谷政 張悅 杜春婷
摘 ? 要:天氣指數(shù)保險(xiǎn)是近幾年農(nóng)業(yè)保險(xiǎn)領(lǐng)域的新型產(chǎn)品,在應(yīng)對(duì)全球天氣變化帶來的農(nóng)業(yè)風(fēng)險(xiǎn)方面具有重要作用,該產(chǎn)品設(shè)計(jì)的核心環(huán)節(jié)是費(fèi)率厘定。本文以我國黑龍江省單季稻天氣指數(shù)保險(xiǎn)為例,從與粳稻生長相關(guān)的氣溫、降水量、日照、濕度、風(fēng)速和光溫比六個(gè)氣候因素出發(fā),進(jìn)一步以生長周期為標(biāo)準(zhǔn)細(xì)分出四月、五月、六月,三個(gè)月分別的氣溫、降水量、日照、濕度、風(fēng)速和光溫比,共得到18個(gè)天氣因子,探討了精算定價(jià)法中的經(jīng)典燃燒模型在費(fèi)率厘定中的實(shí)際應(yīng)用,并針對(duì)我國農(nóng)業(yè)天氣指數(shù)保險(xiǎn)定價(jià)的現(xiàn)存問題提出相關(guān)建議,以促進(jìn)天氣指數(shù)保險(xiǎn)的未來發(fā)展。
關(guān)鍵詞:天氣指數(shù)保險(xiǎn);機(jī)器學(xué)習(xí);松弛Lasso;篩參;費(fèi)率厘定
DOI:10.3969/j.issn.1003-9031.2021.07.009
中圖分類號(hào):F840.4 ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A ? ? ? ? ? ?文章編號(hào):1003-9031(2021)07-0068-12
一、引言
農(nóng)業(yè)一直在國家經(jīng)濟(jì)中占據(jù)重要地位,其生產(chǎn)過程具有特殊性,既要面對(duì)外部的自然風(fēng)險(xiǎn)、市場風(fēng)險(xiǎn)以及政策風(fēng)險(xiǎn),又要面臨自身能力制約存在的技術(shù)風(fēng)險(xiǎn)。諸多風(fēng)險(xiǎn)中,天氣風(fēng)險(xiǎn)指由于具有不確定性的天氣條件發(fā)生變化而引起的農(nóng)作物種植成本和市場需求發(fā)生巨大波動(dòng),引發(fā)種植者收益面對(duì)不確定性變化的風(fēng)險(xiǎn)。天氣指數(shù)保險(xiǎn)這一產(chǎn)品概念最早出現(xiàn)于20世紀(jì)的90年代,是指把天氣風(fēng)險(xiǎn)(如氣溫、降水、風(fēng)速等)對(duì)農(nóng)作物的產(chǎn)量損失指數(shù)化,每個(gè)指數(shù)都有對(duì)應(yīng)的農(nóng)作物產(chǎn)量和損益,保險(xiǎn)合同以這種指數(shù)為基礎(chǔ),當(dāng)指數(shù)達(dá)到預(yù)先設(shè)定的觸發(fā)值并對(duì)農(nóng)產(chǎn)品造成一定影響時(shí),投保人就可以獲得相應(yīng)標(biāo)準(zhǔn)的賠款。與傳統(tǒng)農(nóng)業(yè)保險(xiǎn)相比,天氣指數(shù)保險(xiǎn)的設(shè)計(jì)依據(jù)可量化的氣象學(xué)指數(shù),并由氣象局等第三方公允機(jī)構(gòu)提供,可以降低道德風(fēng)險(xiǎn),同時(shí)具有抑制逆向選擇,降低理賠成本等優(yōu)勢,風(fēng)險(xiǎn)規(guī)避和分散風(fēng)險(xiǎn)能力更強(qiáng),可以有效轉(zhuǎn)移農(nóng)業(yè)風(fēng)險(xiǎn),從而天氣指數(shù)保險(xiǎn)越來越受到人們的關(guān)注。我國天氣指數(shù)保險(xiǎn)試點(diǎn)工作的開展得到了國際國內(nèi)組織的聯(lián)合支持,在我國的發(fā)展范圍越來越廣,天氣指數(shù)保險(xiǎn)在中國的應(yīng)用已拓展到農(nóng)業(yè)領(lǐng)域以外,開始了其更多社會(huì)服務(wù)功能的探索。2014年8月13日,國務(wù)院出臺(tái)《關(guān)于加快發(fā)展現(xiàn)代保險(xiǎn)服務(wù)業(yè)的若干意見》,提出探索天氣指數(shù)保險(xiǎn)等新興產(chǎn)品和服務(wù),從保障社會(huì)民生的戰(zhàn)略高度確定了天氣指數(shù)保險(xiǎn)的地位。
