《保险费用预测模型研究的国内外文献综述》2500字

保险费用预测模型研究的国内外文献综述研究现状目前，国内和国际上关于保费收入的统计分析多侧重于分析影响因子，而对保费收入的预测方法却很少，主要包括多元线性模型，ARIMA，灰色预测模型，神经网络模型等。其中ARIMA模型是应用最广泛的时间序列模型，它能有效地解决各类指数平滑问题，但ARIMA只能对平稳的线性数据进行建模，而在现实世界中纯线性平稳模型的应用并不理想，神经网络能够很好地处理和预测具有很大的时滞和延时的事件，但是更加适用于大数据处理。国外研究现状及趋势近年来，全球保险行业发展迅猛，保费收入由2016年的4.7万亿上升到2020年的6.1万亿美元。保险密度由1999年的387美元，上升到2020年的约687美元REF_Ref11242\r\h[1]。据GIR(GlobalInfoResearch)调研，2021年全球保险收入大约6037.9百万美元。自80年代起，全球保险业的大部分市场都集中在美国和欧洲，中国的保险业还没有得到发展。而随着中国经济的迅速发展，中国的保险业在世界保险业中的占比也在不断提高。国外对于保费收入预测的研究中，首先是基于线性回归模型的预测，往往选取保险需求的影响因素作为解释变量，建立多元线性模型，例如Oytreville(1996)选取了1986年48个发展中国家的个人可支配收入，金融发展水平，预期通货膨胀水平和市场结构等截面数据，运用多元回归法对保费收入增长进行估计REF_Ref17731\r\h[9]；之后Beck和Webb（2003）利用1961至2000年间68个国家的面板数据，将人均收入水平，期望寿命，教育水平，通货膨胀率等变量作为影响因素来预测各国寿险需求的增长，结果强调了物价稳定与银行业发展和人寿保险的储蓄投资功能的关系REF_Ref26041\r\h[13];波兰学者Olszowy（2013）选取2001-2012年度保费收入，采用SARIMA法对其进行预测，结果表明：保费收入存在明显的季节性变动，SARIMA模型对该时序数列的预测较为精确REF_Ref26695\r\h[16]。HassanMohammadi和DanielP.Rich(2013)通过对1967-2012年度失业保险索赔额的统计数据，建立EGARCH模型和CGARCH模型，并对失业索赔金额的变化特点进行了分析，发现首次申领失业救济金是衡量周期性劳动市场的重要指标REF_Ref24041\r\h[15]。从国外保费收入的发展趋势和研究现状来看，国外对于保费收入多偏理论性，常用一些经济指标或者模型对保费收入整体进行评价。国内研究现状及趋势我国保险业仍处在发展的黄金时期，2000-2020年，我国保费收入以每年18%的速度高速增长，在2016年首次跃居世界第二位。据银保监会最新统计数据，2021年我国保险全行业保费收入为4.49万亿元。“十三五”时期，保险业保费收入年均增长13%左右，保险资产增长率达到12%左右，保险业保费收入年均增速达到GDP增速的2倍REF_Ref31090\r\h[12]相对于国外相对平稳的产业发展环境，中国保险业仍处在高速发展阶段。梁来存选择采用PAN-DIT-WU方法改进的1999-2005年度全国保费收入序列数据作为研究样本构建了ARIMA模型，并应用拟合优度最佳的ARMA(4,3）模型对我国2005年8月份的保费收入进行短期预测，以期编制保险计划，制定保险业的短、中、长期发展规划REF_Ref17970\r\h[3]。范国斌等（2016）选取修正后的预测回归分析法，利用1999-2014年的月度数据，对我国保费收入进行了预测检验。研究发现，宏观经济指标对保费收入具有一定的预测作用,但消费者预期指数、储蓄等微观经济变量对保费收入预测作用更为显著REF_Ref7011\r\h[4]。舒服华（2017）以2006年至2016年上海市保费收入年度数据为样本，运用三次平滑指数法预测其原保险保费收入，结果表明指数平滑法吸取了全期平均和移动平均法之所长，能较为准确地预测保费收入REF_Ref7641\r\h[6]。陈黎明等（2018）选择黑龙江省保费总收入月度数据建立季节ARIMA模型探究保费总收入的季节变化，结果表明保费收入呈持续上升趋势，有明显的季节性波动，SARIMA模型预测准确度在短期内准确率较高，但长期准确度下降REF_Ref4454\r\h[5]。