安徽水稻氣象保險(xiǎn)設(shè)計(jì)

蘇珮玥，池兆欣，朱 楠

(對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)，北京 100029)

?

安徽水稻氣象保險(xiǎn)設(shè)計(jì)

蘇珮玥，池兆欣，朱 楠

(對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)，北京 100029)

為了設(shè)計(jì)出適宜的保險(xiǎn)產(chǎn)品滿足安徽省對(duì)農(nóng)業(yè)保險(xiǎn)產(chǎn)品的需求，建立了ARIMA時(shí)間序列模型，將安徽省各市的水稻氣象產(chǎn)量和趨勢(shì)產(chǎn)量分離，得到各市的水稻氣象產(chǎn)量減產(chǎn)率，使用固定時(shí)間和個(gè)體效應(yīng)的回歸模型將氣象產(chǎn)量和各月份月平均溫度進(jìn)行回歸分析，得到1年12個(gè)月份中影響水稻生產(chǎn)的關(guān)鍵月份；再根據(jù)從安徽省中選取的9個(gè)具有區(qū)域代表性的城市關(guān)鍵月份的月平均氣溫，分別使用Probit模型二值回歸的方法確定每個(gè)城市關(guān)鍵月份月平均氣溫影響水稻生產(chǎn)的觸發(fā)值，并擬合各市的氣象單產(chǎn)分布確定Lognormal或Weibull分布模型的參數(shù)后帶入保費(fèi)計(jì)算公式得到各市水稻氣象保險(xiǎn)費(fèi)率；最后，根據(jù)4月、7月觸發(fā)值以及費(fèi)率進(jìn)行區(qū)劃分析，將安徽大致分為自北至南3個(gè)區(qū)域，設(shè)計(jì)出一款便捷、簡(jiǎn)易的農(nóng)業(yè)保險(xiǎn)產(chǎn)品，有助于該保險(xiǎn)產(chǎn)品在實(shí)際中的應(yīng)用。

安徽；水稻；農(nóng)業(yè)保險(xiǎn)；農(nóng)業(yè)氣象保險(xiǎn)；設(shè)計(jì)

近些年來，通過世界銀行以及其他國(guó)際組織對(duì)于農(nóng)業(yè)氣象指數(shù)保險(xiǎn)的推動(dòng)引導(dǎo)，天氣指數(shù)保險(xiǎn)在發(fā)展中國(guó)家取得了良好的開端以及發(fā)展。印度最大的私人銀行ICICI在世界銀行的幫助下已經(jīng)連續(xù)5年試行農(nóng)業(yè)天氣指數(shù)保險(xiǎn)，并取得了很好的成績(jī)，實(shí)現(xiàn)自主經(jīng)營(yíng)、自負(fù)盈虧，保險(xiǎn)業(yè)務(wù)也拓展到了全印度[1]。還有Joanna Syroka對(duì)于馬拉維干旱指數(shù)保險(xiǎn)的研究表明，可以對(duì)氣候因素的進(jìn)行分析預(yù)測(cè)，劃定一個(gè)確定的觸發(fā)值，再通過與觸發(fā)值的比較計(jì)算對(duì)農(nóng)產(chǎn)減產(chǎn)或其他損失的賠償，而非直接通過衡量損失大小來理賠[2]。以氣象為理賠依據(jù)的形式能夠很好地控制道德風(fēng)險(xiǎn)，給予農(nóng)民更好的保障，我國(guó)屬于農(nóng)業(yè)大國(guó)，因此農(nóng)業(yè)氣象類保險(xiǎn)在我國(guó)同樣有著良好的發(fā)展前景。

