于ARMA模型我国保险业赔付率测算和策探析中图分类号：F830文献标识码：A内容摘要：金融服务业的发展将在极大程度上拉动经济的增长，保险业作为金融服务体系的一个部分，其发展对我国经济增长有影响。我国保险业的发展起步相对较晚，无法与经济发达国家的保险业相抗衡，本文以赔付率为衡量指标，对我国保险业的未来发展情况进行预测，并针对导致保险业赔付率偏高的原因提出对策建议。关键词：保险业赔付率测算.我国保险业赔付率基本现状近年来，我国保险业赔付率的波动有一定的规律性，整体上呈现下降的趋势。事实上，不同险种的赔付率存在一定的差异：一方面，不同险种的保费收入差异较大，一般情况下，人身险的保费收入相对较多，2011年，我国保险业人身险的原保费收入达9721亿元，而财产险的原保费收入仅有约4618亿元，不足人身险保费收入的50%；另一方面，不同险种的赔偿给付额也存在一定差异，不同于保费收入，一般情况下，财产险的赔付支出额更大，2011年，我国保险业财产险的赔付支出达2187亿元，而人身险的赔付支出额仅占财产险赔付额的80%左右。不同险种赔付率的变化幅度缺乏一致性，其差异也相对较大。具体而言，保险业整体赔付率的变化趋势与人身保险赔付率的变化趋势基本一致，两者间的差异也相对较少，而保险业整体赔付率曲线与财产险赔付率曲线的拟合性也更高，因此本文以保险业整体赔付率为例，对我国保险业的未来发展趋势进行预测。基于ARMA模型的我国保险业赔付率测算(研究方法及数据来源ARMA(autoregressiveintegratedmovingaverage)模型被普遍用于时间序列的研究中，例如对股票价格波动的研究，其主要依据是，某些数据的变动会随着时间t呈现出一定的规律性，并可以用数学模型近似描述，通过借助外推机制，可以根据时间序列的变化规律在最小方差的意义下对时间序列的未来变动情况进行有效预测。其本质是利用平稳时间序列的统计相关性预测未来，序列的平稳性是运用该模型的关键，因此应首先判断时间序列的平稳与否，对平稳的时间序列直接采用ARMA模型，对不平稳的时间序列则应先对原始数据平稳化，再建立ARMA模型。本文选取了2006-2011年各月保险业的原保费收入与赔款给付数据，通过EXCEL对原始数据进行处理计算出了相应月份的赔付率，并以此为研究对象建模。笔者用EViews6对这一时间序列数据进行了平稳性检验，检验结果表明，ADF的值小于1%的临界值，表明该序列是平稳序列，可以直接使用ARMA模型建模进行预测。(模型构建一般而言，模型的选择主要以自相关和偏自相关系数为依据。在自相关系数呈现q阶截尾，偏自相关系数拖尾的情况下主要运用MA(q)模型进行测算，反之，在自相关系数拖尾，偏自相关系数p阶截尾的情况下主要运用AR(p)模型。对保险赔付率这一平稳的时间序列数据进行相关性分析。结果显示，偏自相关系数在p>13时开始迅速截尾，因此此处P取14较合适。自相关系数在q>18后出现截尾现象,因此q取19进行检验。设定保险赔付率为变量Y,首先对Y建立自回归模型。由于使用所有滞后项进行自回归模型检验后，只有Yt-1、Yt-12和Yt-13可以通过显著性检验，而其他滞后项都不能通过显著性检验，所以最后仅仅选取Y、Yt-l、Yt-12和Yt-13建立回归模型。得到最终的自回归方程为Y=0.768238Yt-1+0.784941Yt-12-0.561833Yt-13o对于其中的误差项，由残差项以及之前确定的q=19建立模型,残差项的所有滞后项都没有通过显著性检验，说明残差项的MA模型不成立。因此，最终仅选用AR模型对数据进行预测。所得的预测结果如图1所示。从预测值的趋势图来看，保险赔付率的波动性逐渐放缓，更加趋于平稳，并且维持在0.3左右。（三）模型评价为测试模型的预测效果，并验证选用ARMA模型对保险赔付率进行预测结论的合理性，对模型所做的预测结果与实际的保险赔付率进行比较。模型预测值和实际值选取的是2012年1月份到4月份的结果。具体比较情况如表1所示。从表1中可以看出，模型预测值与实际值的误差较小，尤其是2012年2月份的误差只有0.000173,说明预测值基本与实际值完全吻合。总的来看，误差的平均值为0.053,而且预测值的平均值与实际值的平均值也相差很小，说明模型的预测情况良好，基本可以...