技术附件
技术附件1 根据灾后需求评估计算损害和损失
灾后需求评估结果已公布在网上，可从防灾网（PreventionWeb）av、救济网（ReliefWeb）aw、全球减灾和灾后恢复基金ax和世界银行ay的网站下载。本报告所采用数据的时间跨度为2007年至2022年。
具体而言，数据来自于七个区域和次区域的60个国家开展的88次灾后评估活动，包括：非洲30次、亚洲24次、加勒比10次、东欧8次、近东1次、大洋洲10次、南美洲5次。这些数据涵盖八类危害：旋风4次、干旱7次、地震9次、洪水32次、多重危害6次（包括1次拉尼娜）、风暴23次、海啸1次、火山活动3次。这批评估涉及多种类型，主要是损害和损失及需求评估、灾后需求评估、快速损害和需求评估。
灾后需求评估按经济部门估算损害和损失，以便比较灾害对不同经济部门的影响。所有报告的损害和损失值都按世界银行消费者价格指数数据，从当前美元或当地货币单位换算为2017年美元值。
为估算各类灾害造成的农业损失总额，报告的损害和损失值按危害类别进行汇总。报告的工业事故并不涉及对农业部门的影响，因此并未作为一个类别显示在结果中。
农业损失在生产性部门损失中所占份额，即所有灾后需求评估所报告的农业损害和损失除以所有灾后需求评估按灾害类别所报告的所有生产性部门（包括农业、工业、商业和贸易、旅游业）的总损害和损失。
同样，农业损失额在损失总额中所占份额的计算方法是，用所有灾后需求评估所报告的农业损害和损失除以所有灾后需求评估按灾害类别所报告的所有损害和损失。
其中50次灾后需求评估对所报告的损害和损失按子部门进行了分列，占样本的56%。对于这一子样本，以2017年美元为单位对农业各子部门的损害和损失进行了汇总，计算出各子部分所占份额。
技术附件2 根据二手数据估算全球损失
估算1991年至2021年灾害对种植业和畜牧业造成的损失时，依据的是灾害年份的虚拟生产情境，将其与报告的产量进行比较，以评估灾害的影响。
数据来源
估算模型不同参数时共采用了四个数据源。
- 灾害数据：灾害发生情况来自国际灾害数据库（EM-DAT），该数据库关于历史灾害事件的数据最为全面。入选该数据库的灾害符合以下标准之一：10人或以上死亡、100人或以上受伤、宣布进入紧急状态或呼吁国际援助。该数据库包括小型、中型和大型各种规模的灾害事件，按以下危害类别分类：风暴、洪水、干旱、极端温度、虫害、野火、地震、滑坡、块体运动和火山活动。1991年至2021年，全球共发生了10190起灾害事件。
- 生产和价格数据：197个国家或地区的年度总产量、单产、种植面积、牲畜头数和价格数据来自粮农组织统计数据库。共分析了186种商品，分为以下11个商品组：谷物、豆类、咖啡、茶叶、可可和香料作物、水果和坚果、油料、块根类、糖料作物、烟草、橡胶和纤维作物、蔬菜以及肉和肉制品、奶类、蛋类等主要畜产品。
- 美国农业部检索到的1991年至2020年农业全要素生产率数据。
灾害年份的虚拟情境产量即假设未发生灾害的产量。以粮农组织统计数据库中按国家分列的1.27万多种商品的单产时间序列数据为基础推导出单产数值。灾害年份的单产数值用基于EM-DAT报告的灾害事件的虚拟数据代替。
分析主要采用矩阵列表，其中包含单产时间序列，从中分离出非灾害年份的报告值和灾害年份的单产数值，即单产（j,t,i·d），其中j为国家或地区，t为年份（1991-2021年），i为商品，d=0为非灾害年份。根据每个时间序列非灾害年份的数量，采用三种插值方法来计算灾害年份的虚拟单产。
