doi:10.15889/j.issn.1002-1302.2016.10.153
摘要:氣候變化可能導(dǎo)致未來自然災(zāi)害發(fā)生的頻率和危害強度的增加,評估投保者對自然災(zāi)害風(fēng)險變化的感知和行為反應(yīng),對于政府農(nóng)村金融政策和保險公司營銷策略的制定具有重要的指導(dǎo)意義。運用條件價值法(CV),以中國遼寧盤錦市水稻保險為例,評估農(nóng)戶對于颶風(fēng)災(zāi)害風(fēng)險的認知及對保險產(chǎn)品的有效需求。結(jié)果表明,當前盤錦市政府對颶風(fēng)災(zāi)害損失的補貼政策降低了農(nóng)戶對保險的有效需求;引入風(fēng)險梯度測量颶風(fēng)發(fā)生的基礎(chǔ)概率能夠幫助農(nóng)戶認知低概率災(zāi)害風(fēng)險變化的規(guī)律,從而提高農(nóng)戶對風(fēng)險變化的敏感度與保險支付意愿(WTP)。本研究方法對增加農(nóng)戶對低概率農(nóng)業(yè)保險的有效需求、保險公司設(shè)計保險政策和政府調(diào)劑補貼方式來說,具有非常實用的參考價值。
關(guān)鍵詞:低概率風(fēng)險;意愿支付;農(nóng)業(yè)保險;風(fēng)險梯度
中圖分類號: F840.66文獻標志碼: A文章編號:1002-1302(2016)10-0544-05
收稿日期:2015-08-18
基金項目:國家教育部人文社科青年基金(編號:11YJC630267);中美農(nóng)業(yè)部國際合作項目(編號:No.53-3151-2-00017);遼寧省教育廳人文社科一般項目 (編號:W2014284);遼寧對外經(jīng)貿(mào)學(xué)院博士啟動基金(編號:2013XJLXBSJJ007)。
作者簡介:于洋(1977—),女,遼寧大連人,博士,副教授,研究方向為農(nóng)業(yè)經(jīng)濟、金融保險。E-mail:yuyang770727@163.com。國內(nèi)外已有很多學(xué)者對低概率——高風(fēng)險事件(如冰雹、山崩滑坡、地震和洪澇等)的保險需求問題進行過研究,如于洋等[1]和Kriesel 等[2]的研究?;谌藗儗︼L(fēng)險決策行為的研究結(jié)論一致認為,低概率災(zāi)害風(fēng)險往往被忽視。如Kunreuther等[3]和張峭等[4]研究表明,中國大多數(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)生的強度和頻度有所增加 (IPCC,2007),那么是否值得對某一災(zāi)害風(fēng)險進行投保以減少農(nóng)作物的損失將是農(nóng)戶面臨的一個嚴峻挑戰(zhàn)。需要注意的是,如果氣候變化使得風(fēng)險持續(xù)增加或演變成一種動態(tài)化的風(fēng)險[5],那么保險公司將不再對該類氣候災(zāi)害提供保險,而可能會周期性地調(diào)整保費。近幾年,國內(nèi)有學(xué)者利用信息擴散模型和風(fēng)險等級劃分,得出不同程度水旱災(zāi)害發(fā)生的可能性及其時空特點[6],因此,這種農(nóng)業(yè)巨災(zāi)保險具有廣大的潛在市場需求,但其開展和推廣需要政府的參與[7]。研究颶風(fēng)保險需求的影響因素需要注意兩方面問題:(1)農(nóng)戶是否忽略了氣候變化引起的低概率風(fēng)險的變化;(2)如果沒有忽略這類風(fēng)險,具備保險意識的農(nóng)戶的保險需求是否可能會因災(zāi)害的增加受到影響。另外,條件價值評估方法(contingent valuation,CV)有助于農(nóng)戶改善如何運用保險減輕颶風(fēng)損失的認知[8-9],而目前國內(nèi)此類研究尚屬空白。
