论文部分内容阅读
摘 要：本文运用非参数法中的SBM模型和DEA窗口分析度量了中澳两国31家财险公司在2011—2015年间技术效率、纯技术效率和规模效率的变化，实证结果表明：2011—2013年中国财险公司的技术效率低于澳大利亚财险公司，2014年，中国财险公司各项效率均值呈现总体上涨势头，并在2015年反超澳大利亚。虽然我国财险公司在规模效率方面表现良好，但我国财险行业发展仍不完善，财险公司个体技术差距较大、经营管理技术不能在市场中有效流通且缺乏淘汰机制，需进一步改善。
关键词：财产保险公司；效率；SBM模型；DEA窗口分析
中图分类号：F840.65 文献标识码：A 文章编号：1674-2265（2018）06-0058-10
DOI：10.19647/j.cnki.37-1462/f.2018.06.009
一、引言
自1979年我国恢复保险业务以来，财险业的发展取得了长足的进步。从公司数量上看，近40年来我国从最初仅有的中国人民保险公司发展到拥有70多家财险公司，其产权类型覆盖了国有控股企业、股份制企业、政策性保险公司、外资企业和中外合资企业等多种组织形式。从保费收入上看，我国财险业保费收入从1997年的383.23①亿元上升到2016年的8725亿元，18年间收入提高了近30倍。尽管我国财险公司的发展取得了举世瞩目的成就，但是行业内公司经营效率低下、竞争力弱也是不争的事实（侯晋和朱磊， 2004；龙文文， 2011）。在我国保险市场逐步开放、外资财产保险公司纷纷入华投资的背景下，我国财险业遇到了前所未有的挑战，其中亟待解决的问题就是如何提高自身经营效率和竞争力。2016年8月保监会发布《中国保险业发展十三五规划纲要》，指出要以创新驱动保险业供给侧改革，着力激发保险业承保质量和效率；同时需要提升保险业的服务效率和质量，使得整个行业获得全社会的认可。学术界对我国财险公司效率的研究也有很多，其中不乏中、外资保险公司的对比研究，但缺乏与国际优秀保险公司的对比研究。同世界优秀财险公司的效率对比研究是提升我国财险公司效率的重要课题。
同英美等保险业发达国家相比，澳大利亚保险市场同我国有更多的相似性（吴憨和吴军， 2006 ），如两国财险寿险都是分业经营；都是由国有、私营企业构成的竞争垄断型保险市场等等，这使得两国财险公司具有可比性。基于上述原因，本文将中澳两国财险公司做对比，找到中方财险公司与澳大利亚财险公司效率的差距并明确改进方法，这样不仅能够提高我国财险市场中所有公司的经营效率，也能为我国财险公司进入国外市场做好准备。
二、模型的选取及综述
非参数法中的数据包络分析（DEA）和参数法中的随机前沿分析（SFA）是目前学术界度量效率所使用的两种主流方法。
（一）非参数法
国内外使用传统DEA方法对保险业的效率研究可分为以下几个方面：一是研究某国寿险或非寿险行业效率同其影响因素之间的关系。Cummins和Turchetti （1996）首先使用DEA分析了意大利保险公司的技术效率，得出意大利保险公司的技术效率在生产力大幅下降的情况下并未发生明显变化的结论。Barros 和Borges （2005）研究了葡萄牙保险公司生产效率的变化趋势。他们的结论表明当保险公司的生产效率提高时，整个保险市场的表现也会更好。二是把一国不同类型的保险公司效率做对比。Cummins 等人（1999）利用DEA研究了兼并收购对保险公司效率的影响。他们发现，被收购的公司在效率方面会得到很大的提升。三是把不同国别保险公司的效率做研究。Diacon（2001）利用DEA法分析了英国保险公司的效率，通过效率值的测算发现英国保险公司效率高于欧洲其他国家保险公司效率，但是前者效率仍有提升空间。
传统DEA模型的不足之处在于该方法并没有考虑生产过程中投入产出的联合机制。如保险公司在承保阶段收到保费后，保费又作为中间变量进入投资阶段。针对于此，F?re 和Grosskopf 2000年提出网络DEA （Network DEA）。该方法把生产过程分成了若干个阶段，以中间产品为中介连接前后阶段并由此测算分阶段的效率以及整体效率。Yang（2006）运用两阶段独立DEA计算了加拿大寿险公司的保险效率和投资效率，首次揭示出寿险公司经营的“黑箱子”。但他分割了两个阶段，没有考虑投入产出的中间变量。然而，网络DEA仍属于傳统的径向模型，对无效率程度的度量只是根据所有投入、产出同比例增减，没有考虑松弛变量的影响，因此会造成效率度量的误差。对此， Tone 在2001年加入松弛变量，提出了SBM模型（Slacked-based Model），后又同Tsutsui（2009）合作提出网络SBM模型（Network SBM）。网络SBM模型的提出解决了网络DEA等径向模型在投入冗余或产出不足时高估企业效率的问题。
但是因为考虑到每年决策单元面临的前沿面不同，即最有效率的决策单元不同，所以对于面板数据的处理，使用逐年计算效率的方法得到的数据在不同年份不具有可比性。针对于此，有文献提出采用Malmquist指数的方法来分析面板数据，提出了动态DEA模型（Grifell-Tatjé，1995；F?re，1992）。而Charnes 等人（1985）提出了DEA 窗口分析法（DEA Window Analysis），该方法不仅可以测算出同一个决策单元效率的时间变化趋势，还能成倍增加决策单元个数，解决样本个数不足的问题。Asmild 等人 （2004） 使用了DEA 窗口分析法估计加拿大银行业在1981—2000年这20年间的效率。国外使用该方法度量保险业效率的文献不多，而国内学者在这方面领先一步。江涛（2015）使用DEA窗口分析法对中国寿险公司的效率进行了评价。孙蓉和奉唐文（2016）又使用同种方法分析了保险公司经营农险的效率并对传统DEA、SBM以及SBM—窗口分析法下度量出的效率值做了对比。 （二）参数法
参数法是前沿效率分析的另一分支。参数法主要分为随机前沿分析（SFA）、自由分布法（DFA）和厚沿法（TFA），而国内外文献研究效率均以Aigner等人（1977）首次提出使用的随机前沿分析（SFA）为主。
同使用非参数法研究效率的文献相类似，参数法也被用于上述三类问题的研究。但是使用随机前沿分析（SFA）研究保险公司效率的文献明显少于使用数据包络分析方法（DEA）的文献，且研究重点集中在对比一国不同类型保险公司的效率值上。例如，刘铮等人（2013）利用SFA度量了我国16家财险公司的效率，得出国有控股公司在成本X效率上表現更好、市场份额大的公司在收益X效率上更有优势的结论。Fenn等（2008）使用SFA估计了欧洲寿险、财险及保险集团1995—2001年间的X效率，得出市场份额大的公司成本效率高的结论。甘小丰（2008）对中国保险业的成本效率和规模效率等进行了研究，认为中资保险公司的成本效率高于中外合资保险公司。除了研究对比一国不同类型保险公司的效率值外，叶成徽和陈晓安（2012）分析了经理报酬对上市保险公司效率的影响，得出其对利润效率有反向影响，对成本效率没有影响的结论。黄薇（2008）也使用SFA对我国1999—2006年承担不同经营风险的保险公司效率进行了度量并得出结论：竞争的压力对保险公司的效率有反向促进作用。也有少数学者利用SFA研究不同国别保险公司的效率。例如，王宇悦（2016）使用SFA对比研究了中美人身保险公司的利润效率，认为提高市场份额能够提升中美两国人身保险公司的利润效率，而效率的一些外部因素如GDP增长率、通胀率、广义货币增长率只能提升美国人身保险公司的利润效率。
（三） 模型的选取
考虑到如下几点原因，本文选择数据包络分析法（DEA） 对中澳两国财险公司效率进行度量：
1. 现实生活中公司成本或利润函数可能远比大多文献采取的Cobb-Douglas生产函数或者超越对数生产函数要更加复杂。而对于保险公司这一经营风险转移这种无形商品的公司来说，准确地估计出保险公司的成本或利润函数更加困难。即使估计出的函数形式正确，我们依然要对投入、产出等变量进行假设，这样依旧会面临变量选取不准确的问题。考虑到DEA不需要设定成本或生产函数，可以避免函数估计错误引起的误差，故本文使用DEA。
