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20XX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第1页共4页在关系,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20XX年至20XX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20XX年至20XX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...