貝葉斯線性分層模型估計個體農(nóng)業(yè)保費

王曉園，蔣經(jīng)農(nóng)

(遵義醫(yī)學(xué)院醫(yī)學(xué)信息工程系，貴州遵義 563003)

近年來農(nóng)業(yè)保險越來越受到人們的關(guān)注。農(nóng)業(yè)經(jīng)營者投保農(nóng)業(yè)保險最大益處是在任何情況下都能保證農(nóng)業(yè)生產(chǎn)的收支平衡［1］。其主要是根據(jù)農(nóng)作物單位面積產(chǎn)量，把農(nóng)業(yè)生產(chǎn)中不可預(yù)期損失轉(zhuǎn)化為較低水平的保費［2］。農(nóng)業(yè)生產(chǎn)風(fēng)險主要是因惡劣天氣、病蟲害等相關(guān)不利因素影響而造成的經(jīng)濟損失。農(nóng)業(yè)保險發(fā)展緩慢最主要的原因是缺乏相關(guān)長期統(tǒng)計數(shù)據(jù)和精確估計公平保費的模型與方法。通常保險公司收到的總保費少于總賠償金，這將造成保險公司巨大的經(jīng)濟損失，因此保險公司承保農(nóng)業(yè)保險存在巨大風(fēng)險。通常在發(fā)達國家這部分損失由政府補償，這是許多國家農(nóng)業(yè)保險發(fā)展緩慢，甚至許多保險公司不愿承保農(nóng)業(yè)保險最主要的原因［3］。

基于農(nóng)作物產(chǎn)量受空間時間分布影響的特點，采用分層貝葉斯方法［4－5］構(gòu)造空間時間線性分層混合相依模型。分層模型擁有分析縱向數(shù)據(jù)的自然優(yōu)勢，其核心是在模型中引入隨機效應(yīng)來體現(xiàn)“目標”組內(nèi)數(shù)據(jù)的相關(guān)性和不同“目標”組間的異質(zhì)性。可以把農(nóng)作物產(chǎn)量數(shù)據(jù)視為分層數(shù)據(jù)，利用分層模型進行分析，這樣不但體現(xiàn)了同一年內(nèi)農(nóng)作物單位面積產(chǎn)量數(shù)據(jù)的縱向特征，以反映組內(nèi)數(shù)據(jù)的相關(guān)性，也考慮了不同年份由未觀測到的特征所引起的異質(zhì)性，能更準確預(yù)測期末農(nóng)作物單位面積產(chǎn)量，為更精確估計公平合理的個體農(nóng)業(yè)保費提供依據(jù)。

1 補償金模型

假設(shè)農(nóng)業(yè)經(jīng)營者在保險期末單位面積的實際產(chǎn)量低于單位面積的承保產(chǎn)量時就會獲得補償金。這種農(nóng)業(yè)保險被稱為個體農(nóng)業(yè)保險，表達式如下［6］:

式中:φi是一個可調(diào)節(jié)系數(shù)(0＜φi＜1);yci表示承保產(chǎn)量;yi表示實際產(chǎn)量。在農(nóng)業(yè)保險合同中農(nóng)業(yè)經(jīng)營者可以自主選擇一個承保等級αi(0≤αi≤1)。單位面積的承保產(chǎn)量表示第i個生產(chǎn)區(qū)域農(nóng)作物單位面積產(chǎn)量的期望值。

2 分層線性混合相依模型構(gòu)造

研究大量不同區(qū)域農(nóng)作物單位面積產(chǎn)量的統(tǒng)計數(shù)據(jù)，可知其呈現(xiàn)以下特點:趨向性;自回歸效應(yīng)［7］;異方差性［8］。單位面積產(chǎn)量統(tǒng)計數(shù)據(jù)的異方差性呈現(xiàn)地域性特點，如平原地區(qū)農(nóng)業(yè)機械化程度相對較高，發(fā)達地區(qū)農(nóng)業(yè)生產(chǎn)新技術(shù)、新設(shè)施設(shè)備應(yīng)用較廣;同時存在廣泛相依性，如某區(qū)域內(nèi)某種農(nóng)作物發(fā)生某種病蟲害，鄰近區(qū)域會受到一定程度影響，這種相依性為構(gòu)建空間時間相依模型奠定了基礎(chǔ)。

通常，農(nóng)作物產(chǎn)量統(tǒng)計數(shù)據(jù)的趨向性由空間時間混合模型模擬［9－10］，時間參數(shù) T通常被中心化以提高 MCMC 算法［11－12］的收斂速度，T*=而不同區(qū)域間基礎(chǔ)設(shè)施水平差異和新科學(xué)技術(shù)推廣程度以及一些更合理、有效的新方法應(yīng)用使得不同區(qū)域單位面積產(chǎn)量數(shù)據(jù)呈現(xiàn)異方差性，這種異方差性主要由空間異方差參數(shù)vi模擬，vi服從Gamma分布。

3種分層線性模型(hierarchical linear models，HLM)［13－14］構(gòu)造如下:

1)含隨機截距項的一元正態(tài)HLM。

2)含隨機截距、隨機斜率項的一元正態(tài)HLM

其中mean［］，prec［，］為常量。

3 實例分析

對3個模型實例(表1～4)模擬結(jié)果(圖1～3)比較分析得出以下結(jié)論:模型1估計各量的均值較小，方差較大，估計結(jié)果較粗略;模型2估計各量的均值相對較大，方差較小，估計結(jié)果較穩(wěn)定;模型3估計各量的均值相對較大，和模型2估計各量的均值相比相差不大，但模型3估計各量的方差比模型2估計各量的方差稍小，估計結(jié)果較準確。據(jù)此可利用模型3的估計結(jié)果做進一步分析。

保險公司依據(jù)Y的后驗預(yù)測描述性統(tǒng)計量，由純保費計算原理(即期末損失的均值為零)，通過式(1)可估計出φi的精確值。

表1 5個不同省份各年單位面積谷物的產(chǎn)量 kg/hm2

表2 模型1對2013年各省單位面積谷物的預(yù)期產(chǎn)量(kg/hm2)及sigma的估計

圖1 模型1中2013年各省單位面積谷物的預(yù)期產(chǎn)量及sigma的核密度和自相關(guān)函數(shù)

表3 模型2對2013年各省單位面積谷物的預(yù)期產(chǎn)量(kg/hm2)及sigma的估計

圖2 模型2中2013年各省單位面積谷物的預(yù)期產(chǎn)量及sigma的核密度和自相關(guān)函數(shù)

表4 模型3對2013年各省單位面積谷物的預(yù)期產(chǎn)量(kg/hm2)及sigma的估計

圖3 模型3中2013年各省單位面積谷物的預(yù)期產(chǎn)量及sigma的核密度和自相關(guān)函數(shù)

4 結(jié)束語

本文基于農(nóng)作物單位面積產(chǎn)量數(shù)據(jù)的縱向特征，考慮數(shù)據(jù)序列內(nèi)的相依性構(gòu)造了預(yù)測單位面積產(chǎn)量的時間空間相依模型，其中單位面積產(chǎn)量的均值由空間時間混合相依模型模擬。同時考慮不同區(qū)域農(nóng)作物單位面積產(chǎn)量的差異性，即考慮受空間分量對方差的影響，沒有考慮單位面積產(chǎn)量隨時間變化引起的異方差性(通常在短期內(nèi)這種差異較小)，但考慮到估計的精確性仍需對異方差性做進一步研究。同時，還可以利用其他一些與農(nóng)業(yè)生產(chǎn)相關(guān)的信息(如地理信息、氣象信息、病蟲害歷史數(shù)據(jù)等)建立更完善的農(nóng)業(yè)保險模型。此外還需進一步研究與農(nóng)作物單位面積產(chǎn)量相關(guān)統(tǒng)計量的分布類型，以提高預(yù)測的精確性。

［1］Makov U E.Principal Applications of Bayesian Methods in Acturaial Science:A Perspective，(with discussion)［J］.North American Actuarial Journal，2001，5(4):53－73.

［2］吳嵐.風(fēng)險理論［M］.北京:中國財政經(jīng)濟出版社，2006:29－30.

［3］Ruiz-Cardenas R，Ozaki V A.A Proposal to Pricing Area Yield Crop Insurance Contracts Using Spatio-Temporal Bayesian Dynamic Models［J］.Empir Econ ，2009，34:1－4.

［4］Gómez-Déniz E ，Vázquez-Polo J F J，Pérez M.A Note on Computing Bonus-Malus InsurancePremiums Using a Hierarchical Bayesian Framework［J］.Sociedad de Estadística e Investigación Operativa Test，2006，15(2):345－359.

［5］吳永，王曉園.貝葉斯方法估計極端損失再保險純保費［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2011(4):106－111.

［6］Paramjit S G.Bayesian Analysis of Dyadic Data［J］.NORTH AMERICAN ACTUARIAL JOURNAL，2005，17:1－24.

［7］師義民.數(shù)理統(tǒng)計［M］.3版.北京，科學(xué)出版社，2009:190－214.

［8］Vitor A O.princing farmer-lever agricultural insurance a Bayesian approach［J］.Empir Econ，2009，36:231－242.

［9］傅軍.基于先驗信息的貝葉斯統(tǒng)計檢驗和經(jīng)典統(tǒng)計檢驗的比較［J］.統(tǒng)計決策，2008(2):155－156.

［10］Pinheiro J C，Bates D C.Mixed-effects models in s and splus［M］.New York:Springer-Verlag，2000.

［11］David P M.Actuarial Modeling with MCMC and BUGS［J］.North American Actuarial Journal，2000，22:96－125.

［12］Yong Wu，Xiaoyuan Wang，Na Liu.Monte Carlo method with application in Automobile Insurance［EB/OL］.［2005－05－05］.http:E-Business and Government(ICEE)2011 Internation Conference.

［13］Raudenbush S W.Hierarchical linear models applications and data analysis method［M］.SAGE Publications:Second Edition，2002.

［14］Gelman A.Data analysis using regression and multilevel/hierarchical models［M］.New York:Cambrige University Press，2007.