WPS7766 Policy Research Working Paper 7766 Climate Change and Poverty in Vietnam Background Paper Modeling the Impacts of Climate Change on Future Vietnamese Households A Micro-Simulation Approach Julie Rozenberg Stéphane Hallegatte Development Economics Environment and Natural Resources Global Practice Group & Climate Change Cross-Cutting Solutions Area July 2016 Policy Research Working Paper 7766 Abstract The impacts of climate change on poverty depend on the significant impact on poverty in Vietnam in about a quar- magnitude of climate change, but also on demographic ter of the scenarios, with 400,000 to more than a million and socioeconomic trends. An analysis of hundreds of people living in extreme poverty just because of climate baseline scenarios for future economic development in change impacts. Those scenarios in which climate change the absence of climate change in Vietnam shows that the pushes the most people into poverty are scenarios with slow main determinant of the eradication of extreme poverty structural change away from agriculture, low productivity by 2030 is the income of unskilled agriculture workers, growth in agriculture, high population growth, and low followed by redistribution policies. Results from sector redistribution levels. Conversely, in scenarios with rapid, analyses of climate change impacts—in agriculture, health, inclusive, and climate-informed development, climate and natural disasters—are introduced in each of the hun- change has no impact on extreme poverty, although it still dreds scenarios. By 2030 climate change is found to have a has an impact on the income of the bottom 40 percent. 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 authors may be contacted at jrozenberg@worldbank.org. 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. Produced by the Research Support Team Modeling the Impacts of climate Change on Future Vietnamese  Households: A Micro‐Simulation Approach  Julie Rozenberg, Stéphane Hallegatte  World Bank Group, Washington DC                                          Keywords:  development,  poverty,  climate  change,  shared  socio‐economic  pathways,  scenarios,  uncertainty, inequalities  JEL: I30, I32, Q54, Q56, O10, O40  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 on Climate Change and Poverty (P149919) under the oversight of Stephane Hallegate. The  results  for  Vietnam  presented  here  where  extracted  from  a  global  work  published  in  (Rozenberg  and  Hallegatte 2015). The authors would like to thank, in no particular order, Syud Amer Ahmed, Marcio Cruz  and Israel Osorio‐ Rodarte for the GIDD database and precious advice on micro‐simulation modeling; Jan  Kwakkel for the scenario discovery tools; Kris Ebi for her knowledge of climate change impacts on health;  Petr  Havlik  and  Hugo  Valin  for  the  agriculture  scenarios;  Cyril  Caminade  and  Tamaro  Kane  for  malaria  numbers; Simon Lloyd for inputs on stunting; Francisco Ferreira, Eeshani Kandpal, Gabriel Demombynes,  Marianne  Fay,  Adrien  Vogt‐Schilb,  Pamela  McElwee,  and  Maurice  Rawlins  for  comments  on  previous  versions of this work.       Vietnam  has  experienced  during  the  past  decades  unprecedented  changes  in  its  economy,  land  use,  demographics,  and  natural  environment.  It  had  made  significant  progress  in  poverty  reduction,  but  in  2010 around 20 percent of Vietnam’s population still lived in extreme poverty – about 27 percent in rural  areas (World Bank, 2012).   In  the  next  15  years,  new  challenges  linked  to  climate  change  could  slow  down  poverty  eradication  in  Vietnam.  The  country  is  particularly  sensitive  to  climate  hazards,  weather  variability  and  water‐borne  diseases, and all of these shocks are likely to be exacerbated by climate change.  Assessing  the  impact  of  climate  change  on  poverty  remains  however  a  daunting  task.  In  particular,  socioeconomic trends in Vietnam will determine the future impacts of climate change on poor people and  on  poverty  rates  as  much  as  climate  change  itself  (Hallegatte,  Przyluski,  and  Vogt‐Schilb  2011).  The  impacts  of  climate  change  on  poor  people  will  be  very  different  depending  on  where  they  live,  which  sector they work in, and the kind of social protection they benefit from (will the majority of poor people  still  live  in  rural  areas?  Will  their  income  depend  on  agriculture  and  ecosystems  or  will  they  be  more  diversified?).  It is not hard  to imagine  that if most workers work outside or without air  conditioning,  the  impact of temperature increase on labor productivity will be stronger than if there is fast structural change  away  from  agriculture  and  towards  services  and  industry,  with  fast  penetration  of  air  conditioning.  Similarly,  a  poorer  household  will  have  a  larger  share  of  its  consumption  dedicated  to  food  and  will  therefore be more vulnerable to climate‐related food price fluctuations than a richer household.   Assessing  the  future  impacts  of  climate  change  in  Vietnam  therefore  requires  an  exploration  of  future  socioeconomic  development  pathways  for  the  country,  in  addition  to  future  changes  in  climate  and  environmental  conditions.  To  do  so,  we  first  assume  that  there  is  no  climate  change,  and  we  explore  possible counterfactual scenarios of future development and poverty eradication.  Second, we introduce  climate change into the picture and look at how it changes the prospect for poverty eradication.  It  is  impossible  to  forecast  future  socioeconomic  development.  Past  experience  suggests  we  are  simply  not able to anticipate structural shifts, economic crises, technical breakthroughs, and geopolitical changes  (Kalra et al. 2014). In this paper, we predict neither future socioeconomic change nor the impact of climate  change on poverty. Instead, we follow the approach that is the basis of all IPCC reports, namely we analyze  a  set  of  socioeconomic  scenarios  and  we  explore  how  climate  change  would  affect  development  in  each  of  these  scenarios.  These  scenarios  do  not  correspond  to  particularly  likely  futures.  Instead,  they  are  possible and internally consistent futures, chosen to cover a broad range of possible futures to allow for  an exploration of possible  climate  change impacts. People sometimes refer to  these scenarios as “what‐ if”  scenarios,  as  they  can  help  answer  questions  such  as  “what  would  climate  change  impact  be  if  socioeconomic development followed a given trend.”  The goals are to better understand how the impact  of climate change on poverty depends on socioeconomic development, to estimate the potential impacts  in  “bad”  scenarios,  and  to  explore  possible  policy  options  to  minimize  the  risk  that  such  bad  scenarios  actually occur.   