doi：10.15889/j.issn.1002-1302.2016.10.153

摘要：氣候變化可能導(dǎo)致未來(lái)自然災(zāi)害發(fā)生的頻率和危害強(qiáng)度的增加，評(píng)估投保者對(duì)自然災(zāi)害風(fēng)險(xiǎn)變化的感知和行為反應(yīng)，對(duì)于政府農(nóng)村金融政策和保險(xiǎn)公司營(yíng)銷(xiāo)策略的制定具有重要的指導(dǎo)意義。運(yùn)用條件價(jià)值法（CV），以中國(guó)遼寧盤(pán)錦市水稻保險(xiǎn)為例，評(píng)估農(nóng)戶對(duì)于颶風(fēng)災(zāi)害風(fēng)險(xiǎn)的認(rèn)知及對(duì)保險(xiǎn)產(chǎn)品的有效需求。結(jié)果表明，當(dāng)前盤(pán)錦市政府對(duì)颶風(fēng)災(zāi)害損失的補(bǔ)貼政策降低了農(nóng)戶對(duì)保險(xiǎn)的有效需求；引入風(fēng)險(xiǎn)梯度測(cè)量颶風(fēng)發(fā)生的基礎(chǔ)概率能夠幫助農(nóng)戶認(rèn)知低概率災(zāi)害風(fēng)險(xiǎn)變化的規(guī)律，從而提高農(nóng)戶對(duì)風(fēng)險(xiǎn)變化的敏感度與保險(xiǎn)支付意愿（WTP）。本研究方法對(duì)增加農(nóng)戶對(duì)低概率農(nóng)業(yè)保險(xiǎn)的有效需求、保險(xiǎn)公司設(shè)計(jì)保險(xiǎn)政策和政府調(diào)劑補(bǔ)貼方式來(lái)說(shuō)，具有非常實(shí)用的參考價(jià)值。

關(guān)鍵詞：低概率風(fēng)險(xiǎn)；意愿支付；農(nóng)業(yè)保險(xiǎn)；風(fēng)險(xiǎn)梯度

中圖分類(lèi)號(hào)： F840.66文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2016）10-0544-05

收稿日期：2015-08-18

基金項(xiàng)目：國(guó)家教育部人文社科青年基金（編號(hào)：11YJC630267）；中美農(nóng)業(yè)部國(guó)際合作項(xiàng)目（編號(hào)：No.53-3151-2-00017）；遼寧省教育廳人文社科一般項(xiàng)目 （編號(hào)：W2014284）；遼寧對(duì)外經(jīng)貿(mào)學(xué)院博士啟動(dòng)基金（編號(hào)：2013XJLXBSJJ007）。

作者簡(jiǎn)介：于洋（1977—），女，遼寧大連人，博士，副教授，研究方向?yàn)檗r(nóng)業(yè)經(jīng)濟(jì)、金融保險(xiǎn)。E-mail：yuyang770727@163.com。國(guó)內(nèi)外已有很多學(xué)者對(duì)低概率——高風(fēng)險(xiǎn)事件（如冰雹、山崩滑坡、地震和洪澇等）的保險(xiǎn)需求問(wèn)題進(jìn)行過(guò)研究，如于洋等[1]和Kriesel 等[2]的研究?；谌藗儗?duì)風(fēng)險(xiǎn)決策行為的研究結(jié)論一致認(rèn)為，低概率災(zāi)害風(fēng)險(xiǎn)往往被忽視。如Kunreuther等[3]和張峭等[4]研究表明，中國(guó)大多數(shù)農(nóng)戶都忽略了颶風(fēng)、洪澇和冰雹可能造成的風(fēng)險(xiǎn)損失而降低他們的投保意愿。氣候變化可能使自然災(zāi)害發(fā)生的強(qiáng)度和頻度有所增加 （IPCC，2007），那么是否值得對(duì)某一災(zāi)害風(fēng)險(xiǎn)進(jìn)行投保以減少農(nóng)作物的損失將是農(nóng)戶面臨的一個(gè)嚴(yán)峻挑戰(zhàn)。需要注意的是，如果氣候變化使得風(fēng)險(xiǎn)持續(xù)增加或演變成一種動(dòng)態(tài)化的風(fēng)險(xiǎn)[5]，那么保險(xiǎn)公司將不再對(duì)該類(lèi)氣候?yàn)?zāi)害提供保險(xiǎn)，而可能會(huì)周期性地調(diào)整保費(fèi)。近幾年，國(guó)內(nèi)有學(xué)者利用信息擴(kuò)散模型和風(fēng)險(xiǎn)等級(jí)劃分，得出不同程度水旱災(zāi)害發(fā)生的可能性及其時(shí)空特點(diǎn)[6]，因此，這種農(nóng)業(yè)巨災(zāi)保險(xiǎn)具有廣大的潛在市場(chǎng)需求，但其開(kāi)展和推廣需要政府的參與[7]。研究颶風(fēng)保險(xiǎn)需求的影響因素需要注意兩方面問(wèn)題：（1）農(nóng)戶是否忽略了氣候變化引起的低概率風(fēng)險(xiǎn)的變化；（2）如果沒(méi)有忽略這類(lèi)風(fēng)險(xiǎn)，具備保險(xiǎn)意識(shí)的農(nóng)戶的保險(xiǎn)需求是否可能會(huì)因?yàn)?zāi)害的增加受到影響。另外，條件價(jià)值評(píng)估方法（contingent valuation，CV）有助于農(nóng)戶改善如何運(yùn)用保險(xiǎn)減輕颶風(fēng)損失的認(rèn)知[8-9]，而目前國(guó)內(nèi)此類(lèi)研究尚屬空白。

