使用调查微数据测量灾害作物生产损失：来自撒哈拉以南非洲的证据

政策研究工作文件9968使用调查微数据衡量灾害作物生产损失来自撒哈拉以南非洲的证据Yannick Markhof 朱利亚·庞齐尼 菲利普·沃尔伯格发展经济学发展数据组 2022 年 3 月公开披露授权公开披露授权 政策研究工作论文系列传播正在进行的工作的结果，以鼓励就发展问题交换意见。该系列的一个目标是快速得出结论，即使演示文稿还不够完善。论文带有作者姓名，应相应引用。本文中表达的发现、解释和结论完全是作者的观点。它们不一定代表国际复兴开发银行/世界银行及其附属组织的观点，也不代表世界银行执行董事或其所代表的政府的观点。抽象的每年，灾害都会在低收入和中等收入国家造成数十亿美元的作物生产损失，尤其威胁到以农业为生的人们的生命和生计。随着气候变化的加速，这种负担在未来可能会增加，准确、微观地测量作物损失对于了解灾害对生计的影响、预防人道主义危机和建立未来的复原力非常重要。调查数据提供了大量、丰富、高度分类的信息来源，经过试验和测试，符合中低收入国家常见的小农农业规范。然而，为了挖掘这种潜力，透彻理解和稳健的方法来衡量调查微观数据中的灾害作物生产损失是必不可少的。本文利用三个撒哈拉以南非洲国家 8,000 个农场的近 20,000 个地块的地块级面板数据，其中包含有关收获、投入使用和不同损失代理的信息；家庭和社区层面的数据；以及来自其他来源的数据，如作物切割和调查实验，以提供新的见解，以了解基于调查的作物损失估计的可靠性及其对灾害的归因。本文最后对方法和调查设计提出了具体建议，并确定了进一步研究的关键途径。本文是发展数据组发展经济学的产品。这是世界银行提供开放获取其研究并为世界各地的发展政策讨论做出贡献的更大努力的一部分。政策研究工作论文也发布在网站 http://www.worldbank.org/prwp。可以通过 p wollburg@worldbank.org 联系作者。由研究支持团队制作政策研究工作文件 9968 使用调查微数据衡量灾害作物生产损失：来自撒哈拉以南非洲的证据Yannick Markhof * † Giulia Ponzini * ‡ Philip Wollburg *§1JEL 代码：C81、C83、O12、O13、Q15、Q54。关键词：作物损失、灾害、作物生产、农业、调查、调查方法。1 作者按字母顺序排列。 † ymarkhof@worldbank.org，UNU-MERIT，联合国大学和发展数据集团，世界银行。 ‡ gponzini@worldbank.org，世界银行发展数据组。 § pwollburg@worldbank.org，世界银行发展数据集团。作者要感谢粮农组织的 Shukri Ahmed、Joe Alpuerto、Piero Conforti 和 Wirya Khim 以及世界银行的 Gero Carletto、Sydney Gourlay、Adriana Paolantonio 和 Alberto Zezza 提出的意见和建议。本文是在 50x2030 缩小农业数据差距倡议的财政和技术支持下编写的，该倡议旨在通过改变非洲、亚洲、中东和中东 50 个国家的数据系统来弥合全球农业数据差距。到 2030 年拉丁美洲。 21.介绍2008 年至 2018 年期间，灾害导致低收入和中低收入国家 (LMIC) 的农作物和畜牧业产量下降总计 1085 亿美元，预计影响将随着气候变化而进一步加剧（粮农组织，2021）。这一损失不仅从总体经济角度来看是巨大的，而且其后果在最贫穷的国家尤为可怕，那里超过三分之二的人口直接依赖农业为生。粮农组织最近的估计（2021 年）表明，多达 6.9 万亿千卡，相当于结束低收入国家一半营养不足人口的营养不足所需要的量，2由于灾害减少了发展中国家的农作物和牲畜生产。由于影响规模巨大、遍及整个 LMIC 并可能加剧，因此准确衡量灾害造成的损害和损失3已被确定为经济发展的关键组成部分4并载入可持续发展目标 1.5.2 和仙台指标 C。