Dr.Nattapong Puttanapong Faculty of Economics, Thammasat University Thailand

1. Impacts of Climate Change on Major Crops’ Yields and Thai Economy: The Nationwide Analysis Using Static and Monte-Carlo Computable General Equilibrium Models Dr.NattapongPuttanapong Faculty of Economics, Thammasat University Thailand

2. Main Contents • Background • Literature Review • Models and Results • Conclusion and Policy Recommendations • Extension of the Project

3. 1. Background Global statistics : natural disasters have become more frequent and severe

4. 1. Background Global statistics : natural disasters have become more frequent and severe

5. 1. Background

6. 1. Background

7. 1. Background

8. 1. Background Four Main Crops of Thailand Office of Agricultural Economics, Ministry of Agriculture

9. 1. Background • 71.1% of arable land was utilized for growing four main crops, which were rice, sugar cane, cassava and corn (Ministry of Agriculture) • According to FAO’s statistics, Thailand has been the world’s major exporter of rice and cassava, and sugar cane. • 29.2% of total households is involved in the production of those four main crops, and 46.1% and 38.7% of farmer households in the Northeastern and Northern regions are indebted due to agricultural loans. (Ministry of Finance)

10. 1. Background • The farmer household’s debt is significantly influenced by the quantity and price of main crops, which are directly correlated with weather volatility and the outbreak of pests and diseases. • Ministry of Agriculture reported in 2008 that the extreme weather can cause a substantial impact on the socio-economic condition. According to its report, the severe drought in that year caused the income problem to 17.9% of all farmer households.

11. 1. Background • The total amount of subsidies for crop losses had increased by fivefold during 2005 – 2008, and this amount is still increasing continuously. • It is highly possible that the government's subsidy to crop losses will continuously increment and subsequently cost the future fiscal burden.

12. 1.Background Main Objective • exploring the economy-wide impact of weather volatility on Thai economy, particularly through agricultural production, • examining the possibility of developing the crop insurance to lessen the future fiscal burden

13. 2.Literature Reviews Group 1: impacts of crop yields' volatility on agricultural markets • Darwin (1995) is among the first studies in this area • Boussard and Christensen (1999) explore the impact of agricultural prices' volatility to Poland’s and Hungary’s economies. • Arndt (1999) also uses the similar analytical framework to study the economic impacts of drought on African countries, and Arndt and • Tarp (2000) employ the same model to explore the economic of Mozambique caused by volatility of its cassava • Burfisher et al. (2000) study the impact of agricultural production's volatility on North American economies.

14. 2.Literature Reviews • Harris and Robinson (2001) integrate the El Nina and La Nina phenomena with CGE model to explore their impacts on Mexico. • Pauw et al. (2010) conducts the study to examine the impact of weather volatility on Malawi's economy. • Thurlow (2010) explores the weather impacts on Zambia. • Zhai (2010) applies the similar analysis to the case of China. • Nelson et al.(2010) studies the global relationship between climate change and international food markets • Bosello and Zhang (2005) publish the survey of related literatures in this field. Group 2: impacts of weather volatility on the economy

15. 2.Literature Reviews Group 3: Projection the future volatility of weather caused by climate change • Tangtham (2005) and SEA START(2008) have produced the models projecting future climate scenarios. • Sorawat (2009), Pannangpetch (2010) and Buddhaboon (2010) use these simulated climate scenarios as inputs for crop-yield models to estimate the future volatility of major crops' yield

16. 2.Literature Reviews Research Gap • the integration of crop yield volatility caused by climate change to the economic model does not exist • this paper is aimed at bridging this gap by using the existing scenarios of crop-yield volatility as the input to the CGE model to explore the economy-wide impacts in the case Thailand.

17. 3.Models and Results Main Data 1.) The projected yield’s volatility of rice, cassava, sugar cane, and corn in Thailand, generated by SEA START (2008) 's climate scenarios and Pannangpetch (2010)'s crop models. These data are inputs for CGE model representing the changing productivity of main crops' production. 2.) The data set for CGE are mainly from National Economic and Social Development Board's national account and from the Social Accounting Matrix of 2008 produced by the Office of Agricultural Economics of MoA. The data used as the base case of model includes 42 production sectors, 5 groups of households, the aggregate representative of corporate, the government and details of the country’s international trade.