- 对于在1991年至2021年期间连续五年未发生灾害的时间序列，即58%的样本，缺失的单产数值通过插入非灾害年份的单产来估算。此项计算采用卡尔曼平滑法拟合最大似然的结构模型进行。结构模型将时间序列分解为状态空间模型分量，首先通过单产变量的测量方程定义状态向量α：
其中α是维数为m个状态变量的向量 (m x 1)，Ft 和 St是维数为N x m和N x r的固定系数矩阵，r是扰动向量的维数，εt是具有零均值和协方差矩阵Vε的 r x 1向量。
状态向量可以用状态方程描述如下：
其中Gt是m x m矩阵，Rt是固定系数的 m x g 矩阵，g是扰动向量的维数，ηt是平均零和协方差矩阵Wη的 g x 1向量。
递归卡尔曼滤波器允许使用以下方程以迭代方式测算模型：
卡尔曼增益(Kt)平衡了过去观测值和新信息之间的不确定性。如果过去的观测并不确定，Kt会倾向于赋予新信息更大权重。如果观测变量和估计变量之间的差异不稳定，Kt接近零。
•对于1991年至2021年期间无灾害时间少于五年的时间序列：
- 估算基于国家聚类，适用于39%的样本。在分析农业全要素生产率增长和所有产品单产水平因素的基础上，进行动态时间归整，将所有国家分为20组，采用霍普金斯统计法评估数据的聚类趋势。244对197个国家的196个变量进行因子分析，然后对得到的10个主成分进行主成分层次聚类。再采用沃德标准，对各国进行渐进分组，而对应下列方程的最后一项的惯性增长被最小化，以形成可能的最同质聚类:
v是聚类c国家j变量k的值，来自于10个主成分变量。
对于每个聚类c中的每项产品i和每个年份t，计算平均年单产变化率：
其中Nc是每个聚类c中的国家数量。
从1990年开始，将变化率应用于每个国家和每项产品的单产，得出1991年至2021年的虚拟时间序列。随后估算年份t国家j产品i的虚拟单产，计算公式如下：
- 聚类中的观测对象只有五个国家（中国、圭亚那、墨西哥、秘鲁和乌兹别克斯坦）。对这些国家采用基于全要素生产率和滞后单产的普通最小二乘回归模型进行测算，公式如下：
yieldijt是产品i在国家j和时间t的单产 agTFPjt是国家j在时间t的农业全要素生产率
uijt 是误差项
通过估算的预测因子计算虚拟单产时间序列，如下所示：
- 估算基于国家聚类，适用于39%的样本。在分析农业全要素生产率增长和所有产品单产水平因素的基础上，进行动态时间归整，将所有国家分为20组，采用霍普金斯统计法评估数据的聚类趋势。244对197个国家的196个变量进行因子分析，然后对得到的10个主成分进行主成分层次聚类。再采用沃德标准，对各国进行渐进分组，而对应下列方程的最后一项的惯性增长被最小化，以形成可能的最同质聚类:
估算出虚拟单产后，再通过估算的虚拟单产和粮农组织统计数据库所报告的单产数值之间的差异来计算单产偏差。
为找出非灾害相关影响造成的差异，并消除单产变化中的背景噪声，按国家和产品计算零分布。对1万个模拟灾害矩阵进行了模拟，以得出单产偏差估计值的分布。分布中低于5%四分位数的单产偏差从估算损失中移除。
从单产损失到产量损失，用特定年份的单产乘以收获公顷数、肉用畜禽屠宰数量或产蛋或产奶畜禽数量。
用公吨数乘以粮农组织统计数据库中的生产者价格，以2017年购买力平价美元计价，则可以得出产量损失的价值。处理20世纪90年代早期的时间序列难度颇大，这是由于当时的价格报告工作不如现在可靠。如果没有国家价格数据，则采用次区域中值、区域中值或世界中值（12%的样本缺失价格）。本地价格比世界中值高三倍时，采用世界中值。
技术附件2A 将损失归因于灾害事件
