小麦保险费率厘定-基于小波分析及非参数估计法.docVIP

小麦保险费率厘定:基于小波分析及非参数估计法 　小麦保险费率厘定:基于小波分析与非参数估计法 　摘 要：合理厘定保险费率是农作物保险开展的重要前提,可为政府保费补贴等支农政策提供决策依据。本文以北京市冬小麦为样本，采用小波分析和非参数估计方法相结合的方法，改进了农作物保险纯费率厘定方法，提高了计算结果的合理性与准确性，即，利用小波分析法确定作物单产的趋势产量，并在非参数高斯函数为核密度函数设定，借助Silverman的“经验法则”确定带宽，确定了样本数据的概率分布模型，最终完成了北京市冬小麦保险纯费率厘定过程。 　关键词：农业保险；小波分析；非参数核密度估计；费率厘定 　论文联盟　　1 引言 　 　农作物保险体现了政策性保险在农业中的防灾减损作用，是农业保险的核心内容和重要组成。合理厘定保险费率是农作物保险开展的重要前提,可为政府保费补贴等政策的制定提供依据。但由于农业风险通常具有非可保性特征，因此农作物保险费率厘定一直是理论与实践中的重点与难点。这一过程通常可以概括为：（1）样本选择;（2）数据的收集和检验；（3）单产趋势和波动估计；（4）单产波动概率分布模型确定［1］四步骤。显然研究焦点集中于后两项。 论文代写 　在农作物单产趋势和波动估计方面的研究。农作物生产受农业技术进步、基本建设投资和劳动者素质提高等因素影响,单产呈逐年递增趋势，具有非平稳性特征。传统方法ARIMA模型需忽略数据的趋势项和周期项等信息［2］，而其他诸如滑动平均模拟法、直线滑动平均法等由于主观性强、精确性差已较少采用。小波分析法具有逐级观察数字信号、充分体现多分辨率、有效检测并处理瞬态或奇异点等特点，越来越多地应用于农作物产量估计与预测上。国外学者Bartosz［3］在多种统计方法比较分析基础上，通过设定指标，认为小波分析在农产品产量的趋势拟合、预测方面的效果最好。Si等［4］利用农作物产量、湿度指数和上坡长度的横截面数据，采用小波分析方法探讨了三者之间的关系，发现数据信息量越大时，小波分析的效果越明显。Pringle等［5］运用小波变换与地理统计的方法验证了若干预测小麦产量模型的有效性，指出小波分析在验证空间分布模型上是有效的。国内学者刘会玉等［6］利用Morlet小波变换方法来研究粮食产量变化特征的时间尺度和周期性特征, 预测了江苏省粮食产量的走势。张月丛等［7］采用河北省1949～2006年统计数据,对耕地数量、GDP、人口和粮食产量逐年变化率进行Morlet小波多尺度分解，发现这些变量间存在多尺度波动周期。谷政等［8］提出了非平稳时间序列分析的WAVELET-ARMA 组合方法，运用db正交小波对江苏粮食产量的变化情况进行研究,结果表明该方法比直接二次多项式拟合预测的精确性更高。 　在农作物单产波动的概率分布方面的研究。非参数方法因其具有无需要事先假定作物单产分布模型而根据数据特征确定分布形类型、对函数假设要求宽松、受样本观测错误影响小、计算准确、适用于任意分布Octravio等［9,10］等优点，而被广泛应用。近些年，非参数核密度估计理论研究文献较丰富。该理论由Rosenblatt［11］首次提出，随后由Parzene［12］和Cacoullos［13］进行了详细论证。Turvey等［14］对农作物产量的保险费率进行了估计，但由于样本过小限制了核密度估计的效果。Goodwin和Ker［15,16］计算了农作物产量保险费率，并提出了适应性核密度算法，优化了估算效果。国内学者谭英平［17］探讨了非参数核密度估计的方法中带宽(组间参数) 的确定方法。钟甫宁等［18］采用正态分布函数作为核函数对各地区农作物受灾率进行了估计。梁来存 　［19］以高斯函数作为核函数，结合Silverman“经验法则”确定的带宽数值，厘定了我国粮食单产保险的纯费率。 　综上，近年研究中鲜见上述方法在农作物保险费率厘定中的综合应用。为此，本文试图弥补以上不足，初步构建了更为合理、准确的农作物保险费率厘定模型，并据此应用于农作物保险纯费率估计中。具体思路：以北京1979～2009年小麦产量为样本数据，结合小波分析与非参数高斯核函数，利用Silverman的“经验法则”计算带宽、期望损失，通过保障水平差异化设定分别估计得到多种纯保险费率。 　 　2 模型构建与方法 　 　2.1 小波分析 　小波分析是把原数据信号f(t)转化到“时间”频率”域上，包括小波分解与小波重构过程。小波分解方法多采用多分辨率分析, 在此基础上产生了小波分解的Mallat算法［20］。Mallat算法可以将数据信号层层分解, 每一层分解的结果是将上次分解得到的低频数字信号再分解成低频和高频两部分(见图1)。 　　图1中，空间C0的频率范围从“中心”被分成两部分，一部分是由C1表