森林保险标的资产批量评估模型研究

□彭东生 （副教授）袁红萍（副教授）（江西环境工程职业学院 江西赣州 341000）

一、引言

我国集体林权制度改革后，以户为单位的林农经营着面积大小不一、小班个数多寡不同的森林。按照林农经营的大量小班森林的价值计算保险费和保险金额时，必须对各小班森林进行大量的评估工作，如果采取个案评估技术，必然耗费大量的人力物力且其评估效率低下。批量评估能够低成本、高效率地完成大量森林保险标的资产的评估任务，且评估费用低能够让林农承受。

二、森林保险标的资产批量评估的数据来源与工作流程

林农的森林保险标的资产林班面积大小不一、树种千差万别、树龄各自不同。因此，各小班森林保险标的资产的价值也千差万别。要完成大量森林保险标的资产的评估工作，评估数据的收集和数据来源就成为构建森林保险标的资产价值批量评估模型的关键。从我国目前的森林资源管理来看，以森林资源抽样调查数据、树木生长量预测数据、森林遥感数据、森林采伐指标等数据对森林资源二类调查GIS系统（简称“森林资源GIS”）数据进行调整后得到的数据，可以作为森林保险标的资产批量评估模型的数据来源之一。森林保险标的资产批量评估主要的工作包括：

（一）评估基准日森林资源GIS数据准备

1.森林资源抽样调查。组织专业技术人员对评估对象进行抽样调查，更新森林资源GIS系统中的数据，并进行个案评估，为批量评估准备数据。

2.利用遥感技术收集森林资源额增减变化情况，实时更新森林资源GIS系统数据。

3.根据林业主管部门审批的采伐指标和实际采伐作业情况，实时更新森林资源GIS系统数据。

4.根据树木生长量预测模型，调整森林资源GIS中林分蓄积数据。评估基准日树木生长量预测以森林资源二类调查数据为基础，按照目前林业系统经常采用的人工林和天然林经营类型的生长模型进行预测。

（二）收集整理森林资源交易数据、森林资源物价指数等与评估直接相关的经济技术参数

在获得评估基准日森林资源二类调查数据的基础上，通过收集到的南方林业产权交易所的交易数据、物价指数、区域因素评估修正数据、评估师抽样评估森林保险标的资产确认的个案评估数据等和森林资源资产评估有关技术经济指标数据。

（三）森林保险标的资产价值批量评估流程的建立，见图1。

三、森林保险标的资产批量评估模型研究

（一）研究相关假设

由于森林保险标的资产类别间差异性大，其价值影响因素也大相径庭。因此，应根据森林资源GIS系统数据库中不同优势树种不同龄组的森林保险标的资产，分别构建其森林保险标的资产批量评估模型。为了能够方便的构建森林保险标的资产批量评估模型，先做如下假设：

假设1：以森林资源二类调查数据中的细班作为评估对象。

假设2：按森林资源二类调查数据中的优势树种和树龄组将森林资源划分为不同的资产类别，以各资产类别分别构建各自的批量评估模型，优势树种以外的少数树种作为辅助变量加以考虑。

（二）评估对象价值影响因素分析与输入值指标的选取

森林保险标的资产价值批量评估系统的输入值主要包括：森林资源资产交易市场的市场信息；森林经营管理相关的财务会计数据和森林经理经济技术指标数据；森林资源管理二类调查数据等。评估对象价值影响因素具体指标如下：

森林资源二类调查数据指标主要包括：小班号、林权属性、经营类型、坐落地址、流域名称、地貌类型、地类、平均海拔、坡位、坡向、坡地、土壤类型、土层厚度、腐殖层厚度、植被覆盖率、林班面积、林种类别、林种起源、优势树种、平均树龄、平均胸径、平均树高、郁闭度、活立木总蓄积、林分蓄积、散生蓄积、四旁树蓄积、四旁树株数、杉树占比、松树占比、硬阔树占比、软阔树占比、枯立木蓄积、毛竹株数、幼林毛竹树、壮龄毛竹数、杂竹株数、亩平均株数、亩平均蓄积、散生木株数、群落结构、林层结构、树种结构、病虫害、火灾等级等指标。这些指标直接或间接影响森林蓄积量和森林覆盖率、森林资源健康度等，从而影响森林资源资产价值。

森林资源资产交易市场的市场信息主要包括：市场交易价格、交易日期、市场交易条件与交易类型等。

森林经营管理相关的财务会计数据主要包括：营林生产成本、木材税费、木材经营成本、利率、利润、出材率等数据。

（三）森林保险标的资产批量评估模型的构建

依据森林资源二类调查GIS系统数据，森林保险标的资产按优势树种划分为：杉木、马尾松、湿地松、软阔叶树、硬阔叶树、竹林、经济林等；森林保险标的资产按树木龄组划分为：幼龄林、中龄林、近熟林、成熟林、过熟林等。由于不同类别森林保险标的资产价值差异很大，因此，根据森林保险标的资产优势树种和树龄组组合，分别可以构建至少35个以上的森林保险标的资产批量评估模型。本文以江西省会昌县森林资源二类调查GIS数据库中的优势树种——近熟龄杉木林为例，研究森林保险标的资产批量评估模型的构建。

