水稻保险气象保险指数研究

来源:用户上传      作者:

　　摘要：以江苏省连云港市近30年水稻单产以及近30年来的气象要素，利用5年直线滑动均值法，分离出气象产量，并将气象产量与各种气象要素进行相关性检验，根据相关性结果选取日照时数作为农业气象保险指数因子，投保时间选取水稻对日照最敏感的抽穗开花期与灌浆成熟期，同时建立水稻减产率与寡照时数的关系模型。再依据连云港市各区县日照气象数据，采用Weibull 分布模型模拟不同地区发生寡照气象灾害的概率，结合减产率模型确定不同灾害触发等级下保险纯费率。结果表明，连云港市各区县水稻减产率与寡照时数呈三次函数关系;其中灌云灌南发生寡照灾害概率较高，而赣榆最低;连云港市各区县寡照气象灾害指数保险纯费率呈南高北低的趋势，灌南地区的纯费率最高，在轻度灾害赔付触发等级下，纯费率高达8.32%，而赣榆地区的纯费率最低，仅为2.98%。研究认为在中度或中重度灾害触发等级下纯费率较适宜，研究结果可为连云港市各区县水稻开展政策性气象指数保险提供科学依据。
　　关键词：寡照气象灾害;气象指数保险;纯费率;Weibull 分布;连云港市
　　中图分类号：S511;F842.6 文献标识码：A
　　文章编号：0439-8114（2020）07-0126-05
　　DOI：10.14088/j.cnki.issn0439-8114.2020.07.026
　　Abstract： Based on the rice yield per unit area in Lianyungang in the past 30 years and the meteorological elements in the past 30 years，using the 5-year linear sliding average，the meteorological yield was separated，the correlation between meteorological yield and various meteorological factors was tested. According to the correlation results，sunshine was selected as the agrometeorological insurance index factor，and the most sensitive period of heading，flowering and grain-filling maturity of rice were selected，at the same time，the relationship model between the yield reduction rate and the duration of low illumination was established. Then，based on the sunshine meteorological data of each district and county in Lianyungang，the Weibull distribution model was used to simulate the probability of the occurrence of the under-illumination meteorological disaster in different areas，and the yield reduction model was used to determine the pure premium rate under different disaster triggering levels. The results showed that the yield reduction rate of rice in Lianyungang was a function of three times with the number of days of low illumination，among which the probability of occurrence of low illumination disaster was higher in irrigated Guanyun，Guannan and lowest in Ganyu district，and the pure premium rate of meteorological disaster index insurance in Lianyungang was higher in south than in north，guannan County has the highest net rate，at 8.32 per cent on the light disaster payment trigger scale，while Ganyu district has the lowest，at 2.98%. The results of this study can provide scientific basis for the development of policy-based meteorological index insurance for rice in Lianyungang.
