• 沒有找到結果。

颱風對臺灣水稻災損之關鍵因子分析及應變策略

N/A
N/A
Protected

Academic year: 2023

Share "颱風對臺灣水稻災損之關鍵因子分析及應變策略"

Copied!
69
0
0

加載中.... (立即查看全文)

全文

(1)

國立臺灣大學生物資源暨農學院農業經濟研究所 碩士論文

Department of Agricultural Economics College of Bio-resources and Agriculture

National Taiwan University Master Thesis

颱風對臺灣水稻災損之關鍵因子分析及應變策略 Critical Factors of Typhoon Disasters on Rice Production

and Coping Strategies in Taiwan 方人平

JEN-PING FANG

指導教授:張靜貞 博士

Advisor:Ching-Cheng Chang, Ph.D.

中華民國 111 年 6 月 June, 2022

(2)

誌謝

時光荏苒、歲月如梭,轉眼間,兩年的碩士生涯即將告一段落。回想起這段 時光,無論是在課業的學習或是論文的撰寫皆讓我成長許多,而這一路上也正是 受到許多人的幫助,才能讓我走到現在。

感謝張靜貞老師的指導,並時常與我討論論文的方向及架構,當我在研究上 遇到瓶頸時,老師也會即時地協助我解決問題,讓我能夠順利地完成此篇論文。

同時,很幸運能夠參與老師的研究計畫,讓我對於水稻面臨颱風侵襲的影響有更 深入的瞭解,並感謝研究團隊中,泰熒學長、鈺珊學姐、竣菘學長的照顧與教導。

而在口試時,也非常感謝口試委員許文科老師與陳淑玲老師所提供的建議,讓此 篇論文得以更加完備。

細數碩班求學過程,要感謝當初考研的戰友們,讓我挺過煎熬且疲憊的備考 時期,順利考取研究所。也感謝好友們的陪伴,讓我的研究所生活多采多姿,充 滿歡樂的回憶。最後,要感謝我最重要的家人們,是你們的鼓勵及支持,讓我在 低潮時能夠再站起來,在徬徨無助時能夠有繼續前進的動力。

即將要畢業了,但這並不代表結束,而是要開始迎向人生的下一階段,期許 我能帶著在研究所這兩年所吸取的養分,繼續朝著新的目標邁進,在未來的道路 上努力發揮自我,毫不畏懼的面對接下來的挑戰。

方人平 謹誌於 國立臺灣大學農業經濟學研究所 中華民國一一一年七月

(3)

摘要

根據科技部「台灣氣候變遷推估資訊與調適知識平台計畫」所發布「IPCC 氣 候變遷第六次評估報告之科學重點摘錄與臺灣氣候變遷評析更新報告」,近年由 於氣候變遷的緣故,使得颱風強度提升,對農作物的威脅也日益增加。水稻為臺 灣最主要的糧食作物,其產量及產值皆遠大於其他農作物,經濟價值及地位相當 重要,但其災損就有高達七成五的比例是由颱風所導致,故本研究蒐集 2009 年 至 2018 年全臺稻作主要產區災損資料及颱風統計資料,建立水稻颱風損失模型,

以颱風的主要氣象特徵、影響臺灣時間、縣市別及侵臺路徑作為迴歸分析之解釋 變數,探討颱風對臺灣稻作災損之關鍵因子。

研究結果顯示,強風為颱風造成稻作災損最主要的致災因子,而若當水稻 處於抽穗期時,承受風雨的能力較弱,除了強風外,颱風所挾帶之短時間強降 雨亦會使水稻損率上升,另外,單日累積雨量如超過門檻值 150 毫米,水稻災 損會較為嚴重。其他方面,颱風影響台灣時間的長短對水稻災損並未顯著的影 響,在臺灣稻作主要產區中,颱風對嘉義縣及臺南市兩地之稻作破壞力較大,

而由於稻作產區主要位於中南部,在路徑別上,以第五類及第九類路徑這兩類 行經臺灣南部的颱風路徑較具威脅。

在分析颱風對臺灣稻作生產之致災因子後,本研究提出應變措施之建議,包 含增加防災措施、調整水稻栽培時間、種植具抗性之水稻品種、強化農民防災意 識等事前預防策略,以及水稻保險等事後補救策略。另外,本研究建議未來水稻 保險若規劃朝氣象指數型保險的方向發展,可嘗試以颱風的風速及單日最大累積 雨量作為設計判賠標準的依據。

關鍵字:颱風、水稻、損失模型、雨量門檻值、稻作抽穗期、農業保險

(4)

ABSTRACT

According to the IPCC Sixth Assessment Report Excerpts from Science Highlights and Update Report on Climate Change Review and Analysis in Taiwan issued by The Taiwan Climate Change Projection Information and Adaptation Knowledge Platform, due to climate change the intensity of typhoons has increased in recent decades and the threat to crops has also increased. Rice is the most important food crop in Taiwan, and its production volumes and values are also far greater than other crops. However, about 75% of the disaster damage to rice crops is caused by typhoons, Therefore, this study collects disaster damage data and typhoon statistics in the main rice producing areas in Taiwan from 2009 to 2018, and establishes a typhoon loss model for rice. The explanatory variables of the regression analysis include the typhoon meteorologic a l factors, the landing time of typhoon in Taiwan, counties, and the typhoon tracks.

The results of the study show that strong winds are the main cause of damage to rice crops caused by typhoons. If rice is at the heading stage, its ability to withstand wind and rain is weak which will increase the loss ratio. In addition, if the accumula ted rainfall in a single day exceeds the threshold value of 150 mm, the rice damage will be more serious. On the other hand, the length of typhoon impact duration has no significant impact on the damage to rice. Among the main rice producing areas in Taiwan, typhoon has caused greater damages to the rice crops in Chiayi and Tainan counties. Because rice production areas are mainly located in the central and southern parts of Taiwan, the fifth and ninth typhoon tracks passing through southern Taiwan are more threatening than others.

After analyzing the disaster-causing factors of typhoons on rice production in Taiwan, relevant countermeasures were also put forward, including increasing disaster prevention measures, adjusting rice cultivation time, planting resistant rice varieties,

(5)

strengthening farmers' awareness of disaster prevention, and post-event remedial strategies such as rice insurance. In addition, if the future typhoon crop insurance will be introduced in the form of index insurance, this study suggests that wind speed and daily cumulative rainfall in typhoon disasters can be used to design the triggers and exit points of the payout.

Keywords: Typhoon, Rice, Loss Function, Rain Threshold, Heading Stage, Agricult ur a l Insurance

(6)

目 錄

誌謝... i

摘要... ii

ABSTRACT...iii

目錄... v

圖目錄... vi

表目錄...vii

第一章 緒論... 1

第一節 研究動機... 1

第二節 研究目的... 2

第三節 研究架構... 3

第二章 臺灣水稻生產與災損概況及災損分析... 6

第一節 臺灣水稻生產現況及地理分布... 6

第二節 水稻生長特性及影響因子... 9

第三節 臺灣水稻受天然災害影響概況... 11

第四節 臺灣水稻災損現況及地理分布... 13

第三章 實證模型與資料處理... 20

第一節 水稻颱風損失函數之文獻回顧... 20

第二節 實證模型與變數設定... 23

第三節 資料來源與處理... 32

第四章 實證分析結果... 34

第一節 敘述統計分析... 34

第二節 相關性分析... 45

第三節 迴歸結果分析... 48

第四節 小結... 53

第五章 結論與應變策略... 54

第一節 結論... 54

第二節 應變策略... 55

第三節 水稻保險未來發展... 57

第四節 後續研究建議... 58

參考文獻... 59

(7)

