تغییرات آب و هوایی از طریق افزایش دما، تغییر الگوی بارش و فراوانی بیشتر رویدادهای شدید آب و هوایی بر امنیت غذایی تأثیر می گذارد. [
۱]. بر اساس گزارش سازمان بهداشت جهانی، ۸۲۸ میلیون نفر درگیر گرسنگی هستند و ۶۷۰ میلیون نفر (۸ درصد از جمعیت جهان) همچنان در سال ۲۰۳۰ با گرسنگی مواجه خواهند بود. [
۲]. این تحقیق به کاهش ناامنی غذایی کمک میکند و به اهداف توسعه پایدار سازمان ملل متحد (SDGs) “گرسنگی صفر” و “زندگی در خشکی” کمک میکند.
کارگران کشورهای کم درآمد بیشترین آسیب را از تغییرات آب و هوایی می بینند. آنها برای یافتن بیمه تلاش می کنند زیرا بیمه گران شروع به اجتناب از مناطق پرخطر کرده اند [
۳]. کسانی که به دلیل فقر، تحصیلات محدود و محرومیت مالی آسیب پذیر هستند، بیشتر تحت تأثیر رویدادهای آب و هوایی شدید قرار می گیرند. [
۴]. بیمه می تواند خطر خسارات ناشی از بلایا را گسترش دهد. با این حال، افزایش فراوانی و شدت رویدادهای شدید آب و هوایی، بیمه را بسیار چالش برانگیزتر می کند. این امر منجر به افزایش قیمت حق بیمه برای پوشش بیمه شده است. [
۵].
هدف از این تحقیق توسعه یک سیستم بیمه ای است که برای بیمه گران و مالکان مزارع کوچک مقرون به صرفه باشد. ما نشان میدهیم که چگونه میتوان این کار را با استفاده از نرمافزار منبع باز رایگان (FOSS)، سیستم اطلاعات جغرافیایی (GIS)، دادههای ماهوارههای مشاهده زمین (EO) و استفاده از یادگیری ماشینی و الگوریتمهای یادگیری عمیق برای تشخیص ویژگیهای عکسهای تلفن همراه انجام داد. از دیدگاه بخش بیمه، اهداف عبارتند از: (۱) دسترسی بیمه به مزارع در مقیاس کوچک، به آنها اجازه می دهد تا با افزایش پایداری محصول و انعطاف پذیری در برابر رویدادهای آب و هوایی شدید، یک تجارت بادوام را اداره کنند. (۲) به پذیره نویسان اجازه می دهد تا ریسک ها را پیش بینی کنند، بنابراین حق بیمه های مقرون به صرفه تری تعیین می کنند. و (iii) بهینه سازی ادعاها و تأیید خسارت با استفاده از یک سیستم خودکار.
این مطالعه امکان استفاده از ژئوانفورماتیک پایدار و یادگیری ماشین را با فناوریهای ماهواره EO و تلفن همراه بررسی میکند و به دنبال نشان دادن این است که این فناوریها میتوانند در یک سیستم بیمه مقرون به صرفه برای کشاورزان کوچک ادغام شوند.
شکل ۱ نشان می دهد که چگونه مطالعه امکان سنجی انجام شده است، با مرحله پذیره نویسی قبل از فاجعه که تخمین بهتری از دارایی اصلی (یعنی محصول)، آگاهی بهتر از مخاطرات زمینی بالقوه موثر بر مزارع بیمه شده، و چشم انداز تاریخی رویدادهای فاجعه قبلی در کشاورزی دارد. ناحیه. این نمودار نشان میدهد که چگونه یک مدل بیمه پارامتریک که خسارت فاجعه را تخمین میزند، میتواند از مدلهای یادگیری ماشینی برای شناسایی تغییرات در تصاویر ماهوارهای و طبقهبندی عکسهای تلفن همراه بارگذاریشده توسط کشاورزان آسیبدیده استفاده کند، که باعث پرداخت بیمه خودکار میشود.
سازماندهی این نسخه خطی به شرح زیر است. این مقدمه اثرات رویدادهای آب و هوایی شدید بر کشاورزی و نحوه مدیریت چنین خطراتی از جمله ارائه بیمه برای بخش کشاورزی را بررسی می کند. بخش بعدی انواع داده ها و روش های تحلیلی را پوشش می دهد. در مرحله بعد، گزارش نتایج ارائه میشود و پس از آن بحثی شامل توصیهها و نتیجهگیری میشود.
