出口信用保險市場是否存在代表性啟發(fā)效應

作者簡介：張璐（1991—），女，甘肅定西人，對外經濟貿易大學博士研究生，西北民族大學經濟學院講師，研究方向：商業(yè)保險、行為保險學。

摘要：基于貝葉斯概率模型，采用2009—2019年的省級面板數據，通過動態(tài)GMM回歸分析出口信用保險市場是否受到代表性啟發(fā)效應的干擾。研究表明：受制于代表性啟發(fā)的決策者扭曲未來損失的概率估計，形成損前投保不足、損后過度投保的需求模式；代表性啟發(fā)確實影響我國出口信用保險的需求市場，但時間遞減效應不顯著。

關鍵詞： 代表性啟發(fā)效應；出口信用保險；行為偏差

中圖分類號：F069.9；F840.6文獻標識碼：A文章編號：1003-7217（2023）03-0043-07

一、引言與文獻綜述

出口信用保險是降低跨境貿易支付風險的重要工具，在宏觀層面充分發(fā)揮著 “逆周期”調節(jié)作用[1]，在微觀層面保護出口商免受不付款風險。自2015年以來，《政府工作報告》已連續(xù)八年明確提及出口信用保險的有關內容。而近期受外部環(huán)境復雜性和國內外疫情頻發(fā)的影響，市場主體企業(yè)經營難度顯著增大，經營形勢不容樂觀[2]。為幫助外貿企業(yè)克服困難、迎接挑戰(zhàn)，國務院、商務部等部門多次強調要“進一步拓寬出口信用保險覆蓋面”，維護產業(yè)鏈及供應鏈安全穩(wěn)定，完成進出口保穩(wěn)提質的任務目標。

中信保2020年度報告顯示，出口信用保險對全國出口總額的覆蓋率為22%，雖高于世界平均水平，但仍與傳統(tǒng)保險需求理論的預測不符。傳統(tǒng)的企業(yè)最優(yōu)投保理論最初由Mossin提出，他基于期望效用最大化原則證明了決策者在面臨精算公平保費時會選擇購買全額保險[3]；但是Mayers和Smith認為，可保風險能夠通過分散化投資消除，不投保才是企業(yè)的最優(yōu)策略[4]。顯然，上述兩種觀點均不能充分擬合現實情形。我國出口信用保險屬于政策性保險，與Mossin等人的預測相比，市場發(fā)展現狀處于“投保不足”階段；但相較于Mayers等的觀點而言又處于“過度投?！睜顟B(tài)。如果按照理性行為的標準判斷，那么以上兩種現象均屬于“保險異常”。

在已觀察到的各類保險異象中，投保過度或投保不足是較為突出的兩種市場表現[5]，對經典理論構成了巨大挑戰(zhàn)。傳統(tǒng)的理性學派認為，這種反應過度和反應不足都可以通過有效市場范式得到解釋[6，7]，而行為偏差學派對此提出了質疑，于是嘗試構建各種有限理性行為模型或引入各類非理性行為因素來更好地描述這兩種現象[8，9]，代表性啟發(fā)就是其中一種偏差類型。代表性啟發(fā)最早由Tversky提出，用來刻畫人們預測未來狀態(tài)時受到以往類似事件影響的思維模式[10]，即通過過往經歷或回憶輔助現時決策。實踐證明代表性啟發(fā)可能是一種高效的思維捷徑，但有時也會造成嚴重的行為偏差[11]。因為這種思維模式主要通過典型或近期事件構建代表性信息子集，理所當然地認為過去代表未來[12，13]，所以在信息更新時可能違背理性貝葉斯規(guī)則[14]，從而導致判斷偏誤，做出非理性決策。

個人很難處理小概率大損失的風險信息[15]，因此在保險需求決策中也會頻繁使用啟發(fā)式思維[16，17]。目前，啟發(fā)式在保險領域的研究內容主要聚焦于損失概率的判斷和解釋[18]，研究方法涵蓋理論推導和實證檢驗兩個維度。在理論層面，代表性

