沈滿洪 強朦朦
(1.浙江大學 經濟學院, 浙江 杭州 310027; 2.寧波大學 商學院, 浙江 寧波 315211)
農業(yè)是國民經濟的基礎,保持農業(yè)持續(xù)健康發(fā)展是穩(wěn)增長、控通脹、防風險的重要保障。但分散化的經營模式和頻發(fā)的自然災害,使得我國的農業(yè)生產呈現(xiàn)出很強的波動性。識別、評估和管理農業(yè)生產風險對保障農業(yè)生產安全和促進農業(yè)轉型升級有著非常重大的理論與實踐意義。對農業(yè)生產風險的相關理論進行述評,有助于推動該領域研究的進一步深化和完善。
農業(yè)生產風險的內涵源于風險的一般概念。關于風險的定義,學術界眾說紛紜,比較有影響力的看法可以劃分為四類:
一是認為風險是結果的不確定性。美國經濟學家馬科維茨在其著名的“均值—方差”模型中將風險定義為收益率的變動程度,并用方差來衡量[1]。很多學者沿用這一看法,并做了相應修正。由于風險往往是與損失密切相關的,為剔除收益的部分,不少學者提出了用半方差或下偏矩的方法度量[2]。這種定義雖然容易量化,但它將風險看作已知的結果,與常識不符。
二是認為風險是預期損失的大小。Harrington、Niehaus在其著作《風險管理與保險》中將風險定義為結果的期望值,并認為在保險業(yè)中,風險是指保險公司的期望損失較高[3]。Campbell認為風險是可量化和可加的,從而將其定義為期望損失的大小[4]。該觀點的缺陷在于預期并不一定是客觀的,風險的量化具有主觀性。盡管存在批評,但這種定義仍然有著非常廣泛的應用。
三是認為風險是損失的概率。風險的概率定義最早見于美國芝加哥學派經濟學家奈特的研究中。奈特認為,如果事件的概率已知則屬于風險,未知則屬于不確定性[5]。風險的概率定義影響很大,聯(lián)合國大學(波恩)環(huán)境與人類安全研究所推薦的18個風險定義中,有14個采用了概率類風險定義[6]13。但這種定義的外延過于狹窄,僅將風險限定在概率上。黃崇福認為風險可以分為偽風險、概率風險、模糊風險與不確定風險[7]。很多事件的風險無法用概率來衡量,比如全球變暖。
四是認為風險是與未來不利事件相關的情景。Aven和Renn認為風險是指與人類所重視的事件后果相關的不確定性和嚴重性[8]。黃崇福等給出了相似的定義,認為風險是與某種不利事件有關的一種未來情景[6]14。這種觀點與第三種觀點的顯著區(qū)別在于它不再僅僅以概率來衡量風險,從而將風險的外延擴大。同時,它也包含了第二種觀點。這種觀點對風險的概括很全面,但缺點也很明顯,即無法量化和比較風險。
由此可知,風險的內涵十分復雜。在量化風險時,如果一個事件不容易或者無法用概率表示,那么往往可以采用期望損失的定義。反之,可以用概率度量的事件更傾向于第三種定義,因為它更為客觀。對于農業(yè)生產風險,張峭和王克將其定義為農作物或畜產品實際產量相較于預期產量可能發(fā)生偏離的程度[9-10]。邢鸝和鐘甫寧將其理解為農作物生產中隨機不確定的結構性風險因子造成的農作物區(qū)域產量低于預期正常產量的隨機不確定性[11]。結合這些看法,本文將農業(yè)生產風險定義為:由風險因子導致的農產品實際單產低于預期的可能性。農業(yè)生產風險的內涵需要從兩個方面理解:一是從成因上看,風險因子不能簡單理解為氣象災害,還包括生產過程中要素配置的合理性,田間管理精細程度,污染、病蟲害等一系列可能的減產因素。二是農業(yè)生產風險的量化包含單產損失的大小及其發(fā)生的可能性兩個維度。從具體的評估案例看,大多數(shù)學者用概率量化損失的可能性,也就是采用上文第三種風險的定義,然而,污染、病蟲害導致?lián)p失的可能性很難用概率量化,只能給出半定量的評估,聚焦預期損失的高低。
