准确季风预测助力农民适应气候变化——来自印度特伦甘纳邦的实验
文摘
其他
2024-04-08 16:59
中国香港
Source: Burlig, F., Jina, A., Kelley, E. M., Lane, G. V., & Sahai, H. (2024). Long-range forecasts as climate adaptation: Experimental evidence from developing-country agriculture (No. w32173). National Bureau of Economic Research. https://doi.org/10.3386/w32173 全球天气模式正受到气候变化的严重影响。鉴于农业对气候条件高度敏感,由气候变化导致的频繁极端气温和不可预测的降雨模式对农业产生了重大影响,也对全球65%依赖农业为生的贫困人口构成了威胁。一方面,气候风险使得农民在可能盈利的情况下,也不愿增加投入;另一方面,当作物生长季节的天气难以预测时,农民难以为即将到来的季节做出最佳的投资决策。因此,识别并测试新的适应工具,例如准确的长期预测,对于帮助农民适应气候变化,提高其农业生产力和降低风险至关重要。 本文中,作者进行了一项涉及印度特伦甘纳邦的250个村庄的整群随机实验。实验结果发现,准确的长期季风预测影响了农民对季风开始时间的观点,从而导致他们的农业投资上做出了显著调整。接收到预测季风延迟(坏消息)的农民倾向于减少耕地面积和投入成本,而接收到季风提前(好消息)的农民则增加了对农业的投资。此外,本研究还比较了季风预测与农业指数保险的有效性,发现尽管保险有助于管理风险,使农民能够平衡不同时期的消费,但准确的预报通过提供即将到来的季节的具体信息,使农民能够做出更加精细的农业决策。 印度的特伦甘纳邦具有3500万人口,其中55%的劳动力受雇于农业部门,但是产值仅为该地区总生产增加值的15%。 与印度中部的大部分地区一样,特伦甘纳邦的农业非常依赖季风,每年总降雨量的80%左右出现在6月至9月的季风月。 虽然季风平均在6月上中旬出现,但季风爆发的不确定性很高,1979年至2019年期间,季风爆发日期的标准偏差约为20天。 同时,因为特伦甘纳邦位于印度季风区最不稳定的地区之一,气候风险一直是该邦农业的一个重大难题。邦政府在此前采取了补贴、保险等措施来减少农业部门承受的风险。但是效果并不理想。 作者在本文中使用波茨坦气候影响研究所(Potsdam Institute for Climate Impact Research, PIK)开发的长期季风预测方法。该预测可以在季风到来前大约40天提供关于季风开始时间的准确预测。这种预测的准确性对于农民来说极其重要,因为它们可以基于这些信息来决定何时播种、选择什么类型的作物以及如何分配资源和劳力。相比之下,现有的由印度气象部门(India Meteorological Department, IMD)所提供的季风预测方法可能无法提供同样级别的精确度或及时性,使得农民难以做出最佳的种植决策。 本文通过构建两期农民不确定性决策模型,来说明季风预报和保险对农民的影响。在第一期,农民通过季风到达情况 和风险农业生产技术凹函数 来决定储蓄多少 、消费多少 和投资多少 。在第二期,农民从生产和储蓄中消费 。 生产: 该生产技术的产出受季风到达情况 的影响,其中 是有序的,对于任何的 都有 和 , 。本文假设,更早到来的季风与更大的投资回报有关。农民选择: 农民利用这些对于未来季风到达的时间的预期来权衡未来可能出现的结果。因此,农民需要解决以下问题:
其中, 是凹效用函数, 是农民对 的先验概率密度, 是初始财富, 是投资品 的价格, 是贴现因子。通过求解以上最优化问题,可以得到:对于理性地寻求风险的农民来说,当农民认为今年将是丰收年的概率越大,他们选择的投资就越多。 季风预测: 接下来,作者引入了对季风到达情况的预测 ,并假设 、 。通过贝叶斯规则将其与农民的先验 结合起来,可以计算出 的后验概率分布 。农民的平均后验概率分布将介于先验概率分布和预测概率分布之间,其标准差小于先验概率分布。图1展示了模型的模拟结果。图1 (A)展示了农业投资对季风预测反应的图表。中间的线表示季风预测与农户预期的时间吻合的平均水平。