2. SFA对样本容量要求较高，如果样本容量不足往往估计出来的结果不准确，而DEA不仅避免了这个问题，其中的窗口分析模型还可以通过构建窗口起到增加样本的效果。
3. DEA方法可以把技术效率进一步划分为纯技术效率和规模效率，还可以通过成本最小化DEA模型度量出决策单元（DMU）的资源配置效率并计算得到总的经济效率。这样可以更加细致地分析财险公司效率水平低下是咎于技术层面、规模层面还是资源配置层面，帮助公司更好地找到提高效率的着力点。
三、样本及数据指标
（一）样本的选择
本文从《中国保险统计年鉴》中选取平均保费收入超过50亿人民币的15家中国财险公司②，之所以选取平均保费收入超过50亿人民币的公司，是因为本文在多次试验后发现：选取平均保费收入超过50亿人民币的公司后，平均保费收入最小的华泰财险仅占所有15家样本公司市场份额的不足1%，所以这样选取的15家保险公司保费收入之和能够近似于整个财险业的保费收入，具有覆盖性；接着本文从全球保险行业分析库（ORBIS Insurance Focus）③中选取了被认定为超大型和大型财险公司，但是由于部分公司在近5年（2011—2015年）的数据没有披露，最后只选取了可获得数据的16家澳大利亚超大型和大型财险公司。之所以选取被认定为超大型和大型财险公司是因为在澳大利亚只有此两种类型的公司保费收入同中国财险公司保费收入、总资产规模类似，具有可比性。而一些中小型财险公司由于保费收入同选取的15家中国财险公司差距过大而被舍弃。这样一来，选取的16家澳大利亚大型保险公司不仅可以同中国的15家财险公司作比较，也代表了澳洲承保能力最为优秀的财险公司。相互比较这种覆盖层次深的公司并对它们的效率进行度量可以帮助找出我国财险公司同世界优秀公司的差距，同时也能为公司经营者和市场消费者、投资者提供公司效率方面的参考信息。本文最后确定选取15家中国财险公司、16家澳大利亚财险公司共31家财险公司的155个样本数据（见表1）。
（二）数据来源
本文中国财险公司的所有数据来源于《中国保险统计年鉴》（2012—2016年）；澳大利亚财险公司的部分数据来源于全球保险行业分析库，关于员工数量的数据来源于各家公司披露的财务报告、年报以及公司官网介绍。
（三）投入产出指标的选取
对于利用数据包络分析研究财险公司效率时投入、产出变量的设定，学术界目前没有形成一个统一的理论方法。但是叶世绮等人（2004）提出DEA投入、产出变量的选取应该遵循目的性、精简性和关联性原则，三者之间互为关联。其中目的性是指投入、产出的选取要符合效率评价的目的。精简性要求在满足目的性的前提下尽量精简变量个数。而关联性原则为如何精简提供了方向；当投入指标或者产出指标中的两个变量高度相关时，可认为其中一个指标已经包含了另外一个指标，所以可以将其中一个剔除，而剔除哪个变量要看研究的目的。本文参照上述观点来确定投入、产出变量。通过阅读文献，本文发现在投入变量的选取上，学者们的意见基本一致，只是在产出变量的选取方面存在不同意见。
对于投入变量的选取，学者们普遍认为保险公司的投入指标为劳动力、资本和费用（孙蓉和奉唐文， 2016；廖浠伶，2013；谭春彦，2012）。财产保险的承保、勘查、定损都需要人力，因此劳动力是财险公司经营的一个投入要素。考虑到数据的可获得性和目前文献较多选取公司员工人数代替劳动力，认定公司员工数为中澳财险公司的第一个投入变量。考虑到保险公司同一般公司不同，利用保费收入和赔付的时间差赚取投资利润也是保险公司的主要业务收入之一，反映了公司的竞争力，本文加入投资资产④作为第二个投入变量。由于DEA指标选取的精简性和关联性原则，考虑到投资资产包含了资本，本文舍弃了资本这一变量。最后对于各种费用的投入，考虑到数据的可得性以及参照其他学者的做法（宋增基等，2007；张俊岭，2007），本文使用营业费用⑤代替。 对于产出变量的选取，学术界争论的焦点主要集中在保费收入是否为产出变量。考虑到保费收入的很大一部分都不是保险人所得，保费收入更像是一种收入变量而不是产出变量，因此本文选用被很多学者广泛使用的—承保利润⑥作为中澳财险公司的一个产出变量。考虑到承保利润和责任赔款这一变量高度相关，同样是出于关联性原则的考虑，本文舍弃了Cummins （1998）提出的把赔款+未决赔款算作保险公司一种产出的做法。考虑到保险公司投入投资资产赚取利润，而投资收益可以很好地反映保险公司的投资盈利能力，本文最后加入投资收益作为产出变量⑦。
（四）数据描述性统计和相关系数
本文选取了三个投入变量：员工人数、投资资产和营业费用；两个产出变量：承保利润和投资收益。对以上变量的描述性统计见表2和表3。
收集到样本以后，先考察样本数据是否合理。DEA模型样本数据的要求是具有同向性，即增加任一生产投入，产量也会随之增加。目前比较常见的方法是采用Person相关系数法测量各投入变量同产出变量的相关性，并认为Person系数大于0.7时，两个变量之间是高度线性相关的（孙蓉和奉唐文， 2016）。如果所有投入、产出变量都高度线性相关，我们即认定数据满足同向性，也就是说投入、产出变量的选取以及收集到的数据是可靠的。
我们使用STATA 14.0对投入、产出变量做Person相关系数测量，结果如表4。
表4：投入、产出变量的Person相关系数
[投入变量 员工人数 投资资产 营业费用 产出变量 承保利润 0.86* 0.83* 0.76* 投资收益 0.74* 0.92* 0.82* ]
注：*代表相关性在0.01的显著性水平下显著。
由表4可以看出，本文收集的所有投入、产出变量之间的Person相关系数均在0.7以上，高度相关，因此该数据可以用于下一步的效率度量。
四、效率值的实证结果及分析
（一）SBM模型度量横截面数据
使用SBM模型对31家财险公司在不同时间年度内的横截面数据逐一度量，选择规模收益不变（CRS）假设得到的技术效率结果如表5。
财险公司的技术效率是公司在相同的产出条件下，最小的可能性投入与实际投入的比率；从产出的角度看是指在现有的承保技术水平下，财险公司可以扩大产出的能力。如果技术效率值小于1，那么公司应通过技术进步、合理化经营等方式提高技术效率。
从表5可以看出：2011—2013年，中国财险公司的技术效率远低于澳大利亚财险公司，2014年两国之间差距缩小，2015年中国财险公司的技术效率均值已经超过了澳大利亚财险公司。值得一提的是，2011—2013年澳大利亚财险公司表现出色，每年都有近一半公司站在了效率的前沿面上（效率值=1），其中WFI Insurance Ltd每年都技术有效。而中国没有一家财险公司能够稳定保持技术有效率。
微观层面上，通过观察中国财险公司的技术效率值可以发现：我国财险公司技術效率差距较大，经营管理技术不能在市场中有效流通且缺乏淘汰机制。虽然我国几乎每年都有财险公司被选为效率前沿面，但是仍有很多公司的技术效率水平较为低下。在完善的市场经济下，激烈的市场竞争应该可以使得各个财险公司的技术效率差异较小，但从表5的结果可以看出：我国财险行业发展还不完善，市场机制并不能淘汰技术效率低下的公司。反观澳大利亚，除了Youi Pty Ltd、The Hollard Insurance Company Pty Ltd和QBE Insurance （Australia） Ltd技术效率较低外，其他公司的技术效率均值都较为接近，很多公司在多个年份都技术有效，公司之间的技术效率差距相比我国小了许多。
SBM模型在度量横截面数据上确实带来了很多有用的信息，但是这个模型有两个问题：第一，由于SBM模型只能分析横截面数据，这就导致每年选取不同的财险公司为效率前沿面，每年选择的参照物是不同的。因此，针对表5进行的横向比较是不准确的。第二，2011—2013年，澳大利亚每一年被选为效率前沿面的公司占到了近一半之多，度量出的效率区分度仍然需要提高。
（二）DEA窗口分析度量面板数据
本文根据Farrell提出的效率分解理论，使用DEA窗口分析法对31家财险公司的技术效率、规模效率和纯技术效率进行度量。
1. 技术效率。DEA窗口分析是通过相似于移动平均的方法把处于不同年份的决策单元区别对待，通过建立窗口来增加决策单元的个数并结合不同窗口下效率的度量值来综合评价一个决策单元效率的方法（Charnes，1985）。
