农业生产风险评估方法评述与比较*

赵思健，张 峭，王 克

(中国农业科学院农业信息研究所，农业部智能化农业预警技术重点开放实验室，北京 100081)



农业生产风险评估方法评述与比较*

赵思健，张 峭，王 克

(中国农业科学院农业信息研究所，农业部智能化农业预警技术重点开放实验室，北京 100081)

农业生产风险评估是农业生产风险管理和农业保险费率厘定的前提和基础。从方法论的角度出发，对当前的农业生产风险评估方法和量度方法进行分类、评述与比较，旨在形成一套完整的农业生产风险评估方法体系。首先，从风险的构成要素入手将风险评估方法分成基于风险因子、基于风险机理和基于风险损失三类；再者，对三类评估方法的一般范式、方法原理、模型技术及相关研究进行评述，并对常用的风险量度指标进行讨论；最后，对三类评估方法进行横向比较，评述它们各自的优缺点及适用范围。

农业；生产风险；风险评估；风险因子；风险机理；风险损失；风险量度

我国是一个农业大国，农业是第一产业，农业生产的发展关系到整个国民经济的发展。但同时，农业又是一个高风险产业，农业生产以其自然再生产和经济再生产相互交织的特点，受到了自然条件、土壤环境、病虫害、市场价格、农业技术、国家政策法规等多方因素的影响。在诸多因素中，农业生产受自然灾害的影响尤为突出。据统计①，自20世纪90年代以来，我国几乎每年都会暴发自然灾害，农作物平均年受灾面积约为46 966 khm2，占总播种面积的30.57%，平均年成灾面积约为24 774 khm2，占播种面积的16.13%。此外，这20多年间农作物受灾率超过30%的年份有14年，成灾率超过15%的年份有13年。由此可见，随着自然灾害的日益频发，农业生产面临的风险日益凸显。

农业保险作为一种风险转移和损失分摊工具，在分散农业风险、补偿风险损失、稳定农业生产和保障国家粮食安全等方面发挥着重要作用。自2004年以来，连续14年的中央“一号文件”强调发展政策性农业保险的重要性，各地纷纷开展农业保险试点工作，呈现出蓬勃发展的态势。但在农业保险快速发展过程中也暴露出了许多问题，尤其是农业生产风险评估工作的严重滞后。现行农业保险的风险评估工作相当粗放，一省一费率，引发了“道德风险”、“逆选择”等一系列问题，严重影响到农业保险的持续健康发展。为了提升农业保险水平，亟需大力开展农业生产风险评估工作。农业生产风险评估工作具有重要现实意义，它是农业保险准确厘定费率和实现“一致性”及“公平性”原则的重要基础，是构建农业巨灾风险分散机制和保障农业保险稳定发展的科学依据，是创新农业保险产品和降低农业保险运营成本的技术支撑，是开展农业保险绩效评价和提高政府保费补贴效果的前提条件[1]。

本文从方法论的角度出发，对当前农业生产风险的评估方法进行分类，对各类方法的一般范式、基本原理、技术模型及量度指标等进行总结，并从多个角度对三类方法进行对比评述，旨在形成一套完整的农业生产风险评估方法体系，为推动农业保险的精细化和科学厘定保险费率提供重要的技术支撑。

1 方法体系

1.1 风险定义与构成

不同学者对风险认识的角度不同，对风险的定义也有所不同。本文将风险统一定义为：在一定时期和一定客观环境下，由于不确定事件的发生而导致经济损失、人身危害等不利后果发生的程度。

从构成要素上看，任何一种风险都将由风险因子、风险事故和风险损失三个基本要素构成(图1)。①风险因子：是风险事故发生的根本原因，是造成损失的内在或间接原因。②风险事故：是造成损失的直接的或外在的原因，是损失的媒介物，即风险只有通过风险事故的发生才能导致损失。③风险损失：是风险事故导致的最终后果，它是非预期、非计划和非利的，通常分为两种形态：直接损失和间接损失。风险的一大特性是不确定性，其中包括风险因子出现的不确定性和风险损失的不确定性。

图1 风险的组成要素

1.2 农业生产风险评估方法体系

农业生产风险评估是指量化和测评自然灾害等风险事件对农业生产可能造成的损失程度。根据风险的构成要素，农业生产风险的评估方法可归纳为基于风险因子的评估法，基于风险机理的评估法和基于风险损失的评估法三类(图2)。①基于风险因子的评估法：是从造成农作物生产风险的各种风险因子入手开展风险评估。②基于风险机理的评估法：是从风险事故机理的视角出发开展风险评估，这里所说的机理包括农作物遭受的灾害机理和农作物自身的灾害脆弱性机理。③基于风险损失的评估法：是从农作物生产损失结果的角度入手开展风险评估建模。

