มิติใหม่ของข้อมูลความเสี่ยงภาคเกษตร กับการพัฒนาระบบการประกันภัยพืชผลที่ยั่งยืน

งานวิจัยทางเศรษฐศาสตร์พัฒนาแสดงให้เห็นว่าความเสี่ยงเป็นหนึ่งในสาเหตุหลักที่ทำให้เกษตรกรยังอยู่ในกับดักความยากจน ภัยธรรมชาติและความผันผวนของราคา นอกจากจะส่งผลโดยตรงต่อรายได้และการพอกพูนหนี้สินของเกษตรกรแล้ว ยังส่งผลทางอ้อมโดยลดแรงจูงใจในการลงทุนและการใช้เทคโนโลยี ซึ่งมีผลโดยตรงต่อประสิทธิผลทางการผลิต และยังส่งผลกระทบต่อ portfolio สินเชื่อเกษตรของสถาบันการเงิน

ปัจจุบันเกษตรกรไทยก็มีเครื่องมือจัดการความเสี่ยงอยู่บ้าง เช่น self insurance ในรูปแบบการออมหรือการช่วยเหลือกันในลักษณะ social insurance เช่น สหกรณ์หรือกลุ่มออมทรัพย์ แต่เครื่องมือเหล่านี้อาจไม่มีประสิทธิภาพมากนักในการจัดการกับภัยหลัก ๆ ของเกษตรกร ซึ่งมักมีผลกระทบมากและเกิดกับคนหมู่มากพร้อม ๆ กัน (covariate risk)เกษตรกรส่วนใหญ่จึงยังพึ่งพิงความช่วยเหลือจากรัฐบาล ซึ่งใช้งบประมาณเป็นจำนวนมาก แต่ก็ยังไม่เพียงพอและอาจทำให้เกิดแรงจูงใจที่บิดเบือน

ระบบประกันภัยพืชผลจึงเป็นสิ่งจำเป็นที่จะช่วยเติมเต็มความสามารถในการจัดการกับ covariate risk ให้เกษตรกร สถาบันการเงินก็สามารถใช้ระบบประกันภัยในการบริหารจัดการความเสี่ยงของ portfolio สินเชื่อเกษตร ซึ่งอาจเพิ่มขีดความสามารถในการปล่อยกู้ (financial deepening) และเพิ่มความยั่งยืนของตลาดสินเชื่อเกษตร

ระบบประกันภัยพืชผลชดเชยความเสียหายให้เกษตรกรผู้เอาประกันตามความเสียหายที่เกิดขึ้นในแปลง และจะคิดเบี้ยประกันจากขนาดของเงินชดเชยที่ทางบริษัทประกันคาดว่าจะต้องจ่าย แต่บริษัทจะคำนวณเบี้ยประกันอย่างไรเมื่อไม่มีข้อมูลประวัติความเสี่ยง (risk information) ของเกษตรกรแต่ละราย ซึ่งแตกต่างจากบริษัทประกันรถยนต์หรือสุขภาพที่สามารถเข้าถึงข้อมูลประวัติอุบัติเหตุ การเป็นโรค และการตรวจสุขภาพของผู้เอาประกันแต่ละคนได้ information asymmetry จึงเป็นปัญหาหลักของระบบประกันนี้ โดยเฉพาะปัญหาจาก adverse selection หรือการที่ผู้ที่มีความเสี่ยงสูงมักจะเป็นผู้เลือกที่จะทำประกัน และ moral hazard หรือการที่ผู้เอาประกันมีแนวโน้มที่จะเพิ่มความเสี่ยงหลังจากซื้อประกัน เมื่อบริษัทประกันไม่สามารถเข้าถึง risk information ที่สามารถบ่งบอกถึงความเสี่ยงและความเป็นไปได้ในการเปลี่ยนแปลงพฤติกรรมของเกษตรกรแต่ละรายที่ถูกต้องและโปร่งใสได้ บริษัทประกันจึงไม่สามารถคิดเบี้ยประกันตามความเสี่ยงจริง (risk-based pricing) ได้ เป็นผลให้ต้องคิดเบี้ยประกันที่สูงกับเกษตรกรทุกคนจนอาจสูงเกินกว่าที่เกษตรกรส่วนใหญ่จะยอมรับได้