使用DEA窗口分析首先需要选择窗口的宽度d，如果研究总时长为T，那么可以建立T+1-d个窗口。然而对于窗口宽度d的选择，学术界至今没有提出相关的理论。本文按照文献中的普遍做法，选择窗口宽度d=3⑨，由于本研究的时间长度T=5，那么自然就建立了3个窗口（W1、W2、W3），每个决策单元（DMU）在每个窗口中可以得到d=3个效率值，代表了同一公司的效率变化趋势，最后取每个年份上的效率均值作为最终在横截面和时间序列上均可比较的效率值。以中国人寿财险为例，表6是DEA窗口分析的详细测算结果。最终整理出的31家财险公司在横截面和时间序列上均可比的技术效率值见表7。
由表7可以直观看出，使用窗口分析得到的结果不仅比SBM更加有区分度， 而且极小效率值也较少出现，模型得到的结果更为恰当。从近5年的均值来看，澳大利亚财险公司的效率表现要好于中国。其中，Aai Ltd、AIG Australia Ltd、WFI Insurance Ltd、Victoria Managed Insurance Authority和Insurance Manufacturers of Australia Pty Ltd分别有2—3次处在前沿面上。其中WFI Insurance Ltd的效率值高达0.98，是31家财险公司中效率最高的。Workcover Queensland、Catholic Church Insurance Ltd和Avant Insurance Ltd的效率均值也都在0.74以上。 Youi Pty Ltd（0.31）、QBE Insurance（Australia）Ltd（0.31）和The Hollard Insurance Company Pty Ltd（0.27）是澳大利亚财险公司中表现最差的。反观中国，除了中华联合财险（0.62）、安盛天平财险（0.52）和永安财险（0.50）之外，其余中国财险公司效率都在0.50以下，表现差强人意。 多数澳大利亚财险公司近5年来的技术效率均值高于中国可能归功于其开展先进的网络化承保方式要早于中国。澳大利亚财险公司官网大多在很早以前就开始提供网络保单，投保人只需输入个人信息便能计算出保费金额等信息。如果投保人满意可以在网上填写投保单，保险人在后台做出是否承保的决定。但是随着近几年我国保险公司网络经营模式的开展，澳大利亚财险公司的技术优势已经不复存在。通过观察表7最后一列我们可以看出，中国财险公司技术效率值增长势头强劲，尤其是中小型财险公司如天安财险、华泰财险、永诚财险、华安财险、永安财险2011—2015年技术效率均值增长高达4—12倍，而澳大利亚财险公司技术效率却呈现出小幅的负增长态势。这说明我国同澳大利亚财险公司的技术效率差距越来越小，我国财险公司的经营、操作、管理技术水平有了提升。此外，我国财险公司技术效率差距也在逐渐缩小，这意味着我国财险市场技术不能有效流通且缺乏有效淘汰机制的现象也正在改善。
图1也可以很好地佐证上述部分观点，从图1可以看出：我国财险公司的技术效率均值2013年开始飙升，从0.36增长到0.67，增幅高达近95%。到2015年，我国财险公司技术效率已经超过了澳大利亚。而澳大利亚财险公司恰巧呈现相反的趋势，自从2013年后，该国保险公司的效率均值一路下行。
2. 纯技术效率。使用规模收益可变 （VRS） 假设，依然通过DEA窗口分析得到各公司横截面和时间序列上均可比的纯技术效率值。纯技术效率值是剔除了公司规模因素影响后真正由技术原因影响的效率值，是在既定规模下保险公司可控的部分，对技术效率的进一步分解不仅可以度量出规模效率，也使得我们对公司纯技术层面的效率有更精确的认识。
对表8中剔除了保险公司规模影响后的纯技术效率的解释同表7类似。可以看出剔除了企業规模影响后，澳大利亚产险公司的纯效率值比表7展示的结果还要高。除了Allianz Australia Insurance Ltd（0.65）和QBE Insurance（Australia）Ltd（0.32）在澳大利亚财险公司中纯技术效率表现稍差以外，几乎每家保险公司都至少1次被选为前沿面。WFI Insurance Ltd财险公司更是在所有年份中均被选为前沿面企业，而The Hollard Insurance Company Pty Ltd、Victoria Managed Insurance Authority和Youi Pty Ltd也都近乎达到纯技术有效。
中国财险公司中仅中国人保财险公司的纯技术效率接近1，除平安财险（0.72）、中华联合财险（0.65）、华泰财险（0.62）和安盛天平财险（0.62）外，其余财险公司的纯技术效率值都低于0.60。
大多数中国财险公司，尤其是中小型公司纯技术效率水平处于增长期，只有安盛天平财险、英大泰和财险和中华联合财险呈现下跌的趋势。值得一提的是，安盛天平财险公司2014年由天平车险同安盛保险合并而成，合并后的企业需要时间磨合，这可能是其2014年技术效率水平不增反减的一个原因，2015年，其技术效率值不仅恢复到了2013年的水平（0.54）且有小幅上涨（0.61）。
通过图2可以直观地感受2011—2015年中澳两国财险公司纯技术效率均值的变化趋势。5年间我国财险公司的纯技术效率均值增长了58%，2015年已经高达0.78。澳大利亚财险业发展了多年，在剔除了企业规模的影响后，2013年行业内大多数公司的技术水平可以构成前沿面，但是最近两年澳大利亚财险公司的纯技术效率经历了大幅度的下滑。
3. 规模效率。规模效率衡量的是企业是否在最优规模条件下生产。表9给出了各公司在横截面和时间序列上均可比的规模效率值，从中我们可以发现：2013年后，中国财险公司的规模效率表现总体好于澳大利亚财险公司。
首先，多数中国财险公司的规模效率均值都在0.72以上，中华联合财险和阳光保险效率更是分别高达0.97和0.95。澳大利亚除了Aai Ltd、AIG Australia Ltd、WFI Insurance Ltd、Insurance Manufacturers of Australia Pty Ltd、Victoria Managed Insurance Authority 和Workcover Queensland有2—3次被认为是规模有效之外，QBE Insurance（Australia）Ltd（0.96）、Chubb Insurance Company of Australia Ltd（0.97）、CGU Insurance Ltd（0.94）和Catholic Church Insurance Ltd（0.94）的表现也可圈可点，但是澳大利亚有两家财险公司的规模效率值是所有31家公司中最低的。可见，澳大利亚财险公司的规模效率两极分化现象较为严重，有些财险公司已接近规模效率最优状态，而有的公司离最优化规模还有很长一段距离。
其次，通过对比同一公司在不同年份的数据可以看到：大多数中国财险公司朝着更优化的规模前进。而澳大利亚多数财险公司的规模效率或者变化不大，或者反而呈下降趋势。
图3也能部分支撑上述结论。可以看出，我国财险公司的规模效率均值从2011年的0.69增长到2015年的0.88，增幅达到了27%；澳大利亚财险公司的规模效率在经历了2011—2014年短暂上行后快速下调，2015年降至5年来的最低水平 （0.70） 。总体说来，2013年以后中国财险公司在规模效率上的表现优于澳大利亚财险公司。
