太仓市水稻气象保险指数初探

赵伟荣，全坚宇，张宇红，杨 洋

（1.太仓市气象局，江苏太仓 215400；2.太仓市农业技术推广中心，江苏太仓 215400）

0 引言

太仓地处长江入海口南岸，属于长江三角洲冲积平原，自古一直是鱼米之乡，农业在其中占了很重要的角色。目前，太仓的农业经营模式形成了“园区化、合作化、产业化、农场化”的发展模式，并在全省率先实现粮食生产全程机械化。水稻在2019年太仓粮食作物总产量中占比达到40%，是最主要的粮食作物。而水稻作为露天农业，受气象条件的制约性较强，连阴雨、少日照、暴雨等都是导致水稻减产的重要因素.

1 农业气象保险

当前，各省各地都出台了不同的政策性保险来保护和促进农业的发展，国际上比较早的和农业相关的保险产品[1，2]是由金融保险界推出的，分别为区域产量指数保险和气象指数保险。其中，气象指数保险通过设定气象指标触发机制，达到阈值即按照既定程序进行赔偿，具有客观、快速理赔和无需现场勘查的特点。如美国采用降水指数保险来增强农业在面对旱涝灾害时的抗风险能力，南非使用气象保险指数来帮助承担霜冻引起的苹果产量风险。以上研究本质上都是以气象因子设计气象指数保险，在实用性和保障性方面都取得了较好的效果。

目前的气象指数保险主要是针对单一气象要素对水稻产量展开评估，如湘中地区通过研究最高温度对产量的影响，建立了高温热害气象保险指数[3]，确定了高温热害气象保险指数的赔付触发系数和赔付标准。连云港市通过研究日照对产量的影响，建立以日照为气象因子的水稻气象保险指数[4]，并根据此确定保险费率认定。本研究选取多气象要素对产量进行分析，通过直接建立气象产量的回归模型，直观给出亩减产kg数，并按照减产比率是否达到10%进行赔付。

2 太仓市水稻气象保险指数研究的资料和方法

2.1 研究资料

气象资料：太仓市国家气象基本站1990～2021年逐日平均气温、雨量、日照等。农业统计资料：太仓市农业技术推广中心1990～2021年武香粳、武运粳系列水稻品种生长周期产量数据。

2.2 数据处理方法

2.2.1 水稻减产率计算

水稻的667m2产量随着品种的变化和栽培技术的进步而产生变化（趋势产量），同时也受气象要素的影响而产生波动（气象产量）。本文通过5年滑动平均法计算得出趋势产量，再将实际产量分离成趋势产量和气象产量，公式如下：

式中，Y为当年实际的产量；

Yt为趋势产量；

Yw为气象产量。

定义相对产量指标R，公式如下：

同理，当R为正值时，表示增产了多少百分比，为负值时，表示减产了多少百分比。根据《江苏省中央财政水稻种植保险条款》，当时，减产率未达到理赔最低标准；当时，即气象灾害引起的损失率达到10%，保险公司依照保险合同的约定开始履行赔偿程序。

2.2.2 气象因子的选取

根据太仓市农业技术推广中心提供的《机插水稻气象种植条件》（表1），可知对水稻产量影响最大的因子有雨量、雨日、平均气温、日照。根据对应生长周期，分别选出该周期对应的气象数据，例如播种期雨量、播种期雨日、播种期平均温度、播种期日照，每个周期4个气象因子，合计24个。

表1 机插水稻种植气象条件

3 结果与分析

3.1 气象产量与多气象因子的模型构建

利用SPSS26.0软件，通过步进的线性回归方式，分析并建立气象产量与6个生长周期共24个气象因子的线性回归模型，对结果进行分析（表2）。

分析可知，在线性回归建立模型的过程中，依次分别选取了齐穗期雨量、抽穗期雨日、成熟期平均温度、齐穗期雨日、播种期日照、播种期雨日、齐穗期平均温度、移栽期平均温度共8个自变量，每个自变量因子的显著性均小于0.05，说明选出的8个自变量对气象产量均有显著影响。其中，主要影响产量减产的气象因子为齐穗期雨量、抽穗期雨日，两者的标准系数分别为-0.577和-0.519。

由上分析，第八次回归模型的拟合优度R达到了0.937，最终调整R方为0.821，拟合程度较好。同时根据德宾-沃森检验D-W=2.448，接近2，说明此模型选取的自变量因子之间相关性较不明显（表3）。

表3 步进线性回归逐次的模型摘要

可以看到，第八次建立的方程拟合指标较好，残差1 896.523，显著性低于0.001，可认为此回归模型具有实用价值，能较好地反应气象产量的变化规律（表4、图1）。

图1 多元线性回归方程的直方图

表4 多元线性回归逐次方差分析结果

可以看出，直方图与正态分布曲线较吻合，说明标准化残差符合正态分布，P-P图的散点基本处在对角线上（图2）。综合判断，采用多元线性回归来建模可以较好地反映物理量之间的关联。

图2 多元线性回归方程P-P图

3.2 模型分析

最终采用多元线性回归方法，建立的气象产量模型具体公式如下：

Yw=-354.541-1.401*齐穗期雨量-12.801*抽穗期雨日+6.765*成熟期平均温度+19.417*齐穗期雨日＋1.178*播种期日照＋9.076*播种期雨日＋5.352*齐穗期平均温度＋3.073*移栽期平均温度

根据此公式，画出1992-2017年实际气象产量与预测气象产量的对比图（图3）。

图3 模型预测产量与实际

可以看出，预测气象产量曲线能较好地反映出实际气象产量的变化，预测指标也达到了基本对应的减产率。其中，2007年达到了减产10%的理赔标准，查找对应年份的气象数据信息，可发现2007年减产的原因主要是受台风暴雨影响，齐穗期雨量达到了36.9 mm，且基本集中在一天的雨量内，造成了大范围倒伏。2020年的单产数据为625 kg，根据模型计算得出气象产量为-4.0 kg，相对产量指标为-0.6%，存在一定程度减产，但影响较小。2021年的单产数据为619 kg，根据模型计算得出气象产量为-24.7 kg，相对产量指标为-4.0%，存在一定程度减产，但未达到理赔标准（图3、表5，其中，2020、2021年数据未列入表5中）。

表5 1992～2017年滑动平均产量、实际气象产量、预测气象产量数据

4 结论

研究综合多气象因子，直接以多元线性回归的方式来拟合气象产量。统计分析结果表明，可以较好地反应气象灾害造成的水稻减产，保险公司可以直接计算出水稻因为气象导致的减产率，并套用既定的减产标准进行赔付。

本文设计的气象产量模型主要通过气象部门的客观数据进行计算分析，受人为影响较小，在实际应用中可减少参保人对赔付标准是否达标的异议。本模型主要适用于武香粳、武运粳系列水稻品种的生长情况，其他水稻品种在适用前需对模型进行相应的分析调整。在实际应用过程中，应考虑到其他因素造成的减产情况，如病虫草鼠害等，与气象减产叠加后再启动理赔程序。

文中用于计算的气象数据仅为太仓国家气象站的数据，实际的农场分布在各镇各乡，后期在研究时，应综合考虑区域站的数据进行分析讨论。本模型主要考虑的是对水稻完整生长周期的减产影响，实际情况可能在移栽期就出现较严重的减产情况。后续的研究开展将细化不同周期受到影响时的减产比率和赔付标准，并尝试剔除非气象灾害导致的减产数据。