اندازه‌گیری ریسک عملکرد ناشی از تغییر اقلیم در گندم دیم شهرستان اهر: کاربرد رهیافت ارزش در معرض خطر آب و هوا

اقتصاد و توسعه کشاورزی

مقاله 4، دوره 32، شماره 2 - شماره پیاپی 40، تیر 1397، صفحه 139-153   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v32i2.68545

نویسندگان

قادر دشتی^* ؛ پریا باقری؛ اسماعیل پیش بهار؛ ابوالفضل مجنونی هریس

دانشگاه تبریز

چکیده

اقلیم یکی از اساسی‌ترین عوامل طبیعی است که تغییر آن از مهم‌ترین چالش‌های قرن جاری می‌باشد. انتشار روز افزون گازهای گلخانه‌ای به عنوان مهم‌ترین عامل تأثیرگذار بر تغییر اقلیم منجر به تغییر دما، بارندگی و دیگر پارامترهای اقلیمی می‌شود. بخش کشاورزی در مقایسه با سایر بخش‌ها بیشتر در معرض آسیب‌های ناشی از تغییر اقلیم است به طوری که تغییر الگوی بارش و دمای متوسط جو، بر تولید انواع محصولات باغی و زراعی که عمده‌ترین منابع غذایی کشور را تشکیل می‌دهند، آسیب وارد می‌کند. مدیریت ریسک در بخش کشاورزی به ویژه ریسک آب و هوا از اهمیت خاصی برخوردار است اما استراتژی مدیریت ریسک بدون شناسایی و اندازه‌گیری آن نمی‌تواند به درستی اجرا شود. از این رو مطالعه حاضر درصدد است ریسک عملکرد ناشی از تغییر اقلیم گندم دیم شهرستان اهر در دو دوره پایه (1394- 1365) و آتی (1424-1395) را با بکار‌گیری مدل ارزش در معرض خطر (VaR) و ارزش در معرض خطر شرطی (CVaR) آب و هوا، مدل آکواکراپ، مدل گردش عمومی جو HadCM3 تحت سناریو انتشار A2 و ریز‌مقیاس نمایی Lars-wg اندازه‌گیری کند. برای این منظور اطلاعات هواشناسی در دوره (2015-1986) و عملکرد سال‌های زراعی 94-1370 شهرستان اهر گردآوری شد. نتایج مطالعه نشان می‌دهد که در دوره آتی متغیرهای بارش (به میزان 15/9 میلی‌متر)، حداکثر دما (63/0 درجه سانتی‌گراد)، حداقل دما (56/0 درجه‌ سانتی‌گراد)، تابش خورشیدی (06/0 مگاژول بر متر مربع در روز)، حداکثر رطوبت نسبی (61/0- درصد) و حداقل رطوبت نسبی (29/0- درصد)، سرعت باد (03/0 متر بر ثانیه) و تبخیر و تعرق (48/18 میلی‌متر بر سال) به مقادیر فوق تغییر پیدا می‌کنند. براساس تغییر متغیرهای آب و هوایی متوسط عملکرد در دوره پایه از 954/0 به میزان 999/0 تن در هکتار در دوره آتی افزایش یافت. برای اندازه‌گیری ریسک توزیع بتا و ویکبای برای عملکرد مناسبترین توزیع انتخاب شد. مقدار کاهش ریسک عملکرد در سطوح احتمالاتی 1، 5 و 10 درصد در روش VaR برای توزیع بتا 139/0، 83/0 و 61/0 و برای توزیع ویکبای 297/0، 81/0 و 31/0 تن در هکتار و در روش CVaR در توزیع 158/0، 115/0 و 93/0 و برای توزیع ویکبای 403/0 و 148/0 و 77/0 تن در هکتار بدست آمد. براساس نتایج مطالعه تبخیر و تعرق یکی از متغیرهایی است که موجب افزایش ریسک عملکرد می‌شود از این رو برای کاهش تبخیر و تعرق از سطح خاک استفاده از خاک‌پوش‌های طبیعی و مصنوعی به کشاورزان توصیه می‌شود.