图2 农业生产风险评估方法体系

2 评估方法

2.1 基于风险因子的评估法

根据自然灾害系统论原理，自然灾害是社会与自然综合作用的产物，区域自然灾害系统是由孕灾环境、致灾因子、承灾体和减灾能力共同组成的地球表层变异系统，灾情是这个系统中各子系统相互作用的结果[2-4]。农业生产风险在很大程度上来源于自然灾害，因此可以利用自然灾害构成要素出发来开展风险评估。图3所示为基于风险因子的农业生产风险评估法的一般范式。

图3 基于风险因子评估法的一般范式

从图3中可以看出，农业生产风险主要是从孕灾环境的稳定性、致灾因子(干旱、洪涝、台风等)的危险性、承灾体(农作物)的脆弱性和区域防灾减灾能力四个方面展开评估。具体地说：①孕灾环境的稳定性是标定区域孕灾环境的指标，地球表层孕灾环境对灾害系统的复杂程度、强度、灾情程度以及灾害系统的群聚与群发特征起着决定性的作用。针对农业，孕灾环境主要是指大气圈和岩石圈，通常可以从气象和地形两个因子进行衡量，即气象长期的稳定性和和区域地形的复杂性。②致灾因子的危险性则可以从致灾强度、致灾频度和致灾比重三个因子进行评估。其中，致灾强度是指致灾因子变异(即自然因素变异)的程度，例如暴雨的雨量大小、台风的风级大小等；致灾频度是指在一定时间范围内致灾因子出现的频度，次数越多说明危险性越高；致灾比重是指区域内不同致灾因子出现的比重，是综合灾害风险的重要衡量指标。③农作物(即承灾体)的脆弱性可从农作物的暴露度和易损性两个因子进行评估。其中，农作物的暴露度是指农作物暴露在灾害危险区内的数量或价值量，通常可用区域内农作物总播种面积来表征；农作物的易损性则是指农作物本身对不同种类灾害及其强度的响应能力，例如耐旱能力、耐涝能力、抗倒伏能力等，它又与作物类型、作物品种及作物所处生育期密切相关。④减灾能力是指人类社会为防灾所配备的综合措施力度以及针对特定灾害的专项措施力度等，通常可从该地区针对灾害的政策法规情况、减灾的投入水平、灾害的应急水平和防灾减灾的教育水平等因子进行评估。在提取出各个因子之后，需要对各因子进行量化和组合，分别计算出稳定性指数、危险性指数、脆弱性指数和减灾能力指数，再集成这些指数综合计算出农业生产风险指数。

在一般范式的框架下，基于风险因子的评估法常用的模型和方法包括层次分析法、模糊综合评判法、灰色关联度分析法、主成分分析法和因子分析法等。其中，层次分析法是最常见的方法，它按照因子之间的相互关联影响以及隶属关系将因子按不同层次聚集组合形成一个多层次的分析结构模型，从而最终使评估问题归结成最低层因子相对于最高层评估目标的相对权值确定或相对优劣次序排定；模糊综合评判法是由于对因子的评判难免带来模糊性和主观性，因此采用模糊数学的方法进行综合评判，从而使评估结果尽可能客观；灰色关联度分析法是根据因子之间的相似或相异程度，作为衡量因子之间关联程度的一种方法；主成份分析法是一种降维的方法，它是将多个因子化为少数几个综合因子的一种统计方法；因子分析法是主成分分析法的一种延伸和推广，可以将风险评估中为数众多的风险因子减少为几个新的风险因子，同时根据因子的得分值进行分类处理。

国内外运用基于风险因子评估法的研究为数较多，诸如王素艳等利用北方冬麦区长年小麦产量资料和气象资料，建立了适用于北方冬小麦干旱灾害损失的风险评估指标体系[5]；张继权等利用模糊、灰色等多种方法提出了松辽平原玉米产区旱灾风险评估的方法和模型[6-7]；邹朝望等收集了湖南省1971-2006年各站点逐日降水数据和灾损数据，选取历年各县市受灾率、成灾率、降水变率、脆弱度、灾害损失率等指标，综合评估出

各县市农作物洪涝灾害风险度[8]；张翠英等邀请了15位专家，运用德尔菲法筛选出浙江省农业洪水风险的5类共23个指标构建了洪涝指标评估体系，运用了层次分析法开展了农业洪水风险评估[9]。诸如此类的研究还有许多，在此不一一列举。

2.2 基于风险机理的评估法

基于风险机理的风险评估法是从风险形成的机理出发(具体说，就是灾害机理与作物脆弱性机理耦合作用)展开风险评估，该方法的一般范式如图4所示。从致灾因子入手，通过对致灾因子的致灾机理研究获得致灾因子危险性概率分布曲线，曲线体现出致灾因子出现及强度的概率特征；对承灾体(即作物)的脆弱性机理进行研究，获得作物在致灾因子作用下的减产率或灾损率，获得作物脆弱性曲线。如若考虑区域防灾水平(例如灌溉水平)的不同，可构建不同防灾水平下的脆弱性曲线；对不同致灾因子下的作物的暴露量(如产量或面积)进行测量，获得作物暴露量曲线(为了简化，暴露量曲线通常用单个暴露量值替代)；通过致灾因子危险性概率分布曲线、作物脆弱性曲线和作物暴露量曲线三者相耦合算出风险曲线，即作物减产量(率)或灾损面积(率)的概率分布曲线。在基于风险机理的评估法中，致灾机理和作物脆弱性机理的研究是核心。

