农作物生产风险评估方式探索范文

本站小编为你精心准备了农作物生产风险评估方式探索参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

研究方法与数据来源

1研究方法

农作物生产风险是指由于不确定性和人的有限理性致使农作物实际产量偏离预期产量的可能性程度。由于农作物单产是影响作物生长的各种因素综合作用的结果，因此作物单产的波动水平被视为是衡量和反映农作物生产风险程度的一个主要指标，在评估作物生产风险和农业保险定价中得到了广泛采用。但如前所述，基于较大空间尺度单产数据的作物风险评估存在数据加总偏差和风险低估的缺陷，根源在于农户层次作物单产时序数据很少且难以获得，而这一现象在世界各国普遍存在，因此基于单产数据评估方法存在的不足和缺陷很难依靠作物单产数据得到解决。有学者提出了基于农作物灾情数据的作物风险评估方法，该方法能够克服风险低估的问题，但由于没有分作物种类的农业灾情统计，该方法无法对具体作物的生产风险进行评估。

TRIZ创新理论的“九屏幕法”认为，当某系统存在的问题无法依靠该系统内的资源得到解决时，需要将思路发散，可充分利用当前系统的超系统、子系统、未来超系统、未来子系统、过去超系统和过去子系统的可用资源。农作物风险损失的估计及其概率分布的模拟是农作物生产风险评估的两个主要任务,因此，借鉴TRIZ“九屏幕法”的问题分析模型，笔者认为农作物生产风险评估方法存在的问题可通过利用其子系统的数据资源加以解决，以基于灾情数据的农作物生产风险评估为主，利用作物单产数据寻找某种方法将农作物因灾损失在各个作物间进行分摊，随后利用现有成熟方法对农作物生产风险进行评估。

在已有研究中，学者们在利用农作物灾情数据评估生产风险的方法推导中也对农作物因灾损失在具体作物间进行了分配。但其分配的依据是作物播种面积占农作物总播种面积的比例，如式（1）所示。其中，Li为作物i的历年因灾损失率；SZ为农作物因灾受灾面积；CZ为作物因灾成灾面积；JS为作物因灾绝收面积；Ai为作物i的播种面积；Yi为作物i的单位面积产量；A为农作物总播种面积；0.2、0.55、0.9为作物在各损失区间的损失率均值。

从式（1）可以看出，这样简单的分配方法使分子、分母中具体作物的信息互相抵消，导致无法计算出具体作物的因灾损失率。该分配方法虽然简单，但不尽合理，事实上即使在同一个地区同一时间，相同自然灾害事件也会对不同作物造成不同的影响，例如，水稻和小麦的抗旱能力和对水资源的需求不同，所以干旱对这两种作物造成的损失也应该是不同的。因此，某种具体作物受自然灾害的影响程度不仅取决于其播种面积、更取决于其自身的脆弱性或风险承受能力。本研究对公式（1）进行修正，假定农作物受灾、成灾和绝收面积在各个作物间不是按照播种面积比重，而是按照各作物的风险承受能力或相对脆弱性进行分配的，如式（2）所示。

2数据来源

以东北三省为例，运用基于数据融合的风险评估方法对东北三省主要农作物（稻谷、玉米、小麦、大豆、花生）的生产风险进行评估，并与传统方法得到的结果进行比较，以验证本文提出的作物风险评估新方法的功效。本文中用到了两种数据资源：作物单产时序数据及农作物灾情时序数据，数据尺度均为省级数据，时间跨度统一为1978年至2010年。其中，灾情数据来自于《中国统计年鉴》及《中国农业统计年鉴》，具体指标包括农作物因灾受灾面积、农作物因灾成灾面积、农作物因灾绝收面积、农作物因干旱受灾面积、农作物因干旱成灾面积、农作物因干旱绝收面积；稻谷、玉米、小麦、大豆、花生5种作物单产数据来自于《中国统计年鉴》。

结果

15种作物的相对脆弱性

由于农业灾情统计中，作物正常产量的计算标准是前几年产量的平均，故在本文基于单产数据的作风险评估中，作物单产趋势是按照前3年单产平均值来计算的。利用基于单产数据的作物生产风险评估方法，笔者首先计算出东北三省稻谷、玉米、小麦、大豆、花生5种作物在损失率区间10%—30%、30%—80%及80%—100%的发生概率，随后按照公式（3）计算出东北三省5种作物在各个损失区间上的相对脆弱性，如表1所示。可以看出：（1）5种作物在10%—30%损失率区间的发生概率最大，30%—80%区间次之，损失率超过80%的可能性最小；（2）黑龙江省玉米、花生、大豆在损失率30%以上区间的发生概率大于吉林、辽宁两省，说明黑龙江省这3种作物的生产风险似乎要高于另外2个省份；（3）在作物损失率10%—30%区间内，玉米损失面积最大，东北三省中玉米损失面积占作物总损失面积的比例均在50%以上，吉林省这一比例最高，达75%左右；（4）在作物损失率30%—80%区间内，辽宁省大豆和小麦的损失面积比例最高，均在30%以上，而在吉林和黑龙江两省，主要仍为玉米损失；（5）在作物损失率80%以上的巨灾区间，小麦、大豆和花生分别是辽宁、吉林、黑龙江三省中最为脆弱的作物。