農業(yè)生產風險測度方法包括半定量和定量兩種。半定量的方法將風險視為期望損失的大小,用風險因子危害性、暴露度、脆弱性及適應能力等指標的耦合值度量[12]。這四個指標中,風險因子的危害性、受災體的脆弱性及適應能力決定了損失的大小,而受災體的暴露度則反映了損失發(fā)生的可能性。半定量的評估多是通過指標打分,處理方式比較靈活,結果的主觀性較強。本文主要闡述農業(yè)生產風險的定量評估方法。一般來說,這類評估遵循三個步驟:單產趨勢、分布建模和風險表達。
對于旱災等特定風險因子造成的農業(yè)生產風險,已有文獻一般采用受災面積比例作為度量損失的指標,因此不存在單產趨勢求解。但對于綜合生產風險,需要先求出農作物單產的期望值。涉及的方法主要包括四類:回歸方程法、移動平均法、線性移動平均法和H-P濾波法?;貧w方程法假定農作物的生產趨勢與時間相關,通過最小二乘法估計趨勢,但實際上生產趨勢與時間并不一定呈線性關系,這導致該方法主觀性過強[13]。移動平均法是通過移動平均將多期生產平均值視為期望值[14],這種方法易于操作,但主觀性也較強且會損失一定的數(shù)據(jù)量。線性移動平均法是回歸方程法和移動平均法兩種方法的結合,它既不用假定曲線類型,也不會損失數(shù)據(jù)[15]。H-P濾波法通過最小化趨勢偏離的損失函數(shù)而分解出趨勢項和波動項[16]110。這些方法本質上是偏向于統(tǒng)計學的,缺少微觀生產的理論基礎,不同的方法往往呈現(xiàn)出不同的結果,一致性較差。但具有理論基礎的農作物生產模型機制復雜,實用性較弱。線性移動平均法和H-P濾波法的應用仍然最為廣泛。
在求解出生產波動值和趨勢值后,通常需要構造相對隨機波動序列(波動值/趨勢值)消除量綱影響,從而使不同地區(qū)風險水平具有可比性[17]。風險評估的核心在于對剔除趨勢后的單產波動進行概率求解??傮w來看,可以分為參數(shù)分布擬合法、核密度函數(shù)估計法和非參數(shù)信息擴散法三種建模方法。
1.參數(shù)分布擬合法
參數(shù)分布擬合法事先假定生產損失率服從的分布,之后通過最大似然估計求解參數(shù)。早期國內學者通過假定農作物單產波動服從正態(tài)分布或者通過正態(tài)化來處理[18],但經驗表明,單產波動的偏度和峰度并不符合正態(tài)分布的假設。學者們發(fā)現(xiàn),Beta、Gamma、Lognormal、Weibull、Logistic等分布偏度和峰度比較靈活,更適合擬合農業(yè)單產的波動[19]406。在刻畫尾部風險時,廣義帕累托分布(GPD)也經常被選擇[20]。為刻畫一些復雜的產量分布,雙峰型的聯(lián)合分布有時也會被應用[21]。
為挑選最優(yōu)的分布函數(shù),已有文獻主要有兩類思路:一是將生產波動的偏度和峰度值與矩比率圖進行比較[19]410。該圖以峰度和偏度為坐標軸,描繪了Beta、Normal、Lognormal、Weibull、Logistic五種常用分布的大致區(qū)間。這種方法簡單直觀,但缺陷在于不夠準確且只能判別上述五種特定分布。二是通過卡方(chi-square)、Anderson-Darling(AD)和Kolmogorov-Smirnov(KS)等方法進行擬合優(yōu)度檢驗,這也是主流的判別方法。卡方檢驗不適合小樣本數(shù)據(jù)。AD檢驗是KS檢驗的修正,可以做更敏感的測試。
參數(shù)分布擬合法的難點在于概率密度分布函數(shù)的選擇。研究者往往要根據(jù)樣本的偏度和峰度主觀判斷單產波動的分布。分布的選擇偏誤會造成風險的評估有偏[22]。相反,如果分布假設正確,評估結果也較為準確。
2.核密度函數(shù)估計法
核密度函數(shù)估計法是最常見的非參數(shù)分布擬合方法。一個標準的核密度函數(shù)形式為:
(1)