啟發(fā)引起概率判斷偏差，在損失未發(fā)生時低估概率，抑制保險需求；在損失發(fā)生后高估概率，刺激保險需求[19]。在實證層面，大量學者也發(fā)現了代表性啟發(fā)影響投保決策的證據。洪災發(fā)生前后，受災地區(qū)的保險需求發(fā)生逆轉 [20]，這表明一旦親歷洪水災害，個人就會高估未來洪災的可能性，然后尋求更多的保險保障[21]。類似地，嚴重的暴風雨不僅會促進更高的洪水保險購買，還會進一步降低免賠額水平[22]。此外，在地震保險市場中也發(fā)現許多代表性啟發(fā)扭曲保險決策的現象 [23，24]。綜上，現有文獻指出代表性啟發(fā)效應可能導致使用者對風險的先驗概率不敏感、對參考樣本的規(guī)模不敏感，從而嚴重低估或高估損失概率，于是在不同的保險市場中出現投保不足或投保過度等“異象”。但是鮮有文獻涉及出口信用保險領域。我國出口信用保險是政策性保險，保險滲透率普遍較低，面臨需求疲軟等發(fā)展困境。除傳統(tǒng)的市場因素外，企業(yè)的行為因素可能也會影響保險需求。鑒于此，考察我國出口信用保險市場上是否存在代表性啟發(fā)效應，識別啟發(fā)式思維引致的需求模式，有助于減輕非理性因素對保險需求的影響，從而改善出口信用保險增長乏力的現狀，進一步擴大出口信保的覆蓋范圍。

二、理論模型

代表性啟發(fā)意味著個人常常無意識地將信息子集視為信息總體的代表[10]，忽略保險事件的隨機性與偶然性，認為過往經歷表征著同質風險的損失分布。當子樣本只涵括最新信息時，代表性啟發(fā)式的思維體系將引致決策者對最近事件的結果賦予過高權重，即對先驗概率重視不足以及對后驗概率過度關注[14]。以此為模型演化的基礎，構建代表性啟發(fā)影響出口信用保險需求的理論框架。

（一）代表性啟發(fā)對損失概率估計的影響

用p1表示本期信用風險不發(fā)生且下一期也不發(fā)生的概率，p2表示本期損失發(fā)生但下一期不發(fā)生的概率。顯然，對于完全理性的決策者而言，無論是第t期還是第t+1期，獨立隨機事件發(fā)生與否不受上一期狀態(tài)結果的影響，即p1=p2=p。相比之下，若決策者非完全理性，其思維受代表性啟發(fā)的支配，則會導致p1>p>p2，意味著若第t期未出現違約事件，決策者將提高下一期損失也不發(fā)生的概率估計，結果導致過度低估損失發(fā)生的概率（1－p1）。同樣，如果第t期造成損失，代表性啟發(fā)決策者將高估下一期的損失概率（1－p2）而低估p2。

三、變量描述與模型構建

由于企業(yè)微觀資料難以獲取，參考Dumm等的做法[25]，選取中國出口信用保險公司各營業(yè)部作為主要研究對象①，共涉及22個省（區(qū)、市）的出口信用保險數據。又由于《中國保險年鑒》從2009年開始才有中信保分營業(yè)部報告的詳細信息，于是最終采用2009—2019年的樣本數據，剔除異常值后把個別單列城市納入對應的省級層面合并統(tǒng)計②，然后檢驗代表性啟發(fā)對出口信用保險需求的影響。

（一）變量設定與描述

1.被解釋變量：信用保險保費收入（Premium，單位：百萬元）。我國出口信用保險是政策性保險，中信保作為唯一的官方ECA（export credit agency），占據信用保險市場中絕大部分市場份額，因而可以較好地代表我國出口信用保險市場。此外，為了鼓勵更多的出口企業(yè)運用保險降低風險，在商務部等相關部門的指導下，中信保連續(xù)多年下調結構性平均費率，因此保費收入的增加能直接刻畫消費者保險需求的擴張。

