草原指数保险：评述与中国方案设计

林慧龙，蒲彦妃，王丹妮，2，马海丽

（1.兰州大学草地农业生态系统国家重点实验室，兰州大学农业农村部草牧业创新重点实验室，兰州大学草地农业科技学院，甘肃 兰州730020；2.河西学院音乐学院，甘肃 张掖734000）

全球草原面积约31.58亿hm2，大约占全球陆地总面积的1/3［1］，是地球上分布最广的植被类型，在全球范围内提供重要的生态系统服务［2］。一直以来，草原农业生产系统受天气因素等影响很大，具有高度不确定性，导致生产者常常蒙受损失。而目前牧民常用的风险管理策略［3-4］不仅会加大支出，且往往并不能很好地抵御风险。此时，引入保险这种基于市场的风险管理工具可以更低廉、更广泛地降低风险，也可以涵盖极端事件。因此，草原指数保险被定义为牧业生产者从事牧业生产活动时，对自然灾害和意外事故造成的经济损失提供保障，承担赔偿金责任的一种分散风险的创新型保险管理工具［5］，目前已在各大洲多个国家处于研究、计划或运行之中。

中国是世界上草原资源最丰富的国家之一，居世界第二位，其中天然草原总面积近4亿hm2，占全国土地总面积的41.7%，为现有耕地面积的3倍［6］。然而，匮乏的指数保险产品与丰富的草原资源不相匹配。虽然在2014年8月，国务院就出台《关于加快发展现代保险服务业的若干意见》，提出“探索天气指数保险等新兴产品和服务”，但无论是学界、保险行业还是草原牧区政府都未对此做出理想的反应。我国目前在运行草原指数保险的只有内蒙古自治区和青海省，且存在机制设计不够合理的问题［7］。相关保险产品设计也只有针对内蒙古东部地区的“草原牧区雪灾天气指数保险”［8］和西藏那曲地区的“畜牧业旱灾指数保险”［9］。理论和实践层面的双重匮乏使得草原指数保险在我国几乎还处于“真空状态”。然而，推动草原生产可持续发展是草原工作者的使命。面对草原指数保险这一重大选题，本研究探讨该产品在世界范围发展状况，首要任务是总结国内外的典型产品及其机制设计，厘清可借鉴的经验，结合我国自身的国情进行探讨，以期填补我国草原指数保险几近“空白”的局面。

1 草原指数保险的源起

草原指数保险是农业指数保险的一个分支，专门针对基于草原生态系统的农业生产，包括种植业和畜牧业等。与传统种植业相比，基于草原的农业生产更加粗放、更易受极端天气的影响，因此收益的波动更大。放牧和缺乏产量测量使得用传统保险产品来给草原产品投保几乎不可能。此外，草原每单位面积的价值相对较低。由于这些原因，基于赔偿的传统农业保险通常是针对经济作物设计的，而非草地农业系统，特别是草地产量［10］。相反，指数保险产品拥有保障草原可持续发展的潜力，因为它们的收益依赖于一个与实际草产量高度相关又彼此独立的内生指数［11］。

最早的草原指数保险产品于21世纪初出现在加拿大（2000年）和西班牙（2001年），针对牧场的饲草和农产品，此后，逐渐出现在欧美亚非的许多国家。草原指数保险从诞生起就自然属于农业指数保险这一大类，没有被刻意分划过。但草原农业生产和种植农业生产的区别使得草原指数保险有被单独讨论和研究的必要。2019年，Willemijn等［11］发表的综述概览讨论了欧美市场在运行的全部12种草原指数保险产品，意在总结归纳并促进国际交流，这是此类产品第一次以整体的形式被分立出来单独讨论。可以说，与传统农业保险相比，这一保险类别还十分新颖和稚嫩，拥有巨大的发展空间。

追溯草原指数保险的源起离不开对农业保险和指数保险的探讨。

农业保险是专为农业生产者在从事种植业、林业、畜牧业和渔业生产过程中，对遭受自然灾害、意外事故疫病、疾病等保险事故所造成的经济损失提供保障的一种保险。20世纪20年代以来，世界各国相继发展农业保险［12］。经历了近100年的发展，如今农业保险已经在世界范围得到了推广和运行，在发达国家和部分发展中国家形成了稳定的产业，并在不同的国家和地区发展出了不同的模式。

指数保险是保险市场中一种较新型的保险类别，于20世纪30年代由印度学者Chakravarti提出。与传统保险的赔偿基于被保险人的损失不同，指数保险的赔偿基于预先设定的指数，当达到了设定指数的触发值之后，便会触发赔偿。由于农业产业本身固有的受自然环境影响大、生产收益不稳定等特点或弱点，农业成了指数保险最主要的应用方向。农业指数保险往往选取区域产量、降水、蒸发量、积温等与农业生产密切相关的条件中的一个或几个作为参考指标，结合投保地区和对象的特征确定具体的数值作为触发值。