本研究采用條件價(jià)值法（CV），以中國(guó)遼寧省盤(pán)錦市水稻保險(xiǎn)為例，研究當(dāng)前的風(fēng)險(xiǎn)概率和預(yù)期氣候變化下農(nóng)戶對(duì)于颶風(fēng)災(zāi)害的風(fēng)險(xiǎn)認(rèn)知程度、有效需求和對(duì)颶風(fēng)保險(xiǎn)支付意愿。需要強(qiáng)調(diào)的是：（1）是否購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)這一決策取決于農(nóng)戶的先驗(yàn)認(rèn)知概率和樣本風(fēng)險(xiǎn)信息，也就是基于貝葉斯更新的概率模型[10]。（2）通過(guò)引入風(fēng)險(xiǎn)梯度量表，可以幫助被調(diào)查農(nóng)戶理解問(wèn)卷中風(fēng)險(xiǎn)變化的差別，進(jìn)而估計(jì)出相應(yīng)風(fēng)險(xiǎn)條件下的保險(xiǎn)支付意愿。（3）政府和農(nóng)戶個(gè)人共同承保颶風(fēng)損失的政策性保險(xiǎn)[11]，與政府巨災(zāi)補(bǔ)貼政策相比的優(yōu)勢(shì)，在于農(nóng)戶個(gè)人的保險(xiǎn)資金將比只有政府補(bǔ)貼或政府部分額度補(bǔ)貼更為安全。因此，本研究不僅將在低概率氣候變化引發(fā)的作物保險(xiǎn)需求方面為政府和保險(xiǎn)公司提供一個(gè)有效的視角，同時(shí)也將考察當(dāng)前由政府提供部分補(bǔ)貼的政策對(duì)颶風(fēng)保險(xiǎn)WTP的效用。

1樣本地區(qū)颶風(fēng)風(fēng)險(xiǎn)現(xiàn)狀

幾十年來(lái)，風(fēng)災(zāi)風(fēng)險(xiǎn)一直是盤(pán)錦面臨的一個(gè)重大風(fēng)險(xiǎn)管理問(wèn)題，而且由于其平坦的平原地形和潛在的氣候變化，這一問(wèn)題將逐年加劇。盤(pán)錦位于中國(guó)東北地區(qū)遼寧省中西部，共有214 000戶農(nóng)村人口，其中大部分農(nóng)戶靠種植業(yè)尤其是稻米種植謀生。據(jù)最近一項(xiàng)關(guān)于該地區(qū)農(nóng)戶的調(diào)查結(jié)果顯示，當(dāng)前種植業(yè)最值得關(guān)注的風(fēng)險(xiǎn)因素是由氣候變化引起的各類(lèi)自然災(zāi)害造成的稻米產(chǎn)量風(fēng)險(xiǎn)[12]。統(tǒng)計(jì)顯示，該地區(qū)過(guò)去30年間每年有21 367 hm2的耕地遭遇過(guò)自然災(zāi)害，如洪澇、旱災(zāi)、冰雹和大風(fēng)，這些風(fēng)險(xiǎn)每年造成的產(chǎn)量損失分別為45%、37%、11%和1%[13]。從歷史數(shù)據(jù)來(lái)看，盤(pán)錦地區(qū)發(fā)生過(guò)的強(qiáng)風(fēng)如颶風(fēng)，是低概率但影響較大的災(zāi)害，而致命性颶風(fēng)災(zāi)害發(fā)生的概率約是1/100。氣象預(yù)測(cè)表明由于受北部?jī)?nèi)蒙古自治區(qū)的極端降雨天氣、土壤流失的影響，盤(pán)錦地區(qū)未來(lái)發(fā)生颶風(fēng)災(zāi)害的概率將會(huì)增加[14]。

2農(nóng)戶對(duì)颶風(fēng)風(fēng)險(xiǎn)概率的認(rèn)知

為評(píng)估農(nóng)戶對(duì)風(fēng)險(xiǎn)概率尤其是低概率災(zāi)害發(fā)生可能性的認(rèn)知，筆者所在學(xué)院和大連理工大學(xué)農(nóng)業(yè)風(fēng)險(xiǎn)管理研究中心共同組建調(diào)研小組，于2015年7—8月對(duì)遼寧省盤(pán)錦市水稻種植農(nóng)戶進(jìn)行了實(shí)地調(diào)查。本次調(diào)查的地點(diǎn)是盤(pán)錦市鄉(xiāng)鎮(zhèn)會(huì)議大廳，對(duì)2個(gè)鄉(xiāng)鎮(zhèn)管委會(huì)采取分層抽樣的方法選出的300名典型稻米種植農(nóng)戶進(jìn)行問(wèn)卷調(diào)查，問(wèn)卷實(shí)施過(guò)程中調(diào)研小組在旁進(jìn)行指導(dǎo)說(shuō)明。此次調(diào)查共收回300份問(wèn)卷，剔除缺失和無(wú)效樣本之后得到280個(gè)觀察值，樣本有效率較高，達(dá)到93.33%。