估算每个国家每年的损失，并按产品分列。然而，85%的灾害年份被认为发生了多重灾害。为了将这些损失归因于同一年发生的不同灾害，采用了混合效应回归模型，将每个国家每年每项产品的正产量损失作为因变量，将年份和每种灾害的数量作为固定效应，将产品和国家作为随机效应，如下所示：
其中，yijt为国家j产品i在年份t的产量损失；βi是固定效应参数；xt是年份t，为1991年至2021年中的某一年；x2jt是国家j年份t的干旱次数；x3jt是国家j年份t的洪水次数；x4jt是国家j年份t的风暴次数；x5jt是国家j年份t的地震次数；x6jt是国家j年份t的极端温度次数；x7jt是国家j年份t的的滑坡次数；x8jt是国家j年份t的野火次数；yi是产品i的随机效应；yj是国家j的随机效应；εijt是残差，独立且正态分布。该模型的参数采用限制最大似然测算。
在EM-DAT数据库中，由于与其他类型的事件相比，虫害、块体运动和火山爆发的观测项太少（分别为38、19和151），因此在归因分析中将其删除。但采用技术附件2中的虚拟模型估算损失时，则包含了这几类灾害的损失。每类事件的参数被用作权重，将每年每个国家每项产品的产量损失归因于该年该国发生的每种类型的灾害，如下所示：
其中，wdt是d类灾害在国家j年份t的权重； βd是d类灾害的模型（1）参数；Xdjt是d类灾害在国家j年份t的数量。因此国家j产品i在年份t因d类灾害造成的损失计算如下：
其中Lijt是产品i在国家j年份t的损失总值。
将这些损失按产品、国家和年份相加，就得出按灾害类型分列的损失总值：
然后除以该类灾害的总数，得出每类灾害的平均损失：
最后，计算每种灾害类型的每次灾害平均损失ad，即所有类型灾害平均损失总值的百分比pd：
技术附件3 气候归因数据和方法
四个案例（阿根廷大豆单产、哈萨克斯坦和摩洛哥小麦单产、南非玉米单产）的详细信息已发表在配套的补充技术论文中。本节介绍第3.1节中采用的数据和方法。
此处介绍的归因结果通过比较观测到的单产记录与估算的虚拟和实际作物单产分布后得出。实际单产指模拟气候实际演变的单产，而虚拟单产指模拟没有温室气体增加和其他人为气候胁迫因素的气候条件下的单产。为此，我们建立了一个多变量的作物产量统计模型，该模型基于完整记录中观测到的作物单产数据 245和观测到的气候数据（20CRv3–W5E5）。246,247
这种建模方法可普遍适用于案例所涉各个国家和作物。为此，基于专家的判断，选定了一组潜在相关的气候指数（表8），考量的因素包括生物物理因素、作物统计建模经验和相关文献。248,249,250利用现有网格气候数据中的最高产量（1.4 x 1.4度分辨率），针对特定次区域和作物的生长季节计算这些指标。从所有数据（观测的气候指标和作物单产）中，针对非线性趋势提取异常，以说明农业管理方法的变化（如施肥）所产生的混杂影响。然后，通过类似于Laudien等人的两步法选择用于线性回归模型的变量。251首先，找到与单产数据有较高相关性的变量，并剔除与之相关度为+/-0.7或更高的变量，以消除回归变量之间的相互依赖性。缩减后的变量池被传递到Lasso回归中，筛选出最多五个能最好地解释单产数据的变量。线性拟合给出模型参数，并执行样本外验证。
表 8 用于作物统计建模的气候指数库，随后根据独立性和解释能力进行缩减