在这种情况下,那些预计季风将提前到达的农户接收到的是坏消息,从而减少投资;那些季风预期时间与平均预期相符的农户,从预测中得到的信息是中性的,他们的投资行为不会发生显著变化;而对于预期季风会较晚到来的农民,他们从预测中得到了好消息,并增加了投资。图1 (B)展示了农民对保险的反应,这种保险在作物受损时提供赔付。因为保险产品不传递任何关于季风到来时间的信息,它只会轻微地激励所有农户增加对农业的投资,而不是根据季风的实际来临时间来调整他们的投资水平。 作者设计了一个随机对照试验来估计长期季风预测的影响。在村庄选择的过程中,为了确保研究结果能够准确反映季风预测对农业的实际影响,作者根据国际半干旱热带作物研究所(International Crops Research Institute for the Semi-Arid Tropics, ICRISAT)和2011年印度人口普查的数据排除了灌溉渗透率高的村庄。同时,作者在抽取样本时还在村与村之间设置了距离限制,以防止跨村信息共享。此外,为了确保样本平衡,作者还按照农业密集度进行了分层随机抽样。最后,在特伦甘纳邦的Medak和Mahabubnagar这两个县中随机抽取了250个村庄,在每个村庄抽取5-10个农民纳入实验。 在本研究中,村庄被随机分配到三个主要组别:1)控制组 :农民不接收任何季风预测信息,作为基准进行比较。2)预测组 :农民接收由PIK提供的长期季风预测信息。3)保险组 :作为干预的另一形式,农民接收农业指数保险,旨在评估和比较不同类型干预的效果。 作者通过走访用以下文字向农民介绍了预报: “每年 5 月下旬/6 月上旬,我们都会向您提供预报,告诉您季风将在哪个时间到达。在过去的 50 年中,有 37 年的预报时间都在降雨实际开始的一周之内。最近的情况更好:过去 10 年的预报全部正确。” 同时,作者通过企业需求管理(BDM)机制了解农民的支付意愿。如果农民购买了预报,调查员会向农民提供 2022 年的预报: “今年的预报显示,季风可能会在 6 月 11 日至 6 月 19 日期间开始,地点是特兰甘纳邦。随后,6 月 20 日至 6 月 29 日可能会出现干旱。预计在 6 月 29 日之后将迎来持续的季风降雨。” 作者根据该地的平均季风开始日期来定义特定村庄的“准时”季风开始日期。如果季风比当地的“准时”开始日期晚 15-19 天,他们将获得低额赔付;如果季风晚 20-29 天,他们将获得中额赔付;如果季风晚 30 天或更晚,他们将获得高额赔付。最高赔付额设定为约 190 美元,大约覆盖了农民平均农业收入的20%。 与预测干预一样,作者通过BDM机制向农民提供了该保险产品,以了解他们的支付意愿。在9 月,作者通知农户是否会收到赔付,10 月实际赔付到位。 作者收集了三大类的详细数据:农民的观点、事前投资和事后结果。 农民的观点: 作者通过询问,获取了了农民对今年季风何时到来的主观概率分布,以确定季风预测是否(以及在多大程度上)改变了农民的之前的预期。作者通过取每个农民预期分布的平均值,绘制出这些平均值的直方图,如图3所示。预测的季风日期用紫色虚线表示,2022 年的预测接近预期分布的平均值。事前投资: 为了评估农民是否根据季风预测信息调整了农业投入,作者构建了耕地总面积、经济作物选择和农民的总投入的逆协方差加权作为投资指数,来衡量投资选择。其中,在作物选择方面,作者关注农民是否选择种植经济作物,以及这些作物选择与农民过去种植的作物有何不同;投入的衡量包括每个农民在化肥、种子、肥料、劳动力和总成本上的花费。事后结果: 作者用农民收获的农作物重量、出售的农作物价值、生产的农作物价值、平均产量和利润来衡量农业产出;使用扣除债务后的储蓄衡量家庭财务状况;使用企业所有权、投资额和利润衡量非农产业的状况;使用过去一个月农民的家庭人均消费和 PHQ-9(与心理健康相关的抑郁指标)衡量农民的总体幸福感。此外,作者还考虑了干预对资产和迁移的影响。预测的“第一阶段”效果应该是改变农民对季风到来日期的观点。通过比较预测组与控制组和保险组在干预前后对季风到来时间的预期,作者进行了检验: 其中, 是第 村 户的各种衡量指标; 与 是指示变量,如果 村庄被提供季风预报或保险,则为1否则为0; 是通过DS Lasso分选取的控制向量和固定效应; 是在村庄聚类的误差项。结果如表1所示: 预测组在干预前对季风到来时间的预期与作者所提供的预测时间之间的绝对差比控制组低22%,与干预后的预期之间的绝对差比控制组低24%。并且KS检验也提供了相似的结果。因此,作者得出结论,季风预测成功地改变了农民对季风到来的时间的预期。 