2.解釋變量：核心解釋變量選取為保險損失，用信用保險的賠付金額（Indemnity，單位：百萬元）衡量。代表性啟發(fā)最顯著的特征是決策者會因過往損失經歷而扭曲未來概率估計，尤其是近期發(fā)生的同質風險，往往是觸發(fā)代表性啟發(fā)思維的重要參考[26]?？紤]到出口信用保險實務，從保費繳納、貨物交付、損失發(fā)生、索賠申請、理賠調查到最終的賠款支付，這一流程往往耗時數月甚至數年，導致賠付數據與保費收入的統(tǒng)計期間本身具有一定程度的錯配，當期賠付無法及時反映當期損失，存在時滯性。而且根據中信保歷年賠付資料發(fā)現，出口信用保險賠案的平均結案時間約為300天。因此，當期賠付實際上反映的是上期保險事故的損失狀況，于是在實證研究中把當期賠付金額視為“近期損失”，重點關注其對當期保費收入的影響。

3.控制變量：根據現有文獻，影響出口信用保險需求的主要因素包括出口額、企業(yè)規(guī)模、生產能力以及客觀出口風險等[26，27]。對應省級層面的數據，選取相應?。▍^(qū)、市）的年出口額（Export，單位：百萬美元）、地區(qū)生產總值（GDP，單位：百萬元）、規(guī)模以上企業(yè)數量（Firms，單位：個）以及全球政治風險指數（GPR）作為控制變量。其中，前三個變量的觀測取自EPS數據庫，全球政治風險指數（GPR）來源于學者Caldara和 Iacoviello構建的政治風險指標，它是基于全球最具影響力的十種報紙③中有關地緣政治緊張局勢的文章所構建的衡量世界各地地緣政治風險強度的年度指標。一般而言，地緣政治風險越高，發(fā)生經濟災難的可能性越大，全球出口違約風險越高，因此保險需求增加。各變量的描述性統(tǒng)計如表1所示。

（二）模型設定與估計方法選擇

為了探究我國出口信保市場是否存在代表性啟發(fā)效應，在設定模型時，需要考慮以下三個方面：首先，核心自變量（賠付金額）與因變量（保費收入）可能存在反向因果關系；其次，由于經濟活動慣性和經濟行為的持續(xù)性，保費收入可能會受到上一期的影響[28]；最后，由于獲取的樣本數據具有“小T大N”的短面板特點，傳統(tǒng)的組內回歸可能存在嚴重偏差。動態(tài)廣義矩估計可以有效避免以上可能導致的內生性問題，因此引入因變量的一階滯后作為解釋變量，建立如下的動態(tài)GMM面板模型：

回歸模型對各變量取對數形式，其下標i、t分別表示第i個?。▍^(qū)、市）第t年的觀測值，μi表示省（區(qū)、市）固定效應?？紤]到保險期間與統(tǒng)計年度不完全重合，大部分保單都橫跨兩個自然年度，投保決策可能同時受到上期期末及當期發(fā)展的影響，因此加入地區(qū)生產總值的當期值與滯后一期的觀測值作為控制變量。

此外，Dumm等發(fā)現[23]，過往損失對保險需求產生的影響將隨著時間的流逝逐漸減弱。換句話說，損失事件距離決策時點越遠，代表性啟發(fā)效應越弱。因此在上述模型的基礎上又依次增加了賠付金額的k階滯后項以驗證我國出口信用保險市場中是否也存在這種“時間遞減效應”，回歸模型為

由于客觀因素的限制，樣本期間僅包含11年的數據，權衡滯后階數增加與樣本量減少的矛盾后，最終選擇最高滯后二階的賠付數據作為核心解釋變量，其他控制變量與式（13）保持一致。動態(tài)面板的估計通常采用差分GMM或系統(tǒng)GMM兩種方法。差分GMM無法估計不隨時點變化的變量的參數，且差分后的解釋變量仍然可能存在內生性問題，而系統(tǒng)GMM能進一步提高估計效率[29]。此外，廣義矩估計又可分為一步估計（Onestep）和兩步估計（Twostep）。當存在自相關和異方差時，Twostep估計結果更加穩(wěn)健。綜上，在基準回歸中主要選擇系統(tǒng)GMM兩步法對式（13）、式（14）的模型系數進行估計，然后從不同角度驗證穩(wěn)健性。