随后将单产统计模型应用于一组实际和虚拟气候数据，这些数据取自耦合模型比对项目第6阶段（CMIP6）的探测和归因模型比对项目（DAMIP）252部分。对气候胁迫因素的历史变化进行了一系列历史模拟，包括人为因素（温室气体、臭氧、气溶胶、土地利用等）和自然因素（太阳辐照度、火山气溶胶），并将人为因素保持在工业化前的水平，对仅包括自然因素的历史变化进行一系列模拟（hist–NAT）。DAMIP唯一具有每日数据的大型集合可提供50个历史模拟和50个hist–NAT模拟，为此还采用ISIMIP3方法（v3.0.2）对气候跨学科研究模型第六版（MIROC6）253进行了偏差校正。254模型评估255,256显示，除了气候影响模型研究中普遍接受的偏差之外，没有明显的偏差。特别是对于案例所涉地区，模型能很好地表现哈萨克斯坦北部的降水情况，257对于摩洛哥的降水情况也是如此，至少在我们感兴趣的摩洛哥沿海和北部258是如此。这一模型的早期版本之前也曾被用于生成影响归因研究数据集，259,260其中包括农业。261,262
MIROC6的平衡气候敏感性（ECS）和瞬态气候响应（TCR）为2.60°C和1.58°C，位于CMIP6区间的低端，CMIP6区间为3.78°C+/-1.12°C（ECS）和1.98°C+/-0.48°C（TCR）（中位数+/-一个标准偏差）。263更重要的是，这符合政府间气候变化专门委员会的平衡气候敏感性2.5°C至5.1°C的区间（中心值：3.4°C；极有可能的区间：2.1°C至7.7°C），而根据对多条实证的评估，气候变化专门委员会的数值是迄今为止的最佳估算值。这略低于测算的1.6°C至2.7°C的可能区间（中心值：2.0°C），但仍处于1.3°C至3.1°C的极有可能区间之内。该模型的总气溶胶有效辐射作用力为-0.99W/m2 ，处于CMIP6的-1.23 W/m2 +/- 0.48 W/m2 范围之内（中位数+/-5-95%置信区间），也处于气候变化专门委员会测算的-2.0W/m2 至-0.6W/m2 区间之内 （中心值： –1.3 W/m2）（中等置信度）。264总之，这些数字意味着模型对温室气体和其他胁迫因素的应答是可信的。全球温度位于应答区间低端进一步表明，获得的归因结果可能偏低而不是偏高，这意味着估算结果相对保守。
在两次实验中，50项模拟在内部气候变异方面彼此不同，即每项模拟实现的天气都各不相同，共同构成了有和没有温室气体和其他人为气候胁迫因素的气候图。实际气候模型数据的处理方式与观测气候数据的处理方式相同。虚拟气候模型数据也用类似方法处理，只是在基于百分位数的阈值中，用于计算指数的阈值取自相应的实际气候数据。同样，计算虚拟指数的异常值时，采用的是相应的实际数据，而不是虚拟数据中的非线性趋势。采用从观测得到的统计模型中选择的变量和模型参数，得出实际单产和虚拟单产的分布。
技术附件4 关于效益成本分析计算方法的说明
本说明旨在介绍第4部分有关效益成本分析的一节中采用的不同计算方法，并展示防控沙漠蝗灾采用的三种方法如何相辅相成地助力增强韧性，这三种方法分别是预防/减少灾害风险、前瞻型行动和基于风险的行动（预防和前瞻型行动相结合）。粮农组织开发了各种方法对其一系列项目进行评估，以计算在农场层面实施减灾良好做法和前瞻型行动干预的效益。虽然这些方法仍在完善中，以便适用于更多项目活动，但其步骤和结构已经成形，可以体现粮农组织如何通过分析效益成本，对在农场层面实施减灾良好做法和前瞻型行动干预措施进行评估。
第1节：以粮农组织2019年出版物《在农场层面减少灾害风险：多重惠益，不留遗憾》为基础评估减少灾害和气候风险良好做法所产生效益的方法
概要：效益成本分析根据每个季节收集的农场层面一手原始数据，计算并比较推荐的农业（种植业、畜牧业、渔业和林业）减灾良好做法和当地现有做法的效益和成本。在各农场，减灾良好做法和当地现有做法分别在相邻地块实施，并进行监测。监测期间未受危害影响的地块为无危害情境，而监测期间受危害影响的地块为危害情境。为了进行效益成本分析收集的农场层面数据包括成本数据（投入品、劳动力、维护和资金成本）和效益数据（生产总值）。效益成本分析选定一个时间段进行观测，比较推荐的减灾良好做法和当地现有做法的净投资回报，即净效益，随后将其推导至更长时间段（此处是 11年）。
