T

 

rade liberalization and change in poverty status in rural Ethiopia: What are the links? 

 Adugna Lemi, Ph.D* 

Department of Economics Univers Boston i  ty of Massachusetts

100 Morrissey Blvd. 

Emai .eduBoston, MA 02125 l: adugna.lemi@umbTel: 617‐287‐6962 Fax: 617‐287‐6976 

 

April 2010  

 Abstract 

The impacts and implications of trade liberalization on poverty status of farm households in Africa often come through its effects on prices (of inputs and outputs), government revenues, and employment, among others. The extent of these  impacts depends on the degree of rural farmers’  integration  into  the  world  market.  For  the  case  of  Ethiopia,  the  main  channel through which trade liberalization affects farm households is changes in prices of inputs and outputs. The aim of this study is to empirically examine these impacts in Ethiopia using panel data  collected  from  1500  representative  rural  households.  In  addition  to  the  traditional socioeconomic characteristics of households, this study  identified key trade reform variables that  influence  poverty  status.  The  results  of  the  study  show  that,  although  resource endowment had positive and  significant  impact on poverty  status,  trade  liberalization had mixed results on poverty status. Type of crops produced holds the key to the direction of the impact  of  trade  liberalization.  As  a  result  of  trade  liberalization,  contrary  to  expectation, changes  in  the  prices  of  cash  crops  (i.e.  chat  and  coffee)  increased  the  probability  of remaining  poor  and  falling  into  poverty. On  the  other  hand,  changes  in  the  relative  price taple  food  crops  (i.e.  Teff  and Wheat)  increased  the  probability  of  escaping  poverty  and emaining above poverty ine.  sr 

 l

EL ClassificJ ation:  D1, F1 ey Words: Liberalization, Poverty, Ethiopia, Africa  K  *I would like to thank the International Food Policy Research Institute (IFPRI) for making the  data  available  for  this  study.    I  would  also  like  to  thank  Cigdem  Akin  of  the  George ashington University for her comments and suggestions on an earlier draft. All remaining rrors are mine. We   

I. Introduction  

The recent debate on globalization, particularly trade liberalization, seems to have reached every corner of the world. In theory, the consensus that trade liberalization benefits every participant  in  international  trade  has  not  been  fully  substantiated  especially  for participants  too  far  from  market  centers  and  too  small  to  compete  (Stiglitz,  2004  and Chang,  2003).  The  arguments  on whether  the  poor  benefit  from  trade  liberalization  are even more  controversial  given  the  limited  information  available  to  substantiate most  of them.  Trade  theories  –  Richardo’s  comparative  advantage  and  Heckscher‐Ohlin’s  (H.O.) factor  proportion‐  show  that  trade  benefits  all  countries  who  participate  under  the specified assumptions. These theories do not answer the specific questions about whether the poor in each country benefit. The Heckscher‐Ohlin theory explains about winners and losers  based  on who  owns what  in  each  country.  However,  the  assumptions  in  the  H‐O heory are too general to point out the gains to the poor whose access to resources, other tthan their own labor, is limited.  Most pervious empirical studies that deal with the implications of trade liberalization are mostly  undertaken  in  Asia,  and  Latin  America.  Similar  studies  on  African  economies  are very scanty, but growing as voices of the poor becoming louder, especially at the meetings of the WTO, the IMF, and the World Bank. The reports coming from countries in Asia show some  consensus,  in  that  trade  liberalization  has  positive  effects  even  for  poor  families. Studies from Latin America, though not as strong as those from Asia, also indicate promises of  similar  trends  (Cline,  2004).  For  the  case  of  African  economies,  the  existing  limited empirical findings report conflicting results. Hence, it is timely and important to undertake such  study  for  cases  that  represent  Africa  to  fill  the  empirical  gap  and  to  answer  the uestion of how trade liberalization affects those rural farm households far away from the qcenter and from the media.     The  basic  question  asked  in  this  study  is  whether  the  economic  reform  in  general,  and trade  liberalization  in particular, has  improved the  living standard of  farm households  to escape poverty in Ethiopia. The results of the study are expected to provide answers to the following  questions:    What  happened  to  poverty  during  the  harvest  years  as  the government  implements reform programs  to slowly but surly open up  its markets  to  the nternational  market? Which  household  characteristics  help  families  to  benefit  from  the itrade policy reform to escape poverty?  The  purpose  of  this  study  is,  therefore,  to  undertake  empirical  study  on  the  impacts  of trade  liberalization on changes  in poverty status using rural household survey data  from Ethiopia.    The  remaining  parts  of  the  paper  are  organized  as  follows.  The  next  section presents  review  of  previous  studies  and  discussion  of  Ethiopia’s  experience  in  trade liberalization.  The  third  section  presents  data  and methodology  followed  by  results  and discussion. The final section provides conclusions with policy implications.     

 II. Background   

Following  the predications of  trade  theories, Bhagwati  and Srinivasan  (2002)  and Dollar and  Kraay  (2004)  argue  that  trade  liberalization  helps  reduce  poverty  through  growth, 

especially  in  developing  countries1.  Harrison  et.  al.  (2004)  and  Harrison  et.  al  (2003) present empirical results  in  line with the argument and contend that the poor gains from trade liberalization in Brazil and Turkey, respectively. While others argue that the effect of trade  liberalization  is  not  enough  and  is  not  straightforward  to  benefit  the  poor  in developing  countries  (Carneiro  and  Arbache,  2003),  or  has  only  mild  aggregate  welfare gains  (Vos  and  Jong,  2003).  Negative  effects  of  trade  liberalization  on  poverty  are  also reported in Lofgren (1999) and other recent studies (Annabi et. al, 2005a; Cororaton, et. al. 2005;  Annabi  et.  al,  2005b;  Sharma,  2005).  Detailed  review  of  the  literature  on  the relationship between trade liberalization and poverty has also been well documented (for nstance, see Winters, 2002; McCulloch, Winters, and Cirera, 2001; Winters, McCulloch and iMcKay, 2004; Cline, 2004).  There  are  several  factors  that  need  to  be  considered  to  examine  the  impacts  of  trade liberalization  on  a  community  or  a  region.  Winters  (2002)  identified  six  variables  that potentially affect the link between trade, trade policy and poverty. The four factors that are relevant  for  the  case  of  farmers  in  rural  setting  are:  the  price  and  availability  of  goods, factor prices (i.e., income and employment), government’s transfers influenced by changes in  trade  taxes, and external  shocks  (in particular,  changes  in  the  terms of  trade).  In poor developing countries the extent of the impact of each of these variables differs depending on  the  degree  of  access  to  markets  and  the  degree  of  institutional  support  available  to farmers. The intricacy of the impacts of these factors makes it difficulty to pinpoint to the exact effects on groups affected by trade reform.  

  That led Winters et. al. (2004) to conclude that given the variety of factors to be considered, lack of consensus on the effects of liberalization on the poor and poverty is not surprising. They  argue  that  simple  generalization  on  the  effects  of  trade  on  the  poor  and  about  all countries  will  just  be  wrong.  Considering  the  living  conditions  of  the  poor  and  their mobility  to  look  for  better  income  or  living  conditions,  Coxhead  (2003)  argues  that rigorous answers to the effects of liberalization on poverty have proved elusive. The lack of consensus leaves policy makers to look for micro level information on the effects of trade in a given region and/or on a given group in a country. In cases where theoretical predictions and generalizations provide only inadequate information about the effects of liberalization on  the  poor,  empirical  work  seems  a  logical  approach  to  answer  some  of  the  questions about the relationship between liberalization and poverty. This warrants the need to look to  individual  countries,  and  perhaps  communities,  to  understand  the  peculiar in

circumstances that make them respond differently to different reform measures.   Recently studies that investigate the role of trade liberalization rely on Computable General Equilibrium  (CGE) models  to  compute  relevant  impact  coefficients  (more  on  this  in  the methodology section). However,  for the case of Africa, where available data doesn’t allow to build broad based CGE models, most  studies  resort  to partial equilibrium models. The results  of  these  studies  are  mixed.  The  studies  which  report  pro‐poor  effects  of  trade reforms  often  qualify  their  findings  with  other  pre‐conditions.  Studies  by  Ocran,  et.  al. (2006),  Fofack,  et.  al.  (2001),  and  Son  and  Kakwani  (2006)  conclude  that,  on  average, liberalization  favors  non‐poor  in  their  sample  countries.  Where  as  Dercon  (2002  and  1 Also see Anderson (2004) and Klytchnikova and Diop (2006) for similar results.

2004),  and  Mcculloch  and  Calandrino  (2003)  show  that  growth,  or  related  trade  policy reforms,  is  pro‐poor,  for  their  sample  countries  and periods  of  study. Dercon  (2002  and 2006)  and  Ocran  et.  at.  (2006)  reported  results  of  empirical  analysis  that  examined  the impacts  of  economic  reform  on  poverty  using  household  survey  data  from  Africa.  More importantly,  both  studies  incorporate  specific  trade  reform  variables  in  their  regression analysis to examine impacts on poverty or the poor. Dercon (2002 and 2006)’s studies have used  dataset  from Ethiopia2, whereas Ocran  et.  al.  (2006)  has  used  similar  dataset  from Ghana.  They  followed  different  estimation  approaches.  Ocran,  et.  al  (2006)  used  limited dependent  variable  estimators  since  income  or  consumption  of  farmers  in  their  sample were  not  observed.  They  simply  grouped  their  sample  farmers  into  those  who  produce cash  crops  and  those who did not produce  cash  crops during  their  study period. Dercon (2002  and  2006)  has  used  consumption  expenditure  data  to  assess  the  impacts  of economic reform on consumption of the poor and hence change in poverty status. Similar to Dercon(2006)’s approach,  the present study estimates change  in consumption poverty status equation augmented by trade reform variables to generate relevant coefficients that ffect change in poverty status to confirm or reject the pro‐poor results of previous studies ain the context of Ethiopia.  The  present  study  differs  from  that  of  Dercon(2006)’s  in  many  ways.  First,  the  present study uses larger sample (1400 households as opposed to 354). Second, I have estimated the determinants of poverty status change, not just change in consumption for the poor, but for  those  households  who  escaped,  moved  into,  and  remained  poor  during  the  study period.  Third  and  most  important,  I  have  looked  into  the  impact  of  trade  liberalization hrough  changes  in  prices  of  six  major  crops  (both  cash  and  food  crops)  unlike  the omposite terms of trade variable employed in Dercon (2006). tc 