We start by analyzing the drivers of future poverty, and we explore the range of possible futures regarding  these  drivers  to  create  hundreds  of  socioeconomic  scenarios  for  Vietnam.  This  analysis  combines  2    household surveys (from the I2D2 database) and micro‐simulation techniques (Olivieri et al. 2014; Bussolo  et al. 2008; Bourguignon, Ferreira, and Lustig 2005) and is performed in a framework inspired from robust  decision‐making techniques, in which all uncertain parameters are varied systematically to the full range  of possible outcomes. We combine assumptions on future demographic changes (How will fertility change  over  time?  How  will  education  levels  change?);  structural  changes  (How  fast  will  developing  countries  grow  their  manufacturing  sector?  How  will  the  economies  shift  to  more  services?);  productivity  and  economic  growth  (How  fast  will  productivity  grow  in  each  economic  sector?);  and  policies  (What  will  be  the  level  of  pensions?  How  much  redistribution  will  occur?).  The  range  of  possible  futures  of  these  parameters  is  determined  based  on  historical  evidence,  and  on  the  socioeconomic  scenarios  currently  developed for the analysis of climate change, the Shared Socio‐Economic Pathways (SSPs) (Kriegler et al.,  n.d.;  O’Neill  et  al.  2013).  These  sets  of  assumptions  are  used  to  generate  hundreds  of  scenarios  for  the  future socioeconomic development of Vietnam.  Then,  we  select  two  representative  scenarios,  one  optimistic  and  one  pessimistic  in  terms  of  poverty  reduction and changes in inequality. Finally, we introduce quantified estimates of the impacts of climate  change on agriculture incomes and food prices, on natural hazards, and on malaria, diarrhea and stunting  into these two scenarios.  Here again the impacts of climate change are uncertain. We thus consider again  two  cases,  one  high  impact  and  one  low  impact,  and  investigate  the  potential  impact  of  unmitigated  climate  change  on  the  number  of  poor  people  living  in  extreme  poverty  in  2030  in  the  four  cases  (optimistic  and  pessimistic  regarding  socioeconomic  trends,  and  optimistic  and  pessimistic  regarding  climate change impacts).   The  results  are  unequivocal:  the  impact  of  climate  change  on  poverty  is  conditioned  by  overall  development  progress.  In  particular,  the  impacts  of  climate  change  are  lower  in  scenarios  with  high  structural change away from agriculture, high productivity growth in the agriculture sector and high levels  of social protection. In scenarios where these conditions are not met, climate change could bring up to 1  million additional people in extreme poverty by 2030.  Even without climate change, very different futures can be imagined for poverty and  development in Vietnam  We explore a wide range of uncertainties on future structural change, productivity growth or demographic  changes and create a large number (several hundreds or thousands) of scenarios for future income growth  and  income  distribution  in  Vietnam  (Table  1).  We  then  analyze  the  resulting  space  of  possible  future  poverty and income distribution using several indicators like the income of the bottom 20%, the number  of people living in extreme poverty, the income share of the bottom 40%, or GDP growth.  Consistently with our goal of exploring the largest possible uncertainty, the range of income growth in our  scenarios is much larger than the one explored in other scenario exercises, such as the SSPs (Figure 1). All  the  hypotheses  that  were  made  on  the  input  parameters  appear  however  possible  (or  at  least,  non‐ impossible) and based on historical data (see Rozenberg and Hallegatte, 2015).   3    Table 1 Initial shares and scenario ranges for economic structure, and growth rates, in Vietnam.      Vietnam  Share of adults in the labor force (%)  2012  81  Min 2030  68  Max 2030  91  Share of workers in the agriculture sector (%)  2012  45  Min 2030  15  Max 2030  48  Share of workers in the manufacture sector (%)  2012  24  Min 2030  12  Max 2030  34  Productivity growth rate for unskilled workers (%)  Min  1  Max  6    Besides, the “Vietnam 2035” exercise suggests that the desired growth rate in Vietnam for the next 15 to  20 years should be around 7‐8% per year, which is outside of the SSP range.     Figure 1 Uncertainty range on total income growth coming out of the experiment, and SSP growth for Vietnam in SSP4 and SSP5,  represented by the two vertical lines.  Analysis of variance  To  understand  what  input  parameters  matter  for  the  reduction  of  poverty  and  inequalities,  we  perform  two simple analyses of variance for the income of the bottom 20% and for the difference in income growth  between  the  bottom  40%  and  the  average  income  in  Vietnam.  The  analysis  of  variance  partitions  the  observed  variance  in  a  variable  into  components  attributable  to  different  sources  of  variation.  In  other  words, we are explaining the variance of the outputs of our micro‐simulation (income of the bottom 20%  and  inequalities)  model  by  the  variance  of  the  inputs  (the  twelve  sources  of  uncertainty  identified  previously).   4    In Vietnam, the most important driver for poverty reduction by 2030 is the income growth rate of unskilled  agriculture workers, followed by redistribution. They are then followed by income growth rate of unskilled  manufacture workers, population growth rate and the share of workers in agriculture.  The drivers of inequalities are different. They unsurprisingly depend mainly on redistribution and then on  the skill premium for services workers (inequalities increase with this skill premium).  Scenario discovery  We then select a group of “optimistic” scenarios (in green in Figure 2 in the case of Vietnam) and a group  of  “pessimistic”  scenarios  (in  purple  in  Figure  2).  The  scenarios  are  selected  in  terms  of  poverty  and  inequality  only:  optimistic  scenarios  are  the  ones  above  the  median  for  both  the  average  income  of  the  bottom  20%  and  for  difference  in  growth  rates  between  the  income  of  the  bottom  40%  and  average  income. Similarly, pessimistic scenarios are the ones below the median for both indicators.  