基于聚类分析的广东省水产养殖自然灾害风险区划

李亚琦,韩兴勇∗,李志强

(1上海海洋大学经济管理学院,上海201306;2兰州大学经济学院,兰州730000)

广东省是我国的水产养殖大省,据统计,2013年广东省水产养殖总面积为57.01万hm2,总产量647.74万t,水产品总产值高达833.88亿元(人民币,下同),占农业总产值的17.87%,水产品出口创汇额在各类农产品中排名第一,南美白对虾、罗非鱼等是广东省水产养殖的主导产品,也是主要的出口产品,产量多年稳居全国前列。水产养殖是广东省农村经济的支柱产业[1],对优化农村产业结构,促进农民增收有着积极的作用。然而广东地处我国南部沿海,是我国自然灾害频发的省份之一,再加上水产养殖行业本身具有暴露性和脆弱性,台风、暴雨、风暴潮、赤潮等灾害严重威胁着该行业的稳定发展,给渔民造成了巨大的损失。近十年广东省水产养殖平均受灾面积比率高达13.75%,水产品平均经济损失率5.05%,在一些重灾区,个别年份的损失甚至超过当年总产值。因此,重视并积极采取措施应对水产养殖自然灾害风险十分重要。

自然灾害风险具有区域性特征[2],运用风险评价理论建立相关的风险测度指标体系对水产养殖自然灾害风险进行风险区划,不仅有利于广东省水产养殖风险的有效管理,也可为保险公司经营水产养殖保险提供重要参考。

1 研究概况

风险区划是指根据风险的地域分布规律,在对风险标的进行调查的基础上,从各地不同的风险状况和标的损失的情况出发,按照区内相似性与区间差异性、保持行政区界相对完整性的原则,将一定地域内的风险标的所面临的风险划分为若干个等级[3]。目前,国内外对单一标的风险区划的研究主要集中在农业上,在国外农业保险经营比较成功的美国、加拿大、日本等国家,都对农作物的生产风险进行了区划,美国以雹灾发生的频率、雹灾的强度和雹灾次数最多的季节为主导指标,把整个美国大陆划分为14个雹灾风险等级;加拿大各省在开展农作物保险时,都根据本省各地区的土壤、气候、地理条件和农作物生产历史进行了风险区域划分;日本在农作物风险等级划分时,甚至精细到每个村,并将排水道、水库等基础设施建设指标也考虑进去[4]。在我国,农业灾害风险区划研究的方法主要有两类,一类是根据农作物单产水平、生产专业化水平、生产规模等作为主导指标对农业综合自然灾害风险进行评价并区划,如陈新建等[5]选取单产变异系数、生产效率指数等5个主导指标,运用系统聚类对湖北水稻生产县市进行了风险等级划分,梁来存[6]用单产和种植面积两个子系统共9个指标对我国粮食作物风险进行了区划,并运用Probit模型验证了区划结果;另一类则是结合气象学知识,运用自然灾害风险理论,选取致灾因子的危险性、孕育环境的敏感性、承灾体的脆弱性等对农业面临的某种自然风险进行研究,如张继全等[7]、李晓等[8]运用该方法分别对辽西北地区和川南地区农业干旱灾害风险进行了区划,莫建飞等[9]以自然灾害风险评估理论和方法为指导,并借助GIS技术,对广西农业暴雨洪涝灾害进行了风险区划,杨忠恩等[10]则研究了浙江省农业的热带气旋风险。但是,我国对作为大农业重要组成部分的水产养殖的自然灾害风险区划研究极少,且缺少相应的实证分析。因此,本文以广东省的水产养殖为研究对象,结合已有的风险评价方法,运用聚类分析对广东省21个市的水产养殖自然灾害风险进行区划,旨在为水产养殖灾害补偿制度及水产养殖保险经营提供相关参考。

