沈滿洪 強(qiáng)朦朦

(1.浙江大學(xué) 經(jīng)濟(jì)學(xué)院, 浙江 杭州 310027; 2.寧波大學(xué) 商學(xué)院, 浙江 寧波 315211)

農(nóng)業(yè)是國民經(jīng)濟(jì)的基礎(chǔ),保持農(nóng)業(yè)持續(xù)健康發(fā)展是穩(wěn)增長、控通脹、防風(fēng)險的重要保障。但分散化的經(jīng)營模式和頻發(fā)的自然災(zāi)害，使得我國的農(nóng)業(yè)生產(chǎn)呈現(xiàn)出很強(qiáng)的波動性。識別、評估和管理農(nóng)業(yè)生產(chǎn)風(fēng)險對保障農(nóng)業(yè)生產(chǎn)安全和促進(jìn)農(nóng)業(yè)轉(zhuǎn)型升級有著非常重大的理論與實踐意義。對農(nóng)業(yè)生產(chǎn)風(fēng)險的相關(guān)理論進(jìn)行述評,有助于推動該領(lǐng)域研究的進(jìn)一步深化和完善。

一、 農(nóng)業(yè)生產(chǎn)風(fēng)險的內(nèi)涵

農(nóng)業(yè)生產(chǎn)風(fēng)險的內(nèi)涵源于風(fēng)險的一般概念。關(guān)于風(fēng)險的定義，學(xué)術(shù)界眾說紛紜，比較有影響力的看法可以劃分為四類：

一是認(rèn)為風(fēng)險是結(jié)果的不確定性。美國經(jīng)濟(jì)學(xué)家馬科維茨在其著名的“均值—方差”模型中將風(fēng)險定義為收益率的變動程度，并用方差來衡量[1]。很多學(xué)者沿用這一看法，并做了相應(yīng)修正。由于風(fēng)險往往是與損失密切相關(guān)的，為剔除收益的部分，不少學(xué)者提出了用半方差或下偏矩的方法度量[2]。這種定義雖然容易量化，但它將風(fēng)險看作已知的結(jié)果，與常識不符。

二是認(rèn)為風(fēng)險是預(yù)期損失的大小。Harrington、Niehaus在其著作《風(fēng)險管理與保險》中將風(fēng)險定義為結(jié)果的期望值，并認(rèn)為在保險業(yè)中，風(fēng)險是指保險公司的期望損失較高[3]。Campbell認(rèn)為風(fēng)險是可量化和可加的，從而將其定義為期望損失的大小[4]。該觀點的缺陷在于預(yù)期并不一定是客觀的，風(fēng)險的量化具有主觀性。盡管存在批評，但這種定義仍然有著非常廣泛的應(yīng)用。

三是認(rèn)為風(fēng)險是損失的概率。風(fēng)險的概率定義最早見于美國芝加哥學(xué)派經(jīng)濟(jì)學(xué)家奈特的研究中。奈特認(rèn)為，如果事件的概率已知則屬于風(fēng)險，未知則屬于不確定性[5]。風(fēng)險的概率定義影響很大，聯(lián)合國大學(xué)(波恩)環(huán)境與人類安全研究所推薦的18個風(fēng)險定義中，有14個采用了概率類風(fēng)險定義[6]13。但這種定義的外延過于狹窄，僅將風(fēng)險限定在概率上。黃崇福認(rèn)為風(fēng)險可以分為偽風(fēng)險、概率風(fēng)險、模糊風(fēng)險與不確定風(fēng)險[7]。很多事件的風(fēng)險無法用概率來衡量，比如全球變暖。

四是認(rèn)為風(fēng)險是與未來不利事件相關(guān)的情景。Aven和Renn認(rèn)為風(fēng)險是指與人類所重視的事件后果相關(guān)的不確定性和嚴(yán)重性[8]。黃崇福等給出了相似的定義，認(rèn)為風(fēng)險是與某種不利事件有關(guān)的一種未來情景[6]14。這種觀點與第三種觀點的顯著區(qū)別在于它不再僅僅以概率來衡量風(fēng)險，從而將風(fēng)險的外延擴(kuò)大。同時，它也包含了第二種觀點。這種觀點對風(fēng)險的概括很全面，但缺點也很明顯，即無法量化和比較風(fēng)險。

由此可知，風(fēng)險的內(nèi)涵十分復(fù)雜。在量化風(fēng)險時，如果一個事件不容易或者無法用概率表示，那么往往可以采用期望損失的定義。反之，可以用概率度量的事件更傾向于第三種定義，因為它更為客觀。對于農(nóng)業(yè)生產(chǎn)風(fēng)險，張峭和王克將其定義為農(nóng)作物或畜產(chǎn)品實際產(chǎn)量相較于預(yù)期產(chǎn)量可能發(fā)生偏離的程度[9-10]。邢鸝和鐘甫寧將其理解為農(nóng)作物生產(chǎn)中隨機(jī)不確定的結(jié)構(gòu)性風(fēng)險因子造成的農(nóng)作物區(qū)域產(chǎn)量低于預(yù)期正常產(chǎn)量的隨機(jī)不確定性[11]。結(jié)合這些看法，本文將農(nóng)業(yè)生產(chǎn)風(fēng)險定義為：由風(fēng)險因子導(dǎo)致的農(nóng)產(chǎn)品實際單產(chǎn)低于預(yù)期的可能性。農(nóng)業(yè)生產(chǎn)風(fēng)險的內(nèi)涵需要從兩個方面理解：一是從成因上看，風(fēng)險因子不能簡單理解為氣象災(zāi)害，還包括生產(chǎn)過程中要素配置的合理性，田間管理精細(xì)程度，污染、病蟲害等一系列可能的減產(chǎn)因素。二是農(nóng)業(yè)生產(chǎn)風(fēng)險的量化包含單產(chǎn)損失的大小及其發(fā)生的可能性兩個維度。從具體的評估案例看，大多數(shù)學(xué)者用概率量化損失的可能性，也就是采用上文第三種風(fēng)險的定義，然而，污染、病蟲害導(dǎo)致?lián)p失的可能性很難用概率量化，只能給出半定量的評估，聚焦預(yù)期損失的高低。

