期刊检索:
  暴雨灾害   2019, Vol. 38 Issue (6): 676-682.  DOI: 10.3969/j.issn.1004-9045.2019.06.013

短论

DOI

10.3969/j.issn.1004-9045.2019.06.013

资助项目

广东省科技基础条件建设项目(2018B030324001);中国气象局气候变化专项(CCSF201912);广东省气象局科研项目(2015B14, 2016B19, QH201503)

第一作者

黄珍珠, 主要从事应用气象与减灾方法研究。E-mail:zzhuang@gd121.cn.

文章历史

收稿日期:2019-02-10
定稿日期:2019-07-02
早稻“龙舟水”灾害保险气象理赔指数设计
黄珍珠1 , 刘尉1 , 张羽1 , 梁敏妍2 , 柳晔1     
1. 广东省气候中心, 广州 510080;
2. 广东省江门市气象局, 江门 529030
摘要:利用广东省1960—2016年5—6月逐日降水量资料、1983—2016年全省及各市早稻产量资料、1994—2016年灾情资料等,首先应用数理统计方法,建立早稻产量与“龙舟水”期间(5月21日—6月20日)总降水量、降水量距平百分率与暴雨日数的相关关系;然后,采用个例分析法,建立“龙舟水”灾害对早稻产量影响评估模型,再利用评估模型对受“龙舟水”影响严重的2008年早稻单产减产率进行评估检验,其正确率超过75%。最后,确定“龙舟水”期间暴雨日数大于等于1 d且降水量距平百分率大于等于20%为早稻“龙舟水”灾害保险阈值,在此基础上,设计了“龙舟水”灾害保险气象理赔指数。
关键词气象理赔指数    “龙舟水”灾害    早稻    农业保险    
Design of weather-based claiming index for early rice "Dragon Boat Rain" disaster insurance
HUANG Zhenzhu1 , LIU Wei1 , ZHANG Yu1 , LIANG Minyan2 , LIU Ye1     
1. Guangdong Climate Center, Guangzhou 510080;
2. Jiangmen Meteorological Office of Guangdong Province, Jiangmen 529030
Abstract: Based on daily precipitation data between May and June during 1960-2016, early rice yield data during 1983-2016 in the whole province and municipalities, and disaster data during 1994-2016 in Guangdong province, this paper presents a design method of weather-based claiming index for early rice "Dragon Boat Rain" disaster insurance. Firstly, statistical method is used to establish the relationships between early rice yield and the total precipitation, rainfall anomalous percentage and rainstorm days during the "dragon boat rain" period of 21 May to 20 June in Guangdong. Secondly, using the case studies, the assessment model is established for effect of "Dragon Boat Rain" disaster on early rice yield, and tests are conducted for the reduction rate of per unit early rice yield affected severely by "dragon boat rain" in 2008 with the assessment model. It is found that its accuracy exceeds 75%. Lastly, the thresholds of early rice "Dragon Boat Rain" disaster insurance are determined to be the rainstorm days greater than or equal to 1 d, and the rainfall anomalous percentage greater than or equal to 20% during "dragon boat rain" period. Weather-based claiming index for early rice "dragon boat rain" disaster insurance are accordingly designed.
Key words: weather-based claiming index    "dragon boat rain" disaster    early rice    agricultural insurance    
引言

每年4—6月是广东省暴雨频发的前汛期,全省降水最集中、降水量最大的暴雨过程主要发生在5月下旬至6月中旬,此时正值广东省端午节前后举办龙舟竞赛之时,人们称此期间降水为“龙舟水”(广东省农业厅和广东省气象局,2000《广东省气候业务技术手册》编撰委员会,2008)。“龙舟水”期间也正是广东省早稻抽穗扬花期,若遇“龙舟水”,早稻开花授粉、结实就会受其影响,并导致其产量和质量下降(广东省人民政府农业办公室和广东省气象局农业气象中心,1996林举宾等,1997黄珍珠等,2011)。如2008年5月下旬到6月中旬,广东省遭遇自1951年以来最严重“龙舟水”,由于降水持续时间长、强度大,给广东省造成严重洪涝灾害(林良勋等,2009),使40.9×104 hm2农作物受灾,其中早稻减产严重,造成全省直接经济损失计64.5亿元。