۱٫۱٫ تغییرات آب و هوایی، بلایای طبیعی و کشاورزی
در سال ۲۰۱۸، آژانس فضایی بریتانیا پیشبینی کرد که «انتظار میرود تغییرات آب و هوایی منجر به خطرات مرتبط با آب و هوای مکرر و شدیدتر شود. همچنین قابلیت پیش بینی را کاهش می دهد و توزیع جغرافیایی خطرات شدید آب و هوایی مانند دماهای شدید، سیل و خشکسالی، امواج گرما، آتش سوزی های وحشی و طوفان ها را تغییر می دهد. [
۶]. این پیش بینی تا حد زیادی توسط بسیاری از رویدادهای شدید آب و هوایی تأیید شده است، که اغلب با شکسته شدن رکوردها [
۱,
۷]. بنابراین، بسیاری از محققان تحقیقات خود را بر روی کاهش خطر در مناطق مستعد بلایا با ایجاد یک اکوسیستم تغییر اقلیم انعطاف پذیر متمرکز کردند. [
۸]، که در آن یک عامل کلیدی امنیت غذایی است [
۹,
۱۰]. عوامل دیگر احتمال شکست محصول را کاهش می دهند (یعنی آسیب دیده، بیمار یا از بین رفته اند). [
۱۱]) و همچنین کاهش خطر آسیب به زیرساخت های مزرعه [
۱۲].
این تحقیق به تغییر چارچوب ارزیابی ریسک آب و هوا به یک اکوسیستم پایدار مقاوم در برابر آب و هوا کمک می کند. این را می توان با (۱) پیش بینی مکان و زمان رویدادهای شدید آب و هوایی و (۲) اطمینان از تداوم کسب و کار کشاورزان و در نتیجه تأمین معیشت پایدار انجام داد. این با یافته های هیئت بین دولتی تغییرات آب و هوایی (IPCC) مطابقت دارد که ادعا می کند تغییرات آب و هوایی تخریب زمین را تشدید می کند. [
۱].
۱٫۲٫ مدیریت ریسک بلایا
مدیریت ریسک فاجعه دارای دو جزء اصلی است: (الف) کاهش خطر وقوع فاجعه، که نیازمند تحقیق در مورد محرکهای اصلی بلایا (خطرات، قرار گرفتن در معرض، آسیبپذیری) برای شناسایی فعالیتهای کاهش مناسب است. و (ب) مدیریت خطر بلایا تا حد امکان مؤثر، که شامل مدیریت اضطراری (از سیستمهای آمادگی و هشدار اولیه، تا واکنش سریع، سپس بازیابی، پیروی از دستورالعملهای «بازگشت بهتر»)، و همچنین تقویت انعطافپذیری، به عنوان مثال، با کاهش اثرات اجتماعی-اقتصادی از طریق بیمه
اولیویرا [
۷] یک بررسی سیستماتیک از مطالعات قبل و بعد از فاجعه انجام داد و اهمیت بازسازی بهتر در مرحله پس از فاجعه را در پرتو چارچوب سندای برجسته کرد. چارچوب فوق در سال ۲۰۱۵ توسط دفتر کاهش خطر بلایا با هدف دستیابی به هفت هدف پایدار جهانی تا سال ۲۰۳۰ منتشر شد. با توجه به موارد فوق، اثرات بلایای شدید آب و هوایی به عنوان تهدیدی برای امنیت غذایی و کشاورزی در نظر گرفته شد.
اصطلاح “تاب آوری” در اواخر قرن گذشته با چارچوب های مفهومی برجسته شد [
۱۳]. لو و یانگ [
۱۴] او استدلال کرد که فاجعه با یک عامل اجتماعی همراه است که می تواند با استفاده از شبکه های اجتماعی اندازه گیری شود. بر این اساس، وو و کوی [
۱۵] توییت ها را زیر نظر گرفت و احساسات را در طول طوفان سندی اندازه گیری کرد.
۱٫۳٫ ارائه بیمه برای کشاورزان خرده پا
بیمه به حفظ ثبات اقتصادی به ویژه برای جوامع آسیب پذیر کمک می کند [
۲۲]. با این حال، به دلیل نوسانات آن در شرایط آب و هوایی، بسیاری از شرکت های بیمه پوشش بلایایی مانند سیل را متوقف کردند. [
۵]. تأثیرات تغییرات آب و هوایی در مورد کشاورزان کوچکتر بیشتر است، زیرا آنها معمولاً به دلیل منابع محدود و موانع هزینهای که در صورت جستجوی بیمه مزرعه با آن مواجه میشوند، ظرفیت مقابله را ندارند. [
۶]. این را می توان با «نظریه هویت اجتماعی» توضیح داد، که ادعا می کند نسل ها و طبقات اجتماعی می توانند بر سیاست های آب و هوایی تأثیر بگذارند. [
۲۳]. در همین حال، توسعه سیستم بیمه کشاورزی فرآیندی پیچیده و چند وجهی است که در آن سیستم تولید، انواع محصول، اندازه مزرعه، موقعیت مزرعه، در دسترس بودن داده ها، کانال های فروش و سایر عوامل خطر، ارائه بیمه نامه و تنظیم مناسب را برای بیمه گذاران دشوار می کند. حق بیمه مناسب [
۲۴].