天氣指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)的核心環(huán)節(jié)是費(fèi)率厘定,本文在運(yùn)用精算定價(jià)法的基礎(chǔ)上,以我國黑龍江省單季稻天氣指數(shù)保險(xiǎn)為例,初步選取多個(gè)氣候因素,通過統(tǒng)計(jì)實(shí)證得出顯著天氣因子,對(duì)黑龍江單季稻指數(shù)保險(xiǎn)產(chǎn)品進(jìn)行費(fèi)率厘定,并針對(duì)我國農(nóng)業(yè)天氣指數(shù)保險(xiǎn)現(xiàn)存問題提出相關(guān)建議,以促進(jìn)天氣指數(shù)保險(xiǎn)的未來發(fā)展。
二、文獻(xiàn)綜述
關(guān)于天氣指數(shù)保險(xiǎn),因?yàn)槲覈乩憝h(huán)境復(fù)雜,影響農(nóng)作物生長的氣象因素眾多,李順會(huì)(2013)指出天氣指數(shù)保險(xiǎn)具有諸多優(yōu)勢,如幫助農(nóng)民有效應(yīng)對(duì)各類氣象風(fēng)險(xiǎn),但在設(shè)計(jì)保險(xiǎn)產(chǎn)品時(shí),應(yīng)盡可能包含農(nóng)作物可能面臨的全部氣象風(fēng)險(xiǎn)。與之相對(duì)應(yīng),劉亞洲等(2019)研究認(rèn)為,中國并不適用天氣指數(shù)保險(xiǎn),原因是中國農(nóng)作物氣象災(zāi)害風(fēng)險(xiǎn)不滿足“小概率、大損失”的基本可保條件,并且天氣指數(shù)保險(xiǎn)的風(fēng)險(xiǎn)管理作用有限。為了克服天氣指數(shù)保險(xiǎn)的不足,牛浩等(2015),陳盛偉等(2017)經(jīng)過研究提出,可以針對(duì)性地在特定地區(qū)針對(duì)特定作物的典型氣象災(zāi)害有條件地開展天氣指數(shù)保險(xiǎn),設(shè)置標(biāo)的時(shí)無需太過復(fù)雜,但風(fēng)險(xiǎn)類型需要明確,實(shí)施區(qū)域中不可有太多微氣候。Raushan(2018)采用了三個(gè)選定的Archimedean copulas來捕獲農(nóng)場產(chǎn)量和特定天氣指數(shù)的聯(lián)合分布中的左尾依賴。應(yīng)用分級(jí)貝葉斯模型以使用相對(duì)較短的時(shí)間序列獲得對(duì)尾部依賴性的一致估計(jì),并且對(duì)來自哈薩克斯坦的47個(gè)大型谷物農(nóng)場的實(shí)證結(jié)果表明,鑒于選擇適當(dāng)?shù)奶鞖庵笖?shù)來表示災(zāi)難性事件(如嚴(yán)重干旱),基于copula的天氣保險(xiǎn)合同可能比基于回歸的天氣保險(xiǎn)合同降低更多的風(fēng)險(xiǎn)。
關(guān)于天氣指數(shù)保險(xiǎn)定價(jià)問題,國內(nèi)外學(xué)者都進(jìn)行了大量研究。早在21世紀(jì)初,Jerry R.Skew(2000)設(shè)定出天氣指數(shù)保險(xiǎn)賠付的基礎(chǔ)公式,為后續(xù)定價(jià)研究打下基石。早期Brockett & Wang(2003)、Richards Manfredo & Sanders(2004)、Turvey(2005)大多使用基礎(chǔ)定價(jià)模型進(jìn)行分析,如資本資產(chǎn)定價(jià)模型、無差異定價(jià)模型和卡斯均衡定價(jià)模型等,忽略市場價(jià)格,從而進(jìn)行天氣指數(shù)保險(xiǎn)的定價(jià)研究。隨著學(xué)界對(duì)天氣指數(shù)保險(xiǎn)研究的深入,關(guān)于天氣指數(shù)保險(xiǎn)定價(jià)方法也不斷更新,主要目的在于設(shè)計(jì)出最合適的天氣指數(shù)保險(xiǎn)產(chǎn)品,減小基差風(fēng)險(xiǎn)。Bokusheva(2011)較早使用回歸模型來探索天氣指數(shù)與農(nóng)業(yè)產(chǎn)量之間的關(guān)系問題,但關(guān)鍵在于如何最優(yōu)選擇天氣因子。國內(nèi)最早于2007年產(chǎn)生天氣指數(shù)保險(xiǎn)的概念,將地域農(nóng)業(yè)風(fēng)險(xiǎn)進(jìn)行分類,利用聚類分析的方法,以事物間相似性為標(biāo)準(zhǔn)劃分,設(shè)定不同種植區(qū)域的風(fēng)險(xiǎn)等級(jí)?;蚴且钥h級(jí)為單位進(jìn)行劃分,利用歷史生產(chǎn)法,設(shè)定不同檔次的保險(xiǎn)費(fèi)率。談豐(2010)基于概率知識(shí),設(shè)計(jì)出天氣指數(shù)保險(xiǎn)的賠付標(biāo)準(zhǔn)和方案。