Robustness of geography as an instrument to assess impact of climate change on agriculture
Notice bibliographique
Résumé
Purpose The empirical literature on climate change and agriculture does not adequately address the issue of potential endogeneity between climatic variables and agriculture, which makes their estimates unreliable. This paper aims to investigate the relationships between climate change and agriculture and test the potential reverse causality and endogeneity of climatic variables to agriculture. Design/methodology/approach This study introduces a geographical instrument, longitude and latitude, for temperature to assess the impact of climate change on agriculture by estimating regression using IV-two-stage least squares method over annual panel data for 60 countries for the period of 1999-2011. The identification and F-statistic tests are used to choose and exclude the instrument. The inclusion of some control variables is supposed to reduce the omitted variable bias. Findings The study finds a negative relationship between temperature and agriculture. Surprisingly, the magnitude of the coefficient on temperature is mild, at least 20 per cent, as compared to previous studies, which may be because of the use of the instrumental variable (IV), which is also supported by an alternative robust measure when estimated across different regions. Practical implications The study provides strong implications for policymakers to confront climate change, which is an impending danger to agriculture. In designing effective policies and strategies, policymakers should focus not only on crop production but also on other agricultural activities such as livestock production and fisheries, in addition to national and international socio-economic and geopolitical dynamics. Originality/value This paper contributes to the growing literature in at least four aspects. First, empirical settings introduce an innovative geographical instrument, Second, it includes a wider set of control variables in the analysis. Third, it extends previous studies by involving agriculture value addition. Finally, the effects of temperature and precipitation on a single aggregate measure, agriculture value addition, are separately investigated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».