评估减少灾害和气候风险良好做法的效益时，流程分为三步：收集数据、实地评估和推广分析。
第1步：收集数据
第一步是收集特定基准数据，包括对背景情况的书面检索，了解目标村庄、农户及其农业生产活动情况以及过去五年中影响他们的危害、极端天气事件和灾害相关信息。由一个专家团队挑选出待分析的减灾做法，同时在当地生态农业区的基础上挑选出最初预选地点和参与研究的村庄。这些信息随后要经过验证，包括确定有兴趣参与实地评估的农户。
参与研究的农民的入选土地被分为两类，一类用于测试创新性减灾良好做法，另一类则作为对照地块，即原先采用的耕作做法保持不变。在某些情况下，由于土地不够或土地上种植的是多年生作物，则在邻近场地选定对照地块，场地条件与测试减灾做法的地块相同，以确保传统做法和良好做法的测试条件相同。
首先对测试地块和对照地块在非危害年份（未发生灾害）的表现进行逐季分析，并与危害条件下（发生一次或多次危害）的表现进行比较，以确定减灾做法：
- 在危害条件下表现最佳；
- 在非危害条件下表现至少不亚于原先采用的传统农艺做法。
第2步：通过效益成本分析进行实地评估
第二步是开始效益成本分析，定量评估在危害和非危害条件下与原先采用的做法相比，新的减灾做法产生的净效益（可行性和有效性）。效益成本分析包括在危害和非危害条件下，以货币价值的形式，确定实施良好做法和传统做法各自的成本、额外收益和所避免的成本。对于未定价的商品或服务，如家庭内部劳动力或公用水源，则用市场同类商品的价格替代估值。表9显示，成本和效益的类型因做法类型而异。
表 9 成本和效益
效益成本比可用于对各种做法进行比较，并表明成本与效益之间的关系，表示为效益的贴现现值与成本的贴现现值之比。
还可以通过计算良好做法和原先采用的或惯常的做法的净现值来评估净收益，然后对其进行比较，以评估良好做法带来的额外收益（如提高生产率）以及所避免的损害和损失。评估期为11年，采用10%的贴现率，并进行5%和15%的敏感性测试。总体而言，一方面，正净现值表明在评估期内收益现值超过了成本现值。另一方面，负净现值表明前期和运营成本无法通过长期积累收益完全收回。若某项做法净现值较高，则被视为能带来更大收益。
除了实地评估的定量分析外，还对农民感受到的良好做法的社会和环境综合效益进行了定性分析。这些信息通过半结构化访谈收集，可行的情况下也开展了焦点小组讨论。访谈和讨论的内容涵盖该做法的社会经济可行性、可持续性以及相关的社会和环境效益。这些效益包括减少脆弱性、增加收入和生计机会、缓解灾害期间和灾后临时粮食短缺问题的潜力以及改善营养。访谈还探讨了这些效益是否有助于减轻对环境的不利影响。通过这种方式，研究对额外收益、始料未及的影响和障碍进行了定性分析和评估。而如果仅进行定量评估，这些信息可能不会为人所知。
第3步：推广分析
第三步是粮农组织2019年开展的研究的一部分，即对选定的良好做法的推广潜力进行评估。为此，通过系统动态方法定制模拟模型，用于模拟推广三种非常有潜力的良好做法的潜在影响。通过系统动态方法，生物物理变量可以被纳入货币模型，反之亦然。这有助于在关键因果关系和各项指标之间的反馈回路，更好地了解复杂的系统在一段时间内的动态非线性行为。所开发的模拟模型以实地评估的结果为基础，还考虑到了特定背景下的潜在障碍（如农业生态和社会经济制约因素）。