四、實證檢驗與結果分析

（一）基準回歸結果

首先，根據系統(tǒng)GMM法，考慮到樣本數據本身“小T大N”的特征，為了盡可能減少樣本量的損失以及提高工具變量過度識別的有效性，在基準回歸中選擇被解釋變量的二階滯后項作為GMM式工具變量，其他變量均視作IV式工具變量，得到的回歸結果見表2。模型1對應于回歸方程（13），僅加入賠付金額的當期值作為核心解釋變量的情況下，賠付金額顯著影響信用保險的市場需求，具體表現為賠付金額每增加1%將刺激保費收入增加0.228%。這與理論推導的結論保持一致，即近期損失確實會增加保險需求，說明我國出口信用保險市場存在代表性啟發(fā)效應。

然后，借鑒Dumm等的做法[23]，逐步加入賠付金額的1階、2階滯后項以驗證代表性啟發(fā)的時間效應，估計結果分別見表2模型2和模型3。由回歸結果來看，只有核心解釋變量的當期值影響顯著，其他滯后項的系數雖然逐漸減小，但在統(tǒng)計角度并不支持損失發(fā)生的時間越早其影響越小的結論。這與Dumm等在美國房屋保險市場中的發(fā)現不同[23]，本文的樣本數據只能說明我國信用保險市場上并不存在代表性偏差的時間效應遞減現象，出口信用保險需求的驅動因素可能僅限于最近損失，發(fā)生時間較久遠的違約賠償事件或許因記憶模糊而不影響當期決策。

此外，模型1～模型3的Hansen 檢驗P值都大于0.1，不能拒絕工具變量全部外生的原假設，說明設置的工具變量有效。AR（1）和AR（2）的檢驗顯示，擾動項的一階差分存在自相關，但不存在二階序列相關，滿足系統(tǒng)GMM的假設條件。綜合以上兩個檢驗結果，充分說明基準回歸的模型設定較為合理。

控制變量回歸結果顯示，信用保險的投保決策的確具有行為慣性，表現為上期保費收入對當期保險需求具有顯著的正向影響；此外，在模型1與模型2中出口額與保險需求之間也呈現出明顯的正相關關系，這也符合出口信用保險的經營原理：一般而言，出口額增加，出口信用保險的承保規(guī)模也會隨之擴大，進而保費收入增加。其他控制變量與保險需求之間并不存在顯著或穩(wěn)定的線性關系。

（二）穩(wěn)健性分析

為了驗證基準回歸結論的穩(wěn)健性，分別從以下四個角度進一步檢驗出口信用保險市場中的代表性啟發(fā)效應，結果見表3。

首先，改變動態(tài)面板數據的估計步驟，由基準回歸中的兩步法（Twostep）變?yōu)橐徊椒ǎ∣nestep），估計結果如表3模型4所示，系數仍然顯著。

其次，使用被解釋變量的二階和三階滯后項作為GMM式工具變量，以考察工具變量的設定是否影響基準分析的結論。表3模型5顯示代表性啟發(fā)效應仍然存在。此外，Hansen檢驗的P值已經接近1，說明使用的工具變量過多，可能降低其有效性，因此在基準回歸中僅引入二階滯后作為工具變量更加合理。

再次，把賠付金額視作內生解釋變量考察結論是否依然成立。在基準回歸中，無論是理論層面還是實務層面，當期賠付金額本質上都是上期保險事故的時滯反應，因此作為外生變量加入模型。但考慮到實際中，賠付金額也可能與當期保費收入的統(tǒng)計期間存在少量重疊，由此導致因變量與解釋變量出現雙向因果關系，于是此處把賠付金額視作內生變量，再利用其二階滯后項作為GMM式工具變量進行估計。表3模型6顯示，即使考慮解釋變量的內生性問題，實證結果也未改變。

