本发明涉及农业信息技术领域，具体而言涉及一种指数型农业保险产品设计方法及其产品。
背景技术：
气候风险是世界范围内农业普遍面临的严峻问题，它会导致产量的大幅波动和意外损失。农业保险作为一种灾害风险转移的管理方式，是增强粮食种植业风险防范能力、促进农业安全生产的重要手段，也是减轻政府农业救灾压力、保证农民基本生活的有力措施。目前，我国的农业保险呈现蓬勃发展景象；2007-2012年，我国农险累计保费收入超过600亿元，跃居世界第二，年均增速达85％，农业保险共计向7000多万农户支付保险赔款超过400亿元，户均赔款近600元，占农村人均年收入的10％左右。然而在实践中，农业保险的具体运营仍存在许多问题。
例如，传统的赔偿型农险总是受到道德风险，逆向选择，高昂的行政成本以及实施时间长的困扰；对于一些偏远地区，此类保险一直陷入“灾害风险鉴定难、灾害勘查核损更难”的困境中。根据各地多年间的情况，我们发现它的实施结果通常与期待相差甚远。许多传统农险产品以失败告终，或者是需要大量政府补贴才能吸引农户投保。
作为替代，近年来更多的关注被投向了指数型农险。它的优势在于保险人(保险公司)和被保险人(农户)双方是信息对称的，即他们都可以容易地获得关于所选指数的全部信息。因此，指数型农险可以有效避免被农户为了骗取保险金而转向风险较高的农业管理，还可以降低保险公司用于勘查定损的高昂人工成本。但是，目前指数型农业保险产品仍存在诸多的不足：
(1)损失统计数据匮乏
对于指数型保险，其核心就是“损失-指数”关系的确定。根据其定义，“指数”应是一个易于获取的有长时间序列的开放数据。因此，“损失”数据的来源就变得尤为重要。目前，常见的两种数据来源：基于灾害统计年鉴得到的损失数据覆盖范围广、持续时间长，但数据的记录格式并不统一且某些年份有所疏漏。基于保单数据得到的损失数据更加具体可靠，可以很好地反映出不同地区的独特损失响应，但对于我国而言指数型农险的发展时间较短(不足20年)且每家保险公司的承保类型和范围较为局限，其损失数据量不足以支撑良好回归关系的建立。总体来说，农作物的灾害损失数据难以做到数量和质量上的兼顾。
(2)指数选择维度偏低
现行的许多指数保险产品中，指数的选择较为武断且单一。以水稻的干旱指数保险为例，大多数产品仅以降水量作为唯一评判指数，当降水量不足规定阈值时，就依据每个保险单位每毫米缺失雨量进行赔付。这种简单的产品设计不仅增加了对数据质量的需求，而且忽略了作物自身在不同生长阶段的灾害敏感性，更会带来很大的基差风险。同样的，在一些草原保险产品中，植被指数也被作为了唯一的指数用于评价作物的生长状况。很少有产品采用多个指标构建综合指数进行多维评价，结合不同类型的指标(气象、遥感、作物生长特性等)进行设计的产品更是稀少。因此，指数型农险迫切需要一种含括多维指标且能敏感反映农作物灾害胁的综合指数。
(3)业务化、自动化地设计保险产品难度大
指数型农险设计的核心内容是量化作物针对选定指数的损失率。因此,根据不同的风险区域设计出相对应的指数型农险产品是一个工作量很大的系统工程，它不仅需要对大量的气象、遥感、农业数据进行处理,而且还要对设计出的天气指数保险产品进行检验分析等。目前来说，还没有这样的保险产品。
因此，需要新的技术方法，来科学合理地设计农业保险产品及其保险费率厘定，以至少部分地解决现有技术中存在的问题。
技术实现要素：
本发明提出了一种根据气象、遥感、作物生长模型、数值模拟来科学地设计指数型农险产品的方法。
根据本发明一方面，提供了一种指数型农业保险产品设计方法，包括如下步骤：
s1:获取研究区域内设计指数型农业保险产品所需的数据，所述数据包括气象数据、土壤数据、田间试验数据、遥感数据和灾害统计数据；
s2：根据气象数据和灾害统计数据来标定无灾害年份、灾害年份及灾害年份内的灾害事件，用无灾害年份的气象数据的均值构建理想情景，再利用蒙特卡洛仿真技术在理想情景的基础上建立多种仿真灾害情景；
s3：利用田间试验数据，进行站点级作物生长模型的校准与验证(本地化)，然后，将步骤s2中的理想情景以及仿真灾害情景输入到本地化后的作物生长模型中，得到每个研究站点各情景对应的输出数据，所述输出数据包括单产y和产量损失率yloss，其中灾害情景k下的产量损失率记为yloss,k，计算公式如下：