接下来作者通过BDM得出了农民对季风预测和保险支付意愿。结果显示,季风预测和保险的支付意愿高度相似。同时,根据前文的理论模型,出现丰收年的可能性与保险需求之间存在单调相关,但实验结果表明任何干预前的预期与支付意愿之间都没有很强的关系。 根据前文的理论模型,季风预测的效果会因农民的被干预前的预期而异,因此探究事前投资的估计方程为: 其中, 是根据农民的预期将农民划分为三类的指标变量。第一类农民认为季风会相对提前到来(收到坏消息);第二类农民认为季风会按以往的平均时间到来(收到中性消息);第三类农民认为季风会相对推迟到来(收到好消息)。表2展示了耕地总面积和作物选择的结果。 收到坏消息的农民的耕地面积比控制组平均减少了22%,并且在今年增加一种作物的可能性降低了32%;收到好消息的农民比控制组农民种植经济作物的可能性增加了16%、改变作物种类的可能性增加了16%,增加一种作物的可能性增加了14%。同时,结果表明,保险不会显著地改变农民的耕地总面积和作物选择,作者猜测是因为保险并没有为农民提供新的信息。 接下来,作者调查了季风预测对农业投入支出的影响,结果如表3所示。结果表明,收到坏消息的农民的化肥支出比控制组减少30%;中性消息对农民没有影响;收到好消息的农民大幅增加了投资,总支出比控制组平均增加了34%,这主要是由于劳动力支出的显著变化。保险对农民的投入支出影响依然不显著。同时,表3的第六列指出作者所创建的投资指数对于收到好消息的农民来说是显著提升的,约为0.29个标准差。 在评估季风预测对农业产出、非农产业和农民的幸福感的影响时,采取了和评估事前投资时所用的相似的估计方程。农业产出的结果如表4所示: 结果表明收到坏消息的农民会受到负面影响,包括产量下降 27%,农作物销售量下降 20%,农业利润的负向影响也与事前投资所示的一致,因为这些农民因季风预测而减少了农业生产。但是,收到好消息的农民的农业产出受到正面影响很小。同时,保险不会对农业产出产生影响。 表5展示了非农业活动和福利指标的结果。第(1)列显示,收到坏消息的农民的净储蓄增加了超过560美元,原因是债务大幅减少。第(2)-(4)列显示,收到坏消息的农民从事更多的非农活动,而收到好消息的农民从事较少的非农活动,他们的非农业投资减少了 70% 以上(在10%的水平上显著)。这些结果与收到好消息的农民更多地投资于农业和坏消息农民较少地投资于农业一致。 在估计季风预测对PHQ影响时,作者发现收到坏消息农民的 PHQ 显著地增加了 0.21(代表心情更糟),作者猜测这与他们在收到坏消息时可能承受的压力,或因今年的种植面积未能达到预期而产生的失望情绪有关。 接下来,为了探究为什么尽管农业投资大幅增加,但对于好消息组,农业利润并没有增加的问题,作者采用机器学习方法,从土地利用和投入两个方面,研究了预测对农业利润影响的异质性。 他们发现增加耕地面积会导致利润收益为正,而增加支出(尤其是种子)使得收益为负。总体来说,从季风预测中得到好消息的农民了增加耕地面积,但这些农民种植了更多的经济作物,即在投入上花费了更多。这两种影响相互抵消,使得收到好消息的农民的利润没有增加。 根据前文的结果可知,保险和季风预测对于具有不同的季风到来时间的预期的农民来说增加投资的效果不同。为了说明这一动态变化,作者对上述基本模型进行了扩展。通过设置阈值 ,当农民的 时,增加一部分固定的农民收入,以反应具有不同预期的农民对保险产品的获取。图4展示了该模型的实证结果,投资指数作为主要的关注结果。对于季风预测而言,投资与农民的预期之间的关系是正向的:收到好消息的农民比先收到坏消息的农民进行了更多的投资。相反,对于投保农户来说,斜率是负的:与具有较早预期的农户相比,具有较晚预期的农户对保险的投资较少。这是因为,悲观的农民不太可能发现投资的吸引力,他们很可能认为这些投资会付诸东流。与此相反,乐观的农民之前因担心相关的负面风险而谨慎行事,没有进行太多投资,而保险则能让他们在预期丰收年到来时大幅增加投资。 本研究利用随机对照实验研究了低收入国家农民适应气候的一种新方法:在夏季季风来临前至少提前一个月提供有关季风来临的信息的长程季风预测。结果表明,在收到预测后农民会按照季风预测改变他们对季风到来时间的观点,从而影响农业投资。本研究为季风预测是应对气候变化的有用工具提供了进一步的证据,而且随着气候的进一步变化,季风预测有可能会变得越来越重要。 准确季风预测助力农民适应气候变化——来自印度特伦甘纳邦的实验