[新常态]费率市场化、汽车产业新常态与商业车险发展——基于我国商业车险有效需求实证研究

2016年06月29日来源:国研网作者:南开大学金融学院于新亮朱浩

一、引言

自1988年，机动车辆保险业务逐渐成为我国财产保险业务最重要的构成部分，其后一直保持着较高的增长率，至今依然稳据保险公司产险业务的龙头。截至2014年底，我国机动车辆保险原保费收入为5516亿元，占财产保险业务比例达73.12%（详见图1）。

总体来说，我国的机动车辆保险分为两类，一类是由政府依靠其强制力实施的机动车辆交通事故责任强制保险，一类是由市场自发形成的商业汽车保险（以下分别简称为“交强险”和“商业车险”），两者相互补充，为居民提供必不可少的财产和人身保障。交强险的缴费及补偿原则由国家统一规定，强制参保且“保本微利”，相比之下，市场原则下自主经营的商业车险对保险公司经营绩效举足轻重，其有效需求将直接决定财产保险市场未来发展规模。

近年来，车险费率市场化和汽车产业新常态为我国商业车险的进一步发展带来机遇与挑战。一方面，2015年3月24日，中国保监会发布《深化商业车险条款费率管理制度改革试点工作方案》，提出了商业汽车保险改革的路线图和时间表，明确提出从4月1日起，在黑龙江、广西、山东、陕西、重庆、青岛6个保监局辖区开始试点工作，根据《方案》有关要求，财产险公司可以选择使用商业汽车保险行业的示范条款，也可以使用自主开发的新型条款，在一定限度内自主制定商业汽车保险的费率。此次方案的提出，将车险费率市场化的进程向前推进了一大步，各商业财产险公司在抓住机遇的同时，也面临着如何合理制定面向未来发展的费率厘定和核保规则的巨大挑战。另一方面，我国城市化和经济高速增长背景之下汽车产业迅速发展，但人均汽车保有量与发达国家相比仍有较大差距，我国庞大的人口基数表明汽车产业尚有巨大潜力。但据统计，自新世纪以来，我国汽车销售量从平均增速24%放缓到7%，2015年市场预期可能降至3%，汽车产业进入了从高速增长转入微增长的新常态，也将逐渐传导到商业汽车保险增长方式和经营方式转型上。

因此，研究保险公司“选择性供给”能力和汽车保有“样本选择”效应对商业车险有效需求的影响具有很高的现实指导意义，将直接关系到未来费率市场化成效和商业汽车保险的发展规模。

理论上，所谓商业车险有效需求，是指在一定时间内购买者愿意并有能力购买商业车险产品的数量。也就是说，形成商业车险有效需求必须满足两个条件：一是购买者必须具备购买商业车险产品的意愿；二是购买者必须有能力购买商业车险产品，如充足的金钱、时间和精力等。但在商业车险市场，我们观察到的有效需求为价格机制下由供给和需求相互制约产生的市场均衡，其形成条件和影响因素更为复杂。首先，商业车险购买存在严重的信息不对称问题，道德风险和逆选择的存在会扭曲购买者需求水平；其次，保险公司为实现利润最大化，倾向于选择风险低的需求者而将风险高的需求者拒之门外，形成“选择性供给”；最后，汽车保有量是商业车险需求的基础，在形成商业车险有效需求之前是否拥有汽车就对潜在需求者进行了筛选，形成“样本选择”效应。因此，在进行商业车险有效需求的实证分析中，除了检验需求者方面影响其是否购买商业车险的因素外，必须考虑保险公司“选择性供给”和汽车保有“样本选择”效应的影响。然而，商业车险有效需求并未引起国内学者较大的关注，且受限于基本国情和市场差异，国外相关研究成果对于发展我国商业车险的指导作用也十分有限。

本文运用中国家庭金融调查统计数据（CHFS），从微观角度实证检验影响我国商业车险有效需求的因素，并进一步考察保险公司“选择性供给”和汽车保有“样本选择”效应对商业车险有效需求的影响，为车险费率市场化和汽车产业新常态环境下的商业车险发展提供数据支持。文章结构包括：第二部分为国内外对商业车险市场有效需求相关研究的文献综述；第三部分建立计量模型、定义变量、筛选数据；第四部分根据模型结果进行实证分析；最后一部分得出结论并提出相关建议。