2.2.1 致灾机理研究

致灾机理研究是对致灾因子发生机制及灾害致灾过程的研究。致灾因子作为灾害发生的源头，通常从“时”、“空”、“强”三个参数进行描述。“时”是致灾因子的发生时间和持续时间；“空”是致灾因子出现的位置和作用范围；“强”是致灾因子出现的强度。灾害的致灾过程是指致灾因子出现后与地理环境要素相互作用而进行灾害过程演进，最终产生具有破坏力的致灾度，例如水淹、大风等。目前，致灾机理的研究方法主要有样本统计法、过程模拟法和遥感反演法。

图4 基于风险机理评估法的一般范式

样本统计法是在长时间序列的致灾因子数据样本基础上，采用数理统计的方法对其“时”、“空”和“强”参数进行统计分析，获得其统计规律。农业灾害主要是气象灾害，其致灾因子通常是气象因子，如洪涝的致灾因子是短时间内强降雨，干旱的致灾因子是长时间无降水，冷害的致灾因子是短时间低温，台风的致灾因子是短时间强风和强降雨，等等。针对这些气象因子，许多学者利用长时间序列气象站点数据对其统计规律进行了研究。以干旱为例，黄晚华等利用中国南方15个省(市、区)的气象台站降水资料，采用准化降水指数(SPI)为干旱指数，计算了南方地区近58年的干旱指数，分析了干旱强度的年际变化[10]；王明田等利用西南地区97个气象站50年气象资料，以相对湿润度指数(M)作为干旱指数，分析了西南地区干旱频率和强度的空间分布特征[11]，等等。利用样本统计法可直观、快速地获得灾害致灾因子的统计分布规律，具有普遍适用性。但统计模型法需要获得灾害致灾因子的长时间序列样本，同时对于致灾因子多变量(如“时”和“空”)的联合统计模型构建难度较大。此外，样本统计法常常是用于构建致灾因子的统计特征，致灾度的统计特征还是需要借助过程模拟法和遥感反演法。

过程模拟法是利用致灾过程的微观机理模型，借助计算机数值模拟技术，依托GIS等展示平台，再现历史灾害过程或模拟未来灾害情景，进而获得灾后的致灾强度分布。在农业灾害中，常用过程模拟法的主要是洪涝和台风两种灾害。例如，用于洪涝模拟的经典模型有LISFLOOD-FP模型[12-14]，用于台风模拟的模型有基于台风梯度平衡方程的Battes模型[15]、基于Shapiro数值风场的Georgiou模型[16-17]、基于Chow数值模型的CE模型[18-19]和Vickery风场模型[20-21]等等。利用过程模拟法能够微观再现灾害发生、发展和致灾的全过程，获得灾度结果较为精细可靠，是目前国际上农业巨灾风险评估中常用的方法。但该方法涉及到灾害机理模型过于复杂不易掌握，且计算量较大，需要辅于高性能的计算设备。同时，自主开发灾害过程模拟系统难度很大，目前绝大部分研究只能借助国外较成熟的模型系统，导致该方法的使用存在很大的局限性。

遥感反演法是利用历史的卫星遥感影像，借助遥感多时相、多光谱、多分辨率的特点，采用各种提取或反演算法，提取或反演历史发生过的灾情，进而获取相应的灾度信息。目前，用于提取或反演农业灾害的遥感模型很多。例如，洪涝灾害的淹没范围遥感提取模型包括阈值分类法[22-24]、归一化差异水体指数[25-26]、谱间关系法[27-28]等，干旱灾害的土壤湿度反演模型包括植被指数(NDVI、VCI等)法[29-33]、热惯量法[34-36]、微波法[37-38]等。利用遥感反演法能够大范围地、高效地提取历史灾害的灾度信息。但遥感反演法也存在着局限性，例如对于气象条件较为复杂(多云、多雨)的地区，遥感影像的质量较差而无法实现较为精确的灾度提取；低精度的影像虽可免费获取，但灾度提取的精度常常无法满足需求，而高精度的影像虽可实现精度较高的灾度提取，但却需要支付较为昂贵的购买费用；遥感提取仅针对历史灾情，无法对未来的灾害情景进行分析，缺乏预估能力。