其中,xi為樣本值;n為樣本數(shù);k(·)是某種特定的核函數(shù),常見的有均勻核、三角核、伽馬核以及高斯核;h為帶寬。在實證分析時,核函數(shù)一般選擇高斯核函數(shù),它具有良好的平滑性。最優(yōu)帶寬可以通過求解最小平均積分平方誤差函數(shù)獲得,公式為:
(2)
在高斯核的情況下,最優(yōu)的帶寬為:
(3)
其中,σ為樣本的標準差。這一公式也被稱為經驗法則。Silverman從實際應用的角度重新評估了這一法則,提出了修正后的經驗法則[23]:
(4)
標準的核密度函數(shù)估計法在農作物生產風險評估中有著非常廣泛的應用。但標準的核密度函數(shù)估計法對尾部風險的評估可能是低效的,因為尾部的數(shù)據(jù)集更少,在全局上使用相同的帶寬會產生偏誤[24]。因此,可以在不同位置調整帶寬的自適應帶寬核密度函數(shù)也被提出來重新評估農作物風險。它的密度函數(shù)為:
(5)
其中,λi為局部帶寬調整因子,h控制整體平滑程度,λi調整局部樣本的帶寬。λi的計算公式為[25]:
(6)
其中,f(xi)′為標準核密度估計的密度值,G是估計值的幾何平均值,α∈[0,1]為靈敏度參數(shù)。當α=0時,自適應帶寬的核密度函數(shù)就退化為標準的核密度估計。在實證分析中,一般將α設為0.5。
與參數(shù)法相比,非參數(shù)法的優(yōu)勢在于更為靈活,不用事先假設分布函數(shù)的形式,但在樣本較小時(一般小于40)效果不如參數(shù)法,而且無法刻畫極端事件,漸進性也無法與參數(shù)法相比[26]。另外,也有一些學者結合參數(shù)法和非參數(shù)的核密度函數(shù)法的優(yōu)點,提出了半參數(shù)分布擬合的方法[27]。半參數(shù)方法的基本思想在于先利用參數(shù)法估計,再通過一個核密度函數(shù)因子來校正。這種估計有些類似于經驗貝葉斯估計,通過核密度函數(shù)矯正因子來盡量避免參數(shù)法先驗分布假設的錯誤。盡管半參數(shù)估計方法可能是更有效的,但這種有效性是因樣本大小而異的,且有待更多的檢驗。需要強調的是,對于參數(shù)法和核密度函數(shù)的估計方法,常用的是最大似然估計。但為提高估計的效率和處理產量空間相關問題,諸如密度比估計[28]、自適應局部參數(shù)估計[29]、貝葉斯估計[30]等都已被引入農作物生產風險領域。
3.非參數(shù)信息擴散法
非參數(shù)信息擴散法也是一種重要的非參數(shù)方法,由國內學者黃崇福等提出。該方法綜合了模糊數(shù)學和頻率的思想,認為小樣本的信息是不確定的,每一個樣本值都反映了整體的信息,因此可以使用特定的信息擴散模型對其包含的信息進行擴散處理,從而將一個只有一個觀測值的樣本變成一個模糊集,或者說是從單值樣本變?yōu)榧禈颖?。最簡單的正態(tài)擴散模型為:
(7)
其中,y為樣本值;h為擴散系數(shù),但它的取值,文獻并沒有給出統(tǒng)一的標準。黃崇福等給出的經驗計算公式為[31]:
(8)
其中,b、a和m分別是樣本的最大值、最小值和樣本個數(shù)。有些學者認為這種經驗法則不夠科學,基于信息熵理論推導的公式更為科學[32]568。ui為論域,比如農作物生產損失率的論域為[0,1]。在測度生產風險時,ui常被設定為{0,0.02,0.04,…,1}。信息擴散模型就是將實際損失率y在整個論域中擴散,進而求得論域每個值出現(xiàn)的概率。比如說,如果擴散后的ui為0.02,出現(xiàn)的頻數(shù)為m,整個樣本個數(shù)為n,那么生產損失率為0.02的概率即為m/n。通過加總,可以求出損失率區(qū)間的概率。非參數(shù)信息擴散法論域的選擇會影響測度結果的大小,而且最終結果以概率形式表示,無法得到具體的分布函數(shù)。表1為這三大類方法的比較。
表1 三種建模方法比較