Transaction cost เป็นอีกปัญหาหลัก เพราะการตรวจสอบความเสียหาย และพฤติกรรมที่เปลี่ยนแปลงไปของเกษตรกรรายแปลงมีต้นทุนต่อหน่วยที่สูงมาก โดยเฉพาะประเทศกำลังพัฒนาที่การคมนาคมไม่สะดวก และเกษตรกรมีพื้นที่ทำกินน้อย ต้นทุนที่สูงยังรวมถึงต้นทุนในการบริหารจัดการ covariate risk ใน portfolio ของบริษัทประกัน เมื่อไม่สามารถกระจายหรือถ่ายโอนความเสี่ยงได้อย่างมีประสิทธิภาพ เพราะขาดแคลน risk information ที่มีคุณภาพ ต้นทุนที่สูงจึงส่งผลต่อเบี้ยประกันที่อาจสูงเกินกว่าที่ผู้เล่นส่วนใหญ่ในตลาดจะสามารถยอมรับได้เช่นกัน

ความช่วยเหลือมากมายจากภาครัฐในการเยียวยาและอุดหนุนเบี้ยประกันเกษตรกรก็อาจทําให้เกิด inefficiency ในระบบประกันได้ หากมุ่งเป้าไม่ถูกต้องอาจเพิ่มปัญหา adverse selection และ moral hazard และอาจลดแรงจูงใจในการประกันตนของเกษตรกร (Raschy et al. 2013)

ระบบประกันนาข้าวของไทยในปัจจุบันให้ความคุ้มครองเกษตรกรจากภัยธรรมชาติ¹ โดยลด transaction cost จากการใช้เครือข่ายของธนาคารเพื่อการเกษตรและสหกรณ์การเกษตรเป็นตัวกลางในการซื้อขายและจ่ายเงินทดแทน และใช้กลไกการประเมินความเสียหายเดียวกันกับการประเมินให้เงินเยียวยาของภาครัฐ สถิติการเกิดภัยพิบัติรายจังหวัดได้ถูกนํามาใช้ในการคิดเบี้ยประกัน ซึ่งยังไม่สามารถบ่งชี้ถึงความเสี่ยงที่แท้จริงที่ทางบริษัทต้องแบกรับได้ เพราะยังคงมีปัญหาทั้ง adverse selection และ moral hazard ที่เกิดจากการเปลี่ยนแปลงพฤติกรรมของเกษตรกร และแรงจูงใจของภาครัฐในการช่วยเหลือเกษตรกร (ซึ่งอาจจะแตกต่างกัน เช่น ก่อนและหลังเวลาเลือกตั้ง) และเมื่อปัญหา information asymmetry ทําให้เบี้ยประกันสูง รัฐบาลจึงต้องอุดหนุนเบี้ยประกัน 100–300 % ซึ่ง ธกส. ประมาณไว้ว่าจะใช้งบประมาณกว่า 268 ล้านบาทในการอุดหนุนแค่ 2% ของพื้นที่ปลูกทั่วประเทศในปี 2558 นอกเหนือไปจากการเยียวยาของรัฐบาลที่มีอยู่แล้ว

ข้อมูลสภาพอากาศ เช่น ปริมาณน้ำฝน ข้อมูล remote sensing ที่สามารถชี้วัดถึงการเกิดภัยและความเสียหายของเกษตรกร ได้มีการเก็บไว้อย่างมีคุณภาพ และเป็นระยะเวลายาวนานในทุกพื้นที่เกษตรของไทย จึงน่าจะสามารถนำมาใช้ในการออกแบบระบบประกันพืชผลซึ่งชดเชยความเสียหายตามดัชนีได้ เช่น การประกันภัยพืชผลโดยใช้ดัชนีน้ำฝนที่วัดจากสถานีใกล้แปลงของเกษตรกรจะจ่ายค่าชดเชยความเสียหายจากภัยแล้งเมื่อปริมาณน้ำฝนที่วัดได้ต่ำกว่าค่าอ้างอิงในสัญญา (ซึ่งเป็นค่าที่เคยทำให้เกษตรกรเกิดความเสียหายในอดีต) และในเมื่อดัชนีต่าง ๆ มักเป็นดัชนีในระดับพื้นที่ไม่ใช่ระดับเกษตรกร การประกันภัยนี้จึงเหมาะสมในการจัดการ covariate risk ของเกษตรกร