2 研究思路和数据来源

2.1 研究思路

2.1.1 选取指标并确定权重

结合自然灾害风险评价理论及水产养殖行业的自身特点,并考虑指标数据的可获得性和风险测度指标体系的适用性,选取单产波动水平、历史灾损度、脆弱性和抗灾减灾能力4个主导指标和10个二级指标。在指标选取之后,指标权重的大小直接影响风险区划的结果。层次分析法(简称AHP)[11]是一种对指标进行定性定量分析的决策方法,在确定水产养殖灾害风险测度指标体系中的各二级指标权重时,首先向专家发放问卷进行调查,收集各二级指标的相对重要性评判数据,然后构造两两要素相对重要性的比较判断矩阵,并通过一致性检验之后,得出各二级指标的权重。

2.1.2 聚类分析确定风险区划结果

聚类分析[12]也称群分析、点群分析,是基于观测样本在多变量上的相异性,将样本划分为不同的组或类的方法,主要通过个体或对象分类,使类间对象的同质性最大化和类与类间对象的相异性更强,是一种根据研究对象特征对研究问题进行分类的多元分析方法。聚类分析的方法主要有系统聚类法、K均值聚类法和模糊聚类法。为了使聚类结果更具有可信性,对广东省21个市的水产养殖自然灾害风险分别用以上3种方法进行聚类,综合评判其风险等级。

2.2 数据来源

本研究所用到的数据主要来源于《广东农村统计年鉴》,大致可分为两类,第一类是广东省各市水产养殖的时间序列数据,包括各市的单位养殖面积产量(以下简称单产)和历史灾损度,各市单产选取1997—2013共17年的数据;广东省从1999年开始统计各市水产养殖的灾害情况,但前3年的统计数据不够完整,故历史灾损度选取2003—2013年共11年的数据。考虑到风险评价的是未来发生损失的可能性的大小,对于第二类——脆弱性和抗灾减灾能力指标数据则采用就近原则,除财政资金救灾力度选取2009—2013年5年的平均值,其余指标均选取距今最近的2013年的数据。

3 水产养殖灾害风险测度指标体系的建立

3.1 指标的含义与计算方法

3.1.1 单产波动水平

自然灾害风险对水产养殖最直接的影响就是产量的波动,单产变异系数和单产降低的年份比重可以表征这一波动的大小。

(1)单产变异系数(CV):假定在统计区间内各市的养殖品种没有发生大规模变化,影响单产水平的因素主要有两类,第一是生产力因素:育种的改良、养殖技术的进步以及基础设施的建设等,生产力的不断提高会形成水产养殖的时间趋势单产;第二,自然灾害风险也是影响实际单产的重要因素。那么,从实际单产中剔除因生产力因素而形成的时间趋势单产,就可以科学地衡量因自然灾害而产生的单产波动情况[13]。单产变异系数的具体计算方法如下。

首先对广东省21个市1997—2013年的水产养殖单产做剔除时间趋势处理:

式①中Yit为i市水产养殖的实际单产水平,it为时间趋势单产,则Yrt为剔除时间趋势后水产养殖单产超过正常波动范围的异常波动产量,即因自然灾害因素而产生的异常波动。对各市历年水产养殖的实际单产进行拟合可得到趋势单产方程,拟合值近似等于水产养殖的时间趋势单产,根据拟合优度的大小并考虑各系数的显著性检验结果,最终的拟合结果如表1所示,其中深圳和河源两市的平均绝对百分误差MAPE＞10,但其拟合优度分别是0.7973和0.5845,在可接受的范围之内,而韶关的拟合优度较低主要是因为样本量小的缘故[6,14]。根据趋势方程即可计算出各市每年的趋势单产it,即可计算出各市水产养殖单产变异系数。

表1 各市水产养殖单产趋势方程Table 1 The per unit yield tendency equation of aquaculture of each city

(2)单产降低的年份比重(D):一般来说,单产如果相对于上一年有所下降,往往是因为今年严重的自然灾害,根据过去17年各市的单产数据,单产下降的年份比重越大,该市水产养殖发生自然灾害的风险越大。

3.1.2 历史灾损度

一般认为,过去受灾情况能够客观反映该地区自然灾害的风险状况,过去受灾越严重,表示该地区自然灾害风险越大,通过统计2003—2013年共11年各市水产养殖平均受灾面积比率、平均产量损失率和平均百万元产值经济损失率来表征历史灾损度。