二、 農(nóng)業(yè)生產(chǎn)風(fēng)險的評估方法

農(nóng)業(yè)生產(chǎn)風(fēng)險測度方法包括半定量和定量兩種。半定量的方法將風(fēng)險視為期望損失的大小，用風(fēng)險因子危害性、暴露度、脆弱性及適應(yīng)能力等指標(biāo)的耦合值度量[12]。這四個指標(biāo)中，風(fēng)險因子的危害性、受災(zāi)體的脆弱性及適應(yīng)能力決定了損失的大小，而受災(zāi)體的暴露度則反映了損失發(fā)生的可能性。半定量的評估多是通過指標(biāo)打分，處理方式比較靈活，結(jié)果的主觀性較強(qiáng)。本文主要闡述農(nóng)業(yè)生產(chǎn)風(fēng)險的定量評估方法。一般來說，這類評估遵循三個步驟：單產(chǎn)趨勢、分布建模和風(fēng)險表達(dá)。

(一) 單產(chǎn)趨勢

對于旱災(zāi)等特定風(fēng)險因子造成的農(nóng)業(yè)生產(chǎn)風(fēng)險，已有文獻(xiàn)一般采用受災(zāi)面積比例作為度量損失的指標(biāo)，因此不存在單產(chǎn)趨勢求解。但對于綜合生產(chǎn)風(fēng)險，需要先求出農(nóng)作物單產(chǎn)的期望值。涉及的方法主要包括四類：回歸方程法、移動平均法、線性移動平均法和H-P濾波法?；貧w方程法假定農(nóng)作物的生產(chǎn)趨勢與時間相關(guān)，通過最小二乘法估計趨勢，但實際上生產(chǎn)趨勢與時間并不一定呈線性關(guān)系，這導(dǎo)致該方法主觀性過強(qiáng)[13]。移動平均法是通過移動平均將多期生產(chǎn)平均值視為期望值[14]，這種方法易于操作，但主觀性也較強(qiáng)且會損失一定的數(shù)據(jù)量。線性移動平均法是回歸方程法和移動平均法兩種方法的結(jié)合，它既不用假定曲線類型，也不會損失數(shù)據(jù)[15]。H-P濾波法通過最小化趨勢偏離的損失函數(shù)而分解出趨勢項和波動項[16]110。這些方法本質(zhì)上是偏向于統(tǒng)計學(xué)的，缺少微觀生產(chǎn)的理論基礎(chǔ)，不同的方法往往呈現(xiàn)出不同的結(jié)果，一致性較差。但具有理論基礎(chǔ)的農(nóng)作物生產(chǎn)模型機(jī)制復(fù)雜，實用性較弱。線性移動平均法和H-P濾波法的應(yīng)用仍然最為廣泛。

(二) 分布建模

在求解出生產(chǎn)波動值和趨勢值后，通常需要構(gòu)造相對隨機(jī)波動序列(波動值/趨勢值)消除量綱影響，從而使不同地區(qū)風(fēng)險水平具有可比性[17]。風(fēng)險評估的核心在于對剔除趨勢后的單產(chǎn)波動進(jìn)行概率求解?？傮w來看，可以分為參數(shù)分布擬合法、核密度函數(shù)估計法和非參數(shù)信息擴(kuò)散法三種建模方法。

1.參數(shù)分布擬合法

參數(shù)分布擬合法事先假定生產(chǎn)損失率服從的分布，之后通過最大似然估計求解參數(shù)。早期國內(nèi)學(xué)者通過假定農(nóng)作物單產(chǎn)波動服從正態(tài)分布或者通過正態(tài)化來處理[18]，但經(jīng)驗表明，單產(chǎn)波動的偏度和峰度并不符合正態(tài)分布的假設(shè)。學(xué)者們發(fā)現(xiàn)，Beta、Gamma、Lognormal、Weibull、Logistic等分布偏度和峰度比較靈活，更適合擬合農(nóng)業(yè)單產(chǎn)的波動[19]406。在刻畫尾部風(fēng)險時，廣義帕累托分布(GPD)也經(jīng)常被選擇[20]。為刻畫一些復(fù)雜的產(chǎn)量分布，雙峰型的聯(lián)合分布有時也會被應(yīng)用[21]。

為挑選最優(yōu)的分布函數(shù)，已有文獻(xiàn)主要有兩類思路：一是將生產(chǎn)波動的偏度和峰度值與矩比率圖進(jìn)行比較[19]410。該圖以峰度和偏度為坐標(biāo)軸，描繪了Beta、Normal、Lognormal、Weibull、Logistic五種常用分布的大致區(qū)間。這種方法簡單直觀，但缺陷在于不夠準(zhǔn)確且只能判別上述五種特定分布。二是通過卡方(chi-square)、Anderson-Darling(AD)和Kolmogorov-Smirnov(KS)等方法進(jìn)行擬合優(yōu)度檢驗，這也是主流的判別方法?？ǚ綑z驗不適合小樣本數(shù)據(jù)。AD檢驗是KS檢驗的修正，可以做更敏感的測試。

參數(shù)分布擬合法的難點在于概率密度分布函數(shù)的選擇。研究者往往要根據(jù)樣本的偏度和峰度主觀判斷單產(chǎn)波動的分布。分布的選擇偏誤會造成風(fēng)險的評估有偏[22]。相反，如果分布假設(shè)正確，評估結(jié)果也較為準(zhǔn)確。

2.核密度函數(shù)估計法

核密度函數(shù)估計法是最常見的非參數(shù)分布擬合方法。一個標(biāo)準(zhǔn)的核密度函數(shù)形式為：

(1)

其中，xi為樣本值；n為樣本數(shù)；k(·)是某種特定的核函數(shù)，常見的有均勻核、三角核、伽馬核以及高斯核；h為帶寬。在實證分析時，核函數(shù)一般選擇高斯核函數(shù)，它具有良好的平滑性。最優(yōu)帶寬可以通過求解最小平均積分平方誤差函數(shù)獲得，公式為：

