太倉市水稻氣象保險指數(shù)初探

趙偉榮，全堅宇，張宇紅，楊 洋

（1.太倉市氣象局，江蘇太倉 215400；2.太倉市農(nóng)業(yè)技術推廣中心，江蘇太倉 215400）

0 引言

太倉地處長江入?？谀习?，屬于長江三角洲沖積平原，自古一直是魚米之鄉(xiāng)，農(nóng)業(yè)在其中占了很重要的角色。目前，太倉的農(nóng)業(yè)經(jīng)營模式形成了“園區(qū)化、合作化、產(chǎn)業(yè)化、農(nóng)場化”的發(fā)展模式，并在全省率先實現(xiàn)糧食生產(chǎn)全程機械化。水稻在2019年太倉糧食作物總產(chǎn)量中占比達到40%，是最主要的糧食作物。而水稻作為露天農(nóng)業(yè)，受氣象條件的制約性較強，連陰雨、少日照、暴雨等都是導致水稻減產(chǎn)的重要因素.

1 農(nóng)業(yè)氣象保險

當前，各省各地都出臺了不同的政策性保險來保護和促進農(nóng)業(yè)的發(fā)展，國際上比較早的和農(nóng)業(yè)相關的保險產(chǎn)品[1，2]是由金融保險界推出的，分別為區(qū)域產(chǎn)量指數(shù)保險和氣象指數(shù)保險。其中，氣象指數(shù)保險通過設定氣象指標觸發(fā)機制，達到閾值即按照既定程序進行賠償，具有客觀、快速理賠和無需現(xiàn)場勘查的特點。如美國采用降水指數(shù)保險來增強農(nóng)業(yè)在面對旱澇災害時的抗風險能力，南非使用氣象保險指數(shù)來幫助承擔霜凍引起的蘋果產(chǎn)量風險。以上研究本質(zhì)上都是以氣象因子設計氣象指數(shù)保險，在實用性和保障性方面都取得了較好的效果。

目前的氣象指數(shù)保險主要是針對單一氣象要素對水稻產(chǎn)量展開評估，如湘中地區(qū)通過研究最高溫度對產(chǎn)量的影響，建立了高溫熱害氣象保險指數(shù)[3]，確定了高溫熱害氣象保險指數(shù)的賠付觸發(fā)系數(shù)和賠付標準。連云港市通過研究日照對產(chǎn)量的影響，建立以日照為氣象因子的水稻氣象保險指數(shù)[4]，并根據(jù)此確定保險費率認定。本研究選取多氣象要素對產(chǎn)量進行分析，通過直接建立氣象產(chǎn)量的回歸模型，直觀給出畝減產(chǎn)kg數(shù)，并按照減產(chǎn)比率是否達到10%進行賠付。

2 太倉市水稻氣象保險指數(shù)研究的資料和方法

2.1 研究資料

氣象資料：太倉市國家氣象基本站1990～2021年逐日平均氣溫、雨量、日照等。農(nóng)業(yè)統(tǒng)計資料：太倉市農(nóng)業(yè)技術推廣中心1990～2021年武香粳、武運粳系列水稻品種生長周期產(chǎn)量數(shù)據(jù)。

2.2 數(shù)據(jù)處理方法

2.2.1 水稻減產(chǎn)率計算

水稻的667m2產(chǎn)量隨著品種的變化和栽培技術的進步而產(chǎn)生變化（趨勢產(chǎn)量），同時也受氣象要素的影響而產(chǎn)生波動（氣象產(chǎn)量）。本文通過5年滑動平均法計算得出趨勢產(chǎn)量，再將實際產(chǎn)量分離成趨勢產(chǎn)量和氣象產(chǎn)量，公式如下：

式中，Y為當年實際的產(chǎn)量；

Yt為趨勢產(chǎn)量；

Yw為氣象產(chǎn)量。

定義相對產(chǎn)量指標R，公式如下：

同理，當R為正值時，表示增產(chǎn)了多少百分比，為負值時，表示減產(chǎn)了多少百分比。根據(jù)《江蘇省中央財政水稻種植保險條款》，當時，減產(chǎn)率未達到理賠最低標準；當時，即氣象災害引起的損失率達到10%，保險公司依照保險合同的約定開始履行賠償程序。

2.2.2 氣象因子的選取

根據(jù)太倉市農(nóng)業(yè)技術推廣中心提供的《機插水稻氣象種植條件》（表1），可知對水稻產(chǎn)量影響最大的因子有雨量、雨日、平均氣溫、日照。根據(jù)對應生長周期，分別選出該周期對應的氣象數(shù)據(jù)，例如播種期雨量、播種期雨日、播種期平均溫度、播種期日照，每個周期4個氣象因子，合計24個。