农业指数保险之所以受到广泛的重视，是因为它本身具有超越传统保险的巨大优势。首先，选取的指数极大降低了受到人为干扰的可能，减少了逆向选择和道德风险；其次，保险需要用到的数据是公开、透明的，达成了保险方和被保险方的信息对称；再次，优化了步骤，降低了交易成本，比如灾害发生后依靠气象部门实际测得的气象数据来计算赔付金额，而不用挨家挨户勘查定损；最后，它还有利于保险产品的标准化、证券化，保险产品设计的余地充分，可塑性强［13］。各地的实践证明，农业指数保险较好地保护了投保人的利益，有利于农业生产的可持续发展，是值得推广的风险转移产品。

在农业指数保险的推广过程中，除了各地政府以外，世界银行是最不可忽略的助推者之一。在世界银行的协助下，许多发展中国家从本国状况出发，研发出具有各自地域特色的指数保险产品。蒙古、印度、肯尼亚、墨西哥等许多国家的农业指数保险产品都得以顺利运营。此外，国际农业发展基金、联合国世界粮食计划署等国际组织也为农业指数保险的应用推广做出了不懈努力［14］。

2 草原指数保险的分类与原则

在发达国家，草原指数保险多由私营公司提供，且有完善的配套设施，如密集的气象站和完整的数据库。加拿大和西班牙是最早专门为草原提供指数保险的国家。由于这些国家都是自主设计，因此相关的保险产品各不相同，各具特色。在发展中国家，保险多由政府牵头，在世界银行等组织的协助下推出，与保险公司合作运营。在这样的情况下，许多国家的产品具有一定的共性，有些国家甚至使用同一款产品，如肯尼亚和埃塞俄比亚的“基于指数的牲畜保险”。

虽然农业指数保险具有许多突破性的优势，但它仍有一些与产品本身特点相伴的风险。首当其冲的便是基差风险，它是指购买方的损失与保险方的赔付不相匹配的问题，被保险方可能在没有损失时获得赔偿，也可能在发生了损失时得不到赔偿。基差风险由3部分组成，分别是空间、时间和设计基差风险［11］。空间基差风险常常产生于指数的测定地点和被投保对象所在的地点不在同一个空间范围（尺度），两地间的差异会导致结果的偏差。时间基差风险由于观测的时间聚集偏差而出现，主要是因为观测结果汇总为数月，而植物的脆弱性与植物物候期相关［15-16］。如果说空间和时间基差风险是源自外在的观测过程，那么设计基差风险就来自保险的触发机制。触发机制包括指数变量和触发水平，选取的基础指数越是与被保险方的成灾受损机制联系紧密，设定的触发水平越是贴近被保险方的实际受损情况，触发机制就越合理，设计基差风险也就越低。因此，对于一项指数保险产品而言，前期最关键也最困难的部分就是触发机制的设计。

以下汇总了搜集到的世界范围内运营中的草原指数保险，发现现有的草原指数保险可以根据选取的指数变量分为三大类，即区域产量指数保险、天气指数保险和卫星遥感指数保险。除了指数保险皆有的优缺点，它们在具体的优势和基差风险上也有所不同。

2.1 区域产量指数保险

区域产量指数保险是农业指数保险中最早出现的险种之一。这是因为传统视角下，产量是衡量农业成果最重要的指标之一。区域产量指数保险是以一个事先确定的区域的平均产量为基础，当该区域的实际平均产量低于指定水平时，所有投保人都可获得相同差额的补偿［17］。标准值的设定往往需要以被投保地区几十年的数据作为参考依据，从中计算总结出一个适合的值。与传统赔偿保险相比，区域产量指数保险有着明显的优点。首先，以地区为单位，意味着更全面、更高质量的数据，有利于更好地进行风险评估。其次，道德风险降低，因为单个生产者的行为对一个地区总量的影响小于其个人的产量。最后，管理成本降低，因为它往往是面向农场而非个人的。但由于这种保险只考虑相应地区的“平均损失”，单个农场和农户很有可能无法获得与自身实际损失相符的赔偿，这实际上是空间基差风险的表现。

2.2 天气指数保险及其运行机制

天气指数保险是目前所有农业指数保险中应用最多最广的一类。它是指把一个或几个气候条件（如气温、降水、风速等）对农作物的损害程度指数化，每个指数都有对应的农作物产量和损益，保险合同以这种指数为基础，当指数达到一定水平并对草原生产造成一定影响时，投保人就可以获得相应标准的赔偿。国外最常用的指标是降水量对长期平均水平的偏离程度，这是受到Allan等［18］提出的“降水距平百分率（PA）”的启发。农业行业的特殊性使得其生产与天气条件息息相关，因此，自20世纪90年代“天气指数保险”的概念提出以来［19］，它便受到了众多国家的重视，并在21世纪得到了广泛的应用。在我国，2016年中央一号文件《关于落实发展新理念加快农业现代化实现全面小康目标的若干意见》提出“探索开展天气指数保险试点”，2019年《关于促进小农户和现代农业展开有机衔接的意见》中也要求推进天气指数保险试点，表明了国家对于开展天气指数保险的高度重视。