圖 目 錄

圖 1-1 研究流程圖 ... 5

圖 2-1 2009 年至 2020 年各縣市稻作種植面積比例……….. 6

圖 2-2 2009 年至 2020 年各縣市稻作產量比例 ... 7

圖 2-3 2009 年至 2020 年兩期稻作種植面積比例 ... 8

圖 2-4 2009 年至 2020 年兩期稻作產量比例 ... 8

圖 2-5 2009 年至 2020 年稻作逐年種植面積趨勢圖 ... 9

圖 2-6 2009 年至 2020 年稻作逐年產量趨勢圖 ... 9

圖 2-7 2009 年至 2020 年天災致水稻災損比例 ... 12

圖 2-8 2009 年至 2018 年颱風導致各縣市稻作災損 ... 16

圖 2-9 2009 年至 2018 年颱風導致各鄉鎮市區稻作面積損率概況 ... 18

圖 2- 10 2009 年至 2018 年颱風導致各鄉鎮市區稻作產量損率概況 ... 18

圖 3-1 侵臺颱風路徑走向 ………..27

圖 4-1 水稻抽穗期與颱風侵襲時間分析………. …..41

圖 4-2 颱風影響臺灣時間次數分配圖 ... 43

(8)

表 目 錄

表 2-1 水稻栽培階段 ... 10

表 2-2 2009 年至 2020 年天災致水稻災損統計表 ... 12

表 2-3 2009 年至 2018 年水稻逐年損失 ... 13

表 2-4 2009 年至 2018 年各颱風導致水稻損失表 ... 13

表 2-5 2009 年至 2018 年颱風導致之稻作產量損率 ... 17

表 2-6 2009 年至 2020 年兩期稻作災損統計表 ... 19

表 3-1 水稻災損模型變數整理. ………..22

表 3-2 變數說明 ... 23

表 3-3 侵臺颱風路徑說明 ... 27

表 3-4 2009 年至 2018 年各縣市稻作種植面積及產量排行 ... 33

表 4-1 災損模型各項變數之敘述統計表………. …..34

表 4-2 稻作主要產區產量損率敘述統計表 ... 35

表 4-3 稻作主要產區面積損率敘述統計表 ... 36

表 4-4 颱風侵襲稻作主要產區之最大瞬間風風速統計(縣市別) ... 37

表 4-5 颱風侵襲稻作主要產區之最大瞬間風風速統計(颱風別) ... 37

表 4-6 颱風侵襲稻作主要產區之單日最大累積雨量統計(縣市別) ... 38

表 4-7 颱風侵襲稻作主要產區之單日最大累積雨量統計(颱風別) ... 39

表 4-8 颱風侵襲稻作主要產區之總累積雨量統計(縣市別) ... 40

表 4-9 颱風侵襲稻作主要產區之總累積雨量統計(颱風別) ... 40

表 4-10 單日累積最大雨量超過門檻之比例 ... 42

表 4-11 各颱風影響臺灣時間統計 ... 43

表 4-12 水稻生產前六大縣市樣本個數及佔比 ... 44

表 4-13 各颱風路徑分類表 ... 44

表 4-14 颱風路徑個數統計 ... 45

表 4-15 氣象因素與水稻損率之相關係數統計 ... 46

表 4-16 時間因素與損率之相關係數統計 ... 46

表 4-17 縣市別與損率之相關係數統計 ... 47

表 4-18 颱風路徑別與損率之相關係數統計 ... 47

表 4-19 初始模型之實證結果 ... 48

表 4-20 加入氣象變數與抽穗期交乘項模型之實證結果 ... 50

表 4-21 加入單日雨量門檻值模型之實證結果 ... 52

表 5- 1 農作物颱風保單種類……… …..58

(9)

第一章 緒論

第一節 研究動機

稻米為臺灣人民的主食,作為臺灣主要的糧食作物,水稻是栽培面積最大的 單項作物,根據行政院農業委員會的統計資料及農委會農糧署臺閩地區農產品生 產量值表,於 2020 年水稻的總種植面積約為 26.3 萬公頃。另外,該年水稻的總 產量(近 140 萬公噸)與產值(約 388 億元新台幣)也在所有農產品中名列第一,由 此可知,水稻的經濟價值與地位對臺灣而言甚為重要。

而臺灣因地理位置位於西北太平洋且四面環海,經常會受到豪雨、颱風的侵 襲,近年來又因為氣候變遷的緣故,引發各種極端氣候,例如:乾旱、暴雨等,

發生氣象災害種類相當多,對於農業部門而言,常常會因此而造成嚴重的損失,

並直接影響到農民的生計。以水稻為例,2020 年災損產量為 7,621 公噸,而損失 總金額更是高達 1.7 億元左右。

藉由過往水稻歷史災損做進一步探討,可以發現在各項天然災害中,又屬颱 風最為嚴重,稻作因颱風侵襲而造成面積、產量及產值等各項損失皆高達七成五 左右。有鑑於此,為了有效評估颱風侵襲對水稻所帶來的風險,並找出颱風對臺 灣稻作災損的主要關鍵因子,建立水稻的颱風損失模型是有其必要性的。在探討 過往相關的文獻,可得知颱風造成稻作受損的主因為其所挾帶之強風及豪雨,惟 大部分文獻中之氣象變數只單純侷限於颱風的風速及雨量來進行分析,故本研究 欲將致災因子變數設計得較為多元,像是把「日雨量門檻值」、「稻作抽穗期是否 與颱風侵臺時間重疊」等變因納入模型中之氣象變數,透過建立門檻值以及與水 稻生長期結合的方式,可深入了解颱風氣象因素所帶來的影響。同時,本研究亦 將颱風之降雨量再區分成單日累積雨量及總累積雨量進行細部分析,以探討短時 間的強降雨及長時間的累積降雨各自對稻作的致災程度。另外,本研究將研究標

(10)

的限縮為全臺稻作主要產區的縣市,且層級細至鄉鎮市區別,使模型最終的結果 更具意義,較能反映臺灣稻作主要的災損概況。

而為了降低受災農民的經濟損失,政府亦推行了一系列的措施,依據《農 業 發 展 條 例 》第 60 條 第 2 項 授 權 訂 定 , 臺灣於 1991 年通過《農業天然災害 救助辦法》,明定農 業 生 產 因 天 然 災 害 受 損 , 政 府 得 辦 理 現 金 救 助 、 補 助 或 低 利 貸 款,以協助農民迅速恢復生產。但 近 年 由 於 於氣候變遷,天然災 害發生機率與規模逐年上升,使 農 業 天 災 損 失 日 益 嚴 重,據 行 政 院 農 委 會

( 2020)指 出,目前的政府現金救助已經無法填補農業損失的虧損,故為了解 決上述的困境,並協助農民分散經營風險,行政院農委會提出了農業保險政策,

於 2015 年起開始推動各項作物之農業保險,並訂定《農作物天然災害保險試辦 補助要點》,鼓勵農民投保農產業保險。接著在 2020 年 5 月 27 日,《農業保險 法》完成立法,使得農業保險制度更加完善,也奠定了日後農業保險運作的基礎。

其中,臺灣的水稻保險於 2017 年正式推行,屬於區域收穫型保險。而於 2022 年 政府更是推出了新制度,開辦政策型水稻收入保險。綜上,水稻保險制度目前已 實施五年,制度日益完善,但仍有部分改善空間。目前水稻保險尚未有針對颱風 災害所設計的保單,有鑑於臺灣稻作主要的損失係來自於颱風災害,且在查詢行 政院農委會及富邦產險之農作物保險資訊後,發現有許多農作物亦有專門針對颱 風災害所設計的保險,故本研究欲藉由水稻颱風損失模型的估計,並且參考國內 外文獻及市面上其他農作物颱風保險的形式,提出相關建議,以作為未來水稻颱 風保險發展之依據。

第二節 研究目的

基於上述之動機,本研究將整理中央氣象局颱風氣象資料以及行政院農委 會水稻種植資料及災損資料進行分析,以達到下列之研究目的:

(11)

一、以颱風事件統計資料以及水稻種植與災損資料,推估臺灣稻作主要產區之水 稻颱風損失函數,並探討颱風侵臺時,各項致災因子對稻作損失的相關性及 影響程度。

二、依據實證結果,找出颱風對稻作致災影響程度較大的因子,並針對於此提出 相關的防範措施。

三、藉由水稻颱風損失函數的推估,作為未來水稻颱風保險發展的參考依據,並 給予相關的建議。

第三節 研究架構

為滿足上述之研究動機與目的,本研究架構設計如下:

一、水稻生產現況及災損型態分析

透過歷年水稻的種植資料及損失資料,初步了解水稻的生長特性以及臺灣 稻作的生產及災損現況,並分析各項天然災害對水稻的影響程度,進而確立颱 風為主要探討之災害事件。

二、水稻致災因子分析

藉由過往的文獻,尋找並歸納出致使水稻受損的相關因素,在後續水稻損失 模型的建立時,即以此作為災損因子的參考來進行分析。

三、資料蒐集與整理

自行政院農委會的水稻災損資料當中,篩選出因颱風導致的損害統計資料,

並與中央氣象局之颱風事件統計資料合併。而後,為使分析結果更具代表性,本 研究再從中選擇臺灣稻作主要產區作為研究標的,且層級細至鄉鎮市區別。

(12)

四、研究模型設計

藉由文獻回顧,參考過去國內外研究當中損失函數的設計,從中找出適合的 研究方法,以建立水稻的颱風災損模型。

五、推估颱風災損因子對水稻的損害程度

根據災損模型的實證結果分析,探討各項災損變數對水稻的損害程度,以了 解颱風對臺灣稻作的影響,進而找出造成稻作受損的關鍵因子。

六、提出建議及相關措施

針對影響程度較為嚴重的致災因子提出可行的建議及相關的防範措施,並以 估算出的災損模型,作為未來水稻颱風保險制定的基礎。

(13)

確立研究動機與目的

過往文獻回顧

資料蒐集與整理

實證模型建立

實證結果分析

提出結論與建議

圖 1-1 研究流程圖 資料來源:本研究整理

(14)

第二章 臺灣水稻生產與災損概況及災損分析

本章將介紹臺灣水稻生產與災損概況,首先說明臺灣水稻生產現況及地理分 布,包含稻作種植面積、產量在縣市別與期作別的比較,以及近年來的變化趨勢,

並透過文獻的回顧了解水稻的生長特性以及受各氣候環境影響的概況。接著,探 討各項天然災害對臺灣稻作的影響程度,以了解造成稻作損害的主要天災為何,

並敘述臺灣水稻災損現況及地理分布。

第一節 臺灣水稻生產現況及地理分布

水稻為臺灣栽培面積最大的農作物,因此在全臺多個縣市皆可看見大片的稻 田,並且主要分布在地形以平原為主的中南部地區,如圖 2-1 所示,2009 年至 2020 年間,總種植面積最多的縣市為彰化縣,占了 18%,而居次的雲林縣亦有 17%,而後分別為嘉義縣(12%)、臺中市(10%)、臺南市(9%)以及花蓮縣

(6%)。而產量方面,由圖 2-2 可看出稻米生產前六大縣市與種植面積皆相同,

一樣是彰化縣(20%)、雲林縣(19%)、嘉義縣(12%)、臺中市(9%)、臺南 市(9%)和花蓮縣(5%)。其他像是宜蘭平原、東部縱谷平原等地勢較平緩的 地區亦為稻米的主要產區。

圖 2-1 2009 年至 2020 年各縣市稻作種植面積比例 資料來源:行政院農委會農糧署;本研究整理

彰化縣 18%

雲林縣 17%

嘉義縣 12%

臺中市 10%

臺南市 9%

花蓮縣 6%

其他 28%

各縣市稻作種植面積比例

彰化縣 雲林縣 嘉義縣 臺中市 臺南市 花蓮縣 其他

(15)

資料來源:行政院農委會農糧署;本研究整理

至於在兩期稻作方面,可以透過圖 2-3 以及圖 2-4 觀察到,在 2009 年至 2020 年間,一期稻作與二期稻作在總種植面積的比例大約是 6:4,總產量的部分,一 期稻作(66%)與二期稻作(34%)之間的差距則是有稍微擴大。而關於臺灣一 期稻作產量較二期作高的原因,主要是因為一期作的生育階段歷程較長,生質量 的累積自然也較多,有利於水稻的生長。另外,二期作因為種植時間在夏季,氣 溫相對較高,使得生育階段轉換加快,容易導致穀粒充實不足的情況發生,進而 造成稻作減產。(姚銘輝、陳守泓,2009)

彰化縣 20%

雲林縣 19%

嘉義縣 12%

臺中市 9%

臺南市 9%

花蓮縣 5%

其他 26%

各縣市稻作產量比例

彰化縣 雲林縣 嘉義縣 臺中市 臺南市 花蓮縣 其他

圖 2-2 2009 年至 2020 年各縣市稻作產量比例

(16)

圖 2-3 2009 年至 2020 年兩期稻作種植面積比例 資料來源:行政院農委會農糧署;本研究整理

圖 2-4 2009 年至 2020 年兩期稻作產量比例 資料來源:行政院農委會農糧署;本研究整理

接著,圖 2-5 與圖 2-6 顯示 2009 年至 2020 年間稻作種植面積與產量的趨 勢,可以看到這 12 年來,無論是種植面積還是產量皆很穩定,並有些微上升的 趨勢。值得注意的是,總種植面積的趨勢與一期作幾乎呈現一致,可以以此推測 臺灣水稻種植面積變化受一期稻作的影響較大。

(17)

單位:公頃

圖 2-5 2009 年至 2020 年稻作逐年種植面積趨勢圖 資料來源:行政院農委會農糧署;本研究整理

單位:公斤

圖 2-6 2009 年至 2020 年稻作逐年產量趨勢圖 資料來源:行政院農委會農糧署;本研究整理

第二節 水稻生長特性及影響因子

水稻是屬於禾本科(Gramineae or Poaceae)稻屬(Oryza)植物,好高溫多 雨氣候,適合於熱帶及亞熱帶地區生長。在臺灣因為氣侯條件良好、無霜期長,

0 50000 100000 150000 200000 250000 300000

98年 99年 100年 101年 102年 103年 104年 105年 106年 107年 108年 109年

稻作逐年種植面積趨勢圖

一期稻作 二期稻作 總和

0 500,000,000 1,000,000,000 1,500,000,000 2,000,000,000 2,500,000,000

98年 99年 100年 101年 102年 103年 104年 105年 106年 107年 108年 109年

稻作逐年產量趨勢圖

一期稻作 二期稻作 總和

(18)

且灌溉系統完善,使得水稻栽培可分為兩期(植物保護圖鑑系列 8-水稻保護,

2007)。其中,一期稻作大約在一、二月播種,抽穗期約為五月下旬,直到六月 下旬左右稻作成熟即可收穫。而二期稻作的生育階段則是在七月開始種植,至十 一月中旬左右收穫。

稻作的栽培過程,共有三個時期,依序分別為營養生長期、生殖生長期以及 成熟期,相關介紹如表 2-1:

表 2-1 水稻栽培階段

稻作生長狀態 歷時

營養生長期 發芽至幼穗分化 10 天至 60 天

生殖生長期 幼穗分化至開花 35 天至 45 天

成熟期 開花至穀粒完全成熟 30 天至 35 天 資料來源:農業兒童網(2021)

根據 Funaba et al. (1992)及 Welch et al. (2010)的研究,於生殖生長期中的抽 穗期這個階段,水稻面對豪雨及強風的易損性是最大的,因此若正好碰到颱風的 侵襲,往往會造成嚴重的損失。在臺灣,二期稻作的抽穗期即時常遇到颱風,也 正因為如此,二期稻作的災損往往會較一期來得多。

而水稻生長過程極易受到氣候環境的影響,溫度、雨量、風速、日射量、二 氧化碳濃度等眾多因素皆會左右稻作的發育及產量。以溫度來看,因其主要為控 制營養生長速率及發育階段的重要氣象因子,因此過高與過低皆不宜。張素貞、

賴巧娟(2020)提到氣溫過高(> 35°C)會導致穀粒充實不足,氣溫過低(< 15°C)

則會使得稻作的生長發育受到阻礙。

而關於雨量,根據農作物災害預警平台上水稻防災栽培曆中記載,颱風與梅 雨所帶來的強降雨(單日雨量 > 150mm)與連 續性降 雨(連 續 三 天 雨 量 >

(19)

200 mm)會造成植株倒伏、穗上發芽、空殼等情形發生,使水稻產量減少。侯 雅玲(2017)亦說明,若大量降雨致使稻田淹水,水稻在泡水的環境下會因為無 法有效地進行氣體交換而缺氧,會使得葉片黃化,最嚴重可能會有壞死的情況發 生。