Box 1. It is possible to inform decision‐making, even in a context of deep uncertainty We do not attribute probabilities or likelihood to our scenarios. These scenarios thus cannot be used as forecasts or predictions of the future of poverty or as inputs into a probabilistic cost‐benefit analysis. That said, they can still be an important input into decision‐making. Indeed, decisions often are not based on average or expected values or on the most likely outputs, but instead on the consequences of relatively low‐probability outcomes. For instance, insurers and reinsurers are often regulated based on the 200‐year losses (that is, the losses that have a 0.5 percent chance of occurring every year). And we buy insurance to protect ourselves against low‐probability events that could have a large impact on our well‐being. Moreover, in a situation of deep uncertainty, it is often impossible to attribute probabilities to possible outcomes (Kalra et al. 2014). For example, we know that conflicts, such as those in North Africa and the Middle‐ East, could continue over decades, slowing down growth and poverty reduction. But they also could subside, allowing for rapid progress. While these two scenarios are obviously possible, it is impossible to attribute probabilities to them in any reliable way. The same deep uncertainty surrounds the future of technologies and most political and socioeconomic trends. In such a context, exploring scenarios without attributing probabilities to them is commonplace. Since the 1990s, the IPCC and climate community have used such long‐ term socioeconomic scenarios (the Special Report on Emissions Scenarios (SRES) and now the Shared Socio‐ Economic Pathways (SSPs)) to link policy decisions to their possible outcomes (Edenhofer and Minx 2014). Similarly, the UK government performs national risk assessments using “reasonable worst case scenarios” (for example, regarding pandemics, natural disasters, technological accidents or terrorism), which are considered plausible enough to deserve attention, even though their probability is unknown (World Bank, 2013, chapter 2). While these scenarios cannot be used to perform a full cost‐benefit analysis, they make it possible to elicit trade‐ offs and to support decision‐making. For instance, they help identify dangerous vulnerabilities that can be removed through short‐term interventions (Kalra et al. 2014). In our case here, our two scenarios help us explore and quantify how poverty reduction can reduce the vulnerability to climate change. 5    We then use a scenario discovery algorithm1 (Bryant and Lempert 2010) to identify a combination of input  drivers  that  is  most  likely  to  put  the  scenario  in  the  optimistic  or  pessimistic  group.  In  other  words,  we  identify the range of parameter values (or “box”) that are found in a group of scenarios and that are not  found outside of the group.   Optimistic scenarios in Vietnam are mostly scenarios with high redistribution level, relatively high pension  levels,  low  population  growth  and  high  education  (SSP5  demography),  and  relatively  high  productivity  growth for unskilled agricultural workers.     Figure 2 Selection of the optimistic and pessimistic groups and of the two representative scenarios in Vietnam (two red dots).  Pessimistic scenarios are characterized by relatively low redistribution level, high population growth and  low education (SSP4 demography), and low productivity growth for unskilled agricultural workers. The  details are in Table 1. The other parameters (e.g., structural change or change in productivity in service  or manufacturing) play only a secondary role.  Interestingly, the parameters that matter the most for poverty eradication and reduction of inequalities  are not the same as the ones that drive GDP growth. For instance, even though structural change is a  strong driver of GDP growth (McMillan and Rodrik 2011), in our scenarios it is not sufficient to lift  everyone out of extreme poverty, and parallel efforts are required on education, agriculture productivity  growth and redistribution.                                                               1   Here  we  use  the  EMA  work  bench  developed  at  Delft  University:  http://simulation.tbm.tudelft.nl/ema‐ workbench/contents.html.  6    Table 2: sets of conditions (box) that characterize the scenarios in the optimistic group (defined as in Figure 2) for Vietnam. Density  is the probability of a scenario in the box to be in the optimistic group. Coverage is the probability of a scenario in the optimistic  group to match the box.  Optimistic box  ‐ High redistribution (tax for cash transfers >8% of total consumption)  78% density  ‐ Relatively high pensions (tax >5% of total consumption)  40% coverage  ‐ Low population growth, high education (SSP5)  ‐ Productivity growth for unskilled agriculture workers >2% per year    Table  3:  sets  of  conditions  (box)  that  characterize  the  scenarios  in  the  pessimistic  group  (defined  as  in  Figure  2)  for  Vietnam.  Density  is  the  probability  of  a  scenario  in  the  box  to  be  in  the  pessimistic  group.  Coverage  is  the  probability  of  a  scenario  in  the  pessimistic group to match the box.  Pessimistic box  ‐ Relatively  low  redistribution  tax  for  cash  transfers  <15%  of  total  47% density  consumption)  59% coverage  ‐ High population growth, low education (SSP4)  ‐ Productivity growth for unskilled agriculture workers <5% per year    If we assume that demography is a given factor, the two main levers to eradicate extreme poverty as fast  as  possible  are  agriculture  productivity  growth  and  redistribution.  Below  we  explore  what  is  feasible  in  Vietnam.  Redistribution  Along  with  agricultural  productivity  growth,  relatively  high  redistribution  is  the  main  lever  to  reduce  poverty  in  Vietnam  in  our  model.  In  the  model,  it  is  represented  by  a  flat  tax  on  consumption,  which  is  redistributed to the entire population (except children) as a basic income (i.e. the same amount for each  individual).  We  also  model  redistribution  to  the  elderly  as  a  tax  on  income  from  workers  only,  redistributed  as  a  cash  transfer  to  people  older  than  60  years.  We  apply  these  transfers  to  households’  consumption  after  pre‐existing  tax  and  transfers.  They  can  be  seen,  therefore,  as  additional  transfers  in  addition to current ones.  According to the most recent data in the ASPIRE database, 6.3% of Vietnam GDP is used for social transfers  (cash  transfers  only)  and  people  from  the  first  quintile  get  about  10  times  less  transfers  per  capita  (in  absolute terms) than people from the last quintile. The way we model cash transfers is more favorable to  the poor since each person receives the same transfer in absolute terms.  Our  results  suggest  that,  to  be  in  the  optimistic  scenarios  in  terms  of  poverty  reduction  and  shared  prosperity, Vietnam needs to use 8% of GDP for universal social transfers, assuming that it is financed by  a  flat  tax  and  people  from  all  quintiles  get  the  same  amount.  To  deal  with  an  aging  population  while  reducing poverty, Vietnam will also need to use at least 5% of workers’ income to finance pensions.  Agriculture productivity growth  If  high  redistribution  is  too  costly,  productivity  growth  for  unskilled  agricultural  workers  is  another  important  driver  of  poverty  reduction,  even  in  scenarios  in  which  the  share  of  workers  in  agriculture  is  7    drastically reduced. It is indeed within the sets of conditions for either an optimistic or pessimistic future  scenario, combined with population and redistribution.  