安徽省農(nóng)業(yè)歷史發(fā)展悠久，其地處華中雙季稻稻作區(qū)以及華北單季稻稻作區(qū)，水稻種植業(yè)發(fā)展成熟。且安徽省地處中國(guó)東部?jī)?nèi)陸，屬暖溫帶與亞熱帶的過渡區(qū)，氣候溫和，年平均溫度適宜，一般寒期和酷熱期較短，適宜種植水稻等農(nóng)作物。但安徽省水稻生產(chǎn)易受到各類天氣災(zāi)害的影響而減產(chǎn)，農(nóng)業(yè)經(jīng)濟(jì)的發(fā)展受制約，農(nóng)業(yè)保險(xiǎn)的需求日漸上升，對(duì)此，2009年安徽省國(guó)元農(nóng)業(yè)保險(xiǎn)公司在國(guó)內(nèi)率先開發(fā)了農(nóng)業(yè)天氣保險(xiǎn)產(chǎn)品，即以長(zhǎng)豐縣為樣本的水稻種植天氣指數(shù)保險(xiǎn)產(chǎn)品。此后，國(guó)元保險(xiǎn)公司在合肥市長(zhǎng)豐縣、宿州市埇橋區(qū)、蕪湖市南陵縣和無為縣等地進(jìn)一步發(fā)展了其新型農(nóng)業(yè)保險(xiǎn)產(chǎn)品，小麥和水稻累計(jì)承保保單數(shù)量達(dá)到149，承保面積2.13萬hm2，保費(fèi)收入384萬元，保險(xiǎn)金額5 988萬元，承保農(nóng)戶1.4萬戶，保險(xiǎn)賠付566萬元。農(nóng)業(yè)保險(xiǎn)一直是國(guó)家扶持農(nóng)業(yè)發(fā)展的重要手段，不斷創(chuàng)新的農(nóng)業(yè)保險(xiǎn)產(chǎn)品能有效支持國(guó)家的農(nóng)業(yè)幫扶政策，為農(nóng)民提供轉(zhuǎn)移風(fēng)險(xiǎn)的方式，減少經(jīng)濟(jì)損失。

水稻的生長(zhǎng)易受氣溫、降水、光照、土壤濕度等氣象因素的影響，其中氣溫對(duì)水稻產(chǎn)量起到關(guān)鍵的影響作用，一般來說，在水稻各時(shí)期的生長(zhǎng)有著最低溫度、最適宜溫度以及最高溫度的限制。例如，幼苗發(fā)芽最低溫度為10～12 ℃，最適溫度為28～32 ℃；開花時(shí)期最適溫度為30 ℃左右，低于20 ℃或高于40 ℃，水稻受精受到嚴(yán)重影響；總體上水稻全時(shí)期適宜的氣溫環(huán)境在10～35 ℃左右。在一年水稻生長(zhǎng)的各個(gè)月份中，4月常見的“倒春寒”現(xiàn)象和7、8月份的高溫?zé)岷ΜF(xiàn)象會(huì)減少水稻當(dāng)年的產(chǎn)量，研究氣溫對(duì)水稻的影響，對(duì)于設(shè)計(jì)水稻氣象保險(xiǎn)有著深刻的意義。不僅如此，在許多農(nóng)業(yè)保險(xiǎn)發(fā)展較好的國(guó)家和地區(qū)，例如馬拉維以及墨西哥等地，大多數(shù)政府和機(jī)構(gòu)會(huì)對(duì)單一因素進(jìn)行定量分析，設(shè)計(jì)具體保單，對(duì)特定風(fēng)險(xiǎn)承保，使保單更加細(xì)致，給予農(nóng)民更多的福利，同時(shí)為GDP帶來了很好地保障。從設(shè)計(jì)保單的方面來說，由于影響水稻產(chǎn)量的因素有許多，很難有一個(gè)總保單能夠很好的囊括所有風(fēng)險(xiǎn)因素，且這種總保單的價(jià)格更高，盡管提供的保險(xiǎn)范圍更廣泛，但是由于購(gòu)買這類保單的都是農(nóng)民，考慮到保費(fèi)以及歷年種植經(jīng)驗(yàn)，他們更傾向于購(gòu)買一個(gè)專門保干旱、氣溫或者其他單因素的具體保單，保單內(nèi)容更加清晰。因此，該研究對(duì)單一氣象因素——?dú)鉁剡M(jìn)行回歸分析，尋找賠付觸發(fā)值，厘定費(fèi)率，區(qū)劃歸類，以便迎合市場(chǎng)需求。