風速方面,於水稻防災栽培曆中顯示當強風風速大於每秒 9 公尺,會導致秧 苗枯死、葉片破損、黃化。除此之外,強風可能會傳播汙染物質,影響稻作的生 長,病蟲害發生的機率也會大大提升。(植物保護圖鑑系列 8-水稻保護,2007)。

而在日射量與二氧化碳濃度的部分,姚銘輝、陳守泓(2009)提到這兩項氣 候因子皆與稻作產量成正比關係,因為日射量增加會使得生質量累積越多,而二 氧化碳濃度上升則會讓水稻輻射利用效率提高,並減少蒸發散量,對水稻生長發 育有所幫助。

第三節 臺灣水稻受天然災害影響概況

前一章已大略提及颱風為造成稻作受損的主要天災,本節將更完整地介紹臺 灣水稻受天然災害影響概況。下表 2-2 為 2009 年至 2020 年天災導致水稻損害統 計,其中災害種類包含颱風、豪雨、低溫寒害、熱帶低壓水災、乾旱、龍捲風以 及地震,可以明顯看出在被害面積、損失面積、損害產量與損失金額這四項災損 指標上,颱風皆遠大於其他天然災害。而圖 2-7 則為 2009 年至 2020 年天災致水 稻災損比例,無論是被害面積、損失面積、損害產量或是損失金額,颱風占比皆 高達 75%左右,相較之下,造成稻作災損次高的豪雨占比則僅僅不到 20%,第 三名的寒害更是低至 7%而已。藉由這兩張圖表的資訊,顯示颱風對臺灣稻作具 有很大的破壞性。

(20)

表 2-2 2009 年至 2020 年天災致水稻災損統計表

天然災害 被害面積

(公頃)

損失面積

(公頃)

損害產量

(公斤)

損失金額

(元)

颱風 208,321 52,685 317,871,953 6,617,101,040 豪雨 55,611 10,971 73,735,054 1,511,399,719 低溫寒害 15,959 4,785 35,214,922 666,780,937 熱帶低壓水災 1,568 348 2,232,358 49,081,677 乾旱 543 145 780,895 17,964,210

龍捲風 10 1 6,000 120,000

地震 6 1 4,667 81,730

資料來源:行政院農委會農糧署;本研究整理

圖 2-7 2009 年至 2020 年天災致水稻災損比例

豪雨

20% 熱帶低 壓水災

0%

低溫寒 6%

乾旱 颱風 0%

74%

地震 0%

龍捲風 0%

被害面積

豪雨

16% 熱帶低 壓水災

1%

低溫寒 7%

乾旱 0%

颱風 76%

地震 0%

龍捲風 0%

損失面積

豪雨

17% 熱帶低 壓水災

1%

低溫寒 8%

乾旱 0%

颱風 74%

地震 龍捲風 0%

0%

損害產量

豪雨

17% 熱帶低 壓水災

1%

低溫寒 7%

乾旱 颱風 0%

75%

地震 0%

龍捲風 0%

損失金額

(21)

資料來源:行政院農委會農糧署;本研究整理

第四節 臺灣水稻災損現況及地理分布

介紹完臺灣水稻的生產現況,接著來分析稻作的災損情況。表 2-3 為 2009 年至 2018 年水稻逐年的損失,其中以 2009 年、2015 年以及 2016 年的災損較為 嚴重,主要原因如表 2-4 所示,在這三個年分水稻因颱風侵襲遭受的損失皆遠大 於其他年分,而這也呼應了本章第一節所提到颱風為造成水稻受損最嚴重的氣象 災害之敘述,亦表示整年度水稻的損失多寡端看該年颱風致災的情況。另外,歷 年來導致稻作受損的各個颱風之中,前三嚴重也正好是這三年所發生的,分別為 2016 年的梅姬颱風、2015 年的杜鵑颱風與 2009 年的莫拉克颱風。

表 2-3 2009 年至 2018 年水稻逐年損失

年分 被害面積

(公頃)

損失面積

(公頃)

損害數目

(公斤)

損害金額

(元)

2009 42,533 10,143 56,993,376 1,071,100,479 2010 20,842 5,347 33,087,814 539,284,386 2011 7,617 1,738 9,286,005 207,479,435 2012 19,707 3,593 23,598,816 451,657,145 2013 21,585 5,518 34,241,638 735,507,722 2014 1,887 192 1,460,840 33,839,337 2015 51,459 13,816 83,546,996 1,853,486,229 2016 74,169 20,571 127,605,014 2,858,527,778 2017 11,009 2,716 19,907,942 448,948,693 2018 4,488 924 6,124,819 136,914,499 資料來源:行政院農委會農糧署;本研究整理

表 2-4 2009 年至 2018 年各颱風導致水稻損失表 年分 颱風名稱 被害面積

(公頃)

損失面積 (公頃)

損害數目 (公斤)

損失金額 (元) 2009 蓮花 408 46 284,823 5,686,933

(22)

莫拉克 34,703 7,164 40,752,014 708,462,209 芭瑪 594 119 659,950 14,151,790 總計 35,705 7,330 41,696,787 728,300,932

2010

莫蘭蒂 100 10 43,000 860,000 凡那比 19,387 5,081 31,555,181 509,149,942 梅姬 681 158 779,988 16,568,646 總計 20,168 5,249 32,378,169 526,578,588

2011

米雷 180 20 140,700 2,543,580 南瑪都 245 53 226,235 4,042,772

總計 425 73 366,935 6,586,352

2012

6 月豪雨及

泰利 16,953 3,204 20,963,842 398,723,211 蘇拉 1,120 119 941,719 20,004,583 天秤 296 125 609,810 13,110,230 總計 18,369 3,448 22,515,371 431,838,024

2013

蘇力 4,106 1,277 7,635,708 173,770,452 潭美及康芮 9,102 2,030 11,993,489 248,067,435 天兔 190 17 103,575 2,428,655 總計 13,398 3,324 19,732,772 424,266,542

2014

哈吉貝 152 24 129,007 3,354,801 麥德姆 214 47 460,643 11,767,483 鳳凰 64 9 54,537 1,217,534

總計 430 80 644,187 16,339,818

2015

昌鴻 11 1 3,418 76,368 蘇迪勒 8,284 1,727 11,349,406 267,915,282 杜鵑 41,003 11,701 69,237,610 1,532,290,650 總計 49,298 13,429 80,590,434 1,800,282,300

2016

尼伯特 188 44 381,600 9,714,692 莫蘭蒂 432 92 534,915 12,338,682 梅姬 69,463 19,545 118,604,817 2,650,765,277 總計 70,083 19,680 119,521,332 2,672,818,651 2017 尼莎暨海棠 348 53 315,030 7,491,889

總計 348 53 315,030 7,491,889

2018 瑪莉亞 75 16 90,311 2,107,301

總計 75 16 90,311 2,107,301

資料來源:行政院農委會農糧署;本研究整理

註 1:2012 年泰利颱風發生於梅雨期間,故將該颱風所致之水稻災損與豪雨致災合併計算。

(23)

註 2:2013 年潭美及康芮颱風、2017 年尼莎暨海棠因兩個颱風發生期間相近,故分別將其所致 之水稻災損合併計算。

而地理分布分面,圖 2-8 為 2009 年至 2018 年颱風導致各縣市稻作災損比 較,可以看出無論是損失面積、損害產量或是損失金額,前五多的縣市皆是嘉義 縣、彰化縣、臺南市、雲林縣和臺中市,顯示水稻在臺灣中南部區域的災損較為 嚴重,經濟影響較大。

單位:公頃、公斤、千元

0 2,000 4,000 6,000 8,000 10,000 12,000 14,000 16,000

損失面積

0 10,000,000 20,000,000 30,000,000 40,000,000 50,000,000 60,000,000 70,000,000 80,000,000 90,000,000

損害產量

(24)

