丁冬：OLIVIER DESCHENES《The economic impacts of climate change: evidence from agricultural out
2011-04-02 22:38阅读：
<The economic impacts of
climate change: evidence from agricultural output and random
fluctuations in weather>
OLIVIER DESCHENES,MICHAEL
GREENSTONE
摘要
这篇论文通过评估年度气温和降雨的变化衡量了气候变化对于美国耕地的经济影响，结果表明，用2002年的美元币值计算，气候变化将会是农业收益提高大约13亿美元（收益提高4%），这个结果在经过检验测算后证明是稳健的，故而气候变化产生更大的正面或者负面的影响不太可能。另外，本文发现价值特征模型（the hedonic
approach）是不可靠的，因为其对于控制变量的微小变化过于敏感。
正文
对于气候变暖，越来越多的人认为会造成气温上升和降雨增加，进而影响经济作物。因为降雨和气温直接影响农业生产，很多人认为其对农业的影响理应是巨大的。然而，之前对于其影响农业土地价值的研究结果却并无定论。
很多之前的研究应用的是生产函数模型或者价值特征模型。由于生产函数模型的偏见性假设（它认为因天气导致的产量变化超出了农民的控制范围，低估了农民的适应能力），其评估结果是低估了的。
价值特征模型通过衡量土地价值来估计气候变化影响，它的最大优点是在正规的市场上，土地现值是能够反映未来土地价值的，而且，该模型也考虑进去了农民的气候适应能力。当然，由于土壤质量和转换成本也会影响产出和土地价值，故而价值特征模型的缺点在于很容易将多种影响土地价值的元素混淆，容易造成遗漏变量的偏差。
意识到这个问题的重要性，本文尝试提出一个新的方法来评估气候对于农业的影响。由于最被接受的模型表明，未来的气温和降雨将会增加，那么，本文的思路因此而简单——我们使用气温和降水的年度变化数据来测算在温暖或者湿润的年份中农业利润的高低变化。特别的，我们评估气温和降水对于农业收益的影响，然后用它结合气候的预期变化来推断气候变化的经济影响。
我们使用了县级的农业收益、土质、气候、天气面板数据，这些数据被用来评估气候对农业产出和收益的影响以及估算县的固定效应。一方面，我们考察一个州之内的各县市天气的平均数据，另一方面，通过同一州之内的不同县天气两个方向的变化来估计比较。
这个方法可以解决特征价值模型中遗漏变量的问题。但是，由于农民一般无法对于单个突出年份的天气变化做出应对，所以我们可能会高估气候对于农业的伤害。
表1A和1B总结了本文的主要发现。这些图表显示了在生长季气温增长（1A）和总降水(1B)的前提下，农业收益、玉米收益、大豆收益之间的二次关系。本文评估的关键特点是它与县的固定效用相适应，也和年度的固定效应适应。一般来说，县的作物一般在生长季增加1200个温度单位和大约3英尺的降水。
最为显著的是，因预期生长季温度和降水变化而带来的农业收益变化是平坦的。如果有什么特别的话，气候变化会稍微有益于农业利润和产出，结果见于下表（数据1987---2002）。
表1A：生长季温度与农业收益的关系，大豆收益平稳，玉米收益稍升后稍降，总收益稍升。
表1B：生长季降水和农业收益的关系，总收益上升，玉米上升，大豆先上升后下降。
用长期的气候变化预测，最佳模型显示，气候变化将会导致农业每年增产13亿美元（4%），由于在95%的置信空间内利润在5亿美元的损失至31亿美元的收益间波动，大的正向或者负向收益是不太可能的。也就是说，对于大部分的重要作物而言，气温升高和降水增多对其产出并无实际影响。
虽然总体的影响较小，但是整个国家范围内还是有空间异质性的。比如，加利福尼亚将会因气候变化受害7.5亿美元，相当于现有农业年度收益的15%。内布拉斯加州将会损失6.7亿，南卡莱罗纳州将会损失6.5亿。与此相反，南达科他州将会获益7.2亿美元，乔治亚州将会获益5.4亿美元。需要注意的是，这些州的估计结果来源于比国家估计更少的数据，因此精确度稍差。
本文也重新按照价值特征模型进行了估计，结果发现按照温室气体加倍的假设，农业价值在损失2000亿（-18%）至获益3200亿（29%）之间波动，这个范围比前文估计的大得多。这是由于控制变量，样本和权重的不同，尽管该理论在完善，但我们仍认为该模型不可靠。
本文的架构是，第一部分提出概念框架，第二部分描述数据来源并提供基本的统计结果，第三部分计量分析，第四部分是计量结果，第五部分评估了本文模型并做了相关说明，第六部分是本文的结论。