中低收入国家的大部分灾害影响发生在农业中，尤其是由于收获前作物产量的减少（粮农组织，2018 年）。因此，它们在微观层面上的准确测量对于跟踪实现可持续发展目标和仙台目标的进展并为强有力的减灾战略提供信息至关重要。Conforti、Markova 和 Tochkov（2020 年）最近努力提供一种衡量农业损害和损失的标准化方法，建议使用调查数据来衡量作物生产中的收获前损失。然而，应用微观损失测量方法的证据不足，需要完善以充分利用包括农户调查数据和地理空间数据在内的各种数据源（粮农组织，2018）。本文对现有调查数据在微观层面衡量中低收入国家一年生作物收获前生产损失的适用性进行了彻底的描述性评估。为此，它利用了多样化的数据源、关于收获、投入和不同损失代理的丰富地块级数据，以及来自生活水平衡量研究——农业综合调查 (LSMS-ISA) 的家庭和社区级数据)、地理空间数据，以及来自三个 SSA 国家的作物切割和调查实验的实验数据。本文的方法以一组六个不同的问题为指导，我们试图对这些问题进行实证测试，并将其塑造成针对调查设计和测量的具体建议。这些问题适合衡量灾害作物损失的两个广泛问题，即量化损失（即2 作者的计算基于（FAO 等，2020；Our World In Data，无日期；世界银行，无日期）3 在整篇论文中，我们遵循 (FAO, 2021, pp. 198–200) 中采用的定义：“灾难：由于危险事件与暴露条件、脆弱性和能力相互作用，导致任何规模的社区或社会的运作受到严重破坏，导致以下一项或多项：人员、物质、经济和环境损失以及影响（UNDRR 术语）。”“损害：受灾地区有形资产和基础设施的全部或部分破坏的货币价值，以更换和/或维修成本表示。”例如，在农业中，这包括销毁储存的农业投入品或生产过程中使用的资产。“损失：由于灾难而发生的经济流量变化。”在本文的背景下，重点将放在作物减产造成的损失上。4 具体而言，准确计量损害和损失对以下方面很重要： 1. 减少灾害风险； 2. 消除贫困； 3. 粮食安全； 4. 气候变化行动； 5. 可持续发展（粮农组织，2020）。 3作物损失的规模）及其归因针对具体的灾害。对于损失的量化，本文根据 (i) 土地面积和作物损害，(ii) 专家评估，(iii) 过去的收获数据或来自类似但未受影响的地块的数据，以及 (iv) 农民的种植后的预期，为微观层面的作物产量损失估计提供信息。随后，它 (v) 研究将损失与特定灾害联系起来的自我报告的可靠性，并 (vi) 将其与灾害暴露的地理空间数据进行比较。基于这些问题，本文在三个方面做出了贡献。首先，它将 Conforti、Markova 和 Tochkov (2020) 中提出的方法付诸实施，以便根据 LSMS-ISA 问卷的格式在地块级别使用最先进的作物生产调查数据。其次，本文深入调查了在规模和高度细分的情况下测量因灾害造成的收获前作物生产损失的可行性，并为调查设计提供了具体建议。因此，它为新一代的调查数据提供了信息，促进了集成各种数据源以进行测量和分析。最后，本文确定了关键的剩余知识差距，并描绘了未来研究的相关途径。重要的是，所探索的方法主要适用于中小型灾害和发生缓慢的灾害（例如干旱）。对于需要立即评估损害和损失的大规模灾害和迅速的政策行动，灾后需求评估 (PDNA) 和总体分析可能会提供更易于部署的补充工具。本文的其余部分的结构如下。第 2 节将文献中灾害作物损失的测量置于背景中，并描述了与准确量化和归因于灾害相关的关键方法和挑战。第 3 节介绍了本文所使用的数据源以及激发其实证策略的关键问题。第 4 节介绍了本文对每个问题的分析，而第 5 节以我们的主要发现结束，重点介绍了关键要点和未解决的问题。2.文献中的作物生产损失测量——方法和挑战为了准确衡量灾害造成的作物生产损失，本文区分了两个问题，一是作物生产损失的量化，即确定其规模，二是将损失归因于特定灾害。