2.2.2 作物脆弱性机理研究

在灾害学中，脆弱性用于衡量自然灾害发生时承灾体的损失程度。因此，脆弱性机理研究的核心思想就是刻画致灾因子强度和承灾体脆弱性之间的定量关系，通常用曲线(曲面)来表征，又称为脆弱性曲线(曲面)。在农业上，农作物作为自然灾害的承灾体，其脆弱性就是指作物在遭受不同的灾害强度时呈现出来的破坏程度，通常用灾损率或减产率来表示。目前，作物脆弱性机理研究的方法主要有样本统计法、田间实验法和作物模型法。

样本统计法是利用收集或调查得到的实际历史灾情数据样本中的致灾与成灾一一对应关系，采用曲线拟合、神经网络等数学方法发掘之间的脆弱性规律。其中，实际历史灾情数据主要来自历史文献、灾害数据库、实地调查数据、保险理赔数据等。相关的研究诸如，尹圆圆等利用安徽省冰雹灾害案例库(1949年以来)、棉花承灾体数据库、中国棉花雹灾历史案例库(1949年以来)和棉花雹灾野外试验数据库，构建了安徽省棉花不同生育期(苗期、蕾期、铃期和吐絮期)雹灾脆弱性曲线，定量地反映了雹灾致灾指数(冰雹大小、降雹密度、持续时间以及风力)与棉花损失率之间关系[39]；赵思健等利用历史洪涝灾情数据(1984年以来)构建了东北三省农作物洪涝脆弱性函数，定量地反映了过程降雨量与作物洪涝受灾率之间关系[40]，等等。利用统计模型法构建作物脆弱性曲线可以较好地反映实际灾害情景中的作物脆弱性水平，但在现实中作物脆弱性还会受孕灾环境、防灾措施等多因素影响，因此灾情数据很难全面刻画出作物复杂的脆弱性水平，并且常常可获取的灾情数据十分有限，使得脆弱性曲线的构建具有一定难度和不确定性。

田间实验法是在田间真实的土壤、自然环境下，通过模拟作物受到各种灾害胁迫下作物真实的产量变化，从而构建作物的脆弱性曲线(或函数关系)。以水稻洪涝脆弱性为例，相关的研究有：刘吉元，马元录对广西省德保县早稻进行抽样研究得到洪涝灾害对早稻的损失影响[41]；雷清华对江汉平原的中稻进行了试验研究，得到了中稻的受淹反应[42]；罗中元等对浙江省的淹水晚稻进行了试验，研究其恢复性能，给出淹没时间和减产之间的关系[43]；朱耀良等通过对水稻受淹试验研究成果，建立不同品种水稻在不同生育期，遭受不同洪涝淹没深度和淹没历时的减产率数学关系[44]。利用田间实验法构建作物脆弱性曲线(或函数)的优点在于：真实、客观地测定出作物在灾害胁迫下产量的损失情况，并可以以作物品种和生育期为条件开展实验，更加全面地认识作物的脆弱性。但是，田间实验法是在特定的实验田、特定的自然环境下获得的实验结果，结果的普适性受到一定限制。

作物模型法是利用成熟的作物模型模拟和计算作物不同生育期中致灾因子对最终产量的定量影响来拟合脆弱性曲线。其中，常用的作物模型主要有CERES Maize模型和EPIC模型。以作物旱灾脆弱性为例，相关的研究有：Velde M等利用EPIC模型分析了法国2007 年多雨条件下小麦和玉米的产量脆弱性曲线[45]；董姝娜等利用CERES

Maize模型模拟计算了吉林西部地区玉米在“出苗”到“拔节”期、“拔节”到“抽雄”期、“抽雄”到“乳熟”期、“乳熟”到“成熟”期的旱灾脆弱性曲线[46]；贾慧聪等利用EPIC模型模拟黄淮海夏播玉米品种“丹玉十三“旱灾脆弱性曲线[47]，等等。作物模型法构建脆弱性曲线的优点在于：可以模拟任意致灾强度中的农作物脆弱性水平，并且可以从灾害自身机理和农作物生长机理出发详细描述农作物的脆弱性，但是存在着模型的运算量较大，技术要求高，在模型构建和模拟的过程中，还需要根据当地作物观测数据进行检验和修正等缺点，存在着较大的不确定性。

2.3 基于风险损失的评估法

基于风险损失的风险评估法是直接从农业生产损失结果入手，通过构建损失的概率分布模型进而评估风险，该方法的一般范式如图4所示。基于风险损失的风险评估方法通常包括损失估计、模型选择和模型优选三个步骤，最终获得风险曲线(即最优的损失概率分布)。

2.3.1 损失估计

可用于反映农作物生产损失的数据主要有两类，一类是农作物产量数据(单产数据)，另一类是农作物灾情数据。根据所用数据的不同，农业生产损失估计的方法包括基于单产数据的损失估计、基于灾情数据的损失估计和基于混合数据的损失估计。

