太倉市水稻氣象保險指數初探

趙偉榮，全堅宇，張宇紅，楊 洋

（1.太倉市氣象局，江蘇太倉 215400；2.太倉市農業技術推廣中心，江蘇太倉 215400）

0 引言

太倉地處長江入海口南岸，屬于長江三角洲沖積平原，自古一直是魚米之鄉，農業在其中占了很重要的角色。目前，太倉的農業經營模式形成了“園區化、合作化、產業化、農場化”的發展模式，并在全省率先實現糧食生產全程機械化。水稻在2019年太倉糧食作物總產量中占比達到40%，是最主要的糧食作物。而水稻作為露天農業，受氣象條件的制約性較強，連陰雨、少日照、暴雨等都是導致水稻減產的重要因素.

1 農業氣象保險

當前，各省各地都出臺了不同的政策性保險來保護和促進農業的發展，國際上比較早的和農業相關的保險產品[1，2]是由金融保險界推出的，分別為區域產量指數保險和氣象指數保險。其中，氣象指數保險通過設定氣象指標觸發機制，達到閾值即按照既定程序進行賠償，具有客觀、快速理賠和無需現場勘查的特點。如美國采用降水指數保險來增強農業在面對旱澇災害時的抗風險能力，南非使用氣象保險指數來幫助承擔霜凍引起的蘋果產量風險。以上研究本質上都是以氣象因子設計氣象指數保險，在實用性和保障性方面都取得了較好的效果。

目前的氣象指數保險主要是針對單一氣象要素對水稻產量展開評估，如湘中地區通過研究最高溫度對產量的影響，建立了高溫熱害氣象保險指數[3]，確定了高溫熱害氣象保險指數的賠付觸發系數和賠付標準。連云港市通過研究日照對產量的影響，建立以日照為氣象因子的水稻氣象保險指數[4]，并根據此確定保險費率認定。本研究選取多氣象要素對產量進行分析，通過直接建立氣象產量的回歸模型，直觀給出畝減產kg數，并按照減產比率是否達到10%進行賠付。

2 太倉市水稻氣象保險指數研究的資料和方法

2.1 研究資料

氣象資料：太倉市國家氣象基本站1990～2021年逐日平均氣溫、雨量、日照等。農業統計資料：太倉市農業技術推廣中心1990～2021年武香粳、武運粳系列水稻品種生長周期產量數據。

2.2 數據處理方法

2.2.1 水稻減產率計算

水稻的667m2產量隨著品種的變化和栽培技術的進步而產生變化（趨勢產量），同時也受氣象要素的影響而產生波動（氣象產量）。本文通過5年滑動平均法計算得出趨勢產量，再將實際產量分離成趨勢產量和氣象產量，公式如下：

式中，Y為當年實際的產量；

Yt為趨勢產量；

Yw為氣象產量。

定義相對產量指標R，公式如下：

同理，當R為正值時，表示增產了多少百分比，為負值時，表示減產了多少百分比。根據《江蘇省中央財政水稻種植保險條款》，當時，減產率未達到理賠最低標準；當時，即氣象災害引起的損失率達到10%，保險公司依照保險合同的約定開始履行賠償程序。

2.2.2 氣象因子的選取

根據太倉市農業技術推廣中心提供的《機插水稻氣象種植條件》（表1），可知對水稻產量影響最大的因子有雨量、雨日、平均氣溫、日照。根據對應生長周期，分別選出該周期對應的氣象數據，例如播種期雨量、播種期雨日、播種期平均溫度、播種期日照，每個周期4個氣象因子，合計24個。