2.1.  Trade liberalization in Ethiopia  Since 1991, the year when the current government took power from the military regime, the country has shown some commitments and actual changes in policy stance towards more open and liberal market system. It is noted that the liberalization package of 1992/1993 was formulated with due emphasis on complementarity between trade liberalization and macroeconomic management in shaping the reform outcome (World Bank, 2004). One of the crucial policy reforms relevant for rural economy was devaluation of the birr (Ethiopian currency) in 1992. The direct impact of the devaluation would be for farmers to get better prices for their export crops, such as coffee and chat (a stimulant leaf). Since more than 90% of coffee production comes from small‐farm holders (Dercon, 2002), it is expected that farmers would be the direct beneficiaries of currency devaluation. In addition to reforms on exchange rate, backed by fiscal and monetary policy commitments, the country embarked on dismantling quantitative restrictions and gradually reducing the level and dispersion of tariff rates. As a result of the reform, tariff rates narrowed down rom 0‐240 percent to 0‐80 percent in 1995 and then to 0‐35 percent in 2002 (World Bank, 004).  f2 

2 Dercon’s studies used data from 1989 and 1994 survey years and for only six of the fifteen survey sites.

Regarding export sector, the major agricultural and related export items are coffee, chat, oilseeds, pulses, livestock, and livestock products. Duties on all exports other than coffee were lifted in early 1990s. The coffee export duties were unified and set at 6.5%3. Exporters are exempted from the duties when export prices are below US $0.55 for unwashed coffee and US $ 1.05 for washed coffee.  There were also significant regulatory reforms that aim at promoting export. The government dismantled government monopoly in coffee trade and abolished the mandatory approval requirement for export contracts by the National Bank of Ethiopia. The policy reform also include introduction of foreign exchange retention scheme that allow exporters to retain part of (10 %) the export proceeds. Other schemes designed to support exporters include assistance with manufacturing warehouses and an import duty rebate to provide exporters with imported inputs at world market prices (World Bank, 2004). One would also expect that these policy changes promote export of not only traditional cash crops but also food crops often traded only locally (like Teff, wheat, and maize) and produced by most farm families in rural Ethiopia. In 2008 Ethiopia launched the Ethiopian Commodity Exchange (ECX) market place to provide market integrity and to enhance market efficiency through rural electronic price ticker system. So far the ECX has been providing its services for major food crops although recently it has added coffee to its system.  Other service that the ECX has initiated is the establishment of customs warehouse, both for importers and exporters, to store their goods in case they could not finalize their trade deals on time. Export Promotion Agency is also one of the support institutions that has been established by the government to support xport of mainly agricultural goods, which account for over 87% of the country’s export in erecent years.  Given these policy changes and incentives, it seems that the export sector is attractive and lucrative sector to invest in, however, there are still some constraints ranging from institutional to market access for exporters. The livestock sector, for instance, may face even bigger hurdle than other export goods, due to disease and animal feed shortages. For other exports, like coffee, oil seeds and other cereal products, price instability in the world market has been pushing farmers to go back to traditional food crop production. One has to look not only into the export sector but also the import sector when assessing the impact of trade liberalization on farmers. Farmers often use fertilizers, pesticides, farms tools, and improved seeds on their farm. Most of these farm inputs (especially fertilizers and pesticides) are imported and their prices have been increasing as demand has been increasing over the years. In some cases, government had to subsidize some of these inputs, especially fertilizers, to make sure that farmers use them to improve productivity. It is with this backdrop that this study plans to assess the role of trade liberalization on poverty in Ethiopia. 

 III. Data and Methodology  

The  Department  of  Economics  at  Addis  Ababa  University  in  collaboration  with  various institutions (including Oxford University, UK and International Food Policy Institute, USA), have gathered socio‐economic data from 1500 representative farm households from fifteen 

 

3 In the past two years, the country has abandoned all export taxes including the 6.5% imposed on coffee, it is not clear if this is a temporary relief time for exporters or permanent policy change.

survey sites  in Ethiopia since 19944.  In 2000, the survey was  in  its sixth round (although not on a regular interval); the same households were interviewed to obtain information on various modules. The core modules  that appear on  the questionnaire are  information on demographics,  assets,  farm  inputs,  farm outputs,  consumption,  livestock,  and health. The fifteen survey sites are scatted across four regions (Amhara, Oromia, SNNP5, and Tigray) of he  country  representing  different  ecology  of  the  highland  farming  systems  with  the 

 texception of pastoral systems (see figure 1 in appendix for the location of survey sites).   The  survey  dataset  over  the  period  1994‐2000  is  a  unique  household  panel  data  to investigate both the static and dynamic nature of poverty in Ethiopia. Table A.1 in appendix displays the survey sites, the main harvest months, and the time of interview for the first four rounds. The dataset has been used previously  to address related  issues;  for  instance see Dercon (2002) for consumption effects of economic reform, and Dercon and Krishman (1998)  for  dynamics  of  poverty,  Lemi  and Huang  (2003)  for  family  labor  allocation,  and Lemi (2006) for the determinants of the dynamics of income diversification.   

 This study will use datasets from two of the six rounds6 (i.e. 1994 and 1997) to investigate the  effects  of  trade  policy  reform.  The  selected  survey  years  (1994‐1997)  are  periods during  which  the  country  adopted  significant  economic  policy  reforms  and  structural adjustment programs. Since the data has been collected from the same households for all he  rounds  (with  very  few  attrition  rates),  it  is  suitable  to  analysis  the  impacts  of  policy treforms on the same households overtime.  As  indicated above,  there are  several policy  reform variables,  including prices of outputs and  prices  of  inputs  that  affect  the  level  of  poverty  in  a  country.  One  of  the  channels7 through which liberalization of trade affects farmers is through prices, of both inputs and outputs.  In  this  study,  I  will  use  the  change  in  prices  of  the  major  crops  in  Ethiopia  as indicators  for  trade  policy  reform.  The  change  in  prices  of  the  major  export  crops  (i.e. coffee and chat) are the focus of this study. In addition to these two major export crops, I also  include  changes  in  prices  of  other  major  staple  food  crops  produced  in  Ethiopia, namely, Teff8, wheat, barley, and maize. For input prices, I will use change in costs (price) of one of the major farm inputs that farmers use: fertilizer. Almost all fertilizer used in the country  is  imported  and  the  effect  of  trade  liberalization  can  affect  farmers  income  or consumption.  The  other  input  that  farmers  use  on  their  farm  is  pesticide,  which  is  also 

4 Although the survey started in 1989, only six (drought-prone sites) of the fifteen sites were covered during the 1989 survey year. The next four survey rounds were conducted in 1994, 1995, 1996, and 1997. 5 SNNP stands for Southern Nation and Nationalities People. For the survey the region was divided into three sub-regions (region 7, 8, and 9). 6 These two years are selected for two reasons. First, 1994 and 1997 give us a natural experiment where one can see the effect of both policy and weather shocks. It helps to see how farmers respond when they face these shocks at the same time. Second, the other two survey years in between (1995 and 1996) are too close to the base year (1994) to see any significant response from the farmers. The later years (especially 1999 and 2000) may be ideal to conduct longer panel analysis and they may also introduce other shocks. However, for these years some of the variables that refer to demographics and household composition and related covariates are not consistent with previous year variables and it creates difficulty to pool the data together from these years. 7 The other channels are fiscal policy change, change in taxation and terms of trade effects (see Winters, 2002). 8 Teff is a tiny cereal grain native to the African country of Ethopia. It is one of the of the staple food items in the country and used to make a pancake-like bread.

affected  by  trade  policy  reforms.  However,  the  use  of  pesticide  is  not  widely  spread compared to the use of fertilizer among farmers with small land holdings. Hence, I will use he price of fertilizer at the nearest district market to examine its impact on poverty status tof farmers.     The debate over whether income or consumption provides better information for the study of poverty dynamics  is  still not settled. There are  those who  favor consumption (Dercon, 2002) for its reliability and completeness since it captures actually spent expenses. While others  favor  income  as  a  measure  of  poverty  dynamics  since  it  reflects  not  only consumption but also income growth that has been saved or invested to build asset (Nicita, 2004b).  Others  argue  that  asset  should  be  the  key  indicator  of  poverty  status  since  it  is stable and also includes both private and public assets to supplement other money‐metric indicators (Booysen, et. al. 2008). However, the approach that uses asset index to construct poverty  lines  relies  on  categorical  variables  that  indicate  ownership  of  some  assets  to extrapolate using different approaches. This makes it difficult to know the exact magnitude of  asset  ownership  to  rely  on  asset  index.  It  is  also  true  that  in  developing  and  less developed  countries  where  market  integration  is  at  the  lowest  stage  and  on‐farm consumptions of local products is common, asset values are difficult to determine. Some of these  features  also  make  income  poverty  line  an  unlikely  candidate.  Income  data  is unreliable since often times longer recall period is used to collect income data compared to, for  instance,  consumption  data.  Due  to  the  unreliability  of  income  data  and  limited vailability of asset data in developing and less developed countries, most poverty studies ause consumption expenditure data to calculate consumption expenditure poverty line.   The present study argues that poverty dynamics, in the context of the survey adopted here, is  better  reflected  using  consumption  data  mainly  due  to  often  understated  income amounts  and  longer  recall  period used  to  gather  income data  compared  to  consumption data. On top of  that, most rural household consumptions  in Ethiopia, and  in most African economies for that matter, are on farm consumption and may not be recorded as  income very  often.  Poverty  status  change  should  also  focus  on  changes  in  living  standard  of  the poor,  which  is  mainly  manifested  through  increase  in  consumption  in  countries  like Ethiopia.  Using  asset,  or  income,  or  consumption  data  may  not  guarantee  consistent findings  on  the  determinants  of  poverty  dynamics.  However,  the  yardstick  used  in  any study needs to be consistent with the underlying dataset of each study.  

 Even for those studies that use consumption to generate change in poverty status, there are variations in results on the key driver for the change in poverty status. One of the reasons for  the  variations  in  the  results  of  the  impact  of  trade  reform  on  poverty  is  the  type  of methodology used in each study. Often, due to lack of micro‐level data, researchers resort to  use  of  simulations, more  specifically  Computable  General  Equilibrium  (CGE) models9. Ideal  approach would  be  to  relax  the  assumptions  embedded  in CGE models  as much  as possible  and  to  use  actual  data  to  see  what  really  the  data  tells  us  at  the  micro‐level. General equilibrium models are often used to simulate the impacts of a change in key trade liberalization variables on welfare of a nation as a whole (Hertel et. at, 2003; Annabi et. al, 

9 For survey of methodologies used to analyze the impacts of trade liberalization on poverty see Hertel and Jeffery (2005).