生產風險定量評估的目的是求出不同損失區(qū)間的概率。較為常見的評估是將生產損失區(qū)間劃分為:減產(5%,15%],減產(15%,25%],減產(25%,35%]和減產>35%[16]112。參數(shù)分布擬合法和核密度函數(shù)估計法是利用概率理論對擬合的概率密度分布函數(shù)求解,而非參數(shù)信息擴散法是進行點概率的區(qū)間加總。
1.特定因子造成的生產風險
農業(yè)生產的風險因子眾多,除了最為常見的旱澇、冰雹、大雪等氣象災害外,還包括污染、病害、蟲害、農戶決策失誤等。農戶決策失誤造成的生產風險較為微觀,文獻中涉及的較少。
在評估污染的農業(yè)生產風險時,已有文獻聚焦于臭氧污染。Aunan等通過預測未來累積的臭氧濃度水平,結合作物生長的參數(shù)評估了臭氧污染對我國大豆、水稻、小麥和玉米可能造成的期望損失值,發(fā)現(xiàn)我國農業(yè)生產臭氧風險很高[33]。Tang等做了類似的研究,他們發(fā)現(xiàn)臭氧污染到2020年對我國水稻和冬小麥產量造成的期望損失率最高可達到28.8%和36.9%[34]。病蟲害也是重要的農業(yè)生產風險。王振營和王曉鳴分析了我國十幾種玉米病蟲害的發(fā)生頻率和危害性,指出我國玉米病蟲害的風險在不斷上升[35]。袁福香等結合頻率和影響指數(shù),評估了吉林省玉米、水稻和大豆主要病蟲害的生產風險[36]。白基恒等基于相似的思路評估了重慶市水稻病蟲害的風險[37]。
污染和病蟲害生產風險的評估比較復雜,涉及化學、生物學、農學等多個學科。由于污染和病蟲害對農業(yè)生產的影響機理比較復雜,樣本量也不足,損失的大小與發(fā)生的可能性較難量化,評估結果以半定量為主,注重期望損失的估算。
農業(yè)生產氣象災害風險是學者們重點關注的領域。婁偉平等利用信息擴散模型分析了浙江省柑橘生產的低溫凍害和熱害風險[38]。張峭和王克基于災情數(shù)據(jù),利用核密度估計,發(fā)現(xiàn)全國農業(yè)因災年均損失率在12.9%,干旱和洪澇是主因[39]。徐磊和張峭利用蒙特卡洛模擬技術,通過極值POT模型發(fā)現(xiàn),旱災巨災對河南省糧食生產的影響總體有限,其損失的平均值在10%[40]。王芝蘭等基于VaR指標,采用參數(shù)法評估,發(fā)現(xiàn)甘肅省遭遇10年、50年和100年一遇旱災時,農業(yè)損失率分別為18.8%、25.7%和28.3%[41]。張星等基于非參數(shù)信息擴散模型發(fā)現(xiàn)福建干旱風險高值區(qū)出現(xiàn)在災損率5%—45%,洪澇災害出現(xiàn)在5%—70%,風雹災害在5%—30%,低溫凍害的風險主要集中在災損率5%—20%[42]。李孟剛等基于信息熵理論改進了信息擴散模型,發(fā)現(xiàn)我國農業(yè)生產面臨著較大的水旱風險[43]。
農業(yè)生產氣象災害風險評估的難點在于如何分離出災害造成的產量損失。文獻一般用災害面積比例來替代產量的損失率,但不同的作物對不同的災害有著不同的承受能力,災害面積無法準確代表災害產量。從結果上看,干旱、洪澇、低溫凍害都是我國農業(yè)生產的重要災害因子,但各地區(qū)的風險水平并不一致。
2.多重因子造成的綜合生產風險
多重因子造成的綜合生產風險考慮最終實際單產小于預期的可能,而不區(qū)分損失是何種風險因子造成的。這類評估相對比較成熟,結果上更多以概率的形式呈現(xiàn)。王克和張峭通過矩比率圖和AD檢驗等方法確定了東三省稻谷、玉米和大豆三種農作物的單產分布,并對其風險進行了評估,發(fā)現(xiàn)東三省三種農作物發(fā)生輕災的概率最大(20%—25%),中災次之(8%—19%),減產幅度大都在5%—25%[44]。徐磊和張峭等基于AD檢驗對9種可能單產分布進行了選擇,利用參數(shù)法評估了糧食主產區(qū)的生產風險,發(fā)現(xiàn)整體風險并不高,只集中于減產5%—15%,重大損失概率較小[16]112。