(1)平均受灾面积比率(V):水产养殖受灾面积是指一年内自然灾害破坏的养殖池、摧毁的网箱以及围栏等面积,用Vtl表示,除以当年末的水产养殖总面积Vtt,即可得到一个地区当年的受灾面积比率,平均受灾面积的计算方法可以用式③来表示。

(2)平均产量损失率(W):产量损失率是指各市水产养殖因自然灾害而造成的产量损失与灾前值或正常值之比,那么平均产量损失率的计算方法如式④。

其中,Wtl表示第t年因自然灾害而损失的产量,Wtt表示第t年的水产养殖产量。

(3)平均百万元产值经济损失率(RV):百万元产值经济损失率是指平均每创造100万元产值中因自然灾害而损失掉的多少,直接反映自然灾害经济损失给水产养殖的经济效益带来的影响。具体计算方法如式⑤。

其中,Ytl表示第t年因自然灾害而造成的水产品经济损失,Ytt表示第t年水产养殖的水产品总产值。

3.1.3 脆弱性

脆弱性又称为易损性,表示承灾体能否经得起灾害的威胁[15],主要强调的是各市水产养殖行业本身的属性,如果一个地区的水产养殖十分脆弱,即使是很小的自然灾害也会造成很大的损失,所以脆弱性是测度自然灾害风险必须考虑的因素。脆弱性可以用以下指标来反映。

(1)海水养殖面积比重(S):是指海水养殖面积占该市水产养殖总面积的比重,海水养殖相对于内陆养殖更容易遭受到自然灾害的威胁,海水养殖面积比重越大,则该市水产养殖的自然灾害风险也就越大。

(2)单位养殖面积用电量(Q):用电量在一定程度上代表着先进的养殖方式以及固定资产的投入,无论是淡水养殖还是海水养殖,工厂化养殖方式用电量最大,其次是池塘养殖,再次是河流湖泊或海上养殖,其自然灾害风险水平却依次递增,因此单位养殖面积用电量越多,在灾害发生时的防御和应急处理能力越强,能够有效地防止损失。统计年鉴中对该指标并没有直接统计,可以通过以下方法估算。

其中,Yf和Ya分别代表水产养殖总产值和农业总产值,Qa代表农村用电量,V代表水产养殖总面积。

(3)水产养殖效率指数(E):表示水产养殖单产水平与全省平均单产水平的比值,代表着养殖的技术性和专业化水平的高低,效率指数越高,说明无论是管理还是设备方面都比较优良,当受到自然灾害时能够进行很好地预防和控制,发生损失的可能性就越小。

3.1.4 抗灾减灾能力

抗灾减灾能力表示受灾后防止损失进一步扩大的能力,以及能够从灾害中恢复的速度和程度。从渔民个人角度来讲,渔民人均纯收入是进行减灾和恢复生产的直接经济来源;另外,在灾害发生后,政府机构能够组织和调集公共资源帮助渔民减少损失并恢复生产,采用的最直接办法就是用财政资金给予灾害补偿,财政资金救灾力度就是指各级政府财政救灾款总支出除以当地自然灾害直接经济损失,对该值取近5年的平均值①原则上应当取距今最近的2013年的值,但是考虑到某些地区2013年并没有受灾,在不违背就近原则的基础上,取近5年的均值,以此来反映政府对该地区的救灾力度和能力。

3.2 指标体系的建立

选取的上述指标有3个特点:一是指标包括两大类,一类表征过去自然灾害对水产养殖的影响程度,另一类表征现在的一些会对未来损失产生影响的因素;二是指标都具有适用性、可操作性和可比性,能够对各指标进行量化,同时指标在各市之间可比;三是指标的计算均能以完整的行政区为单位,便于政府对自然灾害风险进行管理。建立指标体系的目的在于:评价广东省各市的水产养殖灾害风险,并根据风险的不同将各市进行分类,以揭示水产养殖灾害风险在广东省的分布规律。