二、文献综述

国外的有关汽车保险需求的研究中，Blackmon和Zeckhauser（1991）利用马萨诸塞州1979年的359个城镇的家庭截面数据来研究有关的车险需求，得到了家庭收入与汽车保险需求显著正相关而车险价格和家庭密度与汽车保险需求显著负相关的结论。Sherden（1996）利用同样的数据对汽车保险需求进行OLS回归分析，研究发现，商业汽车保险的购买需求是保险费率（采用价格指数进行替代）的指数函数，是收入以及区域风险（采用单位土地人口数进行替代）的对数函数，结论认为人口密度对汽车保险需求并没有显著的影响。在此之后，Russell（1997）和Jaffee（1998）又分别采用了更多种类车辆以及更多地区的投保汽车和非投保汽车数据做OLS回归来进行实证分析，同样得到了收入对车险需求的正相关效应以及费率对车险需求的负相关效应这样的结论。近一阶段，Esho，Kirievsky，Ward和Zurbruegg等（2002）利用44个发展中国家从1984～1998年的数据，研究他们有关财产保险的需求。他们利用多种计量经济学模型对影响居民财产保险需求（采用财产险保费收入与人口的比例替代）的解释变量系数进行估计，实证结果显示，经济的发展水平、损失可能性和对风险的厌恶程度与财产保险需求呈现正相关关系，保险费率则对与财产保险需求呈现负相关关系，而这些国家的汽车保险都是在财产保险中占据主要地位的。Khovidhunkit和Weiss（2005）利用1982～1994年美国除华盛顿以外其他各州的面板数据进行车险的需求研究，增加了之前学者未测试过的新变量，结果表明，收入、交通密度、法律监管的完善和注册机动车拥有量与车险需求呈显著正相关关系，年龄和保费则与车险需求呈显著负相关关系。他们认为，这项研究有利于保险人和监管者更好地了解和满足居民对风险规避的真实诉求。

与国外研究相类似的是，之后国内相关领域学者的研究大都从宏观层面展开，运用宏观数据分析各因素对汽车保险市场需求的影响。刘璐和张博江（2012）在对我国汽车保险市场发展状况做出阐述的基础之上，结合计量模型进行实证分析，得出了汽车保险保费收入与经济整体发展水平、汽车销量呈现显著的正向关系，而与汽车保险费率呈反向关系的结论，并通过预测发现未来的车险市场总保费有稳定增长的较大发展潜力。朱铭来和曹燕（2008）将影响汽车保险需求的因素归类为三方面——经济因素、交通因素和风险因素，文章运用了保险经济学的需求理论以及计量经济学分析方法，应用面板数据模型，分析得出车险价格与车险需求呈显著的负相关关系，而汽车拥有总量、人均可支配收入和人均道路面积等因素与车险需求呈显著的正相关关系，道路交通事故数与车险需求也具有显著的相关性，但影响的正负性因车险需求所选指标的不同有所差异，并结合分析结果对未来我国汽车保险的发展趋势做出了预测。

贺锐等（2011）针对商业三者险市场进行需求影响因素的实证分析，采用问卷调查方法获得数据，运用多元回归模型，从微观层面加以分析，得出商业三者险需求量与消费者收入和年龄呈显著负相关关系、与受教育程度呈现弱的负相关关系的结论，并认为很可能是由于三者险被看成了是市场需求随着收入增加而减少的劣质品。不足之处在于，抽样方法会一定程度上影响到数据质量。王海峰（2006）将重点放在影响汽车保险需求的投保行为这一重要因素上，建立多元线性回归模型以及Probit模型来分析各种因素对居民投保汽车保险这一行为影响及作用。研究发现，良好的经济环境、一定的经济基础、较高的保险意识对居民自发的汽车保险需求具有较大的促进作用，同时，个体本身的特征以及车辆的不同情况都对车辆拥有者的投保行为产生着正向或负向的影响。值得一提的是，文章分析出投保人在投保过程中逆选择行为的存在，并建议保险公司加强对被保险人相关信息的了解和收集来加以应对。但是在数据的选取方面，文章仅获取了我国某一地区一家主要财险公司的数据进行分析，且未对被保险人的性别、年龄及出险记录等重要解释变量纳入模型，使得模型结果具有一定的局限性。针对车险市场的逆选择行为，吴洪和赵桂芹（2011）也进行过详细的测算，他们通过将车辆责任险市场的续保数据进行动态分组，运用Logistic模型对“风险——保障”的相关性建模研究，发现我国的三责险市场普遍呈现较强的逆向选择特征，其中逆选择行为显著存在于首年低保障这样的样本中，并认为信息沟通障碍是很重要的原因之一，同时也发现费率对保障类型的选择影响显著，投保中习惯性行为则不太明显。