本研究采用條件價值法(CV),以中國遼寧省盤錦市水稻保險為例,研究當前的風(fēng)險概率和預(yù)期氣候變化下農(nóng)戶對于颶風(fēng)災(zāi)害的風(fēng)險認知程度、有效需求和對颶風(fēng)保險支付意愿。需要強調(diào)的是:(1)是否購買颶風(fēng)保險這一決策取決于農(nóng)戶的先驗認知概率和樣本風(fēng)險信息,也就是基于貝葉斯更新的概率模型[10]。(2)通過引入風(fēng)險梯度量表,可以幫助被調(diào)查農(nóng)戶理解問卷中風(fēng)險變化的差別,進而估計出相應(yīng)風(fēng)險條件下的保險支付意愿。(3)政府和農(nóng)戶個人共同承保颶風(fēng)損失的政策性保險[11],與政府巨災(zāi)補貼政策相比的優(yōu)勢,在于農(nóng)戶個人的保險資金將比只有政府補貼或政府部分額度補貼更為安全。因此,本研究不僅將在低概率氣候變化引發(fā)的作物保險需求方面為政府和保險公司提供一個有效的視角,同時也將考察當前由政府提供部分補貼的政策對颶風(fēng)保險WTP的效用。
1樣本地區(qū)颶風(fēng)風(fēng)險現(xiàn)狀
幾十年來,風(fēng)災(zāi)風(fēng)險一直是盤錦面臨的一個重大風(fēng)險管理問題,而且由于其平坦的平原地形和潛在的氣候變化,這一問題將逐年加劇。盤錦位于中國東北地區(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)最近一項關(guān)于該地區(qū)農(nóng)戶的調(diào)查結(jié)果顯示,當前種植業(yè)最值得關(guān)注的風(fēng)險因素是由氣候變化引起的各類自然災(zāi)害造成的稻米產(chǎn)量風(fēng)險[12]。統(tǒng)計顯示,該地區(qū)過去30年間每年有21 367 hm2的耕地遭遇過自然災(zāi)害,如洪澇、旱災(zāi)、冰雹和大風(fēng),這些風(fēng)險每年造成的產(chǎn)量損失分別為45%、37%、11%和1%[13]。從歷史數(shù)據(jù)來看,盤錦地區(qū)發(fā)生過的強風(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)測表明由于受北部內(nèi)蒙古自治區(qū)的極端降雨天氣、土壤流失的影響,盤錦地區(qū)未來發(fā)生颶風(fēng)災(zāi)害的概率將會增加[14]。
2農(nóng)戶對颶風(fēng)風(fēng)險概率的認知
為評估農(nóng)戶對風(fēng)險概率尤其是低概率災(zāi)害發(fā)生可能性的認知,筆者所在學(xué)院和大連理工大學(xué)農(nóng)業(yè)風(fēng)險管理研究中心共同組建調(diào)研小組,于2015年7—8月對遼寧省盤錦市水稻種植農(nóng)戶進行了實地調(diào)查。本次調(diào)查的地點是盤錦市鄉(xiāng)鎮(zhèn)會議大廳,對2個鄉(xiāng)鎮(zhèn)管委會采取分層抽樣的方法選出的300名典型稻米種植農(nóng)戶進行問卷調(diào)查,問卷實施過程中調(diào)研小組在旁進行指導(dǎo)說明。此次調(diào)查共收回300份問卷,剔除缺失和無效樣本之后得到280個觀察值,樣本有效率較高,達到93.33%。
本次調(diào)查問卷中,借鑒國內(nèi)外相關(guān)研究采用的風(fēng)險梯度來解釋基準概率和概率的變動。經(jīng)過調(diào)查小組詳細解釋災(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級別或確定是否購買這些風(fēng)險保險。同時,調(diào)查中引入風(fēng)險梯度視覺工具幫助被調(diào)查農(nóng)戶理解風(fēng)險概率的含義[15]。通過將低概率風(fēng)險的概率與過去常見的風(fēng)險概率進行對比,有助于農(nóng)戶對颶風(fēng)風(fēng)險概率的認知。
3問卷調(diào)查與樣本描述
3.1問卷設(shè)計及調(diào)查