Coelli（1996）提出：判断规模无效率决策单元究竟处于规模报酬递增还是规模报酬递减的阶段可以通过比较在规模报酬不变假设条件下算出的技术效率和在规模收益可变假设条件下算出的纯技术效率。当两者不相等时，决策单元处于规模报酬递增阶段；当两者相等时，决策单元处于规模报酬递减阶段。本文根据Coelli（1996）的理论，结合DEA-Solver软件在SBM模型规模报酬不变假设和规模收益可变假设条件下得出的效率值，整理得到表10。 从表10可以看出，同一公司在5年时间内规模报酬状况变化不大。在中国财险公司中，大型财险公司如中国人保财险、中国太平洋财险和平安财险由于公司规模扩张过大而处于边际报酬递减阶段，这些公司应当适当缩小规模以获得最优的规模效率。太平财险、华泰财险、永诚财险、安盛天平财险和英大泰和财险在多数年份均处于规模报酬递增阶段，应当适当扩大公司规模。在所有中国财险公司中，没有一家公司在所有可获取年份里均保持规模报酬不变，而澳大利亚有5家规模有效公司，它们分别是Aai Ltd、Catholic Church Insurance Ltd、Chubb Insurance Company of Australia Ltd、Insurance Manufacturers of Australia Pty Ltd以及Victoria Managed Insurance Authority。同中国相类似，澳大利亚财险公司规模也呈现出了两极分化的趋势。Allianz Australia Insurance Ltd、Insurance Australia Group Ltd和QBE Insurance （Australia） Ltd因为规模过大而在多数年份处于规模报酬递减阶段，而Avant Insurance Ltd和Youi Pty Ltd在多数年间处于规模报酬递增阶段。
（三）对比DEA方法下不同模型度量出的技术效率值
为了使得研究更加全面，本文把BCC、SBM模型和DEA窗口分析三个不同模型下度量出的技术效率均值在2011—2015年的变化进行了比较。从图4可以看到，三种不同方法度量出的结果均显示出震荡调整后的反弹上升趋势。2011—2013年间，不同模型度量出的效率均值变化趋势略有不同，但是变化值都不大。2013年后，所有模型都显示出技术效率值有较大幅度的提升。此外，我们还证明了SBM和DEA窗口分析的确是两种比BCC更加严格的效率评价方法，前两者把松弛变量这一无效率的因素也考虑在内，扩大了不同决策单元之间的区分度。
五、结论
对中澳两国31家财产保险公司在2011—2015年间的技术效率、纯技术效率和规模效率进行了度量，得出如下结论：
第一，2011—2013年中国财险公司的技术效率远低于澳大利亚财险公司，2014年两国之间差距在慢慢缩小，2015年中国财险公司的技术效率均值已经超过了澳大利亚财险公司。观察两国效率均值的变化可以看出，2013年是两国财险公司技术效率的转折点，在经历了不同程度的下跌后，中国财险公司技术效率反弹，而澳大利亚财险公司跌至低谷，最终被中国反超。但是，通过对比同一年间两国财险公司效率值时可以发现，澳大利亚财险公司之间的技术效率差距相比中国小了许多。
第二，大多中国财险公司，尤其是中小型公司的纯技术效率水平处于增长期，但是2015年前中澳之间纯技术效率的差距依旧明显。澳大利亚几乎每家保险公司都至少1次被选作前沿面，其中WFI Insurance Ltd财险公司更是所有年份均被选为前沿面企业，The Hollard Insurance Company Pty Ltd、Victoria Managed Insurance Authority和Youi Pty Ltd也都近乎达到纯技术有效。中国仅人保财险公司的纯技术效率接近1，多数财险公司的效率值都低于0.6，这折射出我国财险公司之间的纯技术效率差距也较大。
第三，在规模效率方面，我国财险公司表现良好，澳大利亚财险公司的规模效率两极分化较为严重。此外，虽然我国财产公司的总体规模效率在2013年已超过澳大利亚财险公司，但其仍有提升空间。
最后，中国财险公司，尤其中小型的财险公司，各项效率均值在被研究的五年区间内均呈现总体上涨的势头，并在2015年反超澳大利亚。我国各财险公司之间技术效率差距也在逐渐缩小，这说明我国财险公司的經营管理正日趋规范，财险业市场也趋于完善。
注：
①数据均来自中经网数据库（http：//192.168.30.82：91/page/Default.aspx）。
②考虑到安邦财险公司每年度会计报表中，同一年份数据差别较大，可能存在失真的情况，本文没有测算此公司效率。考虑到中国出口信用保险作为政策性保险公司同一般财险业务有很大不同，故也舍弃。考虑到中国财险再保险公司经营财产再保险业务，而其他公司主要做原保险业务，所以，本文也不考虑此公司。
③该数据库网站：http：//www.bvdinfo.com/en-gb/our-products/company-information/international-products/orbis-insurance.
④投资资产=货币资本+拆出资本+交易性金融资产+衍生金融资产+买入返售金融资产+保护质押贷款+定期存款+可供出售金融资产+持有至到期投资+长期股权投资+投资性房地产（彭雪梅，2010）。
⑤包括业务及管理费、手续费及佣金支出和保险业务营业税。
⑥承保利润=已赚保费-赔付支出+摊回赔付支出-提取保险责任准备金+摊回保险责任准备金-分保费+摊回分保费-手续费及佣金-业务及管理费-保险业务营业税及附加（彭雪梅，2010）。
⑦投资收益=投资收益-对联营企业的投资收益+公允价值的变动损益+可供出售金融资产公允价值变动-投资资产减值损失-投资业务营业税金及附加（彭雪梅，2010）。
⑧澳大利亚数据经过换汇处理，年平均汇率数据来源于OANDA数据库。
⑨本文分别测算了窗口宽度d=1—5下的效率值，发现结果出入并不大。
参考文献：
[1]StataCorp. 2015. Stata 14 Base Reference Manual， Stata Press： College Station， TX [2]Cummins， J.D. and Weiss， M.A. 1998. Analyzing firm performance in the insurance industry using frontier efficiency methods （No. 98-22）. Wharton School Center for Financial Institutions， University of Pennsylvania.
[3]Coelli， T. 1996. A guide to DEAP version 2.1： a data envelopment analysis （computer） program. Centre for Efficiency and Productivity Analysis， University of New England， Australia.
[4]Charnes，A.，Cooper，W.W.，Golany，B.，Seiford， L. and Stutz，J. 1985. Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions. Journal of econometrics， 30（1-2）.
[5]Cummins， J.D. and Turchetti， G. 1996. Productivity and technical efficiency in the Italian insurance industry （No. 96-10）. Wharton School Center for Financial Institutions， University of Pennsylvania.
[6]F?re， R.， Grosskopf， S. and Lovell， C.K. 1994. Production frontiers. Cambridge University Press.
[7]侯晉，朱磊.我国保险公司经营效率的非寿险实证分析[J].南开经济研究，2004，（4）.
[8]龙文文.基于SFA方法的中国财产保险公司成本和利润效率测算[D].湖南大学硕士研究生论文， 2011.
[9]叶世绮，颜彩萍，莫剑芳.确定DEA指标体系的B-D方法[J].暨南大学学报（自然科学与医学版），2004，（3）.
[10]孙蓉，奉唐文.保险公司经营农险的效率及其影响因素——基于SBM模型与DEA窗口分析法[J].保险研究，2016，（1）.
[11]彭雪梅.保险会计学[M].西南财经大学出版社，2010年.
[12]廖浠伶.财险公司效率的实证研究[D].西南财经大学硕士研究生论文，2013.
