بررسی آثار تغییرات اقلیمی بر عملکرد ذرت دانه‌ای در ایران: کابرد رهیافت اقتصادسنجی فضایی با داده‌های پانلی

فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

مقاله 5، دوره 7، شماره 26، مرداد و شهریور 1394، صفحه 83-106   

نوع مقاله: مقاله پژوهشی

نویسندگان

اسماعیل پیش بهار^{* 1}؛ سیامک دارپرنیان²؛ محمد قهرمان‌زاده³

¹دانشیار اقتصاد کشاورزی، دانشگاه تبریز.

²دانش آموخته کارشناسی ارشد اقتصاد کشاورزی دانشگاه تبریز.

³دانشیار اقتصاد کشاورزی، دانشگاه تبریز

تاریخ دریافت: 18 مرداد 1394،  تاریخ پذیرش: 18 مرداد 1394 

چکیده

در این پژوهش تاثیر متغیرهای اقلیمی چون نوسانات دما و بارش و نیز میزان نهاده‌های مصرفی بذر، کود اوره و کود فسفات بر عملکرد محصول کشاورزی ذرت دانه‌ای طی سال­های 91-1370 بررسی شد. با استفاده از مدل ریکاردین و روش اقتصادسنجی فضایی تاثیر تغییرات اقلیمی نظیر دما و بارش و میزان نهاده‌های مصرفی بذر و کود اوره و فسفات در 3 اقلیم گرم، معتدل و سرد در کشور، بررسی گردید. نتایج نشان داد که شدت نوسانات تغییرات اقلیمی در هر سه اقلیم مطالعه شده به اندازه‌ای بوده است که به­عنوان عامل‌های ریسک سیستماتیک شناسایی شوند. با توجه به نتایج به­دست آمده در اقلیم گرم، گرمای بیش از حد در فصل کشت(ماه خرداد) و نبود گرمای کافی در فصل رشد(ماه مهر) و همچنین کمبود بارش در فصل رشد(ماه مهر) از عامل‌های کاهش عملکرد ذرت می‌باشند و در اقلیم معتدل، گرمای بیش از حد در فصل رشد(ماه مرداد) و فصل برداشت محصول(ماه مهر) عوامل ریسک سیستماتیک به حساب می‌آیند. همچنین در اقلیم سرد، گرما در فصل رشد(ماه خرداد) و در فصل گل­دهی(ماه مرداد) و فصل برداشت محصول(ماه آبان) عامل تاثیرگذار محسوب می‌شود.
 
طبقه­بندی JEL : N55, Q10, O13.

کلیدواژه‌ها

اقتصادسنجی فضایی؛ بیمه؛ تغییرات اقلیمی؛ روش ریکاردین؛ ریسک سیستماتیک

عنوان مقاله [English]

Effects of Climate Change on Maize Yield in Iran: Application of Spatial Econometric Approach with Panel Data

نویسندگان [English]

E. P¹؛ S. D²؛ M. GH³

چکیده [English]

In this study the impact of climate variables such as precipitation and temperature fluctuations and seed, urea and phosphate fertilizers on the yield of maize was studied in three different climate zones of Iran. For this purpose, Ricardian and spatial econometric models were used. The results showed the severity of climate change fluctuations, in all three climates, has been enough to identify as systematical risk factors. The results showed that, the extreme heat in the growing season of September, and lack of precipitation during the growing season (October) in warm climate zone were  the main factors which caused decline in maize yield. In moderate climate, overheating during growing season (August) and harvest (October) considered as systematical risk factors. Also in the cold climate, heat in growing and flowering seasons (June and August) and harvest season (November) had negative effect on crop yield.

کلیدواژه‌ها [English]

Spatial econometrics, insurance, Climate Change, Ricardian approach, Systematic risk

مراجع

1. اسماعیلی ع. و واثقی ا. (1387) بررسی اثر اقتصادی تغییر اقلیم بر بخش کشاورزی ایران: روش ریکاردین (مطالعه موردی: گندم). مجله علوم و فنون کشاورزی و منابع طبیعی،  45 (12): 685 الی 695.
2. آمارنامه کشاورزی (1391)، آمارنامه‌های کشاورزی سال‌های مختلف. سازمان جهاد کشاورزی، معاونت برنامه­ریزی و امور اقتصادی، دفتر آمار و فن‌آوری اطلاعات.
3. بازگیر س. و کمالی غ، ع. (1387) پیش‌بینی عملکرد گندم دیم با استفاده از شاخص‌های هواشناسی کشاورزی در برخی از مناطق غرب کشور. مجله علوم کشاورزی و منابع طبیعی، 15 (2): 14 الی 27.
4. سازمان بورس. (1391) بورس کالای ایران «الزامات موردنیاز برای موفقیت قراردادهای آتی». گزارش شماره 90321.
5. سازمان توسعه تجارت ایران (1391) کتاب مقررات صادرات و واردات سال 1390.
6. سبزی‌وری ا. ترکمان م. و مریانجی ز. (1391) بررسی تأثیر شاخص‌های و متغیرهای هواشناسی کشاورزی در عملکرد بهینه گندم، مطالعه موردی: استان همدان. نشریه آب و خاک. علوم و صنایع کشاورزی، 26 (2): 1554 الی 1567.
7. Amiraslany, A. (2010) The impact of climate change on Canadian agriculture: A Ricardian approach. Saskatoon, Saskatchewan: Unpublished Thesis, University of Saskatchewan. Available at: http://library2.usask.ca/theses/available/etd-05252010-102012/
8. Baltagi BH. (2005) Econometric analysis of panel data, 3rd edition. Wiley.
9. Belotti, F. G Hughes, and A. Mortari. (2013) A command to estimate spatial panel models in Stata. University of Rome Tor Vergat School of Economics, University of Edinburg.
10. Elhorst JP. (2008) Serial and spatial autocorrelation. Economics Letters. 100 (3): 422-424
11. FAO, (2015) Food and Agriculture Organization of the United Nations. Available at: http://faostat3.fao.org/faostat-gateway/go/to/browse/Q/*/E
12. Intergovernmental Panel on Climate Change )IPCC(, (2007) Climate Change: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
13. Lesage, J. (1999) Spatial Econometrics. Department of Economics University of Toledo.
14. McMillan, D.P. (1996) One hundred fifty years of land values in Chicago: a nonparametric approach, Journal of Urban Economics. 40 : 100-124
15. Mendelsohn, R. and Nordhaus, W. D. and Shaw, D. (1994) The impact of global warming on agriculture: A Ricardian analysis. American Economic Review. 84 (4): 753-771.
16. Reidsma P., Ewert F., Boogaard H., and Diepen K. (2009) Regional crop modeling in Europe: The impact of climatic conditions and farm characteristics on maize yields. Agricultural Systems, 100: 51-60
17. Travis J. Lybbert, Daniel A. (2012) Sumner, Agricultural technologies for climate change in developing countries: Policy options for innovation and technology diffusion, Food Policy. 37:114–123.