問卷調(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;個人對颶風(fēng)風(fēng)險的感知;農(nóng)戶的社會經(jīng)濟變量。通過3個CV問題、采用支付卡的方法獲得農(nóng)戶對颶風(fēng)風(fēng)險的保險需求(表1)。
筆者根據(jù)當前的颶風(fēng)災(zāi)害的概率1/100和由于氣候變化對應(yīng)的颶風(fēng)災(zāi)害風(fēng)險的概率1/60、1/30分別對農(nóng)戶的 WTP進行測算。通過定義風(fēng)險梯度(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)險種類是旱災(zāi)、洪澇、動物傳染病、冰雹和車被盜,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%,雖然這個比例小于盤錦的人口統(tǒng)計的比例,但筆者認為可以接受,因為災(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指的是盤錦被調(diào)查水稻種植戶中愿意購買颶風(fēng)保險的人數(shù)百分比。WTP表示農(nóng)戶愿意為颶風(fēng)保險支付的平均金額,也是政策制定者了解引入颶風(fēng)保險福利效應(yīng)的渠道。CWTP是愿意購買颶風(fēng)保險的水稻種植戶的平均支付意愿水平,它可以估計每種政策下參保農(nóng)戶潛在保費收入。CWTP較個人平均預(yù)期損失值相比能夠更加合理地衡量保險公司對預(yù)期颶風(fēng)損失愿意賠償?shù)淖畲蟊YM。由表3可知,在不同的颶風(fēng)風(fēng)險概率下,無論政府救濟是否有效以及是否使用風(fēng)險梯度描述風(fēng)險,農(nóng)戶的WTI均在20%~60%波動。由全額補償颶風(fēng)損失測算得出WTP和CWTP值,根據(jù)問卷調(diào)查得到農(nóng)戶對颶風(fēng)保險的平均WTP介于62.94~85.92元/hm2,平均CWTP介于209.10~279.72元/hm2。因此,將CWTP與每種保險政策的預(yù)期損失進行比較非常必要,因為根據(jù)CWTP可以估計出農(nóng)戶愿意為預(yù)期颶風(fēng)災(zāi)害支付的最大“風(fēng)險保費”。這個“風(fēng)險保費”就是農(nóng)戶對颶風(fēng)保險的意愿支付,可由式(1)表示:
風(fēng)險保費=CWTP-暴風(fēng)概率×預(yù)期損失。(1)
由于樣本地區(qū)當前出現(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)險保費應(yīng)為41.10~111.72元/hm2。顯然,CWTP高于當前氣候下1 hm2預(yù)期的颶風(fēng)損失,這說明想要參保的農(nóng)戶意愿支付水平大于預(yù)期颶風(fēng)損失。本研究將進一步用統(tǒng)計模型分別解釋風(fēng)險等級、颶風(fēng)概率和政府救濟對農(nóng)戶WTP的影響。
4模型設(shè)定
根據(jù)CV問卷,筆者設(shè)定一個半對數(shù)模型來評估農(nóng)戶颶風(fēng)保險的WTP,目的是通過“彈性”來反映自變量對因變量變化的敏感程度,使估計結(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)帶來的預(yù)期損失wn、政府補償gn和個人社會經(jīng)濟特征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的個人社會經(jīng)濟特征向量,εn是誤差項。
為使研究結(jié)果更趨于真實,在已知逆事件概率的情況下,筆者會將先驗概率進行貝葉斯更新,采用貝葉斯模型可以分別考察颶風(fēng)風(fēng)險的先驗概率和樣本概率對后驗概率的影響程度。貝葉斯更新模型見(3)式:
ρ0n*=ασn+θpnα+θ。(3)