2006; Lofgren, 1999; Lofgren et. al, 2002). One of the problems with this approach is that, as stated above, some of the assumptions used to build these models may not hold in every part of a country and for all goods. These methods are mostly ex‐ante exercises to predict the poverty effects of trade liberalization (or other reforms for that matter). Given the load of  theoretical assumptions and one‐fits‐all  structural models,  general equilibrium models serve only as a second best alternative to the use of survey data to generate actual ex‐post impact  parameters.  To  this  effect,  whenever  data  is  available,  studies  use  partial quilibrium analysis to address welfare effects of reforms (Ravillion, 1990; Dercon, 2002; ePorto 2003).  One  other  issue  with  the  use  of  CGE  in  the  context  of  Ethiopia  is  lack  of  some  of  the parameters required to build CGE models. Available information is just not enough to build such  models.  Partial  equilibrium  models  are  commonly  used  in  the  case  of  African economies  in general and  for Ethiopia  in particular  to address most micro‐level  issues  in rural  communities.  Partial  equilibrium  analysis,  which  takes  into  account  only  those variables that directly affect the poor and poverty (price, income, and consumption, among others)  and  relate  them  to  the  characteristics  of  the  farm  households  or  communities under consideration, are emerging as an alternative method (McCulloch and Yiying, 2003; Niimi, Vasudeva‐Dutta, and Winters, 2003; Litchifield, McCulloch and Winters, 2003). The studies that rely on partial equilibrium analysis adopted different econometric approaches as  their  data  fits,  including  simple  OLS  regressions  of  income  or  consumption  on  trade indicators  and  estimation  of  price  elasticities  of  income  or  consumption  (Nicita,  2004a; Porto,  2003;  Ravallion,  1990).  Others  use  more  advanced  estimation  approaches,  like multinomial  logit  (Niimi,  Vasudeva‐Dutta  and  Winters,  2003)  and  survival  analysis (McCulloch  and  Yiying,  2003  and  Litchfield,  McCulloch  and  Winters,  2003)  to  take advantage of  the nature of data used  in each study.  In developing countries, especially  in Africa,  the  role  of  shocks  on  poverty  and  the  poor  is  often  emphasized  in  addition  to economic  reforms  and  growth  (see Dercon,  2002  for  Ethiopia; McCuloch,  and  Caladrino, 2003  for  China;  Appleton,  2001  for  Uganda;  Fofack,  et.  al.  2001  for  Burkina  Faso;  and Ocran, et. al, 2006 for Ghana). These approaches, as is the case for the present study, mostly adopt  partial  equilibrium  analysis  to  take  advantage  of  the  rich  data  set  and  to  answer questions about the impact of trade on poverty. For all these estimations the first step is to construct poverty lines at the country, region or village level. The next section sheds some light  on  the  construction  of  poverty  lines  for  the  two  survey  years  used  in  the  present study.  3.1. Poverty Lines  One of the corner stones of poverty analysis is the computation of a poverty line for a country or a group under investigation. Ravallion (1998) defined a poverty line as the monetary cost to a given person, at a given place and time, of a reference level of welfare. People who do not attain that level of welfare are deemed poor. Others define that a poverty line measures the minimum income or consumption expenditure or asset required to attain basic daily activities for a person. Although it sounds simple in the definition, there are serious disagreements on what the daily activities include, whether income, expenditure or asset should be the yardstick, and how to adjust the poverty line over space and time (Ravallion, 1994; Ravallion and Bidani, 1994). Recent studies argue that these 

concerns are not easy to resolve especially in the time of rapidly changing world (Osberg and Xu 2008) and at a time when the relevance of previously ignored poverty dimensions come to light (Alkire 2007). Despite these concerns, practitioners and applied cademicians are eager to come up with a practical way that can lead them to a specific apoverty measurement.  The two main methods to calculate a poverty line are Food‐Energy Intake (FEI) and Cost of Basic Needs (CBN) approaches (Ravallion, 1994 and 1998). The latter approach is common practice in most studies in developing countries. In a country with diverse communities, farming systems, and cultures, often times locality specific poverty lines are computed to reflect the tastes and preferences. Ravallion (1994) argues that the relationship between food energy intake and consumption or income is not going to be the same across egions/sectors/dates, but will shift according to differences in tastes, activity levels, rrelative prices, publicly provided goods and other unobserved factors.  Despite  the  call  for  locality  specific  poverty  lines,  the World  Bank’s  attempt  to  come  up with an international poverty line for the entire developing countries is criticized as overly simplistic10. For instance, if one adopts the $1 or $1.25 per day per person income poverty line of the World Bank, one would find an overstatement of poverty rate (perhaps close to 60%‐75%)  in  Ethiopia.  In  Ethiopia,  using  the  national  poverty  lines,  the  poverty  rate  is estimated  to be  less  than  that of  the World Bank’s poverty  rate estimate by about 10‐20 percentage  points.  As  a  result,  most  studies  in  developing  countries  use  survey  data  to come  up  with  national  poverty  line  and/or  locality  specific  poverty  lines  in  a  country. Osberg  and  Xu  (2008)  show  that,  for  the  case  of  China,  the  commonly  accepted international  poverty  line  defined  as  one  half  median  national  equivalent  income  is ecoming  increasingly  relevant  for  a  changing  world.  For  poverty  lines  reported  by 

ppendix.bprevious studies for different years see Table A.3 in a   For  the  case  of  Ethiopia,  there  are  several  studies,  that we  are  aware  of,  that  computed poverty lines using the same data used in the present study. Dercon and Krishnan (1998), Dercon  (2006),  and  Bigeston  and  et.  al.(2003),  Kebede  et.  al.  (2005)  and  Bigeston  and Abebe  (2008)  have  computed  poverty  lines  for  rural  and  Urban  (only  the  latter  two) Ethiopia. They have used Cost of Basic Needs approach to arrive at the computed poverty lines for each of the survey sites under study. Dercon and Krishnan (1998) arrived at the average poverty line of 528 birr per person for 1994 where as Kebede et. al. (2005) arrived at  726  birr  per  person  for  1995  using  the  same  data  and  similar  methods.  Welfare Monitoring Unit (WMU) of Ethiopia also came up with 1073 birr per person for 1995 for rural Ethiopia using other survey datasets11. If we go by the World Bank’s $1 per day per person poverty  line,  the comparable annual poverty  line for Ethiopia would be 2190 birr (at  1995  exchange  rate  of  $1  =  6  birr)  per  person  for  1995.  Using  Foster,  Greer,  and Thorbecke (1984), the internally computed poverty lines are 380.2 birr per adult in 1994 and 466.6 birr per adult in 1997 for the fifteen survey sites in this study. 

10 Some studies use the World Bank’s international poverty line for cross country comparisons (For instance, see Banerjee, Abhijit V., and Esther Duflo, 2007). 11 Gebremedhin and Whelan (2008) also estimated urban poverty line for Ethiopia; the average poverty line from their estimation is 951 birr per person for 2000.

Almost  all  of  these  studies  use  Cost  of  Basic  Needs  method  to  arrive  at  the  minimum expenditure to perform basic daily activities. The poverty rates calculated by each of these studies are slightly different from each other. The difference may be due to the food basket selected in each case to measure the cost of basic needs, the year under investigation, and the  different  survey  data  used  in  each  study.  Dercon  and  Krishnan  (1998)’s  estimate  of poverty  line for the year 1994 fits best  for this study given that they have used the same survey data from 1994. Hence we have adopted the site specific poverty lines reported in heir study. It is important to note that the poverty lines are adjusted for household size by tdividing the total annual family expenditure by adult equivalent in each family.  Although most  of  the  above  studies  analyzed  poverty  dynamics,  it  is  not  clear  how  they arrived  at  the  consumption  poverty  line  for  the  subsequent  years.  Other  studies  (for instance,  Dercon  and Krishnan  (1998),  Bigeston  et.  al.  (2003)  and  Bigsten  and  Shimeles (2008)) have used either the poverty line of the base year as deflator or price index of local products at the local market. In this study, national food price index is used to calculate the real consumption expenditure for year 1997 to arrive at  the consumption poverty  line  in 1997.  It  is  important  to  also  note  that  in  year  1997 national  consumer  prices  (and  food rices)  were  below  that  of  1994,  hence  1997  values were  deflated  using  the  food  price pindex.  Table A.4 in appendix reports changes in poverty rate between 1994 and 1997 using site specific  consumption  poverty  lines  discussed  above.    It  can  be  noted  that  over  62%  of households who were  below poverty  line  in  1994  remained  poor  in  1997.    Out  of  those households who were above poverty  line  in 1994 close  to 43% fell  into poverty  in 1997.  The  overall  poverty  rate  for  the  country was  about  53%  both  in  1994  and  1997.  These numbers refer to households in the rural part of the country. As reported in MOFED (2002), the  poverty  rate  could  be  lower  if  one  takes  into  account  urban households  as well.  For instance, MOFED  (2002)  reported  that  in 1995/96,  the national  poverty  rate was 45.5% with  higher  rural  poverty  rate  (47%)  than  urban  (33%)  (Table  A.2).    It  is  not  fare  to ompare the two poverty rate estimates since different methodology and datasets are used o arrive at the poverty lines used to estimate poverty rates.  ct 3.2. Multinomial Logit and Relative Risk Ratio  It has become common practice to model poverty status of households using multinomial ogit model. The Multinomial Logit model analyses the probability of being in a particular overty state out of several unordered alternatives (Niimi et. al. 2003). lp  The probability that household i experiences outcome j is expressed as (Greene, 1997): 

.4,3,2,1,)(Pr 4

1

===

∑=

je

ejYob

k

iik

ij

χβ

χβ

 

 