本次調(diào)查問(wèn)卷中，借鑒國(guó)內(nèi)外相關(guān)研究采用的風(fēng)險(xiǎn)梯度來(lái)解釋基準(zhǔn)概率和概率的變動(dòng)。經(jīng)過(guò)調(diào)查小組詳細(xì)解釋災(zāi)害性事件發(fā)生的低概率性之后，被調(diào)查農(nóng)戶最終可以選擇合適的保護(hù)級(jí)別或確定是否購(gòu)買(mǎi)這些風(fēng)險(xiǎn)保險(xiǎn)。同時(shí)，調(diào)查中引入風(fēng)險(xiǎn)梯度視覺(jué)工具幫助被調(diào)查農(nóng)戶理解風(fēng)險(xiǎn)概率的含義[15]。通過(guò)將低概率風(fēng)險(xiǎn)的概率與過(guò)去常見(jiàn)的風(fēng)險(xiǎn)概率進(jìn)行對(duì)比，有助于農(nóng)戶對(duì)颶風(fēng)風(fēng)險(xiǎn)概率的認(rèn)知。

3問(wèn)卷調(diào)查與樣本描述

3.1問(wèn)卷設(shè)計(jì)及調(diào)查

問(wèn)卷調(diào)查的內(nèi)容包括被調(diào)查農(nóng)戶遭遇颶風(fēng)災(zāi)害的經(jīng)歷及損失大小；災(zāi)害發(fā)生的原因；個(gè)人對(duì)颶風(fēng)風(fēng)險(xiǎn)的感知；農(nóng)戶的社會(huì)經(jīng)濟(jì)變量。通過(guò)3個(gè)CV問(wèn)題、采用支付卡的方法獲得農(nóng)戶對(duì)颶風(fēng)風(fēng)險(xiǎn)的保險(xiǎn)需求（表1）。

筆者根據(jù)當(dāng)前的颶風(fēng)災(zāi)害的概率1/100和由于氣候變化對(duì)應(yīng)的颶風(fēng)災(zāi)害風(fēng)險(xiǎn)的概率1/60、1/30分別對(duì)農(nóng)戶的 WTP進(jìn)行測(cè)算。通過(guò)定義風(fēng)險(xiǎn)梯度（表2）幫助被調(diào)查農(nóng)戶理解颶風(fēng)災(zāi)害發(fā)生的概率，參照風(fēng)險(xiǎn)種類(lèi)是旱災(zāi)、洪澇、動(dòng)物傳染病、冰雹和車(chē)被盜，并列出這些災(zāi)害每年出現(xiàn)的概率。

3.2樣本描述

考慮到多數(shù)家庭中戶主是男性，掌握著家庭開(kāi)支的決定權(quán)，選擇的男性樣本比女性樣本多一些，占70%。樣本總體的平均年齡是45歲，另外55歲以上的占12%，雖然這個(gè)比例小于盤(pán)錦的人口統(tǒng)計(jì)的比例，但筆者認(rèn)為可以接受，因?yàn)闉?zāi)害出現(xiàn)的概率一般是幾十年一遇，而老年人再次遇到災(zāi)害的概率相對(duì)較小。表3是颶風(fēng)發(fā)生的不同概率下，相應(yīng)的愿意投保（WTI）的被調(diào)查農(nóng)戶人數(shù)比例、被調(diào)查農(nóng)戶的平均意愿支付水平（WTP）和愿意投保的被調(diào)查農(nóng)戶的平均意愿支付水平（CWTP）。

WTI指的是盤(pán)錦被調(diào)查水稻種植戶中愿意購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)的人數(shù)百分比。WTP表示農(nóng)戶愿意為颶風(fēng)保險(xiǎn)支付的平均金額，也是政策制定者了解引入颶風(fēng)保險(xiǎn)福利效應(yīng)的渠道。CWTP是愿意購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)的水稻種植戶的平均支付意愿水平，它可以估計(jì)每種政策下參保農(nóng)戶潛在保費(fèi)收入。CWTP較個(gè)人平均預(yù)期損失值相比能夠更加合理地衡量保險(xiǎn)公司對(duì)預(yù)期颶風(fēng)損失愿意賠償?shù)淖畲蟊ＹM(fèi)。由表3可知，在不同的颶風(fēng)風(fēng)險(xiǎn)概率下，無(wú)論政府救濟(jì)是否有效以及是否使用風(fēng)險(xiǎn)梯度描述風(fēng)險(xiǎn)，農(nóng)戶的WTI均在20%～60%波動(dòng)。由全額補(bǔ)償颶風(fēng)損失測(cè)算得出WTP和CWTP值，根據(jù)問(wèn)卷調(diào)查得到農(nóng)戶對(duì)颶風(fēng)保險(xiǎn)的平均WTP介于62.94～85.92元/hm2，平均CWTP介于209.10～279.72元/hm2。因此，將CWTP與每種保險(xiǎn)政策的預(yù)期損失進(jìn)行比較非常必要，因?yàn)楦鶕?jù)CWTP可以估計(jì)出農(nóng)戶愿意為預(yù)期颶風(fēng)災(zāi)害支付的最大“風(fēng)險(xiǎn)保費(fèi)”。這個(gè)“風(fēng)險(xiǎn)保費(fèi)”就是農(nóng)戶對(duì)颶風(fēng)保險(xiǎn)的意愿支付，可由式（1）表示：

