Policy Research Working Paper 7764

The Varying Income Effects of Weather Variation

Initial Insights from Rural Vietnam

Ulf Narloch

Development EconomicsEnvironment and Natural Resources Global Practice Group &Climate Change Cross-Cutting Solutions Area July 2016

Climate Change and Poverty in Vietnam

Background Paper

WPS7764P

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

edP

ublic

Dis

clos

ure

Aut

horiz

ed

Produced by the Research Support Team

Abstract

The Policy Research Working Paper Series disseminates the findings of work in progress to encourage the exchange of ideas about development issues. An objective of the series is to get the findings out quickly, even if the presentations are less than fully polished. The papers carry the names of the authors and should be cited accordingly. The findings, interpretations, and conclusions expressed in this paper are entirely those of the authors. They do not necessarily represent the views of the International Bank for Reconstruction and Development/World Bank and its affiliated organizations, or those of the Executive Directors of the World Bank or the governments they represent.

Policy Research Working Paper 7764

This paper is a product of the World Bank Environment and Natural Resources Global Practice Group and the Climate Change Cross-Cutting Solutions Area and is a background paper for the World Bank work on “Climate Change and Poverty in Vietnam.” It is part of a larger effort by the World Bank to provide open access to its research and make a contribution to development policy discussions around the world. Policy Research Working Papers are also posted on the Web at http://econ.worldbank.org. The author may be contacted at unarloch@worldbank.org.

To estimate the impact of weather on rural income changes over time, this study combines data from the panel sub-sample of the latest Vietnam Household Living Standard Surveys 2010, 2012, and 2014 and gridded weather data from the Climate Research Unit. The analyses show: (i) crop cultivation, livestock management, forestry and fishing activities, and agricultural wages remain important income sources in rural Vietnam—especially for poorer households; (ii) rural communes are exposed to substantial inter- and intra-annual weather variation, as measured by annual, seasonal, abnormal, and extreme weather conditions and weather events; and (iii) these types of weather variation are indeed related to income variation. In particular, warmer temperatures and heat extremes can have negative income effects in all climate contexts and for all socioeconomic

groups and most income activities. Only staple crops, forestry, and fishing seem to be less sensitive to hotter con-ditions. The effects of rainfall are more difficult to generalize. Some findings indicate that more rainfall is beneficial in drier places but harmful in wetter places. Interestingly, the incomes of poorer households seem to be negatively affected by wetter conditions, while those of wealthier households are more impacted by drier conditions. An increase in rainfall levels and flood conditions between 2012 and 2014, which were relatively wet years, is related to reduced income growth between these two years. Altogether these findings suggests that greater attention has to be paid to making rural livelihoods more resilient to weather variation which, is very likely to increase because of climate change.

TheVaryingIncomeEffectsofWeatherVariation:InitialInsightsfromRuralVietnam*

Ulf Narloch 

Sustainable Development Practice Group, World Bank, Washington, DC, USA 

Keywords:  Climate  Change,  Consumption,  Households,  Incomes,  Livelihoods,  Poverty,  Shocks, 

Vulnerability 

JEL: I30, I32, O10, Q10, Q54, R20

* Acknowledgements:  This work is part of the programmatic AAA on Vietnam Climate Resilience and Green Growth(P148188) and was developed under the oversight of Christophe Crepin.  It contributed to the global program onClimate Change and Poverty (P149919) under the oversight of Stephane Hallegatte. I am very thankful to the WorldBank Vietnam team for providing the Vietnam Household Living Standards Survey (VHLSS) data and to Linh HoangVu and Ha Thi Ngoc Tran for helping with data questions. Mook Bangalore prepared the weather and geo‐spatialdata. Maros  Ivanic  and  Anne  Zimmer  contributed  to  earlier  data  preparations.  Very  helpful  suggestions  andcomments on earlier versions of  this work were received  from Tuan Anh Le, Diji Chandrasekharan Behr, GabrielDemombynes, Linh Hoang Vu, Christopher Jackson, Frederik Noack, Pamela McElwee, and Maurice Rawlins.

1.Introduction

Especially  for poor people with climate‐sensitive  livelihoods, weather variation can be  linked  to  living 

standards. Despite significant progress in poverty reduction, around 20 percent of Vietnam’s population 

still lived in extreme poverty in 2010 – about 27 percent in rural areas (World Bank, 2012). At the same 

time, Vietnam  is also particularly  sensitive  to  increasing  climate hazards,  including  short‐lived natural 

disasters  and  inter‐  and  intra‐annual  variation  in weather  conditions,  both  of which  are  likely  to  be 

exacerbated  by  climate  change.1  Such  climate  hazards  can  affect  poor  and  other  vulnerable  people 

through various channels, such as agriculture and ecosystems, natural disasters, and health (Hallegatte et 

al., 2016).  

Many  of  the  poverty  impacts will  unfold  through  changes  in  household  incomes, which  are  hardly 

quantified.  Existing  studies  for  Vietnam  investigate  the  effects  of  global  warming  on  agricultural 

production using crop and hydrological models (Gebretsadik et al., 2012; Van Hoang et al., 2014; Yu et al., 

2010). Other work estimates  the macroeconomic  cost of  climate  change  in Vietnam  through  sectoral 

impacts  (Arndt et  al., 2012; World Bank, 2010). Global‐level work,  including Vietnam‐specific  results, 

estimates  poverty  impacts  of  generalized  climate  shocks  using  micro‐simulation  techniques  and 

Computable General Equilibrium (CGE) modeling (Ahmed et al., 2009; Hertel et al., 2010; Rozenberg and 

Hallegatte, 2015). Recent  studies have  shown  the  current  income  and welfare  impacts of  short‐lived 

natural disasters or  extreme  events on Vietnamese households  (Arouri  et  al., 2015; Bui  et  al., 2014; 

Thomas et al., 2010).  More work, however, is needed to understand household‐level income effects of 

more subtle variation in rainfall and temperature conditions and gradual changes to this variation.  

A growing number of studies in a variety of contexts investigates how observed weather conditions affect 

economic outcomes, mainly in an attempt to quantify the potential economic impacts of future climate 

change    (Auffhammer et al., 2013; Dell et al., 2014).2   Yet a quantification of climate change  impacts 

remains challenging even when the current income effects of weather variation are understood. Firstly, 

how weather  conditions will alter due  to  climate  change  is highly uncertain and even existing Global 

Circulation Models (GCMs) bring diverging forecasts for some regions and countries. Moreover, income 

                                                            1  In  line with existing  literature,  this paper defines weather variation  to describe shorter‐run  temporal variation (variation between and within years), while climate  is used for  longer‐term variability of conditions and changes decades (Dell et al., 2014). 2 Many of these studies are based on cross‐country analyses comparing country income and production and weather conditions at various points in time (e.g. Burke et al., 2015, 2011; Dell et al., 2012; Hsiang, 2010; Schlenker and Lobell, 2010). Another strand of the literature focuses on the impacts on agricultural profits mostly using US data at the county level (Deschênes and Greenstone, 2012, 2007; Fisher et al., 2012; Mendelsohn et al., 1994; Schlenker et al., 2006; Schlenker and Roberts, 2009). Other studies use weather variables to explain household income in order to test income effects on other variables   (Feng et al., 2010; Hidalgo et al., 2010; Yang and Choi, 2007). Interesting new studies estimate current weather impacts on incomes and living conditions (Baez et al., 2015; Noack et al., 2015; Park et al., 2015). Yet results from these micro‐level studies have not yet been used to simulate income effects under future climate change.  

3  

changes in the future are subject to adaptive responses and socioeconomic changes, such as the shift to 

less climate‐sensitive activities.  

While it is hard to predict what happens in the future, it is even difficult to establish the links between 

weather and incomes in the present.  While some activities are negatively affected by wetter or warmer 

rainfall conditions, others may benefits from it. And Income changes do not only depend on direct weather 

impacts on output, but also on indirect impacts such as price or production adjustments.  Decreases in 

crop income through yield declines could be reduced or even offset through resulting increases in prices 

and wages (Hertel et al., 2010; Jacoby et al., 2014). Different income activities also play various functions. 

Some may actually serve as a coping strategy to compensate  income shortfalls from other activities so 

that incomes from these activities increase in times of adverse weather conditions (Noack et al., 2015). In 

addition,  weather  effects  depend  on  socioeconomic  factors  that  determine  the  extent  to  which 

households  choose  risker  (but more  profitable)  activities  and  can manage  negative  impacts  through 

production adjustments (e.g. use more irrigation).  

Another difficulty  results  from  identifying  the  types of weather variation  that are  relevant  for  income 

fluctuations.  Many studies use temperature and rainfall levels defined as annual means  (Burke et  al., 

2011; Dell et al., 2009; Feng et al., 2010; Schlenker and Lobell, 2010).   Yet weather impacts depend on 

their  timing and  the seasonality of  income activities, so  that some studies measure seasonal weather 

conditions  (Hsiang, 2010; Mendelsohn et al., 1994; Welch et al., 2010; Yang and Choi, 2007).   Moreover, 

excess rain and heat waves can be as harmful as rainfall scarcity and cold spells. To capture this non‐

linearity, some studies break rainfall and temperature levels into different intervals or only measure them 

above or below  a  certain  threshold  (Deryugina  and Hsiang,  2014; Deschênes  and Greenstone,  2011; 

Schlenker and Lobell, 2010).3  To control for abnormal values, some studies measure the deviation from 

the  long‐term mean normalized for  location‐specific variability   (Baez et al., 2015; Hidalgo et al., 2010; 

Noack et al., 2015).  Weather extremes measured by minimum and maximum temperature and rainfall 

levels matter too (Welch et al., 2010). Very importantly, all of these forms of weather variation can have 

different impacts in different places depending on location‐specific climate conditions (Park et al., 2015). 

In order to define recommendations for poverty eradication in face of increasing climate risks in Vietnam, 

this paper attempts to disentangle the current impacts of weather variation on income changes.  To better 

understand the income effects of different types of weather variation, the analyses differentiate between 

annual, seasonal, abnormal and extreme weather conditions and weather events related to rainfall and 

temperature. They also investigate how weather impacts vary by socioeconomic group, climate zones and 

income activities.  By covering this breadth of impacts, this study adds to the existing literature showing 

that income effects depend on the type of weather variation and different contexts. 

These analyses can build on two novel methodological aspects. First, this study combines data from the 

latest Vietnam Household Living Standard Surveys (VHLSS) 2010, 2012 and 2014 and gridded weather data 

                                                            3 Related to this approach is the concept of degree days, which assumes a piecewise‐linear function in temperatures defines as the sum of degrees above a lower threshold and below an upper threshold intervals (Schlenker and Lobell, 2010; Schlenker and Roberts, 2009) .  . 

4  

from the Climate Research Unit (CRU). Second, this work takes advantage of the panel structure of this 

data  set,  which  includes  about  half  of  the  households  in  at  least  two  of  the  three  survey  rounds. 

Regression techniques based on the panel data set can estimate the weather impact on income changes 

over  time while  reducing  omitted  variable  bias. Despite  the  strength  of  these  data  and methods,  a 

quantification of future impacts subject to uncertain climatic, environmental and socioeconomic changes 

is beyond reach.  

The remainder of this paper is structured as follows: Section 2 explains the data and methods applied for 

the  analyses.  Section  3  shows  that  rural  households  remain  highly  reliant  on  agriculture  and  other 

ecosystem‐based  activities.  Section  4  demonstrates  the  extent  of  weather  inter‐  and  intra‐annual 

variation communes are exposed to. Section 5 presents the estimated income effects of weather variation 

from  the  various  regression analyses.  Section 6  concludes  that  in  the  face of  climate  change greater 

attention needs to be paid to make rural livelihoods more resilient to weather variation. 

2.Dataandmethods

Based on data from the Vietnam Household Living Standard Survey (VHLSS) collected in 2010, 2012, and 

2014 with  gridded weather  data  from  the  Climate  Research Unit  (CRU),  this  study  fits  a  number  of 

regression models to explain income differences. 

2.1Householdandcommunedata

Information on incomes and socioeconomic conditions is derived from the household and commune data 

from the VHLSS 2010, 2012, and 2014. These surveys are conducted by the General Statistics Office (GSO) 

with technical support from the World Bank in Vietnam. They are nationally representative and contain 

detailed information on individuals, households and communes. In total ca 9,400 households nationwide 

are included  in each round with about half of the households in each round also being surveyed in the 

previous round so that the data set includes a short‐term panel. 

These analyses focus on rural households and communes leaving a data set of about 20,000 household 

observations  from  ca.  2,250  communes.  Each  survey  round  covers  about  6,600  and  6,700  rural 

households. About 1,400 households were interviewed in all three rounds, 1,600 in 2010 and 2012, and 

1,400 in 2012 and 2014.  

The household surveys include a wide array of socioeconomic data. At the individual level these data cover 

demographics, education, employment, health, and migration. At the household level the data comprise 

information  on  income  and  expenditures,  employment  and  self‐production,  durables,  assets,  and 

participation  in government programs. Consumption estimates are based on per‐capita expenditure as 

calculated by the World Bank and GOS to determine the national poverty  line.  Incomes are calculated 

based on the raw data in line with classifications from the GSO (Section 3). All consumption and income 

values are expressed in 2010 prices using data on the Consumer Price Index from the World Development 

5  

Indicators. Other variables controlling for household demographics and assets are constructed from the 

data sets.  

The commune surveys collect information about the occurrence of emergencies in the last 3 years listed 

by type and month in addition to information on population, economic conditions, agriculture and land. 

These data allow identifying communes exposed to weather events, such as storms, floods and droughts.  

Although  the data allow estimating nationally‐representative  consumption and  income estimates and 

their changes over time, several shortcomings for the purpose of this study are to be noted. First, the 

study relies on observations from only three years within a five year time period and only a subsample of 

the included households is observed in several years. This short‐term panel does not allow to understand 

time‐variant household factors or structural changes over longer time horizons. Second, little information 

is available about labor allocation, production inputs and returns, which are important to explain income 

differences over  time. The  lack of such  information can  limit  the explanatory power of  the regression 

models. Yet many of these variables could be determined by weather conditions and thus create potential 

endogeneity biases. 

2.2Weatherdata

In addition to these self‐reported weather events in the commune surveys, this study uses weather data 

from the CRU of the University of East Anglia to control for rainfall and temperature conditions.  From the 

global CRU TS3.21 data set, monthly time series of rainfall, minimum, mean and maximum temperature 

from 1961 to 2014 is available at 0.5 x 0.5‐degree grid.4 This balanced panel of weather data was produced 

using statistical interpolation based data from 4,000 individual weather stations (Harris et al. 2014).   

These data are merged at the commune level to construct current and long‐term weather variables for 

each month.  For each commune, the household interview dates are specified and the current weather 

variables are defined for the 12 months before that interview date (e.g. if the interview date was in May 

2012,  the current weather variables cover  June 2011‐ May 2012). The  long‐term means and standard 

deviation of monthly  rainfall, minimum, mean and maximum  temperature are calculated  for 30 years 

before these 12 months (e.g. in the above example June 1981– May 2011).  Based on these data several 

variables measuring current weather conditions are constructed as explained in section 4. 

Although  gridded  data  set,  such  as  CRU  are  commonly  used  in  economic  studies  as  they  provide  a 

balanced panel that adjusts for missing data and spatial factors (e.g. elevation), they suffer from some 

limitations for assessing weather variation at subnational level. Optimally such data would be measured 

based on ground station data, which, however, is not readily available for all of Vietnam. The precision of 

the CRU data at the subnational level depends on the interpolation method and the availability of station 

data  for  the areas of  interest  (Dell et al., 2014).   Although  this  is an  important concern  that deserves 

further investigation, this is beyond the scope of this paper. Moreover, only monthly average rainfall and 

temperature  data  are  available  from  CRU.  Given  high  intra‐annual  variations,    the  distribution  of 

                                                            4 http://www.cru.uea.ac.uk/cru/data/hrg/ 

6  

temperature and precipitation within each day could include important information to identify   extreme 

or unusual weather conditions  (Deschênes and Greenstone, 2007; Fisher et al., 2012; Schlenker et al., 

2006; Schlenker and Lobell, 2010; Schlenker and Roberts, 2009).   

2.3Regressionanalyses

In the literature there are two econometric approaches used to estimate the income effects of weather 

variation (Dell et al., 2012; Deschênes and Greenstone, 2012, 2007; Fisher et al., 2012; Mendelsohn et al., 

1994): Differences between households and locations are estimated from a cross‐section of data observed 

at one point in time following a Ricardian approach. Alternatively, changes over time are estimated from 

panel data observing the same households or locations at various points in time.   

The data set used for this study allows estimating the following regression model: 

 

 

where Y denotes per‐capita income observed for individual i in commune j in year t (i.e. 2010, 2012, 2014).   

W measures weather conditions n commune j in year t using five sets of weather variables as described 

in section 4. β is the parameter of interest that indicates the income effects of weather variation. X is a 

set of household‐specific controls that vary over time, such as education, labor and land endowments.5 T 

measures time‐fixed effects to neutralize common trends over time.   Z includes commune‐specific effects 

that do not change over time.  U is a random, idiosyncratic error term. 

A particularity of this data set is that for some households information is available for two or three survey 

years. These households form a Panel data set. Other households were only observed in one of the three 

years. Using  this  cross‐section data  as well  and  treating  all observation  as  independent observations 

provides a Pooled data set. 