三、计量模型和数据描述

（一）计量模型

引用Arrow于1963年在保险需求理论当中的论述，个体对于商业汽车保险的需求抉择（D），主要是由购买了商业车险的期望效用（EU1）和未购买商业车险的期望效用（EU2）两者进行比较决定的，即EU1>EU2时，则做出购买的选择；而EU1<EU2时，则会选择不购买。也就是说，若令购买商业车险后的净效用U=Xθ+ξ（X表示个体对商业车险需求的具体影响因素，θ为待估参数，ξ为随机扰动项），则个体对于商业车险的需求概率Pr[Di=1]可以用下式表示：

Pr[Di=1]=Pr[EU1i>EU2i]=Pr[Xiθ+ξi>0] （1）

商业汽车保险合同的最终达成是由作为供给方的保险公司和作为需求方的个体本身共同选择的结果。个体车辆拥有者可能会依据自身风险状况、风险偏好、车辆实际情况等做出投保相应商业车险的选择；保险公司车险部门为了保证自身利润的最大化，对提出要约的投保人进行核保筛选，从而将具有潜在道德风险和逆选择者拒之门外。由此可见，商业汽车保险的购买行为受投保人自身状况的影响实际上包含了两方面的决策，即个体对商业汽车保险的需求决策以及保险公司是否接受要约的供给决策。为检验保险公司的“选择性供给”行为，本文进一步建立部分可观测的二元Probit模型。

商业保险公司车险部门根据以往的理赔经验对投保人进行适当的风险选择从而做出供给决策（S），主要是由销售了商业车险的预期收益（ER）和预期成本（EC）两者进行比较决定的，即ER>EC时，则做出销售的选择；而ER<EC时，则会选择不销售。也就是说，若令销售商业车险后的净利润π=Zβ+ρ（Z表示投保人实际情况对保险公司做出销售决策的影响因素，β为待估参数，ρ为随机扰动项），则在个体提出购买商业车险需求的条件下，保险公司的供给概率Pr[Si=1|Di=1]可以用下式表示：

Pr[Si=1|Di=1]=Pr[ERi>ECi]=Pr[Ziβ+ρi>0] （2）

需要注意的是，商业车险市场上的这种供给决策和需求决策是无法通过数据观测到的，能够观测到的只是该个体最终是否购买了商业车险（CVI），只有在个体存在保险需求（D=1）且保险公司同意供给（S=1）的情形下，个体才能最终购买到商业车险。则个体购买到商业车险的概率Pr[CVIi=1]可以用下式表示：

其中，ξ和ρ满足协方差为λ的二元正态分布。

由Poirier（1980），对于上式，只要X解释变量组中包含Z解释变量组中没有的解释变量（exclusive restriction条件），则系数θ和β都是能够识别的。

显然，因为汽车保险市场的供需双方存在着信息不对称，也就是说，解释变量组X当中既包括汽车的新旧程度及使用情况、投保人的性别年龄等基本情况、曾经是否出险等风险状况这些保险公司可以获得的信息（即存在于解释变量组Z中），也包括投保人的家庭情况、受教育程度、对风险的偏好程度等只有投保人自身清楚而保险公司获取不到的信息（不在解释变量组Z中）。由以上的变量选取论述可知，式（3）是满足模型的假定条件的。运用最大似然估计方法，将式（3）的似然值最大化即可确定待估参数θ、β和λ。

此外，为检验汽车保有的“样本选择”效应，本文遵循Heckman（1979）样本选择模型的传统，建立汽车保有—商业车险两部需求模型。模型构建过程与上文模型类似，受篇幅限制，这里不再详细列明。

（二）定义变量

根据以上论述，对商业车险最终购买情况这一因变量的解释变量包括投保车辆基本情况、投保人基本情况、投保人经济情况、投保人风险偏好、理赔历史五个主要部分以及省份虚拟变量等其他解释变量。

投保车辆基本情况主要涉及汽车标的价值、是否是新车、汽车使用时间、汽车行驶公里数。

投保人基本情况主要涉及投保人年龄、性别、婚姻状况、受教育水平（小学及以下、初中、高中、大学、大学以上）、居住地（城镇、农村）、家庭成员数。

投保人经济状况主要涉及工作情况、家庭年度总收入。

投保人风险偏好主要涉及是否购买了其他商业保险、开车时是否经常注意系好安全带（经常注意、看情况、偶尔注意）、开车时是否遵守红绿灯交通规则（总是遵守、偶尔不遵守、偶尔遵守）、对当地社会治安的评价（非常好、好、一般、不太好、很不好）。

