子公司j在t年時的業務份額， 業務份額為該子公司的保費收入占該保險企業總保費收入的百分比， 下式中的Si，j，t與本式的定義相同。

Firm_EIi，t為保險企業i在t年時子公司的業務離散度。

三、空間離散與業務離散對保險產業經營拓展的影響

1. 空間離散與業務離散對保險產業經營拓展影響的整體回歸。 在完成了對保險產業空間離散與業務離散程度的計算后， 構建如下模型：

經營變量t=α+β×Distt-1+δ×Firm_HHIt-1+γ×控制變量t-1+年度虛擬變量+ε ? ?（1）

經營變量t=α+β×Distt-1+δ×Firm_EIt-1+γ×控制變量t-1+年度虛擬變量+ε ? ?（2）

上述兩個模型所考察的因變量分為兩類指標：一類為保險企業盈利能力指標， 包括保費收入Income與保費凈收入Revenue; 另一類為保險企業拓展能力指標， 包括盈利能力指標的增長率Income_gr與Revenue_gr。 兩個模型總計4種因變量， 8個子回歸。 本文使用固定效應面板模型回歸， 并在回歸模型中加入了Huber、White、Sandwich 穩健性估計， 從而避免共線性和異方差所帶來的估計誤差， 回歸結果見表5。

由表5可知， 保險企業空間離散指標Dist對保險企業的盈利能力與拓展能力都具有顯著的正向影響， 由此證明了本文的第一個研究假設。 回歸結果表明， 無論是為了獲得當前利潤還是為了贏得未來發展機遇， 保險企業在考慮子公司選址時都應適當與中國主要經濟中心（北京、上海、廣州、重慶）保持一定距離。 保險企業空間離散度越高， 企業的經營與業務拓展越順利。 經濟中心雖然市場較大、受眾人群收入較高， 但一方面， 企業面臨著激烈的同業競爭， 另一方面將眾多子公司聚集一處， 彼此間也會存在嚴重的業務重疊， 從而降低各子公司的經營績效。 不僅如此， 子公司聚集于經濟中心的同時也必然會失去其他城市的市場和機遇， 阻礙了企業的未來發展。 當然， 各企業在設立子公司時， 都會遵循該原則：首先考慮立足主要經濟中心， 而后選擇經濟相對發達地區， 再次考慮較偏遠的經濟不發達城市。 企業規模越大， 子公司數量越多， Dist數值也相應越大。 為避免這一問題， 本文在模型控制變量中加入了企業規模Size以減少偏誤， 又因Dist是保險企業各子公司距離經濟中心最短距離的平均值， 已經除以了子公司數量， 所以Dist所顯示的效果就是空間離散的效果。 但是， 保險企業子公司數量的多寡可能依然影響著Dist的大小， 因此， 下文進行了剔除子公司數量效果的穩健性檢驗， 用以證明本文所論證的空間離散效果。

除了考察保險企業各子公司的地理位置對保險產業的影響， 本文的另一個研究重點是保險企業的業務離散， 即Firm_HHI與Firm_EI對保險企業盈利能力與拓展能力的實際效果。 本文之所以在回歸中從多個角度解讀業務離散的概念是基于如下考慮：Dist從地理位置上規定了保險企業的空間離散， 但該結論是不完全的。 假如某保險企業雖在許多偏遠城市設立子公司， 但這些子公司業務量貢獻比例卻很低， 大部分業務量依然來自于位于經濟中心的大型子公司， 該企業Dist值較高， 但業務離散程度卻很低， 其偏遠子公司則形同虛設， 并未實現真正意義上的業務拓展。 因此， 本文添加了Firm_HHI與Firm_EI這兩個變量用以檢測保險產業業務離散情況。 由表5可知， 基于Firm_HHI與Firm_EI的回歸結果與Dist高度統一。 Firm_HHI對保險企業保費收入、保費凈收入以及兩者的增長率都有顯著負向影響， 而Firm_EI則反之， 這說明業務離散對保險企業的經營與拓展同樣至關重要， 即證明了本文的第二個研究假設， 并且要求保險企業的拓展要既有廣度——子公司地理位置范圍的擴散， 又有深度——各子公司業務量的均衡分配。