A main concern when fitting models to estimate weather impacts on economic outcomes is endogeneity 

bias  (dell  et  al.,  2014).    Reverse  causation  is  unlikely  to  be  a  problem  as  weather  conditions  are 

exogenously  determined.  Yet  the model  is  likely  to  suffer  from  omitted  variable  bias  caused  by  the 

potential correlation of weather variables with other commune characteristics (e.g.  long‐term climate, 

geo‐graphical,  agro‐ecological  conditions)  that  determine  living  standards.  To  the  extent  that  such 

variables cannot be measured, the estimates of β will be biased.  

To minimize  this  omitted  variable  bias,  a  fixed‐effects  (FE)  linear model  is  fitted  by  using  a within‐

regression  estimator based on  the Panel data  set  (Panel  FE).6  These  analyses  allow  investigating  the 

determinants  of  income  changes  between  2010  and  2012  and  2014  due  to  differences  in weather 

                                                            5 The data sets allow to control for land and labor inputs of some income activities. These are, however, not included in the regression analyses due to potential endogeneity biases.  6 A within‐regression estimator is always consistent, but a General Least Squares estimator can be more efficient. The GLS –estimator based on a  random‐effects model was also  tested, but a Hausman  test  rejects  that  the GLS estimator is efficient. 

7  

conditions over time or other time‐variant household factors. The model regresses the household specific 

difference  of  the  income  in  one  specific  year  from  the mean  in  years with  observations  using  the 

difference of weather conditions in one year from their means in all observed years.7 By taking differences, 

all time‐invariant commune and household‐fixed effects are taken out eliminating any omitted variable 

bias caused by time‐invariant factors.  

To take advantage of the full data set and test the robustness of the results, additional models are fitted 

based  on  the  Pooled  data  set,  which  estimate  the  determinants  of  income  differences  between 

households. First an Ordinary Least Squares model (OLS) is fitted that controls for observable commune 

characteristics in Z (Pooled OLS). These commune controls include long‐term rain and temperature levels 

and variability calculated from the CRU data and other location‐specific factors (e.g. altitude, slope, soil 

conditions, tree cover, distance from city and roads) calculated from other geo‐spatial data sets.8 Whereas 

the  set  of  commune  controls  reduces  omitted  variable  bias  caused  by  time‐invariant  commune 

characteristics, it is unlikely to eliminate it.  To further reduce this bias, a fixed‐effects linear model is fitted 

by including a dummy for each commune in Z (Pooled FE).  This specification can control for commune‐

fixed effects, but not for unobservable household‐fixed effects.9 Where unobserved household‐factors 

are correlated with weather deviation (e.g. cultural preferences or risk aversion), they can also  lead to 

omitted variable bias, which can only be reduced through the Panel FE model. 

These  regression models  are  estimated  for  various  sub‐samples  to  disentangle  differences  between 

socioeconomic groups and climate zones. To identify weather impacts on different income activities, the 

regression models are also applied to the household sub‐sample participating in the respective income 

activity.10 Each model is calculated separately for each of the five sets of weather variables specified in 

section 4. Robust standard errors are estimated by clustering at the commune‐level in order to account 

for  spatial  correlation.  The  natural  logarithm  of  the  outcome  variables  is  used  in  the  regression  to 

                                                            7 For households with observations for only two years, this approach corresponds to regressing the difference  in incomes between the two years on the difference in weather conditions.  8 The advantage of using observed time‐invariant commune factors  is that they allow estimating their  impact on income differences, which is not possible in a fixed effects model using the Pooled Cross‐section or Panel data set. 9 The effects of other observable, time‐invariant commune factors cannot be estimated.  10 In the Panel FE model, only those households are included that have reported the respective income activity in both years. Although it would also be interesting to analyze how weather variability affects the choice to take‐up a new activity or to drop an existing activity, the limited number of households with such changes does not allow for a meaningful analysis. For the Pooled data set selection models were tested, as the factors that drive participation in an activity can be very different from those that determine income levels. Such selection biases can be corrected by a Heckman selection model using limited information maximum likelihood (LIML) or full information maximum likelihood (FIML) estimators (Heckman, 1979). Yet such estimators are not robust when the model is not correctly specified or  subject  to collinearity  (Puhani, 2000).   The  levels of collinearity  found  in  this data when estimating selection models for the different incomes exceed critical levels as defined in other work (Leung and Yu, 1996). This collinearity  is possibly caused be the  lack of sufficient exclusion restrictions,  i.e. variables that determine  income levels but not participation  in the  income activity.  In the presence of such collinearity problems OLS for the sub‐samples without correction of election biases provide more robust estimates (Puhani, 2000). 

8  

normalize the skewed distribution of outcomes (i.e. many observations of low income levels and a few 

observations of very high income levels).11  

3.Ruralincomesandchanginglivingconditions

This section shows the composition of rural income portfolios across different socioeconomic groups and 

regions,  as  well  as  changes  in  living  conditions  and  the  impediments  to  increasing  prosperity  –  as 

perceived by households. 

3.1Incomeportfolios

As  calculated  based  on  the  VHLSS  data,  the  following  income  categories  are  of  importance  in  rural 

Vietnam:  

1) crop income: the output value minus production costs including rice, other staple crops, industrial 

crops12, fruit trees and crop by‐products;13  

2) livestock  income:  the  value  of  animals  and  animal  products  produced  (for  selling  and  self‐

consumption) minus production costs;  

3) forestry income: the value of harvested trees and other forest products (such as firewood), hunted 

animals, as well as incomes from , forest protection and management minus the production costs;  

4) fishing income: the value of production and catch of fish and shrimp minus production costs;  

5) wage  income:  any  cash  and  in‐kind  wages  and  salaries  including  from  agricultural  wage 

employment and non‐agricultural wage‐employment in unskilled and skilled occupations;  

6) business income: revenues from businesses outside agriculture, forestry, aquaculture minus cost;  

7) transfer income include remittances, emergency assistance, insurance, donations, social benefits, 

support in health care and education;  

8) other income: including returns from investments, and earnings from weddings and funerals.  

The data demonstrates that agriculture and other ecosystem‐based incomes remain an important income 

source for rural households. Crop, livestock, forestry and fishing incomes and agricultural wages make ca 

45 percent of  incomes of all rural households (Figure 1). Whereas a  larger share of rural households  is 

engaged in income activities related to crop cultivation, livestock, forestry or fishing, the incomes earned 

from  wage‐employment  in  skilled  occupations  and  from  businesses  are  much  higher  (Table  A.1). 

Interestingly, more than 90 percent of households across all groups receive some transfer income. Overall, 

there  is  little difference  in the  income composition for different socioeconomic groups between 2010, 

2012 and 2014. 

                                                            11 Taking  the natural  logarithm  also  improves  the explanatory power of  the  various models  and brings ease  in interpreting the coefficients as percentage change of the outcome variable. 12 In order of importance, these include peanut, coconut, coffee, soya beans, tea, sugarcane, cashew, pepper. 13 While revenues are indicated for each crop, costs are only given for all crop production. To calculate incomes for different crops, it is assumed that each crop’s cost share is equivalent to it share in total crop revenues.  

9  

For poorer households, the role of crop cultivation, livestock, forestry, fishing and agricultural wages is 

much more important than for wealthier households. Altogether they make more than 60 percent of the 

income of the poorest quintile and even more than 70 percent for ethnic minorities compared to less than 

30 percent for the wealthiest households (Figure 1). Remarkably, about 60 percent of the poorest quintile 

and 80 percent of ethnic minorities are engaged in forestry activities earning about 10 percent of their 

income from these activities (Table A.1). For other groups these incomes are negligible.  While agricultural 

wages  and  non‐agricultural wages  in  unskilled  occupations  are more  important  for  poorer  quintiles, 

wealthier quintiles receive a higher income share from skilled wage employment or business activities.  

Figure 1:  Incomesharesbysocioeconomicgroup,2010,2012and2014

 Notes: Weighted average value of household  income share by group: Q1‐Q5= Consumption quintiles based on weighted per 

capita expenditure; All=All rural households; Min=Ethnic minorities; Fem=Female headed households 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014. 

 

There is also considerable variation in the importance of different incomes across regions. For example, 

incomes from crop cultivation, livestock, forestry and fishing amount to 60 percent in the North West, but 

are below 30 percent in the South East (Figure 2). Generally, income portfolios in the North East and North 

West are much more diverse with high a large percentage of households engaged in rice cultivation, other 

crops, livestock and forestry (Table A.2). Maize, the second most important crop in Vietnam in terms of 

cultivation area is planted by more than 50 percent of households in these regions.  In the Red River Delta 

and the South Central Coast, which have the highest income levels, non‐agricultural wage employment in 

skilled activities is the most important income source (Table A.2). In the Central Highlands income from 

industrialized crops – mostly coffee – makes about 30 percent of incomes. And in the Mekong River Delta 

fishing  incomes  play  an  important  role with more  than  40  percent  of  households  engaged  in  some 

aquaculture activity (Table A.2).  

 

 

10  

Figure 2: Incomesharesbyregion,2010,2012and2014 

 Notes: Unweighted average of household income shares per region. Source: Author’s calculation based on VHLSS 2010, 2012 & 2014. 

3.2Changesinlivingconditions

Although  the  average  income  portfolios  have  not  changed  much  between  2010  and  2014,  at  the 

household‐level changes in living conditions are observed. Using the Panel sub‐sample and comparing the 

consumption quintiles for these households observed in at least two years reveals great mobility between 

quintiles.  In both  time periods more  than 50 percent of households have changed  their consumption 

quintile; 28 percent have moved up one or more consumption quintiles; and 26 percent have moved down 

at least one quintile. These data show relative changes in living conditions compared to other households.  

Figure 3. MobilitybetweenconsumptionquintilesforPanelhouseholds,2010‐12and2012‐14

 Notes: N indicates the number of Panel households in the 2010 (2012) consumption quintiles. The percentage values indicate the share of these households in the 2012 (2014) consumption quintiles. Green color coding = moving‐up consumption quintiles. Red color  coding  = moving down  consumption quintiles. Grey  color  coding  =  same  consumption quintile. Q1‐Q5= Consumption quintiles based on weighted per capita expenditure.  Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 data.   

 

n n

639 62.4% 24.4% 9.7% 1.7% 1.4% 592 63.7% 22.8% 9.0% 3.5% 1.0%

593 21.8% 34.7% 27.5% 11.3% 4.7% 542 24.0% 33.9% 21.0% 15.9% 5.2%

590 8.3% 22.4% 33.2% 25.4% 10.3% 588 9.0% 25.0% 34.2% 19.6% 12.2%

636 3.0% 12.4% 22.5% 36.8% 24.4% 563 3.0% 12.1% 20.8% 37.3% 26.8%

625 0.5% 2.6% 10.9% 21.9% 62.7% 541 1.3% 4.8% 9.2% 22.4% 62.3%

2012

Q1

Q2

Q3

Q4

Q5

2014

Q1 Q2 Q3 Q4 Q5

2012

Q4Q1 Q2 Q3 Q5

Q2

Q3

Q4

Q5

2010

Q1

11  

In the VHLSS survey households are asked whether their living conditions have changed in absolute terms 

compared to five years ago. The majority of households indicate  improved living conditions, while only 

very few have experienced worse living conditions (Figure A.1). The share of households with worse or 

the same living conditions is highest in the lowest quintiles. These households rank the reasons for not‐

improved living conditions indicating three reasons in order of importance. 

Among the most important reasons, natural and income related factors rank high especially for poorer 

households. On average natural events (including droughts, floods, pests and harvest failures affecting 

production)  and  other  natural  factors,  such  a  livestock  epidemics  and  changes  in  land  and  water 

conditions play a limited role, which is declining over time. Yet as shown in Figure 4, they are relatively 

more important in the lowest quintile and for ethnic minorities.  Low incomes and other income‐related 

reasons,  such  as  production  costs  and  selling  prices,  rank  among  the most  important  reasons  too. 

Interestingly,  other  factors,  such  as  consumption  prices  and  illness  rank  highest  among  wealthier 

households.  

Figure 4. Mainreasonsfornotimprovedlivingconditionsreportedbyhouseholds,2010,2012and2014

 Notes: Unweighted average value by household group: Q1‐Q5= Consumption quintiles based on weighted per capita expenditure; 

All=All rural households; Min=Ethnic minorities; Fem=Female headed households 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 data. 

 

While such data are highly subjective, they offer some insights into the perceived impediments to greater 

prosperity. Exposure  to natural  factors and  income  related reasons seem  to prevent households  from 

improving living conditions. As all these factors can be conditioned by weather conditions, the extent to 

which the households are exposed to weather variation is evaluated next. 

4.Weathervariationinruralcommunes

The communes within the different regions of Vietnam represent different climate zones with varying 

rainfall and temperature conditions.  Communes are categorized as dry versus wet and cold versus hot 

12  

zones based on the long‐term (30 years) annual mean of monthly rainfall (157mm) and mean temperature 

(25.4°C) across the communes in the data set (Figure A2) in order to define Dry‐cold, Dry‐hot, Wet‐cold 

and Wet‐hot climate zones. Long‐term rainfall and temperature conditions as well as their inter‐annual 

variation greatly varies by zone (Figure A.3). Different climate zones mostly coincide with the different 

regions  (Table  A.3).  In what  follows  current weather  variation  is  described  by  five  sets  of  variables 

measuring annual, seasonal, abnormal and extreme weather conditions and weather events.  

4.1Annualweatherconditions

Variables measuring  annual  rainfall  and  temperature  levels  control  for  the  effect  of  average  annual 

conditions and variation between years.  The use of annual values is common in the literature exploring 

linkages between weather and economic outcomes (Burke et al., 2011; Dell et al., 2009; Feng et al., 2010; 

Schlenker and Lobell, 2010).   

Based on  the CRU data,  annual  values  are  calculated  as  the mean of  the monthly  rainfall  and mean 

temperature values in the 12 months prior to the survey. Accordingly, 2010 values are not limited to the 

2010 calendar year, but measure conditions in the 2009/10 season.  

Figure 5 Annualweatherconditionsinruralcommunesbyclimatezonein2010,2012and2014

a. Annual rain   b. Annual temperature  

Notes: Box  plot  shows  the  distribution  of  commune  observations  for  each  climate  zone.  The  boxes  illustrate  the  25  to  75 percentile with the median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value with the points outside below or above that identifying outlier observations. Values are measured as the mean of monthly rainfall levels and mean temperature in the last 12 months. Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

Annual weather conditions vary between the zones and years. 2010 was the driest and warmest year with 

considerable variation between and within zones (Figure 5). Although on average 2012 is the wettest year 

in all zones, 2014 has a greater number of communes  in the Wet‐cold and Wet‐hot zones which have 

rainfall  levels  far  above  the  zone’s  average. This  skewed distribution  reflects  the heavy  rainfalls  that 

occurred  in  the Central Provinces at  the end of 2013. These  rainfalls  resulted  in  severe  flooding and 

livelihood damages (UN, 2013). 

010

020

03

004

00

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mo

nth

ly r

ain

fall

in m

m

1520

25

30

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

tem

pera

ture

in C

13  

4.2Seasonalweatherconditions

Variables measuring  seasonal  rainfall and  temperature  levels  can measure  the  impact of  intra‐annual 

variation and their changes between years in order to test how income effects depend on the timing of 

weather shocks. Many studies measure temperature and rainfall levels at various points in the production 

year  to  reflect  the  seasonality  of  weather  conditions  and  many  income  activities  (Hsiang,  2010; 

Mendelsohn et al., 1994; Welch et al., 2010; Yang and Choi, 2007).  

Based on  the  long‐term  intra‐annual weather patterns  (Figure A.3),  this  study differentiates between 

three seasons: January – April, which are drier and colder (S1), May – August with wet months and the 

highest temperatures (S2) and September – December with wet months and  lower temperatures (S3).  

This division is also broadly in line with the growing cycle of some crops. For each of these periods in the 

last 12 months prior  to  the survey date,  the mean of monthly  rainfall and mean  temperature  level  is 

calculated.  

Seasonal conditions do not only vary between years but also zones. All survey years are affected by large 

intra‐annual variation in rainfall and temperature conditions (Figure A.4). In all three years the seasonal 

variation between zones and within zones is highest for temperature S1 and for rainfall in S3 (Figure 6). In 

2010 dry season temperatures in S1 are higher than in the other years, while in 2012 and 2014 rainfall 

levels in S3 are larger than 2010. The rainfall outliers in S3 in the Wet‐cold and Wet‐hot zones capture the 

extensive  rainfalls  in  November  2013  in  the  Central  provinces.  14  Within  3  days  some  provinces 

experienced up to 400‐973 mm of rain (UN, 2013). 

 

 

   

                                                            14 The weather variables are constructed so as to reflect the weather conditions in the 12 months prior to the survey. For example,  for a household  interviewed  in March 2012, the  first month  indicates  January 2012, while the 12th months indicate December 2011. Accordingly, the December values in the 2014 graph show the rainfall in December 2013. 