(2)

在高斯核的情況下，最優(yōu)的帶寬為：

(3)

其中，σ為樣本的標(biāo)準(zhǔn)差。這一公式也被稱為經(jīng)驗法則。Silverman從實際應(yīng)用的角度重新評估了這一法則，提出了修正后的經(jīng)驗法則[23]：

(4)

標(biāo)準(zhǔn)的核密度函數(shù)估計法在農(nóng)作物生產(chǎn)風(fēng)險評估中有著非常廣泛的應(yīng)用。但標(biāo)準(zhǔn)的核密度函數(shù)估計法對尾部風(fēng)險的評估可能是低效的，因為尾部的數(shù)據(jù)集更少，在全局上使用相同的帶寬會產(chǎn)生偏誤[24]。因此，可以在不同位置調(diào)整帶寬的自適應(yīng)帶寬核密度函數(shù)也被提出來重新評估農(nóng)作物風(fēng)險。它的密度函數(shù)為：

(5)

其中,λi為局部帶寬調(diào)整因子，h控制整體平滑程度，λi調(diào)整局部樣本的帶寬。λi的計算公式為[25]：

(6)

其中，f(xi)′為標(biāo)準(zhǔn)核密度估計的密度值，G是估計值的幾何平均值，α∈[0，1]為靈敏度參數(shù)。當(dāng)α=0時，自適應(yīng)帶寬的核密度函數(shù)就退化為標(biāo)準(zhǔn)的核密度估計。在實證分析中，一般將α設(shè)為0.5。

與參數(shù)法相比，非參數(shù)法的優(yōu)勢在于更為靈活，不用事先假設(shè)分布函數(shù)的形式，但在樣本較小時(一般小于40)效果不如參數(shù)法，而且無法刻畫極端事件，漸進(jìn)性也無法與參數(shù)法相比[26]。另外，也有一些學(xué)者結(jié)合參數(shù)法和非參數(shù)的核密度函數(shù)法的優(yōu)點，提出了半?yún)?shù)分布擬合的方法[27]。半?yún)?shù)方法的基本思想在于先利用參數(shù)法估計，再通過一個核密度函數(shù)因子來校正。這種估計有些類似于經(jīng)驗貝葉斯估計，通過核密度函數(shù)矯正因子來盡量避免參數(shù)法先驗分布假設(shè)的錯誤。盡管半?yún)?shù)估計方法可能是更有效的，但這種有效性是因樣本大小而異的，且有待更多的檢驗。需要強(qiáng)調(diào)的是，對于參數(shù)法和核密度函數(shù)的估計方法，常用的是最大似然估計。但為提高估計的效率和處理產(chǎn)量空間相關(guān)問題，諸如密度比估計[28]、自適應(yīng)局部參數(shù)估計[29]、貝葉斯估計[30]等都已被引入農(nóng)作物生產(chǎn)風(fēng)險領(lǐng)域。

3.非參數(shù)信息擴(kuò)散法

非參數(shù)信息擴(kuò)散法也是一種重要的非參數(shù)方法，由國內(nèi)學(xué)者黃崇福等提出。該方法綜合了模糊數(shù)學(xué)和頻率的思想，認(rèn)為小樣本的信息是不確定的，每一個樣本值都反映了整體的信息，因此可以使用特定的信息擴(kuò)散模型對其包含的信息進(jìn)行擴(kuò)散處理，從而將一個只有一個觀測值的樣本變成一個模糊集，或者說是從單值樣本變?yōu)榧禈颖?。最簡單的正態(tài)擴(kuò)散模型為：

(7)

其中，y為樣本值；h為擴(kuò)散系數(shù)，但它的取值，文獻(xiàn)并沒有給出統(tǒng)一的標(biāo)準(zhǔn)。黃崇福等給出的經(jīng)驗計算公式為[31]：

(8)

其中，b、a和m分別是樣本的最大值、最小值和樣本個數(shù)。有些學(xué)者認(rèn)為這種經(jīng)驗法則不夠科學(xué)，基于信息熵理論推導(dǎo)的公式更為科學(xué)[32]568。ui為論域，比如農(nóng)作物生產(chǎn)損失率的論域為[0，1]。在測度生產(chǎn)風(fēng)險時，ui常被設(shè)定為{0,0.02,0.04,…,1}。信息擴(kuò)散模型就是將實際損失率y在整個論域中擴(kuò)散，進(jìn)而求得論域每個值出現(xiàn)的概率。比如說，如果擴(kuò)散后的ui為0.02，出現(xiàn)的頻數(shù)為m，整個樣本個數(shù)為n，那么生產(chǎn)損失率為0.02的概率即為m/n。通過加總，可以求出損失率區(qū)間的概率。非參數(shù)信息擴(kuò)散法論域的選擇會影響測度結(jié)果的大小，而且最終結(jié)果以概率形式表示，無法得到具體的分布函數(shù)。表1為這三大類方法的比較。

表1 三種建模方法比較

(三) 風(fēng)險表達(dá)

生產(chǎn)風(fēng)險定量評估的目的是求出不同損失區(qū)間的概率。較為常見的評估是將生產(chǎn)損失區(qū)間劃分為：減產(chǎn)(5%,15%],減產(chǎn)(15%,25%],減產(chǎn)(25%,35%]和減產(chǎn)>35%[16]112。參數(shù)分布擬合法和核密度函數(shù)估計法是利用概率理論對擬合的概率密度分布函數(shù)求解，而非參數(shù)信息擴(kuò)散法是進(jìn)行點概率的區(qū)間加總。