在控制變量方面， 企業規模Size對保險企業的盈利能力與拓展能力均有顯著的正向影響， 證明了馬太效應在保險產業的普遍存在。 股本回報率ROE反映了股東的收益水平， 具有較高ROE的保險企業具有穩健經營的特點， 在提供保險產品時則可能存在風險規避的傾向， 該特征在回歸中的表現為降低了保險企業的保費收入， 但顯著提高了保險企業的保費凈收入增長率。 風險資產比率Risky對保險企業保費凈收入增長率存在顯著負向影響， 說明保險企業風險資產比率越高， 企業融資成本越高， 經營現金流越不穩定， 這些都會對企業的未來發展產生不良影響。 安全性資產比例Money的核心指標是保險企業持有的貨幣資本， 此類資本具有流動性強、安全性高的特點， 能夠有效地降低保險企業的經營風險， 同時也能為產業拓展提供資金支持， 因此， Money對保費收入及其增長率具有顯著的正向影響。

2. 產險企業與壽險企業表現的異同。 在分析了保險企業整體樣本的回歸結果后， 本文分別對產險企業和壽險企業子樣本進行了回歸， 以觀察兩類保險企業實證結果的差異， 回歸結果見表6和表7。

對比表6、表7與整體樣本的回歸結果， 可以發現， Dist的顯著性在三個樣本回歸中保持一致， 即對保險企業的經營收益和業務拓展都具有顯著正向影響， Firm_HHI和Frim_EI的系數在壽險企業子樣本的回歸結果中同樣顯著。 但在產險企業子樣本中， Firm_HHI和Frim_EI對產業拓展因變量的符號一致， 但效果不顯著。 由此可見， 對壽險企業而言， 各子公司間的業務均衡將會影響企業未來的業務發展， 而該特征對產險企業的影響并不明顯。 這是因為產險企業所經營的業務對象——財產， 在經濟中心的集中程度要大于壽險企業所經營的業務對象——消費者。 僅以2018年國家統計局數據計算， 北京市GDP占全國的3.31%， 人口占全國的1.54%， 資本集中度為人口集中度的2.15倍， 上海市GDP占全國的3.57%， 人口占全國的1.73%， 資本人口集中度之比也接近2倍， 經濟比較發達的省份如廣東省、浙江省、江蘇省等都具有資本集中度大于人口集中度的特征。 綜上， 產險企業子公司間的業務量不平衡對未來發展的影響要小于壽險企業。

比較控制變量的結果， Size和ROE的結果在三個樣本回歸中基本一致， 在壽險企業中， ROE多顯著為正， 證明了穩健經營對壽險企業更有利。 Lev對產險企業未來發展產生了顯著的負向影響， 而壽險企業則反之， 反映了產險業務較之壽險業務更具高風險性， 高杠桿加劇了這一問題。 此外， 其他控制變量并未在兩類保險企業中產生穩定的顯著效應。

3. 穩健性檢驗。 上文已提及保險企業設立子公司選址時的一般策略， 即由經濟中心城市向經濟不發達城市延伸。 因此， Dist可能會受到保險產業子公司數量的影響， 即保險產業規模越大， 則會設立越多的子公司， 子公司的位置向經濟不發達地區擴展速度越快。 為了能夠更直接地剔除子公司數量對Dist的影響， 本文首先對下式進行回歸：