图5 基于风险损失评估法的一般范式

(1)基于单产数据的损失估计

用单产数据进行损失估计时，首先要对单产数据进行去趋势化处理，进而估算出减产波动。模拟农作物单产趋势的方法有很多种，但大体分为三类：回归方程法(Aggressive model)、滑动平均法(Moving Average Model)和直线滑动平均法(Linear Moving Average Model)[48-49]。回归方程法是一种最常见、最简单的趋势模拟方法，但它的前提是其趋势必须具有确定性的函数形式，不适用于随机性时间趋势序列，且在趋势方程选择上带有较大的主观性；滑动平均法适用于长期趋势较为复杂，且不规则变动很大的时间序列，但缺点是移动平均后的序列会损失样本，使样本量减小；直线滑动平均法是这当中最优异的趋势模拟方法，它既不用主观假定(或判定)产量历史演变的曲线类型，又不损失样本序列的数量。确定单产趋势后，可对单产序列进行去趋势化处理，计算出作物的“随机波动”序列。将当年的单产波动除上当年的趋势单产，即可获得当年的单产波动率。

(2)基于灾情数据的损失估计

在我国，各级民政部门负责全国的灾情统计任务，每年都有较为详细的灾情统计，与农作物灾情相关的指标包括受灾面积、成灾面积和绝收面积，且受灾、成灾和绝收的标准均与作物产量有关。按民政统计规定，凡因灾减产10%以上的面积均计为受灾面积，因灾减产30%以上的面积为成灾面积，因灾减产80%以上的面积计为绝收面积。在计算农作物历年因灾损失时，可利用取中位数的方法计算受灾、成灾和绝收面积的折算平均值[48,50]。最后，将折算平均的因灾损失面积除上当年的播种面积，即可获得当年作物的因灾损失率。

(3)基于混合数据的损失估计

单产数据区分品种，基于单产数据的损失估计法计算出的是不同品种作物综合灾害下的损失，无法有效区分灾种；灾情数据中没有受灾作物品种信息，基于灾情数据的评估方法仅能计算出某一灾害下所有作物的损失情况，无法有效区分作物品种。基于单产与灾情混合数据的估计法能解决上述两种方法的缺陷。该方法的基本思路是在同一个地域内，某灾害事件的发生对各种作物造成的影响与该作物的“脆弱性”有关，通过基于单产数据可计算出各种作物的灾害“脆弱性”，再将灾情数据结合“脆弱性”，便可实现不同灾害、不同作物品种的损失估计[51]。

2.3.2 模型选择

一般风险模型是在作物损失时序数据的基础上直接进行损失概率分布的建模，建模的方法主要有：参数法(Parametric Method)和非参数法(Non-parametric Method)。其中，参数法首先假定损失数据服从某种分布，然后用损失数据估算分布函数的参数，常用的概率分布模型包括Beta分布[52-54]、Gamma分布[55]、反双曲正弦变换[56]、 Lognormal分布[52-53]、Weibull分布[57-58]和 Logistic分布[57]等等；非参数法则不需要事先假定作物单产分布模型，具有分布形式自由、对函数形式假设要求宽松、受样本观测错误影响小的特点，常用的非参数模型有核密度估计(Kernel Estimation)模型[59-62]。但非参数模型需要较大的样本量，通常样本量大于30时可采用非参数模型，反之建议采用参数模型[61]。

巨灾风险模型从是作物损失序列数据中判断为巨灾损失的序列数据进行损失概率分布的建模。从巨灾损失数据的角度上看，巨灾损失数据具有厚尾性，虽然损失发生概率很小，但一旦发生损失程度极大。极值理论作为概率统计理论的一个重要分支，其主要用于极端事件的研究，在研究厚尾数据的统计规律上具有优势。极值理论在农业巨灾风险评估中的应用主要有：组内极大值(Block Maxima Method，BMM)模型和超阈值极值(Peaks Over a Threshold，POT)模型[63]。

2.3.3 模型优选

损失概率分布模型的优选目前还没有一个统一的标准，一般的优选步骤可以是：①计算出损失数据的偏度和峰度值。②将偏度和峰度值与Bruce. J. Sherrick等人[64]提出的距比例图(如图6所示)进行比对，初步挑选中较好的模型。③利用Anderson-Darling(AD)、Kolmogorov-Smirnov(KS),Chi-square等计量经济学方法进行检验，确定最优的模型。

图6 Beta、Weibull、正态、标准正态和Logistic模型的距比例图

3 风险量度方法

除了基于风险因子的评估方法直接获得反映风险级别的风险指数(非量化)外，基于风险机理及基于风险损失的评估方法均可获得风险曲线，即损失的概率分布。为了能比较风险，通常需要获取概率分布上某些统计指标来量度风险。其中，最常用的风险量度指标包括：E值、P值和C值，它们具体的含义如表1所示。