Where Yi is the outcome (i.e. poverty status) experienced by household i, Xi is the (n x 1) vector of household i characteristics, and βj is the (n x 1) vector of coefficients on Xi applicable to households in state j. For the model to be identified, one J  must be chosen as the base category and set to zero. All other sets are then estimated in relation to this base poverty status. In this study four poverty status changes are considered between 1994 and 1997, namely, remained poor in both years (1), escaped poverty in 1997 (2), fell into poverty in 1997(3) and remained non‐poor during both years (4). As a reference, outcome 1 (i.e. households who remained poor in both years) is set to zero to examine how trade policy and other variables help households to escape from poverty (2). I have also used outcome 4 (i.e. households who have never been poor in both years) to examine how trade policy and other determinants affect being poor in both years and falling into poverty in 997. The numbers in brackets are the coded assigned to each poverty status for 1programming purposes.  I report the impact of each explanatory variable on the relative risk ratios (RRR) rather than the actual coefficients, which gives us the odds‐ratio. The relative risk ratios are the ratio of the probability of each outcome relative to the probability of the base category. If e set Y = 1 as our base category, the relative risk ratio for Y = 2 for a change in each ariable X is given by: wv 

 ie

Yob )1Pr = Where e

Y χβ2

()(=

ob 2=Pr

B  is the relative risk ratio for a unit change in the value of variable X. The coefficients represent the impact of a one point change in each explanatory variable on the relative risk ratios of the household being in each outcome. A coefficient less than one imply that the variable reduces the probability of the household being in the nominated category. The percentage change in the probability is given by the coefficient minus one, multiplied by one hundred. This rule applies to both dummy and continuous variables. The multinomial logit is most easily interpreted as giving conditional probabilities. Given that being poor in both periods (outcome 1) is the base category, the coefficients for outcome 2 poor in 1994 but not in 1997 – escaping poverty) tell us the probabilities of moving out of overty relative to being poor in both years.  (p 3.3. Correlates of Poverty Dynamics   To address the stated objectives and to answer the questions poised above, this study will estimate multinomial logit model with the relevant correlates that affect poverty status of rural households  in Ethiopia. The  right hand  side variables  are divided  into  four  groups: Demographic composition, asset and input, seasonality, and trade policy reform variables. I have  used  variables  from  the  survey  data  to  approximate  each  of  these  categories.  For some  of  the  variables, which  show no  or  little  changes  during  the  two  survey  years, we ave used the 1994 values of these variables to examine the impact of initial conditions on he poverty status of households.  ht 

A handful of studies analyzed poverty dynamics and transition in Ethiopia using the same dataset [Kebede, et. al. (2005), Bigsten et. al. (2003), and Bigsten and Shimeles (2008)] and identified  relevant  correlates.  Although  these  studies  focused  on  the  determinants  of poverty transition and dynamics in rural Ethiopia, none of them analyzed the direct impact of  trade  liberalization with  the exception of Dercon  (2006). Dercon  (2006)  looked at  the determinants of change in consumption for poor families using smaller sample (only six of the  fifteen survey  sites) between 1989 and 1994. The study  reported  that  land,  terms of trade  (producers’  price  index  to  consumers’  price  index),  rain  shock,  and  road infrastructure are positive and significant determinants of the change in poverty status (i.e. change in consumption) between the two survey years. Terms of trade variable is the key variable  that captures economic  reform for rural households  in Dercon’s study.   This key variable  is  the weighted sum of  the prices of  traded crops  in each survey site. As  such  it only reflects crude reform measure for some households who cultivate and consume only some crops out of the many crops produced and traded in the market. The study concluded hat reform programs do not deliver similar benefits to all the poor and further indicated tthat if there had been no reform, poverty would have increased in 1994.   Bigsten et. al. (2003) have used multinomial logit model, as I did in this study, to estimate the  determinants  of  poverty  status  in  rural  Ethiopia.  In  their  study  and  in Kebede  et.  al. (2005) poverty statuses were regressed on initial (1994) socioeconomic characteristics of households to determinant factors that had significant impact on poverty status change. To analyze the effects of trade policy reform between 1994 and 1997, I augmented their model using  changes  in  a  detailed  version  of  trade policy  variables  identified  in Dercon  (2006) They  estimated  coefficients  for  those  households  who  were  permanently  poor  and permanently  non‐poor  compared  to  those  households  in  transition  (escaping  and  re‐entering poverty). From their results it is difficult to read what determines the transition in poverty. In the present study, I explicitly estimate coefficients on what determines escaping and re‐entering poverty between the two years in addition to factors that lead to persistent poverty over time. In addition to the initial conditions (1994) used in most of these studies, I augmented the poverty status model by changes in real and relative prices of major crops. he variables  in the right hand side of  the estimated equations are discussed below.   For etailed description of each variables, see variable definition appendex. Td Demographic composition and education variables  In agrarian countries like Ethiopia, one of the resources that households have control over is  labor.  Hence  human  resource  is  the  key  input  in  farming  and  other  activities.  The composition  and  education  level  of  household  members  is  therefore  important  to determine the human capital endowment of a household. To account for this in estimation equations,  I have used family size  in adult equivalent, age of  household head, dummy for female  headed  households,  number  of male  adults,  number  of  female  adults,  number  of dependents in the family, and number of students in a household below age 15.  Since there was no significant change between the two years, I have used initial values (1994) of these variables  in  the  estimation  model.  The  choice  of  these  variables  is  partly  based  on  the esults  of  previous  studies  and  availability  of  data  to  capture  family  human  capital esources.  rr 

Asset and Input variables  For  resource‐constrained  farm  households  farm  tools,  access  to  credit,  and  other  farm inputs help them to significantly improve their productivity and hence their consumption. It  is believed  that  access  to  these  assets and  inputs  is  expected  to  change poverty  status over time. In the present study value of major agricultural tools, access to loan, amount of land  owned,  and  the  value  of  livestock  owned  are  key  assets  that  are  expected  to  play significant role in rural Ethiopia. I expect that the higher the value or access to each of these resources gives households the opportunity to escape poverty. Only initial values of these variables (except for the case of loan) were used, given limited transaction in these assets n rural Ethiopia, it is not far fetched to assume that no significant change in these variables ook place during the time period considered in this study.    it Seasonality   Seasonality is another factor that affects poverty status of a family in rural Ethiopia. Issues of  seasonality  could  be  within  a  given  year  or  across  years.  Given  the  two  major  crop seasons (i.e. meher and belg), farmers may be idle during times other than the crop seasons. It  is  also  important  to note  that  due  to different weather  conditions  year  after  year,  one expects to see variations across years, which may partly explain the poverty status change of some of the households between the two years. During the survey years (i.e. 1994 and 1997), as  indicated in Table A.1  in appendix, different  time periods, and hence difference recall  periods,  had  been  used  for  each  village  to  collect  data.  To  account  for  this,  I  have created  dummy  variables  for  the  differences  in  the  choice  of  survey months  (and  hence ecall months) for each year. The season dummies take value of 1 for a village if the survey rwas conducted in that village during the slack months of the year and takes 0 otherwise.   One of the key differences between these two years, when it comes to agriculture,  is  that year 1994 is considered as the year with sever weather conditions that was not favorable for crop production;  the other difference was  that year 1997 was considered as  the year where  farmers  have  been  fully  exposed  to  the  policy  reforms  undertaken  by  the government. One needs to keep in mind the change in weather condition when interpreting the results, although it is difficult to distinguish between the effects of weather changes and policy  change  on  the  status  of  poverty  in  1997.  To  control  for  the  variation  in  weather condition, I have used amount and timing of rainfall in the estimation equations. However, none  of  these  rainfall  variables  turns  out  to  be  significant.  To  save  space,  I  have  not eported  the  estimation  that  includes  rainfall  variables,  but  the  results  are  available  on equest.   rr Trade policy reform variables  Two  channels  through  which  trade  liberalization  affects  poverty  are  considered:  Price channel and employment channel. Effects through price channel come either through direct price  effects,  and/or  production  effects.  Prices  of  tradable  goods  are  expected  to  change after  liberalization  and  hence  prompt  more  production  of  tradable  goods.  I  have  used 

changes in the prices of major food crops (teff12, wheat, maize, and barley) and cash crops (chat13 and coffee) to investigate the implication of these price changes on poverty status of households.  The  changes  in  prices  are  in  real  terms.  There  may  be  other  price  effects through  imported  input,  fertilizer, which has been used by most  rural  farmers who have access to transportation.  Farmers may benefit from changes in the price of crops that they have sold, however,  they might also benefit  from the change in  the price of  fertilizer as a result of  liberalization.  I expect  that price of  fertilizer declined due to trade  liberalization and households benefit from the decline in price. To account for the change in relative price effects, I have computed relative prices of each crop (ratio of individual crop prices to cost of fertilizer). Hence, changes in the relative prices of all the tradable crops were also used in  addition  to  the  changes  in  the  real  prices  of  each  crop.  It  is  expected  that  for  those escaping poverty and those remained non‐poor, positive and significant coefficients imply hat  households  benefit  from higher  output  prices  and/or  lower  fertilizer  prices  for  that tparticular crop.   There  may  be  households  who  could  not  benefit  from  the  price  effects  due  to  on  farm consumption of what they have produced. To explicitly account the effects of price change, I have controlled for whether households sold part of their products, both in belg and meher seasons,  to  make  sure  that  households  are  actually  engaged  in  the  market  transactions sing  dummy  variable  that  takes  1  if  a  household  sold  part  of  its  production  and  0 uotherwise.    There are other factors that one needs to incorporate in the analysis of poverty dynamics. For instance, there may be unobserved regional or village factors, infrastructure or access to  markets,  quality  of  land  in  each  village,  proximity  to  the  nearest  input  distribution centers, and access to other social services, like school and health centers. Ideally, all these variables should be included in the estimation model to identify the role of each factor. One issue with this is that it is difficult, if not impossible, to get sufficient information to proxy some  of  these  factors  for  each  village.  Short  of  separate  information  for  each  of  these factors, I resort to using village dummy variable to account for these village specific factors. Hence, in each regression 17 village dummies are created to control for these unobserved factors. Most village dummy coefficients are significant however, since the interest of this tudy is not about the specific village factors I have not reported village dummy coefficients sto save space.    Table  A.5  in  appendix  presents  descriptive  statistics  of  some  key  variables  for  the  four groups and  for  the whole sample. The average age of household head  is  the  lowest  (44.3 years)  for  those who  fell  into  poverty  in  1997.  Those who  escaped  poverty  tends  to  be older (close to 50 years) compared to the other group. It is surprising that younger adults fall into poverty more than older ones. The largest proportion of female headed households falls into the group that remained poor in both years. The two key resources that seem to partially determine poverty status are size of land and livestock owned. Those who fall into poverty  in 1997 and  those who remained poor own  less  land and  less  livestock  in 1994. The proportion of households who sold at least part of their production increased in 1997 