《农业保险条例》自2013年3月1日施行以来,在减少自然灾害对农业生产负面影响、稳定农民种养殖业收入等方面发挥了重要作用(黄建新和田禾,2007)。早在2009年,广东省开始启动水稻种植农业保险。多年来,尽管该项工作取得一定进展和成绩,但总体形势不容乐观。传统农业保险产品由于存在道德风险、灾后理赔时效低、理赔成本高等问题,制约了政策性农业保险的可持续发展(庹国柱和李军,2003);而气象指数保险是一种有效的、新型的天气风险管理工具,可克服传统农业保险中存在的弊端(程静,2013)。气象指数保险以特定农业气象指标作为触发机制,如果超出预定标准,保险人就要负责赔偿,它与大灾后实际农作物受损状况无关,无需逐户勘查定损(娄伟平等,2009a吴利红等,2012)。气象指数保险因能克服传统农业保险发展面临的道德风险、逆向选择等普遍性难题,已引起国内学者和有关各方广泛关注。早在20世纪90年代,国外就已开始天气指数保险方面的研究(Smith et al., 1994Wenner and Arias, 2003)。而国内近10 a才在气象理赔指数设计及气象指数保险研发方面也开展了一些探索性工作。毛裕定等(2007)设计了浙江柑橘冻害天气指数。娄伟平等(2009a, 2010)设计了柑橘冻害保险气象理赔指数和浙江省水稻暴雨灾害保险气象理赔指数。刘映宁等(2010)设计了陕西苹果花期冻害保险风险指数。杨太明等(2013, 2015)设计了安徽省冬小麦种植保险天气指数和水稻高温热害保险天气指数。然而,气象指数保险及气象理赔指数一般是根据某地农业气象灾害对某作物的影响而设计的,具有很强的区域性,很难直接移植到其他地区加以应用(杨太明等,2013)。2016年以来,广东省已开展了水稻台风灾害保险气象理赔指数研究(黄珍珠等,2016)。但作为直接影响早稻产量的“龙舟水”灾害,也急需开展相应的气象理赔指数研究,为政府建立和完善水稻政策性农业保险方案提供技术支撑。农业气象灾害风险评估是农业保险险种设计的基础,灾损率也是对农业气象灾害造成损失进行理赔的依据(娄伟平等,2009b)。20世纪80年代以来,国内学者对农业气象灾害风险评估进行了较多研究与探索(霍治国等,2003陈家金等,2010邵末兰等,2010陆魁东等,2011),同时广东省在水稻台风、晚稻干旱风险评估方面也取得一些进展(黄珍珠等,2014陈慧华等,2016)。“龙舟水”是影响广东省早稻产量的主要农业气象灾害,林举宾等(1997)黄珍珠等(2011)曾针对“龙舟水”对早稻产量的影响先后做过相关研究,但均以定性评价为主,缺乏对“龙舟水”灾害风险与损失的定量分析评估。如何准确、定量评估“龙舟水”对广东省早稻产量的影响,是“龙舟水”灾害保险气象理赔指数设计的依据。为此,本文基于前人相关研究成果和广东农业生产现况,从农业生产自然气候条件出发,利用气象资料、灾情资料、早稻产量资料,采用统计分析法中的个例分析法,建立早稻“龙舟水”灾害影响评估模型,对早稻“龙舟水”灾害影响进行定量评估,再在评估基础上,设计早稻“龙舟水”灾害保险气象理赔指数。