[13]谭春彦.中资与外资产险公司的效率比较[D].西南财经大学硕士研究生论文， 2012.
[14]张俊岭.中国财产保险公司的规模效率DEA实证研究[J].统计与信息论坛，2007，（6）.
[15]宋增基，李春红.中国保险业DEA效率实证分析[J].系统工程学报，2007，（1）.
关键词：财产保险公司；效率；SBM模型；DEA窗口分析
中图分类号：F840.65 文献标识码：A 文章编号：1674-2265（2018）06-0058-10
DOI：10.19647/j.cnki.37-1462/f.2018.06.009
一、引言
自1979年我国恢复保险业务以来，财险业的发展取得了长足的进步。从公司数量上看，近40年来我国从最初仅有的中国人民保险公司发展到拥有70多家财险公司，其产权类型覆盖了国有控股企业、股份制企业、政策性保险公司、外资企业和中外合资企业等多种组织形式。从保费收入上看，我国财险业保费收入从1997年的383.23①亿元上升到2016年的8725亿元，18年间收入提高了近30倍。尽管我国财险公司的发展取得了举世瞩目的成就，但是行业内公司经营效率低下、竞争力弱也是不争的事实（侯晋和朱磊， 2004；龙文文， 2011）。在我国保险市场逐步开放、外资财产保险公司纷纷入华投资的背景下，我国财险业遇到了前所未有的挑战，其中亟待解决的问题就是如何提高自身经营效率和竞争力。2016年8月保监会发布《中国保险业发展十三五规划纲要》，指出要以创新驱动保险业供给侧改革，着力激发保险业承保质量和效率；同时需要提升保险业的服务效率和质量，使得整个行业获得全社会的认可。学术界对我国财险公司效率的研究也有很多，其中不乏中、外资保险公司的对比研究，但缺乏与国际优秀保险公司的对比研究。同世界优秀财险公司的效率对比研究是提升我国财险公司效率的重要课题。
同英美等保险业发达国家相比，澳大利亚保险市场同我国有更多的相似性（吴憨和吴军， 2006 ），如两国财险寿险都是分业经营；都是由国有、私营企业构成的竞争垄断型保险市场等等，这使得两国财险公司具有可比性。基于上述原因，本文将中澳两国财险公司做对比，找到中方财险公司与澳大利亚财险公司效率的差距并明确改进方法，这样不仅能够提高我国财险市场中所有公司的经营效率，也能为我国财险公司进入国外市场做好准备。
二、模型的选取及综述
非参数法中的数据包络分析（DEA）和参数法中的随机前沿分析（SFA）是目前学术界度量效率所使用的两种主流方法。
（一）非参数法
国内外使用传统DEA方法对保险业的效率研究可分为以下几个方面：一是研究某国寿险或非寿险行业效率同其影响因素之间的关系。Cummins和Turchetti （1996）首先使用DEA分析了意大利保险公司的技术效率，得出意大利保险公司的技术效率在生产力大幅下降的情况下并未发生明显变化的结论。Barros 和Borges （2005）研究了葡萄牙保险公司生产效率的变化趋势。他们的结论表明当保险公司的生产效率提高时，整个保险市场的表现也会更好。二是把一国不同类型的保险公司效率做对比。Cummins 等人（1999）利用DEA研究了兼并收购对保险公司效率的影响。他们发现，被收购的公司在效率方面会得到很大的提升。三是把不同国别保险公司的效率做研究。Diacon（2001）利用DEA法分析了英国保险公司的效率，通过效率值的测算发现英国保险公司效率高于欧洲其他国家保险公司效率，但是前者效率仍有提升空间。
传统DEA模型的不足之处在于该方法并没有考虑生产过程中投入产出的联合机制。如保险公司在承保阶段收到保费后，保费又作为中间变量进入投资阶段。针对于此，F?re 和Grosskopf 2000年提出网络DEA （Network DEA）。该方法把生产过程分成了若干个阶段，以中间产品为中介连接前后阶段并由此测算分阶段的效率以及整体效率。Yang（2006）运用两阶段独立DEA计算了加拿大寿险公司的保险效率和投资效率，首次揭示出寿险公司经营的“黑箱子”。但他分割了两个阶段，没有考虑投入产出的中间变量。然而，网络DEA仍属于傳统的径向模型，对无效率程度的度量只是根据所有投入、产出同比例增减，没有考虑松弛变量的影响，因此会造成效率度量的误差。对此， Tone 在2001年加入松弛变量，提出了SBM模型（Slacked-based Model），后又同Tsutsui（2009）合作提出网络SBM模型（Network SBM）。网络SBM模型的提出解决了网络DEA等径向模型在投入冗余或产出不足时高估企业效率的问题。
但是因为考虑到每年决策单元面临的前沿面不同，即最有效率的决策单元不同，所以对于面板数据的处理，使用逐年计算效率的方法得到的数据在不同年份不具有可比性。针对于此，有文献提出采用Malmquist指数的方法来分析面板数据，提出了动态DEA模型（Grifell-Tatjé，1995；F?re，1992）。而Charnes 等人（1985）提出了DEA 窗口分析法（DEA Window Analysis），该方法不仅可以测算出同一个决策单元效率的时间变化趋势，还能成倍增加决策单元个数，解决样本个数不足的问题。Asmild 等人 （2004） 使用了DEA 窗口分析法估计加拿大银行业在1981—2000年这20年间的效率。国外使用该方法度量保险业效率的文献不多，而国内学者在这方面领先一步。江涛（2015）使用DEA窗口分析法对中国寿险公司的效率进行了评价。孙蓉和奉唐文（2016）又使用同种方法分析了保险公司经营农险的效率并对传统DEA、SBM以及SBM—窗口分析法下度量出的效率值做了对比。 （二）参数法
参数法是前沿效率分析的另一分支。参数法主要分为随机前沿分析（SFA）、自由分布法（DFA）和厚沿法（TFA），而国内外文献研究效率均以Aigner等人（1977）首次提出使用的随机前沿分析（SFA）为主。
同使用非参数法研究效率的文献相类似，参数法也被用于上述三类问题的研究。但是使用随机前沿分析（SFA）研究保险公司效率的文献明显少于使用数据包络分析方法（DEA）的文献，且研究重点集中在对比一国不同类型保险公司的效率值上。例如，刘铮等人（2013）利用SFA度量了我国16家财险公司的效率，得出国有控股公司在成本X效率上表現更好、市场份额大的公司在收益X效率上更有优势的结论。Fenn等（2008）使用SFA估计了欧洲寿险、财险及保险集团1995—2001年间的X效率，得出市场份额大的公司成本效率高的结论。甘小丰（2008）对中国保险业的成本效率和规模效率等进行了研究，认为中资保险公司的成本效率高于中外合资保险公司。除了研究对比一国不同类型保险公司的效率值外，叶成徽和陈晓安（2012）分析了经理报酬对上市保险公司效率的影响，得出其对利润效率有反向影响，对成本效率没有影响的结论。黄薇（2008）也使用SFA对我国1999—2006年承担不同经营风险的保险公司效率进行了度量并得出结论：竞争的压力对保险公司的效率有反向促进作用。也有少数学者利用SFA研究不同国别保险公司的效率。例如，王宇悦（2016）使用SFA对比研究了中美人身保险公司的利润效率，认为提高市场份额能够提升中美两国人身保险公司的利润效率，而效率的一些外部因素如GDP增长率、通胀率、广义货币增长率只能提升美国人身保险公司的利润效率。
（三） 模型的选取
考虑到如下几点原因，本文选择数据包络分析法（DEA） 对中澳两国财险公司效率进行度量：
1. 现实生活中公司成本或利润函数可能远比大多文献采取的Cobb-Douglas生产函数或者超越对数生产函数要更加复杂。而对于保险公司这一经营风险转移这种无形商品的公司来说，准确地估计出保险公司的成本或利润函数更加困难。即使估计出的函数形式正确，我们依然要对投入、产出等变量进行假设，这样依旧会面临变量选取不准确的问题。考虑到DEA不需要设定成本或生产函数，可以避免函数估计错误引起的误差，故本文使用DEA。
2. SFA对样本容量要求较高，如果样本容量不足往往估计出来的结果不准确，而DEA不仅避免了这个问题，其中的窗口分析模型还可以通过构建窗口起到增加样本的效果。
