The Moderating Role of ICT in Climate-Induced Food Insecurity: Evidence from Pakistan

Climate change poses a significant threat to global food security. It could potentially disrupt progress toward a world without hunger by impacting all aspects of food security, including availability, access, utilization, and stability. Climate change influences agricultural productivity through changes in temperature, precipitation patterns, and the frequency of extreme weather events. Higher temperatures can lead to heat stress on crops and livestock, reducing crop yields and the availability and quality of food (Hasan & Hussain, 2020). These changes also impact fisheries and livestock, further compromising food security (Minaxi et al., 2011; Okoli & Ifeakor, 2014). Climate change can exacerbate existing inequalities in food access. Vulnerable populations, particularly in low-income countries, are disproportionately affected by climate-related disruptions. These populations often rely on subsistence farming and have limited resources to adapt to changing conditions (Muluneh, 2021; World Bank, 2022). Likewise, it can be anticipated that food access and utilization will be affected indirectly via collateral effects on household and individual incomes (Myers et al., 2017). The nutritional quality of food can also be affected by climate change. Changes in growing conditions can alter the nutrient content of crops, potentially leading to deficiencies in essential vitamins and minerals. Additionally, climate-related health issues, such as the increased prevalence of diseases, can impact people's ability to utilize the food they have access to (Muluneh, 2021). Finally, the stability of food supplies is threatened by climate change. Extreme weather events, such as hurricanes, floods, and droughts, can disrupt food production and supply chains. This instability can lead to fluctuations in food prices and availability, making it difficult for people to access food consistently.

Digitalization, particularly the adoption of Information and Communication Technologies (ICT) is not only the instrumental ingredient of the agricultural transformation process but also has broader implications for food security. The impact of ICT on food security is multifaceted. It primarily affects food availability by optimizing agricultural practices and facilitating market access. For farmers, ICT tools such as mobile applications and digital platforms have been instrumental in increasing productivity, income, and resilience, especially during crises like the COVID-19 pandemic. ICT platforms like online marketplaces and mobile applications connect farmers directly to buyers, enabling them to sell their produce at better prices. This increased market access leads to higher incomes for farmers, which in turn allows them to invest in better seeds, fertilizers, and equipment, thereby increasing agricultural productivity and food availability (Ferguson et al., 2024; Oparinde, 2023). Moreover, access to mobile banking, microloans, and insurance through ICT helps farmers secure financial resources to invest in their farming activities. This financial support reduces their vulnerability to economic shocks. ICT tools provide farmers with real-time information on weather forecasts, market prices, and best practices. Higher productivity translates to better income, which enhances food access and utilization (Sekabira et al., 2023).

Besides its direct effect on food security, ICT can be leveraged to mitigate the impact of climate change on food security. Digital agriculture technologies improve resilience by providing farmers with timely climate data and forecasts, helping them adapt to changing weather patterns and reduce vulnerability to climate risks (Diyaol, 2025; Ferdinand et al., 2021). Household adoption of ICT can play a crucial role in mitigating the impact of climate change on food security, even for non-farming and non-agricultural households. One of the primary channels is improved access to information and financial services. ICT enables households to stay informed about climate-related disruptions, such as extreme weather events and food shortages, allowing them to make better financial and consumption decisions. Mobile banking, digital payment systems, and fintech solutions enhance financial resilience by facilitating savings, remittances, and access to credit. This financial stability allows households to maintain food security during climate-induced economic shocks, such as rising food prices due to supply chain disruptions (Anser et al., 2021). Additionally, ICT-based social protection programs, such as digital cash transfers and food assistance schemes, ensure that vulnerable households receive timely support in times of crisis (Li & Huo, 2023). Furthermore, ICT plays a role in enhancing health and nutrition awareness by providing access to online education, mobile health applications, and digital campaigns that promote climate-resilient diets (Hijriyati et al., 2025). By empowering households with financial, informational, and logistical tools, ICT adoption strengthens their ability to cope with climate-induced food insecurity both in agricultural and non-agricultural households (Nakasone & Torero, 2016).

Given the background, the study has threefold objectives. Firstly, to investigate the impact of climatic stressors, particularly cooling degree days (CDD), heating degree days (HDD), average precipitation (AP), and Windspeed (WS) on food security in Pakistan. Secondly, the study intends to assess the role of household ICT adoption in mitigating the impact of climatic factors on food security. Thirdly, the study seeks to examine the relationship across different climatic zones. The following two hypotheses are constructed in this regard:

• All meteorological factors have a significant negative impact on food security at the national level and across climatic zones.

• ICT moderates the negative effect of meteorological factors on food security at the national level and across climatic zones.

Pakistan presents an ideal case study for analysis of climate change and food security because of its high vulnerability to climate change, its reliance on agriculture, and existing challenges related to food security. Pakistan has been facing frequent extreme weather events such as rising temperatures, irregular rainfall patterns, and glacial melting. Global Climate Risk Index ranks Pakistan as the 5th most climate-vulnerable country in the world. Given its largely agrarian economy, these climate-related challenges pose serious threats to food security, water resources, and livelihoods, particularly in rural and agricultural regions. Over the years, Pakistan has faced significant challenges in maintaining food availability and accessibility due to natural disasters, conflicts, and economic downturns. It is important to note that Pakistan has a ranking of 109th out of 127 countries in the Global Hunger Index.

Previous studies have highlighted the challenges posed by climate change to food security in Pakistan. For instance, Shahzad and Amjad (2022) discuss the adverse effects of climate change on agricultural productivity and food accessibility, emphasizing the need for immediate action to address these challenges. Similarly, Ullah et al. (2024) explore the impact of climate change on food security, suggesting interventions for adaptation and mitigation. However, these studies are conducted at the aggregate level, identifying the macroeconomic impacts of climate change on food security without considering the issue at the household level and the specific role of ICT in mitigating these effects for heterogeneous households. Parveen et al. (2021) examined the impact of ICT on food security at the household level but did not incorporate the role of climate change.