国外关于天气指数保险的设计中，常用的模式有Copula函数［20］、分位数回归法［21］等。在天气指数保险中，时间分辨率指重复观测同一地区所需要的时间，空间分辨率指重复观测同一地区的基础空间单位。时间和空间分辨率的设计与观测数据质量关系密切，是影响基差大小的因素之一［11］。由于天气指数保险所需的数据多源自气象站和其他第三方，独立于保险方和被保险方，因此可以有效避免道德风险。此外，天气指数保险还可以为牧草质量的下降［22］和为了应对天气影响而增加的投入投保。例如，雪灾发生时，积雪过深导致牧民只能进行全舍饲，致使投入增加［8］。与地区产量和赔偿保险相比，这些额外的支出至少被部分涵盖进了天气保险系统。但天气指数保险仍不可避免地会有基差风险。当测定的天气（比如来自一个遥远的气象站）与生产地的实际天气不一致时，空间基准风险就会产生；当决定产量的天气被测量于一个错误的时间点，比如忽略了植物生长的脆弱阶段时，时间基准风险就会产生［23］；而设计基准风险表现为计划生产和实际生产之间的差异，通常一个地区的天气系统越复杂，设计基准风险就越高。

2.3 卫星、遥感技术的引入产生了新的指数保险

指数保险与卫星、遥感等现代技术工具结合成为了行业发展的新方向。近年来，随着越来越多的卫星数据开放以供使用，人们发现卫星图像很适合与农业保险相结合［24］。而2015年初发射的第一颗哨兵2号卫星使得用开放源数据直接监测草地植被成为可能［25］。大量遥感文献讨论了监测和估算草地产量的可能性。多种草地指数保险使用归一化差异植被指数（normalized difference vegetation index，NDVI）作为保险的基本指标，它能测量红色和红外区域的冠层反射率之间的关系。人们发现NDVI对于检测草原干旱具有强大的作用［26-27］。虽然预测的准确性通常很好，但它们并非没有错误。例如，NDVI与草产量之间的关系受叶片覆盖、大气散射和土壤背景的影响。所有这些因素都可能导致现场测量和卫星测量之间存在相当大的偏差［28］。而且由于测量的数量和质量可能与现场植被生长和健康的实际损失不完全相关，由此产生卫星保险的设计基准风险。

卫星、遥感技术还可以应用于区域产量和天气指数保险的设计、运行全过程。对于区域产量指数保险，通过这些技术可以得到宏观层面的植被状况估计，还可以定期进行产量估算。对于天气指数保险，这些技术有助于进行天气估计。例如，在赞比亚，基于卫星数据的棉花降水指数保险正在施行［29］。但地面气象台站仍然是天气预测的稳定可靠来源，利用卫星测算天气还是农业指数保险的一个探索性领域［25］。

2.4 指数选取原则

无论何种保险产品，都必须遵循“损失补偿”原则，即当保险事故使投保人遭受损失时，保险人必须在保险责任范围内对投保人所受的损失进行补偿［30］。指数保险通过控制基差风险来贯彻这一原则。这既要求选定的指数能很好地反映被保险方承受的损失，更要求理赔方案能良好地匹配指数和实际损失的关系，它对使用的数据源在质和量上都提出了极高的要求。通过对各类草原指数保险产品的回顾，总结出指数选取时的几个原则：1）与选定地区的具体情况相匹配。这样才能保证指数对实际损失具有较强的解释能力。如同样使用“基于指数的牲畜保险”这一产品，蒙古以县级的牲畜死亡率作为指数变量，肯尼亚则选取基于遥感反演的归一化植被指数。2）独立稳定可获取。选取的指数不应受到人为干扰，且须保证在较长时期内可以连续获得。3）数据来源渠道公开透明。指数保险需要的数据独立于保险双方，这既是它的突出优势，也是必须遵循的原则。同时，保险双方应当享受同等的获取信息的权力，避免信息不对称问题。4）易于解释，对用户友好。这对保险的推广应用来说尤其重要。

3 运营中的草原指数保险典型案例及其运行机制

3.1 区域产量指数保险

美国从2007年开始以“集团风险计划”的名义为牧草提供区域产量保险。这项保险始于1993年，最初是专门针对大豆（Glycine max）生产者的［31］，扩展到牧草和其他作物后，合同数量也显著增加［32］。最近，集团风险计划已被一项名为“区域风险保护保险（area risk protection insurance，ARPI）”的保险取代，但这仍然是原始保险［33］。它与其前身的不同之处在于，包括收入产品在内的所有集团产品都使用相同的名称。只要国家农业统计局（National Agricultural Statistics Service，NASS）估算的一个县的总产量低于该县的NASS产量预测值，就会产生回报［34］。该预测在收获日期前约6个月公布。NASS根据产量的历史记录，应用植物生长模拟模型、特定用途的卫星图像以及技术人员的抽样统计模型来确定风险区各种农作物的正常平均产量，以该平均产量的一定百分比作为保险额［31］。保险的空间分辨率设定为县级，这是因为在美国，县是具有历史区域产量数据的最小空间单位。由于农场的平均产量可能高于县平均产量，因此可以购买高达150%的保护［35］，一些关键信息如表1所示。