14  

Figure 6 Seasonalweatherconditionsinruralcommunesbyclimatezonein2010,2012and2014

a. Seasonal rain S1 (Jan‐Apr)   b. Seasonal temperature S1 (Jan‐Apr) 

   c. Seasonal rain S1 (May‐Aug)  d. Seasonal temperature S2 (May‐Aug) 

   e. Seasonal rain S3 (Sep‐Dec)  f. Seasonal temperature S3 (Sep‐Dec) 

Notes: Box  plot  shows  the  distribution  of  commune  observations  for  each  climate  zone.  The  boxes  illustrate  the  25  to  75 

percentile with the median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value 

with the points outside below or above that identifying outlier observations. Values are measured as the mean of rainfall levels 

and mean temperature in the respective months. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

 

050

01,

000

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

rai

nfal

l in

mm

1525

35

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

tem

pera

ture

in C

050

01

,000

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

rai

nfa

ll in

mm

1525

35

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

tem

pera

ture

in C

05

001,

000

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

rai

nfal

l in

mm

1525

35

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

mon

thly

tem

pera

ture

in C

15  

4.3Abnormalweatherconditions

Not only absolute rainfall and temperature levels matter, but also the extent to which these levels differ 

from  long‐term  normal  climate  conditions. Unusually wet,  dry,  hot  and  cold  conditions  can  all  have 

detrimental impacts, which depend on their timing and location. For example, more rain may be beneficial 

in a dry month and dry locations, but harmful in wet months and wet locations. Existing studies define 

unusual weather conditions as the deviation from the long‐term mean (Hidalgo et al., 2010; Baez et al., 

2015; Noack et al., 2015). These studies put  the calculated deviation  into  the context of  the  location‐

specific variability by normalizing  by the location’s long‐term standard deviation (Lobell et al., 2011). 

Figure 7Abnormalweatherconditionsinruralcommunesbyclimatezonein2010,2012and2014

a. Wet months  b. Hot months

c. Dry months d. Cold months

Notes: Histograms show the distribution of commune observations for each climate zone. Abnormal months are measured by the deviation of the current month’s value from the 30 years mean being greater than 1.5 standard deviations. Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

To measure the number of wet, dry, hot and cold months, this study calculates the current deviation from 

the long‐term mean for each month (Figure A.5). Wet conditions are defined as positive deviation from 

0.2

.4.6

.81

0.2

.4.6

.81

0.2

.4.6

.81

0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6

2010, dry_cold 2010, dry_hot 2010, wet_cold 2010, wet_hot

2012, dry_cold 2012, dry_hot 2012, wet_cold 2012, wet_hot

2014, dry_cold 2014, dry_hot 2014, wet_cold 2014, wet_hot

Den

sity

number of months

0.2

.4.6

.81

0.2

.4.6

.81

0.2

.4.6

.81

0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6

2010, dry_cold 2010, dry_hot 2010, wet_cold 2010, wet_hot

2012, dry_cold 2012, dry_hot 2012, wet_cold 2012, wet_hot

2014, dry_cold 2014, dry_hot 2014, wet_cold 2014, wet_hot

De

nsity

number of months

0.2

.4.6

.81

0.2

.4.6

.81

0.2

.4.6

.81

0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6

2010, dry_cold 2010, dry_hot 2010, wet_cold 2010, wet_hot

2012, dry_cold 2012, dry_hot 2012, wet_cold 2012, wet_hot

2014, dry_cold 2014, dry_hot 2014, wet_cold 2014, wet_hot

Den

sity

number of months

0.2

.4.6

.81

0.2

.4.6

.81

0.2

.4.6

.81

0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6

2010, dry_cold 2010, dry_hot 2010, wet_cold 2010, wet_hot

2012, dry_cold 2012, dry_hot 2012, wet_cold 2012, wet_hot

2014, dry_cold 2014, dry_hot 2014, wet_cold 2014, wet_hot

Den

sity

number of months

16  

the long‐term rainfall level and dry conditions as negative deviation. Hot conditions are measured by the 

month’s positive deviation of  current maximum  temperature  from  the  long‐term mean of maximum 

temperature and cold conditions by  the month’s negative deviation of current minimum  temperature 

from  the  long‐term mean of minimum  temperature. For all measures each month’s deviation  is  then 

divided by the month’s  long‐term standard deviation. Abnormal months are defined as months with a 

deviation exceeding 1.5 standard deviations.  

Abnormal weather conditions vary mostly by year (Figure 7). The limited variation between zones results 

from accounting for some of the regional variation through the normalization by the commune’s standard 

deviation. In all zones number of wet months is highest in 2014 and the number of dry months in 2010. 

Hot months prevail in 2010, while the number of cold months is largest in 2014.  

4.4Extremeweatherconditions

To control for extreme weather conditions maximum and minimum values  in rainfall and temperature 

levels can be measured. A  limited period without any rain or with  intensive rain can be as harmful to 

livelihoods as a limited number of days with heat extremes or with frost conditions. For example, a recent 

study for Vietnam defines excessive rainfall if it exceeds 300, 450 or 600mm within a 5 day period (Thomas 

et al., 2010). Another study from Asia differentiates between daily minimum and maximum temperatures 

to control for temperature variation (Welch et al., 2010). 

Based  on  the monthly  rainfall  and  temperature  values  (Figure A.4),  extreme weather  conditions  are 

measured as follows: the maximum of rain as the precipitation level in the wettest month, the minimum 

of rain as measured by the precipitation level in the driest month, the maximum of temperature as the 

maximum  temperature  in  the  hottest  month,  and  the  minimum  of  temperature  as  the  minimum 

temperature in the coldest month.  

These extreme weather conditions broadly reflect earlier findings.   Maximum rain  is  lowest  in 2010 at 

around 400mm and highest  in 2012 exceeding 500mm  in Dry‐hot and Wet‐cold zones, but with some 

considerable variation within the Wet‐cold zone in 2014 (Figure 8). Minimum rain is below 50mm and is 

close to zero in the Dry‐cold zone. Whereas this zone had the lowest annual and seasonal temperature 

means  (Figure  5  and  6),  their maximum  temperature  is  higher  than  in  the Wet‐cold  zone  and  their 

minimum temperature is at the level of the Dry‐hot and Wet‐hot zone. 

 

 

 

 

 

17  

 

Figure 8Extremeweatherconditionsinruralcommunesbyclimatezonein2010,2012and2014

a. Maximum rain b. Maximum temperature 

c. Minimum rain d. Minimum temperature 

Notes: Box  plot  shows  the  distribution  of  commune  observations  for  each  climate  zone.  The  boxes  illustrate  the  25  to  75 percentile with the median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value.  Maximum rainfall is measured by the rainfall level in the wettest month. Minimum rain is measured by the rain level in the driest month. Maximum temperature is measured by the mean of maximum temperature in the hottest month. Minimum temperature is measured by the minimum temperature in the coldest month. Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data.  

4.5Weatherevents

Variables describing the occurrence of weather events, such droughts, floods and storms allow to measure 

the impact of weather shocks and natural disasters.   A recent study for Vietnam uses monitored data on 

riverine floods and cyclones to identify natural disasters and assess their welfare impacts (Thomas et al., 

2010).  Notwithstanding  the  limitations  of  self‐reported  data,  which  often  suffers  from  subjective 

judgements and is highly correlated with welfare outcomes, other studies from Vietnam use self‐reported 

data to assess the welfare impacts (Arouri et al., 2015; Bui et al., 2014).  

050

01,

000

1,50

0

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

rain

fall

in m

m

2530

3540

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

tem

pe

ratu

re in

C

050

100

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

rain

fall

in m

m

1520

2530

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014

dry_cold dry_hot wet_cold wet_hot

tem

per

atu

re in

C

18  

Unfortunately,  the monthly weather data  from CRU do not allow  to  identify weather events,  such as 

floods, droughts, and storms, which often depend on extremes within a short time period. Instead self‐

reported  data  from  the  commune  surveys  are  used,  which  include  questions  about  the  five main 

emergencies in the last three years.15 Based on this data, those communes that have experienced floods, 

droughts and storms within the 12 months before the survey are identified. Although the data also include 

information on crop diseases, fires and epidemics, these events are not included as they are supposedly 

less directly related to weather conditions.  

Overall, more  than a  fifth of all rural households reports some weather event. The variation between 

zones and years is lowest for the occurrence of storms (Figure 9). In line with earlier findings suggesting 

that 2010 is the hottest and driest year, the self‐reported data indicates a higher occurrence of droughts 

in 2010 – mostly in the Wet‐cold zone. Surprisingly, the share of communes reporting floods is highest in 

2010 in the Dry‐hot and Wet‐cold zone, which is in contrast to the rather dry conditions in that year and 

the  severe  flood  events  observed  in  the  Wet‐cold  zone  in  2014.  The  self‐reported  data  does  not 

correspond to the flood events experienced by communes in.  Auxiliary regressions, however, reveal that 

self‐reported  floods  indeed  are  related  to  higher  annual  and  seasonal  rainfall  levels,  number  of wet 

months and maximum rainfall (Table A.4).   

Figure 9 Weathereventsinruralcommunesbyclimatezonein2010,2012and2014

a. Floods  b. Droughts  c. Storms 

     Notes: Bars show the average share of communes in each climate zone being affected by the event based on self‐reported data.  Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

                                                            15 These emergencies are  listed by year and month,  including  crop diseases,  storms,  floods, droughts,  fires and epidemics. 

0.0

5.1

.15

.2.2

5

sha

re o

f co

mm

une

s a

ffe

cte

d

dry_cold dry_hot wet_cold wet_hot

201020

1220

1420

1020

1220

1420

1020

1220

1420

1020

1220

14

0.0

5.1

.15

.2.2

5

shar

e of

com

mun

es a

ffe

cte

d

dry_cold dry_hot wet_cold wet_hot

201020

1220

1420

1020

1220

1420

1020

1220

1420

1020

1220

14

0.0

5.1

.15

.2.2

5

sha

re o

f co

mm

unes

aff

ecte

d

dry_cold dry_hot wet_cold wet_hot

201020

1220

1420

1020

1220

1420

1020

1220

1420

1020

1220

14

19  

5.Weathersensitivityofincomes

This  section  shows  the  impacts of  the different  sets of weather variables on  incomes as estimated by  the 

regression model described in section 2.3.17  The emphasis is placed on the results from the Panel FE model as 

this allows to estimate the effects on income changes over time eliminating any potential omitted variable bias 

from time‐invariant factors. All regression models also include a set of control variables which are not the focus 

of this discussion (Table A.5). The fitted models indicate the income effects of weather variation (5.1) and how 

these weather impacts vary by socioeconomic group (5.2), climate zone (5.3), income activity (5.4) and severity 

of conditions (5.5). 

5.1Weathervariationrelatestoincomechanges

The  results  indicate  that many weather  variables  have  a  significant  impact  on  consumption  and  income 

changes over time. The direction, order of magnitude and statistical significance of the results for consumption 

and total incomes are almost identical for the different weather variables (Figure 10 and Table A.6). This finding 

suggests that the impact of weather variation on incomes directly translates  into consumption changes and 

that there is limited smoothing of the consumption effects. Hence, the calculated weather effects on incomes 

also provide an estimate of the overall welfare impacts. 

The significant results for temperature variation  indicate that hotter conditions relate to  lower  incomes. An 

average annual temperature that  is 1°C warmer decreases total  income by 20 percent – mostly driven by a 

10%  reduction  in  in  season  S1 and  S3  (Figure 10).  Similarly, an  additional hot month  lowers  income by 6 

percent, while an additional cold month increases income by 4 percent. A 1°C increase in temperature in the 

hottest month relates to 10 percent income reduction and a 1°C increase in the coldest month to a 5 percent 

reduction.  

The impacts of rainfall variation suggest that drier conditions can have negative impacts. An additional 100m 

of rain in season S3 has an income‐increasing effect of 3 percent, while an additional dry month reduces income 

by 6 percent. All other variables are  insignificant possibly because wetter conditions can also have negative 

impacts when rainfalls become too intensive. Accordingly, having experienced a drought event relates to a 9 

percent and a flood event to a 5 percent income reduction. The income effects of rainfall variation are further 

disentangled in the next analyses.  

As would be expected weather variation is related to some but not all income differences between years. As 

per  the R2 statistics  the models with  the measured weather variables explain about 8  to 9 percent of  the 

variation in total income, whereas the explanatory power of the models with the self‐reported weather events 

                                                            17 Other specifications of weather conditions are also tested, which do not offer much additional insights. For example, including the quadratic form of annual or seasonal rainfall and temperature levels does yield similar results and makes the interpretation of the results from the Panel regressions difficult.  Similarly, using deviations from the long‐term mean instead of absolute rainfall and temperature  levels produces almost  identical results  in the Panel regressions, because differences from the mean are already captured in the Panel FE model. 

20  

is at only 3 percent (Table A.6). This finding suggests that measured weather data are better suited than self‐

reported data to income welfare changes over time.   

Figure 10. Estimatedconsumptionandincomeeffectsofchangeinweatherconditions,2010,2012,and2014 

 

Notes: Figures show the coefficient estimated from the Panel Subsample Fixed Effects regression models (1) –(5). ‘Con’ indicates per‐

capita expenditure and ‘Inc’ per‐capita total income.  Whiskers indicate the 95% confidence intervals, and a solid marker is statistically 

significant at 90% or higher. The detailed results tables with standard errors are presented in Tables A6.  

Source: Author calculation based on based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

To compare the weather  impacts on  income changes over time with those on  income differences between 

households, further models are fitted using the Pooled cross‐section data set. Overall, the explanatory power 

of  the Pooled OLS and Pooled FE model  is much higher  than  in  the Panel FE  (Table A.7). This  result  is not 

surprising as in the Panel FE the changes in income over time can only be explained by time‐variant factors. 

Besides the different sets of weather variables, the data does not allow to sufficiently capture such time‐variant 

factors. The estimated  income effects are smaller and  less significant  in the models using the Pooled data, 

suggesting  that  current  weather  variation  can  better  explain  income  changes  over  time  than  income 

differences between households. However, long‐term climate conditions, for example, as measured by the 30 

years  standard  deviation  of  rainfall  and  temperature  explain  differences  in  living  standards  between 

households (Narloch & Bangalore, 2015). 

The difference  in results between the Panel FE model capturing all time‐invariant household and commune 

factors  (Table A.6),  the  Pooled  FE  capturing  only  all  time‐invariant  commune  factors  and  the  Pooled OLS 

capturing only observable time‐invariant commune factors (Table A.7) demonstrate that the estimated effects 

depend on the extent to which conditioning factors are controlled for.  Some considerable differences in the 

statistical significance and the magnitude of the estimated effects appear between the Pooled OLS and the 

Pooled FE model.  Including commune fixed effects instead of observable commune characteristics increases 

the explanatory power of the models remarkably (Table A.7). This finding  implies that a  large extent of the 

income variation is due to unobserved differences in commune characteristics.  When not including commune 

fixed effects, the weather variables may actually capture some of the effects of these unobserved commune 

characteristics so that they may be highly biased. This conclusion cautions some of the findings from other 

21  

work in this field that cannot control for unobservable factors that are highly correlated with weather variables 

(Noack et al., 2015; Park et al., 2015).  

5.2Weatherimpactsvarybysocioeconomicgroup

To show how income effects vary across different socioeconomic groups, the Panel FE model is estimated for 

different  groups,  including  the  two  lowest  (B40)  vs  three  highest  (T60)  expenditure  quintile  (Table  A.8), 

households that moved‐down at least one consumption quintile between years (Down) versus thus that moved 

up (Up) as identified in section 3.2 (Table A.9), as well as minority (Min) and female‐headed (Fem) households 

(Table A.10). Some interesting differences between these groups appear (Figure 11). 

Figure 11. Estimatedincomeeffectsofchangeinweatherconditionsbysocioeconomicgroup,2010,2012,and2014

 

Notes: Figures  show  the  coefficient estimated  from  the Panel Subsample Fixed Effects  regression models  (1) –(5).  ‘B40’  indicates 

households  in  the  lowest  two  per‐capita  expenditure  quintiles  in  2012,  ‘T60’  indicates  households  in  the  upper  three  per‐capita 

expenditure quintiles in 2012, ‘Down’ indicates households that moved down at least one consumption quintile between years, ‘Up’ 

indicates households  that moved up at  least one consumption quintile between years,  ‘Min’  indicates households  from an ethnic 

minority,  and  ‘Fem’  indicates  female‐headed  households. Whiskers  indicate  the  95%  confidence  intervals,  and  a  solid marker  is 

statistically significant at 90% or higher. The detailed results tables with standard errors are presented in Tables A8‐10.  

Source: Author’s calculation based on based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

Rainfall variation can have different impacts on B40 and T60 households. While an additional 100m of monthly 

rain reduces the incomes of the B40 by more than 10 percent, it increases the incomes of the Top 60 by ca 10 

percent. Similarly, a significant negative impact is estimated for wet months and floods on B40 households and 

for dry months and droughts for 60 households. This finding suggest that the livelihoods of poorer households 

suffer from extensive rainfalls whereas wealthier households are more negatively affected by lack of rain.  

The differences in rainfall effects are less pronounced for other groups.  An additional 100m of monthly rain 

has a  large positive  impact for households that moved‐up, but no significant  income effects for households 

that moved‐down. Wet months have a positive  income effect  for  those households  that moved‐up, but a 

negative one for those that moved‐down, while dry months have negative impacts for both groups. Female 

22  

headed households suffer from negative income effects of dry moths, as well as drought and flood events. The 

incomes of ethnic minorities are not very sensitive to rainfall variation – possibly because they mostly live the 

Northern areas, which are subject to drier conditions and less rainfall variation. 

Hotter  temperature  conditions have negative  income effects  for all  socioeconomic groups. An  increase of 

average annual temperatures by 1°C relates to an income reduction of about 12 percent for ethnic minorities, 

18 percent of B40 households, 22 percent of female‐headed households and 24 percent of T60 households. 

Accordingly, more hot months have negative  income effects and more  cold months have positive  income 

effects for almost all groups.  