最后，通過加減控制變量的個數驗證估計結果是否穩(wěn)健。模型7表明，即使去掉地區(qū)生產總值的一階滯后項，過往損失對信用保險需求的促進效應也還是在1%水平上顯著。類似地，無論是增加各控制變量的一階滯后或是刪去某一控制變量等不同的模型設定，回歸結論都保持不變④，即我國出口信用保險市場確實存在代表性啟發(fā)效應。

五、結論與啟示

本文主要研究我國出口信用保險市場上是否存在用近期損失作為決策樣本的代表性啟發(fā)效應，得到如下結論：理論模型表明，不受代表性啟發(fā)影響的出口商使用期望利潤最大化原則進行決策時，無論是否收取精算公平保費，都不愿購買全額保險；而受制于代表性啟發(fā)的決策者顯著依賴于過往損失狀態(tài)，若上期遭遇過違約事件，則會高估下期損失概率，即使保險定價不公，也會購買出口信用保險；實證結果顯示，在緊隨損失發(fā)生后的時間段內，保險需求顯著增加， 但這種效應僅限于上年度的損失狀況，隨著記憶逐漸模糊，更加久遠的損失對出口信用保險需求的影響并不顯著。最后，從模型估計方法、工具變量設置、控制變量選取以及內生性討論等方面驗證了實證結果的穩(wěn)健性。

以上結論對未來出口信用保險的發(fā)展具有如下啟示：（1）政府和保險機構應加強形勢跟蹤研判，利用開放平臺及時發(fā)布信用違約率高的國家、地區(qū)或進口商動態(tài)，以持續(xù)不斷的提醒和引導等方式提高企業(yè)的風險意識，減輕代表性啟發(fā)的影響；（2）增強供給側的主動性和前瞻性，積極深入地了解代表性啟發(fā)等行為偏差對消費者投保決策的影響途徑和影響程度，從而更好地支持出口信保發(fā)揮其政策性功能。

注釋：

① 包括北京、天津、河北、山西、遼寧、黑龍江、上海、江蘇、浙江、安徽、福建、江西、山東、河南、湖北、湖南、廣東、廣西、重慶、四川、云南、陜西共22個?。▍^(qū)、市）。

② 其中寧波營業(yè)部數據并入浙江省，廈門營業(yè)部數據并入福建省，深圳營業(yè)部數據并入廣東省，總營業(yè)部數據并入北京市。

③ 這十種報紙包括《芝加哥論壇報》《每日電訊報》《金融時報》《環(huán)球郵報》《衛(wèi)報》《洛杉磯時報》《紐約時報》《今日美國》《華爾街日報》和《華盛頓郵報》；指數下載來源：https：//www.matteoiacoviello.com/gpr.htm。

④ 由于篇幅限制，其他刪除或增加變量以改變控制變量個數的穩(wěn)健性結果略去，感興趣的讀者可聯系作者。

參考文獻：

［1］王穩(wěn)，陳字旺，張陽，等. 新冠疫情， 全球政治風險市場與出口信用保險的創(chuàng)新發(fā)展 [J]. 保險研究， 2020（10）：21-34.

［2］梁向東，井中鳴，陳懋林.制度異質性、外生沖擊與對外貿易結構——基于斷點回歸的短期與長期判斷[J].財經理論與實踐，2022，43（2）：58-66.

［3］Mossin J. Aspects of rational insurance purchasing[J]. Journal of Political Economy， 1968，76（4）：553-568.

［4］Mayers D， Smith C. On the corporate demand for insurance[J]. Journal of Business， 1982，55（2）：281-296.

［5］Kunreuther H， Pauly M. Rules rather than discretion： lessons from hurricane Katrina[J]. Journal of Risk and Uncertainty，2006，33（1）：101-116.

［6］French F K R. Multifactor explanations of asset pricing anomalies[J]. Journal of Finance， 1996，51（1）：55-84.