表1 运营中的草原区域产量指数保险典型案例一览Table 1 Overview of typical operational area yield index insurances for grasslands

蒙古政府在世界银行的协助下，从2005年开始研发“基于指数的牲畜保险”（index-based livestock insurance，IBLI）。这是由于1999-2002年，蒙古连续3年遭遇严冬，极端寒冷的天气之灾促使蒙古当局决定设计一份针对本国牧民、有效且持久的保险产品［36］。这款产品旨在保护牧户免受极端天气事件造成的经济损失，并且更快地恢复生产。在IBLI中，指数变量为县级牲畜死亡率，这一方面是因为除了金额之外，牲畜死亡率能够最直观地反映灾害的严重程度和牧民的损失，另一方面则是因为蒙古当局对历年数据的记录比较完整，便于参考。当该地区某一类牲畜死亡率超过6%时，便会触发赔偿（表1）。

3.2 天气指数保险

奥地利、德国、瑞士、加拿大、美国和中国都有运营中的天气指数保险。绝大部分国家都采用降水量作为指数变量，因为它是对农业收成最具决定性的指标之一。但各国指数的时间分辨率和空间分辨率却不一样，触发值和赔偿方式也各不相同，在设计层面上显示出一定的独立性［37-44］（表2）。

表2 运营中的草原天气指数保险典型案例［38-44］一览Table 2 Overview of typical operational weather index insurances for grasslands

奥地利的“草地指数”保险由奥地利冰雹保险公司提供。该方案以市为指数空间分辨率，在市政当局选择一个中央测量点，然后放置降水记录仪，记录每日的最大和最小降水量值。该保险的时间分辨率为5个月或42 d，如果5个月的累计降水量小于长期平均水平的36%，或者42 d的累计降水量小于长期平均水平的70%，就会触发收益。

德国从2014年开始起用的“天气计划”保险产品实现了高度定制化，保险公司为每个客户单独进行天气损害评估，并根据评估量身定制指数保险产品，指数变量、空间分辨率和触发条件均依据客户的具体条件和要求。德国根据49个气象站的历史日降水数据，构建了多站点降水模型，然后又用此模型预测未来的降水。这个模型是德国目前认可的总体最优模型，它使基差风险降低了20%~40%。

瑞士的“草原保险”选取的指数既有降水量，也有蒸发量，其中降水量来自5个地面雷达气象站的测量数据，蒸发量则是本国草甸蒸发量的国家特定值。该保险数据来源的精密性很高，通过260个气象站的降水测量来验证1 km×1 km网格化雷达数据。每日测量结果以6个月为范围进行汇总，当降水量小于长期平均水平的75%时触发收益。

加拿大有3个主要省份从21世纪初开始实行草原指数保险，且都允许客户选择最多3个气象站。最早的是安大略省从2000年开始运行的“饲草降雨计划”。在该项目中，主成分回归（PCR）和偏最小二乘回归（PLSR）模型被用于解决高维度和气象变量的多重共线性问题，最终发现指数覆盖的区域越小，降水与牧草产量的相关性越高，即空间分辨率的选取越精确，基差风险越小。在此基础上，确定时间分辨率为单月、双月或3个月，当单月降水量小于长期平均水平的85%时触发赔偿。若在收获期的10 d内，降水量大于5或7 mm，也可以触发赔偿。这样一来，无论面对干旱还是暴雨，都有了保护机制。此外，保险赔付金额根据土地类型的不同有所不同，改良的可耕种土地40~256美元·hm-2，改良牧场10~64美元·hm-2，未经改良的牧场10~16美元·hm-2。加拿大农业金融服务公司在阿尔伯塔省推出的“水分不足保险”以月为单位，保证任何月份都能抵御降水量不足。该保险分为两种，一种专供干旱发生频率高的春季，一种则全年都适用。前者的触发水平为70%，后者为80%。与前两个省份类似，萨斯喀彻温省的“饲草降雨保险项目”每4个月汇总一次日降水量，若小于长期平均水平的80%则产生赔偿。

美国有两类保险方案，其一是“牧场饲草降雨指数”保险（Rainfall Index Pasture，Rangeland，Forage，RIPRF），2007年起应用于美国东部地区草场；其二是“降雨指数年度饲料计划”（Rainfall Index Annual Forage Program，RIAFP），它是RI-PRF的年度饲草版本，应用于美国西部草场。它们的共同之处是降水数据均来源于美国国家海洋和大气管理局，空间分辨率为0.25°×0.25°的网格，且保险触发机制一致。但两者时间分辨率不同，对于RI-PRF，如果2个月的降水量低于平均降水量的70%~90%，就会触发赔偿；对于RIAPF，如果7个月的降水量低于平均降水量的70%~90%，农民获得赔款。至于具体触发值是70%~90%中的哪个数，则由农民自主选择。