式中:α和θ分別是風(fēng)颶風(fēng)險的先驗概率σn、樣本概率Pn的權(quán)重。可見如果將颶風(fēng)發(fā)生的概率進行貝葉斯更新,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概率?;谪惾~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)生的先驗概率不需要觀測,而樣本概率需要根據(jù)問卷調(diào)查得到。用貝葉斯更新的后驗概率替代先驗概率得到(4)式。另外,用感知颶風(fēng)風(fēng)險的變量vn替代方程中的σn并對(4)式取自然對數(shù)得到(5)式:
lnWTPn=β1xn+β2gn+β3lnwn+β4lnpn+β5vn+εn。(5)
風(fēng)險梯度變化對颶風(fēng)保險支付意愿變化的敏感效應(yīng)可以通過交叉作用項RGn×pn來表示,其中RGn=1,出現(xiàn)某一風(fēng)險級別
0,無風(fēng)險,通過RGn就可以直接測算出某一風(fēng)險梯度相應(yīng)的意愿支付。那么測算風(fēng)險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(有)風(fēng)險梯度的問卷樣本下的概率效應(yīng),若β4=1或β4+β6=1,那么WTP將與風(fēng)險呈比例變動。
最后,因為每個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點考慮:(1)對上述模型進行計量經(jīng)濟學(xué)檢驗時發(fā)現(xiàn)擾動項與解釋變量不相關(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(·)分別服從標準概率密度函數(shù)、累計密度函數(shù)。
關(guān)于解釋變量的類型及其描述性統(tǒng)計見表4。
表4定義變量類型
氣候變化導(dǎo)致出現(xiàn)較高
的颶風(fēng)風(fēng)險虛擬變量,1=氣候變化會
導(dǎo)致較高的颶風(fēng)風(fēng)險遭遇颶風(fēng)破壞的風(fēng)險分類變量 (1~7),1=無風(fēng)險,7=風(fēng)險非常高颶風(fēng)發(fā)生的風(fēng)險小于均值虛擬變量,1=颶風(fēng)發(fā)生的風(fēng)險小于均值颶風(fēng)導(dǎo)致的預(yù)期損失為零虛擬變量,1=颶風(fēng)沒有帶來損失颶風(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)保險購買指數(shù)虛擬變量,1=被調(diào)查農(nóng)戶購買過下列保險:無免賠醫(yī)療保險、房險,、車險、旅游險、壽險。冒險指數(shù)分類變量 (1~5),1=非常厭惡風(fēng)險,5=風(fēng)險偏好。區(qū)域無防風(fēng)帶虛擬變量,1=區(qū)域無防風(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,每月每個家庭的稅后收入(元)注:被調(diào)查農(nóng)戶的收入從區(qū)間長度為3 000元的3 000元~60 000 元之間的區(qū)間中選擇。
5實證分析
5.1場景分析
本研究應(yīng)用Limdep統(tǒng)計軟件進行運算,得到面板Tobit模型的參數(shù)估計結(jié)果,見表5。
風(fēng)險梯度與農(nóng)戶WTP的關(guān)系在0.01的水平下顯著正影響。在有風(fēng)險梯度的問卷樣本中,概率的敏感性將比沒有風(fēng)險梯度的問卷樣本高出47%。另外,隨著風(fēng)險梯度的增加,農(nóng)戶WTP也相應(yīng)增加;風(fēng)險梯度每增加一級,WTP將增加44%。相對于1/100~1/60的概率變動來說,在沒有風(fēng)險梯度和政府補助的問卷樣本中,農(nóng)戶WTP在26%~30%變動小于概率變動,在3%~9%變動接近概率變動,在1%~2%變動大于概率變動??偟膩碚f,很少有被調(diào)查農(nóng)戶將其WTP與問卷中颶風(fēng)發(fā)生的概率成比例變動或高于比例調(diào)整。顯然,引入風(fēng)險梯度的方式幫助農(nóng)戶理解風(fēng)險,對投保農(nóng)戶按照概率變動來調(diào)整其WTP和改善WTP等級顯著的作用。