三、 農(nóng)業(yè)生產(chǎn)風(fēng)險的評估及其應(yīng)用

(一) 農(nóng)業(yè)生產(chǎn)風(fēng)險的評估

1.特定因子造成的生產(chǎn)風(fēng)險

農(nóng)業(yè)生產(chǎn)的風(fēng)險因子眾多，除了最為常見的旱澇、冰雹、大雪等氣象災(zāi)害外，還包括污染、病害、蟲害、農(nóng)戶決策失誤等。農(nóng)戶決策失誤造成的生產(chǎn)風(fēng)險較為微觀，文獻(xiàn)中涉及的較少。

在評估污染的農(nóng)業(yè)生產(chǎn)風(fēng)險時，已有文獻(xiàn)聚焦于臭氧污染。Aunan等通過預(yù)測未來累積的臭氧濃度水平，結(jié)合作物生長的參數(shù)評估了臭氧污染對我國大豆、水稻、小麥和玉米可能造成的期望損失值，發(fā)現(xiàn)我國農(nóng)業(yè)生產(chǎn)臭氧風(fēng)險很高[33]。Tang等做了類似的研究，他們發(fā)現(xiàn)臭氧污染到2020年對我國水稻和冬小麥產(chǎn)量造成的期望損失率最高可達(dá)到28.8%和36.9%[34]。病蟲害也是重要的農(nóng)業(yè)生產(chǎn)風(fēng)險。王振營和王曉鳴分析了我國十幾種玉米病蟲害的發(fā)生頻率和危害性，指出我國玉米病蟲害的風(fēng)險在不斷上升[35]。袁福香等結(jié)合頻率和影響指數(shù)，評估了吉林省玉米、水稻和大豆主要病蟲害的生產(chǎn)風(fēng)險[36]。白基恒等基于相似的思路評估了重慶市水稻病蟲害的風(fēng)險[37]。

污染和病蟲害生產(chǎn)風(fēng)險的評估比較復(fù)雜，涉及化學(xué)、生物學(xué)、農(nóng)學(xué)等多個學(xué)科。由于污染和病蟲害對農(nóng)業(yè)生產(chǎn)的影響機(jī)理比較復(fù)雜，樣本量也不足，損失的大小與發(fā)生的可能性較難量化，評估結(jié)果以半定量為主，注重期望損失的估算。

農(nóng)業(yè)生產(chǎn)氣象災(zāi)害風(fēng)險是學(xué)者們重點關(guān)注的領(lǐng)域。婁偉平等利用信息擴(kuò)散模型分析了浙江省柑橘生產(chǎn)的低溫凍害和熱害風(fēng)險[38]。張峭和王克基于災(zāi)情數(shù)據(jù)，利用核密度估計，發(fā)現(xiàn)全國農(nóng)業(yè)因災(zāi)年均損失率在12.9%，干旱和洪澇是主因[39]。徐磊和張峭利用蒙特卡洛模擬技術(shù)，通過極值POT模型發(fā)現(xiàn)，旱災(zāi)巨災(zāi)對河南省糧食生產(chǎn)的影響總體有限,其損失的平均值在10%[40]。王芝蘭等基于VaR指標(biāo)，采用參數(shù)法評估，發(fā)現(xiàn)甘肅省遭遇10年、50年和100年一遇旱災(zāi)時，農(nóng)業(yè)損失率分別為18.8%、25.7%和28.3%[41]。張星等基于非參數(shù)信息擴(kuò)散模型發(fā)現(xiàn)福建干旱風(fēng)險高值區(qū)出現(xiàn)在災(zāi)損率5%—45%,洪澇災(zāi)害出現(xiàn)在5%—70%,風(fēng)雹災(zāi)害在5%—30%,低溫凍害的風(fēng)險主要集中在災(zāi)損率5%—20%[42]。李孟剛等基于信息熵理論改進(jìn)了信息擴(kuò)散模型，發(fā)現(xiàn)我國農(nóng)業(yè)生產(chǎn)面臨著較大的水旱風(fēng)險[43]。

農(nóng)業(yè)生產(chǎn)氣象災(zāi)害風(fēng)險評估的難點在于如何分離出災(zāi)害造成的產(chǎn)量損失。文獻(xiàn)一般用災(zāi)害面積比例來替代產(chǎn)量的損失率，但不同的作物對不同的災(zāi)害有著不同的承受能力，災(zāi)害面積無法準(zhǔn)確代表災(zāi)害產(chǎn)量。從結(jié)果上看，干旱、洪澇、低溫凍害都是我國農(nóng)業(yè)生產(chǎn)的重要災(zāi)害因子，但各地區(qū)的風(fēng)險水平并不一致。

2.多重因子造成的綜合生產(chǎn)風(fēng)險

多重因子造成的綜合生產(chǎn)風(fēng)險考慮最終實際單產(chǎn)小于預(yù)期的可能，而不區(qū)分損失是何種風(fēng)險因子造成的。這類評估相對比較成熟，結(jié)果上更多以概率的形式呈現(xiàn)。王克和張峭通過矩比率圖和AD檢驗等方法確定了東三省稻谷、玉米和大豆三種農(nóng)作物的單產(chǎn)分布，并對其風(fēng)險進(jìn)行了評估，發(fā)現(xiàn)東三省三種農(nóng)作物發(fā)生輕災(zāi)的概率最大(20%—25%),中災(zāi)次之(8%—19%),減產(chǎn)幅度大都在5%—25%[44]。徐磊和張峭等基于AD檢驗對9種可能單產(chǎn)分布進(jìn)行了選擇，利用參數(shù)法評估了糧食主產(chǎn)區(qū)的生產(chǎn)風(fēng)險，發(fā)現(xiàn)整體風(fēng)險并不高，只集中于減產(chǎn)5%—15%，重大損失概率較小[16]112。黃森從產(chǎn)量負(fù)波動指數(shù)和損失概率兩個角度分析了浙江、江西、湖南和重慶4個代表性省市柑橘生產(chǎn)的風(fēng)險，發(fā)現(xiàn)江西和浙江的柑橘生產(chǎn)風(fēng)險最大，湖南次之，重慶的風(fēng)險最小[45]。Chen等利用非參數(shù)信息擴(kuò)散模型評估了全國和30個省區(qū)市水稻的生產(chǎn)風(fēng)險，發(fā)現(xiàn)全國的水稻生產(chǎn)風(fēng)險水平比較低[32]574。韓語軒等基于正態(tài)分布，評估了遼寧省水稻產(chǎn)量的減產(chǎn)風(fēng)險，發(fā)現(xiàn)其呈現(xiàn)出中部、東部低，而東北、西南增高的趨勢[46]。