　　Key words： oligotropic meteorological disaster; meteorological index insurance; pure premium rate; Weibull distribution; Lianyungang city
　　水稻是重要的糧食作物之一，生长发育与产量构成受到气象因子变化的影响。影响水稻的气象因子主要有降水、温度、光照等。近年来，部分省份积极推广政策性农业保险[1，2]，而随着苏南、苏中地区耕地面积减少速度增快，连云港市乃至整个苏北地区在全省粮食生产中的战略性地位日益突出，因此将气象灾害造成的水稻减产损失通过保险的方式为农民提供补偿，以转移灾害风险，弥补农民的损失，提高种植积极性将变得尤为重要。但政策性农业保险以实际灾害损失为赔付依据，要经过复杂的环节后，才能获得赔付，包括查险、定损、理赔、估价等。赔付过程存在明显缺陷，包括滞后性与道德风险[3，4]等问题。而天气指数保险基于气象观测实况资料，客观评价气象灾害的强度，预估灾害损失，具有客观公正、快速理赔等优点，适用于针对单一农业气象灾害的保险产品设计[5，6]。国外自20 世纪90 年代开始研究天气指数，目前其产品已得到广泛应用。加拿大、印度、美国和墨西哥等分别将天气指数保险应用于玉米、花生、烟草种植和制冷取暖等行业。同时，美国、墨西哥、南非和阿根廷采用气象指数保险来规避高温热害、低温冻害、暴雨等极端天气事件给农业、畜牧业、种植业、金融业等造成的风险[7-9]。娄伟平等[10]设计了水稻暴雨灾害指数保险和柑橘冻害气象指数保险，杨太明等[11]设计了安徽冬小麦种植保险天气指数，刘映宁等[12]设计了陕西苹果冻害农业保险风险指数，孙鹏[13]设计了山东省冬小麦的干旱指数保险和降雨量赔付指数模型，于宁宁[14]介绍了长丰县水稻种植天气指数保险，任义方[15]对河南省冬小麦进行了风险区划以及纯费率计算。目前，关于连云港市水稻保险气象指数报道较少见。本研究首先对连云港市近30年来水稻产量与气象因子相关性进行分析，再依据相关性研究结果，选出合适的气象因子，作为考虑气象保险指数的主要指标，最后利用Weibull 分布模型模拟灾害发生概率，并计算不同灾害等级下水稻气象指数保险的纯费率，以期为制定水稻气象指数保险产品、拓展农业保险领域、降低水稻种植风险、确保农户利益、保障粮食生产安全提供理论支持。 　　1 材料与方法
　　1.1 气象资料
　　气象数据来自连云港市气象局，分别为1975—2017年的逐日最高气温、日最低气温、日平均气温、降水量、日照时数。
　　1.2 农业资料
　　水稻单产数据来源于连云港市统计局，分别为1975—2017 年水稻总产量和种植面积，根据水稻产量与种植面积计算水稻的单位面积产量，选择单产可以消除种植面积变化带来产量变化问题。
　　1.3 数据处理
　　1.3.1 气象数据处理 通过统计原始气象数据，并根据水稻生育期（水稻生育期见表1，分为6个生育阶段），利用Matlap分别统计1975—2017年各生育期内平均最高气温、平均最低气温、降水量、日照时数以及温差。
　　1.3.2 农业资料处理 研究长时间序列的作物产量与气候因子关系时，一般把作物的产量分解为趋势产量、气候产量和随机误差3部分，但实际研究中一般将随机误差忽略，趋势产量是反映历史时期生产力发展水平的长周期产量分量，主要受地理环境、水肥、品种和生产力水平等影响，一般情况下，社会生产力的提高是主要因素，因此趋势产量一般呈上升趋势。气象产量是受气象因子变化而影响的产量分量部分 [16]。
　　实际产量=气象产量+趋势产量 （1）
　　一般利用相对气象产量来判断气象条件对产量是否有利。
　　[相对气象产量=实际产量-趋势产量实际产量] （2）
　　趋势产量的计算用5年直线滑动均值法模拟。这种方法是线性回归与滑动平均相结合的模拟，它将作物产量的时间序列在某个阶段内的变化看作线性函数，随着阶段的连续滑动，直线不断变换位置，后延滑动，从而反映产量历史演变趋势。依次建立各阶段内的直线回归模型，各时间点上的各直线滑动回归模拟值的平均即为趋势产量。
　　当相对气象产量为负值时，表示当时的气象条件不利于作物的生长，造成作物减产，则可用其值表示该年减产率。水稻产量自身存在一定的波动，此波动可能是由于其他人为等因素造成。根据前人研究结果，当减产率绝对值小于5% 时，气象灾害对产量并无明显影响，当减产率绝对值大于5%时，才定义该年作物出现减产。
　　1.3.3 灾害发生概率模拟 对于灾害性天气事件，重点研究不在于整体分布，而是超过某一阈值的尾部分布，采用极值理论分析导致极端天气结果的气象风险的尾部分布较为合适。因此利用Weibull 分布模型可以较好地模拟出气象灾害的分布。
