中国保险业规模的变动分析——基于时间序列模型的选择与优化
The Change Analysis of China’s Insurance Industry Scale—Based on ARIMA Model
DOI: 10.12677/AAM.2023.123126, PDF,   
作者: 袁 瑞：云南财经大学统计与数学学院，云南 昆明
关键词: 时间序列；保险密度；ARIMA模型；疏系数模型；Time Series； Safety Density； ARIMA Model； Thinning Coefficient Model
摘要: 文章基于时间序列模型对我国保险业规模的变动进行了分析预测。在分析理论机制的基础上，主要选取从广度的角度体现保险规模的保险密度指标，通过对我国改革开放后1980~2019年的保险密度时间序列数据的分析，找出的最优模型是ARIMA (1, 1, (1, 4))模型，并进行了为期5年的预测，之后对比2020年、2021年度真实的保险密度值，发现该模型对短期中国保险密度年度数值有较好的预测效果。
Abstract: Based on the time series model, this paper analyzes and predicts the changes of the scale of our in-surance industry. Based on the analysis of the theoretical mechanism, the insurance density index which reflects the insurance scale from the perspective of breadth is selected. Through the analysis of the insurance density time series data from 1980 to 2019 after China’s reform and opening up, the optimal model is found to be ARIMA (1, 1, (1, 4)) model, and the five-year forecast is carried out. After comparing the real insurance density values in 2020 and 2021, it is found that the model has a good prediction effect on the short-term annual value of China’s insurance density.
文章引用：袁瑞. 中国保险业规模的变动分析——基于时间序列模型的选择与优化[J]. 应用数学进展, 2023, 12(3): 1240-1249. https://doi.org/10.12677/AAM.2023.123126

参考文献

[1] 王绪瑾, 王浩帆. 改革开放以来中国保险业发展的回顾与展望[J]. 北京工商大学学报(社会科学版), 2020, 35(2): 91-104.
[2] 杨霞, 王百川, 李毅. 重大公共卫生事件对中国保险业的影响研究——基于非典和新冠肺炎疫情的思考[J]. 金融经济学研究, 2020, 35(3): 28-39.
[3] 周延礼, 魏晨阳, 刘晓. 关于“十四五”期间保险业发展的思考与展望[J]. 清华金融评论, 2021(4): 24-26.
[4] 胡炳志, 唐甜, 王若鹏. 我国产险公司再保险需求影响因素分析——基于BP神经网络方法的实证研究[J]. 保险研究, 2012(6): 3-12.
[5] 胡晓坤. 中国保险业规模影响因素与预测分析研究综述[J]. 劳动保障世界, 2018(3): 20-21.
[6] 郑苏晋, 乔恒, 蒙羞叶. 保险业服务经济增长:路径及影响机制——多种时间序列模型和基于EGLS的bootstrap检验[J]. 管理评论, 2019, 31(6): 14-22.
[7] 粟芳. 保险规模的预测模型及实证分析[J]. 金融研究, 2000(2): 121-126.
[8] 吴开兵, 邢炜, 俞自由. 保险深度的变化规律与我国保险市场的预测[J]. 预测, 2000(3): 53-56.
[9] 黄佐鈃, 吴凤平. 中国保险业发展现状及保费规模预测[J]. 预测, 2003(2): 19-22+44.
[10] 尹成远, 赵桂玲, 周稳海. 中国人身保险保费收入的实证分析与预测研究[J]. 保险研究, 2008(1): 48-52.
[11] 赵长利, 陈海泳, 陈德阳. 中国保险业保费收入灰色预测模型的研究[J]. 统计与决策, 2007(13): 33-34.
[12] 时乐乐, 赵军. 基于GM(1,1)模型的新疆保险业“十二五”发展预测[J]. 经济数学, 2012, 29(1): 106-110.
[13] 张积林. 基于灰色理论的中国保险业保费规模预测[J]. 技术经济与管理研究, 2010(1): 119-122.
[14] 张鑫, 赵苑达, 蒋鹏. 基于灰色最优化模型的保费收入动态预测——以东北三省为例[J]. 辽宁大学学报(哲学社会科学版), 2018, 46(6): 46-56.
[15] 丁海峰, 高凯, 罗娟, 等. 基于GM(1,1)灰色预测模型的我国民营医院发展趋势预测[J]. 医学与社会, 2021, 34(3): 1-6.
[16] 梁来存, 皮友静. 我国保费收入的ARIMA模型与预测[J]. 统计与决策, 2006(7): 25-26.
[17] 付宇涵. 基于ARIMA模型的我国财产险保费收入的预测研究[J]. 统计教育, 2010(10): 52-55.
[18] 李辉, 石龙. 中国保费收入的预测研究[J]. 统计与决策, 2012(11): 32-36.
[19] 刘红亮. 重庆市短期保费收入预测模型探析——基于X12季节调整法和ARIMA模型[J]. 商, 2013(16): 130-131.
[20] 陆秋君. 中国保险密度的分析和预测[J]. 预测, 2006(6): 34-38.
[21] 包慧敏, 黄志刚, 包晓光. 保险业增长预测中数量经济模型的应用研究[J]. 保险研究, 2006(1): 42-44.
[22] 吕卓, 顾海兵. “十三五”时期我国保险业发展的多维预测研究[J]. 南京社会科学, 2016(5): 22-28.
[23] 周桦, 卢志源, 郑敏. 基于TEI@I方法的中国保险业保费收入预测[J]. 管理评论, 2020, 32(7): 166-179.
[24] 姬超, 侯大伟, 谢丽, 等. 基于时间序列模型的饮用水源地重金属健康风险分析与预测[J]. 环境科学, 2021, 42(11): 5322-5332.

为你推荐