圖 2-8 2009 年至 2018 年颱風導致各縣市稻作災損 資料來源:行政院農委會農糧署;本研究整理

而接著進一步,本研究將損失面積及損害數目與總種植面積及總產量做對比,

探討颱風對水稻的破壞強度,以了解歷年各颱風致水稻受損以及全臺各地稻作產 區之損失比率概況。表 2-5 顯示 2009 年至 2018 年間,各颱風導致之稻作產量損 率,可知過去造成稻米災損最多的三個颱風事件:2016 年的梅姬颱風、2015 年 的杜鵑颱風與 2009 年的莫拉克颱風,無論是面積損率或是產量損率皆在 2.5%以 上,對比其餘颱風損率大多不足 1%,其破壞力可說是相當驚人。另外,圖 2-9 與圖 2-10 為 2009 年至 2018 年間,各鄉鎮市區受到颱風侵襲的面積損率與產量 損率之比較,顏色越深的地區表示損失比率越高,可以發現中南部的面積損率與 產量損率皆較高,顯示當颱風來襲時,相較於其他區域,中南部受颱風影響的破 壞強度較大。

0 200,000 400,000 600,000 800,000 1,000,000 1,200,000 1,400,000 1,600,000 1,800,000 2,000,000

損失金額

(25)

表 2-5 2009 年至 2018 年颱風導致之稻作產量損率

年分 颱風名稱 面積損率 產量損率

2009

蓮花 0.02% 0.02%

莫拉克 2.80% 2.52%

芭瑪 0.05% 0.04%

總計 2.87% 2.57%

2010

莫蘭蒂 0.00% 0.00%

凡那比 2.08% 2.13%

梅姬 0.06% 0.05%

總計 2.15% 2.18%

2011

米雷 0.01% 0.01%

南瑪都 0.02% 0.01%

總計 0.03% 0.02%

2012

6 月豪雨及泰利 1.23% 1.22%

蘇拉 0.05% 0.06%

天秤 0.05% 0.04%

總計 1.32% 1.31%

2013

蘇力 0.47% 0.48%

潭美及康芮 0.75% 0.75%

天兔 0.01% 0.01%

總計 1.23% 1.23%

2014

哈吉貝 0.01% 0.01%

麥德姆 0.02% 0.03%

鳳凰 0.00% 0.00%

總計 0.03% 0.04%

2015

昌鴻 0.00% 0.00%

蘇迪勒 0.69% 0.71%

杜鵑 4.65% 4.19%

總計 5.33% 4.85%

2016

尼伯特 0.02% 0.02%

莫蘭蒂 0.03% 0.03%

梅姬 7.14% 6.95%

總計 7.19% 7.00%

2017 尼莎暨海棠 0.02% 0.02%

總計 0.02% 0.02%

2018 瑪莉亞 0.01% 0.00%

總計 0.01% 0.00%

(26)

資料來源:行政院農委會農糧署;本研究整理

圖 2-9 2009 年至 2018 年颱風導致各鄉鎮市區稻作面積損率概況 資料來源:行政院農委會農糧署;本研究整理

圖 2-10

2009 年至 2018 年颱風導致各鄉鎮市區稻作產量損率概況 資料來源:行政院農委會農糧署;本研究整理

(27)

接著,在兩期稻作的災損比較上,由表 2-6 顯示,二期稻作的災損遠遠大於 一期稻作,而造成此現象主要是因為,二期稻作的生長期在 7 月至 11 月,與颱 風好發季節重疊,因此較容易受到颱風的侵襲而造成嚴重的損失。

表 2-6 2009 年至 2020 年兩期稻作災損統計表 稻作期數 影響面積

(公頃)

損失面積 (公頃)

損害數目 (公斤)

損害金額 (元) 一期水稻 22,338 4,699 29,933,671 601,666,427 二期水稻 185,961 47,982 287,917,657 6,014,943,970 資料來源:行政院農委會農糧署;本研究整理

(28)

第三章 實證模型與資料處理

本章首先透過水稻颱風損失函數以及災損模型評估之文獻回顧,找出稻作受 颱風侵襲可能的致災因素,了解過往建立作物災損模型常用的評估方法,進而確 立本研究所要使用的變數及模型,同時,根據模型中的變數蒐集相關的氣象統計 資料與水稻災損資料,並進行資料篩選。

第一節 水稻颱風損失函數之文獻回顧

在所有天然災害中,颱風造成水稻災損的程度最為嚴重,受損產量及損失金 額皆高達 75%左右,為了可以更有效地評估颱風侵襲對稻作所帶來的衝擊,國 內外學者紛紛投入水稻之颱風易損性函數的研究,透過建立損失函數模型,推估 出颱風的氣象損害因子(累積雨量、最大風速等)、路徑、生成時間、影響天數 等等對水稻的影響,可藉此降低水稻損失,提高產能。而有些研究更是結合未來 氣候情境模擬,預測未來稻作可能災損的情況,並可以此作為基礎來制定及規劃 防災的決策與措施。

當颱風侵臺時,其所挾帶的強風及豪雨是造成稻作受損最直接的致災因素,

故過往文獻建立水稻颱風損失函數時,常常會將這兩項氣象變數納入分析,例如:

朱蘭芬、陳吉仲與陳星瑞(2007)以臺灣各地區颱風所造成之稻米單位面積損失 產量作為被解釋變數,解釋變數則為颱風所挾帶之瞬間最大風速和累積雨量,利 用最小平方法、Tobit 模型以及 Truncated 模型來估計稻米的損失函數。研究結果 可以發現,颱風之瞬間最大風速對稻作的災損會比累積雨量所造成的損失還大,

另外就全臺灣各區域的影響,最大風速對稻米的災損以中南部區域的影響較為顯 著,而累積雨量則是對東部的影響較大。潘以甜(2017)亦曾針對臺灣稻作主要 產區且受災次數較高的地區:雲林、嘉義以及臺南,先以各鄉鎮市區因豪雨及颱 風而造成水稻災損的資料與累積降雨及最大平均風速等氣象因子資料建 立水稻 的損失函數,再利用未來氣候情境模擬模式,推估未來水稻的損失比率。徐永衡

(29)

等(2015)將颱風災害各縣市水稻被害程度(%)設為模式輸出層的依變數,而 模式中輸入層的自變數則有包含近中心最大風速、各縣市平均日累積雨量等六種 變數,利用類神經網路(artificial neural network, ANN)建立經驗模式,並結合臺 灣氣候變遷推估資訊與調適知識平台計畫(The Taiwan Climate Change Projection Information and Adaptation Knowledge Platform, TCCIP)所模擬之未來颱風情境,

進行未來颱風事件水稻損失風險評估。在中國方面,婁偉平、吳利紅與 姚益平

(2010)建立浙江省杭州市余杭區之稻作暴雨災害減產率模型,以此作為水稻保 險的氣象理賠指數設計之參考,改善中國傳統農業保險存在基差風險的問題,其 中,模型中所設定的參數包含降水量、最大風速。

而颱風造成稻作損害亦受其他相關因素所影響,例如上述所提到徐永衡等人

(2015)的研究,其模式輸入層中的自變數亦包含份、地區別、侵臺路徑分類與 颱風影響臺灣天數等變因。另外,亦有學者將水稻的生長特性納入颱風損失模型 之中,Masutomi et al. (2012)即使用颱風最大風速觀測日期與稻米抽穗期間隔時 間以及颱風強度(颱風最大風速、累積雨量)作為參數,建立日本稻米颱風易損 性函數,以估計稻作的災損面積。之後,Blanc & Strobl (2016)更以上述研究作為 參考,並另外使用地表水源指數以及標準化植被指數來監測稻田的生長階段,建 立菲律賓稻米颱風易損性函數,以評估颱風對菲律賓各區域稻作生產可能造成的 影響。也有不少模型將地形因素納入考量,像是上述婁偉平等人(2010)所建立 之稻作暴雨災害減產率模型,其模型參數除了風速及雨量外,亦使用地形與抗洪 能力作為分析變數。

綜上所述,可將過去關於水稻之颱風易損性函數的國內外文獻中用於分析 災損的相關變數,整理成以下幾個方向,並以此作為後續研究模型變數設定之 參考。

(30)

表 3-1 水稻災損模型變數整理

類別 相關變數

氣象因素 風速(瞬間最大風速、最大平均風速)、雨量(累積雨量、

平均日累積雨量)

