Кратко — план оценки и интерпретация результатов, которые вы получите из временных рядов урожаев и осадков.
1) Данные и предварительная обработка
- ENSO: используйте индекс NINO3.4 (например NOAA). Классические пороги: El‑Niño когда $NINO3.4>0.5^{\circ }\mathrm{C}$ на ≥5 последовательных трёхмесячных сезонов, La‑Niña когда $<-0.5^{\circ }\mathrm{C}$.
- Осадки: CHIRPS/GPCC/CRU по месячным суммам; агрегируйте по административным единицам или бассейнам.
- Урожаи: месячные/годовые ряды урожайности (тонн/га) по культурам (рис, масличные, каучук и т.п.).
- Предобработка: устраните пропуски, приведите к единой временной шкале, сопоставьте по регионам.
2) Устранение тренда и сезонности
- Удалите сезонность (для месячных рядов): вычислите климатологическую норму по месяцам и возьмите аномалии: $a_t=x_t-{\overline{x}}_{\text{month}(t)}$.
- Для годовых урожаев удалите долгосрочный тренд (технологический): подгоните линейную модель и получите аномалии: если $y_t$ — урожай, найдите ${\hat{y}}_t=\alpha +\beta t$, затем ${\tilde{y}}_t=y_t-{\hat{y}}_t$.
3) Описательный анализ (компаративно)
- Композитный анализ: вычислите среднюю аномалию осадков и урожая для El‑Niño и La‑Niña годов:
${\bar{y}}_{EN}=\frac{1}{N_{EN}}{\sum }_{t\in EN}{\tilde{y}}_t,{\bar{y}}_{LN}=\frac{1}{N_{LN}}{\sum }_{t\in LN}{\tilde{y}}_t$.
Разница: $\Delta ={\bar{y}}_{EN}-{\bar{y}}_{LN}$.
- Интерпретация: отрицательное $\Delta$ для урожая — El‑Niño связана с потерями относительно La‑Niña.
4) Статистическая значимость
- Тесты двух выборок для композитов (с учётом автокорреляции): используйте блочный бутстрэп или Newey‑West для оценки стандартной ошибки.
- t‑статистика для разницы:
$t=\frac{\Delta }{\mathrm{SE}(\Delta )}$.
5) Регрессионный анализ (количественная оценка)
- Простая модель для регионов/культур:
${\tilde{y}}_t=\alpha +\beta ENS{O}_t^{(L)}+\gamma Z_t+{\epsilon }_t$,
где $ENS{O}_t^{(L)}$ — индекс NINO3.4 с лагом $L$ (подберите по кросс‑корреляции), $Z_t$ — погодные контролы/экономические показатели.
- Коэффициент $\beta$ интерпретировать как изменение аномалии урожая (тонн/га или %) на единицу индекса ENSO (обычно на $1^{\circ }\mathrm{C}$ в NINO3.4).
- Для панельных данных используйте фиксированные эффекты:
${\tilde{y}}_{i,t}={\alpha }_i+{\lambda }_t+\beta ENS{O}_t^{(L)}+\cdots +{\epsilon }_{i,t}$.
6) Учёт лагов и сезонности посевов
- Подбирайте лаги (0..12 мес) отдельно для каждой культуры/региона; часто эффект ENSO проявляется с лагом 1–6 месяцев.
- Анализ кросс‑корреляции и скользящих регрессий.
7) Альтернативные методы и проверки устойчивости
- Дискретные события: логит/проба для вероятности неурожая (ниже X‑процента).
- Вейвлет‑анализ для нестационарных связей ENSO–урожай.
- Пространственный анализ: карта корреляций/композитов по провинциям.
- Контроль автокорреляции: Newey‑West, блочный бутстрэп, модель ARIMA ошибок.
8) Ожидаемые результаты и интерпретация для Юго‑Восточной Азии
- Общая картина: El‑Niño обычно приносит пониженную осадочную активность в Малайзии, Индонезии, Филиппинах (сухие условия, пожары) → снижение урожаев (особенно риса, масличных) и повышенные потери; La‑Niña часто даёт избыточные осадки/наводнения во Вьетнаме, Лаосе, Таиланде, что может тоже снижать урожайность или смещать сроки посева.
- Величина эффекта: зависит от региона и культуры; регрессии обычно дают эффекты порядка нескольких процентов изменения урожая на $1^{\circ }\mathrm{C}$ изменения NINO3.4, но требуется оценка на ваших данных.
- Гетерогенность: irrigated vs rainfed — в орошаемых системах эффект ENSO слабее; адаптационные меры и технологические тренды ослабляют историческую связь.
9) Практические рекомендации при выполнении
- Делайте раздельный анализ по культурам и по типу землепользования.
- Отчёт должен включать карты композитов, таблицы коэффициентов регрессий с доверительными интервалами, проверку на автокорреляцию и чувствительность к определению ENSO‑лет.
- Учитывайте возможные смещения данных о урожае (изменение учёта, площади посева).
Кратко: используйте аномалии (удаление тренда/сезонности), композитный анализ El‑Niño vs La‑Niña, регрессии с лагами и поправкой на автокорреляцию; интерпретируйте коэффициент регрессии как изменение урожая на единицу индекса ENSO. Ожидайте: El‑Niño → сушь и понижение урожаев в морской части ЮВА; La‑Niña → избыток осадков/паводки и региональные потери.