表1 风险量度指标的对比

表2 三种风险评估方法的对比

4 评估方法对比

不同的评估方法拥有不同特征与适用范围，表2所示为三种风险评估方法在理论依据、特征、结果形式、优缺点和适用范围方面的对比分析结果。

5 总结

农业保险的精细化、保费厘定的科学化是减少“逆选择”和“道德风险”问题、促进农业保险可持续发展的必要条件和前提，而农业保险的精细化和科学厘定保险费率必须建立在科学合理的农业风险评估的基础之上，农业风险评估研究具有极其重要的现实意义。本文从风险构成要素入手，在系统总结现有评估方法的基础上，归纳提出了三类农业生产风险评估方法，即基于风险因子、基于风险机理和基于风险损失的评估法，对三类评估方法的执行流程、相关模型等作了较为详细的评述，并从理论依据、特征、结果形式、优缺点和适用范围等方面对三类评估方法进行对比。虽然三类评估方法互有优劣，却适用于不同的应用环境，都能在农业保险应用领域发挥重要的作用。

[1] 张峭. 中国农作物生产风险评估及区划理论与实践[M]. 北京：中国农业科学技术出版社, 2003.

[2] 史培军. 灾害研究的理论与实践[J]. 南京大学学报：自然科学版, 1991(自然灾害研究专辑):37-42.

[3] 史培军. 四论灾害系统研究的理论与实践[J].自然灾害学报,2005,14(6):1-6.

[4] 史培军. 五论灾害系统研究的理论与实践[J].自然灾害学报,2009,18(5):1-6.

[5] 王素艳, 霍治国, 李式奎．干旱对北方冬小麦产量影响的风险评估[J]．自然灾害学报, 2003, 12(3): 118-125.

[6] 张继权, 李宁. 主要气象灾害风险评价与管理的数量化方法及其应用[M]. 北京: 北京师范大学出版社, 2007.

[7] 张琪, 张继权, 佟志军, 等. 干旱对辽宁省玉米产量影响及风险区划[J]. 灾害学, 2010, 25(2):87-91.

[8] 邹朝望, 孙媛媛, 谢伯承. 湖南省洪涝灾害风险评估研究[J]. 人民长江, 2010,41(11): 63-65.

[9] 张翠英, 张英, 汪国平. 浙江农业洪水灾害风险分析[J]．江苏农业学报, 2011, 27(6): 1222-1227.

[10]黄晚华, 杨晓光, 李茂松, 等. 基于标准化降水指数的中国南方季节性干旱近58a演变特征[J]. 农业工程学报, 2010,26(7):50-59.

[11]王明田, 王翔, 黄晚华, 等. 基于相对湿润度指数的西南地区季节性干旱时空分布特征[J]. 农业工程学报, 2012,28(19):85-95.

[12]BatesPD,DeRooAPJ.Asimpleraster-basedmodelforfloodinundationsimulation[J].JournalofHydrology, 2000, 236(1/2):54-77.

[13]HorrittM,BatesP.Predictingfloodplaininundation:Raster-basedmodelingversusthefiniteelementapproach[J].HydrologicalProcesses, 2001, 15(5): 825-842.

[14]HorrittM,BatesP.Evaluationof1Dand2Dnumericalmodelsforpredictingriverfloodinundation[J].JournalofHydrology,2002, 268: 87-99.

[15]BattsME,SimiuE,RussellLR.HurricanewindspeedsintheUnitedStates[J].JournaloftheStructuralDivision, 1980, 106(10): 2001-2016.

[16]ShapiroLJ.Theasymmetricboundarylayerflowunderatranslatinghurricane[J].JournaloftheAtmosphericSciences, 1983, 40(8): 1984-1998.

[17]GeorgiouPN.Designwindspeedsintropicalcyclone-proneregions[M].London:TheUniversityofWesternOntario, 1985.

[18]ChowS.Astudyofthewindfieldintheplanetaryboundarylayerofamovingtropicalcyclone[M].NewYork:NewYorkUniversity, 1971.

[19]ThompsonEF,CardoneVJ.Practicalmodelingofhurricanesurfacewindfields[J].JournalofWaterway,Port,CoastalandOceanEngineering, 1996, 122(4): 195-205.

[20]VickeryPJ,TwisdaleLA.Wind-fieldandfillingmodelsforhurricanewind-speedpredictions[J].JournalofStructuralEngineering, 1995, 121(11): 1700-1709.

[21]VickeryPJ,SkerljPF,SteckleyAC,etal.Hurricanewindfieldmodelforuseinhurricanesimulations[J].JournalofStructuralEngineering, 2000, 126(10): 1203-1221.

[22]周成虎, 骆剑承, 杨晓梅, 等. 遥感影像地学理解与分析[M]. 北京:科学出版社, 1999.

[23]汪金花, 张永彬, 孔改红. 谱间关系法在水体特征提取中的应用[J]. 矿山测量, 2004, (4):30-32.

[24]李科, 王毅勇. 改进TM图像水体自动提取模型的研究[J]. 水资源与水工程学报, 2007, 18(6):20-22.