整體來看，已有的評估呈現(xiàn)出兩個突出特點：一是在評估對象上集中于種植業(yè)，對養(yǎng)殖業(yè)關(guān)注較少；二是在研究區(qū)域上，對國內(nèi)省級行政區(qū)的評估較多，對農(nóng)戶級別的評估極少。因為數(shù)據(jù)空間加總偏差問題的存在，農(nóng)戶層面的生產(chǎn)風(fēng)險要比縣級和省級的大很多[47]?，F(xiàn)有評估在范圍和維度上都有待拓展。

(二) 農(nóng)業(yè)生產(chǎn)風(fēng)險評估的應(yīng)用

1.風(fēng)險預(yù)警

風(fēng)險預(yù)警是指在監(jiān)控風(fēng)險因子變化的基礎(chǔ)上，基于權(quán)重指標(biāo)，評價風(fēng)險指數(shù)偏離預(yù)警線的強(qiáng)弱程度，并發(fā)出預(yù)警信號。風(fēng)險預(yù)警系統(tǒng)的建立可以有效提高政府防災(zāi)減災(zāi)的能力。農(nóng)業(yè)生產(chǎn)風(fēng)險的預(yù)警主要針對氣象災(zāi)害風(fēng)險。利用地理信息分析和天氣預(yù)報技術(shù)，可以預(yù)測農(nóng)業(yè)降雨、低溫等氣象風(fēng)險的高低。風(fēng)險預(yù)警要求風(fēng)險的評估是動態(tài)的，因此多是基于危害性、暴露度、脆弱性及適應(yīng)能力這一半定量評估框架[48]。在實際應(yīng)用時，由于農(nóng)業(yè)生產(chǎn)的暴露度、脆弱性及適應(yīng)能力在短時間內(nèi)不會明顯變化，風(fēng)險預(yù)警多是分析臺風(fēng)、干旱、洪澇、冰雹等氣象風(fēng)險[49-50]。

2.風(fēng)險區(qū)劃

風(fēng)險區(qū)劃是將具有相同農(nóng)作物、相似風(fēng)險的生產(chǎn)區(qū)域聚類。我國農(nóng)業(yè)保險是一個地區(qū)一個費率，政府風(fēng)險區(qū)劃工作的滯后會帶來高賠付、逆向選擇等市場失靈問題。Chen等基于變異系數(shù)、比較優(yōu)勢指數(shù)和損失率大于5%的概率三個指標(biāo)對我國30個省區(qū)市水稻產(chǎn)量進(jìn)行了風(fēng)險區(qū)域劃分，發(fā)現(xiàn)山西是風(fēng)險最高的省份，天津等12個省級行政區(qū)屬于中風(fēng)險，而上海等17個省級行政區(qū)屬于低風(fēng)險區(qū)域[32]576。陳懷亮等的研究結(jié)果表明，河南省不同區(qū)域小麥生產(chǎn)風(fēng)險水平及主要災(zāi)害因子明顯不同，有些地區(qū)是因為缺水，有些則是因為霜凍，不同區(qū)域的抗災(zāi)措施需要因地制宜[51]。李世奎等基于災(zāi)害、災(zāi)損、減產(chǎn)概率等指標(biāo)對北方冬小麥的干旱風(fēng)險、東北地區(qū)作物低溫冷害綜合風(fēng)險、華南香蕉和荔枝寒害風(fēng)險進(jìn)行區(qū)劃，并就如何優(yōu)化作物空間布局提出了建議[52]。

農(nóng)業(yè)風(fēng)險區(qū)劃對于優(yōu)化作物空間布局和制定區(qū)域保險費率有著重要的指導(dǎo)意義。但已有文獻(xiàn)仍存在不少問題，比如不同學(xué)者在進(jìn)行風(fēng)險區(qū)劃時往往會采用不同的指標(biāo)體系，這使得相同作物風(fēng)險分區(qū)的結(jié)果并不總是一致，而且縣級乃至村級的風(fēng)險區(qū)劃還較少涉及。這些都限制了已有評估結(jié)果的實際應(yīng)用。

3.金融產(chǎn)品定價

已有計算保費率的文獻(xiàn)多是在省級層面進(jìn)行的，雖然可以為保險公司提供參考，但距離實際應(yīng)用還相差較遠(yuǎn)。這主要是由于數(shù)據(jù)限制，保費率的計算需要較長時間的農(nóng)戶產(chǎn)量數(shù)據(jù)，而這方面的數(shù)據(jù)記錄不夠完整。在實際工作中，保險公司往往是用縣級數(shù)據(jù)進(jìn)行分析，甚至僅僅以最近幾年的平均損失率替代。

4.完善保險補(bǔ)貼政策

農(nóng)業(yè)保險是政策性保險。為保證保險公司的長期經(jīng)營，政府建立了大災(zāi)準(zhǔn)備金和保費補(bǔ)貼制度。大災(zāi)準(zhǔn)備金規(guī)模的測算要以農(nóng)業(yè)生產(chǎn)的尾部風(fēng)險為基礎(chǔ)。梁來存以保險公司賠付率超過150%和200%為界限，利用經(jīng)驗費率法測算了我國糧食保險的國家級大災(zāi)準(zhǔn)備金規(guī)模[56]。庹國柱等以賠付率不超過200%和300%為界限，利用參數(shù)分布擬合測算了中央級大災(zāi)風(fēng)險基金的規(guī)模[57]。除了大災(zāi)準(zhǔn)備金規(guī)模，農(nóng)業(yè)生產(chǎn)風(fēng)險還是保費補(bǔ)貼比例測算的基礎(chǔ)。但保費補(bǔ)貼比例的設(shè)計牽涉到農(nóng)戶參保率等政策目標(biāo)，要利用微觀數(shù)據(jù)，文獻(xiàn)中還較少涉及。