原農(nóng)業(yè)天氣指數(shù)保險(xiǎn)把一個(gè)或幾個(gè)氣候條件對(duì)農(nóng)作物的損害程度進(jìn)行指數(shù)化，每個(gè)指數(shù)有相對(duì)應(yīng)的農(nóng)作物產(chǎn)量以及損益，并以這種指數(shù)為基礎(chǔ)，保險(xiǎn)合同規(guī)定當(dāng)氣候條件達(dá)到一定的數(shù)值水平，農(nóng)產(chǎn)品產(chǎn)量受到影響時(shí)，投保人就可以獲得相應(yīng)標(biāo)準(zhǔn)對(duì)應(yīng)的賠償。該研究采用新的確定農(nóng)作物產(chǎn)量增減與否的方法，直接通過對(duì)氣象產(chǎn)量和月平均氣溫進(jìn)行二值回歸的方式計(jì)算觸發(fā)值，代替指數(shù)化，更加直觀、便捷。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源該研究所使用的1999～2013年安徽省主要城市的月平均氣溫和單位面積水稻產(chǎn)量數(shù)據(jù)均來自《安徽統(tǒng)計(jì)年鑒》。

1.2 研究方法通過時(shí)間序列模型分離安徽省各市的水稻氣象產(chǎn)量和趨勢(shì)產(chǎn)量，求出安徽省各市的水稻氣象產(chǎn)量減產(chǎn)率。使用回歸分析的方法得到1年12個(gè)月份中影響水稻產(chǎn)量的關(guān)鍵月份，根據(jù)按區(qū)域所選的9個(gè)城市關(guān)鍵月份月平均氣溫的具體情況使用二值回歸的方法確定關(guān)鍵月份月平均氣溫影響水稻生產(chǎn)的觸發(fā)值，并擬合每市的氣象單產(chǎn)分布確定分布模型的參數(shù)，通過保費(fèi)計(jì)算公式得到9個(gè)城市的水稻氣象保險(xiǎn)費(fèi)率。最后，根據(jù)4月、7月觸發(fā)值以及費(fèi)率進(jìn)行區(qū)劃分析，將安徽大致分為自北至南3個(gè)區(qū)域，設(shè)計(jì)不同的保險(xiǎn)產(chǎn)品。

2 結(jié)果與分析

2.1 水稻減產(chǎn)率確定在確定氣象因素對(duì)產(chǎn)量的影響作用之前，先使用時(shí)間序列模型將水稻產(chǎn)量分解為趨勢(shì)產(chǎn)量和氣象產(chǎn)量[3]。趨勢(shì)產(chǎn)量是指從長(zhǎng)期來看，隨著農(nóng)業(yè)技術(shù)的進(jìn)步和勞動(dòng)者素質(zhì)的提高，可能導(dǎo)致水稻產(chǎn)量具有隨著時(shí)間增長(zhǎng)的趨勢(shì)。趨勢(shì)產(chǎn)量Yt由ARIMA模型確定，模型基本形式為：

式中，Yt-i(i=0，1，…，k)為各年份水稻趨勢(shì)產(chǎn)量；βi(i=0，1，…，k)為模型參數(shù)。{μt}是白噪聲過程。

氣象產(chǎn)量Yw主要指由于水稻生長(zhǎng)期間氣象條件變化所導(dǎo)致的產(chǎn)量，若氣象產(chǎn)量大于0，表示氣象有利于水稻的生長(zhǎng)；反之，不利于水稻的生長(zhǎng)即為減產(chǎn)，具體表示為：

Yw=Y-Yt

式中，Yw為氣象產(chǎn)量；Y為水稻產(chǎn)量。

相對(duì)氣象產(chǎn)量Lt為：

Lt=Yw/Yt×100%

將上述產(chǎn)量模型應(yīng)用于安徽省的實(shí)際數(shù)據(jù)，使用Eviews分別對(duì)安徽各市的產(chǎn)量數(shù)據(jù)進(jìn)行ARIMA模型識(shí)別，結(jié)果見表1。

根據(jù)ARIMA模型得到趨勢(shì)產(chǎn)量，并在此基礎(chǔ)上得到各個(gè)市不同年份的氣象產(chǎn)量序列和相對(duì)氣象產(chǎn)量序列。