در بخش کشاورزی، از ۵۷۰ میلیون مزرعه خردهمالک جهان، ۸۷ درصد آن کمتر از ۲ هکتار است. [
۲۵]. علاوه بر هزینه، بیمه کشاورزی در کشورهای در حال توسعه که بسیاری از مزارع کوچک در آن متمرکز هستند، به دلیل محدودیتهای سازمانی و تکنولوژیک پایین است. [
۲۶] و همچنین هزینه بالای تخمین/تأیید زیان [
۲۷]. در منطقه آمریکای لاتین، تنها ۴ درصد از شرکتهای کوچک و متوسط (SMEs) که در تجارت کشاورزی کار میکنند، معمولاً به دلیل عدم حمایت دولتی، به جز مکزیک و برزیل، بیمه دارند. [
۲۸]. علاوه بر این، حق بیمه حدود ۷۲ دلار در هکتار تخمین زده می شود که مقدار قابل توجهی برای صاحبان مزارع کوچک است. به طور کلی، زمین های کشاورزی بیمه شده در آمریکای لاتین ۲۹ میلیون هکتار از مجموع ۱۳۸ میلیون هکتار برآورد شده است. [
۲۸]. در نتیجه، بسیاری از کشاورزان خردهمالک، گروههای تعاونی را به منظور بهبود بهرهوری و گسترش خطرات تشکیل دادهاند، همانطور که در بسیاری از مناطق کشاورزی کلمبیا، جایی که این تحقیق متمرکز است، وجود دارد.
تصمیمات مرتبط با بلایا دارای ماهیت اکتشافی هستند [
۲۹] به جای داده محور بودن به طور مداوم، “بیمه پارامتریک” از شاخص هایی برای هدایت پرداخت های بیمه بر اساس آستانه های از پیش تعریف شده استفاده می کند. [
۲۷]. به عبارت دیگر، پرداخت نهایی آن بر اساس تلفات فردی نیست، بلکه بر اساس یک معیار (اعم از بزرگی زلزله یا سرعت باد) تعیین می شود. در این تحقیق، ترکیبی از دادههای EO، GIS، تجزیه و تحلیل مکانی و روشهای یادگیری ماشین برای شناسایی معیارهای مناسب برای هر نوع فاجعه استفاده میشود، در حالی که استدلال میکند که پرداختهای بیمه همچنان میتواند با استفاده از فناوری یادگیری عمیق فردی شود.
بیمه پارامتریک زمانی که یک فاجعه از آستانه ای که توسط یک شاخص یا چند شاخص اندازه گیری می شود فراتر رود، پرداختی را به مدعیان ارائه می دهد. پذیرش بیمه پارامتریک چالش برانگیز و بحث برانگیز بوده است. فیگوایردو، مارتینا [
۲۷] بیانگر این است که در قلب طراحی خود، بیمه پارامتریک اصول ارزیابی ریسک را نقض میکند، زیرا بدون توجه به زیان واقعی، پرداختهای خودکار را صادر میکند. با این وجود، بیمه پارامتریک در مورد محصولات کشاورزی رایج بوده است. چارچوبی برای چگونگی استفاده از بیمه پارامتریک در آفریقا توسط Ibarra و Securities ایجاد شد [
۲۶]. متعاقباً، بسیاری از مطالعات بر جنبههای مختلف پذیرش چنین رمانی در کشورهای مختلف متمرکز شدند. به عنوان مثال، Figueiredo، Martina [
27] تمرکز بر روشهایی برای برآورد خطرات با محاسبه احتمال وقوع سیل در جامائیکا با استفاده از مدل رگرسیون لجستیک. آنها مطالعه خود را بر این فرض استوار کردند که متغیر هدف ماهیت دوتایی دارد: فاجعه/بدون فاجعه. مطالعه ای توسط پروکوپچوک [
۳۰] از دما، رطوبت و بارندگی برای تخمین سطح رشد غلات در اوکراین استفاده کرد و آن را به بیمه مرتبط کرد. با الهام از اهمیت پیش بینی پذیری و پیدایش یادگیری ماشینی، سزارینی، فیگوئرادو [
۳۱] پیشنهاد ادغام چندین منبع دادههای آب و هوا و سپس استفاده از تکنیکهای یادگیری ماشینی نظارت شده (ML) مانند ماشینهای بردار پشتیبان و شبکههای عصبی مصنوعی (ANN) برای طبقهبندی اثرات خشکسالی و سیل در جمهوری دومینیکن بین سالهای ۲۰۰۰ و ۲۰۱۹٫ مطالعه بنسو، جسوالدو [
۲۲] شاخصهای آبوهوا در برزیل و چگونگی تأثیر آن بر مزارع سویا را بررسی کردند: آنها استدلال کردند که بلایا میتوانند به هم مرتبط باشند و یک رویکرد ارزیابی خطر چندگانه را پیشنهاد کردند. هیلاری کلینتون، وزیر پیشین ایالات متحده، در جریان کنفرانس تغییرات آب و هوایی سازمان ملل متحد در سال ۲۰۲۳، نشان داد که با همکاری با مرکز تاب آوری بنیاد ارشت راک، پیشگام اصلاحات جدیدی در صنعت بیمه است تا بیمه پارامتریک را به عنوان شکلی از اقلیم بشناسد. تغییر انعطاف پذیری [
۳].