25种作物的生产风险评估

在计算出5种作物在各个损失区间的相对脆弱性以后，笔者利用基于数据融合的风险评估方法评估出了5种作物生产风险水平（表2）。表2中同时显示了基于单产数据及基于灾情数据的作物生产风险评估结果，可以看出：（1）较之传统方法，本文提出的基于数据融合的农作物生产风险评估新方法具有明显的优势，它既可以评估出具体作物的生产风险水平，又可以评估出作物因具体灾害引致的风险水平；（2）基于单产数据的作物风险评估结果（列3）显著低于其余两种方法的评估结果（列5及列7），这也证实了基于大空间尺度单产数据的风险评估会产生空间加总偏差、低估作物生产风险的理论推论；（3）从5种作物生产风险水平的排序来看，基于单产数据的风险评估结果与基于数据融合的风险评估结果有所不同，如按照单产数据的评估结果，玉米和花生是辽宁省生产风险最大的两种作物，但按照基于数据融合的评估结果，玉米和花生成为辽宁省生产风险较小的两种作物、小麦成为生产风险最大的作物，这说明基于单产数据的风险低估程度因作物不同而不同，这可能与作物种植生产的空间布局有关。

由于农业生产具有地域性，因此不同地区不同作物的空间加总偏差应该有所不同，下图进一步比较了利用两种评估方法评估出的东三省5种作物生产风险水平。可以很明显地看出：（1）基于省级单产数据的作物风险评估明显低估了作物真实风险水平，三省份5种作物的实际生产风险水平均在基于单产数据评估结果的2倍以上，吉林省小麦和黑龙江省玉米的实际生产风险水平更高达单产评估结果的6—7倍；（2）不同作物、不同省份的风险低估程度不同，东北三省中，辽宁省的作物风险低估程度最小，吉林省最高，黑龙江居中，而在同一省份内，基于花生单产数据的生产风险评估结果低估程度最小。

讨论

农作物生产风险评估是制定风险管理决策及农业保险费率厘定的基础。正因作物生产风险评估工作的重要性，国内外学者尤其是国外学者对如何科学准确评估农作物生产风险进行了大量研究。从国内外研究文献看，利用作物单产时序数据进行评估是目前农作物生产风险评估的主流方法，但由于小空间尺度如农户尺度单产数据很少且获取困难，该方法存在数据空间加总和风险低估的缺陷，有学者提出了基于作物灾情数据的评估，但该方法也存在无法对具体作物风险进行评估的不足，笔者认为这两种方法存在不足的根本原因在于没有准确估算出农户种植的各种作物因自然灾害等风险事件而导致的风险损失程度，即上述两种方法在准确估计作物风险损失方面存在不足。借鉴TRIZ创新理论的“九屏幕法”的问题分析思路，本研究提出综合利用作物单产和灾情数据信息进行农作物生产风险评估的方法，预期实现克服传统评估方法不足、准确评估中国农作物生产风险的目的。

从实证分析结果来看，本文提出的方法达到了预期目标，它既评估出了东北三省5种作物的生产风险水平，同时又对具体灾害（本文为干旱）引致的作物生产风险进行了评估（如表2所示）。然而，基于数据融合的评估结果与传统基于单产数据的评估结果有一定差异，除具体数值大小的差异外，各种作物的风险等级排序也发生了一些变化，如基于传统单产数据的评估结果（表2第3列）显示玉米、花生和花生分别是辽宁、吉林和黑龙江省生产风险最高的3种作物，而基于数据融合的评估结果（表2第7列）却显示小麦、小麦和玉米分别是辽宁、吉林和黑龙江三省份生产风险最高的3种作物。笔者认为造成这一现象的原因可能和作物生产的区域和生产布局有关，作物生产越集中，所处的风险环境越相似，则基于大空间尺度作物单产数据的风险评估低估程度越小，后续研究可以对此问题进行实证研究，并掌握单产数据空间加总偏差及风险低估的规律。同时，本文提出的作物生产风险评估方法仍存在不足之处，需要继续完善和发展。

如：（1）农作物灾情信息（作物成灾面积、受灾面积、绝收面积）在本文提出的方法中起到了十分重要的作用，但农作物灾情数据的质量本身就可能存在不足，如由于灾害发生的突然性，灾情统计可能不够准确，另外灾情数据可能受到人为影响而出现偏误；（2）本文提出的新方法核心思想是将农业因灾损失在不同作物间进行合理分配，但应该在几种作物间进行分配较为合适？笔者认为当地播种面积前5位的主产作物应该包括在内，但这一推断缺乏实证研究的支持和检验，需要后续研究中加以解决。

结论

首先，在农作物生产风险评估中，农作物灾情数据和作物单产时序数据都蕴含着农业生产风险方面的重要信息，但基于单一数据的作物生产风险评估都存在着一些缺陷或问题，而基于两种数据信息的农作物生产风险评估不仅切实可行，且与传统评估方法相比具有明显优势：既可以克服风险低估问题、准确评估作物生产风险，同时又可以对具体灾害引致的作物生产风险进行评估。其次，本文实证研究结果表明，基于大空间尺度（本文为省级）作物单产数据的风险评估会显著低估农民面临的真实风险水平，三省份低估程度都在50%以上，但不同省份不同作物的风险低估程度不同，由此可以得到如下理论假说：基于大空间尺度单产数据作物风险评估的风险低估程度和作物生产的区域和生产布局有关，作物生产越集中，则所处的风险环境越相似，基于大空间尺度作物单产数据的风险评估低估程度越小。

作者：王克张峭单位：中国农业科学院农业信息研究所农业部农业信息服务技术重点实验室