طراحی قراردادهای مشتقه شاخص‌های هواشناسی در بخش کشاورزی ایران (مطالعه موردی: شیراز)

مجله اقتصاد و توسعه کشاورزی

مقاله 6، دوره 32، شماره 3 - شماره پیاپی 41، مهر 1397، صفحه 259-268   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v32i3.74311

نویسندگان

زهرا نعمت الهی؛ سید علی حسینی یکانی^* ؛ حمید امیرنژاد

دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

طی سال‌های اخیر، ابزاری نوین تحت عنوان بورس شاخص‌های هواشناسی، جهت مقابله با ریسک تولید معرفی شده است که در بورس‌های مطرح دنیا مبادله می‌شود. با این حال، در داخل کشور تاکنون بحث بورس آب و هوا و طراحی و قیمت­گذاری قراردادهای مبتنی بر شاخص­های هواشناسی، مطرح نشده است. لذا در پژوهش حاضر، به طراحی و قیمت­گذاری قراردادهای قابل مبادله در این بورس پرداخته شده است. بدین منظور قراردادهای اختیار معامله دمایی بر پایه شاخص GDD جهت مبادله در بورس انتخاب شده است. جهت بررسی ارتباط عملکرد و دمای دوره رشد از داده­های تولید دو محصول گندم و برنج و همچنین داده­های هواشناسی شیراز طی سال­های 95- 1361 استفاده شده است. در نهایت با استفاده از شبیه­سازی روزانه فرآیند دمای شیراز، غرامت انتظاری و قیمت قراردادهای اختیار معامله مشخص شده است. بر اساس نتایج به دست آمده، افزایش GDD، بر عملکرد گندم و برنج، تأثیر مثبت و معناداری داشته است و استفاده از قراردادهای اختیار معامله دمایی در بازه­های زمانی در نظر گرفته شده، غرامت مثبتی را به همراه داشته است. لذا پیشنهاد می­شود، از مشخصات تعیین شده در این پژوهش، جهت راه­اندازی بورس آب و هوا استفاده شده و پس از راه­اندازی بورس، بر اساس میزان استقبال فعالان بازار، قراردادهای جدیدتر با سطوح مختلف شاخص توافقی تعیین شوند.

کلیدواژه‌ها

ریسک تولید؛ کشاورزی؛ اختیار معامله دمایی؛ شاخص GDD

مراجع

Agricaltural institution. 2015.

2- Alaton P., Djehiche B., and Stillberger D. 2002. On Modelling and pricing weather derivatives, Applied Mathematical Finance, 9(1): 1-20.

3- Alikhani F., Karbasi A., and Mozafari Mosen M. 2011. Effect of temperature and rainfall on wheat yield of Iran, Agricultural Economics and Development, 19(76): 143-166. (In Persian)

4- Antonis K., Alexandridis A., and Kampouridis M. 2013, A. Temperature forecasting in the concept of weather derivatives: a comparison between wavelet networks and genetic programming, Communications in Computer and Information Science, 383: 12-21.

5- Ashktorab N., Layani Gh., and Soltani Gh.R. 2015. Evaluation of the effects of climate change and government policies on yield and crop area of corn in Iran: Panel data approach, Journal of Agricultural Economics and Development, 29(1): 31-42. (In Persian)

6- Bae K.I., and Choung J.H. 2009. A study on the market price of weather risk inpricing weather derivatives. Journal of Derivatives Korea, 27(2): 49–66.

7- Baojing S., and van Kooten G.C. 2012. Climate impacts on Chinese corn yields: a fractional polynomial regression model, working paper, Department of Economics, University of Victoria, Victoria.

8- Baojing S., Guo C., and van Kooten G.C. 2013. Weather derivatives and crop insurance in China, working paper, Department of Economics, University of Victoria, Victoria.

9- Chen J.H., Yang L.R., Suc, M.C., and Lina J.Z. 2010. A rule extraction based approach in predicting derivative use for financial risk hedging by construction companies, Expert Systems with Applications, 37(9): 6510–6514.