式中，yc,k是在灾害情景k下的单产，yi是理想情景下的单产；
s4：依据各仿真灾害情景的产量损失率的分布，确定农业保险产品的保险费率，所述保险费率包括净费率μ，其计算公式如下：
μ＝e[lcr]＝e[yloss]，其中净费率μ等于损失成本率lcr的期望或者产量损失率yloss的期望。
s5：选取多个备选指标，根据各仿真灾害情景及模型输出数据来计算所述备选指标与产量损失率的相关性，并根据相关性大小选取4-6个强相关的指标，无权重地聚合成复合指数；
s6：利用各仿真灾害情景的产量损失率与复合指数来构建反映产量损失率与复合指数之间响应的脆弱性模型，用来预测某一地区某一年的灾害产量损失，确定是否需要赔付，如果需要赔付，则结合步骤s4中的保险费率来进行赔付。
根据本发明的实施方案，在步骤s4中，基于统计分析软件spss计算所述备选指标与产量损失率的相关性。
根据本发明的实施方案，所述作物模型选自为美国dssat系列模型和中国ccsods系列模型、澳大利亚apsim系列模型。
根据本发明的实施方案，所述保险费率还包括附加费率loadrp，其计算公式如下：
loadrp＝lcrrp-μ，其中lcrrp为特定重现期中的损失成本率。
根据本发明的实施方案，所述作物选自玉米、水稻、小麦和大豆。
根据本发明的实施方案，所述指数型农业保险产品为冷害指数型农业保险产品，当该年的作物生育期间无灾害统计记录并且积温距平指数(agdd)的绝对值小于50时标定该年为无灾年份；当该年的作物生育期间有灾害统计记录、或者积温距平指数(agdd)的值小于-50时标定该年为灾害年份；对于每个灾害年份，将最低温低于作物生长所需最低温的那天标记为一个冷害事件。
根据本发明的实施方案，所述备选指标包括积温距平指数(agdd)、生育阶段的冷害积温指数(cgdd)、严重低温天计数(tb2)以及叶面积距平指数(alai)。
根据本发明的实施方案，所述指数型农业保险产品为干旱指数型农业保险产品，当该年的作物生育期间无灾害统计记录并且标准化降雨指数(spi)值大于-1时标定该年为无灾年份；当该年的作物生育期间有灾害统计记录、或者标准化降雨指数(spi)值不大于-1标定该年为灾害年份；对于每个灾害年份，将生育期内连续无降水记录的天数超过3天标记为一个干旱事件。
根据本发明的实施方案，所述备选指标包括标准降水指数(spi)、标准化土壤湿度指数(ssmi)和相对叶面积指数(rlai)。
根据本发明的实施方案，步骤s6中，所述脆弱性模型的构建包括利用统计分析软件spss中的“曲线估计”模块，并将具有最大平均确定系数(r2)的模型用于构建脆弱性模型。
根据本发明的实施方案，步骤s2包括根据灾害事件的频率和强度，来构建站点级灾害事件的频率、强度分布函数，并利用频率、强度分布函数来获得各站点的多种仿真灾害情景。
根据本发明的实施方案，当预测的产量损失率yloss大于预定值时，确认为发生灾害性歉收，保险公司进行赔付；当预测的产量损失率yloss不大于预定值时，保险公司不进行赔付。
根据本发明的实施方案，所述预定值为4％。
根据本发明的另一方面，提供一种灾害指数型农业保险产品，其根据本发明所述的方法来设计。
本发明与现有技术方法相比，具有诸多的优点：
本技术具有标准且清晰的技术流程，可以自动化地实现不同的风险区域的指数型农险产品设计，节省了大量的时间、人力、金钱成本；本发明将根据多源指标建立复合指数，提升了指数型保险的评估维度，也解决了其固有的简易性与解释力不能两全的问题；本发明还使用具有强机理性的作物模型完成了冷害损失的仿真，极大地弥补了农业保险行业损失数据质量不佳的缺陷；此外，本发明还可以为保险公司在作物收获前进行损失的精准预测提供技术支持，为指数型农险研究研究提供重要的科学依据，有助于保险公司和国家有关部门更快速地完成产品设计和推广，也有助于国家有关部门进行粮情判断、粮食调控、粮食贸易等科学决策，为国家乃至全球的指数型农业保险产品设计提供科学决策的新思路。
附图说明
附图中相同的附图标记标示了相同或类似的部件或部分。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
图1是根据本发明的一个实施方案的一种指数型农业保险产品保险费率厘定方法的流程示意图。