1 资料与方法 1.1 资料来源

本文使用资料包括: (1)气象数据,即广东省86个国家气象观测站5—6月逐日降水量资料,该资料来源于广东省气象探测数据中心;(2)早稻产量资料,即全省及所辖20个地市逐年单产资料(不含深圳市,该市无水稻种植),该资料来源于《广东省农村统计年鉴》;(3)热带气旋数据,该数据源自《台风年鉴》和《热带气旋年鉴》;(4)气象灾情数据,来源于《中国气象灾害大典·广东卷》和《广东省防灾减灾年鉴》。气象资料年限为1960—2016年,早稻产量、热带气旋数据年限为1983—2016年,灾情数据年限为1994—2016年。

“龙舟水”期间(5月21日—6月20日,下同)总降水量、降水量距平百分率和暴雨日数的统计年限为1960—2016年,其中建立评估模型所用的“龙舟水”资料年限为1983—2016年,保险赔付阈值所用的“龙舟水”资料年限为1960—2016年。本文分析用到的广东“龙舟水”资料为全省86个国家自动气象站资料的平均值;20个地市“龙舟水”资料分别为各市所辖市(县)气象台站资料的平均值。

1.2 研究方法

作物实际产量可分解为社会经济因素决定的趋势产量、气象因素决定的气象产量和偶然因素造成的随机产量,因随机产量占比小,通常忽略不计(欧阳海等,1990)。因此,实际单产(Yi)可表示为

$ Y_{i}=Y_{{\rm t} i}+Y_{{\rm w} i} $ (1)

其中,Yti为趋势产量,Ywi为气象产量。Yti反映耕作技术改进、市场因素等造成的产量缓慢变化,Ywi则反映不同年份气象条件差异造成的产量波动。Ywi>0,表示气象条件有利于水稻生长,为丰产年;反之,为减产。分离趋势产量的原则是其模拟曲线要符合社会技术各发展阶段实际(房世波,2011)。

本研究中,在分离广东全省早稻趋势产量与气象产量时,采用正交多项式回归方法。为了消除地区间农业生产水平的差异,用气象产量除以趋势产量得到相对气象产量来表明早稻单产波动,这样变量不受时间和空间影响,具有可比性(陈家金等,2010)。基于此,采用相对气象产量(Si)建立“龙舟水”评估模型。

$ S_{i}=\left(Y_{i}-Y_{{\rm t} i}\right) / Y_{{\rm t} i} \times 100 \% $ (2)

Si<0时,将其绝对值定义为减产率;当Si>0时,表示增产。

同样,根据广东各地市早稻单产变化特点,采用实际产量的5 a滑动平均方法或正交多项式回归方法计算其趋势产量,再求相对气象产量即减产率。

2 结果与分析 2.1 “龙舟水”对早稻产量的影响 2.1.1 关键影响因子

首先,将全省早稻单产(Yi)分离为趋势产量(Yti)和气象产量(Ywi),按式(1)和式(2)求出气象产量Ywi序列和减产率Si序列;然后,分别与“龙舟水”期间影响早稻产量的关键气象因子即总降水量(x1)、降水量距平百分率(x2)、暴雨日数(x3)进行相关分析,其结果见表 1。从中可见,YwiSix1x2x3呈明显的负相关。此结果与以往有关定性评价分析结果相符(林举宾等,1997黄珍珠等,2011)。

2.1.2 早稻受“龙舟水”影响的年份

图 1给出1983—2016年“龙舟水”期间广东降水量距平百分率(x2)与全省早稻单产减产率(Si)逐年变化。从中看到,Si明显且x2较大的年份是1994年、2001年、2005年、2006年、2007年、2008年。根据历年《台风年鉴》《热带气旋年鉴》和《广东省防灾减灾年鉴》,查找上述年份台风、干旱及其他灾害影响情况得知:1994年、2001年和2006年除受“龙舟水”影响外,早稻生长后期还遭受登陆台风影响,造成其当年减产严重;2007年早稻生长后期受干旱影响严重,造成早稻减产。2005年早稻只受“龙舟水”灾害影响,无台风及干旱等其他大范围灾害影响,当年早稻减产主要是“龙舟水”影响所致。2008年是历年“龙舟水”对广东影响最严重年份(林良勋等,2009),当年6月25日第6号热带风暴“风神”登陆深圳市,登陆时中心附近最大风力9级,由于“风神”强度不大,对全省早稻影响不大。撇开台风及其他灾害影响,本文重点就“龙舟水”对早稻造成严重影响的2005年、2008年两个典型年进行分析。