5.3Weatherimpactsvarybyclimatezones

To show how weather impacts vary across different climate contexts, their income effects are estimated for 

the different zones as identified in section 4 differentiating between Dry‐cold, Dry‐hot (Table A.11) Wet‐cold 

and Wet‐hot (Table A.12) zones. As would be expected some differences in the weather impacts between these 

climate zones can be observed (Figure 12).  

Figure 12. Estimatedincomeeffectsofchangeinweathervariationbyclimatezonesin2010,2012,and2014

    

Notes: Figures show the coefficient estimated from the Panel Subsample Fixed Effects regression models (1) –(5). ‘Dry‐cold’, ‘dry‐hot’, 

‘wet‐cold’, and ‘wet‐hot’ indicate the climate zones as identified in Section 4. Whiskers indicate the 95% confidence intervals, and a 

solid marker is statistically significant at 90% or higher. The detailed results tables with standard errors are presented in Tables A11‐

A12.  

Source: Author’s calculation based on based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

 

Some  findings  indicate  that wetter  conditions  could  have  positive  income  effects  in  drier  locations,  but 

negative ones  in wetter  locations. However, these effects depend very much on the timing of the weather 

impact. For example, more rain in the season S1 is related to large negative income effects in the dry zones, 

possibly as soils and livelihoods are not prepared for large quantities of rains in the dry season. More rain in 

season S2, however, has a positive impact in dry zones.  In the wet zones, the income effect of rain in S2  is 

negative implying negative impacts of any additional rainfall in the rainy season in wet locations. Accordingly, 

wet months have a positive impact in Dry‐cold zones, but negative one in the Wet‐hot zones. Also floods are 

23  

related  to positive  income  changes  in  the Dry‐cold  zone, but negative  changes  in  the Wet‐cold  zone. Dry 

months have a negative income effect in dry zones but no impact in wet zones.  

Warmer weather conditions have negative impacts in all contexts with one exception. In the Wet‐cold zones a 

temperature increase in season S2 is related to a positive income effect of about 20 percent. Negative income 

effects are related to warmer temperatures in season S1 for the wet places and in season 3 for cold places. 

There  is also  some  indication  that higher  temperatures have more  severe  impacts  in hotter  locations. An 

increase of 1°C  in average annual temperature reduces  incomes by 15‐17 percent  in Wet‐cold and Dry‐cold 

zones and by 27‐28 percent in Wet‐hot and Dry‐hot zones.  

5.4Weatherimpactsdependonincomeactivity

These estimated income effects are triggered by the weather impacts on different income activities, which is 

shown by the results for rice cultivation, staple crops, industrial crops, livestock, forestry, fishing, agricultural 

wages, unskilled non‐agricultural wages, skilled agricultural wages and business self‐employment (Tables A.13‐

A.17).   The  individual  income effects can be much  larger  indicating that a big effect on one activity can be 

compensated through other incomes so that the overall income and expenditure effect is more limited (Figure 

13).    

Figure 13. Estimatedincomeeffectsofchangeinweathervariationbyincomeactivityin2010,2012,and2014

Notes:  Figures  show  the  coefficient  estimated  from  the  Panel  Subsample  Fixed  Effects  regression models  (1)  –(5).  The  activity 

abbreviations indicate the following activities as defined in section 3: ‘Inc’= total income, ‘Ric’ = rice cultivation, ‘Sta’ = staple crop, ’Ind’ 

=  industrial  crops,  ‘Liv’ =  livestock,  ‘For‘ =  Forestry,  ‘Fis’ =  fishing,  ‘Wag’ = agricultural wage employment,  ‘Wun’ = unskilled non‐

agricultural wage employment,  ‘Wsk’ = skilled non‐agricultural wage employment, and  ‘Bus’ = business self‐employment. Whiskers 

indicate the 95% confidence intervals, and a solid marker is statistically significant at 90% or higher. The detailed results tables with 

standard errors are presented in Tables A6, and A13‐A17.  

Source: Author’s calculation based on based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

24  

Warmer weather  conditions have a negative effect on most  income activities. Three exceptions are  to be 

noted.  First,  the  weather  impacts  for  staple  crops  are  not  significant  or  even  positive  for  maximum 

temperatures. This finding indicates that these crops – mostly grown in the colder regions – are less sensitive 

to warmer temperatures or could even benefit.  Second, hotter conditions and even drought events are related 

to higher  forestry  incomes.   This  finding may  indicate  that  the extraction of  forest  resources  is a  copying 

mechanism applied to compensate shortfalls from other activities under heat stress. Similarly, fishing incomes 

go  up  under  heat  extremes  expressed  by  the  number  of  abnormally  hot  months  and  the  maximum 

temperature in the hottest months. These results corresponds to other studies from rural Vietnam showing 

that incomes from the extraction of environmental resources tend to go up during weather shocks (Völker and 

Waibel, 2010). 

Interestingly, weather variables do not only  relate  to agricultural and other ecosystem‐production  related 

incomes, but also to supposedly less sensitive activities, such as non‐agricultural wages and business activities. 

This result may imply that in rural areas there are strong inter‐sectoral (demand and supply) linkages through 

which all income activities are negatively affected when weather shocks hit the agricultural sector. Moreover, 

some weather extremes may also affect non‐agricultural activities through their impacts on labor availability 

and productivity. Interestingly, all wage‐related activities are negatively affected by higher temperature, but 

are less sensitive to rainfall variation. This finding is in line with Park et al. (2015) who find that heat extremes 

can have a negative impact on labor productivity.  

Some note of caution is needed. The predictive power of the models –especially those with the self‐reported 

weather events – become weak for some  income activities. This finding mainly applies for  income activities 

undertaken by a small sub‐sample of households and with limited income variation over time, such as forestry 

and fishing. Possibly these activities are less weather sensitive, so that the weather variables combined with 

the set of households controls cannot sufficiently explain income variation across time.   

This finding may also be due to the dependency of effects on the specific locations within climate zonesand on 

specific activities within each income category. To further test this dependency, additional regressions were 

run for each income activity at the regional level. The results for the regional models with the highest predictive 

power are summarized in Tables A.18‐A.23.  For example, in the Mekong River Delta less rain in the dry season 

S1 reduces income from summer‐autumn rice, while less rain during season S3 increases income from winter‐

spring rice. Unusually dry months are harmful for incomes from both winter‐spring and summer‐autumn rice 

(Tables  A.18‐A.19).  Coffee  incomes  in  the  Central  Highlands  suffer  from  high  temperatures  in  S1  and 

temperature and rainfall extremes, as well as flood and drought events (Table A.20). In the North West region 

forestry  incomes decrease  in drier years with more cold months, while fishing  incomes  increase  in warmer 

years with more hot months  (Table A.21). Moreover, weather variation can explain a  larger extent of  the 

variation  in wage and business‐related  incomes for some regions (Tables A.22‐A.23). These findings suggest 

that a further disaggregation by income activities and regions would allow to refine the results.   

25  

5.5Weatherimpactsdependontheseverityofconditions

The above analyses indicate that more rainfall does not have much of a negative impact on changes in income. 

This finding may be surprising in light of the severe livelihood impacts of the flood events caused by the intense 

rainfalls in late 2013 in the Central provinces. These results may mainly capture the negative income effects of 

too dry conditions in 2010. At the same time, 2012 and 2014 were both relatively wet years so that focusing 

on these two years instead of the whole 2010‐14 sample may allow disentangling some of the effects of too 

intensive rainfalls. To do so, the above analyses are rerun splitting the Panel sample into a 2010‐12 and a 2012‐

14 sub‐sample (Table A.24).  Some very interesting differences between the two time periods appear (Figure 

A.14).  

Figure 14. Estimatedincomeeffectsofchangeinweathervariationbyperiods,2010‐12versus2012‐14

 

Notes: Figures show the coefficient estimated from the Panel Subsample Fixed Effects regression models (1) –(5). 2010‐12 is based on 

the 2010 and 2012 Panel households, 2012‐14 is based on the 2012 and 2014 Panel households.  Whiskers indicate the 95% confidence 

intervals, and a solid marker is statistically significant at 90% or higher. The detailed results tables with standard errors are presented 

in Table A.24.  

Source: Author’s calculation based on based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

Indeed wetter  conditions  are  related  to  positive  income  changes  between  2010  and  2012,  but  negative 

changes between 2012 and 2014.   Having an  increase  in the annual average of monthly rainfall by 100mm 

boosts income by about 20 percent between 2010 and 2012, but reduces income by about 12 percent between 

2012 and 2014. An increase in rainfall by 100mm between 2012 and 2014 in the season S3, when most of the 

flooding  took place has  an  income  reducing  effect of 5 percent. Having  the  same  rainfall  increase  in  the 

following dry season S1 reduces incomes even by up to 40 percent. Similarly, wet months and floods have a 

negative income effect between 2012 and 2014, whereas dry months and droughts have a negative income 

effect between 2010 and 2012.  For temperature variation the differences between the 2010‐12 and 2012‐14 

time period are less pronounced and the results are statistically weaker than in the combined 2010‐14 sample.  

These  finding  suggest  that  the  impacts of weather variation on  income changes over  time depend on  the 

severity of conditions in the time periods under consideration. Especially for short‐term panels, such as this 

data set, results are sensitive to the weather conditions  in the years with observations.   While very  limited 

26  

variation between years can hide some of the actual weather impacts, extreme conditions in one of the few 

survey years can bias some of the results. To mediate some of these shortcomings, panel data sets that cover 

larger time horizons are needed.  

5.Conclusions

The  results  in  this paper  show  that weather variation and  income changes over  time  in  rural Vietnam are 

related. They also warn against an oversimplification of  this  relationship as  there  is a breadth of weather 

impacts, which are highly dependent on socioeconomic groups, climate zones, and income activities, and even 

the severity of weather conditions.  In addition,  income effects do not only depend on  the  intensity of  the 

rainfall or temperature shock, but also on the timing of the shock and the location‐specific optimal rainfall and 

temperature levels.  

Despite  this complexity  the data allow  identifying  some general patterns. Warmer  temperatures and heat 

extremes have  income‐reducing effects  in all climate  contexts and  for all  socioeconomic groups,  including 

poorer  households  and  ethnic minorities. While most  income  activities  are  negatively  affected  by  hotter 

conditions, staple crops, forestry and fishing seem to be less sensitive to temperatures. The income effects of 

rainfall are more complex. Some findings indicate that more rainfall is beneficial in drier places but harmful in 

wetter places.  Interestingly,  the  incomes of poorer households  seem  to be negatively  affected by wetter 

conditions, while those of wealthier households are more impacted by drier conditions. This finding implies 

that  the  livelihoods  of  poor  rural  people  are more  vulnerable  to  severe  rainfalls  and  flooding, which  for 

example occurred at the end of 2013. The data  indeed confirm that an  increase  in rainfall and wet months 

compared to 2012, which was also a wet year, had a negative impact on income growth between 2012 and 

2014.  

Bringing the variety of income effects from different types of weather variation together with the uncertainty 

about how weather conditions will be altered by climate change makes any effort to quantify the income and 

poverty impacts of climate change extremely challenging – not even considering that the weather sensitivity 

of income activities may change due to structural changes or adaptive responses.  While future temperature 

increases due to climate change can be predicted with some level of confidence, there is less agreement on 

future changes  in precipitation patterns. Yet variation between  locations and between  seasons  is  likely  to 

increase  (IMHEN and UNDP, 2015;  ISPONRE, 2009; MONRE, 2009). Overall, however,  it remains difficult to 

translate the global climate change scenario from the IPCC (2014) into localized impacts. While some locations 

could benefit  from more  favorable  conditions,  the overall variability of weather  conditions  is expected  to 

increase with abnormal or extreme conditions likely to become more frequent and intense.  

Notwithstanding  the difficulties to quantify any  future climate change  impacts on rural  incomes, the  initial 

insights provided by this paper bring important implications for rural development in times of climate change. 

The  findings demonstrate  that high weather variation between years, seasons and  locations  is already  the 

norm  in  rural Vietnam and  that  the  incomes of most people  including poor households are currently very 

sensitive to this variation. Consequently, rural households are already vulnerable to weather variation. Climate 

change could increase these vulnerabilities in many unpredictable ways. Hence it is important to make rural 

27  

livelihoods more  resilient  to weather  variation  by  promoting  income  strategies  that  are more  robust  to 

uncertain  weather  conditions  (e.g.  weather‐resistant  crops  and  production  practices)  and  by  enabling 

households to be better prepared for weather shocks (e.g. weather‐focused information systems) or to cope 

with them ex‐post (e.g. weather‐proofed safety nets).  All in all, policies and investments should pay greater 

attention not only to short‐lived disasters, but also to more subtle weather variation and gradual changes in 

weather conditions. 

 

28  

References

Ahmed,  S.A.,  Diffenbaugh,  N.S.,  Hertel,  T.W.,  2009.  Climate  volatility  deepens  poverty  vulnerability  in developing countries. Environ. Res. Lett. 4, 034004. 

Arndt, C., Tarp, F., Thurlow, J., 2012. The Economic Costs of Climate Change: A Multi‐Sector Impact Assessment for Vietnam. 

Arouri, M., Nguyen, C., Youssef, A.B., 2015. Natural Disasters, Household Welfare, and Resilience: Evidence from Rural Vietnam. World Dev. 70, 59–77. 

Auffhammer, M., Hsiang, S.M., Schlenker, W., Sobel, A., 2013. Using weather data and climate model output in economic analyses of climate change. Rev. Environ. Econ. Policy ret016. 

Baez, J.E., Lucchetti, L., Genoni, M.E., Salazar, M., 2015. Gone with the Storm: Rainfall Shocks and Household Well‐Being in Guatemala. World Bank Policy Res. Work. Pap. 

Bui, A.T., Dungey, M., Nguyen, C.V., Pham, T.P., 2014. The impact of natural disasters on household income, expenditure, poverty and inequality: evidence from Vietnam. Appl. Econ. 46, 1751–1766. 

Burke, M.,  Dykema,  J.,  Lobell,  D., Miguel,  E.,  Satyanath,  S.,  2011.  Incorporating  climate  uncertainty  into estimates of climate change impacts, with applications to US and African agriculture. National Bureau of Economic Research. 

Burke, M., Hsiang, S.M., Miguel, E., 2015. Global non‐linear effect of temperature on economic production. Nature advance online publication. 

Dell, M., Jones, B.F., Olken, B.A., 2009. Temperature and Income: Reconciling New Cross‐Sectional and Panel Estimates. Am. Econ. Rev. 99, 198. 

Dell, M., Jones, B.F., Olken, B.A., 2012. Temperature shocks and economic growth: Evidence from the last half century. Am. Econ. J. Macroecon. 66–95. 

Dell, M.,  Jones, B.F., Olken, B.A., 2014. What Do We Learn  from the Weather? The New Climate–Economy Literature. J. Econ. Lit. 52, 740–798. 

Deryugina, T., Hsiang, S.M., 2014. Does the environment still matter? Daily temperature and  income  in the United States. National Bureau of Economic Research. 

Deschênes, O., Greenstone, M., 2007. The Economic Impacts of Climate Change: Evidence from Agricultural Output and Random Fluctuations in Weather. Am. Econ. Rev. 97, 354–385. 

Deschênes, O., Greenstone, M.,  2011.  Climate  Change, Mortality,  and Adaptation:  Evidence  from Annual Fluctuations in Weather in the US. Am. Econ. J. Appl. Econ. 152–185. 

Deschênes, O., Greenstone, M., 2012. The economic  impacts of climate change: evidence from agricultural output and random fluctuations in weather: reply. Am. Econ. Rev. 102, 3761–3773. 

Feng, S., Krueger, A.B., Oppenheimer, M., 2010. Linkages among climate change, crop yields and Mexico–US cross‐border migration. Proc. Natl. Acad. Sci. 107, 14257–14262. 

Fisher, A.C., Hanemann, W.M., Roberts, M.J., Schlenker, W., 2012. The economic impacts of climate change: evidence  from  agricultural output  and  random  fluctuations  in weather:  comment. Am.  Econ. Rev. 3749–3760. 

Gebretsadik, Y., Fant, C., Strzepek, K., 2012. Impact of climate change on irrigation, crops and hydropower in Vietnam. WIDER Working Paper. 

Hertel, T.W., Burke, M.B., Lobell, D.B., 2010. The poverty implications of climate‐induced crop yield changes by 2030. Glob. Environ. Change, 20th Anniversary Special Issue 20, 577–585. 

Hidalgo, F.D., Naidu, S., Nichter, S., Richardson, N., 2010. Economic determinants of land invasions. Rev. Econ. Stat. 92, 505–523. 

Hsiang, S.M., 2010. Temperatures and cyclones strongly associated with economic production in the Caribbean and Central America. Proc. Natl. Acad. Sci. 107, 15367–15372. 

IMHEN, UNDP, 2015. Summary for Policy Makers, Viet Nam Special Report on Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation [Trần Thục, Koos Neefjes, Tạ Thị Thanh 

29  

Hương, Nguyễn Văn Thắng, Mai Trọng Nhuận, Lê Anh Tuấn, Lê Đình Thành, Huỳnh Thị Lan Hương, Võ Thanh Sơn, Nguyễn Thị Hiền Thuận]. Natural Resources and Environment Publishing House, Hanoi,. 

ISPONRE, 2009. Viet Nam Assessment Report on Climate Change. Institute of Strategy and Policy on Natural Resources and the Environment, Hanoi, Vietnam. 

Jacoby, H.G., Rabassa, M., Skoufias, E., 2014. Distributional  Implications of Climate Change  in Rural  India: A General Equilibrium Approach. Am. J. Agric. Econ. aau084. 