黃森從產量負波動指數(shù)和損失概率兩個角度分析了浙江、江西、湖南和重慶4個代表性省市柑橘生產的風險,發(fā)現(xiàn)江西和浙江的柑橘生產風險最大,湖南次之,重慶的風險最小[45]。Chen等利用非參數(shù)信息擴散模型評估了全國和30個省區(qū)市水稻的生產風險,發(fā)現(xiàn)全國的水稻生產風險水平比較低[32]574。韓語軒等基于正態(tài)分布,評估了遼寧省水稻產量的減產風險,發(fā)現(xiàn)其呈現(xiàn)出中部、東部低,而東北、西南增高的趨勢[46]。
整體來看,已有的評估呈現(xiàn)出兩個突出特點:一是在評估對象上集中于種植業(yè),對養(yǎng)殖業(yè)關注較少;二是在研究區(qū)域上,對國內省級行政區(qū)的評估較多,對農戶級別的評估極少。因為數(shù)據(jù)空間加總偏差問題的存在,農戶層面的生產風險要比縣級和省級的大很多[47]?,F(xiàn)有評估在范圍和維度上都有待拓展。
1.風險預警
風險預警是指在監(jiān)控風險因子變化的基礎上,基于權重指標,評價風險指數(shù)偏離預警線的強弱程度,并發(fā)出預警信號。風險預警系統(tǒng)的建立可以有效提高政府防災減災的能力。農業(yè)生產風險的預警主要針對氣象災害風險。利用地理信息分析和天氣預報技術,可以預測農業(yè)降雨、低溫等氣象風險的高低。風險預警要求風險的評估是動態(tài)的,因此多是基于危害性、暴露度、脆弱性及適應能力這一半定量評估框架[48]。在實際應用時,由于農業(yè)生產的暴露度、脆弱性及適應能力在短時間內不會明顯變化,風險預警多是分析臺風、干旱、洪澇、冰雹等氣象風險[49-50]。
2.風險區(qū)劃
風險區(qū)劃是將具有相同農作物、相似風險的生產區(qū)域聚類。我國農業(yè)保險是一個地區(qū)一個費率,政府風險區(qū)劃工作的滯后會帶來高賠付、逆向選擇等市場失靈問題。Chen等基于變異系數(shù)、比較優(yōu)勢指數(shù)和損失率大于5%的概率三個指標對我國30個省區(qū)市水稻產量進行了風險區(qū)域劃分,發(fā)現(xiàn)山西是風險最高的省份,天津等12個省級行政區(qū)屬于中風險,而上海等17個省級行政區(qū)屬于低風險區(qū)域[32]576。陳懷亮等的研究結果表明,河南省不同區(qū)域小麥生產風險水平及主要災害因子明顯不同,有些地區(qū)是因為缺水,有些則是因為霜凍,不同區(qū)域的抗災措施需要因地制宜[51]。李世奎等基于災害、災損、減產概率等指標對北方冬小麥的干旱風險、東北地區(qū)作物低溫冷害綜合風險、華南香蕉和荔枝寒害風險進行區(qū)劃,并就如何優(yōu)化作物空間布局提出了建議[52]。
農業(yè)風險區(qū)劃對于優(yōu)化作物空間布局和制定區(qū)域保險費率有著重要的指導意義。但已有文獻仍存在不少問題,比如不同學者在進行風險區(qū)劃時往往會采用不同的指標體系,這使得相同作物風險分區(qū)的結果并不總是一致,而且縣級乃至村級的風險區(qū)劃還較少涉及。這些都限制了已有評估結果的實際應用。
3.金融產品定價
已有計算保費率的文獻多是在省級層面進行的,雖然可以為保險公司提供參考,但距離實際應用還相差較遠。這主要是由于數(shù)據(jù)限制,保費率的計算需要較長時間的農戶產量數(shù)據(jù),而這方面的數(shù)據(jù)記錄不夠完整。在實際工作中,保險公司往往是用縣級數(shù)據(jù)進行分析,甚至僅僅以最近幾年的平均損失率替代。
4.完善保險補貼政策