表 1 广东“龙舟水”期间(5月21日—6月20日)不同气象因子与气象产量(Ywi)及早稻减产率(Si)的相关系数 Table 1 Correlation coefficients between different precipitation factors and early rice climatic yield (Ywi) and yield reduction rate (Si) during "dragon boat rain"period of 21 May to 20 June in Guangdong.

图 1 1983—2016年“龙舟水”期间(5月21日—6月20日)广东降水量距平百分率(x2)与早稻减产率(Si)逐年变化 Fig. 1 Annual variations of rainfall anomalous percentage (x2) and early rice yield reduction rate (Si) during "dragon boat rain"period of 21 May to 20 June in Guangdong from 1983 to 2016.

与上述全省早稻产量资料处理方法相同,将广东各地市早稻单产分离出趋势产量和气象产量,再按式(2)分别计算20个地市的早稻减产率,并以20个地市早稻减产率序列及其对应的“龙舟水”期间关键气象因子即总降水量、降水量距平百分率与暴雨日数进行相关分析。分析结果表明,2005年、2008年各地市早稻减产率与“龙舟水”期间关键气象因子呈显著负相关,且全部通过0.01显著性水平检验(表 2),这说明2005年、2008年“龙舟水”对广东各地早稻产量的影响是严重的。

表 2 广东20个地市2005年与2008年“龙舟水”期间(5月21日—6月20日)不同气象因子与早稻减产率的相关系数 Table 2 Correlation coefficients between different precipitation factors and early rice yield reduction rate during"dragon boat rain"period of 21 May to 20 June at the 20 municipalities of Guangdong in 2005 and 2008.
2.2 “龙舟水”影响早稻产量评估模型

如上所述,2005年和2008年早稻产量主要是受“龙舟水”灾害影响。其中,2005年全省“龙舟水”雨量分布不均,20个地市“龙舟水”降水量有的明显偏多、有的偏少,各地市产量有增有减;2008年20个地市“龙舟水”降水量均显著偏多,各地市产量均为减产。因此,本文以2005年各地市早稻产量及“龙舟水”期间关键气象因子建立“龙舟水”灾害对早稻产量的影响评估模型,再以2008年各地市资料对所建立的模型进行检验。

2.2.1 评估模型的建立

由于广东省除了有86个长序列国家自动气象站外,近年来还建成了2 700多个区域自动气象站,但大部分区域气象站资料年限仅有10多年,无法使用“龙舟水”期间降水量距平百分率对早稻产量的影响进行评估。为了使用区域气象观测站资料,弥补86个国家自动气象站点资料少的不足,便采用以下两种方法建立“龙舟水”灾害对早稻产量的影响评估模型。

(1) 以多元回归方法建模。由于同一时间段降水量与降水量距平百分率关系密切,并存在共线性,不同地区降水量之间不便于比较,而降水量距平百分率之间较易比较。因此,建立其评估模型时以“龙舟水”期间降水量距平百分率(x2i)与暴雨日数(x3i)为自变量,2005年广东20个地市早稻减产率(Si)为因变量。采用多元回归分析法,就可建立如下Six2ix3i(i为年份)的回归方程

$ S_{i}=2.753-0.052 x_{2 i}-2.746 x_{3 i} $ (3)

式(3)亦为广东“龙舟水”灾害对早稻产量的影响评估模型。该方程复相关系数r=0.730,r2=0.533,回归平方和U=167.960,残差平方和Q=147.349,F=9.689;自变量因子个数m=2,广东省所辖地市个数n=20;经F检验,Fα=0.01=6.11,FF0.01,所以模型(3)通过0.01显著性水平检验。