图2是根据本发明的一个实施方案的研究区域示意图。
图3是根据本发明一个实施方案的各站点脆弱性模型结果图。
具体实施方式
为清楚地说明本发明中的方案，下面给出优选的实施例并结合附图详细说明。以下的说明本质上仅仅是示例性的而并不是为了限制本公开的应用或用途
应该理解的是，本发明所引用的作物模型、遥感模块以及仿真技术等本身是已知的，例如模型的各个子模块、各种参数、运行原理机制等等，因此本发明重点阐述如何将仿真技术、遥感数据和作物模型等综合应用以设计指数型保险产品。
图1为根据本发明的一个实施方案的一种指数型农业保险产品保险费率厘定方法的流程示意图。该实施方案以玉米以及冷害为例对本发明的方法进行了说明。
如图所示，本发明的指数型农业保险产品保险费率厘定方法包括如下步骤：
s1:获取研究区域内设计指数型农业保险产品所需的数据，所述数据包括气象数据、土壤数据、田间试验数据、遥感数据和灾害统计数据(灾害统计年鉴)。
图中以冷害为例，但是应该理解，本发明亦可应用于其他灾害例如干旱、水灾、热害等等。因此，本发明的指数型农业保险产品可以选自冷害指数型农业保险产品、干旱指数型农业保险产品，水灾型农业保险产品以及热害型农业保险产品等。
图中以玉米(ceres-maize)为例，所采用的作物模型为dssat(decisionsupportsystemforagrotechnologytransfer)系列模型中的ceres-maize。dssat是由农业技术转移国际基准网ibsnat项目，由美国农业部组织的弗罗里达州立大学、乔治亚州立大学、夏威夷州立大学、密歇根州立大学、国际肥料发展中心和其他国际上的科研单位进行联合开发研制的综合计算机模型，其目的是加速农业模型技术的推广、为合理有效地利用农业和自然资源提供决策。目前,已经成功且广泛地应用在了全球多个作物生长模拟研究中，均表现稳健良好。
但是应该理解，本发明也可应用于水稻、小麦和大豆等其他作物。也即，所述作物模型选自为美国dssat中其他系列模型以及其他模型，例如中国ccsods系列模型、澳大利亚apsim系列模型等等。
气象数据可以包括每日最高气温、最低气温、太阳辐射和降水等。土壤数据可以包括土壤类型、土壤有机碳含量、土壤总氮含量、土壤渗透率、田间持水量等。田间试验数据可以包括作物品种信息、单产数据、关键生育期数据等。遥感数据可以采用北京师范大学梁顺林教授团队反演制作的glasslai产品,该产品是对modislai产品的改进，其在生产过程中已经包括了s-g滤波预处理，在数据质量上有一定提升且具有更好的时间完整性和空间连续性。灾害统计年鉴数据可以包括灾害发生地点、时间、灾损程度、受灾面积等。
s2：根据气象数据和灾害统计数据来标定无灾害年份、灾害年份及灾害年份内的灾害事件，用无灾害年份的气象数据的均值构建理想情景，再利用蒙特卡洛仿真技术在理想情景的基础上建立多种仿真灾害情景；
以玉米冷害为例，对无灾年份和冷害年份的标定主要依托于灾害统计年鉴中的记录，并利用积温(gdd，式1)的距平值(agdd，式2)进行了补充，
式中，gdd定义为整个生长期的日平均温度与10℃之间的差之和，tmax和tmin分别表示每日的最高温和最低温。另外，当日平均温度低于10℃或高于30℃时，可以跳过这一天而不进行计算。
agdd＝gdd-mean(gdd)(式2)
式中，agdd为每年的gdd和过去三十年的平均gdd的差值，这个差值就由mean(gdd)表示。
无灾年份和冷害年份的标定可以采用如下标准：
无灾年份：该年的玉米生育期期间(5月到9月)在灾害统计年鉴中无灾害记录，且agdd的绝对值小于50。
冷害年份：该年的玉米生育期期间在灾害统计年鉴中有冷冻害记录，或agdd的绝对值小于-50。
对于每个冷害年份，我们将最低温低于玉米生长最低温的天标记为一个冷害事件，并记录每个冷害事件对应的天气数据，及每个生育期阶段(共5个，分别为播种-出苗、出苗-拔节、拔节-开花、开花-抽穗、抽穗-成熟)内冷害事件出现的次数。作物例如玉米生长最低温可以根据现有技术获得，例如玉米的上述五个生育期阶段的生长最低温可以分别为8、12、16、14和12摄氏度。
仿真情景可以基于蒙特卡洛仿真技术建立的，具体可以分为以下几步：
①将全部无灾年份的天气数据(温度、降水、辐射)进行平均，然后根据本领域常识剔除异常值，之后将其作为模型模拟过程中的各站点理想情景。