ระบบประกันภัยพืชผลโดยใช้ดัชนีสามารถช่วยลด inefficiency ได้ เพราะบริษัทจ่ายเงินชดเชยตามปริมาณนํ้าฝน ข้อมูลปริมาณน้ำฝนที่มีคุณภาพดีก็จะสามารถใช้คิดเบี้ยประกันตามความเสี่ยง (risk-based pricing) จึงไม่มีปัญหา adverse selection และก็ไม่มีปัญหา moral hazard เพราะการเพิ่มความเสี่ยงทางการผลิตหลังจากซื้อประกันก็ไม่ได้มีผลกระทบต่อการจ่ายเงินชดเชยตราบใดที่ไม่ได้ส่งผลกระทบต่อดัชนีน้ำฝน Transaction cost ก็ต่ำ เพราะบริษัทประกันไม่ต้องไปตรวจสอบความเสียหายในแต่ละแปลง และเมื่อตลาดสามารถเข้าถึง risk information ได้ ก็จะทำให้บริษัทประกันสามารถกระจายและถ่ายโอนความเสี่ยงออกสู่ตลาดได้ง่ายขึ้น

ข้อเสียหลักของระบบประกันภัยโดยใช้ดัชนีก็คือ basis risk ซึ่งเกิดขึ้นเมื่อการชดเชยตามดัชนีไม่สอดคล้องกับความเสียหายจริงของเกษตรกรผู้เอาประกัน ดังนั้น การเลือกดัชนี และการออกแบบระบบประกันที่จะช่วยลด basis risk จึงเป็นสิ่งที่สำคัญยิ่ง

Chantarat (2016) ศึกษาความเป็นไปได้ในการออกแบบระบบประกันภัยโดยใช้ดัชนี ซึ่งพิจารณา 5 ดัชนี คือ

1. ดัชนีปริมาณน้ำฝนสะสม (CR) ในฤดูปลูกในพื้นที่
2. ดัชนีความแห้งแล้ง หรือ moving dry spell (MD) ซึ่งบอกถึงความรุนแรงของการทิ้งช่วงของฝนในช่วงฤดูปลูก
3. ดัชนีน้ำท่วม หรือ moving excessive rain spell (ME) ซึ่งชี้วัดความรุนแรงของฝนที่ตกติดต่อกันเป็นเวลายาวนาน
4. ดัชนีผลผลิตข้าวรายจังหวัดที่สำรวจโดยกรมส่งเสริมการเกษตรทั่วประเทศเป็นเวลา 32 ปี และ
5. ดัชนีพยากรณ์ผลผลิตซึ่งคำนวณมาจาก rice crop model และปริมาณน้ำฝนในแต่ละพื้นที่

โดยสามดัชนีแรกถูกสร้างมาจากการนําข้อมูล remote sensing MODIS NDVI ซึ่งครอบคลุมพื้นที่ปลูกข้าวทั่วประเทศตั้งแต่ปี 2543 เป็นต้นมา มาเป็นตัวชี้วัดพื้นที่ปลูกข้าวและช่วงของการเจริญเติบโตของข้าวในแต่ละฤดูและพื้นที่ร่วมกับข้อมูลปริมาณน้ำฝนซึ่งครอบคลุมทั่วประเทศเป็น เวลา 32 ปีจนถึงปัจจุบัน