此外,丁燁毅等(2015)基于降水量指數(shù)和產(chǎn)量損失之間的關(guān)系,設(shè)計(jì)不同觸發(fā)指數(shù)和指數(shù)下限的保險(xiǎn)純費(fèi)率,構(gòu)建產(chǎn)量災(zāi)損模型,從而設(shè)計(jì)出新型天氣指數(shù)保險(xiǎn)產(chǎn)品——降水氣象指數(shù)保險(xiǎn)產(chǎn)品。在最新的國內(nèi)外研究中,李永等(2020)利用時(shí)變 O-U 模型,假定氣溫序列服從分形布朗運(yùn)動(dòng),結(jié)合時(shí)間序列模型、均值回復(fù)速率和蒙特卡洛法,精確擬合日均氣溫?cái)?shù)據(jù)變動(dòng),并測算出氣溫指數(shù)保險(xiǎn)合約雙方的收益,發(fā)現(xiàn)農(nóng)民的收益呈現(xiàn)正向上升,同時(shí)保險(xiǎn)公司也可以獲得更高的保費(fèi)收入,達(dá)到雙贏。而張譯元和孟生旺(2020)則梳理了農(nóng)業(yè)風(fēng)險(xiǎn)評(píng)估方法,針對(duì)當(dāng)前天氣指數(shù)保險(xiǎn)定價(jià)研究存在的問題,提出改進(jìn)方法。如利用非參數(shù)分位回歸模型來克服天氣指數(shù)與產(chǎn)量損失之間的尾部相關(guān)性差異問題。國外學(xué)者則提出了一個(gè)新的框架,通過由各種冷藏情景驅(qū)動(dòng)的經(jīng)過良好校準(zhǔn)的量化玉米生產(chǎn)風(fēng)險(xiǎn)。首先分析了東北地區(qū)的低溫風(fēng)險(xiǎn),其次建立了綜合低溫指數(shù)(CCI)和基于CCI的脆弱性曲線,以得出相應(yīng)的產(chǎn)量損失。最后分別在研究區(qū)域的16個(gè)站點(diǎn)上計(jì)算了特定的純溢價(jià)率。結(jié)果表明,在量化產(chǎn)量損失時(shí),綜合指數(shù)保險(xiǎn)都優(yōu)于單指數(shù)。這樣的框架將使保險(xiǎn)公司迅速估算出產(chǎn)量損失并設(shè)計(jì)出更有前景的產(chǎn)品,從而使保險(xiǎn)公司受益,并有可能在其他地區(qū)應(yīng)用其他作物和危害,從而在未來轉(zhuǎn)移氣候風(fēng)險(xiǎn)。
通過上述文獻(xiàn)梳理,可以看出當(dāng)前國內(nèi)外學(xué)者已對(duì)天氣指數(shù)保險(xiǎn)定價(jià)問題進(jìn)行了深入研究,奠定了堅(jiān)實(shí)的理論基礎(chǔ)和實(shí)踐基礎(chǔ)。本文對(duì)單一氣象因素的選擇方法做出了改進(jìn),不再局限于從理論出發(fā),而是從實(shí)證角度利用模型計(jì)算得出最顯著的相關(guān)天氣因子,將機(jī)器學(xué)習(xí)應(yīng)用于農(nóng)業(yè)天氣指數(shù)保險(xiǎn)的產(chǎn)品設(shè)計(jì)中。利用松弛Lasso回歸縮減協(xié)變量算法對(duì)懲罰參數(shù)的選擇,對(duì)高維函數(shù)進(jìn)行篩參,從多維協(xié)變量中篩選出最顯著的天氣因子,得到比多元OLS回歸更具有解釋性的稀疏模型,并對(duì)產(chǎn)量進(jìn)行預(yù)測。
三、研究方法
(一)定價(jià)模型
設(shè)計(jì)保險(xiǎn)產(chǎn)品最通用的方法是精算定價(jià)法,對(duì)某個(gè)既定的保險(xiǎn)產(chǎn)品形態(tài)搭建精算模型,運(yùn)用設(shè)定好的精算假設(shè),計(jì)算該保險(xiǎn)產(chǎn)品保費(fèi)水平,在農(nóng)業(yè)指數(shù)保險(xiǎn)設(shè)計(jì)中,需要對(duì)天氣指數(shù)和農(nóng)作物單產(chǎn)之間的相關(guān)性進(jìn)行建模,主要通過建立產(chǎn)量與天氣指數(shù)之間的線性回歸模型來刻畫它們之間的相依關(guān)系,并據(jù)此構(gòu)造關(guān)于天氣指數(shù)的分段線性賠付函數(shù)。
假設(shè)為某農(nóng)作物單產(chǎn)投保,保障比例為?姿,趨勢單產(chǎn)為?滋,則投保的農(nóng)作物保險(xiǎn)合同的保障水平為?姿?滋,R為純保費(fèi)費(fèi)率,E(Loss)表示作物單產(chǎn)受災(zāi)損失期望值,則農(nóng)業(yè)保險(xiǎn)純費(fèi)率計(jì)算理論中的通用定價(jià)公式為:
(二)松弛Lasso