②汇总玉米每个生育期阶段冷害事件出现的频率和强度，然后进行概率分布拟合及卡方拟合优度检验。对于通过检验的分布函数，可以以均方根误差(rmse，式3)为标准，择优选择，得到最终的各站点冷害事件频率、强度的分布函数；
式中，rmse定义为观测值同真值之间的偏差，n是观测次数，yi表示真值，xi表示观测值。
③依据②中的分布函数，产生符合其概率分布规律的随机冷害天气，并将其添加到理想情景中(替换理想情景中的温度数据)，得到每个站点的多种冷害情景，例如200、300、400种。
类似地，以小麦的干旱为例，当该年的作物生育期间无灾害统计记录并且标准化降雨指数(spi)值大于-1时可以标定该年为无灾年份；当该年的作物生育期间有灾害统计记录、或者标准化降雨指数(spi)值不大于-1则可以标定该年为灾害年份；对于每个灾害年份，将生育期内连续无降水记录的天数超过3天(例如4-6天)标记为一个干旱事件。不同作物的生育期阶段是已知的，例如小麦的生育期阶段可以分为3个，分别为出苗-返青、返青-抽穗、抽穗-成熟。
其中，spi用于监测地表干旱，可以基于各干旱情景的降雨数据来计算获得，其计算例如可以是基于taesamlee(2009，https://www.mathworks.com/matlabcentral/fileexchange/26018-standardized-precipitation-index)在
s3：利用田间试验数据，进行站点级作物生长模型的校准与验证(也即，本地化)，然后，将步骤s2中的理想情景以及仿真灾害情景输入到本地化后的作物生长模型中，得到每个研究站点各情景对应的输出数据，所述输出数据包括单产y和产量损失率yloss，其中灾害情景k下的产量损失率记为yloss,k，计算公式如下：
式中，yc,k是在灾害情景k下的单产(kg/ha)，yi是理想情景下的单产(kg/ha)。
s3中的校准可以基于dssat模型自带的规划工具“glue”与“试错法”结合进行，可以主要校准每个品种的开花日期、成熟日期以及单产。同样地，也可以这三个输出变量作为模型的验证指标，并通过求解标准均方根误差(nrmse，式4)来评估模型的性能。一般情况下，如果nrmse小于10％则该模拟可以被认为是出色的；如果nrmse介于10-20％之间可以认为该模拟是良好的；如果nrmse大于等于20％则该模拟可以被认为是较差的。
以冷害为例，步骤s3中的冷害情景和对应理想情景之间的产量差异可以视为受冷害单因素影响而产生的产量损失。为了便于各站点之间的比较和分析，在之后的步骤中可以以产量损失率(yloss，式5)来表示产量损失。
式中，nrmse是将rmse正规化后所得的统计数值，y是真值的平均值。
式中，yc,k是在冷害情景k下的单产(kg/ha)，yi是理想情景下的单产(kg/ha)，yloss,k是相应的产量损失比(％)。
s4：依据各仿真灾害情景的产量损失率的分布，确定农业保险产品的保险费率，所述保险费率可以包括净费率μ和附加费率loadrp，其计算公式如下：
μ＝e[lcr]＝e[yloss]，其中净费率μ等于损失成本率lcr的期望或者产量损失率yloss的期望
loadrp＝lcrrp-μ，其中lcrrp为特定重现期中的损失成本率。
保费是保险产品的重要组成部分，通常是保险金额和保费率的乘积。然而，保险公司为了降低发生超额赔偿的风险，通常会计算除净保费率(μ，式13-14)之外的其他保费率。对于这部分附加费率，本本发明中仅考虑由于气象原因导致的风险附加保险费率(loadrp，式15-16)，而不考虑保险公司所带来的额外行政附加。步骤s6中的净保险费率可以由多种(例如300种)模拟情景产量损失率的均值计算得到，而风险附加保险费率则可以由多种模拟情景产量损失率的超越概率曲线得到。超越概率是指在一定时期内，作物例如玉米可能遭遇大于或等于给定的损失值的概率。通俗的说，就是要求的值超出给定值的概率。通过超越概率曲线，例如可以计算在50年一遇和100年一遇的重大灾害对应的产量损失率。
式中，lcr是损失成本率，yg是指因冷害造成的单产损失(kg/ha)，y是保险范围内的最大单产(kg/ha)，p是每千克应付的补偿(rmb/kg)。可以得出，lcr等于产量损失比yloss。