Optimal insurance หรือระบบประกันภัยที่มีประสิทธิภาพในการช่วยลดความเสี่ยงให้เกษตรกรมากที่สุดได้ถูกออกแบบโดยพิจารณาระบบประกันที่สามารถให้ความพอใจมากที่สุดกับเกษตรกรผู้เอาประกันภายใต้สมมติฐานที่ว่าเกษตรกรมีความกลัวความเสี่ยง (risk averse) และมี mean-variance utility function หรืออีกนัยหนึ่ง การเลือก optimal insurance จะประกอบไปด้วย (1) การเลือกดัชนีที่อธิบายความผันผวนของรายได้จากการปลูกข้าวได้ดีที่สุด และ (2) การเลือกความคุ้มครองที่คุ้มค่าที่สุดในเชิงประสิทธิผลของการลดความเสี่ยงซึ่งก็ขึ้นอยู่กับราคาเบี้ยประกันและระดับความไม่ชอบความเสี่ยงของเกษตรกรแต่ละคน

ข้อมูลรายได้จากการปลูกข้าวในระดับครัวเรือนจากการสำรวจภาวะเศรษฐกิจและสังคมของครัวเรือน (SES) ทั่วประเทศทุก ๆ สองปีตั้งแต่ 2541–2556 ได้ถูกนำมาใช้ใน regression analysis เพื่อคำนวณหาความสัมพันธ์ระหว่างดัชนีที่พิจารณากับความผันผวนของรายได้เกษตรกร และการกระจายตัวของ basis risk ในระดับครัวเรือน แต่เนื่องจากข้อมูลรายได้ของเกษตรกรมีขนาดตัวอย่างผู้ปลูกข้าวไม่มากนักในแต่ละพื้นที่และระยะเวลาที่สั้น (กว่าข้อมูลดัชนี) ซึ่งอาจไม่ครอบคลุมช่วงเวลาที่เคยเกิดภัยพิบัติใหญ่ ๆ การกระจายตัวของ basis risk ที่คํานวณได้อาจไม่บ่งชี้ถึงการกระจายตัวที่แท้จริง (ทั้งในด้าน spatial และ temporal variations) Chantarat (2016) จึงได้ใช้ Monte Carlo simulation ในการเพิ่มความเป็นไปได้ของการกระจายตัวของ basis risk และสร้างข้อมูลเกษตรกรตัวอย่างขึ้นมาใหม่ 1,000 คนในแต่ละจังหวัดทั่วประเทศในช่วงเวลาทั้งหมด 32 ปีที่มีข้อมูลดัชนีต่าง ๆ โดย simulate จากความสัมพันธ์ที่หาได้จาก regression analysis และ best-fit distribution ของ basis risk ในแต่ละพื้นที่ปลูก

รูปที่ 1 เปรียบเทียบระบบประกันภัยโดยดัชนีชนิดต่าง ๆ โดยใช้เกณฑ์การเพิ่มขึ้นของ certainty equivalent เมื่อเอาประกันซึ่งคํานวณจากกลุ่มตัวอย่างที่สร้างขึ้น 76,000 รายทั่วประเทศและแยกตามกลุ่มชลประทาน ซึ่งแสดงให้เห็นว่าระบบประกันโดยใช้ดัชนีความแห้งแล้งและน้ำท่วม (ME + MD) มีประสิทธิภาพมากที่สุดในทุก ๆ ระดับของความคุ้มครองใน ทั้งสองกลุ่ม ซึ่งก็เป็นเพราะดัชนีทั้งสองสามารถอธิบาย ถึง 60% ของความผันผวนของรายได้เกษตรกรผู้ปลูกข้าวในแต่ละกลุ่ม