機(jī)器學(xué)習(xí)中的Lasso算法,又可以叫做最小絕對(duì)值收斂和選擇算子或者套索算法,1996年由Robert Tibshirani首次提出。Lasso算法的原理是通過構(gòu)造懲罰函數(shù),根據(jù)零點(diǎn)處導(dǎo)數(shù)的奇異性性質(zhì),將無相關(guān)性的參數(shù)系數(shù)用較大的概率收縮至零,即采用正則化線性回歸使得部分學(xué)習(xí)到的不相關(guān)特征的系數(shù)為0,回歸分析可以同時(shí)進(jìn)行特征選擇和參數(shù)正則化,通過稀疏模型加強(qiáng)模型的經(jīng)濟(jì)可解釋性。
在松弛Lasso算法中,參數(shù)?姿在一般Lasso中選擇變量,松弛參數(shù)?準(zhǔn)控制系數(shù)的收縮。當(dāng)?準(zhǔn)=1時(shí),普通Lasso和松弛Lasso是一致的。對(duì)于?準(zhǔn)<1,與一般的Lasso估計(jì)方法相比所選模型的系數(shù)收縮程度有所降低。松弛Lasso的優(yōu)點(diǎn)在于稀疏估計(jì),選擇的系數(shù)的數(shù)量通常是非常小的放松套索,不影響預(yù)測的準(zhǔn)確性,松弛套索產(chǎn)生的模型因此更容易解釋。同時(shí),在信噪比較低的情況下,普通Lasso和松弛Lasso的預(yù)測精度相當(dāng),但對(duì)于高信噪比,松弛Lasso通??梢詫?shí)現(xiàn)更準(zhǔn)確的預(yù)測。對(duì)于高信噪比,松弛套索的優(yōu)勢可以通過使用Lars-OLS混合算法實(shí)現(xiàn)。然而,Lars-OLS混合算法對(duì)信噪比不能很好適用,在低信噪比的情況下,其性能要比普通Lasso差得多。而松弛套索可以自適應(yīng)不同的信噪比,實(shí)現(xiàn)在各種數(shù)據(jù)集上的最優(yōu)估計(jì)。
四、實(shí)證分析
水稻是我國的重要糧食作物,而黑龍江省作為國家糧食安全的“壓艙石”,更是全國最大優(yōu)質(zhì)粳稻主產(chǎn)區(qū),黑龍江省單季稻的產(chǎn)量變化關(guān)系著國家糧食安全。研究黑龍江省水稻指數(shù)保險(xiǎn)費(fèi)率厘定可以為天氣指數(shù)保險(xiǎn)產(chǎn)品的進(jìn)一步推廣和應(yīng)用提供一定的參考思路。
(一)機(jī)器學(xué)習(xí)篩參
以黑龍江省單季稻為例,為單季稻天氣指數(shù)保險(xiǎn)進(jìn)行純費(fèi)率定價(jià)。根據(jù)可收集到的完整數(shù)據(jù),本文整理了1999—2019共21年的黑龍江省單季稻的產(chǎn)量數(shù)據(jù)和相關(guān)天氣指標(biāo)數(shù)據(jù),所有數(shù)據(jù)均來源于《黑龍江統(tǒng)計(jì)年鑒》和《中國統(tǒng)計(jì)年鑒》。黑龍江省單季稻一年一收,生長周期為每年的4月到8月,共歷時(shí)五個(gè)月。對(duì)單季稻生長有較大影響的氣象因素主要包括氣溫、降水量、日照、濕度、風(fēng)速和光溫比這六個(gè)因素。前三個(gè)月的農(nóng)作物長勢對(duì)單季稻的收成有較大影響,考慮到不同生長時(shí)期的不同天氣因素對(duì)作物收成影響不同,如水稻在分蘗期受降水量的影響較大,而水稻的分蘗有效性與單位面積的結(jié)穗數(shù)直接相關(guān),因此這里將六個(gè)維度的天氣因素進(jìn)一步細(xì)化為不同月份,共18個(gè)天氣因子。本文使用機(jī)器學(xué)習(xí)中的松弛Lasso降維模型篩選了與產(chǎn)量具有相關(guān)性的天氣因子。具體天氣因子及其代碼如表1所示。
通過構(gòu)造機(jī)器學(xué)習(xí)中松弛Lasso對(duì)天氣因子與單季稻單產(chǎn)產(chǎn)量的相關(guān)性進(jìn)行篩選,產(chǎn)生只涉及原變量集合的子集的稀疏模型。松弛Lasso算法通過運(yùn)行Lasso來識(shí)別一組非零參數(shù),然后將一個(gè)不受限制的線性模型擬合到所選的特征集。懲罰參數(shù)最優(yōu)選擇可以由交叉驗(yàn)證的方法得到。
首先,對(duì)K折交叉驗(yàn)證中的參數(shù)K進(jìn)行選參,K值不小于3。先將初始樣本分割成K個(gè)子樣本,一個(gè)單獨(dú)的子樣本被保留作為驗(yàn)證模型的數(shù)據(jù),其他K-1個(gè)樣本用來訓(xùn)練,也就是在給定的建模樣本中,拿出大部分樣本進(jìn)行建模型,留小部分樣本用剛建立的模型進(jìn)行預(yù)報(bào),并求這小部分樣本的預(yù)報(bào)誤差,記錄它們的平方加和,把每個(gè)樣本的預(yù)報(bào)誤差平方加和,稱為PRESS。K折交叉驗(yàn)證的優(yōu)勢在于,同時(shí)重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證,每次的結(jié)果驗(yàn)證一次。本文共有21組樣本,當(dāng)交叉驗(yàn)證的折數(shù)大于8時(shí),每組子樣本的觀測值小于3無法估算。K折交叉驗(yàn)證選參結(jié)果見表2。