In a future with high redistribution, low population growth and skilled workers, poverty is low if agriculture  productivity  growth  is  higher  than  2%  per  year  (Table  2)  for  unskilled  workers.  Total  agricultural  productivity growth depends also on the skill premium in the agriculture sector and lies between 5% and  10% per year in these scenarios.  Such  growth  rates  are  comparable  to  the  average  growth  rates  of  productivity  growth  in  China  (4.7%),  Malaysia  (4.9%)  or  Mongolia  (7%)  over  the  past  ten  years,  but  are  higher  than  what  Vietnam  has  been  able to achieve in the recent past (2.4% per year on average between 2002 and 2012).  On the other end, in order to avoid being in the most pessimistic cases if redistribution is low, population  growth is high and the share of skilled workers is lower, agricultural productivity growth has to be higher  than  5%  per  year  for  unskilled  workers  (Table  3).  This  threshold  correspond  to  a  minimum  growth  rates  of 3 to 9% per year for total agriculture growth, depending on the skill premium.  In  a  nutshell,  to  have  good  chances  to  reduce  poverty,  Vietnam  must  see  an  agricultural  productivity  growth of at least 4‐5% per year on average over the next 15 years, with at least 2‐3 % income growth per  year for unskilled workers.  Choice of two representative scenarios  To analyze  the impacts of  climate  change, we first choose two scenarios among  the hundreds that were  run,  one  optimistic  and  one  pessimistic.  To  select  one  representative  scenario  in  each  group,  we  select  only  scenarios  that  correspond  to  the  boxes  (i.e.  the  combinations  of  drivers  most  representative  of  the  scenarios  in  each  group)  and  apply  the  following  additional  criteria.  For  the  pessimistic  scenario  we  selected a scenario with a total income growth that is close to GDP growth in the SSP4 (the SSP scenario  in  which  poverty  and  inequality  remain  high)  and  minimized  structure  change  (to  represent  stagnation).  For the optimistic scenario, we tried to be in line with the “Vietnam 2035” scenarios so we aimed at 7‐8%  annual growth for total income, while minimizing the share of workers in agriculture and maximizing the  share of workers in industry, and making sure that skill premiums are not too different between sectors.   Prosperity scenario.   This  scenario  is  optimistic  in  that  it  assumes  that  extreme  poverty  is  eradicated  in  Vietnam  in  2030  (no  one lives with less than 1.25usd per day in Vietnam, and only 5 million people live with less than 4usd per  day);  2  that  population  growth  is  slow  (population  follows  the  SSP5  trend),  education  levels  and  labor  productivity  increase  rapidly;  and  that  the  productivity  gap  with  developed  countries  decreases  quickly  (GDP grows at 7.6% per year on average by 2030, and the participation in the labor force increases by 17%  in  2030  with  regards  to  2007).  It  also  assumes  that  there  is  fast  globalization  and  technology  transfers  between  countries,  allowing  rapid  structural  changes  in  Vietnam  and  the  reduction  of  the  share  of                                                               2  These simulations are performed using 2005 PPP exchange rate and the $1.25 extreme poverty line, but results are not expected  to change significantly under the $1.90 poverty line and using 2011 PPP.  8    unskilled jobs in agriculture in favor of the industry and service sectors (the share of agriculture is divided  by  two  in  the  total  number  of  jobs,  and  the  share  of  industry  increases  by  40%.  Productivity  growth  reaches  4.6%  per  year  in  the  agriculture  sector,  where  most  of  the  poorest  people  work,  and  6%  in  the  rest  of  the  economy).  Governance  is  good,  and  fiscal  systems  are  efficient,  allowing  for  high  levels  of  redistribution. Even the most vulnerable populations have access to universal health coverage, water and  sanitation,  and  efficient  safety  nets.  And  agricultural  workers  have  enough  market  power  to  receive  a  large share of agricultural price increases if price shocks occur.   Poverty scenario.   This scenario is pessimistic in that it assumes high population growth (population follows the SSP4 trend  with  low  education  levels),  low  economic  growth,  and  greater  inequalities  in  Vietnam  in  2030.  In  this  scenario 2.7 million people still live in extreme poverty in 2030, and 44 million people live with less than  4usd  per  day.  The  share  of  agriculture  in  total  jobs  only  decreases  by  15%  and  participation  does  not  increase. Productivity growth in agriculture is only 1.8% per year whereas it is 5% per year in the services  sector.  There  is  no  industrialization  in  this  scenario,  with  a  constant  share  of  jobs  in  industry  and  a  slow  productivity growth (only 1%) for the industry sector. These  two  scenarios  are  counterfactual  reference  scenarios,  which  do  not  include  climate  change.  In  a  second  stage,  we  add  climate  change  impacts  into  each  of  these  scenarios.  We  do  not  attribute  probabilities or likelihood to our scenarios, as we are not interested in forecasting the future of poverty.  Instead,  we  want  to  explore  how  the  impacts  of  climate  change  on  poverty  are  different  in  different  development scenarios, with and without climate change, to inform decision‐making on poverty reduction  and climate policies (Box 1).     The effect of climate change on poverty is a combination of many sectoral impacts  For  each  of  the  two  selected  socioeconomic  scenarios  (prosperity  and  poverty)  we  introduce  climate  change impacts on food prices and production, natural disasters, and health, drawing on the results from  chapters  2  to  4  in  Shockwaves  (Figure  3).  In  the  projections  of  all  households  modeled  in  our  scenarios,  we adjust the income and prices to reflect the impact of climate change on their ability to consume, and  derive  the  impact  on  poverty.  The  impacts  are  estimated  using  sectoral  models  (such  as  crops  and  agricultural trade models) and include adaptive behaviors (such as changing agricultural practices or trade  patterns).  With a 2030  horizon, impacts barely depend on emissions between 2015 and  2030 because these affect  the  magnitude  of  climate  change  only  over  the  longer  term,  beyond  2050.  Regardless  of  socioeconomic  trends and climate policies, the mean temperature increase between 2015 and 2035 is between 0.5 and  1.2°C—and  the  magnitude  depends  on  the  response  of  the  climate  system  (IPCC  2013).  