四、 農(nóng)業(yè)生產(chǎn)風(fēng)險管理策略及其有效性

在發(fā)展中國家，保險等正式風(fēng)險管理工具往往處于缺失或不完善的狀態(tài)[58-59]。因缺乏有效的外部風(fēng)險分散機(jī)制，農(nóng)戶會進(jìn)行“自保險”。農(nóng)戶風(fēng)險管理策略主要包括收入多樣化、生產(chǎn)多樣化、種植低風(fēng)險作物、減少風(fēng)險性投入、平滑消費五種主要方式。

(一) 收入多樣化

收入多樣化雖然不能直接預(yù)防或減少農(nóng)作物產(chǎn)量風(fēng)險，但能降低生產(chǎn)風(fēng)險帶來的沖擊。陳風(fēng)波等發(fā)現(xiàn)我國南方4個種植水稻的村莊非農(nóng)收入比例在27.6%—68.2%，要明顯高于農(nóng)業(yè)收入[60]。在非洲西部農(nóng)村地區(qū)的8個國家中，非農(nóng)收入平均占收入的39%[61]。在農(nóng)村地區(qū)，收入多樣化已經(jīng)常態(tài)化。

然而，收入多樣化卻不一定是有效的。一方面，農(nóng)戶農(nóng)業(yè)活動收入和非農(nóng)收入可能相關(guān)。Fafchamps等發(fā)現(xiàn)干旱會同時影響非洲西部農(nóng)戶的作物收入和非農(nóng)收入[62]。Townsend也發(fā)現(xiàn)印度南部村莊的農(nóng)戶雖然已有各種收入來源，但收入的波動仍然很大。在正常年份，農(nóng)作物收入和非農(nóng)收入關(guān)聯(lián)較小，但在危機(jī)年份，兩者卻顯著相關(guān)[63]。另一方面，收入多樣化對貧困家庭存在限制。Reardon通過分析非洲的農(nóng)戶數(shù)據(jù)發(fā)現(xiàn)，非農(nóng)收入的比例與總財富呈明顯正相關(guān)，低收入農(nóng)戶和高收入農(nóng)戶獲得非農(nóng)收入的能力不平等[64]。Dercon和Krishnan分析埃塞俄比亞和坦桑尼亞農(nóng)戶收入多樣化策略時發(fā)現(xiàn)，貧困農(nóng)戶只能從事收集木柴、制造木炭等非農(nóng)工作，而從事飼養(yǎng)奶牛、開商場等高回報活動的主要是富裕家庭[65]。

(二) 生產(chǎn)多樣化

生產(chǎn)多樣化策略包括分散地塊種植、采用多個品種、種植多種作物等。陳傳波發(fā)現(xiàn)，湖北的農(nóng)戶為預(yù)防干旱風(fēng)險，開展多樣化種植的比例非常高，12大類種植作物中，種植6類及以上的農(nóng)戶有45%，不種植和單一種植的只占2.8%[66]。有學(xué)者發(fā)現(xiàn)，在印度的奧里薩邦，為避免干旱風(fēng)險，70%以上的農(nóng)戶會種植2—5個水稻品種[67]。Pandey等采用隨機(jī)實驗分析了印度兩個村的農(nóng)作物種植多樣化情況，發(fā)現(xiàn)灌溉條件差的村莊的農(nóng)作物多樣化指數(shù)要比灌溉條件好的村莊高很多，而且在干旱年份，兩個村莊的多樣化指數(shù)都會上升[68]。

基于Just-Pope生產(chǎn)函數(shù)，Smale等評估了空間多樣化、時間多樣化及品種多樣化對巴基斯坦旁遮普省小麥產(chǎn)量平均值和方差的影響，發(fā)現(xiàn)這些策略有助于提高平均產(chǎn)量和減少產(chǎn)量方差[69]。之后的學(xué)者進(jìn)一步討論了多樣化策略對農(nóng)戶收入的影響。Di Falco和Perrings建立了不確定情形下的農(nóng)戶作物選擇模型，并基于意大利南部的數(shù)據(jù)進(jìn)行了實證檢驗，發(fā)現(xiàn)作物品種的多樣性與農(nóng)戶平均收入呈正相關(guān)，與收入方差呈負(fù)相關(guān)[70]。

這些經(jīng)驗表明，農(nóng)戶的多樣化策略是有效的，它提高和穩(wěn)定了農(nóng)戶的生產(chǎn)和收入。但也有學(xué)者認(rèn)為，多樣化犧牲了規(guī)?；蛯I(yè)化的收益，在無風(fēng)險的情況下，農(nóng)戶可能會有更高的生產(chǎn)和收入[71]。

(三) 種植低風(fēng)險作物

在面臨生產(chǎn)風(fēng)險時，農(nóng)戶種植農(nóng)作物的比例并不是最優(yōu)的，低風(fēng)險低收益的農(nóng)作物會偏多。這一結(jié)論在不同的農(nóng)戶風(fēng)險決策模型中都得到了證實。

Decron建立了一個資產(chǎn)積累的經(jīng)濟(jì)模型以說明不同收入水平農(nóng)戶的作物選擇?；谔股Ｄ醽喐珊档貐^(qū)的農(nóng)戶數(shù)據(jù)，他發(fā)現(xiàn)為應(yīng)對生產(chǎn)風(fēng)險，最富有的家庭將不到2%的土地用于種植低風(fēng)險低回報的甜土豆作物，但最貧窮的家庭會為此分配9%的土地。這導(dǎo)致最富裕群體的作物組合的平均回報率比最貧困群體高出25%[72]。Kurosaki和Fafchamps基于跨期分配模型，發(fā)現(xiàn)巴基斯坦旁遮普省的農(nóng)戶為降低產(chǎn)量和價格風(fēng)險會提高飼料作物的種植，減少香米的種植，這導(dǎo)致了2%的收入減少和9.4%的福利損失[73]。