由表2可知,當(dāng)K折交叉驗(yàn)證的參數(shù)等于6時(shí),驗(yàn)證中小部分樣本的預(yù)報(bào)平方誤差值最小為0.3712,因此選擇6折交叉驗(yàn)證對(duì)Lasso表達(dá)式中的懲罰參數(shù)進(jìn)行估算。
其次,通過上文得到的6折交叉驗(yàn)證對(duì)懲罰力度參數(shù)進(jìn)行選參和調(diào)參,這里將平均絕對(duì)誤差(MAE)作為判斷標(biāo)準(zhǔn),計(jì)算結(jié)果見圖1。
圖1中兩條垂線位置指明兩個(gè)可供選擇的最優(yōu)?姿值,右邊垂線表示使交叉驗(yàn)證誤差均值最小的懲罰力度?姿值,左邊垂線使誤差在最小的一個(gè)標(biāo)準(zhǔn)誤差之內(nèi)的最大?姿值,這里懲罰力度參數(shù)選擇右垂線指向的?姿值。通過Lasso算法篩選參數(shù)結(jié)果見表3。
如表3所示,系數(shù)為零代表該天氣因子與單季稻產(chǎn)量不相關(guān),本文在降水、日照、濕度、風(fēng)速、氣溫、光溫比六個(gè)維度的18個(gè)協(xié)變量中,通過Lasso算法篩參得出5個(gè)重要變量,分別是4月平均氣溫,4月平均降水,5月平均風(fēng)速,6月平均風(fēng)速和6月平均光溫比,由此建立回歸模型并對(duì)產(chǎn)量進(jìn)行預(yù)測。實(shí)線為實(shí)際產(chǎn)量,虛線為預(yù)測產(chǎn)量,產(chǎn)量預(yù)測如圖2所示。
最后,利用逐步回歸模型,從中選擇影響最顯著的天氣因子。逐步回歸分析法結(jié)合了逐個(gè)引入法和逐個(gè)剔除法的特點(diǎn),是多元線性回歸分析的拓展方法之一。其基本思想是對(duì)所有解釋變量與被解釋變量作回歸分析,再假設(shè)檢驗(yàn)偏回歸平方和,一次剔除一個(gè)偏回歸平方和最小且與被解釋變量相關(guān)性不顯著的解釋變量。然后在此基礎(chǔ)上反復(fù)進(jìn)行回歸分析和偏回歸平方和檢驗(yàn),直到所有包含在模型中的自變量對(duì)因變量都有顯著作用。逐步回歸結(jié)果如表4所示。
由表4可知,模型整體擬合效果較好,95%顯著性水平下,6月平均光溫比指數(shù)(G6)的影響程度最大。因此本文選取該天氣因子作為天氣指數(shù)可保風(fēng)險(xiǎn),將樣本期間6月光溫比指數(shù)的平均值作為觸發(fā)值,可得觸發(fā)值為10.501。由Lasso模型估計(jì)可知6月平均光溫比參數(shù)估計(jì)結(jié)果為負(fù)值,說明6月光溫比指數(shù)越大對(duì)單產(chǎn)減少的影響越大。歷史六月平均光溫比數(shù)據(jù)波動(dòng)較大,屬可保風(fēng)險(xiǎn),確定對(duì)黑龍江單季稻六月光溫比指數(shù)保險(xiǎn)進(jìn)行產(chǎn)品純費(fèi)率定價(jià)。
(二)黑龍江單季稻六月光溫比指數(shù)保險(xiǎn)純費(fèi)率厘定
1.天氣指數(shù)保險(xiǎn)定價(jià)模型
本文選擇精算定價(jià)法中使用最廣泛的經(jīng)典燃燒模型。天氣指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)環(huán)節(jié)最關(guān)鍵的是設(shè)定發(fā)生賠付事件的觸發(fā)值R,當(dāng)相應(yīng)天氣指數(shù)高于或低于觸發(fā)值時(shí),保險(xiǎn)公司對(duì)投保人進(jìn)行相應(yīng)的賠付。賠付公式為:
2.六月光溫比指數(shù)保險(xiǎn)純保費(fèi)計(jì)算
由松弛Lasso模型估計(jì)結(jié)果得到產(chǎn)品天氣因子為6月平均光溫比,保險(xiǎn)賠付觸發(fā)值為樣本期間6月光溫比指數(shù)平均值,觸發(fā)值R為10.051,當(dāng)6月光溫比大于觸發(fā)值時(shí),保險(xiǎn)公司對(duì)每單位產(chǎn)量進(jìn)行賠付。2021年3月26日黑龍江各類粳米稻谷現(xiàn)貨市場平均價(jià)格為3943元/噸,進(jìn)而可得賠付觸發(fā)值所對(duì)應(yīng)的單產(chǎn)產(chǎn)量為每公頃7.0405噸,平均每單位天氣指數(shù)對(duì)應(yīng)的價(jià)格為(元/公頃):