理赔历史主要是指是否申请过车险理赔。

综上，主要变量的说明及度量方法如表1。

（三）数据描述

本文所使用的数据来源于西南财经大学和中国人民银行总行金融研究所联合成立的中国家庭金融调查与研究中心于2012年5月13日发布的《中国家庭金融调查报告》（China Household Finance Survey，CHFS），这是一份旨在共同探讨并且分享应对复杂的大环境下金融良策的调查报告，它从全国25个省市、80多个县、320多个社区中随机抽取8438个家庭样本，主要的调查内容包括人口、资产、负债、收入、支出、保险与保障等能够反映当前中国家庭金融基本状况的项目。本文在2011年数据的基础上剔除掉主要变量观测值存在缺失的样本，用于最终代入模型回归分析的数据观测值共842个，满足微观数据分析的大样本要求。样本数据分有商业车险和无商业车险两种结果下的描述性统计信息如表2所示。

由表2描述性统计，可以对购买商业车险和未购买商业车险的行为受到了相关解释变量影响进行初步分析。投保车辆基本情况中，购买价格相对较高的车辆更易投保商业车险。投保人基本情况中，购买了商业车险的居民，他们的学历水平较高且较多居住在城镇之中。投保人经济状况中，购买了商业车险的居民中有工作的人数较多，且他们的家庭年度总收入相对较高。投保人风险偏好中，购买过其他商业保险的人更注重风险的防范，他购买商业车险的可能性也越大；开车经常系好安全带的人属于风险厌恶型，也是更加注重风险防范，所以更倾向于为自己购买商业车险；同理，开车基本遵守红绿灯规则的人也是属于风险厌恶型，更倾向于购买商业车险。理赔历史中，数据描述可以解释为曾经申请过车险理赔的人更愿意为自己购买商业车险，但保险公司是否对这种行为进行了有效控制暂时还不能看出，或者说如何通过数据判断投保人是否具有逆选择行为，以及保险公司是否对逆选择行为进行了筛选，需要通过接下来的实证结果进行进一步分析。

四、实证结果

按照第三部分构建的计量模型分别对商业车险需求影响因素、保险公司“有效供给”选择和汽车保有的“样本选择”效应进行回归分析。为检验模型的稳健性，本文采用增减控制变量的方法对模型重新进行回归，主要变量系数符号和显著性均未发生明显差异，说明本文结论具有较高可信度。另外，本文也将总样本分为城镇和农村两个子样本分别进行回归分析，得出了一致结论，证实了模型具有较高的稳健性。受篇幅限制，本文仅列明整体回归结果并进行详细分析。

（一）商业车险需求影响因素

表3为商业车险需求方程回归结果。可以看到，汽车标的价值越高，表明其风险价值越大，居民更愿意为其购买商业保险。旧车或者说使用时间相对较长的车辆损坏的可能性也相对较大，同时发生磨损后的风险也比较大，出于逆选择的角度居民也更愿意为其投保商业保险（结果对汽车行驶公里数不显著，可能解释为汽车使用者对车辆的使用年限比对其行驶的里程数更加敏感一些）。

从投保人的角度来看，随着年龄的增大，购买商业车险的意愿是逐渐增强的，到达一个峰值后意愿会随着年龄的继续增大而不断减小，说明在中等年龄阶段的居民作为整个家庭的主要经济来源，对自身存在的风险是较厌恶的，同时也拥有较多的财富，所以其购买商业车险的意愿最大；而年轻群体和年老群体或是由于具有风险喜好的侥幸心理，或是出于对自身风险不甚了解，抑或是没有汽车，总之他们购买商业车险的意愿是相对较弱的。作为投保人的女性车主，对风险的谨慎程度可能较高，相比之下更愿意购买商业车险。居住在乡村的人群由于风险意识比较低，其购买商业车险的行为也显著少于城镇居民。家庭人口数越多的居民一般作为家庭的经济主体也肩负较大的家庭责任，所以更倾向于购买商业车险。对居民受教育水平的统计结果基本表明，随着学历水平的提高，购买商业车险的意识也会显著提高。接下来从风险偏好的角度，开车时不注意系安全带的人群，其购买商业车险的概率显著低于遵守交通规则的人群，原因可以解释为这一人群对自身风险状况的认识不足、规避风险的意识欠缺，反过来也就是说，对交通风险的厌恶倾向与商业车险的需求是呈正相关关系的。这也可以用于解释为什么购买了其他商业保险的人群更愿意购买商业车险这一结果，这部分人群对于风险以及商业保险的基本认识是比较高的。关注到是否申请过理赔这一解释变量，发现曾经有过理赔历史的人群对商业车险的购买意愿会显著提高，这也证实了前文中我们讨论过得逆选择行为的存在。同样，对于社会治安的评价中包含着对交通秩序、道路状况等社会现状以及偷车、划车等违法犯罪问题的担心程度，归结到可能存在的逆选择行为，也就可以很好地理解对于社会治安评价越低的人的商业车险购买意愿更强这一结果的原因了。