Distt=α+βSub_Numt+ε

Sub_Numt為保險產業t年的子公司數量， 由此可得剔除子公司數量影響的保險企業選址變量：

Df_Distt=Distt-βSub_Numt=α+ε

本文用Df_Dist替代Dist對上述三類樣本和兩個模型進行回歸， 結果見表8、表9和表10。

由表8、表9和表10可知， 保險產業空間離散和業務離散對產業經營拓展的正面效果并未隨著子公司數量因素的剔除而消失， 穩健性檢驗的結果和主要回歸結果基本一致。 由此得證， 本文的主要結論是穩健的， 并在不同子樣本下表現出了符合其樣本特征的規律。

四、結論與建議

1. 結論。 本文討論了保險產業空間離散和業務離散對業務收益和產業拓展的影響， 實證檢驗了本文提出的兩個假設， 得出如下結論：

第一， 保險產業空間離散顯著提升保險產業的業務收益和產業拓展能力。 第二， 保險產業業務離散對業務收益與產業拓展均有顯著正向影響， 業務集中度則反之。 第三， 產險企業的業務收益與產業拓展對空間離散與業務離散的依賴程度較壽險企業低， 這是由于兩類保險企業業務性質的不同及各地區資本集中度與人口集中度的客觀差異導致的。

2. 建議。 本文對保險產業的經營發展提出以下具有可行性的建議：

第一， 基于對保險產業穩健經營與良性發展的考慮， 在設立子公司時， 保險企業應當選擇距離經濟中心較偏遠的城市。 經濟中心城市具有經濟發展程度高、人口密度大、人均收入高等特點， 從而形成了較大的保險需求和保險市場， 但同時也導致了產業內及企業內的過度競爭甚至彼此傾軋， 嚴重影響企業業務收益， 并同時擠占了保險企業向其他非中心城市拓展的資源。 保險產業對經濟中心城市的飽和供給既不利于各區域保險產業的高質量發展， 也不利于我國保險產業的進一步增長， 在距離經濟中心較遠的地區設立子公司是保險產業發展的必由之路。

第二， 保險企業各子公司間的業務平衡應在保險產業拓展過程中受到關注和重視。 各區域子公司的運營都需要一定額度的固定成本， 如果將大量保險業務聚集于少數子公司， 而大量子公司業務量卻不足。 這一方面將使設立子公司的沉沒成本與運營費用無法得到及時彌補， 不利于企業的整體發展; 另一方面， 錯失了子公司在非中心城市搶占新興市場的良機， 不利于未來業務開展。 因此， 保險產業應適當平衡各子公司之間的業務量， 真正做到業務離散， 而不應當特別關注少數子公司， 導致企業內部業務分配的失衡失效。

第三， 鑒于中國目前經濟發展的實際情況， 在中心城市， 資本密度遠大于人口密度， 所以， 相比于壽險企業， 產險企業在設立子公司和分配各子公司間業務量時， 可以更偏向于經濟中心城市， 但顯然這僅僅是應對當前我國資本和人口分布不均勻的權宜之計。 從長遠看， 保險產業在全國各個城市的均衡發展將是我國保險產業成熟后的必然趨勢。

第四， 由保險企業資產規模引起的正效應可知， 相對于資本量較小的保險企業， 資本量較大的保險企業實力更強， 產業拓展能力更高， 在競爭中更具有優勢， 這是普遍存在于產業競爭中的基本規律。 因此， 資本量較小的保險企業應更積極地向非中心城市發展， 避免與大型保險企業正面沖突， 防止自身發展受到遏制。 另外， 保險企業因其經營的特殊性和長期性， 不宜持有過多風險資本， 只有持有較多安全資本并采取較平穩的經營模式和資本結構才能加快提升保險企業業務拓展效率。

【 主 要 參 考 文 獻 】

[ 1 ] ? Krugman P.. History and Industry Location： The Case of the Manufacturing Belt[ J].American Economic Review，1991（81）：80 ～ 83.

[ 2 ] ? Sukkoo Kim. Expansion of Markets and the Geographic Distribution of Economic Activities： The Tends in U.S. Regional Manufacturing?Structure，1860-1987[ J].Quarterly Journal of Economics，1995（4）：881 ～ 908.