12 It is a tiny grain seed that is used to make Ethiopia staple food – Injera, flat bread. 13 Stimulant often exported to the Middle East and other parts of Africa.

compared to 1994 for all poverty status groups during meher harvest season. This may be an indication of the level of production in 1997 due to relatively suitable weather. In terms of off‐farm activities,  the two extreme groups, persistently poor and those who remained non‐poor,  are  in  the  opposite  end  of  the  participation.  Persistently  poor  households engaged more in off‐farm activities in 1997, where as those households who remained poor engaged less in 1997. This, again, confirms the view that those who focused on own farm production (due to resource endowments) end up producing and consuming more and as a result avoid falling into poverty. One other pattern to note is the value of coffee production. It is puzzling to see that the increase in coffee production in 1997 is the highest for the two groups  (persistently  poor  and  those  who  fell  into  poverty)  who  did  worse  in  terms  of poverty  status.  Similar pattern  is observed  for  the production  of barley.  It  is  tempting  to conclude from the descriptive statistics that those who increased production of one of the cash  crops  (i.e.  coffee)  did  not  benefit  in  terms  of  change  in  poverty  status  and  hence iberalization was not pro‐poor. One needs to see the regression results if this pattern holds or all cash crops and for oth r food crops as well.    lf e IV. Results and Discussion   Before presenting the results from the multinomial logit regression, it is important to note that I have tried different alternative variables to capture factors that seem relevant from previous studies. As indicated in Dercon (2006), it may matter whether sample households are  surplus  or  deficit  farmers  in  terms  of  their  production  net  of  consumption.  Some households sold part of their production to get cash with which they can buy some other goods and supplies from the market. This transaction tells us that the farmers engaged in market transaction to sell some part of their production and one expects these farmers may not sell their production unless they make sure that their families are food secure. To take this in to account, I have created dummy variable that take a value of 1 if a households sold part  of  its  production  and  0  otherwise  for  both  years  and  for  both  seasons  (belg  and meher). Although it does not directly tell us if a household is in a surplus or in a deficit, it tells us  the extent of cash available  to  them during the survey years  to buy other market goods,  which  may  make  a  different  on  poverty  status.    The  other  variable  is  change  in employment as a response to market reform. To take into account employment impact of market reform,  I have  incorporated off‐farm employment  indicator  to examine  if  there  is any significant  influence on poverty status as a result. Finally, rainfall  timing and amount was also incorporated into the regression to control for shock to the agricultural sector to examine  if  rainfall  factors had  any  influence on  change  in poverty  status. The  regression results  show  that none of  these variables matter  in  influencing  change  in poverty  status. The  changes  in  these  factors  are  either  not  related  to  poverty  status  at  all  or  are  not statistically  significant  to make  any difference  on  change  in  the  probability  of  being  in  a given poverty status.    I  think that  the  latter  is  the case since  there are quite a number of anecdotal evidences  that suggest,  in some parts of  the country,  some of  these  factors are relevant determinants of change in living standard of farm households.       

The Persistently Poor  Probability of being persistently poor increases for female headed households and slightly as  the age of  the head of  the household rises. On the other hand,  the probability of being persistently  poor  decreases  for  households  with  a  high  number  of  younger  students,  as well as  for those who own large  farm land and  livestock. Of  the market reform variables, change in the price of chat increases the probability of being persistently poor and change in the relative price of Teff decreases the probability (Table 1). All other right side variables remain statistically insignificant. The negative effect of chat price on poverty status seems t odd with the expectation about the impact of liberalization. However, it is important to anote that some anecdotal stories seem to substantiate these results.   Table 1 inant of pers or:  e ratios (D nge overty 

ntly poor, wi n po  as  ou. Determ

Status (Persiste                    Variables 

istently poth never beeTraditional determinants 

Relativ below t‐values

 risk verty lineWith changes in 

V:  Chaa base  t‐values 

 in Ptcome)) With changes in the relative pricemajo

prices of major crops    s of 

r crops 

t‐values       

Family size        1.167       (1.72)    1.175       (1.78)         0.865         (‐0.68)Age of household head        1.015*      (2.06)    1.014       (1.83)         1.017          (0.77)Female headed       2.146**     (2.68)     2.282**     (2.85)         6.224*         (2.40)Number of males       0.865      (‐1.00)    0.879      (‐0.88)         1.483          (1.16)Number of females      0.859      (‐1.05)     0.847      (‐1.13)         1.618          (1.51)Number of dependents       1.065       (0.50)    1.062       (0.47)         3.029**        (3.29)Number of students under 15       0.676*     (‐2.14)     0.677*     (‐2.12)         0.117**       (‐3.17)Value of agricultural tools                  1.001       (0.79)    1.001       (0.83)         1.011          (0.96)Took out loan in 1993      0.532*     (‐2.05)    0.547      (‐1.94)         0.339         (‐1.55)Took out loan in 1994      1.050       (0.16)     1.075       (0.24)         0.223         (‐1.64)Total land holding                  0.674**    (‐3.03)     0.690**    (‐2.80)         1.221          (0.43)Amount of fertilizer used       0.999      (‐0.90)    0.999      (‐0.85) value of livestock owned      0.999***   (‐3.98)     0.999***   (‐3.84)         0.999*        (‐2.44)Seasonality in 1994                   1.227***    (3.73)    0.0928***  (‐19.2)        0.095***     (‐12.5)Seasonality in 1997                 0 .0928***  (‐20.1)    0.0963***  (‐19.3)         1.368          (1.57)Change in price of Teff                  1.701       (1.01) Change in price of Barely                 0.811      (‐0.35) Change in price of Maize                 0.529      (‐1.38) Change in price of Wheat                 1.378       (0.70) Change in price of Coffee                  0.960      (‐0.66) Change in price of Chat                   1.283**     (2.62)    Change in rel. price of Teff                0.00000595*        (‐2.29)Change in rel. price of Barely               0.000462         (‐1.94)Change in rel. price of Maize                 0.00756         (‐0.46)Change in rel. price of Wheat               0.000197         (‐1.31)Change in rel. price of Coffee                  2.080          (1.37)Change in rel. price of Chat                     0.420         (‐0.54)Observations               1415            1415                         383                  r2_p                      0.273           0.280                       0.468                  Chi2                      933.6           956.5                       389.3                  

p<0.05, ** p<0.01, *** p<0.001  

That is, in some part of the country, especially in the eastern part where chat production is dominant,  farmers  switched  from  production  of  food  grains  to  cash  crop,  like  chat, expecting  to  receive attractive price  right after  trade  liberalization. However,  in  terms of food consumption,  the  farmers end up purchasing  food crops  from the market  for which the prices were also rising. If the farmers do not receive enough cash from the sale of chat, they  end  up  consuming  either  less  than  before  or  just  about  the  same  amount.  The erishable nature of chat and the instability in the price of chat in the international market ake farmers likelihood less stable and hence resulted in no change in their poverty status. 

pm  

The  positive  impact  of  the  change  in  the  relative  price  of  Teff, which  is  a  staple  food  in Ethiopia, is not surprising since the price of Teff has been increasing since market reform, and unlike chat, which  is perishable,  farmers can store Teff  to garner higher price at  the right time. Teff is one of the most expensive of all the food grains produced in Ethiopia. In fact the country sometimes export it to neighboring countries and to as far places as North America and Europe, although government  imposes  restrictions on  its export  to  stabilize domestic  market  for  food  grains.    As  such,  those  farmers  who manage  to  produce  Teff, given that they have suitable soil and weather condition, can improve their livelihood. Most other  crops  (especially  barley  and  maize),  although  they  have  the  right  sign  on  their oefficients,  their  influence  is  not  strong  enough  to  change  the  poverty  status  of  farm ouseholds. ch What pushed farm households into poverty?  The factors that pushed farmers into poverty are more or less similar to the factors that kept farmers to remain poor. Although demographic and family composition played a relatively less role to influence the probability of moving into poverty, households’ resource endowments played significant role. The size of farm land owned and the value of livestock owned lowered the probability of falling into poverty in 1997 just as in the case of lowering the probability of being persistently poor.  Among market reform variables, changes in the prices of both cash crops (i.e. coffee and chat) and changes in the relative price of Teff also played statistically significant role. Changes in the price of chat and relative price of coffee had increased the probability of falling into poverty in 1997, where are change in the relative price of Teff lowered the probability of falling into poverty (Table 2). The story is similar to that of the persistently poor. The counter‐intuitive negative effects of coffee and chat can be explained by the textbook examples of the problems of 

. exporting primary goods, i.e. instable prices and limited value added to the raw products

The factors that pushed farmers in to poverty in 1997 have significant policy relevance. One can argue that demographics also played a role for the case of persistently poor and it may be far fetched to blame only trade policy reform. But for the case of households who fell into poverty demographics played little role. The two key predicators are resource endowment (land and livestock) and changes in prices of cash crops and Teff.  However, the increase in consumption due to land, livestock, and change in the price of Teff was not enough for these farmers to stay above poverty line. For this group of farmers, the federal government and the regional administration need to intensify support in areas of increased livestock ownership and access to markets for the products from which the farmers seems 

to gain, especially Teff, so that they can get enough boost in consumption to join the rank of non‐poor in the coming years. 

Unlike the case of persistently poor households, seasonality played no role in influencing change in poverty status.  The sign of seasonality coefficients change across different specification. This was also true for the persistently poor estimations reported in Table 1. As price variables are added into the base specification with only traditional determinants, the seasonality coefficients change sign. One may suspect that there may be correlation between seasonality variable and the changes in prices. I have run simple correlation between the seasonality variables and changes in the prices of all the major crops. It is only for one case that I have found a correlation coefficient close to 0.5, for all other cases it is below 0.3. 