風(fēng)險(xiǎn)保費(fèi)=CWTP-暴風(fēng)概率×預(yù)期損失。（1）

由于樣本地區(qū)當(dāng)前出現(xiàn)颶風(fēng)的概率是1/100，颶風(fēng)災(zāi)害的預(yù)期損失值可以由“颶風(fēng)概率×預(yù)期損失”得到，即（1/100）×16 800=168.00元/hm2。由表3可知，在颶風(fēng)發(fā)生的概率為 1/100 的情況下，CWTP介于209.10～27972元/hm2。因此，風(fēng)險(xiǎn)保費(fèi)應(yīng)為41.10～111.72元/hm2。顯然，CWTP高于當(dāng)前氣候下1 hm2預(yù)期的颶風(fēng)損失，這說(shuō)明想要參保的農(nóng)戶意愿支付水平大于預(yù)期颶風(fēng)損失。本研究將進(jìn)一步用統(tǒng)計(jì)模型分別解釋風(fēng)險(xiǎn)等級(jí)、颶風(fēng)概率和政府救濟(jì)對(duì)農(nóng)戶WTP的影響。

4模型設(shè)定

根據(jù)CV問(wèn)卷，筆者設(shè)定一個(gè)半對(duì)數(shù)模型來(lái)評(píng)估農(nóng)戶颶風(fēng)保險(xiǎn)的WTP，目的是通過(guò)“彈性”來(lái)反映自變量對(duì)因變量變化的敏感程度，使估計(jì)結(jié)果更加直觀、有效。假設(shè)被調(diào)查農(nóng)戶n的WTP取決于颶風(fēng)出現(xiàn)的概率ρn、颶風(fēng)帶來(lái)的預(yù)期損失wn、政府補(bǔ)償gn和個(gè)人社會(huì)經(jīng)濟(jì)特征xn。那么其WTP可以表示為（2）式：

WTP=exp（β1xn）×exp（β2gn）×wnβ3×Pnβ4×exp（εn）。（2）

式中：xn代表1×k的個(gè)人社會(huì)經(jīng)濟(jì)特征向量，εn是誤差項(xiàng)。

為使研究結(jié)果更趨于真實(shí)，在已知逆事件概率的情況下，筆者會(huì)將先驗(yàn)概率進(jìn)行貝葉斯更新，采用貝葉斯模型可以分別考察颶風(fēng)風(fēng)險(xiǎn)的先驗(yàn)概率和樣本概率對(duì)后驗(yàn)概率的影響程度。貝葉斯更新模型見(jiàn)（3）式：

ρ0n*=ασn+θpnα+θ。（3）

式中：α和θ分別是風(fēng)颶風(fēng)險(xiǎn)的先驗(yàn)概率σn、樣本概率Pn的權(quán)重?？梢?jiàn)如果將颶風(fēng)發(fā)生的概率進(jìn)行貝葉斯更新，農(nóng)戶WTP將不僅取決于樣本中颶風(fēng)發(fā)生的概率還取決于先驗(yàn)概率。基于貝葉斯模型的WTP方程為：

WTPn=exp（β1xn）×exp（β2gn）×wnβ3×ασn+θpnα+θβ4×exp（εn）。（4）

颶風(fēng)發(fā)生的先驗(yàn)概率不需要觀測(cè)，而樣本概率需要根據(jù)問(wèn)卷調(diào)查得到。用貝葉斯更新的后驗(yàn)概率替代先驗(yàn)概率得到（4）式。另外，用感知颶風(fēng)風(fēng)險(xiǎn)的變量vn替代方程中的σn并對(duì)（4）式取自然對(duì)數(shù)得到（5）式：

lnWTPn=β1xn+β2gn+β3lnwn+β4lnpn+β5vn+εn。（5）

風(fēng)險(xiǎn)梯度變化對(duì)颶風(fēng)保險(xiǎn)支付意愿變化的敏感效應(yīng)可以通過(guò)交叉作用項(xiàng)RGn×pn來(lái)表示，其中RGn=1，出現(xiàn)某一風(fēng)險(xiǎn)級(jí)別