Lobell, D.B., Schlenker, W., Costa‐Roberts,  J., 2011. Climate  trends and global crop production  since 1980. Science 333, 616–620. 

Mendelsohn, R., Nordhaus, W.D., Shaw, D., 1994. The Impact of Global Warming on Agriculture: A Ricardian Analysis. Am. Econ. Rev. 84, 753–771. 

MONRE, 2009. Climate change, sea level rise scenarios for Vietnam. MONRE, Hanoi, Vietnam. Noack, F., Wunder, S., Angelsen, A., Boerner, Jan, 2015. Responses to Weather and Climate: A Cross‐Section 

Analysis of Rural Incomes. World Bank Policy Research Working Paper 7478. Park,  J., Hallegatte,  S., Bangalore, M.,  Sandhoefner,  E.,  2015. Households  and  heat  stress:  Estimating  the 

Distributional Consequences of climate change. World Bank Policy Research Working Paper 7479. Rozenberg, J., Hallegatte, S., 2015. The impacts of climate change on poverty in 2030, and the potential from 

rapid,  inclusive  and  climate‐smart  development.  Forthcoming  as  a  World  Bank  Policy  Research Working Paper. 

Schlenker, W., Hanemann, W.M.,  Fisher, A.C.,  2006.  The  impact  of  global warming  on US  agriculture:  an econometric analysis of optimal growing conditions. Rev. Econ. Stat. 88, 113–125. 

Schlenker, W., Lobell, D.B., 2010. Robust negative impacts of climate change on African agriculture. Environ. Res. Lett. 5, 014010. 

Schlenker, W., Roberts, M.J., 2009. Nonlinear temperature effects indicate severe damages to US crop yields under climate change. Proc. Natl. Acad. Sci. 106, 15594–15598. 

Thomas, T., Christiaensen, L., Do, Q.‐T., Trung, L.D., 2010. Natural disasters and household welfare: evidence from Vietnam. World Bank Policy Res. Work. Pap. Ser. Vol. 

Van Hoang,  T.,  Chou,  T.Y., Basso, B.,  Yeh, M.L.,  Chien,  C.Y.,  2014.  Climate  Change  Impact  on Agricultural Productivity and Environment Influence based on Simulation Model. Int. J. Adv. Remote Sens. GIS 3, pp. 642–659. 

Völker, M., Waibel, H., 2010. Do rural households extract more forest products  in times of crisis? Evidence from the mountainous uplands of Vietnam. For. Policy Econ. 12, 407–414. 

Welch,  J.R.,  Vincent,  J.R.,  Auffhammer,  M.,  Moya,  P.F.,  Dobermann,  A.,  Dawe,  D.,  2010.  Rice  yields  in tropical/subtropical  Asia  exhibit  large  but  opposing  sensitivities  to  minimum  and  maximum temperatures. Proc. Natl. Acad. Sci. 107, 14562–14567. 

World Bank, 2010. Vietnam ‐ Economics of adaptation to climate change. World Bank, Washington, DC. World Bank, 2012. Well Begun, Not Yet Done: Vietnam’s Remarkable Progress on Poverty Reduction and the 

Emerging Challenges, 2012 Vietnam Poverty Assessment. World Bank, Hanoi. Yang, D., Choi, H., 2007. Are remittances  insurance? Evidence from rainfall shocks  in the Philippines. World 

Bank Econ. Rev. 21, 219–248. Yu, B., Zhu, T., Breisinger, C., Hai, N.M., 2010. Impacts of climate change on agriculture and policy options for 

adaptation. International Food Policy Research Institute (IFPRI).  

   

30  

Appendix

 Figure A.1 Changeinlivingconditionscomparedtofiveyearsagobysocioeconomicgroupin2010,2012and2014

 

Notes:  Unweighted  average  for  households  in  different  groups:  Q1‐Q5=  Consumption  quintiles  based  on  weighted  per  capita expenditure; All=All rural households; Min=Ethnic minorities; Fem=Female headed households.  Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 data. 

      

31  

Figure  A.2  Relationship between long‐termmean ofmonthly rainfall andmean temperature in ruralcommunes

 

Notes: Data points present rural communes included in the VHLSS 2010, 2012 and 2014. Lines indicate the mean value.  

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 & CRU data. 

 

 Figure A.3  Inter‐annualdistributionof long‐term rainfalland temperature levels in rural communes bymonthandclimatezone30 years mean of monthly rainfall  30 years mean of temperature 

 

Notes: Boxplots show the distribution of commune observations for each zone. The boxes illustrate the 25 to 75 percentile with the 

median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 & CRU data. 

 

 

 

 

5010

015

020

025

03

0 ye

ars

me

an o

f m

ont

hly

ra

infa

ll in

mm

15 20 25 3030 years mean of monthly temperature in C

050

01,

000

_1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12

dry_cold dry_hot wet_cold wet_hot

mon

thly

ra

infa

ll in

mm

1020

3040

_1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12 _1 _2 _3 _4 _5 _6 _7 _8 _9_10_11_12

dry_cold dry_hot wet_cold wet_hot

mon

thly

te

mp

era

ture

in C

32  

Figure A.4 Monthlyweatherconditionsinruralcommunesbymonthandregion,2010,2012and2014 

Notes: Box plot represent the distribution of commune observations for each climate zone. The boxes illustrate the 25 to 75 percentile with the median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value. Source: Author’s calculation based on VHLSS, 2010, 2012 & 2014 and CRU data. 

a. Monthly rainfall levels 

b. Monthly mean temperature levels 

 

050

01,

000

1,50

02,

000

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hot

mon

thly

ra

infa

ll in

mm

Graphs by zone

1020

3040

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hot

mon

thly

tem

pera

ture

in C

Graphs by zone

33  

Figure A.5 Deviationofmonthlyweatherconditionsfromlong‐termmeaninruralcommunesbymonthandclimatezone,2010,2012and2014a. Monthly rainfall deviation (positive deviation =wetter, negative deviation = drier than normal) 

b. Monthly temperature deviation (positive deviation =warmer, negative deviation = colder than normal) 

   

-6-4

-20

24

6

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hot

dev

iatio

n in

un

its o

f lo

ng-t

erm

sd

Graphs by zone

-6-4

-20

24

6

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hot

dev

iatio

n in

un

its o

f lo

ng-t

erm

sd

Graphs by zone

34  

c. Monthly deviation of max temperature (positive deviation = warmer than normal) 

d. Monthly deviation of min temperature (positive deviation = colder than normal) 

Notes: Box plot represent the distribution of commune observations for each climate zone. The boxes illustrate the 25 to 75 percentile with the median value represented by the line in the box. The whiskers indicate the lowest and highest adjacent value.  Source: Author’s calculation based on VHLSS, 2010, 2012 & 2014 and CRU data. 

-6-4

-20

24

6

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hotd

evia

tion

in u

nits

of l

ong

-ter

m s

d

Graphs by zone

-6-4

-20

24

6

2010 2012 2014 2010 2012 2014 2010 2012 2014 2010 2012 2014_1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12 _1_2_3_4_5_6_7_8_9_10_11_12

dry_cold dry_hot wet_cold wet_hot

dev

iatio

n in

un

its o

f lo

ng-t

erm

sd

Graphs by zone

35  

Table A.1 Shareofhouseholds(in%)engagedinincomeactivitiesandaverageper‐capitaincomevalues(in'000VDNin2010prices)bysocioeconomicgroupin2010,2012and2014

   Q1  Q2  Q3  Q4  Q5  All  Minority  Female 

   2010 

All crop  87%  1,698  86%  2,372  80%  2,733  78%  3,683  64%  3,729  79%  2,843  94%  2,714  63%  1,973 

Rice  73%  855  68%  1,149  62%  1,402  58%  1,497  42%  1,455  61%  1,272  80%  1,112  44%  963 

Industrial crops  37%  212  38%  529  35%  571  31%  997  23%  1,330  33%  728  45%  560  24%  508 

Other staple crops  71%  537  56%  509  49%  495  47%  704  32%  479  51%  544  83%  858  35%  297 

Livestock  71%  406  68%  571  61%  712  58%  1,077  46%  1,176  61%  788  82%  680  46%  541 

Forestry  62%  365  33%  216  19%  116  14%  99  7%  76  27%  175  81%  553  18%  82 

Fishing  31%  203  31%  354  28%  690  24%  395  17%  806  26%  489  37%  167  19%  352 

Wage  62%  1,964  70%  3,339  66%  4,079  66%  5,281  59%  7,040  65%  4,340  58%  2,074  69%  5,925 

Agricultural wage  31%  734  24%  764  17%  644  11%  485  5%  324  18%  590  27%  649  22%  810 

Non‐ag wage ‐ unskilled 

30%  621  31%  958  26%  941  23%  813  14%  742  25%  815  24%  442  26%  1,016 

Non‐ag wage ‐ skilled  19%  609  36%  1,617  42%  2,494  48%  3,983  50%  5,973  39%  2,934  19%  983  40%  4,099 

Business  18%  380  28%  986  37%  1,860  41%  3,288  48%  7,655  34%  2,832  19%  431  31%  2,486 

Transfers  92%  558  94%  799  93%  1,198  92%  1,526  91%  3,138  92%  1,443  91%  603  92%  2,502 

Other  20%  76  23%  179  22%  203  26%  368  34%  1,353  25%  435  24%  172  26%  601 

Total    5,650    8,816    11,591    15,718    24,971    13,346    7,393    14,462 

   2012 

All crop  87%  1,677  82%  2,341  81%  3,357  78%  3,823  62%  5,059  78%  3,251  96%  2,854  66%  2,225 

Rice  71%  751  65%  1,208  61%  1,537  58%  1,524  40%  1,320  59%  1,268  80%  1,112  45%  935 

Industrial crops  33%  280  31%  532  31%  1,094  32%  1,231  23%  2,635  30%  1,154  41%  767  23%  777 

Other staple crops  67%  506  50%  396  47%  475  42%  656  30%  690  47%  545  83%  802  33%  318 

Livestock  68%  439  61%  641  56%  791  55%  1,308  42%  1,503  56%  936  81%  695  43%  781 

Forestry  60%  378  29%  196  21%  152  13%  113  7%  169  26%  202  78%  581  18%  105 

Fishing  30%  126  28%  356  23%  460  22%  536  13%  886  23%  473  32%  125  15%  205 

Wage  65%  2,196  71%  4,364  66%  5,249  65%  6,597  59%  8,646  65%  5,410  61%  2,357  68%  6,507 

Agricultural wage  28%  751  25%  950  16%  797  11%  614  6%  496  17%  721  25%  696  20%  1,043 

Non‐ag wage ‐ unskilled 

32%  659  30%  972  21%  895  17%  868  10%  643  22%  807  28%  531  23%  1,018 

Non‐ag wage ‐ skilled  21%  787  39%  2,443  45%  3,558  51%  5,115  52%  7,507  42%  3,881  22%  1,129  42%  4,446 

Business  17%  383  28%  1,178  31%  2,043  40%  3,578  44%  7,351  32%  2,906  18%  560  27%  2,516 

Transfers  94%  713  92%  959  93%  1,262  92%  1,690  91%  2,697  92%  1,464  94%  709  95%  2,182 

Other  23%  113  27%  199  27%  275  27%  499  38%  1,130  28%  443  22%  149  31%  507 

Total    6,027    10,234    13,589    18,145    27,440    15,084    8,029    15,029 

   2014 

All crop  89%  1,792  85%  2,424  79%  2,886  74%  3,419  62%  4,634  78%  3,031  95%  2,754  66%  2,055 

Rice  72%  759  67%  1,215  60%  1,317  53%  1,378  37%  1,343  58%  1,202  78%  1,038  44%  983 

Industrial crops  35%  380  34%  524  30%  801  27%  863  24%  2,040  30%  921  42%  742  23%  624 

Other staple crops  73%  523  55%  456  46%  438  39%  575  29%  580  49%  514  84%  775  36%  246 

Livestock  71%  491  62%  824  59%  951  53%  1,425  43%  1,579  58%  1,054  79%  734  44%  606 

Forestry  62%  391  29%  168  20%  134  12%  90  9%  129  26%  182  78%  548  19%  79 

Fishing  29%  197  27%  466  25%  545  20%  697  15%  977  23%  576  32%  114  14%  331 

Wage  67%  2,595  70%  4,942  70%  6,552  67%  7,497  62%  9,441  67%  6,205  63%  3,092  68%  6,983 

Agricultural wage  33%  926  21%  856  16%  874  9%  525  5%  331  17%  702  29%  856  17%  775 

Non‐ag wage ‐ unskilled  30% 

718 30% 

1,200 26% 

1,248 22% 

1,242 13% 

680 24% 

1,018 26% 

657 25% 

1,192 

Non‐ag wage ‐ skilled  22%  951  40%  2,886  48%  4,430  52%  5,730  54%  8,430  43%  4,485  22%  1,579  42%  5,017 

Business  16%  362  26%  1,392  35%  2,765  39%  3,928  44%  7,999  32%  3,289  17%  633  30%  3,327 

Transfers  91%  758  91%  1,115  93%  1,470  92%  1,781  91%  2,844  92%  1,593  89%  716  94%  2,775 

Other  27%  124  28%  180  24%  233  29%  430  39%  1,421  29%  478  25%  204  35%  621 

Total     6,710     11,511     15,537     19,267     29,025     16,408     8,795     16,779 

Notes: Weighted average calculated by group. Q1‐Q5= Consumption quintiles based on weighted per capita expenditure; All=All rural households; 

Minority=Ethnic minorities; Female=Female headed households. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014. 

36  

Table A.2 Shareofhouseholds(in%)engagedinincomeactivitiesandaverageper‐capitaincomevalues(in'000VDNin2010prices)byregionin2010,2012,and2014 

 

  North East  North West  Red River  North C Coast   South C Coast  C Highlands  South East   Mekong  

   2010 

All crops  91%  2,402  93%  2,489  86%  2,190  85%  2,017  48%  1,895  88%  5,803  77%  4,182  64%  3,412 

Rice  79%  1,163  76%  964  77%  1,436  73%  1,103  14%  960  39%  491  68%  380  37%  2,267 

Industrial crops  47%  259  34%  232  23%  89  40%  408  27%  314  60%  4,134  27%  2,778  22%  328 

Other staple crops  85%  715  91%  1,157  54%  428  72%  348  17%  466  62%  955  44%  558  19%  371 

Livestock  87%  1,083  85%  729  62%  948  77%  783  30%  853  59%  690  60%  606  39%  546 

Forestry  66%  533  89%  599  1%  20  44%  319  9%  158  36%  150  31%  64  15%  73 

Fishing  27%  158  39%  197  18%  206  21%  157  6%  451  21%  98  11%  396  47%  1,356 

Wage  52%  2,990  53%  2,383  62%  4,878  56%  2,752  70%  4,574  69%  3,093  66%  8,378  61%  3,873 

Agricultural wage  5%  140  14%  294  4%  93  13%  397  27%  602  42%  1,140  19%  1,580  26%  858 

Non‐ag wage ‐ unskilled  26%  721  27%  528  23%  866  22%  604  21%  810  21%  372  25%  1,452  25%  879 

Non‐ag wage ‐ skilled  28%  2,129  23%  1,562  48%  3,919  33%  1,751  41%  3,162  21%  1,581  40%  5,346  28%  2,135 

Business  29%  1,536  25%  597  37%  3,822  29%  1,476  31%  2,790  25%  1,334  36%  4,287  35%  3,173 

Transfers  88%  1,270  91%  701  95%  2,394  93%  2,053  96%  1,697  96%  710  93%  2,390  92%  1,973 

Other  21%  204  46%  216  30%  470  18%  200  13%  341  15%  274  30%  573  30%  766 

Total    10,178    7,912    14,929    9,757    12,759    12,151    20,876    15,170 

   2012 

All crops  92%  2,377  96%  2,620  81%  2,156  87%  2,059  48%  2,168  88%  7,922  78%  6,251  62%  3,600 

Rice  79%  1,107  75%  905  72%  1,409  75%  1,041  14%  916  40%  507  69%  494  35%  2,334 

Industrial crops  42%  313  29%  401  14%  90  39%  524  27%  472  60%  5,923  26%  4,738  23%  349 

Other staple crops  83%  691  92%  1,216  47%  411  73%  292  13%  518  60%  1,281  43%  538  15%  374 

Livestock  86%  1,354  85%  809  53%  1,052  75%  1,105  26%  706  56%  565  50%  838  38%  558 

Forestry  68%  591  89%  674  1%  137  41%  270  8%  387  32%  147  34%  30  13%  38 

Fishing  22%  233  34%  183  16%  269  21%  228  5%  468  21%  55  7%  279  44%  1,464 

Wage  57%  3,633  57%  2,414  58%  5,974  55%  3,300  70%  5,621  60%  3,091  66%  9,715  60%  4,377 

Agricultural wage  7%  271  13%  240  3%  117  12%  479  26%  939  39%  1,240  22%  1,879  24%  1,007 

Non‐ag wage ‐ unskilled  27%  868  33%  593  17%  808  19%  636  16%  832  15%  388  24%  1,073  25%  949 

Non‐ag wage ‐ skilled  31%  2,493  23%  1,581  49%  5,050  34%  2,186  46%  3,850  18%  1,463  42%  6,762  28%  2,422 

Business  27%  1,670  23%  691  33%  4,012  30%  2,024  25%  2,842  22%  1,582  32%  3,386  31%  3,111 

Transfers  88%  1,361  97%  1,042  96%  2,902  91%  1,976  97%  1,683  94%  840  93%  1,812  87%  1,974 

Other  26%  238  20%  158  30%  576  30%  418  22%  493  11%  143  25%  683  39%  722 

Total    11,456    8,590    17,079    11,381    14,369    14,344    22,994    15,844 

   2014 

All crops  13%  2,617  12%  2,457  10%  2,190  10%  1,828  7%  2,031  6%  7,846  3%  4,551  13%  3,943 

Rice  4%  1,107  4%  778  1%  1,366  4%  921  2%  821  32%  437  10%  497  2%  2,359 

Industrial crops  10%  420  14%  485  3%  95  3%  425  4%  392  8%  6,378  3%  2,805  2%  422 

Other staple crops  2%  747  1%  1,019  2%  502  1%  320  1%  571  1%  739  2%  557  3%  321 

Livestock  7%  1,517  11%  1,096  0%  1,119  4%  1,105  3%  1,073  2%  649  0%  1,056  0%  862 

Forestry  2%  583  2%  606  2%  4  2%  301  2%  329  1%  136  1%  63  8%  43 

Fishing  3%  238  5%  235  1%  346  5%  246  8%  813  15%  58  13%  447  9%  1,614 

Wage  8%  4,216  7%  3,611  7%  7,089  6%  4,307  9%  6,324  2%  3,805  7%  9,504  9%  5,323 

Agricultural wage  16%  249  14%  337  29%  69  19%  549  22%  943  10%  1,215  26%  1,853  15%  1,040 

Non‐ag wage ‐ unskilled  10%  847  6%  555  17%  1,190  13%  709  14%  1,226  8%  273  15%  1,306  14%  1,277 

Non‐ag wage ‐ skilled  11%  3,120  10%  2,720  19%  5,830  20%  3,049  16%  4,154  8%  2,317  11%  6,345  14%  3,006 

Business  1%  2,004  1%  1,400  3%  3,967  3%  2,537  4%  2,846  2%  2,097  3%  4,551  4%  3,391 

Transfers    1,385    612    3,141    2,442    2,014    827    1,761    2,424 

Other    234    122    552    361    585    309    612    983 

Total     12,793     10,138     18,408     13,127     16,015     15,727     22,544     18,583 

Notes: Unweighted averages calculated by region. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014. 