（二）保险公司“选择性供给”

表3和表4为运用二元Probit模型对调查数据进行商业汽车保险需求回归的结果，分购买者的需求方程和保险公司的供给方程分别列示。需求方程分析不再赘述，我们对表4中供给方程的回归结果进行逐项分析，因为保险公司通过从投保单和核保程序所获得的客户信息中形成的他评风险状况远不如投保人自己所掌握的自评风险状况全面，所以保险公司能够获得到的解释变量就相对少一些，即前文讨论的信息不对称。从能够解释保险公司行为的有关变量参数中可以看到，价值较高的汽车保险公司是更愿意承保的。投保车辆行驶过公里数越高，潜在的风险会随着它的使用不断累积增大，这类车辆保险公司是越不愿意提供保障的。

从投保人的角度看，年龄越高的投保人，保险公司可能会认为他的驾驶经验越丰富，从而更愿意为车辆提供承保。性别上保险公司根据自身理赔经验，女性驾车更为谨慎，出险概率相对较低，所以对她们的供给意愿是显著更高的。居住地方面，相较于农村，保险公司更愿意为城镇居民提供承保。这里比较可能的解释是，我国的农村地区与城镇地区相比区域间发展不甚平衡、区域经济相对落后，而保险业的区域差异也比较大，所以保险公司通常不愿意进入道路交通环境差、治安风险和道德风险相对较高的农村地区，而城镇地区区域间经济发展差距小、道路交通环境较好、保险精算技术较成熟，因此，这里可以看成是保险公司直接对一个区域的购买者进行了限制和风险选择。

理赔历史方面，大部分的续保保单数据是保险公司可以掌握到的，且车主是否发生理赔也是进行保单质量筛选的一个最直接、最常用、相对比较可靠的指标，所以结果显示保险公司对有过理赔记录的车主的排斥性是十分显著的。

从回归结果分析，保险公司目前确实存在“选择性供给”行为，具有一定的风险识别和管控能力。但是，受到风险识别所需信息不足的限制，保险公司的选择性供给行为是不完整的，在费率市场化背景下其核保能力有待提升。

（三）汽车保有“样本选择”效应

汽车保有“样本选择”效应回归结果详见表5，分汽车保有者的选择方程和商业车险的需求方程分别列示。

通过比较我们发现，在商业车险需求方程中个人特征变量如年龄、性别、婚姻状况、所在地、受教育程度、家庭人口数等，特别是预期对商业车险购买需求影响强烈、在以往众多文献中也得到证实的收入变量，在本模型中却不再显著。然而这些变量却在选择方程中均十分显著。这说明，在我国，较高收入群体既是汽车保有者，又是商业车险的主要购买者，由此导致收入对商业车险需求的直接影响不显著，也就是说汽车保有对商业车险有效需求存在“样本选择”效应。汽车产业发展将直接影响我国商业车险未来走势，其目前呈现的微增长态势将导致我国商业车险发展规模受限。

