基于POT模型的粮食作物巨灾损失测算.docVIP

基于POT模型的粮食作物巨灾损失测算 　　【摘要】本文以极值理论的POT模型为基础，利用山东省1949年～2010年的粮食作物单产数据对山东省的粮食作物巨灾损失进行测算。结果表明：极值损失统计模型可以很好的拟合小麦、玉米损失的极值数据，能够有效克服传统统计方法在拟合巨灾风险方面的不足，为农业巨灾风险的评估提供稳健的方法；山东省目前的保险费率较低，与测算的风险水平不一致。本文认为山东省应尽快建立一个完善的巨灾风险准备金制度，为农业巨灾的防灾、救灾和抗灾等积累和筹集资金，以增强农户应对农业巨灾风险的综合实力，实现社会福利的最大化。 　　【关键词】粮食作物 巨灾损失 POT模型 山东省 　　一、引言 　　我国是一个农业巨灾发生频繁并且严重的国家。近年来自然灾害损失有更加严重的趋势，2008年年初我国南方雪灾，农作物受灾面积达2.17亿亩，造成3076万亩绝收，直接经济损失达1516.5亿元。 　　这种极值事件发生的概率很低，但造成的危害却十分巨大。一旦发生农业巨灾，农户、农业保险公司和政府财政将承担巨大的压力。因此，如何有效的测算农业巨灾风险的水平就显得尤为重要。同时由于极值事件发生概率低、损失大的特点，因此传统的模型测算方法对极值事件的预测就会有许多困难。而极值损失统计模型可以有效的测算农业巨灾发生的概率水平。 　　二、极值损失统计模型 　　（一）极值理论 　　近年来，极值理论在气象、水文、地震等领域应用广泛，大量研究把极值理论用于金融保险等领域进行实证分析。极值理论是有效测量极端市场条件下市场风险的一种方法，它具有超越样本数据的估计能力，并可以准确地描述分布尾部的分位数。在利用极值理论度量金融风险时主要有两类模型：一类是BMM模型，这类模型是根据组内极大值建模，主要用于处理具有明显季节性数据的极值问题上。另一类极值模型是广义Pareto模型，也称POT模型或GPD模型，是对超越某一阀值的数据进行建模，由于GPD模型有效的使用了有限的极端观察值，因此是目前经常使用的一类极值模型。 　　（二）POT模型的理论基础 　　1.POT模型的参数估计。对于给定的一个符合广义的帕累托分布的样本{z1，…，zn}的对数似然函数L（ξ，σ|z）为： 　　2.POT模型的阀值u的选择。如果阀值u选取的过高会导致超限数据量太少，从而估计出参数的方差会偏高；如果阀值u选取的太低，则会产生有偏的估计量。通常有以下两种方法来确定门限值u，一种是根据Hill图法；另一种是根据样本的平均超出函数图（MEF），本文采用样本的平均超出函数图确定门限值u，令X（1）X（2）…X（n），样本的平均超出函数定义为： 　　超限期望图为点（u，e（u））构成的曲线，选取充分大的u作为阀值，使得当x≥u时e（x）为近似线性函数。如果EMF图超过某一门限值之后有明显的线性变化，且超限期望图当x≥u时是向上倾斜的，说明数据来源于参数ξ为正的GPD分布；如果EMF图超过某一门限值之后有明显的线性变化，超限期望图当x≥u时是向下倾斜的，说明数据来源于尾部较短的分布；如果平均超出图当x≥u时是水平的，则说明该数据来源于指数分布。 　　三、山东省粮食作物巨灾损失概率的测算 　　（一）灾损数据获得 　　查阅山东省统计年鉴得到1949～2010年的小麦、玉米的粮食单产数据X’，进行趋势拟合得到各年的正常单产X1，进而得到灾损数据X=X1-X’，提取出损失为正的数据作为粮食损失数据，最后得到33个损失数据，属于典型的小样本集合，本文的实验软件为MATLAB2010b。 　　为解决样本数据不足所导致的极大似然估计中误差增大的问题，本文通过蒙特卡罗模拟来扩大山东省粮食损失数据的样本空间。本文选取国内外相关研究中使用较多的6中分布模型作为候选模型，从拟合优度检验结果可以看出，Gamma分布式该序列的最优分布形式。 　　本文根据上述概率分布进行随机抽样1000次，即模拟1000次，由此产生已知Gamma概率分布的随机变量并建立新的样本空间。 　　（二）灾损数据厚尾性检 　　1.损失数据的描述性统计分析。从统计结果看，小麦损失数据的偏度为1.99和峰度为5.9、玉米损失数据的偏度为2.69和峰度为11.50，存在明显的“尖峰”和“厚尾”的特征。并且JB统计量结果也拒绝了正态分布的原假设。 　　2.同时我们通过正态分布QQ图得出正态分布不能很好地拟合小麦、玉米的损失数据。同时，从观察样本中去掉8个最大的观察值后，此时拟合效果相对有效，说明小麦、玉米损失数据的极值数据对拟合效果有明显的影响。 　　因此，本文运用极值理论POT模型对于小麦、玉米损失数据进行建模。 　　（三）门限值u的确定、参数估计及POT模型的检验 　　本文使用平均超出损失函数图法来选取门