P=7.0405×3949×0.1685=4684.794
當(dāng)6月平均光溫比指數(shù)大于10.051時(shí),發(fā)生賠付,每單位賠付額度為(元):
W(It)=4684.794×max{It-10.501,0}
根據(jù)松弛Lasso回歸建立天氣因子模型,對(duì)每年單產(chǎn)進(jìn)行預(yù)測得到各年的單產(chǎn)產(chǎn)量損失,進(jìn)而根據(jù)純保費(fèi)等于平均年賠付額,得到黑龍江單季稻六月光溫比指數(shù)保險(xiǎn)純保費(fèi)為786.376元/公頃,當(dāng)降水量指數(shù)超過觸發(fā)值10.501且發(fā)生減產(chǎn)事件時(shí),保險(xiǎn)公司按照每公頃786.376元賠償農(nóng)戶收入損失。
五、結(jié)論與建議
(一)結(jié)論
實(shí)證分析發(fā)現(xiàn),在指數(shù)保險(xiǎn)發(fā)展較為成功的國家和地區(qū),精算定價(jià)法的應(yīng)用最為廣泛,尤其是經(jīng)典燃燒分析法,能夠基于有限的歷史數(shù)據(jù)進(jìn)行相對(duì)簡便的計(jì)算,且成本較低,適合在發(fā)展中國家推廣。本文以我國黑龍江省水稻指數(shù)保險(xiǎn)的費(fèi)率厘定為例,從降水、氣溫、日照、濕度、風(fēng)速、光溫比指數(shù)六個(gè)維度的氣候因素中選取了18個(gè)天氣因子協(xié)變量,用松弛Lasso算法對(duì)多元模型進(jìn)行降維處理,從高維變量中篩選出五個(gè)顯著相關(guān)天氣因子,再進(jìn)行逐步回歸估計(jì),結(jié)論得出6月份光溫比指數(shù)與單季稻每單位產(chǎn)量顯著相關(guān),利用經(jīng)典燃燒模型較為快捷有效地實(shí)現(xiàn)相關(guān)指數(shù)保險(xiǎn)產(chǎn)品的定價(jià),結(jié)論為黑龍江省單季稻六月光溫比指數(shù)保險(xiǎn)產(chǎn)品純保費(fèi)為786.376元/公頃。
(二)建議
1.推動(dòng)氣象站建設(shè)發(fā)展
氣象監(jiān)測是開展天氣指數(shù)保險(xiǎn)的必要條件。通過歷史氣象數(shù)據(jù)與農(nóng)產(chǎn)品產(chǎn)量等數(shù)據(jù),準(zhǔn)確分析出天氣指數(shù)與單產(chǎn)產(chǎn)量損失之間的相關(guān)性,制定合理的賠付標(biāo)準(zhǔn)及產(chǎn)品費(fèi)率,是天氣指數(shù)保險(xiǎn)定價(jià)的核心過程。一個(gè)標(biāo)準(zhǔn)的氣象觀測站可以覆蓋平方公里風(fēng)險(xiǎn)區(qū)域,按照這一標(biāo)準(zhǔn),我國現(xiàn)有站點(diǎn)數(shù)量無法滿足實(shí)際需要。雖然氣象產(chǎn)業(yè)在我國是依靠政府撥款的基礎(chǔ)行業(yè),但也可以針對(duì)保險(xiǎn)公司產(chǎn)品定價(jià)需求提供有償?shù)亩ㄖ品?wù),一方面為保險(xiǎn)公司提供更詳細(xì)的數(shù)據(jù)有利于有效費(fèi)率厘定,另一方面可以促進(jìn)氣象站觀測條件改進(jìn),提供更精準(zhǔn)、快速且全面的氣象信息資料,增強(qiáng)對(duì)極端天氣時(shí)間的預(yù)測預(yù)警能力,以此形成良性循環(huán)。
2.政府擔(dān)負(fù)監(jiān)管責(zé)任
對(duì)大部分農(nóng)戶來說,天氣指數(shù)保險(xiǎn)是新型事物,加上多數(shù)農(nóng)戶本身存在對(duì)保險(xiǎn)產(chǎn)品的不信任情緒,為解決這一問題,政府應(yīng)對(duì)農(nóng)戶進(jìn)行天氣指數(shù)保險(xiǎn)相關(guān)知識(shí)的普及,介紹該新型保險(xiǎn)相較于傳統(tǒng)農(nóng)業(yè)保險(xiǎn)的的優(yōu)勢,并且提升農(nóng)戶對(duì)保險(xiǎn)公司的信任度,鼓勵(lì)農(nóng)戶積極參與農(nóng)業(yè)天氣指數(shù)保險(xiǎn)試點(diǎn)工作。鑒于農(nóng)戶有限的保險(xiǎn)知識(shí)和水平,如果對(duì)該保險(xiǎn)產(chǎn)品的接受度如果無法明顯提高,政府應(yīng)進(jìn)一步采取自愿和強(qiáng)制相結(jié)合的方式。此外,政府的數(shù)據(jù)和技術(shù)支持也是極為重要因素。