(2) 以逐步回归方法建模。以2005年各地市早稻减产率(Si)为因变量,各地市“龙舟水”期间总降水量(x1i)、降水量距平百分率(x2i)、暴雨日数(x3i)3个因子为自变量,采用逐步回归方法可建立如下广东“龙舟水”灾害对早稻产量的影响评估模型

$ S_{i}=3.683-3.629 x_{3 i} $ (4)

式(4)的回归方程复相关系数r=0.694,回归平方和U=151.983,残差平方和Q=163.327,F=16.750;m=1,n=20;经F检验,Fα=0.01=8.29,由于FF0.01,所以该方程通过0.01显著性水平检验。

逐步回归方法建立的方程仅暴雨日数入选,这样方程(4)就可以用实时的区域自动站暴雨日数资料进行评估,不需要历年资料,服务起来更加灵活方便。

2.2.2 评估模型的检验

黄珍珠等(2014)的研究结果表明,广东早稻减产率Si≤4.4%时“龙舟水”致灾风险等级为1级(轻等),Si为4.5%~7.4%时“龙舟水”致灾风险等级为2级(中等),Si≥7.5%时“龙舟水”致灾风险等级为3级(重等)。将2008年广东省20个地市“龙舟水”期间降水量距平百分率与暴雨日数分别代入式(3),计算各地市当年早稻减产率。然后,根据上述“龙舟水”致灾风险等级标准,利用克里金(Kriging)插值法对致灾等级进行格网化插值,绘制出2008年全省早稻“龙舟水”致灾风险等级评估分布见图 2。将图 2中的评估结果与20个地市实际致灾风险等级进行对比可知,其中17个地市评估等级与实际等级一致,3个地市评估等级比实际等级偏低1个级别,其一致率超过80%。另外,比较各地市减产率的评估值与实际值可知,其中15个地市误差绝对值为2.5%或以下,5个地市误差绝对值大于等于2.6%,即评估准确率达到75%。

图 2 2008年广东省早稻“龙舟水”致灾风险等级(填色区)评估分布图(黑色数值为减产率,单位: %) Fig. 2 Assessment map of early rice"dragon boat rain"disaster risk grades (color-filled areas) in Guangdong in 2008. Black numbers denote yield reduction rate (unit: %).

同样,将2008年广东20个市“龙舟水”期间暴雨日数分别代入式(4),计算各地市减产率。其减产率评估级别总体偏低较多,有6个地市评估等级比实际等级偏低1个级别,其一致率为70%;另外,比较各地市减产率的评估值与实际值可知,有12个地市误差绝对值在4.4%或以下,3个地市误差绝对值在4.5%~5.0%之间,5个地市误差绝对值大于等于5.1%,其减产率评估值与实际减产率相比也偏小。

综上结果可知,在相关评估业务与服务中,应以式(3)作为“龙舟水”灾害对早稻产量的影响的评估模型,以式(4)作为辅助模型,辅助模型应用于局地降水强度大又没有历史资料的镇村。

2.3 早稻“龙舟水”灾害保险气象理赔指数设计

“龙舟水”期间总降水量、暴雨日数和降水量距平百分率是导致广东省早稻减产的3个主要气象因子,其中总降水量与降水量距平百分率密切相关, 所以, 以暴雨日数和降水量距平2个因子的阈值判断是否触发保险赔付并基于这2个因子计算早稻“龙舟水”灾害保险气象理赔指数。是否需要进行早稻“龙舟水”灾害保险赔付,必须先确定相关气象因子的阈值。

2.3.1 暴雨日数阈值

根据广东全省86个国家地面气象观测站(分别代表其所在的市或县(市、区),以下简称市县) 1960—2016年“龙舟水”期间暴雨资料,参考章国材(2014)的相关方法,计算该期间不同级别暴雨日数的出现频率,即

$ F_{i}=T_{i} / Y $ (5)