我国草原天气指数保险起步晚（2015年），推行十分有限，只在内蒙古自治区和青海省的部分地区有相关产品的试点或运行，其中内蒙古自治区推行较广，这一方面源自当地畜牧业发达，另一方面则是因为地方政府的投入和高校的研究，如内蒙古农业大学主持的“牲畜天气指数保险”国家自然基金面上项目。

内蒙古自治区的天气指数保险始于锡林郭勒盟。2015年8月，中国人民财产保险股份有限公司内蒙古分公司与乌拉盖管理区的两个牧场签署了《草原牧区羊群天气指数保险合作协议》。这是内蒙古开展草原牧区天气指数保险成功签约的第一单，填补了我国牧区天气指数保险产品的空白。2016年10月，该产品引入阿巴嘎旗并更名为“草原牧区牛羊天气指数保险”。该产品根据草原牧区区域分散的实际，以牛、羊统计数据作为承保基数，将

因冬春季雪灾和夏秋季旱灾导致的农牧民饲养成本增加部分（被迫由散养状态转为舍饲或半舍饲养殖）作为赔付基础。为确保天气指数的科学性和准确性，气象部门应用卫星遥感技术，监测地表积雪分布和植被长势，加上气象信息员和助理员对草场情况的普查，将牧草高度、覆盖面积、草场载畜量等信息录入数据库，再结合地面监测数据进行评估。当气象指标达到保险要求时，在卫星遥感和地面监测的基础上，气象部门针对不确定区域，通过人工实地调查，查清雪情或旱情，为政府和相关部门提供决策数据。2018年，牛羊天气指数保险的引进地区延伸至呼伦贝尔市和鄂尔多斯市。2019年，该保险在锡林郭勒全盟展开试点，保险标的为肉羊，由纯商业保险转为地方财政性肉羊补贴保险。值得一提的是，此年度还附加承保由特大自然灾害造成的肉羊死亡，死亡率达60%时给予赔付［6］，这实际上是天气指数保险与区域产量指数保险的结合。

内蒙古苏尼特左旗2017年开始引进天气指数保险，该地区的两大主要气象灾害——雪灾和旱灾都被覆盖在内［37］。雪灾方面，指数变量为10个测量点的降雪量平均值。降雪的数据采集于每年11月1日至次年4月30日。当一次降雪量达到中雪，即≥2.5 mm时，需实地测量积雪深度；监测不到降雪量的地区，也需要气象信息员和助理员进行实地测量。降雪结束后，制作卫星遥感积雪覆盖图。旱灾方面，指数变量为相对蒸降差，当牧草的相对蒸降差达到旱灾等级标准时，触发赔偿。相对蒸降差是指牧草在生长期某一阶段的蒸降差与历年蒸降差的比值。苏尼特左旗的牧草生长期分为5个阶段，全生育期是4月18日-10月20日。在牧草的全生育期记录降水量和蒸发量等气象数据，然后在每个阶段结束后以行政村为单位，按照不同牧草类型和牧草生长期计算相对蒸降差是否达到旱灾等级标准。

2017年，上海安信保险和太平洋保险青海分公司在青海省果洛藏族自治州玛沁县开始试点“藏系羊牦牛降雪量气象指数保险项目”，它是国内第一个在高寒地区实施的指数保险产品［9］。由于雪灾是该地区的主要自然灾害，因此降雪量被选作指数。此次试点采用玛沁县气象局认可的下大武乡和优云乡气象站测得的实际累计降雪量的平均值作为本保险项目的理赔依据。在保险期间内，当两个乡气象站实测累计降雪量平均值到达设定的保险降雪量（35 mm）时，便会触发赔偿。赔偿按照降雪量差分为4等，当降雪量差在0~20 mm（含）时，赔付比例为降雪量差×0.08%；当降雪量差在20~40 mm（含）时，赔付比例为1.6%+（降雪量差-20）×0.10%；当降雪量差在40~60 mm（含）时，赔付比例为3.6%+（降雪量差-40）×0.11%；当降雪量差在60 mm以上时，赔付比例为5.8%+（降雪量差-60）×0.12%。

3.3 卫星遥感指数保险

法国、西班牙、加拿大、肯尼亚和埃塞俄比亚都利用卫星遥感技术研发了新的指数保险产品，其中除了法国使用自主构建的牧草生产指数（forage production index，FPI）作为指数变量以外，其他国家都选择了NDVI［40］（表3）。

表3 运营中的草原卫星遥感指数保险典型案例［40］一览Table 3 Overview of typical operational satellite/r emote-sensing index insur ances for gr asslands

法国常用模型来预测草地产量［45］。2015年起，由空中客车防务和航天公司开发的“草原保险”选取FPI这一能够最直接反映牧草生长情况的指标作为指数变量，以300 m×300 m作为空间分辨率，每天测量草覆盖的地面部分（fCover）［46］，每10 d汇总一次像素值到市政级别，还会补充农场个人提升水平和土壤类型［11］。