18. 3.Models and Results CGE Model • Producers have the main purpose to maximize profit and productions behavior are under the constant-return-to-scale condition • Consumers aim at maximizing under the budget constraint, and making decision of consuming a combination of domestic and imported goods. • All markets of goods and services are in equilibrium and prices are equilibrating variables • There are non-linear behaviors of the frictional substitution mechanism between domestic and export products and the similar frictional mechanism of substitution between domestic and imported goods. • An exchange rate, all tax rates and government's consumption, are specified as exogenous variables representing policy instruments • There exists unemployment in the labor market, and also the capital utilization is allowed to be below the fully utilized rate

19. 3.Models and Results Main Structure Supply Side Demand Side

20. 3.Models and Results • There are two sets of simulations 3.1 Static Simulation - Examining the nationwide impacts of changing yields of main crops - Measuring the results in term of percentage change 3.2 Stochastic Simulation - Exploring the stochastic adjustment of key economic indicators responding to stochastic shocks of main crops’ yields - Studying the possibility of risk diversification across crops

21. Calibrate the CGE model Is the base-case result identical to the actual data No Report an error and stop Yes Read main crops’ productivity coefficients of scenario n Repeat the process until n = N Shock the modelwith stochastic productivity of main crops Store the simulation result for scenario n No n = N? Analyze the output 3.Models and Results 3.2 Stochastic Simulation (Monte-Carlo Simulation)

22. Irrigated - Rice

23. Rain-Fed Rice

24. Cassava

25. Sugar Cane

26. 3.Models and Results Monte-Carlo Simulation Distribution Property of Stochastic Shocks (i.e. Crop Yields)

27. 3.Models and Results 3.2 Monte-Carlo Simulation Volatilities of price and quantity of corn and cassava are higher than those of rice and sugar cane.

28. 3.Models and Results Monte-Carlo Simulation (2) Impacts on macro variables • Variation of rice’s yield causes the highest volatility to the economy • The Coefficient of Variation of unemployment declines when risks from all crops are pooled

29. 3.Models and Results Monte-Carlo Simulation (3) Impacts on institutions • The government’s saving faces the highest volatilities • However, volatilities of government’s saving can be reduced through pooling variations of all crop yields

30. 4.Conclusion and Policy Recommendations (1) The rice yield contributes the highest degree of volatility to the economy. (2) The S.D. of employment and that of government’s saving can be reduced through pooling of volatilities of all crop yields.

31. 5. The Extension of the Project The Design of Crop Insurance Program

32. 5. The Extension of the Project การศึกษากลไกการบริหารจัดการความเสี่ยงของภาคส่วนเกษตรต่อสภาวะรุนแรงโดยระบบประกันภัยพืชผล : กรณีศึกษาระบบเพาะปลูกข้าว ดร.ณัฐพงษ์ พัฒนพงษ์ ดร.โสมรัศมิ์ จันทรัตน์ ดร.ปรีสาร รักวาทิน ดร.ธนสิน ถนอมพงษ์พันธ์ (งานวิจัยยังไม่เสร็จสมบูรณ์ โปรดอย่านำไปใช้อ้างอิง)

33. วัตถุประสงค์ 1. การประเมินความเสียหายของการผลิตข้าวในพื้นที่สำคัญ 2 พื้นที่ ได้แก่ บริเวณที่ราบลุ่มเจ้าพระยา และบริเวณทุ่งกุลาร้องไห้ โดยการศึกษาและพัฒนาวิธีการประเมินความเสียหายที่เกิดจากสภาวะอากาศรุนแรงจากการใช้ข้อมูลดาวเทียมและเทคโนโลยีการรับรู้ระยะไกล (remote sensing)รวมถึงการความสัมพันธ์ของผลที่ได้จากการวิเคราะห์โดยใช้เทคโนโลยีการรับรู้ระยะไกล (remote sensing) กับข้อมูลความเสียหายที่ได้จากการรายงานผ่านกระบวนการของกระทรวงเกษตรและสหกรณ์ 2. ศึกษาและเสนอแนะแนวทางการพัฒนาระบบประกันภัยทั้งด้านการวิเคราะห์คุณลักษณะของความเสี่ยง การคำนวณราคาเบี้ยประกัน และการบริหารความเสี่ยงของผู้รับประกันภัยโดยใช้ข้อมูลความเสียหายที่ได้จากการรับรู้ระยะไกล (remote sensing) ร่วมกับการประยุกต์ใช้แบบจำลองผลผลิตข้าว และวิธีการทางคณิตศาสตร์ประกันภัย 3. ศึกษาแนวทางการพัฒนาบริหารเงินทุนประกันภัย โดยการกระจายความเสี่ยงภายในประเทศระหว่างพื้นที่ปลูกข้าวบริเวณที่ราบลุ่มเจ้าพระยา และบริเวณทุ่งกุลาร้องไห้ และการกระจายความเสี่ยงในระดับนานาชาติโดยใช้เครื่องมือทางการเงินในตลาดสินค้าซื้อขายล่วงหน้า หรือในตลาดตราสารทางการเงินอื่นๆ เช่น พันธบัตรภัยพิบัติ (catastrophe bond) เพื่อศึกษาแนวทางซึ่งนำไปสู่ระบบประกันภัยด้านการผลิตข้าวของประเทศที่ยั่งยืนในอนาคต

