農(nóng)戶對于低概率氣候變化風(fēng)險的態(tài)度：颶風(fēng)保險的意愿支付

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.