μ＝e[lcr]＝e[yloss](式14)
由定义可知，净保险费率μ通常等于损失成本率的期望e[lcr]。由式11可知，μ也等于产量损失比yloss的期望。
式中，rp表示某个事件的重现期，例如，当rp等于50时就表示五十年一遇的事件，pr发生事件的概率；x变量，指代某次灾害的损失；x特定的灾害损失。lcrrp就是在特定重现期中的损失成本比率。
loadrp＝lcrrp-μ(式16)
保险附加费率loadrp即为lcrrp与μ之间的差值。
s5：选取多个备选指标，根据各仿真灾害情景及模型输出数据来计算所述备选指标与产量损失率的相关性，并根据相关性大小选取4-6个强相关的指标，无权重地聚合成复合指数。
以玉米冷害为例，使用的冷害指数型农险中常用指标共有8个，分别是七个气象类指标：积温距平指数(agdd，式2)、5个生育阶段的冷害积温指数(cgdd1-cgdd5，式6)、严重低温天计数(tb2，式7)；以及一个遥感类指标：叶面积距平指数(alai，式8)；
式中，ltn和tmin分别代表第n个生育阶段的低温阈值和每日最低温度。特别的，当tmin高于相应的ltn时，这一天将被跳过而不进行计算。
当生育期内每日的最低温度低于2℃时，tb2的计数就加一。
alaimax,y＝laimax,y-mean(laimax)(式8)
式中，alaimax,y表示第y年育期内最大lai的距平值，laimax,y是当年生育期内lai的最大值，mean(laimax)是多年来(例如，2000年-2015年)生育期内lai最大值的平均值。
另外，各备选指标与产量损失的相关性计算均可以基于广泛应用的统计分析软件spss(statisticalproductandservicesolutions)，例如可以采用皮尔逊相关系数(pearsoncorrelationcoefficient)作为评估标准，并将与产量损失显著相关但皮尔逊相关系数较小(例如小于等于0.2)的指标剔除。通过总结每个站点的剩余指标，将出现频率最高的前4-6位(例如5位)汇总成冷害复合指数(cci，式9)
式中，indicator1～indicator5分别表示各站点汇总得到的出现频率最高的前五位指标(可以作归一化处理)，这些指标被无权重地相加在一起，可以利用其均值作为复合指数。
同样，对于小麦干旱灾害，可以使用的干旱指数型农险备选指标共有3种：标准降水指数(spi)、标准化土壤湿度指数(ssmi，式10)和相对叶面积指数(rlai，式11)，例如可以分别计算了2种深度的ssmi，即ssmi_20cm和ssmi_50cm。
式中，sm为某时间尺度的土壤湿度值，
式中，lai为获取的lai绝对值，max(lai)为全生育期内最大lai。
这三类指标又可以根据不同时期(出苗-返青p1、返青-抽穗p2、抽穗-成熟p3、以及全生育期p4)进行细致划分，共计16个，即：spi_p1、spi_p2、spi_p3、spi_p4、ssmi_20cm_p1、ssmi_20cm_p2、ssmi_20cm_p3、ssmi_20cm_p4、ssmi_50cm_p1、ssmi_50cm_p2、ssmi_50cm_p3、ssmi_50cm_p4、rlai_p1、rlai_p2、rlai_p3、rlai_p4。
s6：利用各仿真灾害情景的产量损失率与复合指数来构建反映产量损失率与复合指数之间响应的脆弱性模型，用来预测某一地区某一年的灾害产量损失，确定是否需要赔付，如果需要赔付，则结合步骤s4中的保险费率来进行赔付。
其中，脆弱性模型的构建可以基于统计分析软件spss中的“曲线估计”模块，并将具有最大平均确定系数(r2，式12)的模型将用于构建脆弱性模型。
式中，r2为回归平方和与总离差平方和的比值，
脆弱性模型是根据复合指数和作物模型输出的损失来确定的，其能够反应该地区的一个多年普适的损失与指数的响应关系。在未来发生损失时，我们就可以通过脆弱性模型来推测损失，进行赔付，而不用依赖于实地勘查损失。
实施例
下面以中国东北地区为研究区，研究对象为玉米冷害，示例性说明本发明技术方法的具体应用。实施例用于说明本发明，但不用来限制本发明的范围。