Table 2 inants of fal over ti s  a  to Poverty,  ee    a  o

. DetermStatus (falling in                    Variables 

ling into pwith never bTraditional 

inants 

ty: Relan belowt‐values 

ve risk ratiopoverty lineWith changes 

es of crops      

(DV:  Chs a base t‐values 

nge in Povertyutcome)) With changes in 

tive prices r crops 

determ in pricmajor 

the relaoof maj

t‐values   

Family size    0.874  (‐1.58)  0.866  (‐1.66)  0.557*  (‐2.46) Age of household head    1.006  (0.98)  1.005  (0.82)  0.997  (‐0.20) Female headed   1.123  (0.48)  1.105  (0.41)  3.297  (1.87) Number of males   0.866  (‐0.99)  0.888  (‐0.81)  1.724  (1.53) Number of females  1.033  (0.24)  1.040  (0.29)  2.383**  (2.68) Number of dependents   0.895  (‐0.89)  0.909  (‐0.76)  1.857  (1.88) Number of students under 15   0.718  (‐1.78)  0.695  (‐1.94)  0.525  (‐1.37) Value of agricultural tools              1.001  (1.61)  1.001  (1.59)  0.999  (‐0.10) Took out loan in 1993  0.971  (‐0.12)  0.989  (‐0.04)  1.600  (0.93) Took out loan in 1994  0.917  (‐0.31)  0.913  (‐0.32)  0.494  (‐0.84) Total land holding              0.673***  (‐3.38)  0.687**  (‐3.17)  0.270**  (‐2.61) Amount of fertilizer used   0.998  (‐0.95)  0.998  (‐0.90)     Value of livestock owned  1.000*  (‐2.44)  1.000*  (‐2.20)  1.000  (‐0.49) Seasonality in 1994               1.167  (1.24)  0.861  (‐1.23)  1.079  (0.42) Seasonality in 1997               0.878  (‐1.11)  0.910  (‐0.79)  1.099  (0.72) Change in price of Teff                   1.055  (0.13)     Change in price of Barely                  1.224  (0.51)     Change in price of Maize                  0.814  (‐0.47)     Change in price of Wheat                  1.624  (1.37)     Change in price of Coffee                   0.995  (‐0.09)     Change in price of Chat                   1.149*  (2.21)     Change in rel. price of Teff                     0.00000496*  (‐2.37) Change in rel. price of Barely                0.00567  (‐1.70) Change in rel. price of Maize                 0.00796  (‐0.55) Change in rel. price of Wheat                0.0146  (‐0.91) Change in rel. price of Coffee                2.581*  (2.19) Change in rel. price of Chat                    78.29  (1.34) Observations          1415    1415    383   R2_p                  0.273    0.280    0.468   chi2                  933.6    956.5    389.3   

p<0.05, ** p<0.01, *** p<0.001  

  

How did farm households escape poverty?  

Equally relevant policy question is to know what household characteristics and what other factors help farmers to escape poverty in 1997 and to remain above poverty line during both periods. As evidenced from the results for falling into poverty, family composition did not play significant role to influence the poverty status transitions, unlike its impact in keeping poor to remain poor. Size of farm land owned and value of livestock owned, as expected, increased the chances of escaping poverty among farm households.    Even for these resources, once relative prices of major crops added to the right hand side of the stimation equation, their significant impacts diminished and instead number of students, eand loan taken out in 1993 became significant.   Table 3 inants of Esc erty ve DV ge

g Poverty, wi tly s a m. Determ

Status (escapin                    Variables 

aping povth persistenTraditional determinants 

: Relati poor at‐values 

 risk ratios ( base outcoWith changes in prices of 

crops       

:  Chane))  t‐values 

 in Poverty 

With changes in the relative 

of crops 

major  prices major 

t‐values   

Family size    1.155  (1.65)  1.154  (1.63)  1.305  (1.43) Age of household head    0.998  (‐0.24)  0.999  (‐0.09)  1.007  (0.30) Female headed   0.835  (‐0.61)  0.799  (‐0.74)  0.576  (‐0.75) Number of males   1.022  (0.16)  1.002  (0.02)  0.722  (‐1.08) Number of females  0.989  (‐0.08)  0.996  (‐0.03)  0.784  (‐0.89) Number of dependents   1.004  (0.03)  1.005  (0.04)  0.553  (‐1.94) Number of students under 15   1.145  (0.72)  1.134  (0.67)  4.779*  (2.35) Value of agricultural tools              0.994*  (‐2.17)  0.994*  (‐2.21)  0.984  (‐1.48) Took out loan in 1993  1.399  (1.04)  1.370  (0.97)  4.597*  (2.23) Took out loan in 1994  1.074  (0.23)  1.049  (0.15)  3.027  (1.41) Total land holding              1.497**  (3.10)  1.462**  (2.87)  0.529  (‐1.35) Amount of fertilizer used   0.996  (‐1.79)  0.996  (‐1.84)     value of livestock owned  1.000*  (2.28)  1.000*  (2.18)  1.001  (1.73) Seasonality in 1994               0.763*  (‐2.19)  6.154***  (18.04)  1.757  (0.00) Seasonality in 1997               9.442***  (11.22)  7.583***  (20.14)  0.125  (‐0.00) Change in price of Teff                   0.528  (‐1.20)     Change in price of Barely                  1.127  (0.19)     Change in price of Maize                  0.679  (‐0.91)     Change in price of Wheat                  0.827  (‐0.44)     Change in price of Coffee                   0.991  (‐0.13)     Change in price of Chat                   0.852  (‐1.51)     Change in rel. price of Teff                      1.050  (0.29) Change in rel. price of Barely                 2.434  (1.57) Change in rel. price of Maize                  0.400  (‐0.90) Change in rel. price of Wheat                 6.643*  (2.30) Change in rel. price of Coffee                 0.989  (‐0.20) Change in rel. price of Chat                    1.268  (0.49) Observations          1415    1415    383   R2_p                  0.273    0.280    0.468   chi2                  933.6    956.5    389.3   

p<0.05, ** p<0.01, *** p<0.001  

Out of the market reform variables, only change in the relative price of wheat increased farm households’ chance to escape poverty (Table 3). The evidence is that households who 

had access to credit and schooling managed to escape poverty. Families changed their poverty status not due to change in prices of traditionally exported goods, like chat and coffee, but from the increase in prices of wheat, which is another major food crop in the country after Teff. One unexpected result is the impact of the value of agricultural tools, which decreased the probability of escaping poverty.   

This cohort is of particular interest for policy makers since they demonstrated that it is possible to escape poverty even in the rural settings. These determines that helped farmers to escape poverty hold the key to the success of any policy reform that government expects to have any effect on farmers. What policy makers can take away from this result is, in addition to the role of resource endowment, the role of access to credit, education, and farmers’ production response to wheat price change should be given due focus.  

It seems that there is a piece of puzzle in the results presented above. Although one expects to see positive impact of changes in the prices of cash crops, often traded in the world market, to change the poverty status of farm households for good, the evidence shows the opposite. In fact it is the change in the prices of other food crops, Teff and Wheat that had improved the poverty status of farm households in Ethiopia.  As I have alluded to above, one explanation is that farmers are not receiving the prices that they deserve from the sale of cash crops due to poor infrastructure and communication networks in the country for the farmers to know the right market prices of these crops at the right time. By switching to the production of these cash crops farmers sacrificed production of food crops, which they need to purchase from the market to feed their families. If they are not receiving enough money from the sale of cash crops, they may face difficulty to purchase enough food for their families and hence result in less consumption that keeps them in the same poverty status as before or fall in to poverty as a result.  

V. Conclusions 

The  impacts  and  implications  of  trade  liberalization  on  farm  households  in  Africa  come through  effects  on  prices  of  inputs,  outputs,  incomes  from  wages  as  well  as  profits, government  revenues,  and  vulnerability  of  households’  livelihood,  among  others.  The extent of these impacts depends on the degree of rural farmers’ integration into the world market. For the case of Ethiopia, the two main channels through which trade liberalization affects  farm  households  are  through  effects  on  prices  of  outputs  as  well  as  cost  of agricultural  input.  This  paper,  after  presenting  review  of  previous  works,  conducted empirical  analysis  of  the  impacts  of  trade  liberalization  on  rural  farm  households  in thiopia.  The  study  used  panel  household  data  collected  from  1500  representative Ehouseholds in 1994 and 1997.   The study first identified consumption poverty lines for each year and for each survey site mostly based on Dercon(2002)’s work. After  the poverty  lines  are  identified, households were  groups  into  four  based  on  their  poverty  status  between  1994  and  1997:  remained poor  (persistently  poor),  moved  out  of  (escaped)  poverty,  moved  into  poverty  and remained non‐poor.   Using  ‘remained non‐poor’  category as a base outcome,  I  generated relative  risk  ratio  coefficients  for  each  determinant  for  those  households who  remained 

poor  and  those  who  moved  into  poverty.  For  those  who  escaped  poverty,  I  used persistently poor as base outcome to calculate the relative risk ratio.  In  addition  to  the  usual  socioeconomic  characteristics  of  households  (i.e.  demographic composition), this study identified key trade reform variables that influence poverty status: changes  in  the  prices  of  inputs  and  outputs  during  the  survey  years.    The  results  of  the study  show  that,  although  resource  endowment  had  positive  and  significant  impact  on poverty  status,  trade  liberalization  had  mixed  results  on  poverty  status.  Type  of  crops produced holds the key to the direction of the impact of trade  liberalization. As a result of trade  liberalization,  contrary  to expectation, changes  in  the prices of cash crops  (i.e.  chat and  coffee)  increased  the  probability  of  remaining  poor  and  falling  into  poverty.  On  the other hand, changes in the relative price staple food crops (i.e. Teff and Wheat) increased he  probability  of  escaping  poverty  and  remaining  above  poverty  line.  Seasonality  also tcontributed for the change in the probability of being in a given poverty status.  The  implication of  these  results  is  not  to  recommend  to households  abandon  cash  crops and  to  switch  to  food  crops  as  trade  textbooks  suggest.  Rather  draws  us  back  to  the drawing board  to  look  at what  potential  and  actual  difficulties  encounter  farmers not  to benefit  from  liberalization.  Hence  policy makers  need  to  look  into  the  situation  of  farm households  and  the market  in  each village.  It would be  too  simplistic  if  one assumes  the erfect functioning of markets in such rural setting and to expect all the benefits from trade pand world prices as suggested in trade theories.   The results should be interpreted to mean that farmers are not getting the right price for the cash crops they are producing. Hence instead of urging farmers to switch to food crop production,  the  Ethiopian  government  should  make  sure  that  farmer  get  timely information  about  prices  and  can  access  markets  closer  to  their  villages  to  cut  cost  of transaction. One encouraging effort  in  this direction by  the government  is  the opening of the Ethiopian Commodity Exchange (ECX) services where farmers supposed to get access to daily price changes at their service centers in their district. It  is too early to assess the success  of  ECX  yet,  but  if  the  service  can  bee  expanded  to  parts  of  the  country  where infrastructure  and  communication  facilities  are  currently  limited,  it may  fill  not  only  the information gap but also storage facilities to give farmers adequate bargaining information and time to benefit from liberalization.     

