Evaluating effectiveness of rainfall index insurance
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the reduction of crop yield uncertainty using rainfall index insurances. The insurance payouts are determined by a transparent rainfall index rather than actual crop yield of any producer, thereby circumventing problems of adverse selection and moral hazard. The authors consider insurances on rainfall indexes of various months and derive an optimal insurance portfolio that minimizes the income variance for a crop producer. Design/methodology/approach Various regression models are considered to relate crop yield to monthly mean temperature and monthly cumulative precipitation. A bootstrapping method is used to simulate weather indexes and corn yield in a future year with the correlation between precipitation and temperature incorporated. Based on the simulated scenarios, the optimal insurance portfolio that minimizes the income variance for a crop producer is obtained. In addition, the impact of correlation between temperature and precipitation, availability of temperature index insurance and geographical basis risk on the effectiveness of rainfall index insurance is examined. Findings The authors illustrate the approach with the corn yield in Illinois east crop reporting district and weather data of a city in the same district. The analysis shows that corn yield in this district is negatively influenced by excessive precipitation in May and drought in June–August. Rainfall index insurance portfolio can reduce the income variance by up to 51.84 percent. Failing to incorporate the correlation between temperature and precipitation decreases variance reduction by 11.6 percent. The presence of geographical basis risk decreases variance reduction by a striking 24.11 percent. Allowing for the purchase of both rainfall and temperature index insurances increases variance reduction by 13.67 percent. Originality/value By including precipitation shortfall into explanatory variables, the extended crop yield model explains more fluctuation in crop yield than existing models. The authors use a bootstrapping method instead of complex parametric models to simulate weather indexes and crop yield for a future year and assess the effectiveness of rainfall index insurance. The optimal insurance portfolio obtained provides insights on the practical development of rainfall insurance for corn producers, from the selection of triggering index to the demand of the insurance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».