由于较高纬度和雨养种植的习惯，中国东北地区(参见图2)极易受到气候变化的影响，已成为我国玉米单产波动最大的地区之一。在这里，春玉米的生育期通常是从五月初到九月底。本实例根据全球空间生产分配模型(spam)2000年、2005年和2010年的地图，结合县级统计数据，共选择了玉米收获面积大于3％的188个县作为研究区。其中，特别又选出了16个数据优良且具有较好代表能力的实验站点作为主要研究对象：白城by、巴彦hl、勃利bl、长岭jm、赤峰cl、丹东dh、敦化bc、阜新sp、盖州fx、海伦gz、佳木斯dd、四平zh、通辽tl、突泉tq、扎兰屯cf、庄河zl。
本实例使用的基础数据如下：1)来自中国气象局(cma)气候数据共享服务系统的75个气象站的每日气候数据集(1951-2015)，包括最高温度、最低温度、降水和日照时数，来自中国气象局(cma)气候数据共享服务系统；2)来自全球高分辨率土壤剖面数据库的土壤数据集，包括土壤类型、土壤有机碳含量、土壤总氮含量、土壤渗透率、田间持水量等；3)来自研究区内16个农业气象试验站的田间试验数据集(2010-2012)，包括作物品种信息、单产数据、关键生育期数据等；4)全球陆地卫星项目(glass)提供的的叶面积指数(lai)数据集(2000-2015)，它的时间分辨率为8天空间分辨率为1km×1km；5)《中国气象灾害年鉴》数据集(1991-2012)。
值得注意的是，数据1到3用于驱动、校准和验证的作物生长模型(本地化)；数据1和5用于建立仿真情景；数据1和4用于构建综合指标并计算保险费率。
《中国气象灾害年鉴》记录了全国大量由于气象灾害产生的产量损失。在本实例中，我们选择了广泛使用的标准(agdd)来补充上述记录，为后续的情景构建提供更多数据。最后，我们将满足以下条件之一的年份定义为冷害年份：1)agdd<-50℃d；2)《中国气象灾害年鉴》明确记录了玉米生长期内的低温事件。对于每个冷害年份，我们还通过平均温度低于相应的低温阈值的方式定义了低温事件。
基于这些冷害的数据，使用了蒙特卡洛技术为每个站点生成了301个仿真情景，包括1个理想情景和300个冷害情景。理想情景是通过无灾年份的气象数据平均值生成的。300个冷害情景是以理想的气候情景作为基准，然后通过随机添加冷害事件来构建的。值得注意的是，每个添加冷害事件都是基于历史事件的频率和强度分布生成的，它们分别处于指数分布和伽马分布之下。(每个分布均通过卡方检验，显着性水平为0.01)
在本实例中，选择了农业技术转让决策支持系统(dssatv4.7)中的ceres-maize模型来有效地扩展损失数据。它是一个在日尺度上全面模拟作物生长的过程模型。它基于作物对土壤和天气条件的响应建模，可以模拟作物的生长发育和最终谷物产量。在本实例中，ceres-maize模型的校准基于dssat中包含的广义似然不确定度估算模块(glue)。在校准过程中，我们将收获时的产量(hwam)，开花日期(adat)，成熟日期(mdat)和其他田间管理活动(例如施肥和灌溉)用作参考信息，并选择均方根误差(rmse)和归一化均方误差(nrmse)来评估模型的性能。
表1显示了ceres-maize模型的校准结果。其中，adat表现出最佳的校准效果(平均nrmse为4.19％)，其次是mdat(nrmse在9.67％之内，跨度约为7％)。单产的准确性相对较低，但nrmse的值仍不超过10％。此外，16个站点adat，mdat和产量(yield)的平均rmse分别少于3天、9天和688.39kg/ha。经校准的ceres-maize模型在不同省份的表现没有明显差异，最准确的辽宁省在产量模拟中平均误差为602kg/ha，表现最差的黑龙江省的平均rmse为735kg/ha。总的来说，根据模型校准的标准，校准后的ceres-玉米模型显示出“优异”的性能，可以准确模拟玉米的生长状态和各站点的最终产量。
表1每个站点的ceres-maize模型的校准结果
大多数以前的研究仅使用单个的天气相关指标来分析整个生长季节的冷害，而忽略了一些决定性的局限性，例如生长期间作物敏感性的差异或突然的极端寒冷事件。因此，我们使用积温距平指数(agdd)来表明整个生长期的热量积累的年际趋势，5个生育阶段的冷害积温指数(cgdd1-cgdd5)来表明不同生长阶段的冷害积累，严重低温天计数(tb2)来反映严寒条件，以及叶面积距平指数(alai)来反应作物自身的生长状况。