The  impacts  of  such  a  change  in  climate  are  highly  uncertain  and  depend  on  how  global  climate  change  translates  into  local  changes,  on  the  ability  of  ecosystems  to  adapt,  on  the  responsiveness  of  physical  systems  such  coastal  zones,  and  on  spontaneous  adaptation  in  various  sectors  (such  as  adoption  of  new  agricultural  practices or improved hygiene habits).   9    To  account  for  this  uncertainty,  we  define  a  low‐impact  and  a  high‐impact  scenario  that  represent  the  uncertainty  on  the  magnitude  of  the  physical  and  biological  impacts  of  climate  change.  For  agriculture,  for  instance,  the  difference  between  the  low‐impact  and  the  high‐impact  scenario  comes  from  the  uncertainty in the global climate system, crop responses, and trade models that are used. For health, one  difference  across  low‐impact  and  high‐impact  scenarios  comes  from  the  uncertainty  on  the  additional  number of cases of dengue and malaria due to climate change and on the cost of treatment.  There  are  several  limits  to  our  approach.  First,  we  follow  a  bottom‐up  approach  and  sum  the  sectoral  impacts, assuming they do not interact. We do not focus on the macroeconomic impact of climate change  and  its  effects  on  overall  economic  growth  –  and  thus  on  the  secondary  impact  on  poverty  reduction,  a  limitation considering the evidence that overall growth is a major driver of poverty reduction (Dollar and  Kraay  2002;  Dollar,  Kleineberg,  and  Kraay  2013).  We  do  so  because  previous  research  suggests  that  the  macroeconomic impact of climate change is likely to remain limited by 2030, and because we hypothesize  that  the  main  channel  from  climate  change  impacts  to  poverty  is  the  direct  impacts,  which  are  largely  invisible  in  macroeconomic  models  (chapter  1  of  the  Shock  Waves  report).  Second,  we  only  consider  a  subset of impacts, even within our  three sectors – for instance, we do  not include  the loss  of ecosystem  services and the nutritional quality of food.  10      Figure  3.  Our  model  for  estimating  the  number  of  people  in  poverty  due  to  climate  change.  A  schematic  to  represent  the  modeling undertaken to estimate the impact of climate change on extreme poverty in 2030 under different scenarios  of future development, and thus in worlds with different levels of exposure and vulnerability.     11    Food prices and food production  Impacts of climate change on agriculture affect poverty in two ways, first through prices and consumption,  and  second  through  farmers’  incomes.  Higher  food  prices  reduce  households’  available  income  –  especially  for  the  poor,  who  spend  a  large  share  of  their  income  on  food  products.  In  our  scenarios,  the  impact  depends  on  the  fraction  of  food  expenditure  in  total  expenditure,  and  this  fraction  decreases  as  households get richer. Food price changes also affect farmers’ incomes. However, this channel is complex  since lower yields (which are expected in many areas due to climate change) mean that higher food prices  do not necessarily translate into higher farmer revenues: the net effect depends on the balance between  changes in prices and quantities produced.   Table  4  Low‐impact  and  high‐impact  changes  in  the  agriculture  sector  due  to  climate  change  (RCP8.5)  in  2030  in  the  East  Asia  region.  Source:  GLOBIOM  model  (IIASA).  Bold  numbers  highlight  negative  impacts,  either  for  consumers  (with  higher  prices)  or  farmers (with lower revenues).  (a) Low‐impact climate change in East Asia  SSP  Socio‐ Price  difference  Corresponding  Corresponding  economic  (minimum  across  all  production difference  agriculture  revenue  scenario  GCMs)  difference  SSP4  Poverty  0.37%  ‐0.74%  ‐0.38%  SSP5  Prosperity  ‐0.13%  ‐0.75%  ‐0.88%    (b) High‐impact climate change in East Asia  SSP  Socio‐ Price  difference  Corresponding  Corresponding  economic  (minimum  across  all  production difference  agriculture  revenue  scenario  GCMs)  difference  SSP4  Poverty  3.4%  ‐3.2%  0.05%  SSP5  Prosperity  1.9%  ‐3.0%  ‐1.17%    Using  the  data  from  our  analysis  of  food  prices  and  production,  we  change  the  income  of  all  workers  in  the  agricultural  sector,  according  to  the  combination  of  changes  in  prices  and  in  the  quantities  that  are  produced  in  the  East  Asia  region  (see  Table  and  Rozenberg  and  Hallegatte,  2015,  for  details).  We  also  rescale the (real) income of all households, accounting for the change in food prices and the share of food  in  household  budget  (which  decreases  with  income).  The  impact  of  the  agriculture  channel  on  poverty  depends on the number of farmers in Vietnam, the income of these farmers, and the income of the entire  population (which affects the share of food in consumption).  Our results show that in Vietnam, in the poverty scenario, the number of people living below the extreme  poverty line in 2030 increases by 400,000 people because of climate change impacts on agriculture (in the  high‐impact scenario). And the number of people living with less than 4usd per day increases by 700,000  people ( Figure 4). Those numbers are possibly an underestimation of actual impacts because both climate  scenarios (low and high impact) assume that there is CO2 fertilization, which remains uncertain.   12    In the prosperity scenario, even though prices increase by 2% in the high impact scenario and agriculture  revenue  decreases  by  1.17%,  the  impact  on  poverty  is  nearly  inexistent,  because  households  are  less  vulnerable to food price increases and there are fewer unskilled farmers.  Natural disasters  To  account  for  climate  change  impacts  on  natural  disasters  by  2030,  we  assume  that  the  fraction  of  the  population  that  will  be  annually  affected3  by  a  disaster  (about  10%  of  the  population  in  Vietnam  today)  increases by 40 percent in the low impact case and by 120 percent in the high impact case, which is in the  range reported by (Bouwer, 2013; IPCC, 2014, 2012) for the expected rise in economic losses. Ultimately,  these numbers will depend on the effectiveness and timeliness of adaptation to new climate conditions.   In the low‐impact case, we assume that affected people lose 20 percent of their annual income if they are  poor and 10 percent if they are non‐poor; in the high‐impact case, the losses would be 30 percent for the  poor and 15 percent for the non‐poor.4 These numbers are in line with post‐disaster household surveys,  even though much higher values are often observed (Patankar 2015; Patankar and Patwardhan 2014; Noy  and Patel 2014; Carter et al. 2007). We also assume that natural disasters affect income only during one  year,  which  is  a  conservative  estimate  that  is  valid  for  small  disasters,  but  not  for  large  scale  events  like  Typhoon Yolanda in the Philippines or Hurricane Katrina in the United States.5  Our results show that for natural disasters, in the high impact scenario, the number of poor people rises  by 130,000 people in the poverty scenario, and the number of people below 4usd per day rises by 83,000  people. Here again, disasters have nearly no impact on poverty in the prosperity scenario ( Figure 4).  