農業(yè)保險是政策性保險。為保證保險公司的長期經營,政府建立了大災準備金和保費補貼制度。大災準備金規(guī)模的測算要以農業(yè)生產的尾部風險為基礎。梁來存以保險公司賠付率超過150%和200%為界限,利用經驗費率法測算了我國糧食保險的國家級大災準備金規(guī)模[56]。庹國柱等以賠付率不超過200%和300%為界限,利用參數(shù)分布擬合測算了中央級大災風險基金的規(guī)模[57]。除了大災準備金規(guī)模,農業(yè)生產風險還是保費補貼比例測算的基礎。但保費補貼比例的設計牽涉到農戶參保率等政策目標,要利用微觀數(shù)據(jù),文獻中還較少涉及。
在發(fā)展中國家,保險等正式風險管理工具往往處于缺失或不完善的狀態(tài)[58-59]。因缺乏有效的外部風險分散機制,農戶會進行“自保險”。農戶風險管理策略主要包括收入多樣化、生產多樣化、種植低風險作物、減少風險性投入、平滑消費五種主要方式。
收入多樣化雖然不能直接預防或減少農作物產量風險,但能降低生產風險帶來的沖擊。陳風波等發(fā)現(xiàn)我國南方4個種植水稻的村莊非農收入比例在27.6%—68.2%,要明顯高于農業(yè)收入[60]。在非洲西部農村地區(qū)的8個國家中,非農收入平均占收入的39%[61]。在農村地區(qū),收入多樣化已經常態(tài)化。
然而,收入多樣化卻不一定是有效的。一方面,農戶農業(yè)活動收入和非農收入可能相關。Fafchamps等發(fā)現(xiàn)干旱會同時影響非洲西部農戶的作物收入和非農收入[62]。Townsend也發(fā)現(xiàn)印度南部村莊的農戶雖然已有各種收入來源,但收入的波動仍然很大。在正常年份,農作物收入和非農收入關聯(lián)較小,但在危機年份,兩者卻顯著相關[63]。另一方面,收入多樣化對貧困家庭存在限制。Reardon通過分析非洲的農戶數(shù)據(jù)發(fā)現(xiàn),非農收入的比例與總財富呈明顯正相關,低收入農戶和高收入農戶獲得非農收入的能力不平等[64]。Dercon和Krishnan分析埃塞俄比亞和坦桑尼亞農戶收入多樣化策略時發(fā)現(xiàn),貧困農戶只能從事收集木柴、制造木炭等非農工作,而從事飼養(yǎng)奶牛、開商場等高回報活動的主要是富裕家庭[65]。
生產多樣化策略包括分散地塊種植、采用多個品種、種植多種作物等。陳傳波發(fā)現(xiàn),湖北的農戶為預防干旱風險,開展多樣化種植的比例非常高,12大類種植作物中,種植6類及以上的農戶有45%,不種植和單一種植的只占2.8%[66]。有學者發(fā)現(xiàn),在印度的奧里薩邦,為避免干旱風險,70%以上的農戶會種植2—5個水稻品種[67]。Pandey等采用隨機實驗分析了印度兩個村的農作物種植多樣化情況,發(fā)現(xiàn)灌溉條件差的村莊的農作物多樣化指數(shù)要比灌溉條件好的村莊高很多,而且在干旱年份,兩個村莊的多樣化指數(shù)都會上升[68]。
基于Just-Pope生產函數(shù),Smale等評估了空間多樣化、時間多樣化及品種多樣化對巴基斯坦旁遮普省小麥產量平均值和方差的影響,發(fā)現(xiàn)這些策略有助于提高平均產量和減少產量方差[69]。之后的學者進一步討論了多樣化策略對農戶收入的影響。Di Falco和Perrings建立了不確定情形下的農戶作物選擇模型,并基于意大利南部的數(shù)據(jù)進行了實證檢驗,發(fā)現(xiàn)作物品種的多樣性與農戶平均收入呈正相關,與收入方差呈負相關[70]。
這些經驗表明,農戶的多樣化策略是有效的,它提高和穩(wěn)定了農戶的生產和收入。但也有學者認為,多樣化犧牲了規(guī)?;蛯I(yè)化的收益,在無風險的情況下,農戶可能會有更高的生產和收入[71]。
在面臨生產風險時,農戶種植農作物的比例并不是最優(yōu)的,低風險低收益的農作物會偏多。這一結論在不同的農戶風險決策模型中都得到了證實。