西班牙和加拿大阿尔伯塔省都使用NDVI作为指数来评估宏观干旱。NDVI数据常被用来比较植被的现状和长期平均状况，从而侦测异常和预计干旱［47-48］。在这基础上，许多研究都应用遥感数据来进行干旱管理［49-52］。在西班牙，250 m×250 m的像素聚集到355个同质牧场区域，只要该区域内的10 d复合物低于参考NDVI的触发水平，就会产生回报。为了减少基差风险，触发水平每5年会调整一次。在加拿大阿尔伯塔省，基于1 km×1 km的空间分辨率，每天的测量值集合成每周，当每周值的年平均值低于单季的85%或整季的90%时，产生赔偿。

肯尼亚的基于指数的牲畜保险（IBLI）是被讨论较多的一款草原指数保险产品。IBLI最初于2010年1月在肯尼亚的马萨比特县开始试点，逐渐覆盖肯尼亚北部的其他地区，并根据保险区内的不同情况将保险合同分为两种［53］。IBLI使用NDVI作为指标的理由有两个：第一是理论上，旱灾发生时，饲草缺乏，牲畜死亡数大大升高；第二是实践上，肯尼亚没有长期可靠的关于地区平均牲畜死亡率的记载。综上，既能预测干旱又有长期连续记录的NDVI是颇为合适的指标。当指标低于历史指数分布的第15个百分位数时，触发赔偿。埃塞俄比亚的基于指数的牲畜保险（IBLI）与肯尼亚的十分相似。2012年8月，它由国际牲畜研究所、康奈尔大学和Oromia保险公司一起引入埃塞俄比亚南部的博雷那地区［54］。它以与地区平均牲畜死亡率高度相关的NDVI为指数。同样当指标低于历史指数分布的第15个百分位数时，触发赔偿。

4 中国方案设计亟待开展

4.1 我国草原指数保险发展的阻碍

无论是与国外草原指数保险蓬勃发展的态势相比，还是与我国丰富的草原资源相比，我国的相关研究和产品都显示出极大的匮乏。然而，若要照搬国外经验也有重重阻碍。虽然许多国家已经形成了成熟的草原指数保险产品，但我国国情的特殊性和复杂性决定了不能照搬国外的经验。目前的阻碍主要有：1）气象站分布密度小，数据缺失严重。在保险设计层面，数据源的缺失是我国现阶段面临的最大问题。触发机制是构建一项指数保险的骨骼，而合理、准确的触发机制必然需要充分的数据源做支撑。与发达国家每12 km就有一个气象站的密度相比，我国尚未实现县级气象站全覆盖，差距悬殊。我国国家级气象站的分布如图1所示，西部草原牧区的气象站密集度明显低于东部农区，其中分布最稀疏的西藏甚至平均超过300 km才有一个站点。气象站的严重不足导致气象数据的不完整和不连续，不仅影响保险产品的设计，也不利于维持产品的运营。2）草原区幅员辽阔，气候复杂。我国草原区面积大、跨度广、气候类型多样且地区分异明显，单一产品无法做到全覆盖，必须因地制宜地进行开发，做好各区域风险区划。3）气象部门发布与指数保险所需的指标亟待协调与统一。气象部门发布的气象指标和灾害指数不是针对指数保险设立，在指标的灵敏性、稳健性、友好性等方面不能满足保险指数要求。若使用新构建的保险指数，气象部门在指数研发和标准认证的周期上难以满足指数保险亟待创新和发展的需求［8］。4）对草原指数保险的投入和重视不够。长期以来，由于经济发展水平相对落后，草原地区受到的关注一直不如其他地区。同样是指数保险，关于农业指数保险的研究更早、更多，全国许多地区也已经有了试点、运营的产品，而草原指数保险往往处于被忽略的状态。

图1 我国草原类型与国家级气象站点分布Fig.1 Grassland categories and state meteorological station distribution of China

4.2 以草原综合顺序分类法为框架自主设计草原指数保险

为解决我国草原区幅员辽阔、气候复杂的问题，引入草原综合顺序分类法，试图通过分类系统来对复杂的草原区整体问题进行地带性的简化。

草原综合顺序分类系统（comprehensive sequential classification system of grassland，CSCS）是20世纪50年代起由任继周等［55］创立的一种草地分类体系，它面向世界不同生境［56］，且拥有完全的自主知识产权［57-58］。如今，经过不断地修订、完善，草原综合顺序分类系统已经达到比较成熟的程度。在这个分类体系中，类是基本单位。它根据7个热量级和6个湿润度级，将草原分为42类［59］。这样一来，每个草原地区都能找到与之对应的类。每一特定类不仅包括了对应的水热、土地和植被等生境条件，也包括草地、野生动物、家畜等生产条件和生产特点［55］，即具有同一地带性农业气候特征。在类之下进一步根据土地特征（包括地形和土壤）划分为亚类，亚类之下根据植被特征划分为型［60］，划分越深入，对区域特征的归纳就越精确。