五、结论和建议

本文实证结果表明，在信息不对称下，商业车险需求者存在逆选择行为，而保险公司存在一定的“选择性供给”行为。一方面，对我国商业汽车保险的需求具有显著影响的主要因素包括车辆的价值以及使用情况等自身特点，居民的年龄、性别、生活环境、受教育水平、家庭经济购买力以及理赔历史等实际情况，居民自身的风险偏好等。其中，车辆使用程度越高的车主对于商业汽车保险的需求明显高于拥有新车的车主，表明存在明显的针对于标的本身风险状况的逆向选择行为；曾经申请过车险理赔的人投保商业汽车保险的意愿显著高于未申请过理赔的人，表明存在明显的针对于个人自身风险状况的逆向选择行为。另一方面，能够反映投保车辆他评风险状况的若干变量对最终是否成功投保的结果是具有显著影响的。其中，曾经申请过车险理赔的人获得商业汽车保险保障的概率明显低于未申请过理赔的人，表明保险公司根据公司保单理赔经验做出了风险选择；居住在农村地区的人获得商业汽车保险保障的概率明显低于居住在城镇中的人，表明保险公司针对销售区域进行了风险选择；年龄较小的、车辆较旧的、男性人群获得商业汽车保险保障的概率明显低于年龄较大的、车辆较新的、女性人群，表明保险公司根据投保人及其标的可能出险的概率进行了风险选择。我国保险公司已经具有一定的风险识别和管控能力。但是，受到风险识别所需信息不足的限制，保险公司的选择性供给行为是不完整的，在费率市场化背景下其核保能力有待提升。

在汽车产业新常态环境下，随着保险公司定价自主权的不断扩大，保险公司要尽快推进车险费率的制定完成由“基本从车”向“既要从车也要从人”的转变。由于车险业务占保险公司业务份额较大，车险的赔付率情况会直接影响到保险公司整体的运营情况，所以为了实现利润最大化，必须要进行更加精细化的管理，将投保车型、驾驶员的驾驶习惯和风险偏好等加以量化考量并纳入费率制定及核保流程，以最大限度控制投保人的逆向选择风险，早日实现“一车一价”的新局面。但在现行的汽车保险保费收取标准下，各家保险公司费率制定通常仅与车龄、新车购置价格、座位数等因素有关，缺少车主驾驶习惯风险、车型风险等与赔付率和赔付金额直接相关的重要因素，这也直接导致了在竞争激烈的保险市场中各家保险公司的经营理念保守、车险产品同质、经营成本和赔付率长期居高不下、客户体验差，同时对广大车主也有失公平。

随着互联网技术的发展，保险公司应充分重视大数据信息平台的建设和应用，在利用逐渐整合的全国信息车辆平台加强对业务质量和经营风险的管控外，还要进一步加强与同业之间以及汽车维修机构、4S店的数据交流共享合作，通过开发应用车联网（Internet of Vehicles）等新技术有效获取驾驶员精准的驾驶习惯、行车历史和出险情况，为保险公司提供“从人”和“从车”全方位的数据支持，从而制定更加合理、更具针对性的费率厘定方案，减少投保人逆向选择带来的影响，提高数据挖掘效率和质量，积累丰富的客户资源，增强自身的抗风险能力，实现共赢。此外，保险公司还可以通过赠送行车记录仪、定期提供保养费用和加油卡、酒后代驾等更具差异性的附加服务提升投保人的客户体验，并进一步提高驾驶员的安全意识、降低交通事故发生率，从而在源头上为商业车险提供更大的盈利空间。

参考文献：

[1]崔惠贤.车险市场价格竞争的博弈分析——基于费率市场化改革背景[J].保险研究，2012，（6）：39-48.

[2]贺锐，王丹，闫玥霖.商业三者险的需求的影响因素的实证研究[J].现代商业，2011，（6）：60-62.

[3]刘宏，王俊.中国居民医疗保险购买行为研究-基于商业健康保险的角度[J].经济学（季刊），2012，（4）：1525-1548.

[4]刘璐，张博江.我国机动车辆保险市场发展的需求拉动因素研究[J].保险研究，2012，（8）：83-88.

[5]刘兴丽，蔡传宏，张玲玉.我国车险市场需求实证研究[J].上海保险，2014，（8）：12-16.

[6]任平.我国车险需求及其影响因素的实证分析[D].湖南大学，2012.

[7]王海峰.机动车辆保险消费者投保行为实证研究[D].山东大学，2006.

[8]袁振兴.汽车保险市场需求的影响因素实证分析[D].浙江工商大学，2014.

[9]张宗军.中国财产保险需求的影响因素研究——基于险种结构的动态分析[J].保险研究，2012，（1）：71-77.

[10]赵红梅，苏慧娟.我国财产保险需求影响因素研究——基于地区加权和时间加权的面板数据[J].保险研究，2013，（2）：38-44.

[11]Esho，N，Kirivsky，et al. Law and the determinants for property—casualty insurance[R]，The Journal of Risk and Insurance，2004.