Health and high temperatures  We now include a set of additional impacts of climate change on health (malaria, diarrhea, and stunting),  based on the literature reviewed in chapter 4 in Shock Waves.   For  stunting,  we  include  the  additional  share  of  children  estimated  to  be  stunted  because  of  climate  change in 2030. Today in Vietnam 25 to 40% of children under 5 in the three poorest quintiles get stunted.  To factor in development, we use data from the Demographic and Health Surveys (DHS) by wealth quintile  to  explore  the  relationship  between  household  income  and  stunting.  We  find  that  the  prevalence  of  stunting  drops  for  families  whose  income  is  above  $8,000  per  year.  We  calculate  the  fraction  of  the  stunted  individuals  in  the  families  with  income  below  $8,000,  so  that  stunting  prevalence  is  consistent  with  data  for  the  current  situation.  Then,  we  increase  this  fraction  using  projections  from  (Hales  et  al.  2014) to account for climate change. We assume that stunted individuals have lifelong earnings reduced  by  5  percent  (low‐impact  scenario)  and  15  percent  (high‐impact  scenario),  regardless  of  employment  sector and skill level.                                                               3  We use the fraction of people who lose income. We cannot use data on the number of “affected persons” because  the  usual  definition  of  affected  is  much  broader  and  includes  people  who  do  not  lose  income  because  of  the  disasters.  4   Because  the  analysis  proposed  in  chapter  3  does  not  include  all  countries,  we  assume  that  poor  and  non‐poor  people are equally exposed to natural disasters.  5  Note that the impact of droughts on children through stunting is accounted for in the health impact category.   13    For  malaria,  we  increase  the  number  of  malaria  cases  in  2030  following  (Caminade  et  al.  2014).  As  with  stunting,  we  calculate  the  fraction  of  people  who  are  affected  by  malaria,  based  on  current  prevalence,  and we vary this fraction using estimates of future change due to climate change in various regions. Then,  based on the literature reviewed in chapter 4, we assume that these people are affected between 0.1 and  2  times  per  year,  and  lose  income  through  the  cost  of  treatment  (between  $0.7  and  $6  per  occurrence)  and  lost  days  of  work  (by  the  sick  or  caregivers,  between  1  and  5  days  per  occurrence).  Note  that  we  consider only the monetary expenses due to the disease and do not model non‐monetary effects (like the  cost of life or loss in well‐being from being sick), which would be important in a multidimensional analysis  of poverty.  In  Vietnam,  (Caminade  et  al.  2014)  actually  project  a  decrease  of  malaria  because  of  climate  change.  So  we  increase  the  income  of  people  who  would  have  been  affected  by  Malaria  in  the  absence  of  climate  change.  For  diarrhea,  we  start  from  data  on  the  number  of  cases  per  country  today,  the  cost  of  treatment  (between $2 and $4 per episode), and the number of days out of work (between 3 and 7 days for the sick  and  caregivers)  (Hutton,  Haller,  and  others  2004).  We  also  assume  that  the  prevalence  of  diarrhea  will  increase  by  10  percent  by  2030  because  of  climate  change,  using  results  from  (Kolstad  and  Johansson  2010).  In  Vietnam,  the  number  of  cases  per  year  is  around  80%  of  the  population,  so  it  is  increased  to  nearly 90% of the population in our scenarios.  To account for development, we use DHS data to explore the relationship between household income and  exposure to diarrhea. We find a threshold at $15,600 per year, and we assume that only households with  income below this level are affected by impact of climate change on diarrhea.   Further, we assume that fast progress in access to water and sanitation in the prosperity scenario would  halve the number of cases, which is consistent with a recent assessment in India (Andres et al. 2014). Of  course,  this  assumes  that  the  new  water  and  sanitation  infrastructure  can  continue  to  perform  well  in  2030  and  beyond  –  in  other  words,  that  development  has  been  climate‐informed.  For  that  to  occur,  the  uncertainty in climate projections would need to be accounted for in the design phase, as would the extra  funds  needed  to  invest  in  more  resilient  infrastructure  (possibly  factoring  in  safety  margins  and  retrofit  options) (Kalra et al. 2014).  We find that with high climate change impacts, in Vietnam, in the high‐impact case, 350,000 people would  be pushed into poverty in 2030 in the poverty scenario and 200,000 would be pushed below 4usd per day  ( Figure 4). However, in the prosperity scenario and in the low‐impact case, impacts are very small because  of the positive impact of malaria (actually, the average income of the bottom 40% slightly increases in the  low‐impact case, see Table 5).  As for the impact of high temperatures on labor productivity (also based on results presented in chapter  4  in  Shock  Waves),  we  assume  that  in  hot  countries,  people  working  outside  or  without  air  conditioning  will  lose  between  1  and  3  percent  in  labor  productivity  due  to  this  change  of  climate,  compared  with  a  baseline  with  no  climate  change.  To  assess  the  number  of  people  affected,  we  estimate  the  shares  of  people working outside or without air conditioning in the two socioeconomic scenarios. Our results show  14    that the temperature impacts of climate change are severe in the poverty scenario: 270,000 people would  be  pushed  into  poverty  in  2030  in  the  poverty  scenario,  and  700,000  would  be  pushed  below  4usd  per  day.  Total impacts  So how do these sectoral results add up in terms of climate change’s effect on future poverty trends? We  definitely  find  that  a  large  effect  on  poverty  is  possible,  even  though  our  analysis  is  partial  and  does  not  include  many  other  possible  impacts  (for  example  through  tourism,  energy  prices,  foreign  direct  investment, or remittances) and looks only at the short‐term (during which there will be small changes in  climate conditions compared with what unabated climate change could bring over the long‐term). Indeed,  our  overall  results  show  that  between  0  (in  the  prosperity  scenario  with  low  impact)  and  1.2  million  (in  the poverty scenario with high impact) additional people would be in poverty because of climate change.   