時間因素 颱風影響臺灣天數、颱風最大風速觀測日期與稻米抽穗期間 隔時間、颱風生成時間

地理因素 侵臺路徑、地區別、地表水源指數以及標準化植被指數、抗 洪能力

資料來源:本研究整理

另外,在災損模型的建立上,除了水稻外,近年來由於氣候變遷,使得其 他農作物生產亦面臨巨大的威脅,為了能更有效地評估災損,不少學者紛紛針 對各項農作物建立災害損失模型。例如,丘媚萍(2011)曾蒐集 1946 年至 2009 年臺灣 12 個縣市之農業氣象災害損失面積資料與氣象資料,以最小平方法迴 歸模型估計各項天然災害對農業災害損失面積的影響,了解氣候變遷對於農業 部門的衝擊。陳慈慧(2020)針對臺灣香蕉主要產區,蒐集 1997 年至 2017 年 香蕉產量及氣象資料,並採用固定效果模型評估產出模型,分析各項氣象因子 與香蕉產出的關係。簡榮成(2021)蒐集 1989 年至 2018 年臺南、高雄及屏東 的芒果災損資料以及氣象資料,使用隨機效果模型推估出芒果之損失函數,以 研究各項氣候因素對於芒果產量的影響。

由此可知,過往文獻在農作物災損的評估上,多使用迴歸模型進行分析,

而在水稻方面,本節第二段曾提及朱蘭芬等人(2007)的研究亦使用迴歸模型 建立臺灣各地區之水稻颱風損失函數。故本研究將以此為依據,作為後續實證 模型之研究方法。

(31)

第二節 實證模型與變數設定

此節將介紹本研究之實證模型所設定的變數(如表 3-2),並說明各個變數的 意義及相關事項。

表 3-2 變數說明

變數名稱 變數意義 單位

被解釋變數

PLR 產量損率

ALR 面積損率

解釋變數 氣象因素

WIND 最大瞬間風風速 公尺/秒

PPD 單日最大累積雨量 毫米

SUMPP 總累積雨量 毫米

WIND × HEADING 最大瞬間風風速 × 抽穗期 PPD × HEADING 單日最大累積雨量 × 抽穗期 SUMPP × HEADING 總累積雨量 × 抽穗期

PPD × PPD TH 單日最大累積雨量 × 門檻值 時間因素

TIME 颱風影響時間 小時

縣市別

CHW 彰化縣

YUN 雲林縣

CYI 嘉義縣

TXG 臺中市

TNN 臺南市

颱風路徑別

PATH2 第二類

PATH3 第三類

PATH4 第四類

PATH5 第五類

PATH9 第九類

PATH10 其他類

資料來源:本研究整理

(32)

一、被解釋變數

為了更精準地探討災損情況,本研究採用「損率」而非「損量」來表示水稻 的損失,以避免外在因素的干擾,例如:損失面積多僅僅是因為種植面積大而已,

而非受到研究模型中解釋變數的影響。除此之外,於 2022 年新上路的水稻收入 保險制度,其理賠的條件為減產超過 20%(即各鄉鎮市區每公頃實際產量低於 八成基準產量),亦是使用損率的概念(行政院農金局,2022)。因此,本研究選 擇「產量損率」以及「面積損率」作為研究模型的被解釋變數,以下將進一步做 介紹。

(一)產量損率(PLR)

指水稻因颱風所致之損害產量與總產量之比例。本研究先篩選出全臺稻作種 植面積與產量前六多的縣市,並將其各鄉鎮市區的稻作颱風損害數量與總產量相 除後,即得出各地區於各颱風事件中水稻的產量損率。

(二)面積損率(ALR)

指水稻因颱風所致之損失面積與種植面積之比例。本研究先篩選出全臺稻作 種植面積與產量前六多的縣市,並將其各鄉鎮市區的稻作颱風損失面積與種植面 積資料相除後,即得出各地區於各颱風事件中水稻的面積損率。

二、解釋變數

透過過往的文獻,了解到強風及豪雨為颱風主要的致災因子,而其中降雨的 部分,在過去的文獻(丘媚萍,2011)可以得知短時間的強降雨與長時間的連續 性降雨對農作物有不同的影響,宜將兩者分開來做更細部的探討,因此本研究採 用最大瞬間風風速、單日最大累積雨量(短時間強降雨)、總累積雨量(長時間 連續性降雨)以作為水稻颱風損失模型的氣象因子變數,來分析各項氣象因子對 水稻的損害是否顯著。

(33)

而前面文獻回顧中也提到,水稻在發育階段的抽穗期最不易抵抗強風及豪雨,

故本研究將稻作在抽穗期階段時是否與颱風侵襲時間重疊納入考量,了解水稻在 抽穗期時的易損程度,同時,為了更清楚得知於抽穗期時受風和雨影響與災損之 間的關聯性,因此特別將上述所提到的三項氣象因子變數各自與抽穗期的交乘項 放入模型解釋變數之中。

此外,張素貞、賴巧娟(2020)與農作物災害預警平台上水稻防災栽培曆中 皆提到單日累積雨量超過 150 毫米即達到稻作雨害預警條件,需特別注意並加以 防範,因此本研究將單日累積雨量 150 毫米設定為門檻值,以了解單日累積雨量 之門檻對水稻損率的影響,並驗證此門檻的有效性。

另外,本研究亦參考徐永衡(2015)之模型,將颱風的影響時間及路徑納入 本研究之解釋變數,以探討颱風特性對水稻損失的影響。另外,由於各地區的抗 洪能力不一,本研究亦加入了縣市別這項變因,以分析不同縣市受颱風侵襲而造 成水稻災損的差異。針對研究模型中的各項解釋變數,以下將進一步做介紹。

(一)氣象因素

1. WIND(最大瞬間風風速)

指颱風事件中各鄉鎮市區之最大瞬間風風速。最大瞬間風風速,意即最大陣 風風速,指的是在特定期間內所測得的陣風風速之最大值。

2. PPD(單日最大累積雨量)

指颱風事件中各鄉鎮市區之單日最大累積雨量。單日最大累積雨量,為颱風 發生起始至結束,連續 24 小時降雨所累積的雨量總和之最大值。

3. SUMPP(總累積雨量)

指颱風事件中各鄉鎮市區之總累積雨量。總累積雨量,為颱風期間內全部累 積的雨量總和。

(34)

4. WIND × HEADING(最大瞬間風風速 × 抽穗期)、PPD × HEADING(單日最 大累積雨量 × 抽穗期)、SUMPP × HEADING(總累積雨量 × 抽穗期)

指各項氣象變數與抽穗期之交乘項。其中,抽穗期這項變數用於表示水稻於 抽穗期階段時是否碰上颱風,並將其設為虛擬變數,若稻作抽穗期與颱風侵襲時 間重疊設為 1,反之則為 0。而關於判定方法,本研究以臺灣主要稻米生產種類

-臺南 11 號的生育日數(一期稻作約 121 天、二期稻作約 110 天)(稻米主題 館,2011),對應至各鄉鎮市區水稻的插植日期,推估出該地區稻作大概的抽穗 期階段,再與各颱風的侵臺影響日期進行對照。

5. PPD × PPD TH(單日最大累積雨量 × 門檻值)

指單日最大累積雨量與日雨量災害預警門檻值之交乘項。其中,PPD TH 這 項變數用於表示該鄉鎮市區於颱風事件下的單日累積最大雨量是否有超 過門檻 值 150 毫米,並將其設為虛擬變數,若單日最大的降雨量大於 150 毫米就設為 1,反之則為 0。

(二)時間因素

1. TIME(颱風影響時間)

指颱風事件影響臺灣的時間。本研究係根據中央氣象局颱風資料庫中,各個 颱風海上警報發布的時間與海上警報解除的時間之間隔,作為該颱風的影響時間。

(三)縣市別

本研究以稻作種植面積與產量為基準篩選出六個縣市,並花蓮縣作為對照組,

將縣市設為虛擬變數,分別為 CHW(彰化縣)、YUN(雲林縣)、CYI(嘉義縣)、 TXG(臺中市)與 TNN(臺南市)。

(35)