在确定指标权重时,将3.1中各指标的含义及计算方法介绍给11位专家,专家对每个主导指标下各二级指标的相对重要性进行评判,整理专家评判数据,发现专家评判结果的相似度较高,故对各二级指标的专家评判结果取众数,一致性检验通过,由此得到各二级指标权重。各主导指标代表着水产养殖自然灾害风险测度的4个主要方面,认为其同等重要,因此对各主导指标取同等权重。最终得到的水产养殖自然灾害风险测度指标体系如表2所示。

表2 水产养殖自然灾害风险测度指标体系Table 2 Measurement index system for aquaculture natural disaster risk

4 水产养殖自然灾害灾害风险区划

4.1 风险测度指标的量化

将统计年鉴中的各个数据代入即可计算出各二级指标的值,但各二级指标的量纲并不一致,为了消除量纲影响,对各二级指标进行[0,1]标准化处理,具体处理方法如下。

正向指标:指标值越大,水产养殖自然灾害风险越大。

负向指标:指标值越小,水产养殖自然灾害风险越大。

在负向指标的处理过程中,Xij标准化为X′ij,Xij越小,X′ij越大,风险越大,实际上是对于负向指标的正向化转换。在表1中的指标体系中,单产波动水平中的各指标均为正向指标;历史灾损度指标均为正向指标;脆弱性指标中海水养殖面积比重为正向指标,另外两项为负向指标;抗灾减灾能力指标全部为负向指标。但是按照上述方法进行标准化处理之后,标准化之后的所有二级指标均与风险水平正相关。根据标准化之后的二级指标的值和指标权重,采用加权相加的方法,计算各主导指标,最终计算的各市主导指标值如表3所示。

4.2 水产养殖自然灾害风险聚类分析及结果

为了客观评价广东省各市的水产养殖自然灾害的风险水平,根据表3中各主导指标的值,分别运用系统聚类、K均值聚类和模糊C均值聚类对广东省各市水产养殖自然灾害风险进行聚类分析。考虑到各主导指标之间具有一定的相关性,个体间距离计算方法采用Correlation测度方法,系统聚类法运用的软件为Stata 12.0,类间距离测度方法采用离差平方和法,K均值聚类法运用的软件也是Stata 12.0,默认采用10 000次最大迭代次数,模糊C均值聚类法利用软件Matlab 7.0。3种聚类方法都预先假定把广东省21个市分为3类,3种聚类方法得出的结果中,有些市的归类3种方法是一致的,有些市是不一致的。得出最终聚类结果的原则是:3种方法中,如果有两种或以上方法的结论相同,则认为基本反映了该市水产养殖自然灾害风险的真实程度,将这一结论作为该市的风险等级。最终,可以得到广东省各市水产养殖自然灾害风险区划结果(表4)。

表3 各市水产养殖自然灾害风险测度主导指标量化结果Table 3 Quantitative values of measurement dominant index of aquaculture natural disaster risks of each city

表4 广东省水产养殖自然灾害风险区划结果Table 4 Natural disaster risk division results of aquaculture in Guangdong Province

根据表4的风险区划结果,运用GIS技术绘制广东省水产养殖自然灾害风险区划图(图1)。总体来讲,广东省水产养殖自然灾害风险区域范围比较集中,且处于高风险区和低风险区的市较多,中风险区只有深圳、江门和肇庆三市。其中高风险区主要在粤东地区以及粤西的阳江和湛江,这些地区都是广东省热带气旋灾害的重灾区[16],并且,粤东和粤西地区的经济不够发达,渔民收入较低且生产设备比较落后,再加上海水养殖的比重很大,导致其水产养殖自然灾害风险较高;而低风险区主要集中在粤中地区和粤北地区,粤北地区地处内陆,发生自然灾害的概率本身就比较小,而粤中地区位于珠江三角洲平原,且水系密度较大,有着天然良好的防洪除涝能力。另外,该地区系广东省的经济中心,生产设备先进且渔民人均收入较高,即使发生灾害,政府对该地区的财政补偿力度也比较大。

图1 广东省水产养殖自然灾害风险区划图Fig.1 Natural disaster risk division map of aquaculture in Guangdong Province