CSCS也是第一个面向全球的草地分类系统［61］。大多数已有的分类系统只适合特定区域或国家，并且只是描述已知的草地类型，没有考虑分类系统的全球周延性［60］。而CSCS具有生物分类系统林奈双名法和门捷列夫化学元素周期表类似的优点，既可容纳已知的类型，也可容纳未知的类型［58］。在全球及大陆尺度上的验证研究表明，CSCS不仅可以成功模拟冻原、荒漠、森林等潜在自然植被类型，而且可以更详细准确地划分草地类型［62-63］。因此，CSCS与草原指数保险的结合作为一种全新的、具有突破性的提议，将不仅为草原指数保险在中国的发展提出一份可行方案，也能为其他国家的研究提供参考。

进入21世纪，随着RS、GIS、GPS等技术及地统计学中气象要素空间插值方法的不断改进和完善，与这些技术结合使用的CSCS在划分草原类的方面越来越准确。RS技术的飞速发展，为研究CSCS各类草地遥感监测特征指标的时空分布格局及特征，以及亚类与型划分指标的定量化奠定了良好的基础。利用GIS和RS等技术，研发的CSCS类的电子地图可直接导入GPS，实现外业调查的空间定位，为亚类与型的准确划分提供基础底图［60］。Liang等［64］建立了基于GIS的草原综合顺序分类空间数据库及信息管理系统；马红彬等［65］利用CSCS将黄土高原草地划分为13类，并认为各草地类型分布情况符合黄土高原草地植被的分布规律；马轩龙等［66］使用基于改进的空间要素插值方法探究甘肃省草地类型划分，发现得到的结果基本上反映了甘肃天然草地发生规律和分布规律；Lin等［67-68］在CSCS的框架下成功预测了我国高寒草甸的多种属性对于气候变化的响应。

这些对于我国发展草原指数保险的意义是，可以每类草地为基础，设计不同的保险产品。由于农业指数保险产品的研发必须要围绕特定区域的自然系统特征，有针对性地进行设计，而同一类草地拥有相似的生态条件和生产特点，加上插值法的不断发展，所以可以弥补气象站不足和气象资料缺失。此外，在迅猛发展的“3S”技术等的辅助下，对类的划分愈发精准、特点把握愈加明确，设计出的指数保险产品也就更加符合被投保地区的实际情况，从而更好地保障投保人的利益。

4.3 以三大数据源为内核自主设计草原指数保险

为解决我国气象站分布密度小、数据缺失严重的问题，提出利用遥感技术、无人机技术和农牧户入户数据，从宏观、中观、微观3个层次补充数据源，构建起发展草原指数保险所需的数据库。然后通过系统分析该类型草地中多年气象、产量和经济数据之间的关系，明确该类型草原的触发机制。

4.3.1 遥感数据源提供宏观数据 目前，气象站点不足导致的数据不足是我国草原指数保险在设计阶段面临的最大阻碍。但随着大数据、区块链、保险科技和智慧气象等的高速发展，现代科学技术和算法已经能在很大程度上补足这一缺陷，为天气指数保险的开展赋予了很强的可行性。其中，遥感技术是重心和关键。

近年来，遥感技术在农业领域获得了广泛的应用，如估算作物产量、监测旱情、预测病虫害等。搭载高光谱摄像机的无人机或者遥感卫星能够快速准确地获取地面信息，结合GIS和GPS等技术工具后可以实现农情信息收集和分析的定时、定量、定位，客观性强，不受人为干扰。因此，在设计草原指数保险时，当确定目标地区后，除了使用当地已有气象站点的数据，还可以通过遥感的方式得到对地观测数据。通过卫星收集的遥感数据集往往能涵盖一个地区几十年的数据，为保险设计提供坚实的基础。如今，遥感数据已经被用于我国草原指数保险的设计中。李懿珈等［9］为西藏那曲地区11县设计的“畜牧业旱灾指数保险”使用基于站点实测数据的气象干旱指标和基于对地观测数据的遥感植被指数两大类进行草原干旱的监测，把在此基础上预测的草地鲜重作为关键指数。该遥感植被指数具有明显的优势，一方面，它在对实际损失进行指示的敏感性上优于部分气象干旱指数，因为它是对地表进行直接观测的结果；另一方面，它可以实现中高分辨率（>500 m）的空间连续观测，且自治区气象局具备生产和发布相关数据的能力，在空间代表性上优于气象干旱指数，可以比较好地控制基差风险的问题。易沵泺等［8］为内蒙古东部地区设计的“雪灾天气指数保险”把1978-2012年中国雪深长时间序列数据集作为数据源，该数据集的原始数据源是被动微波遥感数据。该遥感数据源的空间分辨率为25 km，时间分辨率为1 d，利用它可以统计各个尺度冬半年的逐日积雪深度。对于任意保险单元（如一个像元或一个旗县），给定任意临界积雪深度阈值，即可依据积雪深度逐日数据获得保险时期内实际积雪深度超过阈值的累计天数。通过对1978-2012年累计天数的数据进行分析与拟合，即可完成保险指数危险性的评估，十分便利。3.2中提到的内蒙古自治区的几种保险产品都参考了此设计的思路。