3. DEA方法可以把技术效率进一步划分为纯技术效率和规模效率，还可以通过成本最小化DEA模型度量出决策单元（DMU）的资源配置效率并计算得到总的经济效率。这样可以更加细致地分析财险公司效率水平低下是咎于技术层面、规模层面还是资源配置层面，帮助公司更好地找到提高效率的着力点。
三、样本及数据指标
（一）样本的选择
本文从《中国保险统计年鉴》中选取平均保费收入超过50亿人民币的15家中国财险公司②，之所以选取平均保费收入超过50亿人民币的公司，是因为本文在多次试验后发现：选取平均保费收入超过50亿人民币的公司后，平均保费收入最小的华泰财险仅占所有15家样本公司市场份额的不足1%，所以这样选取的15家保险公司保费收入之和能够近似于整个财险业的保费收入，具有覆盖性；接着本文从全球保险行业分析库（ORBIS Insurance Focus）③中选取了被认定为超大型和大型财险公司，但是由于部分公司在近5年（2011—2015年）的数据没有披露，最后只选取了可获得数据的16家澳大利亚超大型和大型财险公司。之所以选取被认定为超大型和大型财险公司是因为在澳大利亚只有此两种类型的公司保费收入同中国财险公司保费收入、总资产规模类似，具有可比性。而一些中小型财险公司由于保费收入同选取的15家中国财险公司差距过大而被舍弃。这样一来，选取的16家澳大利亚大型保险公司不仅可以同中国的15家财险公司作比较，也代表了澳洲承保能力最为优秀的财险公司。相互比较这种覆盖层次深的公司并对它们的效率进行度量可以帮助找出我国财险公司同世界优秀公司的差距，同时也能为公司经营者和市场消费者、投资者提供公司效率方面的参考信息。本文最后确定选取15家中国财险公司、16家澳大利亚财险公司共31家财险公司的155个样本数据（见表1）。
（二）数据来源
本文中国财险公司的所有数据来源于《中国保险统计年鉴》（2012—2016年）；澳大利亚财险公司的部分数据来源于全球保险行业分析库，关于员工数量的数据来源于各家公司披露的财务报告、年报以及公司官网介绍。
（三）投入产出指标的选取
对于利用数据包络分析研究财险公司效率时投入、产出变量的设定，学术界目前没有形成一个统一的理论方法。但是叶世绮等人（2004）提出DEA投入、产出变量的选取应该遵循目的性、精简性和关联性原则，三者之间互为关联。其中目的性是指投入、产出的选取要符合效率评价的目的。精简性要求在满足目的性的前提下尽量精简变量个数。而关联性原则为如何精简提供了方向；当投入指标或者产出指标中的两个变量高度相关时，可认为其中一个指标已经包含了另外一个指标，所以可以将其中一个剔除，而剔除哪个变量要看研究的目的。本文参照上述观点来确定投入、产出变量。通过阅读文献，本文发现在投入变量的选取上，学者们的意见基本一致，只是在产出变量的选取方面存在不同意见。
对于投入变量的选取，学者们普遍认为保险公司的投入指标为劳动力、资本和费用（孙蓉和奉唐文， 2016；廖浠伶，2013；谭春彦，2012）。财产保险的承保、勘查、定损都需要人力，因此劳动力是财险公司经营的一个投入要素。考虑到数据的可获得性和目前文献较多选取公司员工人数代替劳动力，认定公司员工数为中澳财险公司的第一个投入变量。考虑到保险公司同一般公司不同，利用保费收入和赔付的时间差赚取投资利润也是保险公司的主要业务收入之一，反映了公司的竞争力，本文加入投资资产④作为第二个投入变量。由于DEA指标选取的精简性和关联性原则，考虑到投资资产包含了资本，本文舍弃了资本这一变量。最后对于各种费用的投入，考虑到数据的可得性以及参照其他学者的做法（宋增基等，2007；张俊岭，2007），本文使用营业费用⑤代替。 对于产出变量的选取，学术界争论的焦点主要集中在保费收入是否为产出变量。考虑到保费收入的很大一部分都不是保险人所得，保费收入更像是一种收入变量而不是产出变量，因此本文选用被很多学者广泛使用的—承保利润⑥作为中澳财险公司的一个产出变量。考虑到承保利润和责任赔款这一变量高度相关，同样是出于关联性原则的考虑，本文舍弃了Cummins （1998）提出的把赔款+未决赔款算作保险公司一种产出的做法。考虑到保险公司投入投资资产赚取利润，而投资收益可以很好地反映保险公司的投资盈利能力，本文最后加入投资收益作为产出变量⑦。
（四）数据描述性统计和相关系数
本文选取了三个投入变量：员工人数、投资资产和营业费用；两个产出变量：承保利润和投资收益。对以上变量的描述性统计见表2和表3。
收集到样本以后，先考察样本数据是否合理。DEA模型样本数据的要求是具有同向性，即增加任一生产投入，产量也会随之增加。目前比较常见的方法是采用Person相关系数法测量各投入变量同产出变量的相关性，并认为Person系数大于0.7时，两个变量之间是高度线性相关的（孙蓉和奉唐文， 2016）。如果所有投入、产出变量都高度线性相关，我们即认定数据满足同向性，也就是说投入、产出变量的选取以及收集到的数据是可靠的。
我们使用STATA 14.0对投入、产出变量做Person相关系数测量，结果如表4。
表4：投入、产出变量的Person相关系数
[投入变量 员工人数 投资资产 营业费用 产出变量 承保利润 0.86* 0.83* 0.76* 投资收益 0.74* 0.92* 0.82* ]
注：*代表相关性在0.01的显著性水平下显著。
由表4可以看出，本文收集的所有投入、产出变量之间的Person相关系数均在0.7以上，高度相关，因此该数据可以用于下一步的效率度量。
四、效率值的实证结果及分析
（一）SBM模型度量横截面数据
使用SBM模型对31家财险公司在不同时间年度内的横截面数据逐一度量，选择规模收益不变（CRS）假设得到的技术效率结果如表5。
财险公司的技术效率是公司在相同的产出条件下，最小的可能性投入与实际投入的比率；从产出的角度看是指在现有的承保技术水平下，财险公司可以扩大产出的能力。如果技术效率值小于1，那么公司应通过技术进步、合理化经营等方式提高技术效率。
从表5可以看出：2011—2013年，中国财险公司的技术效率远低于澳大利亚财险公司，2014年两国之间差距缩小，2015年中国财险公司的技术效率均值已经超过了澳大利亚财险公司。值得一提的是，2011—2013年澳大利亚财险公司表现出色，每年都有近一半公司站在了效率的前沿面上（效率值=1），其中WFI Insurance Ltd每年都技术有效。而中国没有一家财险公司能够稳定保持技术有效率。
微观层面上，通过观察中国财险公司的技术效率值可以发现：我国财险公司技術效率差距较大，经营管理技术不能在市场中有效流通且缺乏淘汰机制。虽然我国几乎每年都有财险公司被选为效率前沿面，但是仍有很多公司的技术效率水平较为低下。在完善的市场经济下，激烈的市场竞争应该可以使得各个财险公司的技术效率差异较小，但从表5的结果可以看出：我国财险行业发展还不完善，市场机制并不能淘汰技术效率低下的公司。反观澳大利亚，除了Youi Pty Ltd、The Hollard Insurance Company Pty Ltd和QBE Insurance （Australia） Ltd技术效率较低外，其他公司的技术效率均值都较为接近，很多公司在多个年份都技术有效，公司之间的技术效率差距相比我国小了许多。
SBM模型在度量横截面数据上确实带来了很多有用的信息，但是这个模型有两个问题：第一，由于SBM模型只能分析横截面数据，这就导致每年选取不同的财险公司为效率前沿面，每年选择的参照物是不同的。因此，针对表5进行的横向比较是不准确的。第二，2011—2013年，澳大利亚每一年被选为效率前沿面的公司占到了近一半之多，度量出的效率区分度仍然需要提高。
（二）DEA窗口分析度量面板数据
本文根据Farrell提出的效率分解理论，使用DEA窗口分析法对31家财险公司的技术效率、规模效率和纯技术效率进行度量。
1. 技术效率。DEA窗口分析是通过相似于移动平均的方法把处于不同年份的决策单元区别对待，通过建立窗口来增加决策单元的个数并结合不同窗口下效率的度量值来综合评价一个决策单元效率的方法（Charnes，1985）。