0，無(wú)風(fēng)險(xiǎn)，通過(guò)RGn就可以直接測(cè)算出某一風(fēng)險(xiǎn)梯度相應(yīng)的意愿支付。那么測(cè)算風(fēng)險(xiǎn)概率的模型可以表示為：

lnWTPn=β1xn+β2gn+β3lnwn+β4lnpn+β5vn+β6lnpn×RGn+β7×RGnεn。（6）

式中：β4、β4+β6分別代表無(wú)（有）風(fēng)險(xiǎn)梯度的問(wèn)卷樣本下的概率效應(yīng)，若β4=1或β4+β6=1，那么WTP將與風(fēng)險(xiǎn)呈比例變動(dòng)。

最后，因?yàn)槊總€(gè)樣本都將在不同颶風(fēng)發(fā)生的概率下給出相應(yīng)的意愿支付水平，所以將回歸方程（6）表示成如下的面板數(shù)據(jù)模型：

lnWTPnt=β1xn+β2gn+β3lnwn+β4lnpnt+β5vn+β6lnpnt×RGn+β7×RGn+εnt。（7）

其中n=1，2，…，N；t=1，2，3。

筆者基于以下2點(diǎn)考慮：（1）對(duì)上述模型進(jìn)行計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)時(shí)發(fā)現(xiàn)擾動(dòng)項(xiàng)與解釋變量不相關(guān)；（2）WTP是正的連續(xù)變量（受限因變量），且問(wèn)卷調(diào)查中被調(diào)查農(nóng)戶可以選擇支付卡中的任何值作為意愿支付。因此，采用隨機(jī)效用TOBIT（截取回歸）模型。

ynt=αn+xntβ+εnt。（8）

式中：εnt～N[0，σε2]，αn～N[0，σα2]且ynt=ynt*，若ynt*>0

0，若ynt*<0。那么隨機(jī)效應(yīng)Tobit模型的極大似然值為∑Nn=1lnf（yn|Xn，β，σε2，σα2），其中：

f（yn|Xn，β，σε2，σα2）=∫∏Ti=11σεntwnt[1-Φnt]1-wnt12πσα2exp-αn2σα22dαn。（9）

且nt=[（ynt-α-xnt′β）/σε]，Φnt=Φ[（αn+xnt′β）/σε]，其中（·）和Φ（·）分別服從標(biāo)準(zhǔn)概率密度函數(shù)、累計(jì)密度函數(shù)。

關(guān)于解釋變量的類(lèi)型及其描述性統(tǒng)計(jì)見(jiàn)表4。

表4定義變量類(lèi)型

氣候變化導(dǎo)致出現(xiàn)較高

的颶風(fēng)風(fēng)險(xiǎn)虛擬變量，1=氣候變化會(huì)

導(dǎo)致較高的颶風(fēng)風(fēng)險(xiǎn)遭遇颶風(fēng)破壞的風(fēng)險(xiǎn)分類(lèi)變量 （1～7），1=無(wú)風(fēng)險(xiǎn)，7=風(fēng)險(xiǎn)非常高颶風(fēng)發(fā)生的風(fēng)險(xiǎn)小于均值虛擬變量，1=颶風(fēng)發(fā)生的風(fēng)險(xiǎn)小于均值颶風(fēng)導(dǎo)致的預(yù)期損失為零虛擬變量，1=颶風(fēng)沒(méi)有帶來(lái)?yè)p失颶風(fēng)導(dǎo)致的預(yù)期損失金額連續(xù)變量，損失金額預(yù)期重現(xiàn)期為零虛擬變量，1=預(yù)期重現(xiàn)期為零預(yù)期颶風(fēng)重現(xiàn)期連續(xù)變量，颶風(fēng)重現(xiàn)的間隔年數(shù)颶風(fēng)是不可控的外生變量虛擬變量，1=颶風(fēng)是氣候或自然條件造成的而非人為因素颶風(fēng)經(jīng)歷虛擬變量，1=被調(diào)查農(nóng)戶曾遭受颶風(fēng)保險(xiǎn)購(gòu)買(mǎi)指數(shù)虛擬變量，1=被調(diào)查農(nóng)戶購(gòu)買(mǎi)過(guò)下列保險(xiǎn)：無(wú)免賠醫(yī)療保險(xiǎn)、房險(xiǎn)，、車(chē)險(xiǎn)、旅游險(xiǎn)、壽險(xiǎn)。冒險(xiǎn)指數(shù)分類(lèi)變量 （1～5），1=非常厭惡風(fēng)險(xiǎn)，5=風(fēng)險(xiǎn)偏好。區(qū)域無(wú)防風(fēng)帶虛擬變量，1=區(qū)域無(wú)防風(fēng)帶女性 虛擬變量，1=被調(diào)查農(nóng)戶是女性年齡 連續(xù)變量，年齡高中學(xué)歷虛擬變量，1=具有高中學(xué)歷收入連續(xù)變量，每月每個(gè)家庭的稅后收入（元）注：被調(diào)查農(nóng)戶的收入從區(qū)間長(zhǎng)度為3 000元的3 000元～60 000 元之間的區(qū)間中選擇。