测量作物生产损失的任务涉及广泛关注作物产量预测和解释地理和跨期产量变化的大量研究。其中一部分是测量产量潜力的大量农艺文献，即在特定地点可实现的最佳产量，除了雨养系统中的温度或降水等不可控因素外，不受病虫害、营养或次优作物管理的限制（Lobell， Cassman 和 Field，2009；van Ittersum 等人，2013； 4格拉西尼等人，2015； van Loon 等人，2019）。5这些研究通常采用所谓的“基于过程的作物模型”，即使用大量生物物理条件的日常数据来模拟与植物生长相关的过程的数学模型。模型的不同之处在于它们包含不同的过程（例如作物物候、光截获和利用或蒸发蒸腾）以及它们各自的参数化（Rosenzweig 等人，2014 年）。因此，它们可以产生不同的结果，并且通常组合在一起以减少方差并提高准确性（Asseng 等人，2013；Rosenzweig 等人，2014；Zhao 等人，2017）。然而，产量差距不能提供在没有灾害影响的情况下反事实收成的估计值。相反，它们衡量生产力差距，从而反映在中低收入国家小农农业中普遍存在的资源使用、技术使用和作物管理效率方面的差距（Assefa 等人，2020 年；Beza 等人，2017 年；Mueller 等人，2012 年） ）。此外，由于作物管理工作和投入使用的回报递减，从效率的角度来看，实现产量潜力甚至可能是不可取的（van Ittersum 等人，2013 年）。虽然产量差距基于最佳管理下的产量潜力，但取决于天气冲击等不可控因素，但本文的兴趣恰恰相反：鉴于观察到的耕作实践，但在没有冲击的情况下，可获得的产量是多少，因此与灾害有关的损失？另一类文献研究了不同年份和不同农场、地区甚至国家的作物产量变化的来源（Restuccia 和 Rogerson，2013 年；Gollin、Lagakos 和 Waugh，2014 年；Adamopoulos 和 Restuccia，2018 年；Gollin 和 Udry，2021 年）。该文献发现，除其他因素外，生产过程的随机性（例如由于天气冲击）在产量变化中占很大比例（Ray et al., 2015; Amare et al., 2018; Gollin and乌德里，2021）。与此相关的是一篇文献，分析了农民在面对未来冲击实现的不确定性时的决策。在中低收入国家的背景下，已发现未来的冲击预期以及重要的观察到的行为会因风险偏好的差异而异，例如风险偏好的差异。由于过去的冲击暴露（Gloede、Menkhoff 和 Waibel，2015 年；Said、Afzal 和 Turner，2015 年；Cassar、Healy 和 von Kessler，2017 年；Brown 等人，2018 年；Hanaoka、Shigeoka 和 Watanabe，2018 年），获取信息，例如天气预报（Karlan 等人，2014 年；Rosenzweig 和 Udry，2019 年），以及进入保险市场，例如降雨指数保险（Giné、Townsend 和 Vickery，2009 年；Karlan 等人，2014 年）。此外，已经发现在异质期望构建方面存在很大差异（Freudenreich 和 Kebede，2019 年）。这些发现对本研究很重要，因为它们表明，不仅当前季节的冲击实现，而且过去的冲击经历和未来的冲击预期都解释了作物产量的变化。虽然本文的主要兴趣是衡量实际灾害暴露造成的损失，但灾害作物损失本身可能是内生的。这是因为上述因素对农民对其农业决策的预期回报及其产生的行为（如投入决策）很重要，为可达到的收成设定了有效上限。5 该文献通常关注收益率差距的衡量，即潜在收益率与实际收益率之间的差异。 5然而，值得注意的是，本文主要关注灾害作物损失的测量，而不是确定其因果驱动因素。尽管我们测量损失的识别策略不受这些因素的影响，但它们不会对本研究构成重大挑战。在方法论方面，与本文相关的一系列文献涉及估计和预测气候变化