天氣指數(shù)數(shù)據(jù)庫不夠成熟完善是中國農(nóng)業(yè)天氣指數(shù)保險(xiǎn)發(fā)展的短板。政府應(yīng)建立健全農(nóng)業(yè)生產(chǎn)氣候數(shù)據(jù)庫,如加強(qiáng)天氣數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè),成立獨(dú)立的第三方機(jī)構(gòu)監(jiān)測和公布?xì)庀髷?shù)據(jù),并根據(jù)實(shí)際情況要對(duì)指數(shù)值定期進(jìn)行調(diào)整。同時(shí),政府應(yīng)開展與天氣指數(shù)保險(xiǎn)相關(guān)的法律法規(guī)建設(shè),將試點(diǎn)流程規(guī)范化為天氣指數(shù)保險(xiǎn)試點(diǎn)提供法律支持,提供保險(xiǎn)產(chǎn)品設(shè)計(jì)的知識(shí)產(chǎn)權(quán)保護(hù)機(jī)制,以此來推動(dòng)天氣指數(shù)保險(xiǎn)的探索與實(shí)踐。
3.因地制宜設(shè)計(jì)保險(xiǎn)產(chǎn)品
發(fā)展農(nóng)業(yè)天氣指數(shù)保險(xiǎn)需要考慮地域性,我國幅員遼闊,生態(tài)環(huán)境千差萬別,不同地區(qū)種植的主要農(nóng)業(yè)作物不同,并且作物種植的習(xí)慣也不同,不同緯度地區(qū)面臨的主要?dú)庀鬄?zāi)害不同,單產(chǎn)產(chǎn)量損失也不同。所以想要建立一個(gè)全國統(tǒng)一的、一致的農(nóng)業(yè)天氣指數(shù)保險(xiǎn)是非常困難且不切實(shí)際的。各個(gè)農(nóng)業(yè)生產(chǎn)種植地區(qū)應(yīng)當(dāng)因地制宜,針對(duì)不同地區(qū)和氣候條件有目的地篩選可保天氣因子,選擇與產(chǎn)量高度相關(guān)的天氣因子,同時(shí)要將氣候因素進(jìn)一步按照生長周期細(xì)分,以體現(xiàn)不同氣候條件對(duì)農(nóng)作物不同生長時(shí)期的不同影響。設(shè)計(jì)針對(duì)本地區(qū)地方特性的農(nóng)業(yè)天氣指數(shù)保險(xiǎn)產(chǎn)品,合理選擇目標(biāo)作物,首選高價(jià)值的經(jīng)濟(jì)作物為主要目標(biāo)作物,來減少基差風(fēng)險(xiǎn),并且選擇合適的賠付額度、觸發(fā)值、保險(xiǎn)區(qū)間,將天氣指數(shù)保險(xiǎn)更好地應(yīng)用于實(shí)踐。
(責(zé)任編輯:孟潔)
參考文獻(xiàn):
[1]Li Ziyue,Zhang Zhao,Zhang Jing,Luo Yuchuan,Zhang Liangliang.A new framework to quantify maize production risk from chilling injury in Northeast China[J].Climate Risk Management,2021,(prepublish).
[2]Jerry R Skees. Opportunities for improved efficiency in risk sharing using capital markets[J]. America Journal of Agricultural Economics,1999,81(5):1228-1233.
[3]Cao M.,Wei J.Weather Derivatives Valuation and Market Price of Weather Risk [J].Journal of Futures Markets,2004,24(11):1065-1089.
[4]Wei Xu,Martin Odening,Oliver Musshoff. Indifference Pricing of Weather Derivatives[J]. American Journal of Agricultural Economics,2008,90(4):979-993.
[5]Hideo Aizaki,Jun Furuya,Takeshi Sakurai,Swe Swe Mar.Measuring farmers preferences for weather index insurance in the Ayeyarwady Delta,Myanmar:a discrete choice experiment approach[J].Paddy and Water Environment,2021,19(3):1-11.