國內(nèi)學(xué)者也有相似的發(fā)現(xiàn)?；诳偸找娼^對偏差最小化的農(nóng)戶決策模型,陸文聰和西愛琴模擬了浙江農(nóng)戶的種植決策，發(fā)現(xiàn)已有農(nóng)作物的實際規(guī)模偏離非風(fēng)險最優(yōu)規(guī)模，低風(fēng)險農(nóng)作物偏多[74]。由此可知，種植低風(fēng)險作物這種管理策略雖然穩(wěn)定了生產(chǎn)，卻有可能減少貧困家庭的收入和加劇貧富差距。

(四) 減少風(fēng)險性投入

風(fēng)險性投入意味著更先進(jìn)的生產(chǎn)技術(shù)和更高的生產(chǎn)效率。但由于生產(chǎn)風(fēng)險的存在，農(nóng)戶會減少風(fēng)險性投入，以規(guī)避可能的生產(chǎn)損失。

Rosenzweig和Binswanger建立了均值—方差效用最大化模型來闡述風(fēng)險對農(nóng)戶投資構(gòu)成的影響，發(fā)現(xiàn)印度的農(nóng)戶為應(yīng)對降雨量波動帶來的生產(chǎn)風(fēng)險會降低生產(chǎn)性投入的比例。降低一個標(biāo)準(zhǔn)偏差的天氣波動將使最貧困農(nóng)戶的平均利潤提高35%[75]。Rosenzweig和Wolpin發(fā)現(xiàn)，公牛雖然對印度農(nóng)戶的生產(chǎn)有著重要的促進(jìn)作用，但為預(yù)防風(fēng)險，公牛的投資是不足的[76]。Lamb構(gòu)建了風(fēng)險規(guī)避型農(nóng)戶的兩期決策模型，發(fā)現(xiàn)印度半干旱熱帶地區(qū)的農(nóng)戶會因為天氣風(fēng)險而減少化肥的使用，但在有非農(nóng)收入來源的情形下，化肥的需求將會增多[77]。而且，Zimmerman和Carter的理論模型表明，投資策略是財富的分段函數(shù)，貧困家庭為應(yīng)對風(fēng)險會減少風(fēng)險資產(chǎn)的積累，這使其陷入長期貧困的惡性循環(huán)而無法自拔，即所謂的貧困陷阱[78]。Dercon和Christiaensen基于埃塞俄比亞的農(nóng)戶面板數(shù)據(jù)，發(fā)現(xiàn)降雨風(fēng)險會顯著抑制貧困農(nóng)戶對化肥的使用，使農(nóng)戶持續(xù)貧困[79]。

因此，減少風(fēng)險性投入似乎內(nèi)生于農(nóng)戶的風(fēng)險決策中，在沒有有效的風(fēng)險分散機(jī)制的情形下，這種策略雖然是理性選擇，但對農(nóng)戶而言則面臨著高成本，對于貧困家庭，更有可能導(dǎo)致其陷入貧困陷阱。

(五) 平滑消費

平滑消費是農(nóng)戶應(yīng)對減產(chǎn)的被動策略。變賣資產(chǎn)是最常見的平滑消費方式。雖然農(nóng)戶也可能會借助社會網(wǎng)絡(luò)進(jìn)行借貸，但這種機(jī)制會被諸多社會因素所干擾，且對于系統(tǒng)性生產(chǎn)風(fēng)險，這種機(jī)制往往是低效率的[80]。一些印度的農(nóng)戶在遭遇災(zāi)害后，會讓子女輟學(xué)外出打工以補(bǔ)貼家用，但這卻阻礙了人力資本的積累，影響經(jīng)濟(jì)的長期發(fā)展[81]。Maccini和Yang研究了出生年份天氣狀況對1953年至1974年間出生的印尼成年人的健康、教育和社會經(jīng)濟(jì)狀況的影響，發(fā)現(xiàn)出生年份降雨量較大對女性成年后的狀況有積極影響，但對男性沒有影響。較大的降雨量促進(jìn)了農(nóng)業(yè)生產(chǎn)，從而改善了女嬰的健康狀況，對其未來的發(fā)展有著至關(guān)重要的作用[82]。Carter等發(fā)現(xiàn)，在發(fā)生生產(chǎn)損失后，高收入家庭的資產(chǎn)會慢慢恢復(fù)到原來水平，但貧困家庭為了平滑消費，會將資產(chǎn)一直維持在較低的水平，如果沒有外部援助，就會陷入貧困陷阱[83]。

表2對上述農(nóng)戶風(fēng)險管理工具的有效性進(jìn)行了總結(jié)。由此可見，在正式風(fēng)險管理工具低效乃至失靈的情況下，農(nóng)戶會被迫采用非正式的風(fēng)險管理工具，但這種管理很多情況下都是高成本的。發(fā)展經(jīng)濟(jì)學(xué)認(rèn)為，經(jīng)濟(jì)增長有著多重均衡，當(dāng)資產(chǎn)低于某一閾值時，如果沒有外在干預(yù)，代理人會維持在低水平均衡，陷入貧困陷阱。對貧困農(nóng)戶而言，這些風(fēng)險管理策略如同一種自我強(qiáng)化機(jī)制，阻礙其使用高回報的技術(shù)和資本的積累，從而使其長期處于貧困狀態(tài)。實際上，由非正式風(fēng)險管理策略導(dǎo)致的貧困陷阱話題已經(jīng)引起經(jīng)濟(jì)學(xué)家的注意。不少學(xué)者嘗試將農(nóng)業(yè)保險引入經(jīng)濟(jì)模型來分析正式風(fēng)險管理工具是否可以幫助貧困戶逃脫貧困陷阱[84]?？傮w來看，農(nóng)業(yè)生產(chǎn)風(fēng)險管理策略的研究大多以印度及非洲等區(qū)域的農(nóng)戶數(shù)據(jù)為基礎(chǔ)，中等收入和高收入國家的案例還較少涉及，討論中國農(nóng)戶風(fēng)險管理策略及其有效性的研究更為少見。