รูปที่ 2 ทางซ้ายแสดงเบี้ยประกัน actuarially fair ของระบบประกันภัยพืชผลโดยใช้ดัชนีความแห้งแล้งและน้ำท่วมคำนวณตามความเป็นไปได้ที่บริษัทประกันต้องจ่ายค่าทดแทนตามความเสี่ยงของแต่ละพื้นที่ ซึ่งแสดงให้เห็นว่าระดับความเสี่ยงมีความแตกต่างกันในแต่ละพื้นที่ปลูกข้าว รูปที่ 2 ทางขวาแสดงมูลค่าการชดเชยความเสียหายสูงสุดที่บริษัทประกันต้องจ่ายในรอบ 32 ปีที่ผ่านมา (maximum probable loss) ซึ่งแสดงให้เห็นว่าความผันผวนและรุนแรงของภัยก็มีความแตกต่างกันในแต่ละพื้นที่เช่นกัน

Portfolio ของระบบประกันภัยพืชผลโดยใช้ดัชนีความแห้งแล้งและน้ำท่วมในประเทศไทยได้ถูกสร้างขึ้นโดยคำนวณจำนวนเกษตรกรผู้เอาประกัน (portfolio weight) ของแต่ละจังหวัดจากข้อมูลพื้นที่ปลูกข้าวล่าสุดจาก remote sensing NDVI รูปที่ 3 แสดง Net payout ของ portfolio (ค่าทดแทนทั้งหมดที่บริษัทประกันต้องจ่าย – เบี้ยประกันทั้งหมดที่ได้รับ) ซึ่งผันผวนและพุ่งสูงมากในปีที่มีภัยพิบัติรุนแรง เช่น ในปี 2554 และอีกหลาย ๆ ปีในอดีต แสดงให้เห็นถึงความจำเป็น ของการกระจายและถ่ายโอนความเสี่ยงของ portfolio

Chantarat (2016) แสดงให้เห็นถึงความเป็นไปได้ในการกระจายความเสี่ยงของ portfolio ระหว่างฤดูปลูก เพราะ correlation ของ portfolio net payout ของข้าวนาปีและข้าวนาปรังเป็นลบอย่างมีนัยสำคัญในเกือบทุกพื้นที่ และระหว่างพื้นที่ปลูกในประเทศ โดยเฉพาะอย่างยิ่งภาคใต้และภาคอีสานที่มี correlation ของ portfolio net payout เป็นลบอย่างมีนัยสำคัญ นอกจากนี้ยังพบว่า correlation ของ portfolio net payout และ tradable อื่น ๆ เช่น stock index ต่าง ๆ return ของ corporate bond หรือดัชนีสภาวะอากาศที่ซื้อขายอยู่ในตลาดต่างประเทศหลายตัวก็เป็นลบอย่างมีนัยสำคัญ บริษัทหรือกลุ่มบริษัทประกันภัยจึงน่าจะสามารถกระจายความเสี่ยงของ portfolio ได้โดย (1) การเพิ่มพื้นที่และฤดูการรับประกันภัย (2) การกระจายความเสี่ยงโดย tradable อื่น ๆ และ (3) การออกแบบนวัตกรรมทางการเงินอื่น ๆ เช่น reinsurance หรือ catastrophe bond เพื่อถ่ายโอนความเสี่ยงไปให้นักลงทุนในตลาดที่สนใจจะเพิ่มผลตอบแทนหรือกระจายความเสี่ยงของ portfolio ลงทุน

ระบบประกันภัยโดยใช้ดัชนีความแห้งแล้งและน้ำท่วมดีกว่าระบบปัจจุบันหรือไม่ และรัฐบาลควรสนับสนุนอย่างไร Chantarat (2016) สร้างแบบจำลองเพื่อเปรียบเทียบผลกระทบของระบบประกันภัยนาข้าวและการเยียวยาของภาครัฐในปัจจุบันกับระบบประกันภัยโดยใช้ดัชนีความแห้งแล้งและน้ำท่วม และความช่วยเหลือจากรัฐบาลในระดับต่าง ๆ โดยมีสมมติฐานว่า เกษตรกรตัวอย่าง 76,000 รายทั่วประเทศที่ถูกสร้างขึ้นมีพื้นที่นาเฉลี่ย 12 ไร่ (ตามข้อมูล SES) และเป็นลูกหนี้ของสถาบันการเงิน ซึ่งทุก ๆ ฤดูปลูกจะต้องกู้เงินเพื่อลงทุนการเพาะปลูกเป็นจำนวน 30% ของรายได้เฉลี่ย (ตามข้อมูล SES) และจะจ่ายคืนหนี้สินให้ได้มากที่สุดตามรายได้ที่ได้รับจากการผลิตข้าวในแต่ละฤดู และเกษตรกรจะซื้อประกันภัยประเภทต่าง ๆ เมื่อ certainty equivalent ของรายได้เพิ่มขึ้นหลังเอาประกัน