Decron建立了一個資產積累的經濟模型以說明不同收入水平農戶的作物選擇。基于坦桑尼亞干旱地區(qū)的農戶數(shù)據(jù),他發(fā)現(xiàn)為應對生產風險,最富有的家庭將不到2%的土地用于種植低風險低回報的甜土豆作物,但最貧窮的家庭會為此分配9%的土地。這導致最富裕群體的作物組合的平均回報率比最貧困群體高出25%[72]。Kurosaki和Fafchamps基于跨期分配模型,發(fā)現(xiàn)巴基斯坦旁遮普省的農戶為降低產量和價格風險會提高飼料作物的種植,減少香米的種植,這導致了2%的收入減少和9.4%的福利損失[73]。
國內學者也有相似的發(fā)現(xiàn)?;诳偸找娼^對偏差最小化的農戶決策模型,陸文聰和西愛琴模擬了浙江農戶的種植決策,發(fā)現(xiàn)已有農作物的實際規(guī)模偏離非風險最優(yōu)規(guī)模,低風險農作物偏多[74]。由此可知,種植低風險作物這種管理策略雖然穩(wěn)定了生產,卻有可能減少貧困家庭的收入和加劇貧富差距。
風險性投入意味著更先進的生產技術和更高的生產效率。但由于生產風險的存在,農戶會減少風險性投入,以規(guī)避可能的生產損失。
Rosenzweig和Binswanger建立了均值—方差效用最大化模型來闡述風險對農戶投資構成的影響,發(fā)現(xiàn)印度的農戶為應對降雨量波動帶來的生產風險會降低生產性投入的比例。降低一個標準偏差的天氣波動將使最貧困農戶的平均利潤提高35%[75]。Rosenzweig和Wolpin發(fā)現(xiàn),公牛雖然對印度農戶的生產有著重要的促進作用,但為預防風險,公牛的投資是不足的[76]。Lamb構建了風險規(guī)避型農戶的兩期決策模型,發(fā)現(xiàn)印度半干旱熱帶地區(qū)的農戶會因為天氣風險而減少化肥的使用,但在有非農收入來源的情形下,化肥的需求將會增多[77]。而且,Zimmerman和Carter的理論模型表明,投資策略是財富的分段函數(shù),貧困家庭為應對風險會減少風險資產的積累,這使其陷入長期貧困的惡性循環(huán)而無法自拔,即所謂的貧困陷阱[78]。Dercon和Christiaensen基于埃塞俄比亞的農戶面板數(shù)據(jù),發(fā)現(xiàn)降雨風險會顯著抑制貧困農戶對化肥的使用,使農戶持續(xù)貧困[79]。
因此,減少風險性投入似乎內生于農戶的風險決策中,在沒有有效的風險分散機制的情形下,這種策略雖然是理性選擇,但對農戶而言則面臨著高成本,對于貧困家庭,更有可能導致其陷入貧困陷阱。
平滑消費是農戶應對減產的被動策略。變賣資產是最常見的平滑消費方式。雖然農戶也可能會借助社會網絡進行借貸,但這種機制會被諸多社會因素所干擾,且對于系統(tǒng)性生產風險,這種機制往往是低效率的[80]。一些印度的農戶在遭遇災害后,會讓子女輟學外出打工以補貼家用,但這卻阻礙了人力資本的積累,影響經濟的長期發(fā)展[81]。Maccini和Yang研究了出生年份天氣狀況對1953年至1974年間出生的印尼成年人的健康、教育和社會經濟狀況的影響,發(fā)現(xiàn)出生年份降雨量較大對女性成年后的狀況有積極影響,但對男性沒有影響。較大的降雨量促進了農業(yè)生產,從而改善了女嬰的健康狀況,對其未來的發(fā)展有著至關重要的作用[82]。Carter等發(fā)現(xiàn),在發(fā)生生產損失后,高收入家庭的資產會慢慢恢復到原來水平,但貧困家庭為了平滑消費,會將資產一直維持在較低的水平,如果沒有外部援助,就會陷入貧困陷阱[83]。
表2對上述農戶風險管理工具的有效性進行了總結。由此可見,在正式風險管理工具低效乃至失靈的情況下,農戶會被迫采用非正式的風險管理工具,但這種管理很多情況下都是高成本的。發(fā)展經濟學認為,經濟增長有著多重均衡,當資產低于某一閾值時,如果沒有外在干預,代理人會維持在低水平均衡,陷入貧困陷阱。對貧困農戶而言,這些風險管理策略如同一種自我強化機制,阻礙其使用高回報的技術和資本的積累,從而使其長期處于貧困狀態(tài)。實際上,由非正式風險管理策略導致的貧困陷阱話題已經引起經濟學家的注意。不少學者嘗試將農業(yè)保險引入經濟模型來分析正式風險管理工具是否可以幫助貧困戶逃脫貧困陷阱[84]??傮w來看,農業(yè)生產風險管理策略的研究大多以印度及非洲等區(qū)域的農戶數(shù)據(jù)為基礎,中等收入和高收入國家的案例還較少涉及,討論中國農戶風險管理策略及其有效性的研究更為少見。