政府補貼與WTP的關(guān)系為負顯著影響。這表明,如果農(nóng)戶認為政府將對颶風(fēng)損失進行補貼,其颶風(fēng)保險的需求將會降低;如果在政府不進行補貼而保險公司進行颶風(fēng)損失補償?shù)那闆r下,颶風(fēng)保險的需求將會提高。邊際效應(yīng)的測算結(jié)果表明,如果政府提高1%的補貼金額,農(nóng)戶颶風(fēng)保險WTP將會降低3%。
5.2風(fēng)險感知
由表5可知,風(fēng)險感知的變量在統(tǒng)計上幾乎都顯著。如果被調(diào)查農(nóng)戶認為氣候變化將導(dǎo)致颶風(fēng)風(fēng)險的增加,那么他們的WTP將相應(yīng)增加22%?!霸庥鲲Z風(fēng)破壞的風(fēng)險”系數(shù)為正,說明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)險損失包括2個變量,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)論與美國學(xué)者Michel-Kerjan等對洪澇風(fēng)險感知的研究結(jié)論[16]相一致。
5.3被調(diào)查農(nóng)戶的風(fēng)險規(guī)避態(tài)度
模型中有2個反映被調(diào)查農(nóng)戶風(fēng)險態(tài)度的變量。一個是保險購買指數(shù),該變量的系數(shù)為正向顯著,說明被調(diào)查農(nóng)戶具有較高的購買颶風(fēng)保險的需求。另外一個冒險行為指數(shù),該變量的系數(shù)為負向顯著,說明越是風(fēng)險偏好型農(nóng)戶,其颶風(fēng)保險的WTP越小。
5.4社會經(jīng)濟特征分析
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)研究并沒有得出性別對風(fēng)險態(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[18]。這與我們的研究結(jié)論非常接近,年齡對颶風(fēng)保險需求的影響為負。通過與現(xiàn)有的實證研究進行對比,我們發(fā)現(xiàn)風(fēng)險規(guī)避程度隨著年齡的增加而增加。學(xué)歷的高低對農(nóng)戶WTP的影響不大,僅僅在0.1的水平上具有顯著性。家庭凈收入對颶風(fēng)保險的WTP雖有正向影響,但表現(xiàn)不顯著。
6結(jié)論
本研究以中國遼寧省糧食主產(chǎn)區(qū)盤錦市水稻種植農(nóng)戶為調(diào)研對象,通過引入風(fēng)險梯度視覺工具進行調(diào)查問卷的設(shè)計,采用條件價值法(CV)獲取數(shù)據(jù),構(gòu)建貝葉斯更新模型和隨機效用TOBIT模型估計了農(nóng)戶對低概率颶風(fēng)保險的需求及其對支付意愿的影響。得出的主要結(jié)論有以下幾點。
第一,颶風(fēng)風(fēng)險感知對幫助農(nóng)戶客觀認知風(fēng)險、提高保險的有效需求非常重要,而且農(nóng)戶感知的颶風(fēng)風(fēng)險越大,相應(yīng)的支付意愿就會越高。颶風(fēng)風(fēng)險概率增加1倍,農(nóng)戶支付意愿將增加18倍。風(fēng)險梯度用于反映農(nóng)戶感知的颶風(fēng)概率變動對支付意愿變化的敏感程度,可以促進被調(diào)查農(nóng)戶對颶風(fēng)概率的感知。隨著風(fēng)險梯度的增加,農(nóng)戶支付意愿也相應(yīng)增加;風(fēng)險梯度每增加一級,保險支付意愿將增加44%。因此,將風(fēng)險梯度引入調(diào)查問卷能夠使被調(diào)查農(nóng)戶做出更加理性的決策,否則,超過半數(shù)的農(nóng)戶忽略了風(fēng)險,僅有1/10愿意購買颶風(fēng)保險。雖然氣候的變化引起了農(nóng)戶對颶風(fēng)風(fēng)險的重視,但農(nóng)戶認為政府將進行補貼,其保險需求會降低,且政府補貼金額增加1倍,農(nóng)戶支付意愿將減少3倍。因此,本研究方法對增加農(nóng)戶對低概率颶風(fēng)保險需求、保險公司設(shè)計保險政策和政府調(diào)劑補貼方式來說,具有非常實用的參考價值。
