De meeste wetenschappers zijn het erover eens dat klimaatverandering een diepgaande invloed heeft op de Amerikaanse landbouwproductie. Maar schattingen lopen sterk uiteen, waardoor het moeilijk is om mitigatiestrategieën te ontwikkelen. Twee landbouweconomen van de Universiteit van Illinois gaan nader in op hoe de keuze voor statistische methodologie de resultaten van klimaatstudies beïnvloedt. Ze stellen ook een meer accurate en plaatsspecifieke benadering van data-analyse voor.

"Als je aandacht besteedt aan voorspellingen over hoe het klimaat de Amerikaanse landbouw zal beïnvloeden, de resultaten zijn compleet anders. Sommige wetenschappers voorspellen dat het op de lange termijn een positief effect zal hebben op de natie, sommigen melden dat het een negatief effect zal hebben, " zegt co-auteur van de studie Sandy Dall'Erba, hoogleraar bij de afdeling Landbouw- en Consumenteneconomie (ACE) en directeur van het Centrum voor Klimaat, Regionaal, Milieu- en handelseconomie (CREATE) bij U of I.

Dall'Erba en Chang Cai, doctoraatsstudent in ACE en de hoofdauteur van de paper, de balans opmaken van alle academische literatuur die de impact van klimaatverandering op de waarde en inkomsten van Amerikaanse landbouwgronden inschat, gericht op elke Amerikaanse provincie. De schaal op provinciaal niveau is niet alleen nauwkeuriger, zeggen de onderzoekers, maar ook belangrijk voor regionale beleidsmakers, omdat ze landspecifieke beslissingen kunnen nemen in gebieden waar klimaatverandering naar verwachting een serieuze uitdaging vormt.

"Er is geen enkele grondstof die overal in de VS wordt geproduceerd. De enige manier waarop we de relatie tussen klimaat en landbouw echt kunnen begrijpen, is dat in plaats van ons te concentreren op een bepaald gewas of vee, we kijken naar economische effecten, Dall'Erba merkt op. "Als we naar de geaggregeerde landbouwresultaten kijken, kunnen we de situatie in elke provincie in de VS vergelijken."

De onderzoekers bekijken hoe studies locaties groeperen voor analyse, en hoe dergelijke groeperingen de resultaten beïnvloeden.

"Vroege studies zouden aannemen dat één extra graad Celsius of Fahrenheit in Arizona exact hetzelfde marginale effect op de landbouw zal hebben als één extra graad in Illinois, wat weinig zin heeft omdat je enerzijds kijkt naar een plek die nogal gewend is aan hoge temperaturen en weinig neerslag, versus een plaats die gewend is om de temperatuur te matigen en veel meer neerslag, ' zegt Dall'Erba.

Onlangs, studies hebben geprobeerd resultaten te differentiëren en effecten te schatten op basis van lokale omstandigheden. Een populaire benadering is om de VS te verdelen in geïrrigeerde en regengevoede gebieden, ruwweg over een west/oost partitie langs de 100 ^e meridiaan. Terwijl Illinois en Arizona dus tot verschillende groepen zouden behoren, Van Arizona en Montana wordt nog steeds verwacht dat ze vergelijkbare marginale effecten van het weer ervaren.

Een andere methode, die Dall'Erba heeft gebruikt in zijn eigen onderzoek, vergelijkt laag- en hooggelegen gebieden, terwijl een derde benadering is om locaties langs staatsgrenzen te groeperen. Dall'Erba zegt dat onderzoekers de laatste benadering gebruiken omdat het eenvoudig in te schatten is en relevant is voor beleidsmaatregelen, maar het levert geen erg nauwkeurige resultaten op, aangezien staatslijnen zelden voldoen aan atmosferische kenmerken.

Hoewel al deze benaderingen enige verdienste hebben, ze hebben ook tekortkomingen.

"We ontdekten dat de resultaten echt verschillen in termen van wat de toekomstige impact van klimaatverandering zal zijn als je de ene groepering versus de andere kiest, vooral in primaire landbouwgebieden, " legt Cai uit. "We kwamen er ook achter dat geen van die groepen beter is dan alle andere in het voorspellen van wat de toekomstige uitkomst zal zijn."

Cai en Dall'Erba raden aan om een ​​van de drie nieuwe statistische benaderingen te gebruiken die landspecifieke schattingen van de klimaatimpact bieden. Al deze methoden zijn gebaseerd op gegevens en beginnen zonder enige aannames over hoe de groepen eruit zullen zien. In plaats daarvan, deze methoden analyseren gegevens om zowel het aantal groepen te bepalen als wie tot welke groep behoort. Deze wetenschappelijke technieken, genaamd C-Lasso, causaal bosalgoritme, en geografisch gewogen regressies, zijn gebruikt voor analyse op andere gebieden, zoals de arbeidsmarkt en energiebesparing, maar ze zijn nog niet eerder gebruikt in onderzoek naar klimaatverandering.

“Je laat de data echt voor zich spreken; je legt je model niets op. Zodra je keuzes gaat maken over hoe je de waarnemingen moet groeperen, je hebt je resultaten al in één richting geleid. En dan wil je je keuze verdedigen. We hopen dat toekomstige onderzoekers voorzichtiger zullen zijn met a priori keuzes, " legt Dall'Erba uit.

Dall'Erba en Cai werken al aan het toepassen van deze nieuwe benaderingen op een uitgebreide analyse van klimaatverandering en de Amerikaanse landbouwproductie. Ze verwachten hun resultaten in een volgende paper te presenteren, en om de implementatie van op de plaats afgestemde strategieën voor aanpassing aan de klimaatverandering te begeleiden.

De krant, "Over de evaluatie van heterogene effecten van klimaatverandering op de Amerikaanse landbouw:doet groepslidmaatschap ertoe?" is gepubliceerd in Klimaatverandering .