الگوسازی ریسک عملکرد محصول با استفاده از روش‌های پارامتریک و ناپارامتریک: مطالعه موردی محصولات گندم و جو استان آذربایجان شرقی

اقتصاد و توسعه کشاورزی

مقاله 1، دوره 31، شماره 1 - شماره پیاپی 35، فروردین 1396، صفحه 14-26   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v31i1.56267

نویسندگان

طراوت عارف عشقی؛ محمد قهرمان زاده^* ؛ حسین راحلی؛ قادر دشتی

دانشگاه تبریز

چکیده

به سبب وابستگی شدید فعالیت‏های کشاورزی به عوامل آب و هوایی، این زیربخش اقتصادی با ریسک بیشتری مواجه بوده و جهت مدیریت این ریسک ها همواره بیمه کشاورزی به عنوان یکی از بهترین راهکارها مطرح بوده است. نکته کلیدی در طراحی مناسب قراردادهای بیمه کشاورزی، الگوسازی دقیق توزیع عملکرد محصول و در واقع برآورد احتمال خسارت می‏باشد. در حال حاضر بیمه عملکرد محصول به صورت سنتی اجرا می‏شود و با مشکلاتی مواجه است که توجه به متنوع‏سازی روشهای بیمه‏ای و استفاده از روش‏های دقیق و مرسوم جهت محاسبه احتمال خسارت و حق‏بیمه، به‏ منظور بهبود شرایط موجود را ضروری می‏کند. بنابراین در مطالعه حاضر تلاش شده است تا میزان ریسک عملکرد محصول با استفاده از رهیافت های آماری پارامتریک و ناپارامتریک برای یک خدمت بیمه ای جدید به نام بیمه عملکرد منطقه ای محاسبه شود. اطلاعات مورد استفاده مربوط به محصولات گندم و جو آبی و دیم در شهرستان‏های اهر و هشترود در استان آذربایجان‏شرقی طی دوره زمانی 92-1354 می‏باشد. نتایج بدست آمده حاکی از آن است که مقادیر احتمال خسارت محاسبه شده از طریق رهیافت ناپارامتریک از دقت بیشتری برخوردارند. همچنین مشخص گردید درصد احتمال خسارت برای محصولات مورد نظر در شهرستان هشترود از شهرستان اهر بیشتر است. لذا پیشنهاد می‏شود تا ضمن در نظرگرفتن خصوصیات توابع توزیع در محاسبات مربوط به احتمال خسارت و انتخاب رهیافت مناسب، در تقسیم ‏بندی‏های منطقه‏ای مربوط به تعیین حق ‏بیمه، به‏ منظور تشکیل گروه های ریسک عملکرد همگن، بر روی شهرستان‏ها به جای کل استان تمرکز گردد.

کلیدواژه‌ها

احتمال خسارت؛ اندازه گیری ریسک؛ بیمه عملکرد منطقه ای؛ توزیع بتا و کرنل

مراجع

1- Babcock B.A., Hart C.E. and Hayes D.J. 2004. Actuarial fairness of crop insurance rates with constant rate relativities. American Journal of Agricultural Economics, 86(2):563-575.

2- Deng X., Barnett B.J., Hoogenboom G., Yu Y., and Y. Garcia A.G. 2008. Alternative crop insurance indexes. Journal of Agricultural and Applied Economics, 40(1):223–237.

3- Eshraghi F., Kheyri N., and Hasanpour A. 2015.The use of Monte Carlo simulation in risk assessment of agricultural production (Case Study: Gorgan city). Iranian Journal of Agricultural Economics and Development Research, 46(2): 375-383. (in Persian)

4- Ghahremanzadeh M., Golbaz M., Hayati B., Dashti G.H. 2014. The impact of climate variables on wheat and corn yield and yield risk in Ghazvin province. Agricultural Economics, 8(4): 107-126.