(四)颱風路徑別

指颱風的路徑差異,本研究按照中央氣象局的路徑分類,將各個颱風的路徑 區分成十類,並將其設為虛擬變數,以第七類路徑作為對照組。下表 3-3 與圖 3- 1 為各個路徑的走向及相關說明。

表 3-3 侵臺颱風路徑說明

侵臺路徑分類 說明

第一類 通過臺灣北部海面向西或西北進行者

第二類 通過臺灣北部向西或西北進行者

第三類 通過臺灣中部向西或西北進行者

第四類 通過臺灣南部向西或西北進行者

第五類 通過臺灣南部海面向西或西北進行者

第六類 沿臺灣東岸或東部海面北上者

第七類 沿臺灣西岸或臺灣海峽北上者

第八類 通過臺灣南部海面向東或東北進行者

第九類 通過臺灣南部向東或東北進行者

其他類 無法歸於以上的特殊路徑

資料來源:中央氣象局(2021)

圖 3- 1 侵臺颱風路徑走向 資料來源:中央氣象局(2021)

(36)

接著由前面小節所介紹的變數,建立實證模型之模型函數式,本研究將以迴 歸模型進行颱風對水稻之災損分析,並以最小平方法估計參數。由於單日最大累 積雨量與總累積雨量的相關性極高,因此在後續實證分析中,會將這兩項代表降 雨量的變數分開來探討。首先,本研究在氣象變數上,先不納入與抽穗期、門檻 值的交乘項,單純用最大瞬間風風速、單日最大累積雨量以及總累積雨量進行分 析,如(1)、(2)、(3)、(4)式,其中(1)與(3)兩式雨量的代表變數為單日 最大累積降雨量,而(2)、(4)兩式則為總累積雨量。

一、初始模型:

(一)產量損率

𝑃𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻) (1)

𝑃𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑆𝑈𝑀𝑃𝑃, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻) (2)

(二)面積損率

𝐴𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻) (3)

𝐴𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑆𝑈𝑀𝑃𝑃, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻) (4)

其中,(1)、(2)、(3)、(4)式變數意義如下 PLR:產量損率。

ALR:面積損率。

WIND:最大瞬間風風速(公尺/秒)。 PPD:單日最大累積雨量(毫米)。 SUMPP:總累積雨量(毫米)。 TIME:颱風影響時間(小時)。

(37)

COUNTY:用以判別縣市別之虛擬變數,包含 CHW(彰化縣)、YUN(雲 林縣)、CYI(嘉義縣)、TXG(臺中市)、TNN(臺南市)。

PATH:用以判別侵臺颱風路徑別之虛擬變數,包含 PATH2(第二類)、PATH3

(第三類)、PATH4(第四類)、PATH5(第五類)、PATH9(第九類)、PATH10

(其他類)。

接著,本研究在初始模型當中加入最大瞬間風風速、單日最大累積雨量與總 累積雨量三項氣象變數與用以表示稻作抽穗期是否與颱風侵襲時間重疊 之虛擬 變數的交乘項。函數形式如下列(5)、(6)、(7)、(8)式,其中(5)、(7)兩式 雨量的代表變數為單日最大累積降雨量,而(6)、(8)兩式則為總累積雨量。

二、加入氣象變數與抽穗期交乘項之模型

(一)產量損率

𝑃𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑊𝐼𝑁𝐷 ×

𝐻𝐸𝐴𝐷𝐼𝑁𝐺, 𝑃𝑃𝐷 × 𝐻𝐸𝐴𝐷𝐼𝑁𝐺) (5)

𝑃𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, S𝑈𝑀𝑃𝑃, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑊𝐼𝑁𝐷 ×

𝐻𝐸𝐴𝐷𝐼𝑁𝐺, 𝑆𝑈𝑀𝑃𝑃 × 𝐻𝐸𝐴𝐷𝐼𝑁𝐺) (6)

(二)面積損率

𝐴𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑊𝐼𝑁𝐷 ×

𝐻𝐸𝐴𝐷𝐼𝑁𝐺, 𝑃𝑃𝐷 × 𝐻𝐸𝐴𝐷𝐼𝑁𝐺) (7)

𝐴𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, S𝑈𝑀𝑃𝑃, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑊𝐼𝑁𝐷 ×

𝐻𝐸𝐴𝐷𝐼𝑁𝐺, 𝑆𝑈𝑀𝑃𝑃 × 𝐻𝐸𝐴𝐷𝐼𝑁𝐺) (8)

其中,(5)、(6)、(7)、(8)式新增變數意義如下

HEADING:水稻抽穗期是否與颱風侵襲時間重疊之虛擬變數。

(38)

WIND × HEADING:最大瞬間風風速及水稻抽穗期是否與颱風侵襲時間 重 疊之虛擬變數之交乘項。

PPD × HEADING:單日最大累積雨量及水稻抽穗期是否與颱風侵襲時間重 疊之虛擬變數之交乘項。

SUMPP × HEADING:總累積雨量及水稻抽穗期是否與颱風侵襲時間重疊之 虛擬變數之交乘項。

最後,本研究在初始模型當中加入單日雨量門檻值。函數形式如下列(9)、

(10)式。

三、加入單日最大累積雨量門檻值之模型

(一)產量損率

𝑃𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑃𝑃𝐷 × 𝑃𝑃𝐷 𝑇𝐻) (9)

(二)面積損率

𝐴𝐿𝑅 = 𝐹(𝑊𝐼𝑁𝐷, 𝑃𝑃𝐷, 𝑇𝐼𝑀𝐸, 𝐶𝑂𝑈𝑁𝑇𝑌, 𝑃𝐴𝑇𝐻, 𝑃𝑃𝐷 × 𝑃𝑃𝐷 𝑇𝐻) (10)

其中,(9)、(10)式新增變數意義如下

PPD TH:單日累積雨量門檻值之虛擬變數。

PPD × PPD TH:單日最大累積雨量與單日累積雨量門檻值之虛擬變數。

本研究使用迴歸模型進行災損分析,並以最小平方估法估計模型參數,故將 上述函數(1)至(10)改寫成下列迴歸式(11)至(20)式:

(39)

一、初始模型

𝑃𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝜀𝑖 (11)

𝑃𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑆𝑈𝑀𝑃𝑃𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝜀𝑖 (12)

𝐴𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝜀𝑖 (13)

𝐴𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑆𝑈𝑀𝑃𝑃𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝜀𝑖 (14)

二、加入氣象變數與抽穗期交乘項之模型

𝑃𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖 + 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝛽6𝑊𝐼𝑁𝐷𝑖× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+ 𝛽7𝑃𝑃𝐷𝑖

× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+𝜀𝑖 (15)

𝑃𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑆𝑈𝑀𝑃𝑃𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖 + 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝛽6𝑊𝐼𝑁𝐷𝑖× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+ 𝛽7𝑆𝑈𝑀𝑃𝑃𝑖

× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+𝜀𝑖 (16)

𝐴𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖 + 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝛽6𝑊𝐼𝑁𝐷𝑖× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+ 𝛽7𝑃𝑃𝐷𝑖

× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+𝜀𝑖 (17)

(40)

𝐴𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑆𝑈𝑀𝑃𝑃𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖 + 𝛽5𝑃𝐴𝑇𝐻𝑖+ 𝛽6𝑊𝐼𝑁𝐷𝑖× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+ 𝛽7𝑆𝑈𝑀𝑃𝑃𝑖

× 𝐻𝐸𝐴𝐷𝐼𝑁𝐺𝑖+𝜀𝑖 (18)

三、加入單日最大累積雨量門檻值之模型

𝑃𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ +𝛽6𝑃𝑃𝐷𝑖× 𝑃𝑃𝐷 𝑇𝐻𝑖+𝜀𝑖 (19)

𝐴𝐿𝑅𝑖 = 𝛽0+ 𝛽1𝑊𝐼𝑁𝐷𝑖+ 𝛽2𝑃𝑃𝐷𝑖+ 𝛽3𝑇𝐼𝑀𝐸𝑖+ 𝛽4𝐶𝑂𝑈𝑁𝑇𝑌𝑖

+ 𝛽5𝑃𝐴𝑇𝐻𝑖+ +𝛽6𝑃𝑃𝐷𝑖× 𝑃𝑃𝐷 𝑇𝐻𝑖+𝜀𝑖 (20)