10- Cheng H.T., and Capps O.J. 1988. Demand analysis of fresh and frozen finfish and shellfish in the United States, American Journal of Agricultural Economics, 70: 533-42.

11- Chow G.C. 1960. Tests of equality between sets of coefficients in two linear regressions, Econometrica, 28: 591-605.

12- Eini Nargese H., Deihimfard R., Soufizadeh S., Haghighat M., and Nouri A. 2015. Prediction of climate change effects on wheat yield of Fars province using APSIM model. Crop production publication, 8(4): 203-224. (In Persian)

13- Ender M., and Zhang R. 2015. Efficiency of weather derivatives for Chinese agriculture industry, China Agricultural Economic Review, 7(1): 102–121.

14- Kapphan I. 2012. Weather risk management in light of climate change using financial derivatives, Ph.D dissertation of ETH Zurich.

15- Lazo J.K., Lawson M., Larsen P.H., and Waldman D.M. 2011. US economic sensitivity to weather variability. Bulletin of the American Meteorological Society, 92: 709-720.

16- Lee C.S., Jin Z.Z., and Song C.G. 2011. A study on pricing and risk evaluation of weather insurance based on multivariate temperature model. Actuarial Studies, 3(1): 83–106.

17- Li L., and Zhang Y. 2012. The financial management of natural risks in agriculture, Dongbei University of Finance, Dongbei.

18- Mahmoodi A., and Parhizkari A. 2016. Economic analysis of the climate change impact on production yield, cropping pattern and farmers gross margin (case study: Qazvin plain), Growth and Development of Rural & Agricultural Economics, Special Issue of Quarterly Journal of Economic Growth and Development Research, 1(2): 25-40. (In Persian)

19- Manfredo M.R., and Richards T.J. 2009. Hedging with weather derivatives: a role for options in reducing basis risk, Applied Financial Economics: 19:87–97.

20- Momeni S., and Zibaei M. 2013. Potential effects of climate change on agriculture in Fars province. Journal of Economic and Agricultural Development, 3: 169- 179. (In Persian)

21- Mushoff O., Odening M., and Xu W. 2011. Management of climate risks in agriculture – will weather derivatives permeate?, Applied Economics, 43: 1067–1077.

22- Nadolnyak D., and Hartarska V. 2012. Agricultural disaster payments in the southeastern US: do weather and climate variability matter?, Applied Economics, 44: 4331 -4342.

23- Norouzian M., Sabouhi M., and Parhizkari A. 2013. Economic analysis of climate change on cotton yield in selected provinces, Agricultural Meteorology Journal, 2(1): 93-99. (In Persian)

24- Odening M., Mushoff O., and Xu W. 2007. Analysis of rainfall derivatives using daily precipitation models: opportunities and pitfalls, Agricultural Finance Review, 67(1): 135-156.

25- Parhizkari A., Mozaffari M.M., and Hoseini Khodadadi. 2015. Economic analysis of climate change on yield of irrigated wheat in Shahrood watershed, 18: 88- 100. (In Persian)

26- Pedroni P.L. 2004. Panel cointegration: asymptotic and finite sample properties of pooled time series tests with an application to the ppp hypothesis, Econometric Theory, 20(3): 597- 625.

27- Schlenker W., and Roberts M. 2009. Nonlinear temperature effects indicate severe damages to U.S. crop yields under climate change, Proceedings of the National Academy of Sciences, 106(37): 15594-15598.

28- Spicka J., and Hnilica J. 2013. A methodical approach to design and valuation of weather derivatives in agriculture, Hindawi Publishing Corporation Advances in Meteorology, 2: 1- 8.

29- Spicka J. 2011. Weather derivative design in agriculture – a case study of barley in the Southern Moravia Region, Agris on-line Papers in Economics and Informatics, 3: 53- 59.

30- Xu W., Odening M., and Mußhoff O. 2008. Indifference pricing of weather derivatives. American Journal of Agricultural Economics, 90(4): 979-993.

31- Zarkani F., Kamali Gh.A., and Chizari A.H. 2014. The effects of climate change on rain-fed wheat (case study: north Khorasan), Journal of Agroecology, 6(2): 301-310. (In Persian)