[ 3 ] ? David B. Audretsch， Maryann P. Feldman. R&D Spillovers and the Geography of Innovation and Production[ J].The American Economic?Review，1996（3）：630 ～ 640.

[ 4 ] ? Mary Amiti.New Trade Theories and Industrial Location in EU： A Survey of Evidence[ J].Oxford Review of Economic Policy，1998（2）：45 ～ 53.

[ 5 ] ? Davies S.， Lyons B.. Industrial Organization in the European Union[ J].Molecular Reproduction & Development，2005（4）：92 ～ 107.

[ 6 ] ? Mano Y.， Otsuka K.. Agglomeration Economies and Geographical Concentration of Industries： A Case Study of Manufacturing Sectors in?Postwar Japan[ J].Journal of the Japanese & International Economies，2000（3）：189 ～ 203.

[ 7 ] ? Aiginger K.， Pfaffermayr M.. The Single Market and Geographic Concentration in Europe[ J].Review of International Economics，2004（1）：1 ～ 11.

[ 8 ] ? 吳學花，楊蕙馨.中國制造業產業集聚的實證研究[ J].中國工業經濟，2004（10）：36 ～ 43.

[ 9 ] ? Lariviere V.， Gingras Y.， Archambault E.. The Decline in the Concentration of Citations，1900-2007[ J].Journal of the American Society?for Information Science & Technology，2009（4）：858 ～ 862.

[10] ? Baier N.， Sax L. M.， Sundmacher L.. Trends and Regional Variation in Rates of Orthopaedic Surgery in Germany： The Impact of?Competition[J]. European Journal of Health Economics， 2019（20）：N/A.

[11] ? Jha A. P.， Singh S. K.. Does Diversity Matter？ A Fresh Inquiry into the Energy， Economy and Environment Nexus[ J].Applied Economics，2020（52）：N/A.

[12] ? Ellison G.， Glaeser E. L.. Geographic Concentration in U.S. Manufacturing Industries： A Dartboard Approach[ J].Journal of Political Economy，1997（5）：889 ～ 927.

[13] ? Maurel F.， Sédillot B.. A Measure of the Geographic Concentration in French Manufacturing Industries[ J].Regional Science & Urban?Economics，1999（5）：575 ～ 604.

[14] ? Callejón M.. Concentratión Geográphic de la Industrial Ecnomiasde Agglomeratión[ J].Economic Industrial，1997（5）：61～68.

[15] ? Houdebine M.. Concentration Géographique des Activitiés et Specialization des Départments Francais[ J].Regional Science and Urban?Economics，1999（29）：575 ～ 604.

[16] ? Rosenthal S. S.，Strange W. C.. The Determinants of Agglomeration[ J].Journal of Urban Economics，2001（2）：191 ～ 229.

[17] ? Henderson V. J.. Marshall's Scale Economics[ J].Journal of Urban Economics，2003（53）：1 ～ 28.

[18] ? Ripley B. D.. The Second-Order Analysis of Stationary Point Process[ J].Journal of Applied Probability，1976（2）：255 ～ 266.

[19] ? Besag J. E.. Comments on Ripley's Paper[ J].Journal of the Royal Statistical Society，1977（2）：193 ～ 195.

[20] ? Diggle P. J.， Chetwynd A. G.. Second-Order Analysis of Spatial Clustering for Inhomogeneous Populations[ J].Biometrics，1991（3）：1155 ～?1163.

[21] ? Marcon E.， Puech F.. Evaluating the Geographic Concentration of Industries Using Distance-based Methods[ J].Journal of Economic?Geography，2003（4）：409 ～ 428.

[22] ? Marcon E.， Puech F.. Measures of the Geographic Concentration of Industries： Improving Distance-based Methods[ J].Journal of Economic?Geography，2009（5）：745 ～ 762.