第一部分
A：本文的方法与价值特征模型有几个关键的不同，首先，在本文的假设下，它的估计变量受观察不到的时间恒定因素影响。其次，如果涵盖了县的固定效应的话，用土地价值作为独立的因变量实际是不可行的，这是因为，土地价值反映的是长期天气变化，而不是年度变化。
本文虽然不用土地价值作为因变量，但却也能估算气候变化对于农田价值的影响。我们分析在气温变暖和降水增加的前提下的农田收益状况，然后乘以因子来计算气候的预期变化对于收益的影响。如果我们假设预期收益是恒定的，同时设定一个贴现率，那么我们可以通过未来租金的贴现值来计算现在土地的价值。
B：有两个因素会使得通过短期气候的变化来推断土地收益产生错误，第一，短期气候变化使得价格产生异常波动。式子（1）是一个生产给定作物的农民（无法对于短期的气候变化做出充分反应）的收益。式子（2）是长期气温变动下收益公式对于天气求偏导数，即收益对于天气的反应。
尽管我们的实证分析是基于短期的天气变化，仍有很多理由相信我们的检验是排除了价格波动影响的。最重要的是，我们发现天气变化对于几种主要作物产量是影响极小的，这就导致我们不必过分担心价格的波动。此外，我们模型中有州的年度固定效应，这其中就包含州的价格因素。有趣的是，不论我们加不加入州的固定效应因素，定性的结论是一样的。
第二个威胁本文模型有效性的因素是：农民可能无法对于短期的气候变化做出充分的应对。这与持续的气候变化不同，持续气候变化的前提下，农民会抉择合适的作物种类和作物的种植方式。
表2就反映了这个事情，作物1的最优收益在T1—T2，作物2的最优收益在T3。在短期来看，如果农民本来就种植作物1，当天气突然出现波动，他无法更换作物，便可能会在C’点，这不是最优的结果。而价值特征模型就不会出现这种状况，因为该模型假设从长期来看农民可以自由转换作物，即天气异动时，收益是C点而不是C’点。
本文的实证模型依赖于年度数据，因此农民不能完全转换作物，本文后面分析的引入目的是支出本文可能低估偏差。但是，如果气候的变化是温和的，那么我们的分析应该和长期一直，因为农民可以加大肥料等物质投入抵消影响。而这显然比李嘉图模型不考虑农民适应力的生产函数模型可靠。
第二部分：数据来源和主要的资料
A数据：
农业生产的数据来源于1978、1982、1987、1992、1997和2002的农业普查。农业收入为税前数据，忽略罚款数额，不包括联邦农场收益、非农产业收益。农场成本包括农场主和合伙人的花费和肥料等投入、修理费、债务利息等，不足之处在于没有计入非贷款的资本利息等。
本文认为每亩耕地的收益是可以与每亩租金相比较的，在研究中，前者类似后者的替代。
土质数据：来自国家资源普查（NRI），共80万个观测点。
天气气候数据：气候数据源自PRISM方法（该方法为美国宇宙航空航天局所采用），而PRISM使用的是国家气象数据中心的数据。使用的是1970---2000的气温和降水数据（按惯例，使用1、4、7、10月的数据）。
我们使用每日温度数据来计算4月1号至9月30号之间（生长季）的气温单位，这个时期是大部分作物的生长季，除了冬小麦。
气候变化的预测：我们基于两个气候预测来计算气候变化将对农业产生的影响。一是IPCC，它认为21世纪末温室气体将翻倍，气温将上升5华氏度，降水将增加8%。二是HARDLEY2模型，该模型由几个小模型组成----大气、海洋、海冰，其预测21世纪末，大气中的温室气体浓度将变为现值的2.5倍。我们将时间分为中期和长期两种，前者2020—2049，后者2070---2099。
B：统计资料
农业财政、土壤和天气统计：表1是县层面的这三个方面的统计数据汇总（78、82、87、92、97、02年），样本数2268。这段时期内，农场少了7.5%，而农地数量却基本没变，这说明一些粮食地被用来养家禽和牛羊了。土地和建筑价值在892美元到1370美元之间波动。
气候变化统计数据：表2的面板数据A和B是根据两个预测模型（IPCC和HARDLEY2）的天气预测数据汇总。2268个县，A和B是1970—2000的数据，C是1987—2002的数据。纵栏是灌溉区县市和非灌溉区县市之间的实际值和预测值比较。C是对于天气变量的气温和降水两个维度，分别去掉年度固定效应或者年度州固定效应后的系数值比较。
天气变化统计数据：就是上图的C
第三部分：计量
A价值特征模型：
包含线性、二次方形式、灌溉区和旱作区的划分。对于MNS和SHF将农田州县和农田收益做平方根的权重处理，本文提出了异议。
B本文的新方法：
式子