کلیدواژه‌ها

ارزش در معرض خطر؛ اهر؛ تغییرات اقلیم؛ ریسک آب و هوا؛ گندم دیم

مراجع

1- Ababaei B., Sohrabi T., Mirzaei F., Rezaverdinejad V., and Karimi B. 2010. Climate change impact on wheat yield and analysis of the related risks: (case study: Esfahan Ruddasht region). Journal of Water and Soil Science, 20(3):136-150. (In Persian with English abstract).

2- Abassi F., Babaiyan E., Habibi Nokhandan M., Goli Mokhtari L., and Malbousi Sh. 2010. Climate change assessment over Iran in the future decades using MAGICC-SCENGEN model. Journal Physical Geography Research Quarterly, 42: 91-110. (In Persian)

3- Blance E. 2012. The impact of climate change on crop yields in Sub-Saharan Africa. American Journal of Climate Change, 1:1-13.

4- Bokusheva R. 2010. Measuring the dependence structure between yield and weather variables. ETH Zurich, Institute for Environmental Decisions, 1-35. Available at https://mpra.ub.uni-muenchen.de/22786/, MPRA Paper No. 22786.

5- Boskabadi E., Kohansal M., and Ghorbani M. How does climate change affect the wheat production in Mashhad?. p. 189-208. Researches of the 8th Biennial Conference of Iranian Agricultural Economics Society, 9-10 May. 2012. Sustainable agriculture and food security., Shiraz, Iran.

6- Chen S.L., and Miranda M.J. 2008. Modeling Texas dryland cotton yields, with application to crop insurance actuarial rating. Journal of Agricultural and Applied Economics, 40(1): 239-252.

7- Department of Environment Islamic Republic of Iran. 2008. Iran's second national communication to UNFCCC: fourth part assessing vulnerability and adaptability. 1-124. (In Persian).

8- Department of Environment Islamic Republic of Iran. 2008. Master in green management: climate change. Assistance of Education and Research, Department of Participation and Public Education, 4:1-15. (In Persian).

9- Department of Meteorology of the East Azarbaijan Province. 2016. Database of weather and climate data, Tabriz.

10- Goodwin B.K. 2012. Copula-based models of systemic risk in US. Agriculture: implications for crop insurance and reinsurance contracts. The NBER Conference on Insurance Markets and Catastrophe Risk, Massachusetts United States, Boston.

11- Habibi M. 2008. Climate Modeling and Climate Change in Iran. National Center of Climatology, Available at http://www.cri.ac.ir/index.php?lang=en

12- Houghton j., Meira Filho l., Callander B., Harris N., Kattenberg A., and Maskell K. 1996. Climate change 1995-the science of climate change. Contribution of WGI to the Second Assessment Report of the IPCC. Cambridge University Press, Cambridge.

13- Intergovernmental Panel on Climate Change (IPCC). 2016. Available at https://www.ipcc.ch/.

14- Jihad Agriculture Management of Ahar County. 2016. State of agriculture in Ahar County.

15- Jihad Agriculture Organization of East Azerbaijan. 2016. State of agriculture in East Azarbaijan province.

16- Khaliliaqdam N., Mosaedi A., Soltani A., and Kamkar B. 2013. Evaluation of ability of LARS-WG model for simulating some weather parameters in Sanandaj. Journal of Water and Soil Conservation, 19(4): 85-122. (In Persian with English abstract).

17- Khorani A., and Monjazeb Marvdashti S. 2014. Investigating the effects of climate change on the number of visitors in Hengam Island. Journal Physical Geography Research Quarterly, 46(1): 930-939. (In Persian).

18- Kodra B. 2007. Risk analysis of Tilapla recirculating aquaculture systems: a Monte Carlo simulation approach. Thesis submitted to the faculty of the Virginia Polytechnic Institute and State University in partial fulfillment of the requirements for the degree of Master of Science.

19- Koocheki A., Nasiry M., and Kamali G. 2007. Climate indices of Iran under climate change. Iranian Journal of Field Crops Research, 5(1):133-142. (In Persian with English abstract).

20- Koocheki A., and Kamali GH. 2010. Climate change and rainfed wheat production in Iran. Iranian Journal of Field Crops Research, 8(3):508-520. (In Persian).