使用DEA窗口分析首先需要选择窗口的宽度d，如果研究总时长为T，那么可以建立T+1-d个窗口。然而对于窗口宽度d的选择，学术界至今没有提出相关的理论。本文按照文献中的普遍做法，选择窗口宽度d=3⑨，由于本研究的时间长度T=5，那么自然就建立了3个窗口（W1、W2、W3），每个决策单元（DMU）在每个窗口中可以得到d=3个效率值，代表了同一公司的效率变化趋势，最后取每个年份上的效率均值作为最终在横截面和时间序列上均可比较的效率值。以中国人寿财险为例，表6是DEA窗口分析的详细测算结果。最终整理出的31家财险公司在横截面和时间序列上均可比的技术效率值见表7。
由表7可以直观看出，使用窗口分析得到的结果不仅比SBM更加有区分度， 而且极小效率值也较少出现，模型得到的结果更为恰当。从近5年的均值来看，澳大利亚财险公司的效率表现要好于中国。其中，Aai Ltd、AIG Australia Ltd、WFI Insurance Ltd、Victoria Managed Insurance Authority和Insurance Manufacturers of Australia Pty Ltd分别有2—3次处在前沿面上。其中WFI Insurance Ltd的效率值高达0.98，是31家财险公司中效率最高的。Workcover Queensland、Catholic Church Insurance Ltd和Avant Insurance Ltd的效率均值也都在0.74以上。 Youi Pty Ltd（0.31）、QBE Insurance（Australia）Ltd（0.31）和The Hollard Insurance Company Pty Ltd（0.27）是澳大利亚财险公司中表现最差的。反观中国，除了中华联合财险（0.62）、安盛天平财险（0.52）和永安财险（0.50）之外，其余中国财险公司效率都在0.50以下，表现差强人意。 多数澳大利亚财险公司近5年来的技术效率均值高于中国可能归功于其开展先进的网络化承保方式要早于中国。澳大利亚财险公司官网大多在很早以前就开始提供网络保单，投保人只需输入个人信息便能计算出保费金额等信息。如果投保人满意可以在网上填写投保单，保险人在后台做出是否承保的决定。但是随着近几年我国保险公司网络经营模式的开展，澳大利亚财险公司的技术优势已经不复存在。通过观察表7最后一列我们可以看出，中国财险公司技术效率值增长势头强劲，尤其是中小型财险公司如天安财险、华泰财险、永诚财险、华安财险、永安财险2011—2015年技术效率均值增长高达4—12倍，而澳大利亚财险公司技术效率却呈现出小幅的负增长态势。这说明我国同澳大利亚财险公司的技术效率差距越来越小，我国财险公司的经营、操作、管理技术水平有了提升。此外，我国财险公司技术效率差距也在逐渐缩小，这意味着我国财险市场技术不能有效流通且缺乏有效淘汰机制的现象也正在改善。
图1也可以很好地佐证上述部分观点，从图1可以看出：我国财险公司的技术效率均值2013年开始飙升，从0.36增长到0.67，增幅高达近95%。到2015年，我国财险公司技术效率已经超过了澳大利亚。而澳大利亚财险公司恰巧呈现相反的趋势，自从2013年后，该国保险公司的效率均值一路下行。
2. 纯技术效率。使用规模收益可变 （VRS） 假设，依然通过DEA窗口分析得到各公司横截面和时间序列上均可比的纯技术效率值。纯技术效率值是剔除了公司规模因素影响后真正由技术原因影响的效率值，是在既定规模下保险公司可控的部分，对技术效率的进一步分解不仅可以度量出规模效率，也使得我们对公司纯技术层面的效率有更精确的认识。
对表8中剔除了保险公司规模影响后的纯技术效率的解释同表7类似。可以看出剔除了企業规模影响后，澳大利亚产险公司的纯效率值比表7展示的结果还要高。除了Allianz Australia Insurance Ltd（0.65）和QBE Insurance（Australia）Ltd（0.32）在澳大利亚财险公司中纯技术效率表现稍差以外，几乎每家保险公司都至少1次被选为前沿面。WFI Insurance Ltd财险公司更是在所有年份中均被选为前沿面企业，而The Hollard Insurance Company Pty Ltd、Victoria Managed Insurance Authority和Youi Pty Ltd也都近乎达到纯技术有效。
中国财险公司中仅中国人保财险公司的纯技术效率接近1，除平安财险（0.72）、中华联合财险（0.65）、华泰财险（0.62）和安盛天平财险（0.62）外，其余财险公司的纯技术效率值都低于0.60。
大多数中国财险公司，尤其是中小型公司纯技术效率水平处于增长期，只有安盛天平财险、英大泰和财险和中华联合财险呈现下跌的趋势。值得一提的是，安盛天平财险公司2014年由天平车险同安盛保险合并而成，合并后的企业需要时间磨合，这可能是其2014年技术效率水平不增反减的一个原因，2015年，其技术效率值不仅恢复到了2013年的水平（0.54）且有小幅上涨（0.61）。
通过图2可以直观地感受2011—2015年中澳两国财险公司纯技术效率均值的变化趋势。5年间我国财险公司的纯技术效率均值增长了58%，2015年已经高达0.78。澳大利亚财险业发展了多年，在剔除了企业规模的影响后，2013年行业内大多数公司的技术水平可以构成前沿面，但是最近两年澳大利亚财险公司的纯技术效率经历了大幅度的下滑。
3. 规模效率。规模效率衡量的是企业是否在最优规模条件下生产。表9给出了各公司在横截面和时间序列上均可比的规模效率值，从中我们可以发现：2013年后，中国财险公司的规模效率表现总体好于澳大利亚财险公司。
首先，多数中国财险公司的规模效率均值都在0.72以上，中华联合财险和阳光保险效率更是分别高达0.97和0.95。澳大利亚除了Aai Ltd、AIG Australia Ltd、WFI Insurance Ltd、Insurance Manufacturers of Australia Pty Ltd、Victoria Managed Insurance Authority 和Workcover Queensland有2—3次被认为是规模有效之外，QBE Insurance（Australia）Ltd（0.96）、Chubb Insurance Company of Australia Ltd（0.97）、CGU Insurance Ltd（0.94）和Catholic Church Insurance Ltd（0.94）的表现也可圈可点，但是澳大利亚有两家财险公司的规模效率值是所有31家公司中最低的。可见，澳大利亚财险公司的规模效率两极分化现象较为严重，有些财险公司已接近规模效率最优状态，而有的公司离最优化规模还有很长一段距离。
其次，通过对比同一公司在不同年份的数据可以看到：大多数中国财险公司朝着更优化的规模前进。而澳大利亚多数财险公司的规模效率或者变化不大，或者反而呈下降趋势。
图3也能部分支撑上述结论。可以看出，我国财险公司的规模效率均值从2011年的0.69增长到2015年的0.88，增幅达到了27%；澳大利亚财险公司的规模效率在经历了2011—2014年短暂上行后快速下调，2015年降至5年来的最低水平 （0.70） 。总体说来，2013年以后中国财险公司在规模效率上的表现优于澳大利亚财险公司。
Coelli（1996）提出：判断规模无效率决策单元究竟处于规模报酬递增还是规模报酬递减的阶段可以通过比较在规模报酬不变假设条件下算出的技术效率和在规模收益可变假设条件下算出的纯技术效率。当两者不相等时，决策单元处于规模报酬递增阶段；当两者相等时，决策单元处于规模报酬递减阶段。本文根据Coelli（1996）的理论，结合DEA-Solver软件在SBM模型规模报酬不变假设和规模收益可变假设条件下得出的效率值，整理得到表10。 从表10可以看出，同一公司在5年时间内规模报酬状况变化不大。在中国财险公司中，大型财险公司如中国人保财险、中国太平洋财险和平安财险由于公司规模扩张过大而处于边际报酬递减阶段，这些公司应当适当缩小规模以获得最优的规模效率。太平财险、华泰财险、永诚财险、安盛天平财险和英大泰和财险在多数年份均处于规模报酬递增阶段，应当适当扩大公司规模。在所有中国财险公司中，没有一家公司在所有可获取年份里均保持规模报酬不变，而澳大利亚有5家规模有效公司，它们分别是Aai Ltd、Catholic Church Insurance Ltd、Chubb Insurance Company of Australia Ltd、Insurance Manufacturers of Australia Pty Ltd以及Victoria Managed Insurance Authority。同中国相类似，澳大利亚财险公司规模也呈现出了两极分化的趋势。Allianz Australia Insurance Ltd、Insurance Australia Group Ltd和QBE Insurance （Australia） Ltd因为规模过大而在多数年份处于规模报酬递减阶段，而Avant Insurance Ltd和Youi Pty Ltd在多数年间处于规模报酬递增阶段。