张鑫等（2018）基于东北三省的实证数据,运用基因演算法对经典灰色预测模型GM（1,1）中的背景值进行优化求解，运用基因演算法找出合适的背景值，对传统灰色模型进行了改良，结果显示预测效果精度大幅提高REF_Ref15782\r\h[8]。同时，也有一些学者使用了神经网络模型来进行保费预测，其中最常用的是BP、RBF神经网络。马利芸（2018）利用神经网络模型去预测保费，首先利用1996到2016年共21年度的相关数据，使用回归分析法建立岭回归模型进行定量分析，得出影响因子作为神经网络输入指标的依据，并建立了寿险保费收入预测的BP神经网络预测模型。经两种模型的预测结果对比分析，显示BP神经网络模型的预测效果要优于岭回归模型，最终采用BP神经网络模型对2017和2018年的寿险保费收入进行了预测REF_Ref9914\r\h[7]。目前对保费收入预测运用最多的是Holt-winters模型和ARIMA模型，预测者都是使用单一的预测方式，尽管某些特定的数据能够更准确地预测出未来的发展趋势，有较为准确的短期预测效果，然而，受具体数据的制约，它的预测具有主观性和投机性，无法进行长期的预报。当前的预报单位大都是按年计算，而如今，为了提高准确度，更多的公司把月度或周的数据当作预报单元。以增加其精确性。因此，本文对比分析Holt-winters模型和SARIMA模型，以月度数据作为预测单位，对我国原保费进行模型拟合，以寻求最精确的预测方法，并探究两种模型不同的适用场合，并从长远角度对未来一年的保费收入走势进行预测，为保险行业提供可靠的数据支撑。参考文献杨志锦.中国金融业发展趋势报告(2021)发布13大看点一窥银行保险业新貌[N].21世纪经济道,2021-11-11(009).DOI:10.28723/ki.nsjbd.2021.004729.李辉,潘省初,陈彦达.基于X12-ARIMA加法模型的保费收入研究[J].现代管理科学,2011(12):32-34.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(07):25-26.范国斌,任媛,王帅.基于预测性回归的保费收入预测分析[J].江苏科技大学学报(社会科学版),2016,16(03):95-101.DOI:10.16148/32-1743/c.2016.03.014.陈黎明,赵元元.季节ARIMA模型在保费总收入预测中的应用[J].福建金融管理干部学院学报,2018(04):3-10.舒服华.基于平滑指数法的上海市原保险保费收入预测[J].上海保险,2017(10):57-58.马利芸.寿险需求影响因素的岭回归分析和BP神经网络预测[D].燕山大学,2018.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(06):46-56.DOI:10.16197/ki.lnupse.2018.06.005.刁莉,王宁.基于X12-LSTM模型的保费收入预测研究[J].计算机科学,2020,47(S1):512-516.王海峰.基于温特斯乘法模型的财产险原保费收入预测[J].上海保险,2020(05):54-57王明红.基于对数加法模型看产险公司保费收入的季节性效应及未来保费预测——以2008-2018年时间序列数据为例的实证分析[J].保险职业学院学报,2019,33(04):61-64张恒国.过往可鉴未来可期中国保险业2020回顾与2021展望[J].经济,2021(01):董海锋.基于Holt-Winters模型对中国人身险“十二五”期间保费收入预测分析[J].中国保险,2010(09):16-18.张鲁玉,孙亮,马兰,鲁頔,陈雪娇,田庆丰.SARIMA模型和Holt-winters模型在我国丙肝月报告发病人数预测中的应用比较[J].现代预防医学,2020,47(21):3855-3858+3951.HassanMohammadi,DanielP.Rich.DynamicsofUnemploymentInsuranceClaims:AnApplicationofARIMA-GA