Note that  the large range  of estimates in our results  – 0 to 1.2 million –  may incorrectly suggest that we  cannot say anything about the future impact of climate change on poverty. The reason for this rather wide  range is not just scientific uncertainty on climate change and its impacts. Instead, it is predominantly policy  choices  –  particularly  those  concerning  development  patterns  and  poverty  reduction  policies  between  now and 2030. While emission reduction policies cannot do much regarding the climate change that will  happen  between  now  and  2030  (since  that  is  mostly  the  result  of  past  emissions),  development  choices  can affect what the impact of that climate change will be.  In  the  prosperity  scenario,  the  lower  impact  of  climate  change  on  poverty  comes  from  a  reduced  vulnerability of Vietnam to climate change compared to the poverty scenario. This reduced vulnerability,  in turn, stems from several channels.   People are richer and fewer households live with a daily income close to the poverty line. Better‐ off people are less exposed to health shocks (such as stunting and diarrhea) and are less likely to  be pushed into poverty when hit by a shock.   The global population is smaller in the prosperity scenario in 2030, by 2 percent globally, 4 percent  in  the  developing  world,  and  10  to  20  percent  in  most  African  countries.  This  difference  in  population  makes  it  easier  for  global  food  production  to  meet  demand,  thereby  mitigating  the  impact  of  climate  change  on  global  food  prices.  The  prosperity  scenario  also  assumes  more  technology transfers to developing countries, which further mitigates agricultural losses.   There  is  more  structural  change  (involving  shifts  from  unskilled  agricultural  jobs  to  skilled  manufacturing  and  service  jobs),  so  fewer  workers  are  vulnerable  to  the  negative  impacts  of  climate  change  on  yields.  In  the  prosperity  scenario,  a  more  balanced  economy  and  better  governance  mean  that  farmers  capture  a  larger  share  of  the  income  benefits  from  higher  food  prices.       15     (a)   (b)    Figure 4 Climate change impacts on the number of people living below the extreme poverty threshold (panel a) and with less than  4usd per day (panel b) in 2030 in Vietnam    Up to 2030, climate change remains a secondary driver of global poverty compared to development: the  difference  across  reference  scenarios  due  to  socioeconomic  trends  and  policies  (that  is,  the  difference  between the poverty and prosperity scenarios in the absence of climate change) is 2.7 million people.   Shared prosperity  When looking at impacts on the income of the bottom 40% and on GDP (Table 5), the story is somewhat  different.  First,  most  of  the  uncertainty  comes  from  the  uncertainty  on  climate  impacts  and  not  on  development  choices.  Even  though  the  impact  on  the  bottom  40%  is  still  higher  in  the  poverty  scenario  (4.3%  loss)  than  in  the  prosperity  scenario  (2.5%  loss),  the  difference  between  the  high  impact  case  and  low impact case is higher than the difference between poverty and prosperity. And for GDP, impacts are  16    around  2%  in  the  high  impact  case  and  around  0.6%  in  the  low  impact  case,  in  both  the  poverty  and  prosperity scenarios.  Note that these impacts on GDP come from a bottom‐up approach and do not replace macro perspectives.  For  instance,  our  household  approach  misses  the  richest  households  (who  are  often  absent  from  the  surveys)  and  not  capture  general  equilibrium  effects.  However,  it  brings  complementary  and  new  information  to  traditional  macroeconomic  approaches.  Aggregate  numbers  can  indeed  be  misleading  because they can the impacts of climate change on poverty. They also hide the fact that rapid and inclusive  development can dramatically reduce the impacts of climate change on poor people while having limited  effect on climate impacts on total income.  Table 5 Climate change impacts on the average income of the bottom 40% (panel a) and GDP (panel b) in Vietnam in 2030.  (a) Difference in the income of the bottom 40% in % (low‐impact/high impact)    Agriculture  Disasters  Health  Temperature  Total  Poverty  ‐0.42/‐1.8  ‐0.07/‐0.37  ‐0.42/‐1.1  ‐0.39/‐1.2  ‐1.2/‐4.3  scenario  Prosperity  ‐0.12/‐0.96  ‐0.06/‐0.19  ‐0.09/‐0.1  ‐0.43/‐1.3  ‐0.52/‐2.5  scenario    (b) Difference in GDP in % (low‐impact/high impact)    Agriculture  Disasters  Health  Temperature  Total  Poverty  ‐0.12/‐0.82  ‐0.07/‐0.25  ‐0.11/‐0.29  ‐0.31/‐0.94  ‐0.61/‐2.3  scenario  Prosperity  ‐0.1/‐0.77  ‐0.08/‐0.26  ‐0.06/‐0.17  ‐0.41/‐1.2  ‐0.65/‐2.4  scenario      17    Figure 5 Impacts on shared prosperity and GDP in the poverty/high impact scenario  Coming  back  to  the  hundreds  of  scenarios:  which  socioeconomic  conditions  lead  to  the  highest  climate change impacts?  Finally, in order to check the sensitivity of our climate change impact results to socioeconomic conditions,  we  run  the  high  impact  scenario  in  the  hundreds  of  baselines  previously  run.  We  find  that  with  the  high  impact  scenario,  climate  change  leads  to  between  a  few  hundreds  to  1.2  million  additional  people  in  extreme poverty depending on the baseline. These numbers show that our two representative scenarios  where  the  extremes  in  terms  of  sensitivity  to  climate  change.  Among  the  hundreds  of  scenarios,  25%  of  them have more than 400 000 additional people in extreme poverty because of climate change.  We then run the scenario discovery again, in order to explain the common characteristics of the scenarios  that have more than 400,000 additional people into poverty because of climate change. We find that 70%  of those scenarios have a high population growth (SSP4 scenario), a low productivity growth for unskilled  agriculture workers (less than 3% per year), a relatively high share of jobs in agriculture (more than 33%)  and low redistribution levels (less than 12% of GDP). These criteria are very similar to the criteria that led  to high poverty and high inequalities in the baseline scenarios, so it is not surprising that we chose one of  the  worst  scenarios  in  terms  of  impacts  when  we  chose  the  pessimistic  baseline  scenario.  These  results  show  that  in  Vietnam,  since  the  drivers  of  poverty  are  also  the  drivers  of  climate  change  impacts  on  poverty, poverty reduction efforts are a good adaptation policy.  What messages should we take away from all of these results?  First,  the  quantitative  impacts  of  climate  change  on  poverty  in  Vietnam  are  uncertain,  but  could  be  significant, even over the relatively short‐term. It is true that our analysis does not cover all climate change  impacts (like those on ecosystem services), yet we still find that more than 1 million people may be pushed  into poverty because of climate change impacts in Vietnam.   