其中,Fi为第i等级致灾因子强度出现频率,Ti为统计年限Y内第i等级致灾因子出现次数。本文中Y = 57,等级i设为三级,即暴雨日数分别为1、2、3 d的次数。计算结果显示,达到2 a一遇的暴雨天数,佛冈、龙门、恩平、阳江和海丰5市县为3 d,英德、新丰、清远和从化等16市县为2 d,其余65市县为1 d。因此,将暴雨日数阈值确定为全省各市县都出现1 d或以上暴雨。

2.3.2 降水量距平阈值

与上述暴雨日数同理,利用式(5)计算全省86市县“龙舟水”期间不同级别降水量距平百分率出现频率,其等级i设为三级,即降水量距平百分率分别为20%、25%和30%的次数,其计算结果见表 3

表 3 广东“龙舟水”期间各市县不同等级降水量距平百分率出现频率 Table 3 Frequencies of different levels of rainfall anomalous percentage at every municipality and county of Guangdong during"dragon boat rain" period.

表 3中看到,降水量距平百分率大于等于20%出现的频率,湛江、茂名、云浮等市县为0.30~0.40次·a-1,即约为2~3 a一遇;降水量距平百分率大于等于25%出现的频率,湛江、茂名、云浮等大多数市县为0.20~0.30次· a-1,约为3~5 a一遇;降水量距平百分率大于等于30%出现的频率全省大多数市县小于0.25次·a-1。因此,将“龙舟水”期间降水量距平百分率阈值定为湛江、茂名、云浮、河源、梅州、汕头、潮州和揭阳降水量距平百分率大于等于25%,其余市县降水量距平百分率大于等于20%;也可以全省统一指标,定为降水量距平百分率大于等于20%。这样参保者每2~5 a可得1次赔付,既能提高投保人的积极性,也使保险公司避免年年赔付,双方都易接受。

2.3.3 早稻“龙舟水”灾害风险区划

表 1表 2中看到,暴雨天数与早稻产量关系最为密切(两者关系见式(4)),利用式(5)计算广东全省86个市县“龙舟水”期间不同等级暴雨出现频率,综合2 d暴雨的频率及式(4),定义2 d暴雨频率小于0.30为“龙舟水”灾害低风险区、0.30~0.50为中风险区、大于0.50为高风险区。根据“龙舟水”灾害风险指标,利用克里格插值法绘制广东省早稻“龙舟水”灾害风险区划图(图 3)。

图 3 广东省早稻“龙舟水”灾害风险区划图 Fig. 3 Regionalization map of early rice"dragon boat rain" disaster risk in Guangdong province.

图 3可知,佛冈、龙门、海丰、陆丰、恩平和阳江等地为早稻“龙舟水”灾害高风险区;湛江、云浮、肇庆、韶关和梅州部分市县为低风险区;其余市县为中风险区。

2.3.4 气象理赔指数设计

娄伟平等(2010)将作物灾害保险气象理赔指数定义为在一个事先指定的区域,以一种事先规定的气象事件发生为基础,根据气象事件造成作物产量的损失率,确立损失理赔支付的合同,理赔指数是事先规定的气象事件对应的气象指数,每个指数值对应一定的赔付率。理赔指数由下式表示

$ P=\left\{\begin{array}{ll} {0} & {S \leqslant M} \\ {S} & {S>M} \end{array}\right. $ (6)

其中,P代表事先指定区域的理赔指数;S代表“龙舟水”造成该区域的减产率;M代表“龙舟水”灾害损失相对免赔额。

根据吴利红等(2012)的研究结果,水稻单位面积的赔付金额为

$ Q=\left\{\begin{array}{cc} {0} & {S \leqslant M} \\ {S \times I} & {S>M} \end{array}\right. $ (7)