虽然利用遥感数据补充站点数据具有较强的可行性，但它在实施过程中并非没有阻碍。当前，气象部门是我国唯一法定的气象数据发布部门，遥感指数本身尚未纳入国家法定的数据观测和发布序列。但是，我国许多地区的气象局已经具备了EOS/MODIS原生数据接收的能力，并相应建立了基于MODIS-NDVI序列对农情监测的业务化运行体系，且相关的产品已经成为气象部门向政府进行灾害监测的重要依据，具备了一定的权威性［9］。同时，遥感技术还具备快速、准确、覆盖面积大等众多优点。因此，建议各地区政府和气象部门重视遥感工具的使用和遥感数据库的建立，将规范化的遥感数据也作为法定的气象数据来源。

4.3.2 无人机技术补充中观数据 无人机是现代草地研究和发展中应用最广、潜力最大的技术工具之一。在草原指数保险的设计中，无人机遥感和航拍能够提供强大的技术支撑。无人机遥感是卫星遥感的重要补充，具有时效性强、拍摄影像清晰、精度高的优点，更适合中小尺度范围和高频次的调查研究［69］。无人机遥感影像的分辨率可达厘米级，拍摄范围可达数百米，可以作为地面数据与遥感数据之间的中间纽带。通过无人机遥感搜集到的数据往往时空分辨率更高，与卫星遥感数据集结合使用，能够实现数据源的精细化；如果遥感数据集出现了缺失，搭载传感器的无人机也能及时搜集最新的数据补上。在保险中后期的指数监测与定损中，无人机也能发挥极大的作用。如在内蒙古苏尼特左旗的天气指数保险［37］中，对于不便监测的地方，完全可以用无人机来替代人工勘察。

此外，无人机遥感还可以与CSCS结合。由于物种间的相似性越高，识别率越低，因此分辨率远远高于卫星遥感影像的无人机遥感能够帮助CSCS实现更精确的物种识别和植被类型划分。无人机遥感技术结合机器学习算法是一种高效准确的植被监测方法，能够实现景观尺度上植被类型的自动划分，并且可以用于其他生态系统植被类型的划分和监测［69］。

4.3.3 农牧户入户调查得到微观数据 农牧民的入户数据是数据链中不可或缺的一环，既因为他们是草原生产的直接参与人，又因为他们是草原指数保险的主要投保人和受益人。农牧户在正常年份和受损年份的经济数据是入户调研最需要得到的信息，用它们来与该地区的产量、气象、NDVI等数据进行匹配，建立起不同变量之间的关系模型，然后计算得到该地的触发机制。此外，农牧局、气象局、草监局、保险公司等其他草原从业者提供的信息也是自主设计草原指数保险的重要参考，可以帮助更清晰地梳理该区域的成灾机制，有助于确定保险指数、触发水平和投保对象，进而制定后期理赔方案。易沵泺等［8］为内蒙古牧区羊群设计雪灾指数保险时，走访了养殖户代表、各类相关单位和基层农险公司，收集了研究区羊群典型气象灾害的类型、灾害强度、灾害发生频率以及研究区羊群规模、饲养状况以及基础设施条件等资料。李亚［6］在对内蒙古的“草原牧区牛羊旱灾指数保险”产品进行优化设计时，调查了73户投保牧户、保险公司和气象局，了解了牧户在不同年份的损益，并询问了他们对于该产品的满意度和看法。研究希望草原指数保险不仅能够补偿农牧户在受灾年份的经济损失，还能实现只要投保者当年的生产性收入偏离了正常年份的平均水平，就能获得赔偿。

4.4 中国方案构想

通过上文，得到了在中国自主设计草原指数保险的方法：以草原综合顺序分类法为框架，以遥感数据源为宏观数据，以无人机技术补充中观数据，通过农牧户入户调查得到微观数据，然后计算分析不同类型草地的产量/气象/NDVI与经济指标数据之间的关系，得到该类型草地的触发机制。当选定区域后，具体的步骤是：首先，在草原综合分类系统中找到它所属的类（亚类、型），以匹配它的气候、土地、植被等生境特征，初步推断该区域的经济受损状况；然后，通过宏、中、微观3个层面的数据源建立起属于该区域的数据库；最后，通过精密计算得到该区域的触发机制。在这过程中，气象站和遥感数据集提供的多年历史数据是基础，无人机可以补充观测，农牧户和相关机构提供经济数据。由于同一类（亚类、型）的草原地区具有相似的生态生产条件，且本研究提出的指数保险设计步骤具有极强的可移植性，因此，本方案能够引导不同草原类型找到自己的触发机制，进而帮助不同的草原地区设计出适合本区域的草原指数保险，从点到面，最终实现我国草原地区指数保险的全覆盖。