5實(shí)證分析

5.1場(chǎng)景分析

本研究應(yīng)用Limdep統(tǒng)計(jì)軟件進(jìn)行運(yùn)算，得到面板Tobit模型的參數(shù)估計(jì)結(jié)果，見(jiàn)表5。

風(fēng)險(xiǎn)梯度與農(nóng)戶WTP的關(guān)系在0.01的水平下顯著正影響。在有風(fēng)險(xiǎn)梯度的問(wèn)卷樣本中，概率的敏感性將比沒(méi)有風(fēng)險(xiǎn)梯度的問(wèn)卷樣本高出47%。另外，隨著風(fēng)險(xiǎn)梯度的增加，農(nóng)戶WTP也相應(yīng)增加；風(fēng)險(xiǎn)梯度每增加一級(jí)，WTP將增加44%。相對(duì)于1/100～1/60的概率變動(dòng)來(lái)說(shuō)，在沒(méi)有風(fēng)險(xiǎn)梯度和政府補(bǔ)助的問(wèn)卷樣本中，農(nóng)戶WTP在26%～30%變動(dòng)小于概率變動(dòng)，在3%～9%變動(dòng)接近概率變動(dòng)，在1%～2%變動(dòng)大于概率變動(dòng)?？偟膩?lái)說(shuō)，很少有被調(diào)查農(nóng)戶將其WTP與問(wèn)卷中颶風(fēng)發(fā)生的概率成比例變動(dòng)或高于比例調(diào)整。顯然，引入風(fēng)險(xiǎn)梯度的方式幫助農(nóng)戶理解風(fēng)險(xiǎn)，對(duì)投保農(nóng)戶按照概率變動(dòng)來(lái)調(diào)整其WTP和改善WTP等級(jí)顯著的作用。

政府補(bǔ)貼與WTP的關(guān)系為負(fù)顯著影響。這表明，如果農(nóng)戶認(rèn)為政府將對(duì)颶風(fēng)損失進(jìn)行補(bǔ)貼，其颶風(fēng)保險(xiǎn)的需求將會(huì)降低；如果在政府不進(jìn)行補(bǔ)貼而保險(xiǎn)公司進(jìn)行颶風(fēng)損失補(bǔ)償?shù)那闆r下，颶風(fēng)保險(xiǎn)的需求將會(huì)提高。邊際效應(yīng)的測(cè)算結(jié)果表明，如果政府提高1%的補(bǔ)貼金額，農(nóng)戶颶風(fēng)保險(xiǎn)WTP將會(huì)降低3%。

5.2風(fēng)險(xiǎn)感知

由表5可知，風(fēng)險(xiǎn)感知的變量在統(tǒng)計(jì)上幾乎都顯著。如果被調(diào)查農(nóng)戶認(rèn)為氣候變化將導(dǎo)致颶風(fēng)風(fēng)險(xiǎn)的增加，那么他們的WTP將相應(yīng)增加22%。“遭遇颶風(fēng)破壞的風(fēng)險(xiǎn)”系數(shù)為正，說(shuō)明WTP與遭受颶風(fēng)破壞的預(yù)期概率為正相關(guān)關(guān)系。

預(yù)期風(fēng)險(xiǎn)損失包括2個(gè)變量，如果被調(diào)查農(nóng)戶預(yù)期颶風(fēng)損失為0，那么WTP相應(yīng)降低39%，反之亦然。如果被調(diào)查農(nóng)戶預(yù)期颶風(fēng)的重現(xiàn)期為0，那么WTP降低21%。這一結(jié)論與美國(guó)學(xué)者M(jìn)ichel-Kerjan等對(duì)洪澇風(fēng)險(xiǎn)感知的研究結(jié)論[16]相一致。

5.3被調(diào)查農(nóng)戶的風(fēng)險(xiǎn)規(guī)避態(tài)度

模型中有2個(gè)反映被調(diào)查農(nóng)戶風(fēng)險(xiǎn)態(tài)度的變量。一個(gè)是保險(xiǎn)購(gòu)買(mǎi)指數(shù)，該變量的系數(shù)為正向顯著，說(shuō)明被調(diào)查農(nóng)戶具有較高的購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)的需求。另外一個(gè)冒險(xiǎn)行為指數(shù)，該變量的系數(shù)為負(fù)向顯著，說(shuō)明越是風(fēng)險(xiǎn)偏好型農(nóng)戶，其颶風(fēng)保險(xiǎn)的WTP越小。

5.4社會(huì)經(jīng)濟(jì)特征分析

由表5可知，如果被調(diào)查農(nóng)戶中女性的比例增加1%，那么其WTP將降低25%。雖然多數(shù)研究并沒(méi)有得出性別對(duì)風(fēng)險(xiǎn)態(tài)度產(chǎn)生影響[17]，但Croson等得出的研究結(jié)論是：男性比女性更偏好風(fēng)險(xiǎn)[18]。這與我們的研究結(jié)論非常接近，年齡對(duì)颶風(fēng)保險(xiǎn)需求的影響為負(fù)。通過(guò)與現(xiàn)有的實(shí)證研究進(jìn)行對(duì)比，我們發(fā)現(xiàn)風(fēng)險(xiǎn)規(guī)避程度隨著年齡的增加而增加。學(xué)歷的高低對(duì)農(nóng)戶WTP的影響不大，僅僅在0.1的水平上具有顯著性。家庭凈收入對(duì)颶風(fēng)保險(xiǎn)的WTP雖有正向影響，但表現(xiàn)不顯著。