表1 機插水稻種植氣象條件

3 結果與分析

3.1 氣象產量與多氣象因子的模型構建

利用SPSS26.0軟件，通過步進的線性回歸方式，分析并建立氣象產量與6個生長周期共24個氣象因子的線性回歸模型，對結果進行分析（表2）。

分析可知，在線性回歸建立模型的過程中，依次分別選取了齊穗期雨量、抽穗期雨日、成熟期平均溫度、齊穗期雨日、播種期日照、播種期雨日、齊穗期平均溫度、移栽期平均溫度共8個自變量，每個自變量因子的顯著性均小于0.05，說明選出的8個自變量對氣象產量均有顯著影響。其中，主要影響產量減產的氣象因子為齊穗期雨量、抽穗期雨日，兩者的標準系數分別為-0.577和-0.519。

由上分析，第八次回歸模型的擬合優度R達到了0.937，最終調整R方為0.821，擬合程度較好。同時根據德賓-沃森檢驗D-W=2.448，接近2，說明此模型選取的自變量因子之間相關性較不明顯（表3）。

表3 步進線性回歸逐次的模型摘要

可以看到，第八次建立的方程擬合指標較好，殘差1 896.523，顯著性低于0.001，可認為此回歸模型具有實用價值，能較好地反應氣象產量的變化規律（表4、圖1）。

圖1 多元線性回歸方程的直方圖

表4 多元線性回歸逐次方差分析結果

可以看出，直方圖與正態分布曲線較吻合，說明標準化殘差符合正態分布，P-P圖的散點基本處在對角線上（圖2）。綜合判斷，采用多元線性回歸來建模可以較好地反映物理量之間的關聯。

圖2 多元線性回歸方程P-P圖

3.2 模型分析

最終采用多元線性回歸方法，建立的氣象產量模型具體公式如下：

Yw=-354.541-1.401*齊穗期雨量-12.801*抽穗期雨日+6.765*成熟期平均溫度+19.417*齊穗期雨日＋1.178*播種期日照＋9.076*播種期雨日＋5.352*齊穗期平均溫度＋3.073*移栽期平均溫度

根據此公式，畫出1992-2017年實際氣象產量與預測氣象產量的對比圖（圖3）。

圖3 模型預測產量與實際

可以看出，預測氣象產量曲線能較好地反映出實際氣象產量的變化，預測指標也達到了基本對應的減產率。其中，2007年達到了減產10%的理賠標準，查找對應年份的氣象數據信息，可發現2007年減產的原因主要是受臺風暴雨影響，齊穗期雨量達到了36.9 mm，且基本集中在一天的雨量內，造成了大范圍倒伏。2020年的單產數據為625 kg，根據模型計算得出氣象產量為-4.0 kg，相對產量指標為-0.6%，存在一定程度減產，但影響較小。2021年的單產數據為619 kg，根據模型計算得出氣象產量為-24.7 kg，相對產量指標為-4.0%，存在一定程度減產，但未達到理賠標準（圖3、表5，其中，2020、2021年數據未列入表5中）。

表5 1992～2017年滑動平均產量、實際氣象產量、預測氣象產量數據

4 結論

研究綜合多氣象因子，直接以多元線性回歸的方式來擬合氣象產量。統計分析結果表明，可以較好地反應氣象災害造成的水稻減產，保險公司可以直接計算出水稻因為氣象導致的減產率，并套用既定的減產標準進行賠付。

本文設計的氣象產量模型主要通過氣象部門的客觀數據進行計算分析，受人為影響較小，在實際應用中可減少參保人對賠付標準是否達標的異議。本模型主要適用于武香粳、武運粳系列水稻品種的生長情況，其他水稻品種在適用前需對模型進行相應的分析調整。在實際應用過程中，應考慮到其他因素造成的減產情況，如病蟲草鼠害等，與氣象減產疊加后再啟動理賠程序。

文中用于計算的氣象數據僅為太倉國家氣象站的數據，實際的農場分布在各鎮各鄉，后期在研究時，應綜合考慮區域站的數據進行分析討論。本模型主要考慮的是對水稻完整生長周期的減產影響，實際情況可能在移栽期就出現較嚴重的減產情況。后續的研究開展將細化不同周期受到影響時的減產比率和賠付標準，并嘗試剔除非氣象災害導致的減產數據。