 

37  

Table A.3 Shareofcommunesindifferentclimatezonesbyregion

   North East  North West 

Red River Delta 

North Central Coast 

South Central Coast 

Central High‐lands 

South‐East South  

Mekong River Delta  

Total 

Dry & Cold  96.4%  98.6%  100%  5.7%  1.5%  26.7%  0.2%  0%  41.2% 

Dry & Hot  3.6%  0%  0%  0%  34.7%  9.2%  23.8%  3.3%  8.4% 

Wet & Cold  0%  1.4%  0%  65.7%  28.9%  62.2%  6.7%  0%  14.6% 

Wet & Hot  0%  0%  0%  28.6%  34.9%  1.9%  69.2%  96.7%  35.9% 

Notes: Share calculated as unweighted average.  

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

 

 

 

   

38  

Table A.4  Regressionresultsexplainingself‐reportedweathereventsbymeasuredweatherconditions

   Flood  Drought  Storm 

  (1)   (2)   (3)   (4)   (1)   (2)   (3)   (4)   (1)   (2)   (3)   (4)  

Annual rain   0.0132***           0.00736***           0.00803***          

  (0.00123)    (0.00166)    (0.00104)    Annual temperature  ‐0.153***    ‐0.315***    ‐0.0222   

(0.0295)    (0.0393)    (0.0221)    Seasonal rain S1    0.0142***    0.00860***    0.00491***   

(0.00159)    (0.00187)    (0.00138)    Seasonal rain S2    ‐0.00294***    0.00250*    ‐0.00129   

(0.00106)    (0.00134)    (0.000888)    Seasonal rain S3    0.00204***    0.00137*    0.00154***   

(0.000501)    (0.000744)    (0.000417)    Seasonal temperature S1    0.243***    ‐0.0960    0.421***   

(0.0630)    (0.0762)    (0.0513)    Seasonal temperature S2    0.180***    ‐0.0597    0.105**   

(0.0671)    (0.0797)    (0.0513)    Seasonal temperature S3    ‐0.513***    ‐0.106    ‐0.649***   

(0.104)    (0.124)    (0.0831)    Wet months    0.699***    0.284***    0.317***   

(0.0646)    (0.0795)    (0.0517)   

Dry months    0.389***    0.164*    0.255***   

(0.0864)    (0.0995)    (0.0710)   

Hot months    ‐0.197***    ‐0.0288    ‐0.0193   

(0.0610)    (0.0631)    (0.0502)   

Cold months    0.0849    ‐0.319***    ‐0.109**   

(0.0540)    (0.0868)    (0.0459)   

Max rain    0.000591***    0.00106***    0.00111*** 

  (0.000189)    (0.000252)    (0.000162) 

Minimum rain    0.0268***    ‐0.0000298    ‐0.00670* 

  (0.00443)    (0.00609)    (0.00404) 

Max temperature    ‐0.0580    ‐0.280***    ‐0.218*** 

  (0.0422)    (0.0551)    (0.0387) 

Min temperature    ‐0.0991***    ‐0.0726***    0.0516*** 

  (0.0133)    (0.0183)    (0.0119) 

Year fixed effects  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

Cons  ‐1.077  ‐1.924  ‐3.974***  0.0461  3.808***  2.128  ‐3.625***  6.931***  ‐3.264***  0.210  ‐3.175***  3.335*** 

   (0.750)  (1.329)  (0.205)  (1.334)  (0.936)  (1.535)  (0.220)  (1.695)  (0.575)  (0.991)  (0.161)  (1.186) 

N  9235  9235  9235  9235  9235  9235  9235  9235  9235  9235  9235  9235 

Notes: Table present coefficients estimated by mixed effects logistic regression with commune fixed effects. * 0.10 ** 0.05 *** 0.01 significance level. Values in parentheses indicate standard errors. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

39  

 

Table A.5 Summaryofvariablesusedinregressionanalysesforpooledandpanelmodels,2010,2012and2014  

   

  Pooled     Panel 

  2010  2012  2014    2010  2012  2014 

  N=6749  N=6696  N=6618    N=3083  N=4526  N=2841 

Outcome variables                   

Consumption  Total per capita expenditure in '000 VDN in 2010 prices  13372  14793  15881    13184  14612  15673 

Total Income  Total per‐capita income in '000 VDN in 2010prices  13569  15050  16544    13247  14958  16672 

Rice  Per‐capita income (production value ‐ costs) from rice cultivation in '000 VDN in 2010 prices  1290  1294  1261    1294  1291  1302 

Other staples  Per‐capita income (production value ‐ costs) from (non‐rice) staple cultivation in '000 VDN in 2010 prices  797  1167  1008    883  1137  983 

Industrial crops  Per‐capita income (production value ‐ costs) from industrial crop cultivation in '000 VDN in 2010 prices  542  556  532    554  561  559 

Livestock  Per‐capita income (production value ‐ costs) from livestock holdings activities in '000 VDN in 2010 prices  788  900  1077    792  901  1089 

Forestry  Per‐capita income (production value ‐ costs) from forestry activities in '000 VDN in 2010 prices  200  239  211    219  257  221 

Fishing  Per‐capita income (production value ‐ costs) from fishing activities in '000 VDN in 2010 prices  474  516  616    452  487  555 

Agric wage  Per‐capita income from agricultural wage employment in '000 VDN in 2010 prices  587  713  713    563  713  709 

Non‐ag wage unskilled  Per‐capita income from non‐agricultural wage employment in low‐skill occupations in '000 VDN in 2010 prices  825  818  1017    788  807  987 

Non‐ag wage skilled  Per‐capita income from non‐agricultural  wage employment in high‐skill occupations in '000 VDN in 2010 prices  2821  3409  3975    2588  3354  3783 

Business  Per‐capita income (production value ‐ costs) from non‐agricultural self‐employment in '000 VDN in 2010 prices  2687  2721  3072    2611  2662  3227 

Weather variables                   

Annual rain  annual average of monthly rainfall in survey year in mm  142  182  168    141  184  169 

Annual temperature  annual average of monthly mean temperature in survey year in C  26  25  25    26  25  25 

Seasonal rain Q1  seasonal average of monthly rainfall in December‐March in mm  53  51  32    53  51  35 

Seasonal rain Q2  seasonal average of monthly rainfall in April‐July in mm  219  270  228    217  272  231 

Seasonal rain Q3  seasonal average of monthly rainfall in August‐November in mm  153  226  243    153  228  241 

Seasonal temperature Q1  seasonal average of monthly mean temperature in December‐March in C  24  23  23    24  23  23 

Seasonal temperature Q2  seasonal average of monthly mean temperature in April‐July in C  29  28  28    29  28  28 

Seasonal temperature Q3  seasonal average of monthly mean temperature in August‐November in C  25  25  24    25  25  24 

Wet months  Number of months with rainfall that exceeds long‐term mean by more than 1.5 sd  0.85  1.50  1.30    0.85  1.62  1.28 

Dry months  Number of months with rainfall that falls below long‐term mean by more than 1.5 sd  0.79  0.22  0.27    0.78  0.27  0.20 

Hot months  Number of months with maximum temperature that exceeds long‐term mean by more than 1.5 sd  1.98  0.25  0.22    1.98  0.28  0.44 

Cold months  Number of months with minimum temperature that falls below long‐term mean by more than 1.5  0.07  0.37  1.28    0.07  0.27  1.23 

Minimum rain  Rainfall in mm in driest month  372  490  458    372  503  458 

Maximum rain  Rainfall in mm in wettest month  11  19  11    11  19  11 

Minimum temperature  Mean of minimum temperature in C in the coldest month  33  33  33    33  33  33 

Maximum temperature  Mean of maximum temperature in C in the hottest month  18  16  15    18  16  15 Flood   Dummy = 1 if community reported a flood  0.122  0.099  0.113    0.121  0.103  0.099 

Drought  Dummy = 1 if community reported a drought  0.118  0.038  0.050    0.126  0.043  0.058 

Storm  Dummy = 1 if community reported a storm  0.131  0.137  0.151    0.123  0.139  0.139 

Commune controls                   

Long‐term rainfall mean  Mean of monthly rainfall in last 30 years  155.9  155.6  157.6    ‐  ‐  ‐ 

Long‐term temperature mean  Mean of monthly temperature mean in last 30 years  25.3  25.3  25.3    ‐  ‐  ‐ 

Long‐term rainfall variability  Standard deviation of monthly rainfall in last 30 years  55.9  55.4  56.7    ‐  ‐  ‐ 

40  

Long‐term temperature variability  Standard deviation of monthly temperature mean in last 30 years  0.7  0.7  0.7    ‐  ‐  ‐ 

Gravel  Topsoil with gravel content measured as % of volume  7.0  7.0  7.0    ‐  ‐  ‐ 

Sand  Fraction of topsoil with sand content measured as % of weight  36.8  37.0  37.0    ‐  ‐  ‐ 

Clay  Fraction of topsoil with clay content measured as % of weight  35.6  35.5  35.6    ‐  ‐  ‐ 

Tree cover  % of community area with tree cover  16.7  16.8  16.9    ‐  ‐  ‐ 

Slope  Median slope category in community: 1=least steep – 8=most steep  3.5  3.5  3.5    ‐  ‐  ‐ 

Distance city  Distance from community to next main city  33.5  33.6  33.7    ‐  ‐  ‐ 

Distance road  Distance from community to next road  3.7  3.7  3.7    ‐  ‐  ‐ 

Household controls                   

Area agriculture  Area for agricultural activities household has access to  4805  5041  4956    5058  5205  5087 

Area forest   Forest area household has access to  2460  1997  1845    1669  2102  2064 

Area water surface  Water surface area household has access to  444  432  463    359  355  419 

Workforce  Share of household memebrs involved in income generating activitiies as % of total household size  0.9  0.8  0.9    0.9  0.8  0.9 

Education  Average number of school years of  household members  6.0  6.1  6.2    6.0  6.1  6.1 

Women  Dummy = 1 if household head is female  0.2  0.2  0.2    ‐  ‐  ‐ 

Minority  Dummy = 1 if household belongs to ethnic minority  0.2  0.2  0.2    ‐  ‐  ‐ 

 

Notes: Unweighted mean values for sample households. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

 

   

41  

Table A.6 Estimatedimpactsofweathervariationonchangesinper‐capitaexpenditureandtotalincomes:allPanelhouseholds

   Ln per‐capita expenditure  Ln  per‐capita total income   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000249              0.000127             

  (0.000211)    (0.000275)    Annual temperature  ‐0.197***    ‐0.216***   

(0.0151)    (0.0195)    Seasonal rain S1    ‐0.000345    ‐0.000209   

(0.000336)    (0.000398)    Seasonal rain S2    ‐0.000204*    ‐0.000249   

(0.000114)    (0.000162)    Seasonal rain S3    0.000312***    0.000285**   

(0.0000991)    (0.000128)    Seasonal temperature S1    ‐0.0879***    ‐0.0700***   

(0.0104)    (0.0144)    Seasonal temperature S2    0.0479    0.00367   

(0.0347)    (0.0481)    Seasonal temperature S3    ‐0.0717***    ‐0.101***   

(0.0136)    (0.0180)    Wet months    ‐0.00209    ‐0.00490   

(0.00551)    (0.00721)    Dry months    ‐0.0505***    ‐0.0612***   

(0.00791)    (0.0103)    Hot months    ‐0.0369***    ‐0.0416***   

(0.00418)    (0.00576)    Cold months    0.0274***    0.0390***   

(0.00480)    (0.00656)    Max rain    0.0000800**    0.0000563   

(0.0000324)    (0.0000356)   

Minimum rain    0.00144**    ‐0.000187   

(0.000587)    (0.000784)   

Max temperature    ‐0.0621***    ‐0.104***   

(0.0139)    (0.0185)   

Min temperature    ‐0.0437***    ‐0.0459***   

(0.00379)    (0.00513)   

Flood    ‐0.0381***    ‐0.0472** 

  (0.0141)    (0.0193) 

Droughts    ‐0.0589***    ‐0.0870*** 

  (0.0169)    (0.0231) 

Storm    0.0184    ‐0.00467 

  (0.0123)    (0.0168) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  10281  10281  10281  10281  10445  10274  10274  10274  10274  10438 

R2  0.090  0.097  0.071  0.089  0.025  0.086  0.089  0.082  0.091  0.048 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

 

42  

Table A.7 Estimatedimpactsofweathervariationondifferenceinper‐capitatotalincomes:PooledCross‐SectionOLSandFixedEffectsmodel

   Ln per‐capita total income ‐ Pooled OLS  Ln  per‐capita total income ‐ Pooled FE   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00236***              0.000191             

  (0.000319)    (0.000322)    Annual temperature  ‐0.0322    ‐0.0220   

(0.0271)    (0.0287)    Seasonal rain S1    0.000826**    ‐0.000669   

(0.000353)    (0.000410)    Seasonal rain S2    0.000381***    0.0000931   

(0.000141)    (0.000166)    Seasonal rain S3    0.000932***    ‐0.0000946   

(0.000115)    (0.000147)    Seasonal temperature S1    ‐0.0208*    0.00554   

(0.0112)    (0.0151)    Seasonal temperature S2    ‐0.0727***    0.0290   

(0.0196)    (0.0429)    Seasonal temperature S3    ‐0.0170    ‐0.0282   

(0.0182)    (0.0209)    Wet months    ‐0.0149**    ‐0.0129*   

(0.00711)    (0.00702)    Dry months    ‐0.00775    ‐0.0353***   

(0.00931)    (0.00949)    Hot months    ‐0.00356    ‐0.00124   

(0.00697)    (0.00718)    Cold months    ‐0.00414    0.0145**   

(0.00644)    (0.00638)    Maximum rain    0.000197***    0.0000218   

(0.0000353)    (0.0000354)   

Minimum rain    ‐0.00112    ‐0.000353   

(0.000860)    (0.000911)   

Maximum temperature    0.0352**    0.00932   

(0.0140)    (0.0214)   

Minimum temperature    0.0190***    ‐0.0131**   

(0.00327)    (0.00607)   

Flood    ‐0.0701***    ‐0.0364* 

  (0.0179)    (0.0186) 

Drought    ‐0.0769***    ‐0.0428* 

  (0.0212)    (0.0223) 

Storm    0.0181    ‐0.00163 

  (0.0158)    (0.0148) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

Commune Controls  Yes  Yes  Yes  Yes  Yes    Commune fixed effects    Yes  Yes  Yes  Yes  Yes 

Year fixed effects  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  19615  19615  19615  19615  19609  19747  19747  19747  19747  20044 

R2  0.305  0.307  0.303  0.308  0.305  0.498  0.498  0.499  0.498  0.500 

Notes: Table presents coefficients estimated from Pooled cross‐section Ordinary Least Squares (Pooled OLS) model and Pooled Cross‐Section Fixed 

Effects (Pooled FE) model. * 0.10 ** 0.05 *** 0.01 significance level. Values in parentheses indicate standard errors corrected for cluster correlation 

at commune‐level.  Regressions include commune and household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

43  

Table A.8 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincome:Bottom40andTop60households

   Ln  per‐capita total income Bottom 40  Ln  per‐capita total income Top 60   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   ‐0.00129***              0.000984***             