1.近熟杉木林森林保险批量评估模型的设定。对于近熟龄杉木林，其评估价值影响因素主要有：森林面积、郁闭度、平均树高、平均胸径、杉木占比、林分蓄积、亩平均株数、亩平均蓄积、散生木蓄积、林龄等。我们选取森林面积、郁闭度、平均树高、平均胸径、杉木占比、林分蓄积、亩平均株数、亩平均蓄积、散生木蓄积、林龄等指标构建批量评估多元回归模型，模型设定如下：

2.近熟龄杉木林森林保险批量评估模型的数据收集与处理。（1）数据来源。近熟龄杉木林批量评估实证分析所采用的基础数据为2012年12月江西省会昌县森林资源二类调查GIS数据，选用优势树种为杉木、龄组为近熟林的507个样本数据并做适当修正，作为批量评估模型的构建数据，并对预测结果进行比率标准研究。（2）数据处理。①近熟龄杉木林森林保险批量评估建模前的正态性检验。对拟用的507个样本数据进行建模前的K-S正态性检验，检验结果表明评估值、杉类占百（杉类占比）、郁闭度、亩平均蓄积、亩平均株数、平均年龄（树龄）、林班面积（面积亩）等指标正态性一般，平均胸径、活立木总蓄积、平均树高3个变量经过自然对数变换后正态性得到进一步改善。②近熟龄杉木林森林保险批量评估建模前的线性检验。在正态性检验之后，还应确保因变量（评估值）与自变量之间是否存在线性关系。从经散点图分析，评估值与亩平均蓄（亩平均蓄积）、林分面积（面积亩）、郁闭度存在线性关系。

3.近熟龄杉木林森林保险批量评估模型的估计与检验。（1）逐步回归法估计。近熟龄杉木林森林保险批量评估模型采用逐步回归法。逐步回归法的基本思路是在所考虑的全部因素中，按其对因变量作用的强弱，由大到小地逐个引入回归方程。那些对因变量作用弱的自变量可能自始至终都未被引入回归方程。另一方面，已经被引入回归方程的自变量在引入新的自变量后也有可能因为变成对因变量的作用不显著而被剔除。在逐步回归过程中，要选用两个F临界值：一个是选入变量时的F临界值，另一个是剔除变量时的临界值。在逐步回归分析过程中，通过比较各自变量的偏回归平方和对自变量进行筛选，使得在回归方程中包含所有对因变量影响显著的自变量，而消除对因变量影响不显著的自变量，从而得到“最优”的回归方程。采用表1数据，通过逐步回归法估计得到的近熟杉木林森林保险批量评估基本模型为：

V=-334 201.290+1 173.338×细班面积+95 045.246×亩平均蓄积+8 708.102×ln（活立木蓄积） （2）

表1 系数a表

（2）用材林森林保险批量评估基本模型的检验。①经济意义检验。自变量细班面积、亩平均蓄积、活立木总蓄积所估计的参数分别为1 173.338、95 045.246、8 708.102， 均与经济学原理及经验相符，符合林木价值与林木蓄积、林分面积直接相关的要求。②统计意义检验。经测算近熟龄杉木林批量评估模型的R2=0.956，调整后的R2=0.955，说明模型对样本的拟合很好。 Durbin-Watson（U）=1.726，处于 0至4之间，说明进入回归模型的自变量具有独立性。模型方差分析表（ANOVA）中数据 F值等于 3609.782，显著性（Sig.）=0.000 小于 0.05，说明该模型具有统计学意义。由表1中的容差和VIF数据可以看出，容差最小值为 0.229＞0.1，VIF 最大值 4.375＜5，说明变量间的共线性不严重，在可以接受范围之内。通过统计检验分析，可以判断模型（2）符合多元回归的建模要求。③计量经济学检验。根据图2，SPSS给出的残差统计数据以及评估值残差的Kolmogorov-Smirnov检验，可以确定残差符合正态性分布。

4.近熟龄杉木林森林保险批量评估实证结果分析。模型建立以后，利用SPSS 22.0的比率分析过程，得到如下结论：比率平均值和中位数在0.90—1.10之间，说明此次评估水平较好；离散系数 （COD） 为 6.244在 5—15之间，说明此次评估的离散系数符合要求，一致性较好；价格相关差为1.02在0.98～1.03之间，说明此次评估的回归倾向性较好。

四、结论

应用多元回归分析方法，建立森林保险标的资产批量评估模型来估算各优势树种各龄组每细班的森林保险评估价值，经检验认为模型是准确有效的。