[6]Raushan Bokusheva.Using copulas for rating weather index insurance contracts[J].Journal of Applied Statistics,2018,13(10): 2328-2356.
[7]Nicolai Meinshausen.Relaxed Lasso[J].Computational Statistics and Data Analysis,2006,52(1):374-393.
[8]Robert Tibshirani.Regression Shrinkage and Selection Via the Lasso[J].Journal of the Royal Statistical Society:Series B(Methodological),1996,58(1): 267-288.
[9]李永,侍歡,李海英.時(shí)變O-U模型在農(nóng)業(yè)氣溫指數(shù)保險(xiǎn)定價(jià)中的適用性研究[J].管理評(píng)論,2020(4):3-11.
[10]張譯元,孟生旺.農(nóng)業(yè)指數(shù)保險(xiǎn)定價(jià)模型的研究進(jìn)展及改進(jìn)策略[J].統(tǒng)計(jì)與信息論壇,2020(1):30-39.
[11]譚英平,龔環(huán).天氣指數(shù)保險(xiǎn)產(chǎn)品的定價(jià)方法及應(yīng)用——基于對(duì)我國農(nóng)業(yè)領(lǐng)域的應(yīng)用探索[J].價(jià)格理論與實(shí)踐,2018(4):110-113.
[12]丁燁毅,楊棟,陳鑫磊,等.楊梅降水氣象指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)—以慈溪市為例[J].浙江農(nóng)業(yè)學(xué)報(bào),2017(12):2032-2037.
[13]婁偉平,吳利紅,姚益平.水稻暴雨災(zāi)害保險(xiǎn)氣象理賠指數(shù)設(shè)計(jì)[J].中國農(nóng)業(yè)科學(xué),2010(3):632-639.
[14]劉映寧,賀文麗,李艷莉,等.陜西果區(qū)蘋果花期凍害農(nóng)業(yè)保險(xiǎn)風(fēng)險(xiǎn)指數(shù)的設(shè)計(jì)[J].中國農(nóng)業(yè)氣象,2010(1):125-129.
[15]李思佳.基于災(zāi)害風(fēng)險(xiǎn)分析的農(nóng)業(yè)氣象指數(shù)保險(xiǎn)研究[D].南京:南京信息工程大學(xué),2013.
[16]趙建軍,蔣遠(yuǎn)勝.基于APH法的水稻區(qū)域產(chǎn)量旱災(zāi)保險(xiǎn)費(fèi)率厘定研究——以四川省為例[J].保險(xiǎn)研究,2012(6):64-69.
[17]寧威.農(nóng)業(yè)保險(xiǎn)定價(jià)方式創(chuàng)新研究——農(nóng)產(chǎn)品價(jià)格保險(xiǎn)期權(quán)定價(jià)方法探析[J].價(jià)格理論與實(shí)踐,2016(10):38-41.
[18]尹冰艷.基于指數(shù)化保險(xiǎn)的湖南水稻作物保險(xiǎn)費(fèi)率厘定[D].長沙:湖南師范大學(xué),2016.
[19]吳姍.天氣指數(shù)保險(xiǎn)及其定價(jià)研究[D].成都:西南財(cái)經(jīng)大學(xué),2014.
[20]吳敏.我國農(nóng)產(chǎn)品天氣指數(shù)保險(xiǎn)研究[D].長沙:中南林業(yè)科技大學(xué),2016.
[21]蒲玥成.天氣指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)[D].重慶:重慶大學(xué),2015.
[22]梁來存,周勇.氣溫天氣指數(shù)保險(xiǎn)的費(fèi)率厘定——以糧食作物為例[J].統(tǒng)計(jì)與信息論壇,2019(8):57-65.
[23]許光清,陳曉玉,劉海博,等.氣候保險(xiǎn)的概念、理論及在中國的發(fā)展建議[J].氣候變化研究進(jìn)展,2020(3):373-382.
[24]陳權(quán).天氣指數(shù)保險(xiǎn)費(fèi)率厘定與修正方法研究[D].成都:西南財(cái)經(jīng)大學(xué),2013.
[25]牛浩,陳盛偉.中國農(nóng)業(yè)氣象指數(shù)保險(xiǎn)產(chǎn)品的發(fā)展現(xiàn)狀、面臨難題及解決建議[J]中國科技論壇,2015(7):130-135.
[26]李順會(huì),楊波.氣象指數(shù)保險(xiǎn)在農(nóng)業(yè)巨災(zāi)風(fēng)險(xiǎn)管理中的應(yīng)用探析[J].中國農(nóng)業(yè)信息,2013(21):177.
[27]劉亞洲,鐘甫寧,呂開宇.氣象指數(shù)保險(xiǎn)是合適的農(nóng)業(yè)風(fēng)險(xiǎn)管理工具嗎?[J]中國農(nóng)村經(jīng)濟(jì),2019(5):2-21.