  (0.000412)    (0.000361)    Annual temperature  ‐0.181***    ‐0.244***   

(0.0286)    (0.0251)    Seasonal rain S1    ‐0.00186***    0.000931*   

(0.000583)    (0.000507)    Seasonal rain S2    ‐0.000814***    0.000133   

(0.000233)    (0.000211)    Seasonal rain S3    ‐0.000131    0.000500***   

(0.000177)    (0.000169)    Seasonal temperature S1    ‐0.0619***    ‐0.0644***   

(0.0193)    (0.0192)    Seasonal temperature S2    0.126*    ‐0.154**   

(0.0657)    (0.0650)    Seasonal temperature S3    ‐0.121***    ‐0.0852***   

(0.0267)    (0.0228)    Wet months    ‐0.0277**    0.00962   

(0.0112)    (0.00883)    Dry months    ‐0.00412    ‐0.0975***   

(0.0150)    (0.0130)    Hot months    ‐0.0260***    ‐0.0535***   

(0.00813)    (0.00756)    Cold months    0.0491***    0.0322***   

(0.0103)    (0.00807)    Maximum rain    0.0000584    0.0000453   

(0.0000480)    (0.0000490)   

Minimum rain    ‐0.00392***    0.00235**   

(0.00112)    (0.00102)   

Maximum temperature    ‐0.0245    ‐0.167***   

(0.0264)    (0.0236)   

Minimum temperature    ‐0.0460***    ‐0.0464***   

(0.00766)    (0.00644)   

Flood    ‐0.0737***    ‐0.0241 

  (0.0269)    (0.0269) 

Drought    ‐0.0137    ‐0.148*** 

  (0.0319)    (0.0326) 

Storm    0.00559    ‐0.0143 

  (0.0246)    (0.0226) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  4040  4040  4040  4040  4108  6234  6234  6234  6234  6330 

R2  0.059  0.078  0.059  0.073  0.042  0.112  0.114  0.110  0.114  0.055 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

44  

Table A.9 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincomes:Moved‐DownandMoved‐Uphouseholds

   Ln  per‐capita total income: Moved‐down households  Ln  per‐capita total income: Moved‐up households   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   ‐0.000130              0.00281***             

  (0.000416)    (0.000558)    Annual temperature  ‐0.0766***    ‐0.273***   

(0.0280)    (0.0320)    Seasonal rain S1    ‐0.0000988    0.00226***   

(0.000713)    (0.000714)    Seasonal rain S2    ‐0.000200    0.000109   

(0.000267)    (0.000349)    Seasonal rain S3    0.0000504    0.00139***   

(0.000205)    (0.000230)    Seasonal temperature S1    ‐0.00754    ‐0.0987***   

(0.0215)    (0.0248)    Seasonal temperature S2    0.0264    0.0180   

(0.0777)    (0.0899)    Seasonal temperature S3    ‐0.0723***    ‐0.147***   

(0.0253)    (0.0266)    Wet months    ‐0.0187*    0.0443***   

(0.0111)    (0.0141)    Dry months    ‐0.0317*    ‐0.0769***   

(0.0174)    (0.0201)    Hot months    ‐0.0130    ‐0.0885***   

(0.00855)    (0.00916)    Cold months    0.0103    0.0389***   

(0.00912)    (0.0120)    Maximum rain    ‐0.0000405    0.000253***   

(0.0000531)    (0.0000745)   

Minimum rain    0.00182    0.00151   

(0.00135)    (0.00136)   

Maximum temperature    ‐0.0193    ‐0.226***   

(0.0286)    (0.0293)   

Minimum temperature    ‐0.0178**    ‐0.0620***   

(0.00787)    (0.00840)   

Flood    ‐0.0486    ‐0.0569* 

  (0.0306)    (0.0343) 

Drought    ‐0.00504    ‐0.161*** 

  (0.0384)    (0.0416) 

Storm    0.00396    0.0286 

  (0.0267)    (0.0312) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  3533  3533  3533  3533  3588  2949  2949  2949  2949  2998 

R2  0.051  0.053  0.052  0.052  0.047  0.210  0.217  0.181  0.209  0.050 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

45  

Table A.10 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincomes:EthnicminoritiesandFemale‐headedhouseholds

   Ln  per‐capita total income: Ethnic minorities  Ln  per‐capita total income: Female‐headed households   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   ‐0.000629              0.000514             

  (0.000594)    (0.000603)    Annual temperature  ‐0.127***    ‐0.222***   

(0.0359)    (0.0452)    Seasonal rain S1    ‐0.00140    ‐0.00165*   

(0.000974)    (0.000927)    Seasonal rain S2    ‐0.000412    0.000321   

(0.000315)    (0.000390)    Seasonal rain S3    0.0000124    0.0000382   

(0.000297)    (0.000305)    Seasonal temperature S1    ‐0.0349    ‐0.0269   

(0.0248)    (0.0319)    Seasonal temperature S2    ‐0.0893    ‐0.0785   

(0.0873)    (0.115)    Seasonal temperature S3    ‐0.0281    ‐0.135***   

(0.0358)    (0.0442)    Wet months    ‐0.0150    ‐0.0118   

(0.0155)    (0.0158)    Dry months    0.0237    ‐0.0574**   

(0.0212)    (0.0227)    Hot months    ‐0.0354***    ‐0.0509***   

(0.0103)    (0.0128)    Cold months    0.00822    0.0359**   

(0.0169)    (0.0152)    Maximum rain    0.0000539    0.0000480   

(0.0000837)    (0.0000861)   

Minimum rain    ‐0.000538    ‐0.000628   

(0.00161)    (0.00188)   

Maximum temperature    0.00275    ‐0.110***   

(0.0369)    (0.0401)   

Minimum temperature    ‐0.0333***    ‐0.0554***   

(0.0108)    (0.0120)   

Flood    ‐0.0480    ‐0.116** 

  (0.0354)    (0.0493) 

Drought    ‐0.0334    ‐0.230*** 

  (0.0352)    (0.0551) 

Storm    ‐0.00336    ‐0.00828 

  (0.0302)    (0.0395) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  2246  2246  2246  2246  2294  2145  2145  2145  2145  2170 

R2  0.082  0.090  0.080  0.083  0.069  0.074  0.081  0.068  0.082  0.047 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

46  

Table A.11 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincomes:Dry‐coldandDry‐hotzones

   Ln  per‐capita total income: Dry‐cold zone  Ln  per‐capita total income: Dry‐hot zone   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000942              ‐0.00152*             

  (0.000592)    (0.000823)    Annual temperature  ‐0.175***    ‐0.282***   

(0.0354)    (0.0517)    Seasonal rain S1    ‐0.00566***    ‐0.0163***   

(0.00193)    (0.00469)    Seasonal rain S2    0.00133***    0.00300***   

(0.000350)    (0.000916)    Seasonal rain S3    0.000818    ‐0.00261***   

(0.000687)    (0.000558)    Seasonal temperature S1    0.00925    ‐0.0131   

(0.0214)    (0.0543)    Seasonal temperature S2    ‐0.0776    ‐0.788***   

(0.0908)    (0.216)    Seasonal temperature S3    ‐0.0727**    0.0486   

(0.0334)    (0.0725)    Wet months    0.0334**    ‐0.0149   

(0.0141)    (0.0193)    Dry months    ‐0.107***    ‐0.103***   

(0.0193)    (0.0362)    Hot months    ‐0.0206*    ‐0.0567***   

(0.0111)    (0.0148)    Cold months    0.0428***    0.0132   

(0.00947)    (0.0270)    Maximum rain    0.000247    ‐0.000560***   

(0.000253)    (0.000167)   

Minimum rain    0.0000430    0.00552**   

(0.00153)    (0.00265)   

Maximum temperature    ‐0.0211    ‐0.254***   

(0.0420)    (0.0826)   

Minimum temperature    ‐0.0570***    ‐0.0396**   

(0.00865)    (0.0169)   

Flood    0.0957**    ‐0.0339 

  (0.0425)    (0.0645) 

Drought    ‐0.0857*    ‐0.0526 

  (0.0511)    (0.0745) 

Storm    0.0150    ‐0.0733 

  (0.0397)    (0.0584) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  3162  3162  3162  3162  3162  765  765  765  765  765 

R2  0.099  0.118  0.102  0.112  0.047  0.121  0.162  0.137  0.126  0.056 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

47  

Table A.12 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincomes:Wet‐coldandWet‐hotzones

   Ln  per‐capita total income: Wet‐cold zone  Ln  per‐capita total income: Wet‐hot zone   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   ‐0.00000514              0.000104             

  (0.000540)    (0.000408)    Annual temperature  ‐0.158***    ‐0.273***   

(0.0418)    (0.0354)    Seasonal rain S1    0.00135    0.0000126   

(0.000979)    (0.000488)    Seasonal rain S2    ‐0.00112***    ‐0.00102***   

(0.000321)    (0.000372)    Seasonal rain S3    0.000593**    0.000226   

(0.000245)    (0.000168)    Seasonal temperature S1    ‐0.122***    ‐0.171***   

(0.0322)    (0.0283)    Seasonal temperature S2    0.216*    ‐0.0781   

(0.115)    (0.0774)    Seasonal temperature S3    ‐0.0929**    0.0259   

(0.0433)    (0.0439)    Wet months    0.0247    ‐0.0540***   

(0.0180)    (0.0119)    Dry months    0.0126    ‐0.0257   

(0.0268)    (0.0160)    Hot months    ‐0.0613***    ‐0.0605***   

(0.0162)    (0.00898)    Cold months    0.0617***    0.0199*   

(0.0170)    (0.0117)    Maximum rain    0.0000757    0.0000663   

(0.0000695)    (0.0000430)   

Minimum rain    ‐0.00226    0.000261   

(0.00172)    (0.00124)   

Maximum temperature    ‐0.165***    ‐0.122***   

(0.0505)    (0.0238)   

Minimum temperature    ‐0.0122    ‐0.0629***   

(0.0129)    (0.00974)   

Flood    ‐0.0883**    ‐0.0910*** 

  (0.0421)    (0.0271) 

Drought    ‐0.0357    ‐0.128*** 

  (0.0407)    (0.0378) 

Storm    ‐0.0352    0.0151 

  (0.0354)    (0.0233) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  1941  1941  1941  1941  1941  4406  4406  4406  4406  4570 

R2  0.039  0.060  0.060  0.049  0.023  0.106  0.114  0.104  0.110  0.078 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

48  

Table A.13 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromricecultivationandstaplecrops

   Ln  per‐capita income from rice cultivation  Ln  per‐capita income from staple crops   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   ‐0.00144***              ‐0.00211**             

  (0.000462)    (0.000895)    Annual temperature  ‐0.0987**    ‐0.0849   

(0.0399)    (0.0575)    Seasonal rain S1    0.00101    ‐0.00144   

(0.000784)    (0.00143)    Seasonal rain S2    ‐0.000517*    ‐0.000480   

(0.000279)    (0.000426)    Seasonal rain S3    ‐0.000366*    ‐0.000927*   

(0.000204)    (0.000524)    Seasonal temperature S1    ‐0.0683**    ‐0.0390   

(0.0285)    (0.0379)    Seasonal temperature S2    ‐0.206**    ‐0.0519   

(0.0969)    (0.132)    Seasonal temperature S3    0.0821**    ‐0.000881   

(0.0347)    (0.0521)    Wet months    ‐0.0331**    ‐0.0502**   

(0.0138)    (0.0243)    Dry months    0.0135    0.00837   

(0.0185)    (0.0341)    Hot months    ‐0.0248*    ‐0.0188   

(0.0128)    (0.0183)    Cold months    0.000849    0.00231   

(0.0103)    (0.0203)    Maximum rain    ‐0.000129**    ‐0.0000319   

(0.0000571)    (0.000106)   

Minimum rain    0.00378***    0.0000221   

(0.00135)    (0.00227)   

Maximum temperature    0.0343    0.158**   

(0.0403)    (0.0674)   

Minimum temperature    ‐0.00480    ‐0.0247   

(0.00923)    (0.0165)   

Flood    ‐0.0518*    ‐0.187*** 

  (0.0296)    (0.0570) 

Drought    0.0513    0.0486 

  (0.0369)    (0.0618) 

Storm    0.0139    ‐0.0174 

  (0.0287)    (0.0546) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  5926  5926  5926  5926  6000  5102  5102  5102  5102  5181 

R2  0.056  0.065  0.055  0.055  0.053  0.018  0.018  0.017  0.019  0.020 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

49  

Table A.14 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromindustrializedcropsandlivestock

   Ln  per‐capita income from industrialized crops  Ln  per‐capita income from livestock   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00145              ‐0.00125             

  (0.00115)    (0.000794)    Annual temperature  ‐0.205***    ‐0.266***   

(0.0790)    (0.0553)    Seasonal rain S1    ‐0.000500    ‐0.00140   

(0.00147)    (0.00108)    Seasonal rain S2    0.000454    ‐0.000330   

(0.000611)    (0.000406)    Seasonal rain S3    0.000414    ‐0.000631   

(0.000492)    (0.000417)    Seasonal temperature S1    ‐0.118**    ‐0.130***   

(0.0532)    (0.0414)    Seasonal temperature S2    ‐0.224    0.0588   

(0.174)    (0.129)    Seasonal temperature S3    0.0739    ‐0.0919*   

(0.0677)    (0.0495)    Wet months    ‐0.0798***    ‐0.0302   

(0.0281)    (0.0220)    Dry months    ‐0.0585    ‐0.0908***   

(0.0430)    (0.0321)    Hot months    ‐0.107***    ‐0.0262   

(0.0221)    (0.0178)    Cold months    0.0144    0.0377**   

(0.0283)    (0.0184)    Maximum rain    0.000185    ‐0.000141   

(0.000129)    (0.0000993)   

Minimum rain    ‐0.000496    0.00318   

(0.00297)    (0.00216)   

Maximum temperature    ‐0.128*    ‐0.112**   

(0.0666)    (0.0532)   

Minimum temperature    ‐0.0291    ‐0.0303**   

(0.0204)    (0.0145)   

Flood    ‐0.103    ‐0.0445 

  (0.0738)    (0.0553) 

Drought    ‐0.134*    ‐0.129** 

  (0.0753)    (0.0618) 

Storm    0.0124    0.106** 

  (0.0634)    (0.0509) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  3200  3200  3200  3200  3282  6012  6012  6012  6012  6103 

R2  0.034  0.038  0.048  0.028  0.019  0.018  0.019  0.015  0.016  0.009 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

50  

Table A.15 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromforestryandfishing

   Ln  per‐capita income from forestry  Ln  per‐capita income from fishing   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00115              ‐0.00299**             

  (0.00108)    (0.00151)    Annual temperature  0.134**    ‐0.103   

(0.0637)    (0.0940)    Seasonal rain S1    0.000530    ‐0.00146   

(0.00161)    (0.00219)    Seasonal rain S2    0.000788    ‐0.000598   

(0.000507)    (0.000681)    Seasonal rain S3    0.0000975    ‐0.00137   

(0.000575)    (0.000896)    Seasonal temperature S1    0.0600    ‐0.110*   

(0.0463)    (0.0664)    Seasonal temperature S2    0.360**    0.200   

(0.141)    (0.237)    Seasonal temperature S3    ‐0.113*    ‐0.0176   

(0.0625)    (0.0973)    Wet months    0.0214    0.00739   

(0.0278)    (0.0355)    Dry months    ‐0.0590    0.0131   

(0.0372)    (0.0481)    Hot months    0.0308    0.0568*   

(0.0192)    (0.0298)    Cold months    ‐0.0568*    0.00459   

(0.0292)    (0.0299)    Maximum rain    ‐0.0000860    ‐0.000639   

(0.000148)    (0.000433)   

Minimum rain    ‐0.00145    0.00763*   

(0.00282)    (0.00452)   

Maximum temperature    0.00682    0.199**   

(0.0636)    (0.0881)   

Minimum temperature    0.0164    ‐0.0631***   

(0.0189)    (0.0234)   

Flood    ‐0.0585    0.0469 

  (0.0579)    (0.100) 

Drought    0.113*    0.0417 

  (0.0607)    (0.120) 

Storm    ‐0.0146    0.0108 

  (0.0554)    (0.0801) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  3069  3069  3069  3069  3139  2389  2389  2389  2389  2427 

R2  0.004  0.014  0.007  0.003  0.003  0.008  0.013  0.010  0.024  0.004 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

51  

Table A.16 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromagriculturalwagesandunskillednon‐agriculturalwages

   Ln  per‐capita income from agricultural wages  Ln  per‐capita income from unskilled non‐agricultural wages   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000290              ‐0.00168             

  (0.00111)    (0.00150)    Annual temperature  ‐0.345***    ‐0.453***   

(0.0971)    (0.112)    Seasonal rain S1    0.00176    ‐0.00670***   

(0.00194)    (0.00205)    Seasonal rain S2    ‐0.00164    0.00170*   

(0.00113)    (0.000943)    Seasonal rain S3    0.000702    ‐0.00239***   

(0.000503)    (0.000693)    Seasonal temperature S1    ‐0.206***    ‐0.118   

(0.0721)    (0.0827)    Seasonal temperature S2    0.210    ‐0.258   

(0.262)    (0.290)    Seasonal temperature S3    ‐0.128    ‐0.112   

(0.109)    (0.0898)    Wet months    ‐0.0385    ‐0.0113   

(0.0327)    (0.0421)    Dry months    0.0864*    ‐0.181***   

(0.0511)    (0.0542)    Hot months    ‐0.0762***    ‐0.0490   

(0.0260)    (0.0324)    Cold months    0.0249    ‐0.0448   

(0.0301)    (0.0377)    Maximum rain    0.000294**    ‐0.000296*   

(0.000121)    (0.000179)   