　　式中，F（x）为气象灾害发生概率，x为灾害发生强度，[α]为Weibull 分布的形状参数，[β]为尺度参数。Weibull 分布的参数计算采用极大似然估计法（MLE）[17]。
　　1.3.4 保险纯费率 通过统计各县历年水稻灾害气象指数和灾害产量损失模型，可获得历年气象灾害减产率序列和气象灾害概率分布序列，分别计算连云港市各区县的保险纯费率R（%），即纯保费占保险金额的比例[18]。
　　1.3.5 數据拟合与制图 利用SPSS19. 0进行减产率拟合模型建立以及Weibull分布图的模拟制作，Excel 2010 进行数据处理以及制图，ArcGIS10.1制作连云港市保险纯费率分布图。
　　2 结果与分析
　　2.1 水稻气象灾害损失模型构建
　　2.1.1 天气指数气象因子选取 将水稻历年的产量与气象因子做相关性检验后发现，水稻产量的变化与日照时数关系最为密切。由表2可以看出，水稻抽穗开花期、灌浆成熟期的日照时数与水稻产量关系最为密切，在连云港市区与4县均显著相关（P<0.05），其中在个别地区达到极显著相关（P<0.01），降水量、温度等因子与产量也有一定的相关性，但相关性比日照时数弱，且降水及温度等气象因素可由人工控制，因此选取日照时数作为天气指数保险因子较为合适，根据研究结果保险适宜投保时段选择抽穗开花期以及灌浆成熟期。
　　2.1.2 减产率的计算 利用连云港市统计局水稻产量数据，根据式（1）和式（2）可得不同日照时数下水稻减产率，然后绘制减产率（X）与日照时数（x）散点图（图1）。由图1可知，水稻减产率与日照时数的拟合方程为
　　2.1.3 寡照时数的灾害等级划分 根据研究结果，抽穗开花期以及灌浆成熟期即每年的8月下旬至10月上旬为日照时数对产量影响的重要时刻，若该日期内日照总时数低于135 h，即形成寡照日照条件。
　　为简化纯费率计算，以及便于保险公司进行保险产品的设计及理赔的进行，按照寡照时数以及减产率的梯度划分寡照气象灾害等级（Weak light level，WLL），将水稻寡照气象灾害分为轻度、中度、中重度、重度灾害4个等级（表3），其中不同寡照等级的平均减产率根据该等级对应的日照时数，按式（5） 计算得到不同日照时数下减产率，再求得该等级下不同日照时数的减产率，计算其算数平均值，得到该等级下的平均减产率。根据当地气象站数据寡照灾害等级指标，当寡照气象条件达到某一级指数时，即寡照时数低于某一等级时，启动赔付[19]。
　　2.2 连云港市各区县寡照等级的概率分布
　　根据连云港市不同地区历年各生育期日照时数对水稻产量影响的统计研究，确定选取各站1975—2017 年每年8月下旬至10月上旬的日照时数资料，统计寡照气象灾害不同等级（HTL） 发生的次数及频率，利用极大似然估计法计算最符合实际情况的形状参数和尺度参数，并根据公式（3）进行Weibull 分布的拟合，最终得到每个区县寡照时数的Weibull 分布及其形状参数α和尺度参数β，如图2 所示。 　　α是Weibull 分布的形状参数，α越大，表示Weibull 分布的弯曲度越大，峰度也相应越高，即Y轴的值也越大。β是尺度参数，主要描述Weibull 分布在X轴范围的大小，β越大，X轴范围就越大，Y轴的值会随着尺度参数的变大而减小。所以，形状参数和尺度参数可以反映不同区县受灾频率的高低。根据研究结果发现，日照时数越短，对水稻产量越不利，因此尺度参数与形状参数越小，代表该地发生寡照灾害频率越高。由图2可知，赣榆尺度参数与形状参数均最大，而灌南的尺度参数与形状参数均最小，表明灌南发生寡照灾害的频率大于其余几个区县，而赣榆则是发生寡照灾害最小的区县，这与日照时数的南北空间分布有关，与实际情况相符。
　　根据Weibull 模型（图2）中不同形状参数和尺度参数得出的连云港市各区县1～4 级寡照气象灾害发生的概率（PWLL）如表4所示。由表4可知，各区县发生轻度（WLL=1）寡照气象灾害的概率最大，发生重度（WLL=4）寡照气象灾害的概率最小，轻度灾害仅在赣榆低于40%，在其余各区县的发生频率均高于40%，重度灾害发生概率基本都低于10%，仅灌南达到了10.1%，而赣榆发生重度灾害的概率仅为2.6%。其中灌南各等级均大于其余各区县，而赣榆各等级均小于各区县。东海、市区与灌云等级较为接近，只有东海的重度寡照灾害发生频率要明显高于市区与灌云。
　　2.3 连云港市各区县保险纯费率的厘定