2.2 氣象產(chǎn)量回歸分析在使用時(shí)間序列將確定氣象產(chǎn)量之后，使用Stata軟件進(jìn)行氣象產(chǎn)量對(duì)一年12個(gè)月的平均氣溫的逐步回歸分析，挑選出月平均氣溫能通過顯著性檢驗(yàn)的月份作為影響水稻產(chǎn)量的關(guān)鍵因子。但因各月份的氣溫對(duì)水稻的產(chǎn)量都有著不同程度的作用，所以同時(shí)保留其余月份的平均氣溫變量作為控制變量，以減少遺漏變量偏差對(duì)關(guān)鍵因子系數(shù)的影響，更精確地得到關(guān)鍵因子的系數(shù)。

表1 安徽各市趨勢(shì)產(chǎn)量模型

在對(duì)12個(gè)月的月平均氣溫進(jìn)行回歸時(shí)采用的是固定時(shí)間和個(gè)體效應(yīng)的回歸方式，剔除了由于時(shí)間和地區(qū)因素對(duì)關(guān)鍵因子系數(shù)的影響，選取了安徽省16個(gè)城市1999～2013年的氣象產(chǎn)量和月平均氣溫作為研究數(shù)據(jù)，模型基本公式為：

式中，i表示城市；j表示年份；T表示月份；Tij表示i城市在j年的氣象產(chǎn)量；XT為T月月平均氣溫；Dni表示個(gè)體變量，當(dāng)n=i時(shí)Dni=1，否則為0；Smj表示時(shí)間變量，當(dāng)m=j時(shí),Smj=1，否則為0；βp、βT、αn、Ym為系數(shù)。

模型系數(shù)及Stata軟件檢驗(yàn)結(jié)果見表2。

表2 Stata固定效應(yīng)回歸結(jié)果

取顯著性水平為1%，可得4月和7月的月平均氣溫通過了顯著性檢驗(yàn)，是影響氣象產(chǎn)量的最關(guān)鍵因子?；貧w結(jié)果與實(shí)際情況相符，即水稻在四月易受倒春寒的影響從而導(dǎo)致減產(chǎn)，在7月易受高溫天氣影響而減產(chǎn)。在之后計(jì)算氣象指數(shù)保險(xiǎn)觸發(fā)值時(shí)，將以4月和7月氣溫分別作為自變量與氣象產(chǎn)量進(jìn)行二值變量回歸。

2.3 二值因變量回歸和觸發(fā)值確定當(dāng)水稻氣象產(chǎn)量為負(fù)值，即水稻當(dāng)年減產(chǎn)時(shí)，令二值因變量Y為0，反之為1；自變量為2000～2013年每年4月月平均氣溫或7月月平均氣溫?；貧w模型采用Probit回歸，模型形式為：

Z=β0+β1X

Pr(Y=1|X)=Φ(β0+β1X)

式中，回歸函數(shù)值Pr(Y=1|X)表示水稻當(dāng)年沒有減產(chǎn)的概率；Φ為標(biāo)準(zhǔn)正態(tài)分布的分布函數(shù)；Z=β0+β1X是Probit模型的Z值，β0和β1為系數(shù)。

在求觸發(fā)值時(shí)，該研究主要選取安徽省由北到南各地區(qū)具有代表性的9個(gè)城市——亳州、宿州、阜陽、蚌埠、滁州、合肥、六安、安慶和黃山的氣象產(chǎn)量和月平均溫度數(shù)據(jù)(剔除異常值后)來計(jì)算各城市水稻氣象保險(xiǎn)的賠付觸發(fā)值。令Pr(Y=1|X)=50%，表示保證至少50%的概率氣象產(chǎn)量為負(fù)值進(jìn)行賠付時(shí)所得X值即為觸發(fā)值，經(jīng)過Probit模型回歸和計(jì)算所得各城市4月和7月月平均氣溫觸發(fā)值(表3)。

表3 安徽9個(gè)城市4月和7月的氣溫觸發(fā)值 ℃

2.4 水稻單產(chǎn)分布擬合運(yùn)用單產(chǎn)分布模型進(jìn)行分析。農(nóng)作物單產(chǎn)數(shù)據(jù)的參數(shù)模型大致分為3類：正偏性模型，如對(duì)數(shù)正態(tài)分布；負(fù)偏性模型，如Weibull分布；無偏性模型，如正態(tài)分布。該研究基于各市水稻單產(chǎn)數(shù)據(jù)的偏度來確定所使用的單產(chǎn)分布模型。