其中,Q为赔付金额,I为保险金额。

本文以广东省早稻产量主要是受“龙舟水”灾害影响的2008年为例,说明早稻“龙舟水”灾害保险气象理赔指数的设计过程。为了计算上的方便,免赔额全省统一定为4.4%,即“龙舟水”灾害对早稻影响程度为轻等时免赔(各市保险合同厘定时,免赔额可根据早稻“龙舟水”灾害风险区划结果(图 3)来确定),暴雨天数阈值设定为大于等于1 d,降水量距平百分率阈值设定为大于等于20%,即减产率大于等于4.5%时,则按计算的减产率赔付。当某地“龙舟水”期间出现1 d或以上暴雨,且降水量距平百分率偏多20%的触发值时,根据式(3)计算早稻减产率,当早稻减产率小于等于4.4%时,理赔指数(P)为0,赔付金额为0;早稻减产率大于等于4.5%时(即“龙舟水”灾害对早稻影响程度为中等),P等于早稻减产率(表 4)。如以广东省2013—2017年的赔付标准进行赔付,即每季水稻每666.7 m2保险金额(I)为400元,保险费率为5%,各级财政承担80%保费,农户承担20%保费(4元),则保费与理赔指数的乘积即为2008年早稻“龙舟水”灾害保险赔付金额(表 4)。

表 4 2008年广东省8个代表市早稻“龙舟水”灾害保险气象理赔指数与赔付金额 Table 4 Weather-based claiming index and claiming amount award for the early rice loss caused by"dragon boat rain" disaster at the 8 representative municipalities of Guangdong in 2008.
3 结论与讨论

本文利用广东省多年逐日降水量资料、热带气旋资料、灾情资料、早稻产量资料等,应用数理统计方法和个例分析法,建立了“龙舟水”灾害对早稻产量影响评估模型,再利用评估模型对受“龙舟水”影响严重的2008年早稻单产减产率进行评估检验。通过确定早稻“龙舟水”灾害保险阈值,设计了“龙舟水”灾害保险气象理赔指数。本研究设计的“龙舟水”灾害影响评估模型是以地市资料为基础建立的,评估模型及理赔指数简单、操作性强、农户容易看懂,可在“龙舟水”灾害发生后客观、快捷地为保户提供经济补偿。

广东省除了有86个长序列气象资料的国家自动气象站外,近年来还建设了2 700多个区域气象观测站,若遇到局地强降水而又缺少历史资料计算降水量距平时,也可参考区域气象观测站暴雨资料,用式(4)进行评估及保险理赔。

需要指出的是, 本研究的重点是早稻“龙舟水”灾害影响评估、保险赔付阈值的确定及气象理赔指数的设计;至于保险合同的厘定等问题, 可由保险公司和农户根据早稻“龙舟水”灾害风险区划图(图 3)及暴雨出现的频率来解决。目前, 理赔指数保险在我国仍处在探索阶段,该指数模型还有待在今后的服务过程中进一步完善和优化。