基于每个站点仿真情景的输出数据，我们分析了每个备选指标与产量损失之间的相关性。表2列出了每个地点指标的初始选择结果，我们观察到每个站点大致有4个到6个指标与产量损失有很强的相关性.其中，所有站点都选择了agdd、alai和cgdd5，其次是tb2(12个站点)和cgdd4(11个站点)。但是，cgdd3(6个站点)很少出现，选择cgdd1(2个站点)和cgdd2(3个站点)的站点则更少。因此，cci最终确定如下(指标的顺序与重要性无关)：
表2各站点产量损失相关因子的初始选择结果
基于统计分析软件spss中的“曲线估计”模块，本实例对比分析了线性、对数、逆、二次、三次、幂和指数七个统计模型，并将具有最大平均确定系数(r2)的模型将用于构建脆弱性模型(结果参见图3)。为了进一步评估此脆弱性模型，我们通过2000年至2015年的年鉴中的实际损失记录对它们进行了验证。这个验证是在站点级别进行的，图3展示了每年各站点的平均模拟误差。可以看出，总体而言，它可以十分灵敏且准确地识别冷害损失，并在数年内具有较好稳定性，表明了在估计和预测产量损失方面极大潜力。
表3展示了本实例的最终保险费率计算结果，它包含保险的净费率(μ)以及50年和100年的重现期下的风险附加费率(loadrp)。结果还表明，常用的一省一费率的保险是较为粗糙且不合理的，精准的指数型保险是农业保险未来努力的方向。
表3各不同站点的净保险费率和风险附加费率
本实例中的玉米冷害保险是一项基于复合指数的一年期种植业保险，其保险标的是最终产量。保险合同应在东北地区春玉米播种日期之前签订，当复合指数被触发时，保险公司可以根据脆弱性模型进行预测赔偿。
在正常的情况下，产量也会存在一定的波动，因此，基于理想情景的产量损失率可以设定一定的阈值，当产量损失率不大于该预定值时，可以认为是正常的产量波动，保险公司不做赔付。当产量损失率大于该预定值时，才进行赔付。
可以根据相关的研究或者官方机构统计数值等，来合理地设置该阈值。例如可以根据中国政府部分统计发布的作物年度收成等级(如中国气象行业标准《主要粮食作物产量年景等级》(qx/t335-2016))，将本实施例中玉米产量损失率等于4％作为阈值，并在每个模型中找到对应的指数触发值。例如在白城，如果cci低于0.34(触发)，则不进行补偿，但是如果cci为0.4，保险公司可以以7％的收益率损失进行补偿。
本发明方法可以形成一个自动化的指数型保险产品设计流程，可以为保险公司节约大量根据不同的风险区域设计出相对应的指数型农险产品的时间，实现更快速精准地灾害损失评估，建立业务化化自动化的“指数型农险产品设计”技术系统。同时，该技术还允许保险公司在作物收获前进行损失的预测，提前进行赔付准备；
本发明充分发挥了多源数据和作物模型的优势，以站点级别的实测田间数据为基础对模型进行校准与验证，极大提高了产量损失的模拟精度，为小尺度上的精细化保险产品设计提供了技术性和科学性地支持；
本发明实施例在县级尺度建立了具有高精度的玉米冷害脆弱性响应模型，并计算了保险费率。和常用的“一省一费率”的粗糙指数型农业保险相比，它具有更好的损失拟合能力，以及更强的机理性；
本发明首次将多源指标与作物模型系统结合应用到指数型农业保险研究中。基于多源指标(多个气象类型指标与遥感指标)构建的复合指数提升了指数保险的评估维度，也解决了其固有的简易性与解释力不能两全的问题。基于强机理性作物模型的冷害仿真模拟结果具有高度可解释性，极大地弥补了农业保险行业损失数据质量不佳的缺陷。这种新颖的方法，是指数型农险研究中的尝试与突破，可以为之后的指数型农险产品设计提供新思路。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
1.一种指数型农业保险产品设计方法，包括如下步骤：
s1:获取研究区域内设计指数型农业保险产品所需的数据，所述数据包括气象数据、土壤数据、田间试验数据、遥感数据和灾害统计数据；
s2：根据气象数据和灾害统计数据来标定无灾害年份、灾害年份及灾害年份内的灾害事件，用无灾害年份的气象数据的均值构建理想情景，再利用蒙特卡洛仿真技术在理想情景的基础上建立多种仿真灾害情景；