表4 安徽各市水稻單產(chǎn)分布偏度

由表4可以看出，除了六安和滁州分布具有正偏性，使用Lognormal分布擬合；其余各市都為負(fù)偏性，使用Weibull分布擬合[4]。

Lognormal分布：

若隨機(jī)變量X服從參數(shù)為μ和σ的對(duì)數(shù)正態(tài)分布，記做X～LN(μ，σ2)，概率密度函數(shù)和分布函數(shù)分別為：

注：Φ(*)為標(biāo)準(zhǔn)正態(tài)分布的分布函數(shù)。

Weibull分布：

若隨機(jī)變量X服從參數(shù)為γ和θ的韋伯分布，記做X～Weibull(γ,θ)，概率密度函數(shù)和分布函數(shù)分別為：

2.5 保險(xiǎn)費(fèi)率的厘定假設(shè)X為單產(chǎn)隨機(jī)變量，F(xiàn)(X)(x)和fX(x)分別表示其分布函數(shù)和概率密度函數(shù)，期望E(X)設(shè)為m表示。若Y為單產(chǎn)損失隨機(jī)變量，其分布函數(shù)和概率密度函數(shù)分別為FY(y)和fY(y)，保障水平為λE(X)，其中λ取1。

費(fèi)率計(jì)算公式為：

對(duì)于Lognormal分布而言有下式：

對(duì)Weibull分布而言，有下式：

使用Matlab軟件，根據(jù)上述確定的分布模型對(duì)各市水稻單產(chǎn)數(shù)據(jù)進(jìn)行擬合，確定各分布參數(shù)后代入費(fèi)率計(jì)算公式，最后得到各市水稻氣象保險(xiǎn)保險(xiǎn)費(fèi)率，見表5。

表5 安徽各市水稻氣象保險(xiǎn)保險(xiǎn)費(fèi)率 %

2.6 安徽水稻高溫?zé)岷εc倒春寒氣象保險(xiǎn)區(qū)劃研究根據(jù)上述過程得到安徽各市水稻氣象保險(xiǎn)參數(shù)(表6)，據(jù)此對(duì)安徽各市的觸發(fā)值和費(fèi)率按數(shù)值分類畫出區(qū)劃圖(圖1～3)[7]，并根據(jù)區(qū)劃圖進(jìn)行區(qū)劃分析。

根據(jù)上述的區(qū)劃方式得到對(duì)應(yīng)觸發(fā)值和費(fèi)率的分布圖，可大致將安徽省分為北部、中部以及南部3個(gè)地區(qū)。北部地區(qū)費(fèi)率較高，平均處于大于5%的費(fèi)率水平，中部地區(qū)平均處于4%～5%的費(fèi)率水平，而南部地區(qū)費(fèi)率較低，平均處于3%～4%的費(fèi)率水平。

3 結(jié)論

該研究以安徽為例，研究水稻氣象保險(xiǎn)的定價(jià)分析問題。根據(jù)安徽省水稻生產(chǎn)的特點(diǎn)，首先通過時(shí)間序列模型，將各市的水稻氣象產(chǎn)量和趨勢(shì)產(chǎn)量分離，得到各市的水稻氣象產(chǎn)量減產(chǎn)率。將水稻氣象數(shù)據(jù)與每月氣溫進(jìn)行固定效應(yīng)回歸分析，得到氣溫影響水稻生產(chǎn)的關(guān)鍵月份，即4月倒春寒和7月高溫?zé)岷σ蛩?。?jù)此，再根據(jù)每市具體情況使用二值回歸的方法確定了安徽省具有代表性的9個(gè)城市4月和7月氣溫影響水稻生產(chǎn)的觸發(fā)值，并擬合各市的氣象單產(chǎn)分布確定參數(shù)后帶入保費(fèi)計(jì)算公式得到各市水稻氣象保險(xiǎn)費(fèi)率。最后，根據(jù)4月、7月水稻氣象保險(xiǎn)觸發(fā)值以及費(fèi)率的區(qū)劃分析結(jié)果將選取的安徽9個(gè)城市大致分為自北至南3個(gè)區(qū)域，能實(shí)際應(yīng)用到與每月平均氣溫直接聯(lián)系的安徽省水稻氣象保險(xiǎn)實(shí)踐中去。