（三）对比DEA方法下不同模型度量出的技术效率值
为了使得研究更加全面，本文把BCC、SBM模型和DEA窗口分析三个不同模型下度量出的技术效率均值在2011—2015年的变化进行了比较。从图4可以看到，三种不同方法度量出的结果均显示出震荡调整后的反弹上升趋势。2011—2013年间，不同模型度量出的效率均值变化趋势略有不同，但是变化值都不大。2013年后，所有模型都显示出技术效率值有较大幅度的提升。此外，我们还证明了SBM和DEA窗口分析的确是两种比BCC更加严格的效率评价方法，前两者把松弛变量这一无效率的因素也考虑在内，扩大了不同决策单元之间的区分度。
五、结论
对中澳两国31家财产保险公司在2011—2015年间的技术效率、纯技术效率和规模效率进行了度量，得出如下结论：
第一，2011—2013年中国财险公司的技术效率远低于澳大利亚财险公司，2014年两国之间差距在慢慢缩小，2015年中国财险公司的技术效率均值已经超过了澳大利亚财险公司。观察两国效率均值的变化可以看出，2013年是两国财险公司技术效率的转折点，在经历了不同程度的下跌后，中国财险公司技术效率反弹，而澳大利亚财险公司跌至低谷，最终被中国反超。但是，通过对比同一年间两国财险公司效率值时可以发现，澳大利亚财险公司之间的技术效率差距相比中国小了许多。
第二，大多中国财险公司，尤其是中小型公司的纯技术效率水平处于增长期，但是2015年前中澳之间纯技术效率的差距依旧明显。澳大利亚几乎每家保险公司都至少1次被选作前沿面，其中WFI Insurance Ltd财险公司更是所有年份均被选为前沿面企业，The Hollard Insurance Company Pty Ltd、Victoria Managed Insurance Authority和Youi Pty Ltd也都近乎达到纯技术有效。中国仅人保财险公司的纯技术效率接近1，多数财险公司的效率值都低于0.6，这折射出我国财险公司之间的纯技术效率差距也较大。
第三，在规模效率方面，我国财险公司表现良好，澳大利亚财险公司的规模效率两极分化较为严重。此外，虽然我国财产公司的总体规模效率在2013年已超过澳大利亚财险公司，但其仍有提升空间。
最后，中国财险公司，尤其中小型的财险公司，各项效率均值在被研究的五年区间内均呈现总体上涨的势头，并在2015年反超澳大利亚。我国各财险公司之间技术效率差距也在逐渐缩小，这说明我国财险公司的經营管理正日趋规范，财险业市场也趋于完善。
注：
①数据均来自中经网数据库（http：//192.168.30.82：91/page/Default.aspx）。
②考虑到安邦财险公司每年度会计报表中，同一年份数据差别较大，可能存在失真的情况，本文没有测算此公司效率。考虑到中国出口信用保险作为政策性保险公司同一般财险业务有很大不同，故也舍弃。考虑到中国财险再保险公司经营财产再保险业务，而其他公司主要做原保险业务，所以，本文也不考虑此公司。
③该数据库网站：http：//www.bvdinfo.com/en-gb/our-products/company-information/international-products/orbis-insurance.
④投资资产=货币资本+拆出资本+交易性金融资产+衍生金融资产+买入返售金融资产+保护质押贷款+定期存款+可供出售金融资产+持有至到期投资+长期股权投资+投资性房地产（彭雪梅，2010）。
⑤包括业务及管理费、手续费及佣金支出和保险业务营业税。
⑥承保利润=已赚保费-赔付支出+摊回赔付支出-提取保险责任准备金+摊回保险责任准备金-分保费+摊回分保费-手续费及佣金-业务及管理费-保险业务营业税及附加（彭雪梅，2010）。
⑦投资收益=投资收益-对联营企业的投资收益+公允价值的变动损益+可供出售金融资产公允价值变动-投资资产减值损失-投资业务营业税金及附加（彭雪梅，2010）。
⑧澳大利亚数据经过换汇处理，年平均汇率数据来源于OANDA数据库。
⑨本文分别测算了窗口宽度d=1—5下的效率值，发现结果出入并不大。
参考文献：
[1]StataCorp. 2015. Stata 14 Base Reference Manual， Stata Press： College Station， TX [2]Cummins， J.D. and Weiss， M.A. 1998. Analyzing firm performance in the insurance industry using frontier efficiency methods （No. 98-22）. Wharton School Center for Financial Institutions， University of Pennsylvania.
[3]Coelli， T. 1996. A guide to DEAP version 2.1： a data envelopment analysis （computer） program. Centre for Efficiency and Productivity Analysis， University of New England， Australia.
[4]Charnes，A.，Cooper，W.W.，Golany，B.，Seiford， L. and Stutz，J. 1985. Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions. Journal of econometrics， 30（1-2）.
[5]Cummins， J.D. and Turchetti， G. 1996. Productivity and technical efficiency in the Italian insurance industry （No. 96-10）. Wharton School Center for Financial Institutions， University of Pennsylvania.
[6]F?re， R.， Grosskopf， S. and Lovell， C.K. 1994. Production frontiers. Cambridge University Press.
[7]侯晉，朱磊.我国保险公司经营效率的非寿险实证分析[J].南开经济研究，2004，（4）.
[8]龙文文.基于SFA方法的中国财产保险公司成本和利润效率测算[D].湖南大学硕士研究生论文， 2011.
[9]叶世绮，颜彩萍，莫剑芳.确定DEA指标体系的B-D方法[J].暨南大学学报（自然科学与医学版），2004，（3）.
[10]孙蓉，奉唐文.保险公司经营农险的效率及其影响因素——基于SBM模型与DEA窗口分析法[J].保险研究，2016，（1）.
[11]彭雪梅.保险会计学[M].西南财经大学出版社，2010年.
[12]廖浠伶.财险公司效率的实证研究[D].西南财经大学硕士研究生论文，2013.
[13]谭春彦.中资与外资产险公司的效率比较[D].西南财经大学硕士研究生论文， 2012.
[14]张俊岭.中国财产保险公司的规模效率DEA实证研究[J].统计与信息论坛，2007，（6）.
[15]宋增基，李春红.中国保险业DEA效率实证分析[J].系统工程学报，2007，（1）.