s3：利用田间试验数据，进行站点级作物生长模型的本地化，然后，将步骤s2中的理想情景以及仿真灾害情景输入到本地化后的作物生长模型中，得到每个研究站点各情景对应的输出数据，所述输出数据包括单产y和产量损失率yloss，其中灾害情景k下的产量损失率记为yloss,k，计算公式如下：
式中，yc,k是在灾害情景k下的单产，yi是理想情景下的单产；
s4：依据各仿真灾害情景的产量损失率的分布，确定农业保险产品的保险费率，所述保险费率包括净费率μ，其计算公式如下：
μ＝e[lcr]＝e[yloss]，其中净费率μ等于损失成本率lcr的期望或者产量损失率yloss的期望。
s5：选取多个备选指标，根据各仿真灾害情景及模型输出数据来计算所述备选指标与产量损失率的相关性，并根据相关性大小选取4-6个强相关的指标，无权重地聚合成复合指数；
s6：利用各仿真灾害情景的产量损失率与复合指数来构建反映产量损失率与复合指数之间响应的脆弱性模型，用来预测某一地区某一年的灾害产量损失，确定是否需要赔付，如果需要赔付，则结合步骤s4中的保险费率来进行赔付。
2.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，步骤s5中，基于统计分析软件spss计算所述备选指标与产量损失率的相关性。
3.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，步骤s4中，所述保险费率还包括附加费率loadrp，其计算公式如下：
loadrp＝lcrrp-μ，其中lcrrp为特定重现期中的损失成本率。
4.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，所述作物选自玉米、水稻、小麦和大豆。
5.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，所述指数型农业保险产品为冷害指数型农业保险产品，当该年的作物生育期间无灾害统计记录并且积温距平指数(agdd)的绝对值小于50时标定该年为无灾年份；当该年的作物生育期间有灾害统计记录、或者积温距平指数(agdd)的值小于-50时标定该年为灾害年份；对于每个灾害年份，将最低温低于作物生长所需最低温的那天标记为一个冷害事件。
6.根据权利要求5所述的指数型农业保险产品设计方法，其特征在于，所述备选指标包括积温距平指数(agdd)、生育阶段的冷害积温指数(cgdd)、严重低温天计数(tb2)以及叶面积距平指数(alai)。
7.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，所述指数型农业保险产品为干旱指数型农业保险产品，当该年的作物生育期间无灾害统计记录并且标准化降雨指数(spi)值大于-1时标定该年为无灾年份；当该年的作物生育期间有灾害统计记录、或者标准化降雨指数(spi)值不大于-1标定该年为灾害年份；对于每个灾害年份，将生育期内连续无降水记录的天数超过3天标记为一个干旱事件。
8.根据权利要求7所述的指数型农业保险产品设计方法，其特征在于，所述备选指标包括标准降水指数(spi)、标准化土壤湿度指数(ssmi)和相对叶面积指数(rlai)。
9.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，步骤s6中，所述脆弱性模型的构建包括利用统计分析软件spss中的“曲线估计”模块，并将具有最大平均确定系数(r2)的模型用于构建脆弱性模型。
10.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，步骤s2包括根据灾害事件的频率和强度，来构建站点级灾害事件的频率、强度分布函数，并利用频率、强度分布函数来获得各站点的多种仿真灾害情景。
11.根据权利要求1所述的指数型农业保险产品设计方法，其特征在于，步骤s6中，当预测的产量损失率yloss大于预定值时，确认为发生灾害性歉收，保险公司进行赔付；当预测的产量损失率yloss不大于预定值时，保险公司不进行赔付。
12.根据权利要求11所述的指数型农业保险产品设计方法，其特征在于，所述预定值为4％。
13.一种指数型农业保险产品，其根据权利要求1-12中任一项所述的方法设计得到。
技术总结