针对两种主要情境建立了模拟模型：（1）良好做法推广情境，假设被评估的减灾良好做法被农民广泛采用；（2）“ 一切照旧”情境，在为期11年的模拟期内，仅采用原先的做法，不采用任何其他减灾良好做法。此外，还模拟了三种危害频率：（1）低频率，假设危害每三年发生一次；（2）中高频率，假设危害每两年发生一次；（3）高频率，假设危害每年都会发生。
第2节：前瞻型行动效益成本分析方法
本说明介绍可用于对实施前瞻型行动干预措施进行效益成本分析的计算方法。粮农组织已制定了框架，用于计算一系列项目中前瞻型行动干预措施的直接效益。虽然这些方法仍在完善之中，以便能适用于更多项目活动，但其步骤和结构已经成形，可以帮助人们概要了解粮农组织针对前瞻型行动的效益成本分析步骤和结构。
效益成本分析的主要产物是前瞻型行动干预措施的效益成本比。效益成本比可衡量前瞻型行动产生的直接效益与设计和实施前瞻型行动的成本之间的比率，全部以现值表示。因此，效益成本比可以简明扼要地反映为预防或减轻危害对相关社区生计的影响，在预测危害即将发生之前采取行动所带来的价值。为此，粮农组织通过与受益农户和对照农户进行结构化访谈收集定量数据，两个样本之间的对比有助于了解前瞻型行动干预的结果，随后按照一系列公式计算干预带来的额外收益和所避免的损失。计算前瞻型行动效益成本比的关键步骤如下。
第1步：收集数据
前瞻型行动项目的效益成本分析基于在农户层面收集的受益样本和对照样本一手数据。两个样本群体之间的差异是计算收益的基础。
为确保所收集数据的准确性，需要实施几项措施：
收集受益组和对照组的样本，并根据若干社会、人口统计和经济特征进行分层，以确保对照组和样本人群情况尽可能接近，从而避免数据收集中可能扭曲结果的任何偏差。通过统计学测试以确认样本的可比性。
妥善安排数据收集时间，以确保收集到最准确的数据，正在实施的各类干预措施也被纳入考虑范围，要足以代表项目成果。
在计算之前，对数据进行核查，以评估任何可能由调查人员人为引起的数据不准确问题。尽早评估这些问题可以极大提高分析质量，移除或限制可能妨碍分析的数据收集误差。
第2步：计算干预措施的成本
评估受益农户实施干预措施的平均成本，是计算前瞻型行动的效益成本比的一个基本步骤。与所分析的活动相关的所有成本都需纳入在内，包括直接成本（如采购物资）、物流、管理和其他支持成本。根据粮农组织财务报告系统实地项目管理信息系统（FPMIS）所报告的支出明细，可计算出项目成本。
所考虑的成本分为两类：
项目成本，包括采购物品、物流和与执行伙伴所签订协议的费用；
支持成本，即实施项目的日常支出，包括行政管理、实地监测、业务执行费用和技术支持服务等。
第3步：计算前瞻型行动的效益
效益成本分析仅考虑前瞻型行动的直接收益，即粮农组织援助直接产生的收益。
应该分析两类直接收益：
额外收益：由于及早采取行动，使农业产量或农业产值有所增加；
所避免的损失：由于及早采取行动，避免或减少了危害对农业资产和/或生产遭受的损害和损失。
通过分析受益组和对照组之间结果变量的差异来计算收益，并进行统计学测试，以评估观测到的差异是否具有显著性。
重要的是，还通过焦点小组讨论和对关键人员进行访谈收集定性数据，并进行分析，以深入了解受灾社区的感受。对定量结果进行多方比对，评估将预警与前瞻型行动联系起来的决策和业务程序的优缺点，深入总结经验以改进未来的项目设计。
实例：计算所避免动物死亡相关损失的方法
本实例介绍如何计算所避免的动物死亡相关损失额。
计算每户拥有的山羊总数，包括项目干预开始前拥有的山羊，加上项目期间购买的山羊。
将报告的因干旱死亡的山羊数量除以拥有的山羊总数，计算每个农户的山羊死亡率（MR）：