Future research should look into the role of infrastructure as regional and village fixed factors seem to also influence as to whether a community can benefit from changes in prices and in turn as to how integrated villages are to the nearest market and information network. It is also important to investigate group of households by the kind of crops they produce, cash crops or otherwise, to identify what would happen to those households who rely on different cropping pattern either due to ecology or choice.  

 

 

 

References 

Alkire, Sabina. 2007. The missing dimensions of poverty data: Introduction to the special issue. Oxford Development Studies 35, (4) (12): 347‐59.  

Anderson,  Kym.  2004.  Agricultural  Trade  Reform  and  Poverty  Reduction  in  Developing Countries. The World Bank, Policy Research Working Paper Series 3396.  

Annabi,  Nabil,  Bazul  H.  Khondker,  Selim  Raihan,  John  Cockburn,  and  Bernard  Decaluwe. 2005a.  Implications  of  WTO  Agreements  and  Domestic  Trade  Policy  Reforms  for Poverty  in Bangladesh:  Short  vs.  Long Rum  Impacts.  Poverty  and  Economic  Policy  – MPIA Working Paper 2005‐02. 

Annabi,  Nabil,  Fatou  Cisse,  John  Cockburn,  and  Bernard  Decaluwe.  2005b.  Trade Liberalization, Growth and Poverty in Senegal: A Dynamic Microsimulation CGE Model 

RPEE, Working  aAnalysis. CI P per 05‐12. 

Annabi,  Nabil,  John  Cockburn,  and  Bernard  Decaluwe.  2006.  Functional  Forms  and Parametrization of CGE Models. Poverty‐MPIA Working Paper 2006‐04. 

Appleton, Simon. 2001. Poverty reduction during growth: the Case of Uganda, 1992‐2000. Unpublished manuscript, University of Nottingham. 

Banerjee, Abhijit V., and Esther Duflo. 2007. The economic lives of the poor. Journal of Economic Perspectives 21, (1) (Winter): 141‐67.  

evan,  Phillipa  and  Alula  Pankhurst,  eds.  (1996)  Ethiopia  Village  Sociological  Survey Reports. Centre for the Study of African Economies, University of Oxford, U.K. 

B

 

Bhagwati, Jagdish N., and T. N. Srinivasan. 2002. Trade and Poverty in the Poor Countries. American Economic Review 92, no. 2:180‐83.  

Bigsten, Arne; and Abebe Shimeles. 2008. Poverty Transition and Persistence in Ethiopia: 1994‐2004, World Development, vol. 36, 9:1559‐1584 

Bigsten, Arne; Bereket Kebede, Abebe Shimeles, Mekonnen Taddesse. 2003. Growth and poverty reduction in Ethiopia: Evidence from household panel surveys. World Development 31, (1) (01): 87‐106.  

Booysen, Frikkie, Servaas Van Der Berg, Ronelle Burger Michael von Maltitz and Gideon Du Rand. 2008. Using an Asset Index to Assess Trends in Poverty in Seven Sub‐Saharan African Countries. World Development 36, (6): 1113‐1130. 

Carneiro,  Francisco  G.,  and  Jorge  S.  Arbache.  2003.  Assessing  the  Impacts  of  Trade  on Poverty and Inequality. Applied Economics Letters 10, no. 15:989‐94.  

Chang, Ha‐Joon. 2003. Kicking Away the Ladder: The “Real” History of Free Trade. Foreign Policy in Focus Special Report, December. 

Cline, William R.  2004.  Trade  Policy  and  Global  Poverty.  Center  for  Global  Development Institute for International Economics, Washington, DC. 

Cororaton,  Caesar  B.,  John  Cockburn,  and  Erwin  Corong.  2005.  Doha  Scenario,  Trade Reforms, and Poverty in the Philippines: A CGE Analysis. Poverty and Economic Policy‐ 

 WMPIA orking Paper 2005‐03. 

Coxhead,  Ian.  2003.  Trade  Liberalization  and  Rural  Poverty.  American  Journal  of Agricultural Economics 85, no. 5:1307‐08.  

Dercon, Stefan. 2002. The Impact of Economic Reforms on Rural Households in Ethiopia: A Study  from  1989  to  1995.  Poverty  Dynamics  in  Africa  Series,  The  World  Bank, Washington, DC. 

Dercon, Stefan. 2006. Economic reform, growth and the poor: Evidence from rural Ethiopia. Journal of Development Economics 81, (1) (10): 1‐24.  

———. 2004. Growth and shocks: Evidence from rural Ethiopia. Journal of Development Economics 74, (2) (08): 309‐29.  

Dercon, Stefan, John Hoddinott, and Tassew Woldehanna. 2005. Shocks and consumption in c15 Ethiopian villages, 1999‐2004. Journal of African E onomies 14, (4) (12): 559‐85.  

Dercon,  Stefan  and  Pramila  Krishnan.1998.  Changes  in  Poverty  in  Rural  Ethiopia  1989‐1995:  Measurement,  Robustness  Tests,  and  Decomposition.  Center  for  the  Study  of African Economies, University of Oxford, U.K.  

Dollar, David, and Aart Kraay. 2004. Trade, Growth, and Poverty. Economic Journal 114, no. 493:49.  

Fofack, Hippolyte, Celsetin Monga and Hasan Tuluy. 2001. Household Welfare and Poverty Dynamics  in Burkina Faso: Empirical Evidence  from Household Surveys. World Bank Policy Research Paper,  2590 

Foster,  J.,  Greer,  J.  and  Thorbecke,  E.  1984.  A  class  of  decomposable  poverty  measures. Econometrica, 52, no. 3: 761‐766.  

Gebremedhin, Tesfaye Alemayehu, and Stephen Whelan. 2008. Prices and poverty in urban Ethiopia. Journal of African Economies 17, (1) (01): 1‐33.  

Greene, William H. 1997. Econometric Analysis. Third edition, Prentice Hall, New Jersey. 

Harrison, Glenn W., Thomas F. Rutherford, and David G. Tarr. 2003. Trade Liberalization, Poverty and Efficient Equity. Journal of Development Economics 71, no. 1:97‐128.  

Harrison, Glenn W., Thomas F. Rutherford, David G. Tarr, and Angelo Gurgel. 2004. Trade Policy  and  Poverty  Reduction  in  Brazil. World Bank Economic Review  18,  no.  3:289‐317.  

Hertel,  Thomas W.,  and  Jeffrey  J.  Reimer.  2005.  Predicting  the  Poverty  Impacts  of  Trade Reform. Journal of International Trade and Economic Development 14, no. 4:377‐405.  

Hertel,  Thomas W.,  Maros  Ivanic,  Paul  V.  Preckel,  John  A.  L.  Cranfield,  and Will  Martin. 2003. Short‐versus Long‐run Implications of Trade Liberalization for Poverty in Three 

f Agricultural Economics 85, no. 5:1299‐1306.  Developing Countries. American Journal o

Klytchnikova, Irina, and Ndiame Diop. 2006. Trade reforms, farm productivity, and poverty  Bangladesh.in  The World Bank, Policy Research Working Paper Series: 3980.  

Lemi,  Adugna,  and  Wei‐Cao  Huang.  2003.  Occupation  Diversification  in  a  Unitary Household Model: Evidence  from Survey Data. Department of Economics, Western 

  .Michigan University, Kalamazoo, Michigan, U S. 

Lemi,  Adugna.  2006.  The  Dynamics  of  Income  Diversification  in  Ethiopia  Revisited: Evidence from Panel Data, Working Paper #3, Department of Economics, University of 

u ,  .Massachusetts Boston, Massach setts U.S  

Litchfield,  Julie,  Neil  McCulloch,  and  L.  Alan  Winters.  2003.  Agricultural  Trade Liberalization and Poverty Dynamics in Three Developing Countries. American Journal of Agricultural Economics 85, no. 5:1285‐91.  

Lofgren,  Hans,  Rebecca  Lee  Harris,  Sherman  Robinson.  2002.  A  Standard  Computable General  Equilibrium  (CGE)  Model  in  GAMS.  International  Food  Policy  Research 

t e hInsti ute, Microcomputers in Policy Res arc  5, Washington, DC.  

Lofgren,  Hans.  1999.  Trade  Reforms  and  the  Poor  in  Morocco:  A  Rural‐Urban  General Equilibrium  Analysis  of  Reduced  Protection.  International  Food  Policy  Research Institute. TMD Discussion Paper no. 38, Washington, DC. 

McCulloch,  Neil  and  Cao  Yiying.  2003.  What  caused  changes  in  household  income  and poverty  in  Rural  Sichuan  in  the  early  1990s?  Discussion  Papers  in  Economics, University of Sussex at Brighton, U.K. 

McCulloch, Neil and Michele Calandrino. 2003. Vulnerability and Chronic Poverty in Rural Sichuan. World Development, 31, 3 611‐628.   

McCulloch, Neil, Alan L. Winters, Xavier Cirera. 2001. Trade Liberalization and Poverty: A Handbook. Department for Inter ational Development, U.K. 

Ministry  of  Finance  and  Economic  Development  (MOFED)  of  Ethiopia.  2002a.  Poverty Profile  of  Ethiopia:  Analysis  based  on  the  1999/00  HICE  and  WM  Survey  Results. 

n

Welfare Monitoring Unit (WMU), Addis Ababa, Ethiopia. 

MOFED. 2002. Ethiopia: Sustainable Development and Poverty Reduction Program. Federal Democratic  Republic  of  Ethiopia,  Ministry  of  Finance  and  Economic  Development (MOFED), Addis Ababa, Ethiopia. 

Nicita, Alessandro. 2004a. Efficiency and Equity of a Marginal Tax Reform: Income, Quality, and  Price  Elasticities  for Mexico. World  Bank  Policy  Research Working  Paper  3266, Washington, DC. 

Nicita, Alessandro. 2004b. Who Benefited from Trade Liberalization in Mexico? Measuring the  Effects  on  Household  Welfare.  World  Bank  Research  Working  Paper  3265, Washington, DC. 

Niimi,  Yoko,  Puja  Vasudeva‐Dutta  and  Alan  L.Winters.  2003.  Trade  Liberalization  and Poverty Dynamics in Vietnam. Poverty Research Unit at Sussex, Working Paper No. 17, University of Sussex, U.K.  

Ocran, M.K., Osei, R.D. and Adjasi, C. K. (2006). “Trade liberalization and Poverty: Empirical Evidence from Household Surveys in Ghana.” Centre for the Study of African 

Economies CSAE Oxford University Conference on Reducing Poverty and Inequality: How can Africa be included? Oxford U.K. March, 17‐22.   