Minimum rain    ‐0.00146    0.00695*   

(0.00389)    (0.00408)   

Maximum temperature    ‐0.0973    ‐0.0992   

(0.0768)    (0.103)   

Minimum temperature    ‐0.0707**    ‐0.0998***   

(0.0301)    (0.0273)   

Flood    ‐0.0658    0.0240 

  (0.0810)    (0.0998) 

Drought    ‐0.0618    ‐0.259** 

  (0.105)    (0.126) 

Storm    0.00501    0.0278 

  (0.0732)    (0.0937) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  1680  1680  1680  1680  1721  2340  2340  2340  2340  2376 

R2  0.038  0.045  0.028  0.032  0.011  0.047  0.067  0.039  0.054  0.019 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

52  

Table A.17 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromskillednon‐agriculturalwagesandbusinessself‐employment

   Ln  per‐capita income from skilled non‐agricultural wages  Ln  per‐capita income from business self‐employment   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000678              0.000835             

  (0.000656)    (0.000809)    Annual temperature  ‐0.336***    ‐0.136*   

(0.0450)    (0.0699)    Seasonal rain S1    0.000650    ‐0.000583   

(0.000972)    (0.00149)    Seasonal rain S2    ‐0.000642*    0.000131   

(0.000353)    (0.000509)    Seasonal rain S3    0.000936***    0.000390   

(0.000326)    (0.000396)    Seasonal temperature S1    ‐0.0938***    ‐0.0237   

(0.0345)    (0.0474)    Seasonal temperature S2    0.0235    0.0897   

(0.115)    (0.159)    Seasonal temperature S3    ‐0.200***    ‐0.128**   

(0.0396)    (0.0599)    Wet months    0.0439**    0.0147   

(0.0174)    (0.0239)    Dry months    ‐0.107***    ‐0.0581   

(0.0246)    (0.0385)    Hot months    ‐0.0530***    ‐0.0197   

(0.0123)    (0.0216)    Cold months    0.0776***    0.0379**   

(0.0123)    (0.0188)    Maximum rain    0.000212**    0.000156   

(0.000104)    (0.000115)   

Minimum rain    ‐0.00197    ‐0.00544**   

(0.00174)    (0.00269)   

Maximum temperature    ‐0.157***    ‐0.180***   

(0.0427)    (0.0642)   

Minimum temperature    ‐0.0901***    ‐0.0483***   

(0.0112)    (0.0170)   

Flood    0.00402    0.0427 

  (0.0501)    (0.0671) 

Drought    ‐0.148**    ‐0.158* 

  (0.0635)    (0.0914) 

Storm    0.0250    ‐0.0432 

  (0.0444)    (0.0599) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  3676  3676  3676  3676  3719  3036  3036  3036  3036  3071 

R2  0.099  0.115  0.101  0.127  0.026  0.017  0.020  0.016  0.036  0.010 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

53  

Table A.18 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromricecultivationandwinter‐springricecultivationintheMekongRiverDelta

   Ln  per‐capita income from rice cultivation in the Mekong River Delta  Ln  per‐capita income from winter‐spring rice in the Mekong River Delta   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00142              ‐0.00315             

  (0.00246)    (0.00256)    Annual temperature  ‐0.177    ‐0.0549   

(0.140)    (0.144)    Seasonal rain S1    0.00605*    0.00572   

(0.00357)    (0.00430)    Seasonal rain S2    0.000272    0.000595   

(0.00303)    (0.00366)    Seasonal rain S3    ‐0.00168    ‐0.00314**   

(0.00140)    (0.00149)    Seasonal temperature S1    ‐0.105    0.0182   

(0.127)    (0.124)    Seasonal temperature S2    ‐0.347    ‐0.211   

(0.529)    (0.576)    Seasonal temperature S3    ‐0.00820    ‐0.171   

(0.269)    (0.266)    Wet months    0.0130    ‐0.0130   

(0.0329)    (0.0369)    Dry months    ‐0.142**    ‐0.135*   

(0.0640)    (0.0707)    Hot months    ‐0.0539    ‐0.0238   

(0.0334)    (0.0309)    Cold months    ‐0.0705    ‐0.107**   

(0.0458)    (0.0506)    Maximum rain    ‐0.000338    ‐0.000950   

(0.000758)    (0.000770)   

Minimum rain    ‐0.00383    0.000288   

(0.0143)    (0.0206)   

Maximum temperature    ‐0.179    ‐0.0536   

(0.127)    (0.136)   

Minimum temperature    0.00130    0.0269   

(0.0729)    (0.0864)   

Flood    ‐0.00687    ‐0.0495 

  (0.111)    (0.108) 

Drought    0.0391    0.529 

  (0.311)    (0.347) 

Storm    0.118    0.00796 

  (0.0772)    (0.0787) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  816  816  816  816  824  674  674  674  674  682 

R2  0.123  0.133  0.137  0.125  0.123  0.161  0.175  0.175  0.161  0.163 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

54  

Table A.19 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromsummer‐autumnricecultivationandautumn‐winterricecultivationintheMekongRiverDelta

   Ln  per‐capita income from summer‐autumn rice in the Mekong  Ln  per‐capita income from autumn‐winter rice in the Mekong    (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00233              ‐0.00256             

  (0.00278)    (0.00291)    Annual temperature  ‐0.136    ‐0.287   

(0.158)    (0.210)    Seasonal rain S1    0.0112***    ‐0.000820   

(0.00412)    (0.00484)    Seasonal rain S2    0.00209    0.00180   

(0.00345)    (0.00339)    Seasonal rain S3    ‐0.00252    ‐0.00102   

(0.00159)    (0.00181)    Seasonal temperature S1    ‐0.102    0.0963   

(0.140)    (0.158)    Seasonal temperature S2    ‐0.401    0.000533   

(0.619)    (1.018)    Seasonal temperature S3    ‐0.0386    ‐0.549   

(0.298)    (0.400)    Wet months    0.0249    ‐0.0371   

(0.0373)    (0.0373)    Dry months    ‐0.174**    0.00122   

(0.0734)    (0.0758)    Hot months    ‐0.0553    ‐0.0262   

(0.0377)    (0.0531)    Cold months    ‐0.0581    ‐0.00746   

(0.0540)    (0.0617)    Maximum rain    ‐0.000983    ‐0.000814   

(0.000733)    (0.000779)   

Minimum rain    0.0240    ‐0.00712   

(0.0159)    (0.0186)   

Maximum temperature    ‐0.266**    ‐0.106   

(0.134)    (0.176)   

Minimum temperature    ‐0.0521    ‐0.0194   

(0.0777)    (0.0964)   

Flood    ‐0.0139    0.0262 

  (0.114)    (0.158) 

Drought    0.813**    0.245 

  (0.359)    (0.349) 

Storm    0.0416    0.137 

  (0.0800)    (0.115) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  698  698  698  698  706  509  509  509  509  513 

R2  0.132  0.159  0.153  0.141  0.143  0.151  0.159  0.142  0.151  0.149 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

55  

Table A.20 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfrommaizecultivationintheNorthWestandcoffeecultivationintheCentralHighlands

   Ln  per‐capita income from maize cultivation in the North West  Ln  per‐capita income from coffee cultivation in the Central Highlands   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000723              0.00202             

  (0.00203)    (0.00288)    Annual temperature  0.103    ‐0.776***   

(0.141)    (0.264)    Seasonal rain S1    ‐0.00249    ‐0.0428   

(0.00793)    (0.0278)    Seasonal rain S2    0.000630    ‐0.00375   

(0.00170)    (0.00722)    Seasonal rain S3    ‐0.00448    ‐0.00121   

(0.00428)    (0.00158)    Seasonal temperature S1    ‐0.245    ‐0.463*   

(0.168)    (0.242)    Seasonal temperature S2    0.505    ‐0.245   

(0.597)    (0.888)    Seasonal temperature S3    ‐0.0693    0.147   

(0.168)    (0.302)    Wet months    0.0586    0.0790   

(0.0912)    (0.0671)    Dry months    0.0565    ‐0.228   

(0.0877)    (0.163)    Hot months    ‐0.00296    ‐0.126**   

(0.0380)    (0.0577)    Cold months    ‐0.220**    0.00167   

(0.102)    (0.186)    Maximum rain    0.000366    ‐0.000841*   

(0.000882)    (0.000493)   

Minimum rain    0.0152    0.0403*   

(0.0114)    (0.0203)   

Maximum temperature    0.181    ‐0.681***   

(0.129)    (0.176)   

Minimum temperature    0.0195    0.0529   

(0.0490)    (0.118)   

Flood    0.0443    ‐0.530** 

  (0.178)    (0.253) 

Drought    0.0962    ‐0.424** 

  (0.147)    (0.165) 

Storm    ‐0.368**    ‐0.243* 

  (0.161)    (0.130) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  357  357  357  357  365  306  306  306  306  338 

R2  0.107  0.146  0.149  0.141  0.131  0.222  0.245  0.220  0.198  0.154 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

56  

Table A.21 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromforestryandfishingintheNorthWest

   Ln  per‐capita income from forestry in the North West  Ln  per‐capita income from fishing in the North West   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00334*              ‐0.00182             

  (0.00168)    (0.00286)    Annual temperature  0.106    0.450**   

(0.0835)    (0.216)    Seasonal rain S1    0.00187    0.0121   

(0.00501)    (0.0111)    Seasonal rain S2    0.000898    ‐0.00300   

(0.000931)    (0.00210)    Seasonal rain S3    ‐0.00191    0.00439   

(0.00205)    (0.00657)    Seasonal temperature S1    0.0360    0.00297   

(0.0993)    (0.205)    Seasonal temperature S2    0.350    0.909   

(0.404)    (0.916)    Seasonal temperature S3    ‐0.264**    0.0605   

(0.115)    (0.254)    Wet months    0.0431    ‐0.0287   

(0.0710)    (0.120)    Dry months    ‐0.0968    0.0616   

(0.0605)    (0.105)    Hot months    0.0199    0.155**   

(0.0289)    (0.0710)    Cold months    ‐0.0794**    0.0500   

(0.0358)    (0.130)    Maximum rain    ‐0.000531    ‐0.00145   

(0.000715)    (0.00134)   

Minimum rain    0.0209**    0.0102   

(0.00965)    (0.0219)   

Maximum temperature    0.0135    0.358   

(0.104)    (0.258)   

Minimum temperature    0.0167    ‐0.00965   

(0.0340)    (0.0785)   

Flood    ‐0.131    ‐0.539* 

  (0.147)    (0.300) 

Drought    0.0867    0.306 

  (0.116)    (0.234) 

Storm    0.0367    0.215 

  (0.126)    (0.314) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  500  500  500  500  513  205  205  205  205  216 

R2  0.037  0.068  0.044  0.048  0.025  0.209  0.233  0.258  0.215  0.161 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

57  

Table A.22 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromagriculturalwagesintheNorthEastandunskillednon‐agriculturalwagesintheSouthCentralCoast

   Ln  per‐capita income from agricultural wages in the North East  Ln  per‐capita income from unskilled non‐ag wages in the South C Coast   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.000245              ‐0.00793***             

  (0.00336)    (0.00283)    Annual temperature  ‐0.279    ‐0.990***   

(0.173)    (0.353)    Seasonal rain S1    0.0178**    0.00204   

(0.00867)    (0.0120)    Seasonal rain S2    ‐0.000778    0.00197   

(0.00306)    (0.00810)    Seasonal rain S3    0.00659*    ‐0.00292   

(0.00383)    (0.00232)    Seasonal temperature S1    0.299    ‐0.487   

(0.184)    (0.294)    Seasonal temperature S2    ‐0.310    ‐0.185   

(0.761)    (1.724)    Seasonal temperature S3    0.0886    ‐0.119   

(0.303)    (0.438)    Wet months    ‐0.139    0.102   

(0.121)    (0.163)    Dry months    ‐0.108    ‐0.249   

(0.183)    (0.201)    Hot months    ‐0.0178    0.0996   

(0.0571)    (0.142)    Cold months    0.102**    0.00648   

(0.0468)    (0.319)    Maximum rain    ‐0.00186    ‐0.000763*   

(0.00118)    (0.000440)   

Minimum rain    ‐0.0187    0.0269*   

(0.0117)    (0.0137)   

Maximum temperature    ‐0.296    0.631   

(0.322)    (0.420)   

Minimum temperature    ‐0.0441    0.126   

(0.0593)    (0.202)   

Flood    0.598*    ‐0.111 

  (0.338)    (0.190) 

Drought        0.0595 

      (0.293) 

Storm    ‐0.0655    0.0895 

  (0.372)    (0.242) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  109  109  109  109  112  209  209  209  209  218 

R2  0.304  0.439  0.370  0.441  0.455  0.269  0.285  0.161  0.239  0.140 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

58  

Table A.23 Estimatedimpactsofweathervariationonchangesinper‐capitaincomesfromskillednon‐agriculturalwagesandbusinessself‐employmentintheSouthEastregion

   Ln  per‐capita income from skilled non‐ag wages in the South East  Ln  per‐capita income from businesses in the South East   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00235              0.00237             

  (0.00199)    (0.00330)    Annual temperature  ‐0.455***    ‐0.519*   

(0.110)    (0.283)    Seasonal rain S1    0.0248    0.0178   

(0.0189)    (0.0562)    Seasonal rain S2    ‐0.00724*    ‐0.00219   

(0.00370)    (0.00550)    Seasonal rain S3    0.00202*    0.00124   

(0.00115)    (0.00261)    Seasonal temperature S1    ‐0.611***    ‐0.322   

(0.165)    (0.280)    Seasonal temperature S2    0.285    0.0110   

(0.432)    (0.926)    Seasonal temperature S3    0.201    ‐0.131   

(0.225)    (0.370)    Wet months    ‐0.0148    ‐0.158   

(0.0595)    (0.105)    Dry months    ‐0.0692    0.108   

(0.0630)    (0.107)    Hot months    ‐0.0716**    ‐0.154***   

(0.0330)    (0.0587)    Cold months    ‐0.0196    0.170   

(0.0543)    (0.124)    Maximum rain    ‐0.0000867    0.000499   

(0.000732)    (0.000964)   

Minimum rain    ‐0.0203    ‐0.0494   

(0.0373)    (0.0704)   

Maximum temperature    ‐0.313**    ‐0.185   

(0.151)    (0.251)   

Minimum temperature    ‐0.0686    ‐0.0963   

(0.0549)    (0.0889)   

Flood    0.0645    0.202 

  (0.177)    (0.304) 

Drought    ‐0.875***    ‐0.895** 

  (0.176)    (0.343) 

Storm    0.00292    ‐0.337** 

  (0.0861)    (0.144) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  460  460  460  460  467  282  282  282  282  285 

R2  0.204  0.244  0.192  0.203  0.209  0.156  0.159  0.153  0.149  0.164 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data. 

   

59  

Table A.24 Estimatedimpactsofweathervariationonchangesinper‐capitatotalincomes:2010‐2012and2012‐2014

   Ln  per‐capita total income 2010‐2012  Ln  per‐capita total income 2012‐2014   (1)   (2)   (3)   (4)   (5)  (1)   (2)   (3)   (4)   (5) 

Annual rain   0.00200***              ‐0.00125**             

  (0.000422)    (0.000521)    Annual temperature  ‐0.0721***    ‐0.163***   

(0.0273)    (0.0581)    Seasonal rain S1    0.000910**    ‐0.00408***   

(0.000438)    (0.00101)    Seasonal rain S2    0.000461*    0.000181   

(0.000273)    (0.000284)    Seasonal rain S3    0.000728***    ‐0.000564**   

(0.000172)    (0.000239)    Seasonal temperature S1    ‐0.0368    ‐0.00193   

(0.0248)    (0.0221)    Seasonal temperature S2    ‐0.0551    ‐0.0271   

(0.0695)    (0.0727)    Seasonal temperature S3    0.000994    ‐0.124***   

(0.0374)    (0.0309)    Wet months    0.0149    ‐0.0416***   

(0.0109)    (0.00967)    Dry months    ‐0.0628***    ‐0.0283   

(0.0136)    (0.0189)    Hot months    ‐0.0385***    0.0400**   

(0.00776)    (0.0170)    Cold months    ‐0.00785    0.0232***   

(0.0140)    (0.00807)    Maximum rain    0.000198***    ‐0.0000469   

(0.0000658)    (0.0000477)   

Minimum rain    0.000847    ‐0.000338   

(0.00124)    (0.00185)   

Maximum temperature    ‐0.110***    ‐0.0208   

(0.0214)    (0.0303)   

Minimum temperature    ‐0.0299***    ‐0.0561***   

(0.0104)    (0.0114)   

Flood    ‐0.0427    ‐0.0701*** 

  (0.0268)    (0.0260) 

Drought    ‐0.117***    ‐0.00465 

  (0.0293)    (0.0373) 

Storm    0.0000198    ‐0.0128 

  (0.0235)    (0.0233) 

Household controls  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes  Yes 

N  7480  7480  7480  7480  7599  7247  7247  7247  7247  7360 

R2  0.091  0.092  0.086  0.093  0.048  0.057  0.073  0.063  0.072  0.050 

Notes:  Table presents  coefficients  estimated  from Panel  sub‐sample  Fixed  Effects model.  *  0.10  **  0.05 ***  0.01  significance  level. Values  in 

parentheses  indicate standard errors, which are corrected  for cluster correlation at commune‐level  in  regressions  (1) –  (4). Regressions  include 

household controls as presented in Table A.5. 

Source: Author’s calculation based on VHLSS 2010, 2012 & 2014 and CRU data.