水稻氣象保險(xiǎn)的設(shè)計(jì)更新與農(nóng)業(yè)發(fā)展對(duì)保險(xiǎn)產(chǎn)品需求的不斷增長(zhǎng)相適應(yīng)，具有避免道德風(fēng)險(xiǎn)和逆向選擇的優(yōu)點(diǎn)，此外水稻氣象保險(xiǎn)能減少保險(xiǎn)公司的理賠和管理成本，保險(xiǎn)公司無需時(shí)刻檢測(cè)農(nóng)作物的生長(zhǎng)情況，只需根據(jù)客觀的天氣情況便能對(duì)農(nóng)產(chǎn)品進(jìn)行快速的賠償計(jì)算，是新型農(nóng)業(yè)保險(xiǎn)產(chǎn)品市場(chǎng)的最優(yōu)選擇。

[1] 陳盛偉.農(nóng)業(yè)氣象指數(shù)保險(xiǎn)在發(fā)展中國(guó)家的應(yīng)用及在我國(guó)的探索[J].保險(xiǎn)研究，2010(3)：82-88.

[2] JOANNA SYROKA，ANTONIO NUCIFORA.National Drought Insurance for Malawi[R].Southern Africa Poverty Reduction and Economic Management Unit：The World Bank，2010：1-20.

[3] 楊太明，劉布春，孫喜波，等.安徽省冬小麥種植保險(xiǎn)天氣指數(shù)設(shè)計(jì)與應(yīng)用[J].中國(guó)農(nóng)業(yè)氣象，2013(2)：229-235.

[4] 劉亞靜，周穩(wěn)海.玉米氣象指數(shù)保險(xiǎn)純費(fèi)率厘定的實(shí)證研究——以河北省為例[J].河南農(nóng)業(yè)科學(xué)，2013(4)：193-196.

[5] 劉亞靜.河北省玉米指數(shù)保險(xiǎn)費(fèi)率厘定研究[D].保定：河北農(nóng)業(yè)大學(xué)，2013.

[6] 馮德花.安徽省高溫?zé)岷Ψ植家?guī)律及其中稻產(chǎn)量風(fēng)險(xiǎn)研究[D].合肥：安徽農(nóng)業(yè)大學(xué)，2011.

[7] 吳利紅，婁偉平，姚益平，等.水稻農(nóng)業(yè)氣象指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)——以浙江省為例[J].中國(guó)農(nóng)業(yè)科學(xué)，2010(23)：4942-4950.

A Design for Rice Meteorological Insurance of Anhui Province

SU Pei-yue, CHI Zhao-xin, ZHU Nan

(University of International Business and Economics, Beijing 100029)

By means of ARIMA Time Series Model, the article separated the rice crop meteorological output and the trending output of each city in Anhui Province to obtain the reduction percentage in rice meteorological production, and used fixed time and individual effect regression model to regress analyze the meteorological output and average temperature of each month to pick out the key months influencing the rice production during a year. According to the average temperature of the key months of the nine typical cities, the article adopted Probit Model Binary Regression to determine the trigger of average temperature of the key months effecting the rice production of each city, and fitted the meteorological unit yield distribution to get the parameters of Lognormal Distribution or Weibull Distribution and substituted them into the premium calculation to get rice meteorological insurance rate of each city. At last, in terms of the triggers of April and July and the rate, territorial analysis was used to divide Anhui Province into three zones from north to south, in order to apply the insurance product into practice.

Anhui; Rice; Agricultural insurance; Agro-meteorological insurance; Design

蘇珮玥(1994-)，女，安徽合肥人，本科生，專業(yè)：風(fēng)險(xiǎn)管理與保險(xiǎn)。

2015-02-05

S-9

A

0517-6611(2015)09-334-04