第二,雖然農(nóng)戶對潛在的颶風(fēng)風(fēng)險損失充分感知后,保險的有效需求得到增加,但相對于風(fēng)險規(guī)避型農(nóng)戶,風(fēng)險偏好型農(nóng)戶的保險支付意愿更小,并且男性比女性更偏好風(fēng)險,同時風(fēng)險規(guī)避程度隨著年齡的增加而增加。這意味著,相對而言,年長者比年輕人更愿意購買颶風(fēng)保險,男性比女性更愿意為低概率颶風(fēng)保險支付高水平的保費。是否具有高中以上學(xué)歷和家庭凈收入對農(nóng)戶颶風(fēng)保險的支付意愿影響不大。
第三,大部分農(nóng)戶因為忽略了低概率颶風(fēng)風(fēng)險的存在而不選擇購買颶風(fēng)保險;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)險的預(yù)期損失。由于氣候變化導(dǎo)致的颶風(fēng)風(fēng)險的增加,也將會增加風(fēng)險感知,進而會增加保險需求,所以對農(nóng)戶支付意愿的影響并不僅僅由颶風(fēng)概率的系數(shù)來解釋。如果農(nóng)戶感知的預(yù)期颶風(fēng)風(fēng)險沒有損失,那么其支付意愿將減少39%,如果農(nóng)戶感知未來不會發(fā)生颶風(fēng)災(zāi)害損失,那么其支付意愿減少21%。本研究在問卷設(shè)計中有效規(guī)避了農(nóng)戶對颶風(fēng)保險的逆向選擇問題,以上結(jié)論與本研究預(yù)期一致,充分說明了本次評估問卷設(shè)計的可靠性。TOBIT模型的估計結(jié)果表明,農(nóng)戶颶風(fēng)保險支付意愿的變動低于問卷中提到的颶風(fēng)概率增加的比例。因此,本研究的另一個重要意義是增加我國農(nóng)戶對颶風(fēng)風(fēng)險的認識,從而提高對此類保險的需求。
參考文獻:
[1]于洋,王爾大. 政策性補貼對中國農(nóng)業(yè)保險市場影響的協(xié)整分析[J]. 中國農(nóng)村經(jīng)濟,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)害對糧食生產(chǎn)能力造成的影響探究[J]. 經(jīng)營管理者,2015(12):114.
[6]張竟竟. 河南省農(nóng)業(yè)水旱災(zāi)害風(fēng)險評估與時空分布特征[J]. 農(nóng)業(yè)工程學(xué)報,2012,28(18):98-106.
[7]西愛琴,徐龍軍,劉陽,等. 政府參與視角下農(nóng)業(yè)巨災(zāi)保險認知及支付意愿——以蘋果種植戶為例[J]. 農(nóng)業(yè)經(jīng)濟,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)保險支付意愿——基于遼寧省盤山縣水稻保險的實證分析[J]. 中國農(nóng)村觀察,2011(5):55-68.
[13]于洋. 農(nóng)作物產(chǎn)量保險區(qū)域化差別費率厘定的可行性——基于非參數(shù)核密度估計實證[J]. 統(tǒng)計與信息論壇,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)險的三維評價方法[J]. 自然災(zāi)害學(xué)報,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.