5 对策建议

首先,应加大水产养殖基础设施投资力度。根据各市的水产养殖风险聚类结果可以发现,风险水平不仅受自然灾害的影响,还与各市的水产养殖行业脆弱性和抗灾减灾能力密切相关,尤其在高风险区,脆弱性和抗灾减灾能力较差是其风险较高的重要原因,因此各级政府、渔民都应建立基础设施建设先行的意识,大幅度增加固定资产投入,不仅可以提高水产养殖专业化水平,促进渔民增收,抵御和承受自然灾害损失的能力也会大大增强。

其次,差异化实行水产养殖保险费率及财政补贴。目前广东省水产养殖保险试点已经在珠海破冰,将很快在广东全省推广开来,但是由于各市水产养殖自然灾害风险大相径庭,保险费率也应当不同。另外,水产养殖保险保费也纳入了财政补贴的范围,但在推广过程中对补贴力度应当差异化,对于高风险区,由于保险费率很高,渔民的保费负担也比较重,对保费补贴的需求较为强烈,应当给予更多的财政资金支持,而对于低风险区则少补贴,这样既有利于扩大水产养殖保险的投保范围,又能确保财政资金使用的效率。

最后,应高度重视高风险区的水产养殖自然灾害风险。高风险区的大部分市都是广东省水产品的主产区,2013年养殖水产品产值占全省的42.32%,但近些年来呈不断降低的趋势,很多渔民由于风险承受能力较差,不得不退出该行业,这不但不利于广东省渔业经济的长期稳定,而且容易引发社会问题。因此,政府对于高风险区应当特殊对待,可以利用产业集群的优势,积极推进养殖技术的进步,提高生产效率;也可以引导养殖渔民建立互保机制,或者建立以财政资金为主,渔民自筹为辅的巨灾风险基金,应对水产养殖自然灾害风险。

[1]袁建华.我国水产养殖保险研究:以广东省为例[J].农业经济问题,2012(8):79-83.

[2]DU X Y,LIN X F Conceptual Model on Regional Natural Disaster Risk Assessment[J].Procedia Engineering,2012(45):96-100.

[3]邢鹂,钟甫宁.粮食生产与风险区划研究[J].农业技术经济,2006(1):19-23.

[4]陈丽.国外农业保险风险区划的经验启示[J].中国集体经济,2010(6):198-199.

[5]陈新建,陶建平.湖北省水稻生产风险区划的实证研究[J].统计与决策,2008(19):86-88.

[6]梁来存.我国粮食作物的保险风险区划及其Probit排序选择模型验证[J].经济经纬,2009(6):68-72.

[7]张继权,严登华,王春乙,等.辽西北地区农业干旱灾害风险评价与风险区划研究[J].防灾减灾工程学报,2012,32(3):300-306.

[8]李晓,何鹏,林正雨,等.农业干旱灾害风险评价与风险区划研究:以川南地区为例[J].农业技术经济,2014(9):116-121.

[9]莫建飞,陆甲,李艳兰,等.基于GIS的广西农业暴雨洪涝灾害风险评估[J].灾害学,2012,27(1):38-43.

[10]杨忠恩,金志凤,胡波,等.热带气旋对浙江省农业影响的风险区划[J].生态学杂志,2011,30(12):2821-2826.

[11]郭金玉,张忠彬,孙庆云.层次分析法的研究与应用[J].中国安全科学学报,2008,18(5):148-153.

[12]贾俊平.统计学[M].4版.北京:中国人民大学出版社,2011.

[13]DAVIS S B,PRICE T J,WETZSTEIN M E,et al.Reducing yield variation in peach orchards by geographic scattering[J].American Journal of Agricultural Economics,1997,79(4):1-4.

[14]高铁梅.计量经济分析方法与建模eviews应用及实例[M].北京:清华大学出版社,2010.

[15]BäR R,ROUHOLAHNEDJAD E,RAHMAN K,et al.Climate change and agricultural water resources:A vulnerability assessment of the Black Sea catchment[J].Environmental Science and Policy,2014(12):36-39.

[16]王桂娟.广东省热带气旋灾害分析与风险区划[D].南京:南京信息工程大学,2013.