6結(jié)論

本研究以中國(guó)遼寧省糧食主產(chǎn)區(qū)盤(pán)錦市水稻種植農(nóng)戶為調(diào)研對(duì)象，通過(guò)引入風(fēng)險(xiǎn)梯度視覺(jué)工具進(jìn)行調(diào)查問(wèn)卷的設(shè)計(jì)，采用條件價(jià)值法（CV）獲取數(shù)據(jù)，構(gòu)建貝葉斯更新模型和隨機(jī)效用TOBIT模型估計(jì)了農(nóng)戶對(duì)低概率颶風(fēng)保險(xiǎn)的需求及其對(duì)支付意愿的影響。得出的主要結(jié)論有以下幾點(diǎn)。

第一，颶風(fēng)風(fēng)險(xiǎn)感知對(duì)幫助農(nóng)戶客觀認(rèn)知風(fēng)險(xiǎn)、提高保險(xiǎn)的有效需求非常重要，而且農(nóng)戶感知的颶風(fēng)風(fēng)險(xiǎn)越大，相應(yīng)的支付意愿就會(huì)越高。颶風(fēng)風(fēng)險(xiǎn)概率增加1倍，農(nóng)戶支付意愿將增加18倍。風(fēng)險(xiǎn)梯度用于反映農(nóng)戶感知的颶風(fēng)概率變動(dòng)對(duì)支付意愿變化的敏感程度，可以促進(jìn)被調(diào)查農(nóng)戶對(duì)颶風(fēng)概率的感知。隨著風(fēng)險(xiǎn)梯度的增加，農(nóng)戶支付意愿也相應(yīng)增加；風(fēng)險(xiǎn)梯度每增加一級(jí)，保險(xiǎn)支付意愿將增加44%。因此，將風(fēng)險(xiǎn)梯度引入調(diào)查問(wèn)卷能夠使被調(diào)查農(nóng)戶做出更加理性的決策，否則，超過(guò)半數(shù)的農(nóng)戶忽略了風(fēng)險(xiǎn)，僅有1/10愿意購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)。雖然氣候的變化引起了農(nóng)戶對(duì)颶風(fēng)風(fēng)險(xiǎn)的重視，但農(nóng)戶認(rèn)為政府將進(jìn)行補(bǔ)貼，其保險(xiǎn)需求會(huì)降低，且政府補(bǔ)貼金額增加1倍，農(nóng)戶支付意愿將減少3倍。因此，本研究方法對(duì)增加農(nóng)戶對(duì)低概率颶風(fēng)保險(xiǎn)需求、保險(xiǎn)公司設(shè)計(jì)保險(xiǎn)政策和政府調(diào)劑補(bǔ)貼方式來(lái)說(shuō)，具有非常實(shí)用的參考價(jià)值。

第二，雖然農(nóng)戶對(duì)潛在的颶風(fēng)風(fēng)險(xiǎn)損失充分感知后，保險(xiǎn)的有效需求得到增加，但相對(duì)于風(fēng)險(xiǎn)規(guī)避型農(nóng)戶，風(fēng)險(xiǎn)偏好型農(nóng)戶的保險(xiǎn)支付意愿更小，并且男性比女性更偏好風(fēng)險(xiǎn)，同時(shí)風(fēng)險(xiǎn)規(guī)避程度隨著年齡的增加而增加。這意味著，相對(duì)而言，年長(zhǎng)者比年輕人更愿意購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)，男性比女性更愿意為低概率颶風(fēng)保險(xiǎn)支付高水平的保費(fèi)。是否具有高中以上學(xué)歷和家庭凈收入對(duì)農(nóng)戶颶風(fēng)保險(xiǎn)的支付意愿影響不大。