表2 農戶生產風險管理策略有效性的評價
科學的評估方法是農業(yè)生產風險評估的基礎,但已有方法在很多方面都還存在優(yōu)化空間。首先,生產趨勢的求解還存在一定的主觀性,缺乏現(xiàn)實基礎,不同的方法往往會得到不一致的結果。如何分離特定災害造成的產量損失在文獻中也較少被討論。其次,在分布建模時,參數(shù)法的備選分布多是單峰型,多峰型的聯(lián)合分布還較少被分析。非參數(shù)信息擴散模型中論域和擴散系數(shù)的值還存在分歧。未來的研究需要結合農學、氣象學、經濟學、統(tǒng)計學等不同學科的知識,開發(fā)出更可靠的生產趨勢分離和分布建模方法。同時,還需要加強不同評估方法的結果對比和交叉驗證研究,增強評估結果的穩(wěn)健一致性。
農業(yè)生產風險的評估對于理解風險水平、風險區(qū)劃和金融產品定價有著重要作用。已有的評估案例更多的是從省級層面分析種植業(yè)所面臨的生產風險,在評估范圍和維度上還無法很好地指導實踐工作。未來的研究需要在三個方面進行拓展:一是關注養(yǎng)殖業(yè)的生產風險。養(yǎng)殖業(yè)的生產因為生產環(huán)境更為復雜可能要比種植業(yè)面臨更大的風險。在國家提出海洋強國戰(zhàn)略的背景下,海水養(yǎng)殖的風險需要引起關注。二是開展農戶層面的生產風險評估。省級或縣級數(shù)據(jù)存在加總偏誤問題,在產量加總的過程,農戶的損失可能會被抵消,這導致了農戶層面的生產風險被低估。這種低估會產生精算保費的偏誤,不利于保險市場的可持續(xù)發(fā)展。三是要從空間上評估農業(yè)生產風險。農業(yè)生產具有很強的空間相關性,但已有的風險評估大都忽視了這種關聯(lián)。這不利于農業(yè)巨災空間分散和再保險政策的制定。聯(lián)立不同個體產量分布的Copula函數(shù)可能是未來的一個應用方向。
因為缺少有效的外部風險分散工具,發(fā)展中國家的農戶往往采用非正式的風險管理工具,理解農戶非正式風險管理的策略是政策設計的基礎。但已有文獻的分析多是基于印度及非洲國家的樣本而展開的,針對我國農戶風險管理策略及其有效性的實證分析十分少見。不可否認的是,我國農戶也面臨著保險不完善、信貸約束等相似的外部環(huán)境,高成本的風險管理策略在我國是否存在需要引起重視。未來的研究應該集中于三個方向:一是開展大規(guī)模問卷調查,系統(tǒng)分析我國農戶應對生產風險的策略。二是分析這些風險管理策略對不同收入水平的農戶的適用性及有效性,尤其需要關注對貧困農戶的影響。三是要著重分析這些風險應對策略在穩(wěn)定生產的同時是否也帶來了諸如“風險貧困陷阱”等負面問題。
從已有研究看,非洲等地區(qū)的農戶之所以采取高成本的管理策略是因為缺少有效的外部風險分散機制。由此而來的重要問題是:作為轉移生產風險的重要正式工具,農業(yè)保險的推廣是否降低了農戶風險管理的成本?如何設計保險合同才是最優(yōu)的?是否可以幫助農戶跳出貧困陷阱?未來的研究可以放松已有農戶風險決策模型的假設,引入保險機制,分析不同保費補貼水平下,農戶的生產、消費、投資、收入和福利的變化情況。這對于理解我國保險政策的績效及制定合理的保費補貼水平有著重要的意義。而且,這類研究不應只局限于傳統(tǒng)的損害賠償性保險,天氣指數(shù)保險和地區(qū)產量指數(shù)保險等金融創(chuàng)新產品也應該被討論和比較。