Osberg, Lars, and Kuan Xu. 2008. How should we measure poverty in a changing world? Methodological issues and Chinese case study. Review of Development Economics 12, (2) (05): 419‐41.  

Porto, Guido G. 2003. Using Survey Data to Assess the Distributional Effects of Trade Policy. ashington, DC.  World Bank, W

Ravallion, M. 1994. Poverty Comparisons. Chur, Switzerland: Harwood Academic Press.  avallion, M. 1998. Poverty lines in theory and practice. Living Standards Measurement 

Study Working Paper No. 133. Washington, DC: World Bank. R

  Ravallion, M. and Bidani, B. 1994. How robust is a poverty profile? World Bank Economic  

Review 8, 75–102. 

Ravallion, Martin. 1990. Rural Welfare Effects of Food Price Changes under Induced Wage Responses: Theory and Evidence for Bangladesh. Oxford Economic Papers, New Series, Vol. 42, No. 3. pp. 574‐585. 

Sharma,  Kishor.  2005.  Trade  Policy,  Poverty  and  Inequity  in Nepal.  South Asia Economic Journal 6, no. 2:241‐50.  

Son, Hyun H. and Nanak Kakwani. 2006. Measuring the impact of price changes on poverty. PInternational Poverty Centre. UND , Working paper no. 33. 

Stiglitz,  Joseph  E.  2004.  Globalization  and  growth  in  emerging markets.  Journal of Policy Modeling, 26: 465‐484. 

Vos,  Rob,  and  Niek  de  Jong.  2003.  Trade  Liberalization  and  Poverty  in  Ecuador:  A  CGE tion AnalysMacro‐Micro‐simula is. Economic Systems Research 15, no. 2:211‐32.  

Winters,  Alan  L.  2002.  Trade  Liberalization  and  Poverty:  What  Are  the  Links?  World Economy 25, no. 9:1339‐67.  

Winters, L. A., Neil McCulloch, and Andrew McKay. 2004. Trade Liberalization and Poverty: The Evidence So Far. Journal of Economic Literature 42, no. 1:72‐115.  

World  Bank.  2002.  The  Federal  Democratic  Republic  of  Ethiopia:  Developing  Exports  to Promote Growth. Report No. 23294‐ET. 

World Bank. 2004. Ethiopia: Trade and Transformation, Summary and Recommendations, Diagnostic Trade Integration Study, Working Paper # 38461, the World Bank, June, Volume 1. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Appendix 

Variable  otherwise.  definition for both years (1994 and 1997) unless indicated

EducAge: 

ation: Number of students in the family who were below 15 years of age     Age of household head in 1997                      

Male: Number of males in the household who were older than 15 years of age                    Female: Number of females in the household who were older than 15 years of age              Female headed: dummy variaotherwis

ble which takes values 1 for female headed households and 0 

Famil cale used for India                    e. 

tructed using WHO sLivest

y size in adult equivalent: Adult equivalent was consock: Tot

Landal value of livestock owned and reported by households                

Fertil: Total land area cultivated by households                    izer

Tools: Val Cost: Cost of fertilizer incurred by farmers as reported by farmers                   

0) ue of major agricultural tools (hoes and plough) owned by a household 

94 (meher = 1, belg = (meher =1 belg =0) 

Season94: Dummy for the period of time data was collected in 19Season9Loan93

7: Dummy for the period time data was collected in 1997 

Loan94:: 1 if a household borrowed money in 1993, 0 otherwise 

Soldb941 if a household borrowed money in 1994, 0 otherwise 

Soldm94: 1 if sold part of output during the belg season of 1994 

Soldb97:: 1 if sold part of output during the meher season of 1994  1

Soldm9 if sold part of output during the belg season of 1997 

Off­far7: 1 if sold part of output during the meher season of 1997 

P coffm: change in off‐farm employment between 1994 and 1997  

cted from the nearby market (often a district market)                P chat eaf mainly exported to the Middle East and some part of Europe)                  

ee: Price of coffee colle: p

P Teff: Price of chat (stimulant l

P Whearice of Teff                  

            P Barley

t: Price of wheat   :

P Maize Price of Barley               

RP coff  of coffee divided by cost of fertilizer for each district)                : Price of Maize    

eRP cha

ee: Relative price of coffee (Prict: R

RP Teff: Relative price of chat                  

RP Wheaelative price of Teff                  

            RP Barley     

t: Relative price of wheat   :

RP Maize Relative price of Barley           

Sold coff     : Relative price of Maize    

    Sold cha

ee: Value of coffee sold         t: V

Sold Teff: Value of chat sold                  

Sold Wheaalue of teff sold                  

            old Barley            

t: Value of wheat sold   : Value of barley sold    

old Maize: Value of maize sold    SS 

 

 

 

Table A g  tie  survey.1: Timinurvey site  

of activiocation  

s and of theain Harvest  

s  y Round f I

Source: Bevan and Pankhurst (1996).  

 

Region  S L M  

Surve  : Time o nterview 

      

    

   1989  Roun1994 

d 1 Round 2

1994‐95    

Round 1995  

3   Roun1997

d   4  

1  Haresaw  Tigray  October‐November     June‐July 

January  March  June 

1  Geblen  Tigray  October‐November    June‐July 

 January   March  June 

3  Dinki   N. Shoa   December   March April  

March‐April 

November  January  October, November  

3  Debre Berhan  

N.Shoa   November‐December  MAarch‐pril 

March‐April 

October  March  June ‐ August 

3  Yetmen  Gojjam  November‐December    March‐April 

 October   March  September, October  

3  Shumsha  S.Wollo  October‐December     June‐July 

December‐January  

May  October,   November

4  Sirbana Godeti  

Shoa    November‐December     March‐April 

 November   March  June, July 

4  Adele Keke   Hararghe   November‐December  November‐December  

May‐June 

October  April  October,   November

4  Koro‐a degag

Arssi  October‐November  NDovember‐ecember   

May‐June 

November‐December  

May‐ June   June, July  

4  Turfe ane  Kechem

S.Shoa  December    March‐April 

September‐October  

March‐ April  

September, October  

7  Imdibir    Shoa ge) (Gura

 October‐December    March‐April 

 October   March  June, July 

7  Aze Deboa   Shoa ta)  (Kemba

October‐November    March‐April 

September‐October  

March  September, October  

8  Addado   Sidamo (Dilla)  

December‐January      March‐April  

January   March   June, July  

9  Gara Godo   Sidamo (Wolayta)  

August‐December  March  MarchMay 

‐ October  March  June, July 

9  Doma    Gama Gofa   September‐December  

May‐June  April‐May 

December‐January  

May‐June  November 

         

  

Table A.2 in Poverty H nt Ind y R  (Percent) : Trends Location  

ead Cou1995/96  

ices (Po) b199  

ural and Urban Areas% Change Over 1995/96  9/2000 

Rural   47.0   45.0   ‐4.2  Urban   33.3   37.0   11.1  Total   45.5   44.2   ‐2.9  

Source: Ministry of Finance and Economic Development (MOFED) of Ethiopia, 2002a  

stimates of Poverty Lines in Ethiopi Table A.3. E a from various sources 

y  Line  (per  year  per  adult)   

Author (s)  Povertrin Bir

Year 

WMU (2002)  1073   1995 Dercon (2002)  480   1994 Dercon, Hoddinott and Woldehanna(2005)  600  1994 World Bank (2002)  1800 ($1 per day per person)  1990s B bebe and Bereket (2005iegston, A )  726  1995 Dercon and Krishnan (1998)  528  1994   Source: Various sources 

erty Status Change between 9 Table A.4. Pov  1994 and 19

 1997 7 

Source: Author’s computation  

ote: * refer to percentages out of the total households (1477).  N 

    Poor in Non‐poor in 1997  Total Poor in 1994  Cases  488   297  785   Column %  62.4%  42.7%  53.1%   Row %  62.1%  37.9%  100%   Total %  33%*  20.1%*  53.1% Non‐poor in 1994  Cases  294  398  692   Column %  37.6%  57.3%  47%   Row %  42.5%  57.5%  100%   Total %  20%*  27%*  47% Total  Cases  782  695  1477   Row %  52.9%  47.1%  100% 

           

Table A.5. Mean values io y p tatus  994    of regress    Variable 

n variables bPOOR – POOR (Remained Poor) 

overty sN 

between 1R –

 and 1997POOR‐NOPOOR 

d ) 

(EscapeyPovert

NON POOPOOR 

o ) 

(Fall intyPovert

NONPOOR –NONPOOR 

ed r) 

(RemainooNon P

Total 

Age of household head  46.28  49.57  44.29  45.88  46.37 Female headed  0.26  0.24  0.24  0.19  0.22 Number of male adults  1.57  1.80  1.24  1.58  1.57 Number of female adults  1.82  1.92  1.44  1.59  1.66 Number of dependents  1.76  2.22  1.10  1.71  1.72 Number of Students below 15 years  0.24  0.37  0.17  0.38  0.33 Value of Agricultural tools  31.40  28.52  40.95  40.37  37.07 Total land owned  1.00  2.91  0.85  2.25  1.99 Total value of livestock owned  464.87  885.80  537.41  1267.36  975.82 Proportion sold part of their outpin meher in 1994 

ut  0.44  0.37  0.49  0.48  0.46 

Proportion sold part of output in belg in 1994 

0.15  0.23  0.26  0.20  0.21 

Proportion sold part of their outpin meher in 1997 

ut  0.69  0.57  0.62  0.63  0.63 

Proportion sold part of outpbelg in 1997 

ut in  0.28  0.22  0.26  0.19  0.22 

Change in off‐farm income  13.52  ‐0.97  ‐31.01  ‐70.77  ‐40.38 Change in cost of fertilizer  91.59  78.24  75.02  78.82  79.82 Change in value of Teff  136.02  165.81  73.71  63.30  93.64 Change in value of barely  122.26  45.28  62.71  23.82  46.96 Change in value of maize  117.47  120.67  17.72  35.85  59.63 Change in value of wheat  54.33  76.64  108.89  42.23  60.65 Change in value of coffee  90.93  26.67  148.69  64.85  74.31 Change in value of chat  226.25  81.75  1279.47  2347.38  1477.67

              

Figure 1. Location of Survey Sites in Ethiopia 

 Source: Bevan and Pankhurst (1996)