Second,  most  of  the  uncertainty  surrounding  these  impacts  comes  from  development  choices  made  between  now  and  2030  in  Vietnam,  and  can  therefore  be  actively  reduced  by  implementing  the  right  policies. The quantitative impacts of climate change on poverty are much smaller if socioeconomic trends  and  policies  ensure  that  development  is  rapid,  inclusive,  and  climate‐informed,  than  if  extreme  poverty  persists  even  without  climate  change.  Development  policies  supporting  high  growth,  in  particular  in  agriculture,  structural  changes,  expansion  of  social  protection  like  health  insurance,  expansion  of  access  to clean water and sanitation, and education, are good adaptation policies that will ensure climate change  does not hurt poor people by 2030 in Vietnam.  References  Andres, Luis, Bertha Briceño, Claire Chase, and Juan A. Echenique. 2014. “Sanitation and Externalities:  Evidence from Early Childhood Health in Rural India.” World Bank Policy Research Working  Paper, no. 6737. http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2375456.  Bourguignon, François, Francisco HG Ferreira, and Nora Lustig. 2005. The Microeconomics of Income  Distribution Dynamics in East Asia and Latin America. World Bank Publications.  18    Bouwer, Laurens M. 2013. “Projections of Future Extreme Weather Losses under Changes in Climate and  Exposure.” Risk Analysis 33 (5): 915–30.  Bryant, Benjamin P., and Robert J. Lempert. 2010. “Thinking inside the Box: A Participatory, Computer‐ Assisted Approach to Scenario Discovery.” Technological Forecasting and Social Change 77 (1):  34–49.  Bussolo, Maurizio, Rafael De Hoyos, Denis Medvedev, and others. 2008. “Economic Growth and Income  Distribution: Linking Macroeconomic Models with Household Survey Data at the Global Level.”  In International Association for Research in Income and Wealth (IARIW) 30th General  Conference, Portoroz, Slovenia, August, 24–30.  http://siteresources.worldbank.org/INTPROSPECTS/Resources/334934‐ 1225141925900/Buss%26DeH%26Med2008LinkingHHSurveyDataIARIW.pdf.  Caminade, Cyril, Sari Kovats, Joacim Rocklov, Adrian M. Tompkins, Andrew P. Morse, Felipe J. Colón‐ González, Hans Stenlund, Pim Martens, and Simon J. Lloyd. 2014. “Impact of Climate Change on  Global Malaria Distribution.” Proceedings of the National Academy of Sciences 111 (9): 3286–91.  doi:10.1073/pnas.1302089111.  Carter, Michael R., Peter D. Little, Tewodaj Mogues, and Workneh Negatu. 2007. “Poverty Traps and  Natural Disasters in Ethiopia and Honduras.” World Development 35 (5): 835–56.  doi:10.1016/j.worlddev.2006.09.010.  Dollar, David, Tatjana Kleineberg, and Aart Kraay. 2013. “Growth Still Is Good for the Poor.” World Bank  Policy Research Working Paper 6568.  Dollar, David, and Aart Kraay. 2002. “Growth Is Good for the Poor.” Journal of Economic Growth 7 (3):  195–225. doi:10.1023/A:1020139631000.  Edenhofer, Ottmar, and Jan Minx. 2014. “Mapmakers and Navigators, Facts and Values.” Science 345  (6192): 37–38.  Hales, Simon, Sari Kovats, Simon Lloyd, and Diarmid Campbell‐Lendrum. 2014. “Quantitative Risk  Assessment of the Effects of Climate Change on Selected Causes of Death, 2030s and 2050s.”  World Health Organization. http://www.who.int/globalchange/publications/quantitative‐risk‐ assessment/en/.  Hallegatte, Stephane, Valentin Przyluski, and Adrien Vogt‐Schilb. 2011. “Building World Narratives for  Climate Change Impact, Adaptation and Vulnerability Analyses.” Nature Climate Change 1 (3):  151–55.  Hutton, Guy, Laurence Haller, and others. 2004. Evaluation of the Costs and Benefits of Water and  Sanitation Improvements at the Global Level. Water, Sanitation, and Health, Protection of the  Human Environment, World Health Organization.  http://wwwlive.who.int/entity/water_sanitation_health/wsh0404.pdf.  IPCC. 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation:  Special Report of the Intergovernmental Panel on Climate Change. Cambridge University Press.  ———. 2014. Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral  Aspects. Contribution of Working Group II to the Fifth Assessment Report of the  Intergovernmental Panel on Climate Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach,  M.D. Mastrandrea, T.E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S.  Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea, and L.L. White (eds.)]. Cambridge, United  Kingdom and New York, NY, USA: Cambridge University Press.  Kalra, Nidhi, Stuart Gill, Stephane Hallegatte, Casey Brown, Adrian Fozzard, Robert Lempert, and Ankur  Shah. 2014. “Agreeing on Robust Decisions : New Processes for Decision Making under Deep  Uncertainty.” WPS6906. The World Bank.  http://documents.worldbank.org/curated/en/2014/06/19616379/agreeing‐robust‐decisions‐ new‐processes‐decision‐making‐under‐deep‐uncertainty.  19    Kolstad, Erik W., and Kjell Arne Johansson. 2010. “Uncertainties Associated with Quantifying Climate  Change Impacts on Human Health: A Case Study for Diarrhea.” Environmental Health  Perspectives 119 (3): 299–305.  Kriegler, Elmar, Brian C. O’Neill, Stephane Hallegatte, Tom Kram, Robert J. Lempert, Richard H. Moss,  and Thomas Wilbanks. n.d. “The Need for and Use of Socio‐Economic Scenarios for Climate  Change Analysis: A New Approach Based on Shared Socio‐Economic Pathways.” Global  Environmental Change. doi:10.1016/j.gloenvcha.2012.05.005.  McMillan, Margaret S., and Dani Rodrik. 2011. “Globalization, Structural Change and Productivity  Growth.” w17143. National Bureau of Economic Research.  http://www.nber.org/papers/w17143.  Noy, Ilan, and Pooja Patel. 2014. “Floods and Spillovers: Households after the 2011 Great Flood in  Thailand.” Working Paper Series 3609. Victoria University of Wellington, School of Economics  and Finance. https://ideas.repec.org/p/vuw/vuwecf/3609.html.  Olivieri, Sergio, Sergiy Radyakin, Stanislav Kolenikov, Michael Lokshin, Ambar Narayan, and Carolina  Sanchez‐Paramo. 2014. Simulating Distributional Impacts of Macro‐Dynamics: Theory and  Practical Applications. World Bank Publications.  O’Neill, Brian C., Elmar Kriegler, Keywan Riahi, Kristie L. Ebi, Stephane Hallegatte, Timothy R. Carter, Ritu  Mathur, and Detlef P. van Vuuren. 2013. “A New Scenario Framework for Climate Change  Research: The Concept of Shared Socioeconomic Pathways.” Climatic Change 122 (3): 387–400.  doi:10.1007/s10584‐013‐0905‐2.  Patankar, Archana. 2015. “The Exposure, Vulnerability and Adaptive Capacity of Households to Floods in  Mumbai,” World Bank Policy Research Working Paper No. 7481, .  Patankar, Archana, and Anand Patwardhan. 2014. “Estimating the Uninsured Losses due to Extreme  Weather Events and Implications for Informal Sector Vulnerability: A Case Study of Mumbai,  India,” Forthcoming in Nat Hazards, .  Rozenberg, Julie, and Stephane Hallegatte. 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, .  World Bank. 2013. “Risk and Opportunity ‐ Managing Risk for Development.” World Development  Report. The World Bank.    20