21- Li H., Fan X., Li Y., Zhou Y., Jin Z., and Liu Z. 2012. Approaches to VaR. Stanford University, MS&E 444 Investment Practice Project.

22- Ministry of Agriculture –Jahad. 2016. Agriculture Statistics Available at http://www.maj.ir/

23- Miranda M and Vedenov, 2001. Innovations in agricultural and natural disaster insurance. American Journal of Agricultural Economic, 83 (3):65-650.

24- Neil Bird D., Benabdallah S., Gouda N., Hummel F., Köberl J., La Jeunesse I., Meyer S., Neil Prettenthaler F., Soddu A., and Woess-Gallasch S. 2015. Modelling climate impacts on and adaptation strategies for agriculture in Sardinia and Tunisia using aquacrop and Value-at-Risk. Science of the Total Environment, 543(B):1019-1027.

25- Nelson Carl H. 1990. The influence of distributional assumptions on the calculation of crop insurance permia. North Centeral Journal of Agricultural Economics, 12(1): 71-78.

26- Palisade Corporation. (2004) Guide to Using @Risk: Risk Analysis and Simulation. Available at http://www.palisade.com/

27- Pishbahar E., GHahremanzadeh M., and Darparniyan S. 2015. Effects of climate Change on Maize yield in Iran: application of spatial econometric approach with panel data. Journal Agricultural Economics Research, 7(2): 83-106. (In Persian).

28- Pishbahar E., Abedi S., Dashti G., and Kianirad A. 2015. Weather-Based Crop Insurance (WBCI) Premium for Rainfed Wheat in Miyaneh County: D-Vine Copula Approach Application. Journal Iranian Agricultural Economics Society, 9(3): 37-62. (In Persian).

29- Pashapur H., Khalilzadeh Gh., and Abdul Azimzadeh R., 2016. Wheat and autumn agriculture in rainfed conditions of cold regions. Journal of the West Azarbaijan Jihad-e-Agriculture Organization, Agricultural Coordination Management, First Edition, 1-28.

30- Prettenthaler F., Koberl J., and Neil Bird D. 2015. Weather value at risk: A uniform approach to describe and compare sectoral income risks from climate change. Science of the Total Environment, 543(B): 10-1018

31- Raes D., Steduto P., Hsaio T.C., and Fereres E. 2011. FAO cropwater productivity model to simulate yield response to water. Reference Manual, Version 3.1, and chapter 1.

32- Rahnama Rodposhti F., and Ghandehari S. 2015. Active portfolio management with bench marking: adding a value-at-risk constraint. Journal Financial Engineering and Portfolio Management, 6(24): 91-113. (In Persian).

33- Roudier P., Sultan B., Quirion P., and Berg A. 2011. The impact of future climate change on West African crop yields: What does the recent literature say?. Global Environmental Change, 21 (3): 1073-1083.

34- Salami A. 2003. An overview of the Monte Carlo simulation method. Journal Economics Research, 3(8):117-138. (In Persian).

35- Sarykalin S., Serraino G., and Uryasev S. 2008. Value-at-risk vs. conditional value-at-risk in risk management and optimization. Tutorials in Operations Research, 270-294.

36- Sayari N., Alizadeh A., Bannayan Awal M., Farid Hossaini A., and Hesami Kermani M. 2011. Comparison of two GCM models (HadCM3 and GCM2) for the prediction of climate parameters and crop water use under climate change (case study: Kashafrood basin). Journal of Water and Soil, 25(4): 912-925. (In Persian with English abstract).

37- Semenov M.A., and Barrow E.M. 2002. LARS-WG A stochastic weather generator for use in climate impact studies, User’s manual, Version3.0. Rothamsted Research, 1-27.

38- Taei Semiromi S., Moradi H., and Khodagholi M. 2014. Simulation and prediction some of climate variable by using multi line SDSM and Global Circulation Models (case study: bar watershed Nayshabour). Journal of Human and Environment, 12(28):1-15. (In Persian).

39- Tesarova V. 2012. Value at risk: GARCH vs stochastic volatility models: empirical study. Master Thesis, Charles University in Prague, Faculty of Social Sciences, Institute of Economic Studies.