表1 機插水稻種植氣象條件

3 結(jié)果與分析

3.1 氣象產(chǎn)量與多氣象因子的模型構(gòu)建

利用SPSS26.0軟件，通過步進的線性回歸方式，分析并建立氣象產(chǎn)量與6個生長周期共24個氣象因子的線性回歸模型，對結(jié)果進行分析（表2）。

分析可知，在線性回歸建立模型的過程中，依次分別選取了齊穗期雨量、抽穗期雨日、成熟期平均溫度、齊穗期雨日、播種期日照、播種期雨日、齊穗期平均溫度、移栽期平均溫度共8個自變量，每個自變量因子的顯著性均小于0.05，說明選出的8個自變量對氣象產(chǎn)量均有顯著影響。其中，主要影響產(chǎn)量減產(chǎn)的氣象因子為齊穗期雨量、抽穗期雨日，兩者的標準系數(shù)分別為-0.577和-0.519。

由上分析，第八次回歸模型的擬合優(yōu)度R達到了0.937，最終調(diào)整R方為0.821，擬合程度較好。同時根據(jù)德賓-沃森檢驗D-W=2.448，接近2，說明此模型選取的自變量因子之間相關性較不明顯（表3）。

表3 步進線性回歸逐次的模型摘要

可以看到，第八次建立的方程擬合指標較好，殘差1 896.523，顯著性低于0.001，可認為此回歸模型具有實用價值，能較好地反應氣象產(chǎn)量的變化規(guī)律（表4、圖1）。

圖1 多元線性回歸方程的直方圖

表4 多元線性回歸逐次方差分析結(jié)果

可以看出，直方圖與正態(tài)分布曲線較吻合，說明標準化殘差符合正態(tài)分布，P-P圖的散點基本處在對角線上（圖2）。綜合判斷，采用多元線性回歸來建模可以較好地反映物理量之間的關聯(lián)。

圖2 多元線性回歸方程P-P圖

3.2 模型分析

最終采用多元線性回歸方法，建立的氣象產(chǎn)量模型具體公式如下：

Yw=-354.541-1.401*齊穗期雨量-12.801*抽穗期雨日+6.765*成熟期平均溫度+19.417*齊穗期雨日＋1.178*播種期日照＋9.076*播種期雨日＋5.352*齊穗期平均溫度＋3.073*移栽期平均溫度

根據(jù)此公式，畫出1992-2017年實際氣象產(chǎn)量與預測氣象產(chǎn)量的對比圖（圖3）。

圖3 模型預測產(chǎn)量與實際

可以看出，預測氣象產(chǎn)量曲線能較好地反映出實際氣象產(chǎn)量的變化，預測指標也達到了基本對應的減產(chǎn)率。其中，2007年達到了減產(chǎn)10%的理賠標準，查找對應年份的氣象數(shù)據(jù)信息，可發(fā)現(xiàn)2007年減產(chǎn)的原因主要是受臺風暴雨影響，齊穗期雨量達到了36.9 mm，且基本集中在一天的雨量內(nèi)，造成了大范圍倒伏。2020年的單產(chǎn)數(shù)據(jù)為625 kg，根據(jù)模型計算得出氣象產(chǎn)量為-4.0 kg，相對產(chǎn)量指標為-0.6%，存在一定程度減產(chǎn)，但影響較小。2021年的單產(chǎn)數(shù)據(jù)為619 kg，根據(jù)模型計算得出氣象產(chǎn)量為-24.7 kg，相對產(chǎn)量指標為-4.0%，存在一定程度減產(chǎn)，但未達到理賠標準（圖3、表5，其中，2020、2021年數(shù)據(jù)未列入表5中）。

表5 1992～2017年滑動平均產(chǎn)量、實際氣象產(chǎn)量、預測氣象產(chǎn)量數(shù)據(jù)

4 結(jié)論

研究綜合多氣象因子，直接以多元線性回歸的方式來擬合氣象產(chǎn)量。統(tǒng)計分析結(jié)果表明，可以較好地反應氣象災害造成的水稻減產(chǎn)，保險公司可以直接計算出水稻因為氣象導致的減產(chǎn)率，并套用既定的減產(chǎn)標準進行賠付。

本文設計的氣象產(chǎn)量模型主要通過氣象部門的客觀數(shù)據(jù)進行計算分析，受人為影響較小，在實際應用中可減少參保人對賠付標準是否達標的異議。本模型主要適用于武香粳、武運粳系列水稻品種的生長情況，其他水稻品種在適用前需對模型進行相應的分析調(diào)整。在實際應用過程中，應考慮到其他因素造成的減產(chǎn)情況，如病蟲草鼠害等，與氣象減產(chǎn)疊加后再啟動理賠程序。

文中用于計算的氣象數(shù)據(jù)僅為太倉國家氣象站的數(shù)據(jù)，實際的農(nóng)場分布在各鎮(zhèn)各鄉(xiāng)，后期在研究時，應綜合考慮區(qū)域站的數(shù)據(jù)進行分析討論。本模型主要考慮的是對水稻完整生長周期的減產(chǎn)影響，實際情況可能在移栽期就出現(xiàn)較嚴重的減產(chǎn)情況。后續(xù)的研究開展將細化不同周期受到影響時的減產(chǎn)比率和賠付標準，并嘗試剔除非氣象災害導致的減產(chǎn)數(shù)據(jù)。