计算全部受益样本和全部对照样本的山羊平均死亡率。注：计算平均山羊死亡率时，未养殖山羊的农户不应包括在内。
计算受益样本和对照样本之间平均山羊死亡率的差异。
计算整个项目期间额外存活（或死亡）的山羊总数。乘以受益农户拥有的山羊总数。
采用项目实施期间山羊的平均市场价格，计算整个项目期间额外存活（或死亡）的山羊的价值。
计算每户所挽救的山羊的价值。
第4步：效益成本比
计算效益成本比时，先计算每个受益农户的总成本，再根据受益农户和对照农户的答复计算出所有具有统计意义的额外收益和所避免的损失之和，两者的比率就是效益成本比。通过改变效益成本比计算中采用的一些关键假设，评估结果发生的变化，就是敏感性分析，尤其是需要模拟最坏情况和最好情况。
表10展示的实例可演示如何通过项目成本、总累积收益和所避免的损失来计算效益成本比。
表 10 户均成本和效益
技术附件5 基于风险的沙漠蝗虫干预行动所避免损失的计算方法
在总结实施沙漠蝗虫防控行动经验的基础上，已开发出一种与时俱进的新方法，利用各种考虑因素和假设来计算粮农组织基于风险的干预措施的投资回报情况。期间参考《粮农组织蝗虫防控手册》和《粮农组织沙漠蝗虫预测手册》，以便了解沙漠蝗虫的进食需求、虫群和虫带的平均密度。随后利用从中了解到的防控工作特点，确定虫群规模、受影响地区和防控地区以及防控区内所避免的绿色物质/植被损失。
沙漠蝗虫进食需求（《粮农组织蝗虫防控手册》和《粮农组织沙漠蝗虫预测手册》）：
- 1只成虫的消耗量（一生）= 60克绿色物质/植物
- 1只幼虫的消耗量（一生）= 3.7克绿色物质/植物
考虑到虫群和虫带的平均密度（《粮农组织沙漠蝗虫预测手册》和《粮农组织沙漠蝗虫准则一：生理和行为》），估计每公顷的消耗量为：
- 虫群的消耗量（一生）/公顷= 36吨绿色物质/植被
- 幼虫带的消耗量（一生）/公顷= 4吨绿色物质/植被
防控行动概要：
实地报告介绍了关于防控行动性质（空中和地面）的详细信息以及蝗群蝗虫密度。根据为期两年的防控行动的报告，防控区80%被未成熟和成熟的虫群感染，20%被处于不同生长阶段的若虫（1龄到5龄）感染。
根据这些信息，每防控一公顷土地，就有大约30吨绿色物质和植被得到保护，避免被沙漠蝗虫吃掉。
生产性绿色物质：
为估计农民、农牧民和牧民的生产和生计所遭受的损失和影响，需要引入（采用）生产性绿色物质和植被的概念，即牧场和农场中任何适口的物种（对动物而言）以及任何直接用作食物的物种（对人类而言）。
- 假设1：据估算，在沙漠蝗虫一生中，从生产性绿色物质和植物中仅能获得50%的食物需求，而剩下的一半则来自不适口的或非生产食物的物种的叶子。
- 假设2：根据当前沙漠蝗虫虫群最集中地区的土地覆盖平均情况，估计在其消耗的全部生产性绿色物质和植被中，70%来自牧场，30%来自农田。
从沙漠蝗虫消耗到牧场和作物损失：
根据这些假设和随后的考虑因素，我们可以计算出一公顷沙漠蝗虫（若虫和成虫）在其生命周期中能在牧场和农田中造成多大破坏。
考虑因素1：东非牧场的平均生产率值为0.75吨/公顷。265
考虑因素2：非洲之角得到保护的农田平均青饲料产量为3吨/公顷，叶/茎比率为0.49。
考虑因素3：谷物（干旱和半干旱地区的主要作物）平均产量为1.3吨，由于沙漠蝗虫的影响，产量估计减少50%。
考虑因素4：牧场的载畜量为1 TLU/公顷，由于沙漠蝗虫的影响，载畜量估计减少60%。根据实地观察，载畜量在沙漠蝗灾的影响下估计减少了60 %。
考虑因素5：将4.5 TLU/HH作为该区域的平均值。
考虑因素6：每吨谷物的平均价格为300美元。
考虑因素7：每人每年平均谷物需求量为150公斤。