34. กิจกรรม 1.1ข้อมูลภาพถ่ายดาวเทียมที่ผ่านการประมวลผลและแสดงพื้นที่ที่ประสบความแห้งแล้งโดยใช้ VCI, VTI, และ SVI

35. กิจกรรม 1.1 : VCI,VTI และ SVI Index • Vegetation Condition Index (VCI) คือ ดัชนีสภาวะของพืชพรรณ โดยจะเกี่ยวข้องกับสภาพภูมิอากาศ ชนิดดิน และระบบนิเวศ • ทั้งนี้ในการคำนวณ VCI จะต้องใช้ข้อมูลของดาวเทียม Terra MODIS มาคำนวณค่าดัชนีพืชพรรณผลต่างแบบนอร์แมลไลซ์ (หรือ NDVI) ก่อนในเบื้องต้น แล้วจึงนำค่า NDVI มาคำนวณเป็นค่าดัชนี VCI ดังแสดงในสมการต่อไปนี้ • Vegetation – Temperature Condition Index (VTI)เป็นดัชนีที่ผสมข้อมูลจาก VCI และ Temperature Condition Index (TCI) ซึ่งค่าของ VTI ที่คำนวณได้จะแสดงถึงสภาวะของพืชพรรณ รวมถึงการประสบภัยแล้งของพืช ดังที่ได้นำเสนอในงานวิจัยของ สุวิทย์ (2554) โดยในงานวิจัยนี้ได้ใช้การสร้างดัชนี VTI ดังสมการ • VTI = 0.3* VCI + 0.7 * TCI • Temperature Condition Index (TCI) คือ กระบวนการแยกสัญญาณสภาพอากาศ โดยจะเป็นการจัดช่วงชั้นบนพื้นฐานค่าสูงสุดและค่าต่ำสุดของอุณภูมิความสว่างในแต่ละจุดตามช่วงเวลา (เช่น 10 ปี)

36. การคำนวณค่า TCI จะใช้การรวมค่าความสว่างของจุดภาพสูงสุด ในช่วงเวลา 16 วันของค่าอุณภูมิความสว่าง ค่า TCI เป็นค่าที่ได้จากการทำให้เป็นบรรทัดฐานด้วยค่าสูงสุด และค่าต่ำสุดของค่าอุณภูมิความสว่างในหลายปี • ในส่วนของดัชนี Standardized Vegetation Index (SVI) จะเป็นการคำนวณหาค่าดัชนีบ่งชี้สภาวะของพืชโดยการหาผลต่างของวันที่สำรวจกับค่าเฉลี่ยของดัชนีพรรณพืช ณ ตำแหน่งดังกล่าว และหารผลต่างดังกล่าวด้วยค่าเบี่ยงเบนมาตรฐานของชุดข้อมูลดัชนีพรรณพืชในช่วงเวลาทั้งหมด โดยมีรูปแบบของการคำนวณดังนี้ โดยที่ BT คือ ค่าอุณหภูมิความสว่าง ราย 16 วัน โดยที่ NDVIi,tคือ ค่าดัชนีพืชพรรณ (Normalized Different Vegetation Index)

37. BuriRam VTI Correlation among drought indexes SVI VCI

38. Kalasin VTI Correlation among drought indexes SVI VCI

39. Mahasarakam VTI Correlation among drought indexes SVI VCI

40. Surin VTI Correlation among drought indexes SVI VCI

41. กิจกรรม 2.1 การนำข้อมูลที่ได้จากเทคโนโลยีการรับรู้ระยะไกล(remote sensing) และข้อมูลสภาพอากาศ ร่วมกับข้อมูลความเสียหายของการปลูกข้าวที่เกิดขึ้นจากภัยแล้งและอุทกภัย(จัดเก็บโดยกระทรวงเกษตรฯ)

43. Analysis #1: TMD and TRMM

44. Drought Analysis #1: TRMM and TMD’s Rain Stations

45. Cumulative Data (2-Week) Correlation : 0.617

46. Cumulative Data (3-Week) Correlation : 0.859 Latitude Longitude TRMM: 17.25 103.5 TMD: 17.25 103.28

47. Drought Analysis #2: TRMM and SVI

48. Analysis #2: TRMM and SVI

49. TRMM and SVI – Selected Tambon in Buriram Standardized Difference of TRMM SVI (Standardized Vegetation Index)

50. ร้อยละของจำนวนตำบลที่มีระดับค่า Correlation ระหว่าง TRMM และ SVI ในช่วงต่างๆ