5- Goodwin, B.K. 1994. Premium rate determination in the federal crop insurance program: What do averages have to say about risk?. Journal of Agricultural and Resource Economics, 19(2): 382-395.

6- Goodwin B.K., and Ker A.P. 1998. Nonparametric estimation of crop yield distributions: implications for rating group-risk crop insurance contracts. American Journal of Agricultural Economics, 80(1):139-153.

7- Goodwin B.K., and Mahul O. 2004. Risk modeling concepts relating to the design and rating of agricultural insurance contracts, The World Bank, Washington, DC.

8- Harwood J.L., Heifner R., Coble K., Perry J., and Somwaru A. 1999. Managing risk in farming: concepts, research, and analysis. US Department of Agriculture, Agricultural Economic Report No. 774, Economic Research Service.

9- Ministry of agriculture. 2014. The second volume of agricultural statistics, First print. (in Persian)

10- Nelson C.H. 1990. The influence of distributional assumptions on the calculation of crop insurance premia.North Central Journal of Agricultural Economics, 12(1):71-78.

11- Ozaki V.A, Goodwin B.K. and Shirota R. 2008. Parametric and nonparametric statistical modelling of crop yield: implications for pricing crop insurance contracts.Applied Economics, 40(9): 1151-1164.

12- Ramirez O.A., Misra S., and Field J. 2003. Crop-yield distributions revisited. American Journal of Agricultural Economics, 85(1):108–120

13- Ramirez O.A., McDonald T.U., and Carpio C.E. 2010. A flexible parametric family for the modeling and simulation of yield distributions.Journal of Agricultural and Applied Economics, 42(2): 303-319.

14- Robison L.J., and Barry P.J. 1987. Competitive firm's response to risk, Macmillan Publishing Company.

15- Salami H. and Dourandish A. 2004. Obstacles and challenges of agricultural insurance, Proceedings of the Second agricultural insurance Scientific Conference, development and investment security, 1-17. (in Persian)

16- Sherrick B.J., Zanini F.C., Schnitkey G.D., and Irwin S.H. 2004. Crop insurance valuation under alternative yield distributions. American Journal of Agricultural Economics, 86(2): 406-419.

17- Sherrick B.J., Lanoue A.C., Woodard J., Schnitkey G.D., and Paulson D.N. 2014. Crop yield distributions: fit, efficiency, and performance. Agricultural Finance Review, 74(3): 348-363.

18- Tahami Pour M., and Salami H. 2014. Determining the same risk areas for potato yield frost risk in Iran: The application of spatial econometrics. Agricultural Economics, Special Issue, 55-67.(in Persian)

19- Ye T., Nie J., Wang J., Shi P., Wang Z. 2014. Performance of detrending models of crop yield risk assessment: evaluation on real and hypothetical yield data. Stochastic Environmental Research and Risk Assessment, 29(1): 109-117.

20- Zanini, F.C., Scherrick, B. J., Schnitkey G.D. 2001. Crop Insurance valuation under alternative yield distributions. P. 1-40. Paper presented at the NCR-134 Conference on Applied Commodity Price Analysis, Forecasting, and Market Risk Management, 23-34 April. 2001., St. Louis, Missouri.

21- Zhang Q., and Wang K. 2010. Evaluating production risks for wheat producers in Beijing. China Agricultural Economic Review, 2(2): 200-211.

22- Zhang Q., Wang K., and Boyd M. 2011. The effectiveness of area-based yield crop risk insurance in China, Human and Ecological Risk Assessment, 17(3): 566-579.

23- Zheng Q., Wang H.H., and Shi Q.H., 2014. Estimating bivariate yield distributions and crop insurance premiums using nonparametric methods. Applied Economics, 46(18):2108-2118.

24- Zhu Y., Goodwin B.K., and Ghosh S.K. 2011. Modeling yield risk under technological change: Dynamic yield distributions and the US crop insurance program. Journal of Agricultural and Resource Economics, 36(1):192-210.