第三，大部分農(nóng)戶因?yàn)楹雎粤说透怕曙Z風(fēng)風(fēng)險(xiǎn)的存在而不選擇購(gòu)買(mǎi)颶風(fēng)保險(xiǎn)；愿意參保的農(nóng)戶平均意愿支付水平（CWTP）高于每戶遭受颶風(fēng)風(fēng)險(xiǎn)的預(yù)期損失。由于氣候變化導(dǎo)致的颶風(fēng)風(fēng)險(xiǎn)的增加，也將會(huì)增加風(fēng)險(xiǎn)感知，進(jìn)而會(huì)增加保險(xiǎn)需求，所以對(duì)農(nóng)戶支付意愿的影響并不僅僅由颶風(fēng)概率的系數(shù)來(lái)解釋。如果農(nóng)戶感知的預(yù)期颶風(fēng)風(fēng)險(xiǎn)沒(méi)有損失，那么其支付意愿將減少39%，如果農(nóng)戶感知未來(lái)不會(huì)發(fā)生颶風(fēng)災(zāi)害損失，那么其支付意愿減少21%。本研究在問(wèn)卷設(shè)計(jì)中有效規(guī)避了農(nóng)戶對(duì)颶風(fēng)保險(xiǎn)的逆向選擇問(wèn)題，以上結(jié)論與本研究預(yù)期一致，充分說(shuō)明了本次評(píng)估問(wèn)卷設(shè)計(jì)的可靠性。TOBIT模型的估計(jì)結(jié)果表明，農(nóng)戶颶風(fēng)保險(xiǎn)支付意愿的變動(dòng)低于問(wèn)卷中提到的颶風(fēng)概率增加的比例。因此，本研究的另一個(gè)重要意義是增加我國(guó)農(nóng)戶對(duì)颶風(fēng)風(fēng)險(xiǎn)的認(rèn)識(shí)，從而提高對(duì)此類(lèi)保險(xiǎn)的需求。

參考文獻(xiàn)：

[1]于洋，王爾大. 政策性補(bǔ)貼對(duì)中國(guó)農(nóng)業(yè)保險(xiǎn)市場(chǎng)影響的協(xié)整分析[J]. 中國(guó)農(nóng)村經(jīng)濟(jì)，2009，3（21）：20-27.

[2]Kriesel W，Landry C. Participation in the national flood insurance Program：an empirical analysis for coastal properties[J]. Journal of Risk and Insurance，2004，71（3）：405-420.

[3]Kunreuther H C，Michel-Kerjan E O，Doherty N A，et al. At war with the weather：managing large-scale risks in a new era of catastrophes[M]. Cambridge：MIT Press，2009

[4]張峭，王克. 農(nóng)作物生產(chǎn)風(fēng)險(xiǎn)分析的方法和模型[J]. 農(nóng)業(yè)展望，2007，3（8）：7-10.

[5]傅冬云. 農(nóng)業(yè)自然災(zāi)害對(duì)糧食生產(chǎn)能力造成的影響探究[J]. 經(jīng)營(yíng)管理者，2015（12）：114.

[6]張竟竟. 河南省農(nóng)業(yè)水旱災(zāi)害風(fēng)險(xiǎn)評(píng)估與時(shí)空分布特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（18）：98-106.

[7]西愛(ài)琴，徐龍軍，劉陽(yáng)，等. 政府參與視角下農(nóng)業(yè)巨災(zāi)保險(xiǎn)認(rèn)知及支付意愿——以蘋(píng)果種植戶為例[J]. 農(nóng)業(yè)經(jīng)濟(jì)，2014（2）：23-25.

[8]Brouwer R，Akter S，Brander L，et al. Economic valuation of flood risk exposure and reduction in a severely flood prone developing country[J]. Environment and Development Economics，2008，14（3）：397-417.

[9]Akter S，Brouwer R，Choudhury S，et al. Is there a commercially viable market for crop insurance in rural Bangladesh？[J]. Mitigation and Adaptation Strategies for Global Change，2009，14，215-229.

[10]Delavande A. Measuring revisions to subjective expectations[J]. Journal of Risk and Uncertainty，2008，36（1）：43-82.

[11]Botzen W J，van den Bergh J C. Insurance against climate change and flooding in the Netherlands：present，future，and comparison with other countries[J]. Risk Analysis，2008，28（2）：413-426.

[12]于洋，王爾大. 多保障水平下農(nóng)戶的農(nóng)業(yè)保險(xiǎn)支付意愿——基于遼寧省盤(pán)山縣水稻保險(xiǎn)的實(shí)證分析[J]. 中國(guó)農(nóng)村觀察，2011（5）：55-68.

[13]于洋. 農(nóng)作物產(chǎn)量保險(xiǎn)區(qū)域化差別費(fèi)率厘定的可行性——基于非參數(shù)核密度估計(jì)實(shí)證[J]. 統(tǒng)計(jì)與信息論壇，2013，28（10）：75-80.

[14]Aerts J C J H，Botzen W J W. Climate change impacts on pricing long-term flood insurance：a comprehensive study for the Netherlands[J]. Global Environmental Change，2011，21（3）：1045-1060.

[15]黃沿波，梁棟，康雅喬，等. 風(fēng)險(xiǎn)的三維評(píng)價(jià)方法[J]. 自然災(zāi)害學(xué)報(bào)，2010（3）：24-28.

[16]Michel-Kerjan E O，Kousky C. Come rain or shine：evidence on flood insurance purchases in Florida[J]. Journal of Risk and Insurance，2010，77（2）：369-397.

[17]Harrison G W，Lau M I，Rutstrom E E. Estimating risk attitudes in Denmark：a field experiment[J]. Scandinavian Journal of Economics，2007，109（2）：341-368.

[18]Croson R，Gneezy U. Gender differences in preferences[J]. Journal of Economic Literature，2009，47（2）：448-474.