รูปที่ 4 แสดง cumulative distribution ของรายได้หลังชำระหนี้ครัวเรือนสะสม 5 ปีของเกษตรกร default rate ของสินเชื่อเกษตรของสถาบันการเงินที่ปล่อยกู้ให้เกษตรกร และงบประมาณที่รัฐบาลใช้ในการช่วยเหลือเกษตรกรทั้งประเทศ ซึ่งแสดงให้เห็นว่ามาตรการเยียวยาและอุดหนุนเบี้ยประกันอย่างหนักในระบบประกันนาข้าวปัจจุบันช่วยลดความเป็นไปได้ที่รายได้ของเกษตรกรจะไม่เพียงพอสำหรับการชดเชยหนี้สิน และมีผลทำให้การสะสมหนี้ครัวเรือนและ default rate ของสถาบันการเงินลดลง เมื่อเปรียบเทียบกับสถานการณ์ที่ไม่มีความช่วยเหลือจากภาครัฐและระบบประกันใด ๆ หรือสถานการณ์ที่มีระบบประกันภัยพืชผลโดยใช้ดัชนีความแห้งแล้งและน้ำท่วมขายในราคาตลาดที่ไม่มีการสนับสนุนใด ๆ ของภาครัฐ แต่ผลเหล่านี้ต้องแลกมาด้วยการใช้งบประมาณจำนวนมหาศาล ซึ่งส่วนหนึ่งเป็น dead weight loss จาก inefficiency ของระบบประกันและมีความผันผวนมากถึง 30,000 ล้านบาทในปีที่มีความเสียหายรุนแรง

การใช้ดัชนีที่สามารถสะท้อน risk distribution ของเกษตรกรได้ สามารถช่วยในการเลือกเครื่องมือที่มี ความคุ้มค่าทางประสิทธิผลมากที่สุดมาจัดการกับความเสี่ยงในระดับต่าง ๆ และเอื้อต่อการบูรณาการการใช้เครื่องมือบริหารความเสี่ยงทั้งของเกษตรกรและรัฐบาลร่วมกันอย่างมีระบบภายใต้ public-private partnership ซึ่ง Mahul et al. (2013) ได้ศึกษาบทบาทของภาครัฐในระบบการจัดการความเสี่ยงของเกษตรกรในหลายประเทศ และพบว่าจะมีประสิทธิผลมากที่สุดเมื่อรัฐบาลมุ่งเป้าความช่วยเหลือไปในการส่งเสริมให้เกิด การพัฒนาระบบตลาดประกันภัยที่ยั่งยืนในระดับภัยที่ตลาดสามารถรับประกันได้ โดยการใช้งบประมาณไปในการช่วยระบบประกันจัดการกับภัยที่มีความเสียหายรุนแรงมาก ๆ (tail risk) เกินกว่าที่ระบบตลาดจะรับได้ (Kunreuther and Pauly 2004) ซึ่งจะช่วยจำกัด (cap) ค่าชดเชยสูงสุดที่บริษัทประกัน ต้องจ่าย มีผลทำให้เบี้ยประกันถูกลง และช่วยให้เกษตรกรสามารถเข้าถึงระบบประกันภัยได้มากขึ้น การมุ่งเป้าความช่วยเหลือ ภาครัฐดังกล่าวที่ไม่ทับซ้อนแต่กลับส่งเสริมความคุ้มค่าให้กับระบบประกันภัยในตลาด ยังช่วยเพิ่มแรงจูงใจให้เกษตรกรประกันตนมากขึ้น ซึ่งจะช่วยเพิ่มประสิทธิผลของงบประมาณของรัฐบาลอีกด้วย รูปที่ 4 ได้แสดงให้เห็นถึงการผลที่ดีกว่าของระบบ public-private partnership ดังกล่าวต่อทั้งเกษตรกร สถาบันการเงิน และรัฐบาล