表2 農(nóng)戶生產(chǎn)風(fēng)險管理策略有效性的評價

五、 研究展望

(一) 農(nóng)業(yè)生產(chǎn)風(fēng)險的評估方法有待完善

科學(xué)的評估方法是農(nóng)業(yè)生產(chǎn)風(fēng)險評估的基礎(chǔ),但已有方法在很多方面都還存在優(yōu)化空間。首先，生產(chǎn)趨勢的求解還存在一定的主觀性，缺乏現(xiàn)實基礎(chǔ)，不同的方法往往會得到不一致的結(jié)果。如何分離特定災(zāi)害造成的產(chǎn)量損失在文獻(xiàn)中也較少被討論。其次，在分布建模時，參數(shù)法的備選分布多是單峰型，多峰型的聯(lián)合分布還較少被分析。非參數(shù)信息擴(kuò)散模型中論域和擴(kuò)散系數(shù)的值還存在分歧。未來的研究需要結(jié)合農(nóng)學(xué)、氣象學(xué)、經(jīng)濟(jì)學(xué)、統(tǒng)計學(xué)等不同學(xué)科的知識，開發(fā)出更可靠的生產(chǎn)趨勢分離和分布建模方法。同時，還需要加強(qiáng)不同評估方法的結(jié)果對比和交叉驗證研究，增強(qiáng)評估結(jié)果的穩(wěn)健一致性。

(二) 農(nóng)業(yè)生產(chǎn)風(fēng)險的評估案例有待豐富

農(nóng)業(yè)生產(chǎn)風(fēng)險的評估對于理解風(fēng)險水平、風(fēng)險區(qū)劃和金融產(chǎn)品定價有著重要作用。已有的評估案例更多的是從省級層面分析種植業(yè)所面臨的生產(chǎn)風(fēng)險，在評估范圍和維度上還無法很好地指導(dǎo)實踐工作。未來的研究需要在三個方面進(jìn)行拓展：一是關(guān)注養(yǎng)殖業(yè)的生產(chǎn)風(fēng)險。養(yǎng)殖業(yè)的生產(chǎn)因為生產(chǎn)環(huán)境更為復(fù)雜可能要比種植業(yè)面臨更大的風(fēng)險。在國家提出海洋強(qiáng)國戰(zhàn)略的背景下，海水養(yǎng)殖的風(fēng)險需要引起關(guān)注。二是開展農(nóng)戶層面的生產(chǎn)風(fēng)險評估。省級或縣級數(shù)據(jù)存在加總偏誤問題，在產(chǎn)量加總的過程，農(nóng)戶的損失可能會被抵消，這導(dǎo)致了農(nóng)戶層面的生產(chǎn)風(fēng)險被低估。這種低估會產(chǎn)生精算保費的偏誤，不利于保險市場的可持續(xù)發(fā)展。三是要從空間上評估農(nóng)業(yè)生產(chǎn)風(fēng)險。農(nóng)業(yè)生產(chǎn)具有很強(qiáng)的空間相關(guān)性，但已有的風(fēng)險評估大都忽視了這種關(guān)聯(lián)。這不利于農(nóng)業(yè)巨災(zāi)空間分散和再保險政策的制定。聯(lián)立不同個體產(chǎn)量分布的Copula函數(shù)可能是未來的一個應(yīng)用方向。

(三) 我國農(nóng)戶生產(chǎn)風(fēng)險的管理策略及有效性分析有待開展

因為缺少有效的外部風(fēng)險分散工具，發(fā)展中國家的農(nóng)戶往往采用非正式的風(fēng)險管理工具，理解農(nóng)戶非正式風(fēng)險管理的策略是政策設(shè)計的基礎(chǔ)。但已有文獻(xiàn)的分析多是基于印度及非洲國家的樣本而展開的，針對我國農(nóng)戶風(fēng)險管理策略及其有效性的實證分析十分少見。不可否認(rèn)的是，我國農(nóng)戶也面臨著保險不完善、信貸約束等相似的外部環(huán)境，高成本的風(fēng)險管理策略在我國是否存在需要引起重視。未來的研究應(yīng)該集中于三個方向：一是開展大規(guī)模問卷調(diào)查，系統(tǒng)分析我國農(nóng)戶應(yīng)對生產(chǎn)風(fēng)險的策略。二是分析這些風(fēng)險管理策略對不同收入水平的農(nóng)戶的適用性及有效性，尤其需要關(guān)注對貧困農(nóng)戶的影響。三是要著重分析這些風(fēng)險應(yīng)對策略在穩(wěn)定生產(chǎn)的同時是否也帶來了諸如“風(fēng)險貧困陷阱”等負(fù)面問題。

(四) 農(nóng)業(yè)保險對農(nóng)戶風(fēng)險管理策略的影響有待分析

從已有研究看，非洲等地區(qū)的農(nóng)戶之所以采取高成本的管理策略是因為缺少有效的外部風(fēng)險分散機(jī)制。由此而來的重要問題是：作為轉(zhuǎn)移生產(chǎn)風(fēng)險的重要正式工具，農(nóng)業(yè)保險的推廣是否降低了農(nóng)戶風(fēng)險管理的成本？如何設(shè)計保險合同才是最優(yōu)的？是否可以幫助農(nóng)戶跳出貧困陷阱？未來的研究可以放松已有農(nóng)戶風(fēng)險決策模型的假設(shè)，引入保險機(jī)制，分析不同保費補(bǔ)貼水平下，農(nóng)戶的生產(chǎn)、消費、投資、收入和福利的變化情況。這對于理解我國保險政策的績效及制定合理的保費補(bǔ)貼水平有著重要的意義。而且，這類研究不應(yīng)只局限于傳統(tǒng)的損害賠償性保險，天氣指數(shù)保險和地區(qū)產(chǎn)量指數(shù)保險等金融創(chuàng)新產(chǎn)品也應(yīng)該被討論和比較。