　　保险公司进行赔付时按照每公顷水稻的预期价值与实际损失率的乘积得出赔偿金额，赔付给投保农户。按照不同程度灾害触发等级计算纯费率，农户可自由选择，从而降低保费，对于保险人和被保险人是双赢的，有助于寡照气象指数保险的投保。利用式（4） ，结合Weibull 分布模型计算的概率与减产率得出连云港市各区县不同触发灾害等级下的保险纯费率，保险纯费率如表5 所示。由表5 可以看出，灌南的纯费率最高，轻度灾害等级触发条件下达8.32%，在轻度灾害等级触发条件下各县纯费率基本达到6%以上，仅在赣榆为2.98%。4个灾害触发等级下的保险纯费率总体呈南高北低的趋势，这与寡照风险高低的空间分布有关。纯费率的高低是农户参保积极性的主要决定因素，纯费率过高，农户参保积极性则会降低，而纯费率过低则会影响保险公司的经济效益，因此，结合实际情况，纯费率在4%左右时，即灾害触发等级选择中度或中重度时较为合适。农户也可根据实际情况，自行选择合适的灾害触发等级下赔率，自由购买保险产品。用ArcGIS10.1 制作中度与中重度触发条件时保险纯费率分布图，采用Spline 样条函数插值法，插值结果如图3所示。由图3可知，连云港市中西部与中南部纯费率较为接近，南部纯费率相对最高，北部纯费率最低，整体呈现南高北低的空间分布。
　　3 结论
　　采用单一气象要素农业天气指数保险的设计应以关键时段、重点区域作为投保对象。但实际农业生产中，在不同区域、不同关键时段对水稻影响的气象要素不同，势必造成减产损失与保险赔付不匹配，保险方案的区域适宜性下降。因此在未来进一步研究中，将综合气象指数作为重点研究对象更为合理。
　　减产率序列是纯费率厘定的关键因子。减产率序列的来源主要有历史单产资料、田间试验和作物模型3种。本研究采用的是历史单产资料并利用5年直线滑动均值法进行减产率计算，多种气象因子作物产量会产生较大的误差，同时存在气候周期如厄尔尼诺、微观气候等系统性风险，投保周期会影响其施行效果。因此利用实验室人工控制气象要素进行作物培育，并计算减产率将更科学，具有较强的可行性。
　　参考文献：
　　[1] 杨太明，孙喜波，刘布春，等. 安徽省水稻高温热害保险天气指数模型设计[J]. 中国农业气象，2015，36（2）：220-226.
　　[2] 杨晓娟，刘布春，刘 园. 中国农业保险近10 年来的实践与研究进展[J]. 中国农业科技导报，2012，14（2）：22-30.
　　[3] 张祖荣. 我国农业保险发展滞后的原因探析[J]. 经济经纬，2007（3）：144-146.
　　[4] HOROWITZ J K，LICHTENBERG E. Risk-reducing and risk-i ncreasingeffects of pesticides[J]. Journal of agricultural economics，1994，45（1）：82-89.
　　[5] 蔡大鑫，张京红，邹海平，等. 海南岛香蕉寒害纯保险费率研究[J]. 自然灾害学报，2013，22（6）：210-216.
　　[6] 娄伟平，吴利红，倪沪平，等. 柑橘冻害保险气象理赔指数设计[J]. 中国农业科学，2009，42（4）：1339-1347.
　　[7] BARNETT B J，MAHUL O. Weather index insurance for agriculture andrural areas in lower-income countries[J]. American journal of agricultural economics，2007，89（5）：1241-1247.
　　[8] 陈盛伟. 农业气象指数保险在发展中国家的应用及在我国的探索[J]. 保险研究，2010（3）：82-88.
　　[9] SKEES J R. Developing rainfall-based index insurance in Morocco[M]. World bank publications，2001.
　　[10] 娄伟平，吴利红，倪沪平，等. 柑橘冻害保险气象理赔指数设计[J]. 中国农业科学，2009，42（4）：1339-1347.
　　[11] 杨太明，刘布春，孙喜波，等. 安徽省冬小麦种植保险天气指数设计与应用[J]. 中国农业气象，2013，34（2）：229-235.
　　[12] 刘映宁，贺文丽，李艳莉，等. 陕西果区苹果花期冻害农业保险风险指数的设计[J]. 中国农业气象，2010，31（1）：125-129，136.
　　[13] 孙 鹏. 农业气象指数保险产品设计研究：以山东省冬小麦干旱指数保险为例[D]. 山东泰安：山东农业大学，2012.
　　[14] 于宁宁. 农业气象指数保险研究[D]. 山東泰安：山东农业大学，2011.
　　[15] 任义方. 农业气象指数保险方法研究[D]. 北京：中国气象科学研究院，2011.
　　[16] 房世波. 分离趋势产量和气候产量的方法探讨[J]. 自然灾害学报，2011，20（6）：13-18.
　　[17] DB36 /T 511-2007，江西省双季稻气象灾害指标[S].
　　[18] 王 克，张 峭. 农作物单产风险分布对保险费率厘定的影响：以新疆3 县（市）棉花单产保险为例[J]. 中国农业大学学报，2010，15（2）：114-120.
　　[19] 刘布春，梅旭荣. 农业保险的理论与实践[M]. 北京：科学出版社，2010.230-262.
转载注明来源:https://www.xzbu.com/8/view-15281661.htm