Chantarat (2016) ชี้ให้เห็นถึงความเป็นได้ในการใช้ข้อมูลความเสี่ยงในรูปแบบใหม่และระบบประกันภัยพืชผลโดยใช้ดัชนีเพื่อช่วยเพิ่มประสิทธิภาพของระบบประกันภัย เพิ่มการเข้าถึงระบบประกันภัยของเกษตรกร และการบูรณาการบทบาทของภาครัฐในการจัดการความเสี่ยงของเกษตรกรอย่างเป็นระบบ ซึ่งล้วนจะส่งผลดีต่อเสถียรภาพและการพัฒนาทางเศรษฐกิจของเกษตรกรไทย หลักคิดนี้สามารถนำไปปรับใช้กับการจัดการความเสี่ยงอื่น ๆ เช่น ความผันผวนทางราคา หรือการเพิ่มประสิทธิภาพของระบบการเงินอื่น ๆ เช่น การเข้าถึงตลาดทุนของ SME หรือการเพิ่มความยั่งยืนของสถาบันการเงินภายใต้การกํากับของรัฐ เป็นต้น บทความนี้ยังชี้ให้เห็นถึงคุณค่าและความจําเป็นในการบูรณาการการจัดเก็บ risk information ของหน่วยเศรษฐกิจต่าง ๆ อย่างมีคุณภาพและเป็นระบบ

อย่างไรก็ดี ยังมีความท้าทายอีกหลายประการในการพัฒนาระบบประกันพืชผลดังกล่าวให้ยั่งยืนในประเทศไทย เช่น ความรู้ความเข้าใจเครื่องมือทางการเงินของเกษตรกร basis risk หรือบทบาทของภาครัฐและผลกระทบต่อแรงจูงใจของเกษตรกร เป็นต้น ความท้าทายเหล่านี้ได้สร้างโจทย์วิจัยใหม่ ๆ เช่น ระบบประกันภัยพืชผลควรออกแบบและขายพร้อมสินเชื่อเกษตรหรือไม่ กลุ่มเศรษฐกิจของเกษตรกร สถาบันการเงิน และรัฐบาลควรมีบทบาทอย่างไรในการพัฒนาระบบประกันภัยที่ยั่งยืน ทั้งนี้ ผลงานวิจัยที่เกี่ยวข้องในประเทศกำลังพัฒนาอื่น ๆ ได้ถูกสรุปไว้ใน Carter (2014) และ Cole et al. (2013)

Carter, M., A. de Janvry, E. Sadoulet and A. Sarris. (2014) “Index-based weather insurance for developing countries: A review of evidence and a set of propositions for up-scaling.” The Foundation for International Development Study and Research Working Paper No. P111.

Chantarat, S. (2016) “Index-Based Risk Financing and Development of Natural Disaster Insurance Programs in Developing Countries.” PIER Discussion Paper No. 10.

Cole, S., Gine, X., Tobacman, J., Topalova, P., Townsend, R., & Vickery, J. (2013) “Barriers to Household Risk Management: Evidence from India.” American Economic Journal: Applied Economics, 5(1), 104–35.

Kunreuther, H. and M. Pauly (2004) “Neglecting Disaster: Why Don’t People Insure Against Large Losses?” Journal of Risk and Uncertainty 28: 5–21.

Mahul, O., Clarke, D., Maher, B., & Assah, F. (2013) “Promoting Access to Agricultural Insurance in Developing Countries.” World Bank.

Raschky, P. A., R. Schwarze, M. Schwindt, and F. Zahn (2013) “Uncertainty of Governmental Relief and the Crowding Out of Flood Insurance.” Environmental and Resource Economics, 54(2), 179–200.