[25]McFEETERSSK.TheuseoftheNormalizedDifferenceWaterIndex(NDWI)inthedelineationofopenwaterfeatures[J].InternationalJournalOfRemoteSensing, 1996, 17 (7): 1425-1432.

[26]XuH.Modicationofnormaliseddifferencewaterindex(NDWI)toenhanceopenwaterfeaturesinremotelysensedimagery[J].InternationalJournalOfRemoteSensing, 2006, 27 (14): 3025-3033.

[27]邓劲松, 王珂, 李君, 等. 决策树方法从SPOT-5卫星影像中自动提取水体信息研究[J]. 浙江大学学报:农业与生命科学版, 2005, 31 (2): 171-174.

[28]毛先成, 熊靓辉, 高岛勋. 基于MOS-1b/MESSR的洪灾遥感监测[J]. 遥感技术与应用, 2007, 22 (6): 685-689.

[29]Gonzalez-alonseF,CuevasJ,CalleA,etal.Spanishvegetationmonitoringduringtheperiod1987-2001usingNOAA-AVHRRimages[J].InternationalJournalofRemoteSensing, 2004, 25(1):3-6.

[30]陈乾. 用植被指数监测干旱并估算冬麦产量[J]. 遥感技术与应用, 1994, 9(3):12-18.

[31]张军涛, 李哲, 郑度．东北农牧交错区水分条件及其对植被分布的影响[J]. 地理科学, 2001, 21(4):297-300.

[32]郭铌, 管晓丹．植被状况指数的改进及在西北干旱监测中的应用[J]. 地球科学进展, 2007, 22(11):1160-1168.

[33]管晓丹, 郭铌, 黄建平, 等. 植被状态指数监测西北干旱的适用性分析[J]. 高原气象, 2008, 27(5):1046-1053.

[34]姬菊枝, 安晓存, 魏松林. 利用卫星遥感技术进行干旱监测[J]. 自然灾害学报, 2005, 14(3):6l-65.

[35]李星敏, 刘安麟, 张树誉, 等. 热惯量法在干旱遥感监测中的应用研究[J]. 干旱地区农业研究, 2005, 23(1):54-59.

[36]纪瑞鹏, 班显秀, 冯锐, 等. 应用NOAA/AVHRR资料监测土壤水分和干旱面积[J]. 防灾减灾工程学报, 2005, 25(2):157-161.

[37]高峰, 王介民, 孙成权, 等．微波遥感土壤湿度研究进展[J]. 遥感技术与应用, 2001, 16(2):97-102.

[38]李震, 郭华东, 施建成．综合主动和被动微波遥感数据监测土壤水分变化[J]. 遥感学报, 2002, 6(6):481-483.

[39]尹圆圆, 王静爱, 赵金涛, 等. 棉花冰雹灾害风险评价——以安徽省为例[J]. 安徽农业科学, 2012, 40(25):12506-12509.

[40]赵思健, 张峭. 东北三省农作物洪涝时空风险评估[J]. 灾害学, 2013,28(3):54-60.

[41]刘吉元, 马元录. 洪涝灾害对早稻的影响及灾后管理[J]. 广西农业科学, 1996(3): 107-109.

[42]雷清华. 江汉平原中稻受淹试验研究[J]. 灌溉排水, 1991, 10(2): 21-27.

[43]罗中元, 张志友, 唐厚传, 等. 晚稻涝灾损失及对策研究[J]. 耕作与栽培, 1995, (4): 21-25.

[44]朱耀良. 水稻水淹程度对产量影响的试验研究[C]//刘昌明, 等主编.低洼地渍害与治理实验研究. 大连: 大连理工出版社, 1990.

[45]VeldeM,TubielloF,VrielingA,etal.ImpactsofextremeweatheronwheatandmaizeinFrance:evaluatingregionalcropsimulationsagainstobserveddata[J].ClimaticChange, 2012,113(3/4):751-765.

[46]董姝娜, 庞泽源, 张继权, 等. 基于CERESMaize模型的吉林西部玉米干旱脆弱性曲线研究[J]. 灾害学, 2014,29(3):115-119.

[47]贾慧聪, 王静爱, 潘东华, 等. 基于EPIC模型的黄淮海夏玉米旱灾风险评价[J]. 地理学报, 2011,66(5):643-651.

[48]张峭, 王克, 张希. 农作物灾损风险的评估方法研究[J]. 上海农业学报, 2010, 26(Supp.1):22-26.

[49]张峭, 王克. 农作物生产风险分析的方法和模型[J]. 农业展望, 2007, (8):7-10.

[50]张峭, 王克. 我国农业自然灾害风险评估与区划[J]. 中国农业资源与区划, 2011, 32(3):26-30.

[51]王克, 张峭. 基于数据融合的农作物生产风险评估新方法[J]. 中国农业科学, 2013, 46(5): 1054-1060.