［7］Brav? A， Heaton J B. Competing theories of financial anomalies[J]. Review of Financial Studies，2002，15（2）：575-606.

［8］Barberis N， Shleifer A， Vishny R. A model of investor sentiment[J]. Journal of Financial Economics，1998，49（3）：307-343.

［9］Lam K， Liu T， Wong W K. A pseudo-Bayesian model in financial decision making with implications to market volatility， under- and overreaction[J]. European Journal of Operational Research，2010，203（1）：166-175.

［10］Tversky K A. Subjective probability： a judgment of representativeness[J]. Cognitive Psychology，1972（3）：430-454.

［11］Hirshleifer D， Levi Y， Lourie B， et al. Decision fatigue and heuristic analyst forecasts[J]. Journal of Financial Economics，2019，133（1）：83-98.

［12］Guo X， McAleer M J， Wong W K， et al. A Bayesian approach to excess volatility， short-term underreaction and long-term overreaction during financial crises[J]. The North American Journal of Economics and Finance， 2017，42：346-358.

［13］Pompian M M. Behavioral finance and wealth management： how to build investment strategies that account for investor biases[J]. Financial Analysts Journal， 2012，63（2）：107-108.

［14］Grether D M. Bayes rule as a descriptive model： the representativeness heuristic[J].The? Quarterly Journal of Economics，1980，95（3）：537-557.

［15］Kunreuther H， Novemsky N， Kahneman D. Making low probabilities useful[J]. Journal of Risk and Uncertainty， 2001，23（2）：103-120.

［16］Browne M J， Knoller C， Richter A. Behavioral bias and the demand for bicycle and flood insurance［J］. Journal of Risk and Uncertainty， 2015， 50（2）： 141-160.

［17］Lacetera N， Pope D G，Sydnor J R，et al. Heuristic thinking and limited attention in the car market[J]. American Economic Review，2012，102（5）：2206-2236.

［18］McClelland G H， Schulze W D， Coursey D L. Insurance for low-probability hazards： a bimodal response to unlikely events[J]. Journal of Risk and Uncertainty，1993，7（1）：95-116.

［19］Volkman-Wise J. Representativeness and managing catastrophe risk[J]. Journal of Risk and Uncertainty， 2015，51（3）：267-290.

［20］Browne M J， Hoyt R E. The demand for flood insurance： empirical evidence[J]. Journal of Risk and Uncertainty，2000，20（3）：291-306.

［21］Gallagher J. Learning about an infrequent event： evidence from flood insurance take-up in the United States[J]. American Economic Journal Applied Economics， 2014，6（3）：206-233.

［22］Michel-Kerjan E O， Kousky C. Come rain or shine： evidence on flood insurance purchases in Florida[J]. Journal of Risk and Insurance，2010，77（2）：369-397.

［23］Dumm R E， Eckles D L， Nyce C， et al. The representative heuristic and catastrophe-related risk behaviors[J]. Journal of Risk and Uncertainty，2020，60（2）：157-185.

［24］Kunreuther H. Mitigating disaster losses through insurance［J］.Journal of Risk and Uncertainty， 1996， 12（3）： 171-187.

［25］Dumm R E， Eckles D L， Nyce C， et al. Demand for windstorm insurance coverage and the representative heuristic[J]. The Geneva Risk and Insurance Review， 2017，42（2）：1-23.

［26］Braun A， Fischer M. Determinants of the demand for political risk insurance： evidence from an international survey[J]. The Geneva Papers on Risk and Insurance-Issues and Practice， 2018，43（3）：397-419.

［27］Graham-Rozen M， Michelson N. Credit insurance in Israel： an initial overview and analysis of considerations affecting the acceptance rate[J]. Israel Economic Review，2020，18（1）： 177-214.

［28］黃星剛，楊敏.互聯網保險能否促進保險消費——基于北大數字普惠金融指數的研究[J].宏觀經濟研究，2020（5）：28-40.

［29］Blundell R， Bond? S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics， 1998，87（1）：115-143.

（責任編輯：厲亞）