第三節 資料來源與處理

為了分析颱風對水稻災損的影響,本研究自行政院農委會農糧署之農情報 告資源網上蒐集了 2009 年至 2018 年水稻生產資料,包含兩期稻作各年各鄉鎮 市區的種植面積以及總產量。另外,水稻颱風災損資料及插植日期係由行政院 農委會所提供,其中水稻颱風災損資料包括 2009 年至 2018 年間各侵臺颱風造 成各鄉鎮市區水稻之被害面積(稻作實際遭受災害之面積)、損害程度(稻作遭 受災害之嚴重程度)、換算損失面積(被害面積乘上損害程度換算得之無收穫面 積)以及損害產量與估計損失金額。

關於氣象資料的部分,藉由稻作生產分布及海拔高度的關係,本研究先從中 央氣象局目前所有測站(人工站共 33 個,自動站共 581 個)中篩選出海拔高度 小於 500 公尺的測站,而後整理 2009 年至 2018 年間各侵臺颱風事件在各測站之 氣象資料,並利用克利金法內插得出各個鄉鎮市區在颱風事件中之最大瞬間風風 速、單日最大累積雨量以及總累積雨量以作為氣象參數。另外,本研究亦於氣象

(41)

局颱風資料庫上整理各颱風對臺灣的影響時間與侵臺路徑。

而為了更能有效地探討水稻的災損,且使研究結果較具意義,因此本研究特 別選擇稻作種植面積與產量較多的縣市作為研究對象,且層級細至鄉鎮市區別,

來針對臺灣水稻的主要產區進行分析。表 3-4 為 2009 年至 2018 年全臺各縣市稻 作種植面積及產量排行,本研究從中挑選這兩項的前六名為分析標的,分別為彰 化縣、雲林縣、嘉義縣、臺中市、臺南市與花蓮縣,這六個縣市的種植面積及產 量即占全臺加總的七成以上。另外,在颱風部分,潭美及康芮、尼莎及海棠這兩 組颱風因為侵臺時間接近,稻米災損資料因而合併計算,使得氣象資料與災損資 料在配對上較為不精確,故這兩組颱風不納入本研究之分析。在經過篩選後,於 本研究中颱風事件總共為 18 個,鄉鎮市區為 119 個,總樣本數則為 626 筆。

表 3-4 2009 年至 2018 年各縣市稻作種植面積及產量排行

縣市 種植面積 縣市 產量

彰化縣 572,649 彰化縣 3,903,351,198 雲林縣 526,896 雲林縣 3,777,116,925 嘉義縣 373,607 嘉義縣 2,410,952,899 臺中市 313,212 臺中市 1,886,215,508 臺南市 276,904 臺南市 1,795,954,907 花蓮縣 206,012 花蓮縣 1,070,979,868 桃園市 160,817 臺東縣 862,350,993 臺東縣 151,753 桃園市 820,827,957 苗栗縣 128,109 宜蘭縣 806,648,189 宜蘭縣 126,846 苗栗縣 740,696,649 新竹縣 87,478 屏東縣 558,209,370 屏東縣 81,099 新竹縣 482,757,762 高雄市 60,396 高雄市 418,092,353 南投縣 56,709 南投縣 382,583,424 嘉義市 17,031 嘉義市 107,841,196

新竹市 13,485 新竹市 74,188,016

臺北市 5,798 臺北市 23,607,145

新北市 1,983 新北市 10,375,025

資料來源:行政院農委會農糧署;本研究整理

(42)

第四章 實證分析結果

本章節首先就模型中的被解釋變數及解釋變數進行敘述性統計,接著進行 相關性分析以了解被解釋變數與解釋變數之間的關係,最後使用最小平方估計 迴歸模型進行分析,透過迴歸的結果以了解各項解釋變數對損率的影響。

第一節 敘述統計分析

本節呈現 2009 年至 2018 年間,各個侵臺颱風對稻作災損分析之各項變數 的敘述統計結果,包含平均值、標準差、最小值及最大值,如表 4-1 所示。以 下將再針對各項變數做進一步說明。

表 4-1 災損模型各項變數之敘述統計表

變數 平均值 標準差 最小值 最大值

被解釋變數

產量損率 0.08951 0.11874 0.00002 0.65196 面積損率 0.08809 0.12893 0.00002 0.98039

解釋變數 氣象因素

最大瞬間風風速 29.57240 5.98571 16.47098 37.77918 單日最大累積雨量 214.69710 149.28616 14.20586 977.91809 總累積雨量 277.09033 218.47887 22.89518 1,955.62219 最大瞬間風風速

×抽穗期

16.84654 15.95226 0.00000 37.77918 單日最大累積雨量 ×抽穗期

99.05198 135.17593 0.00000 911.44153 總累積雨量

×抽穗期

124.22146 185.39952 0.00000 1,955.62219 單日最大累積雨量

×門檻值 171.13938 185.93475 0.00000 977.91809 時間因素

颱風影響時間 67.56230 17.29675 48.00000 105.00000 縣市別

(43)

彰化縣 0.25240 0.43473 0.00000 1.00000 雲林縣 0.19808 0.39887 0.00000 1.00000 嘉義縣 0.14217 0.34951 0.00000 1.00000 臺中市 0.12460 0.33053 0.00000 1.00000 臺南市 0.17412 0.37952 0.00000 1.00000 颱風路徑別

第二類 0.26198 0.44006 0.00000 1.00000 第三類 0.41374 0.49290 0.00000 1.00000 第四類 0.11661 0.32122 0.00000 1.00000 第五類 0.00319 0.05648 0.00000 1.00000 第九類 0.19010 0.39269 0.00000 1.00000 其他類 0.01118 0.10524 0.00000 1.00000 資料來源:本研究整理

一、 被解釋變數

(一)產量損率

在 2009 年至 2018 年間,臺灣稻作主要產區受颱風侵襲所致之產量損率平均 值為 8.80%,標準差為 0.12。若按縣市別進行探討,如表 4-2 所示,在稻作生產 前六大縣市當中,產量損率之平均值最大者為嘉義縣,約 13.30%;次之為臺南 市,為 13.10%;最小則為花蓮縣,僅 4.06%。而產量損率最大值發生於 2016 年 梅姬颱風,當時造成臺南市新市區的損失產量占總產量的比例超過六成。

表 4-2 稻作主要產區產量損率敘述統計表 產量損率

縣市 樣本數 平均值 標準差 最小值 最大值

彰化縣 158 0.08474 0.10818 0.00003 0.47108 雲林縣 124 0.06715 0.09754 0.00003 0.42101 嘉義縣 89 0.13299 0.14883 0.00008 0.55008 臺中市 78 0.06981 0.11445 0.00002 0.57149 臺南市 109 0.13097 0.12924 0.00011 0.65196 花蓮縣 68 0.04063 0.08004 0.00006 0.46341

參考文獻

相關文件

Caring for kids after trauma, disaster and death: A guide for parents and professionals (2nd ed.). New York University Child

By University students of the Chung Hua University for objects, to make use of the descriptive statistics, the reliability analysis, and the factor analysis, considers the

In this chapter, the results for each research question based on the data analysis were presented and discussed, including (a) the selection criteria on evaluating

Because of path planning and refuge activity for a community shelter will cause disaster increasing and result second disaster, hence it has a great relationship between refuge

第七章 第七章 個案學校 個案學校 個案學校 個案學校 SWOT SWOT SWOT SWOT 分析 分析 分析與 分析 與 與 TOWS 與 TOWS TOWS TOWS 策略矩陣分析 策略矩陣分析

4.1 多因子變異數分析 多因子變異數分析 多因子變異數分析 多因子變異數分析與線性迴歸 與線性迴歸 與線性迴歸 與線性迴歸 4.1.1 統計軟體 統計軟體 統計軟體 統計軟體 SPSS 簡介 簡介

The government, under pressure from the public, gave the central task of disaster relief, at this time and in the future, to the military and in July 2010

策略規劃過程使於策略分析,Ansoff 認為策略規劃的核心架構為策 略分析,也就是 SWOT 分析。Aaker 認為,企業在進行策略規劃時的