参考文献
陈慧华, 王春林, 段海来, 等. 2016. 广东省晚稻干旱灾害评估及其特征分析[J]. 中山大学学报(自然科学), 55(3): 15-21.
陈家金, 林晶, 李丽纯, 等. 2010. 暴雨灾害对福建水稻产量影响的灾损评估方法[J]. 中国农业气象, 31(增1): 132-136.
程静. 2013. 农业旱灾风险管理的金融创新路径:天气指数保险[J]. 世界农业, (3): 60-64. DOI:10.3969/j.issn.1002-4433.2013.03.014
房世波. 2011. 分离趋势产量和气候产量的方法探讨[J]. 自然灾害学报, 20(6): 13-16.
广东省农业厅, 广东省气象局. 2000. 广东省农业气象灾害及其防灾减灾对策[M]. 北京: 气象出版社, 172-174.
《广东省气候业务技术手册》编撰委员会. 2008. 广东省气候业务技术手册[M]. 北京: 气象出版社, 42-44.
广东省人民政府农业办公室, 广东省气象局农业气象中心. 1996. 广东气候与农业[M]. 广州: 广东高等教育出版社, 106-108.
黄建新, 田禾. 2007. 加快建立政策性农业保险制度的思考[J]. 北京工商大学学报:社会科学版, 22(6): 71-74.
黄珍珠, 陈慧华, 柳晔, 等. 2016. 水稻热带气旋灾害保险气象指数设计[J]. 广东农业科学, 43(10): 140-146.
黄珍珠, 刘锦銮, 刘尉, 等. 2014. 登陆广东的热带气旋对水稻产量的影响评估[J]. 自然灾害学报, 23(4): 170-176.
黄珍珠, 王华, 陈新光, 等. 2011. 气候变化背录下"龙舟水"特征及其对广东早稻产量的影响[J]. 生态环境学报响, 20(5): 793-797.
霍治国, 李世奎, 王素艳, 等. 2003. 主要农业气象灾害风险评估技术及其应用研究[J]. 自然资源学报, 18(6): 692-703. DOI:10.3321/j.issn:1000-3037.2003.06.007
林举宾, 涂悦贤, 麦建辉. 1997. 农业气象灾害对广东水稻生产的影响及防御对策[J]. 中国农业气象, 18(4): 42-45.
林良勋, 吴乃庚, 黄忠, 等. 2009. 广东2008年罕见"龙舟水"特点及成因诊断分析[J]. 气象, 35(4): 43-50.
刘映宁, 贺文丽, 李艳丽, 等. 2010. 陕西果区苹果花期冻害农业保险风险指数的设计[J]. 中国农业气象, 31(1): 125-129. DOI:10.3969/j.issn.1000-6362.2010.01.025
娄伟平, 吴利红, 倪沪平, 等. 2009a. 柑橘冻害保险气象理赔指数设计[J]. 中国农业科学, 42(4): 1339-1347.
娄伟平, 吴利红, 邱新法, 等. 2009b. 柑桔农业气象灾害风险评估及农业保险产品设计[J]. 自然资源学报, 24(6): 1030-1040.
娄伟平, 吴利红, 姚益平. 2010. 水稻暴雨灾害保险气象理赔指数设计[J]. 中国农业科学, 43(3): 632-639. DOI:10.3864/j.issn.0578-1752.2010.03.026
陆魁东, 罗伯良, 黄晚华, 等. 2011. 影响湖南早稻生产的五月低温的风险评估[J]. 中国农业气象, 32(2): 283-289. DOI:10.3969/j.issn.1000-6362.2011.02.023
毛裕定, 吴利红, 苗长明, 等. 2007. 浙江省柑桔冻害气象指数保险参考设计[J]. 中国农业气象, 28(2): 226-230. DOI:10.3969/j.issn.1000-6362.2007.02.027
欧阳海, 郑步忠, 王雪娥, 等. 1990. 农业气候学[M]. 北京: 气象出版社, 38.
邵末兰, 张宁, 岳阳, 等. 2010. 基于距离函数的区域性暴雨灾害风险预估方法研究[J]. 暴雨灾害, 29(3): 268-273. DOI:10.3969/j.issn.1004-9045.2010.03.011
庹国柱, 李军. 2003. 我国农业保险试验的成就、矛盾及出路[J]. 金融研究, 46(9): 88-98.
吴利红, 苗长明, 姚益平, 等. 2012. 气象灾害风险管理在农业保险中的应用研究[M]. 北京: 气象出版社, 102-107.
杨太明, 刘布春, 孙喜波, 等. 2013. 安徽省冬小麦种植保险天气指数设计与应用[J]. 中国农业气象, 34(2): 229-235. DOI:10.3969/j.issn.1000-6362.2013.02.016
杨太明, 孙喜波, 刘布春, 等. 2015. 安徽省水稻高温热害保险天气指数模型设计[J]. 中国农业气象, 36(2): 220-226. DOI:10.3969/j.issn.1000-6362.2015.02.013
章国材. 2014. 自然灾害风险评估与区划原理和方法[M]. 北京: 气象出版社, 221-222.
Smith V H, Chouinard H H, Baquet A E. 1994. Almost ideal areayield crop insurance contracts[J]. Agricultural and Resource Economics Review, 23: 75-83. DOI:10.1017/S1068280500000435
Wenner M, Arias D. 2003. Agricultural insurance in Latin American: where are we [R].Paving the Way Forward for Rural Finance an International Conference on Best Practices