[52]NelsonCH,PreckelPV.Theconditionalbetadistributionasastochasticproductionfunction[J].AmericanJournalofAgriculturalEconomics, 1989, 71: 370-378.

[53]TirupatturV,HauserRJ,ChaherliNM.CropYieldandPriceDistributionalEffectsonRevenueHedging[J].OfficeofFuturesandOptionsResearch, 1996: 1-17.

[54]吴利红, 娄伟平, 姚益平, 等. 水稻农业气象指数保险产品设计—以浙江省为例[J]. 中国农业科学, 2010, 43(23): 4942-4950.

[55]GallagherP.U.S.soybeanyields:estimationandforecastingwithnonsymmetricdisturbances[J].AmericanJournalofAgriculturalEconomics, 1987, 69: 796-803.

[56]MossCB,ShonkwilerJS.Estimatingyielddistributionswithastochastictrendandnonnormalerrors[J].AmericanJournalofAgriculturalEconomics, 1993, 75: 1056-1072.

[57]SherrickBJ,ZaniniFC,SchnitkeyGD,etal.Cropinsurancevaluationunderalternativeyielddistributions[J].AmericanJournalofAgriculturalEconomics, 2004, 86: 406-419.

[58]娄伟平, 吴利红, 陈华江, 等. 柑橘气象指数保险合同费率厘定分析及设计[J]. 中国农业科学, 2010, 43(9): 1904-1911.

[59]TurveyC,ZhaoJH.Parametricandnonparametriccropyielddistributionsandtheireffectsonall-riskcropinsurancepremiums[D].Ontario:UniversityofGuelph:1999.

[60]KerAP,GoodwinBK.Nonparametricestimationofcropinsuranceratesrevisited[J].AmericanJournalofAgriculturalEconomics, 2000, 83: 463-478.

[61]GoodwinBK,KerAP.Nonparametricestimationofcrop-yielddistributions:implicationsforratinggroup-riskcropinsurancecontracts[J].AmericanJournalofAgriculturalEconomics, 1998, 80: 139-153.

[62]OzakiVA,GoodwinBK,ShirotaR.Parametricandnonparametricstatisticalmodelingofcropyield:implicationsforpricingcropinsurancecontracts[J].AppliedEconomics, 2008, 40: 1151-1164.

[63]徐磊, 张峭. 中国农业巨灾风险评估方法研究[J]. 中国农业科学, 2011, 44(9):1945-1952.

[64]BruceJSherrick,FabioCZanini,GaryDSchnitkey,etal.CropInsuranceValuationUnderAlternativeYieldDistributions[J].Amer.J.Agr.Econ., 2004, 86(2): 406-419.

CommentaryandComparisononRiskAssessmentMethodsofAgriculturalProduction

Zhao Sijian, Zhang Qiao and Wang Ke

(AgriculturalInformationInstituteofChineseAcademyofAgriculturalSciences,KeyLaboratoryofDigitalAgriculturalEarly-warningTechnology,MOA,Beijing100081,China)

Riskassessmentofagriculturalproductionisthepremiseandfoundationofagriculturalriskmanagementandinsurancepremiumrating.Inthisarticle,fromtheperspectiveofmethodologytheriskassessmentmethodsandmeasurementmethodsareclassified,discussedandcomparedinordertoformalizeacompletesystemofagriculturalriskassessmentmethodology.Firstly,theriskassessmentmethodsareclassifiedinto3types,i.e.risk-factorbased,risk-mechanismbasedandrisk-lossbasedmethodsfromtheviewofcomponentsofrisk.Then,thegeneralparadigms,theories,technologies,modelsandresearchesaboutthese3methodsarediscussedandcommented,andthewidely-usedquantitativemetricsofriskarepresented.Finally,these3methodsarecomparedtopointouttheirownadvantages,disadvantagesandapplicablescopes.

agriculture;productionrisk;riskassessment;riskfactor;riskmechanism;riskloss;riskmeasurement

2015-02-09

2015-03-23

2014年北京市科技计划课题(Z141100002314007)；国家自然科学基金面上项目(41471426)

赵思健(1977-)，福建龙岩人，博士，副研究员，研究方向为农业风险管理及保险. E-mail: zhaosijian@caas.cn

张峭(1951-)，山西运城人，博士，研究员，研究方向为农业保险及农村金融. E-mail: zhangqiao@caas.cn

X43；f320.3

A

1000-811X(2015)03-0131-09

10.3969/j.issn.1000-811X.2015.03.025

赵思健，张峭，王克. 农业生产风险评估方法评述与比较[J].灾害学, 2015,30(3):131-139. [Zhao Sijian, Zhang Qiao, Wang Ke. Commentary and Comparison on Risk Assessment Methods of Agricultural Production [J].Journal of Catastrophology, 2015,30(3)：131-139.]

注：①利用中国种植业信息网(http://zzys.agri.gov.cn/)的统计数据整理计算