Similarly, the role of ICT as a mitigating strategy for the impact of meteorological factors on food security is theoretically well established (Balasundran et al., 2023). However, despite its theoretical significance, the empirical exploration of this relationship remains limited. There is a scarcity of studies that quantitatively assess the extent to which ICT adoption mitigates the adverse effects of meteorological factors on food security. Given the aforementioned empirical gaps, the study is the first of its kind for Pakistan to not only analyse the impact of climate change on household food security but also measure the mitigating role of ICT. This study bridges these gaps by collecting data on climatic factors at the district level across different climatic zones and evaluating their impact on household food security, with ICT adoption as a moderating factor. By doing so, this research provides a comprehensive understanding of how ICT can mitigate the adverse effects of climatic factors on food security in Pakistan.

Several empirical studies have looked into the relationship between climate change and food security, specifically in the context of South Asia, because South Asia not only hosts one-fourth of the world population but also is one of the most vulnerable regions to climate change. Besides, the rate of poverty and food insecurity concerns is high for the region, making it a pertinent case for analysis. In a relatively different and comprehensive study, Alvi et al. (2021) have developed an integrated assessment model for food security under climate change for South Asia. Results have shown that climate change decreases both food production and consumption. In a related study, Yan and Alvi (2022) have examined the impact of climate-induced cereal productivity changes on food security in South Asian countries using the computable General Equilibrium (CGE) Model. Results have shown that climate change is reducing food security and welfare through reduced cereal production. In an earlier study, Alvi and Jamil (2018) have examined the impact of both climate change and technology adoption on cereal yields for South Asian countries and concluded the positive and negative effects, respectively. However, the slow pace of technology adoption by South Asian countries poses a threat to sustainability in food production. The impact of climate change in the form of changing temperatures and precipitation on cereal production has also been confirmed by Alvi et al. (2020) in a macro data study for 55 developing countries. Authors have also found that farmers fail to adapt to climate change in Southern Asia and Central Africa. Similarly, Chandio et al. (2023) have examined the impact of climate change on crop production in South Asian countries over the period 1991–2016 using the panel dynamic least squares (PD-LS) approach. Results showed that while precipitation has a long-term beneficial effect on agricultural productivity, rising temperatures and CO₂ emissions have the opposite effect.

In a country study for Nepal, Poudel et al. (2020) have utilized household-level primary data to conclude that the variation in meteorological factors has threatened household food security through reduced crop production, dairy product yield, and increased household work. Moreover, the study noted that in the future food security of these households will be more vulnerable to climate change. While examining the impact of meteorological and non-climatic factors on global food security in a panel data study of 103 countries, Singh (2018) concluded that the global food security index is negatively impacted by mean temperature, although yearly precipitation improves food security. Moreover, high rates of population growth and inflation are also major causes of food insecurity in these countries. The positive impact of precipitation and negative impact of temperatures on food security are also confirmed by Mahrous (2019) in a panel data study of five East African countries from the years 2000–2014.

There are quite a number of studies analyzing food security in Ethiopia because the country is one of the most food insecure in the World. To begin with, Ayinu et al. (2022), using primary data, concluded that adverse climatic conditions with insufficient household resources significantly impact food security in the Godere District. The study utilized rotated empirical orthogonal functions to examine the pattern of rainfall variation and binary logistic regression for analysis. In a similar paper, Andarge (2022) using the Household Food Insecurity Assess Scale investigated how climate change affected food security in Mirab Abaya woreda, Gamo Zone. Results confirm that climate change is major contributing reason to food insecurity along with other household characteristics. Similarly, Mekonnen et al. (2021) also validated the harmful impact of climate change on household food security over the decades in Ethiopia as crop production has been suffering from low/random rainfall, severe erosion, and rising temperatures.

There are few studies conducted for Pakistan such as Abbas et al. (2022), who analyzed the influence of climate change on food security in several locations in Punjab, Pakistan, from the period 1979–2020, using total production of wheat output as a proxy for food security. Results based on ARDL technique showed that all, average, maximum and minimum temperatures, wind speed and rainfall negatively affected food production in all regions of Punjab. However, Northern Punjab is an exception where maximum temperature affects food production positively, and wind speed also doesn't have a negative impact.

In another study for Pakistan, Ali and Erenstein (2017) analyzed the factors determining farmers' choice of climate change adaptation strategies and their impact on household food security and poverty levels using primary data from 950 farmers covering four provinces. It has been shown that most of the adaptation strategies among farmers included adjusting their sowing time, using drought-resistant crop varieties, and switching to different crops. Farmers adopting more adaptation practices experienced better food security and lower poverty. Similarly, Amjad (2023) established that climate change vulnerability adversely affects the agriculture sector in the arid and semi-arid regions of Pakistan.

As far as the role of ICT is concerned, the benefits of ICT can be materialized beyond the agriculture sector, contributing to the other dimensions of food security at a broader level (Ejemeyovwi et al., 2021). For instance, ICT can drive economic growth by creating new job opportunities and supporting e-commerce. Increased income at the national level enhances the purchasing power of households, allowing them to access and afford nutritious food, thereby improving food security (Leng et al., 2024). ICT also improves access to healthcare services by enabling telemedicine, online consultations, and health information dissemination. A healthier population can utilize food more effectively, leading to better nutritional outcomes and overall food security. ICT can enhance the effectiveness of social safety nets such as food assistance programs and unemployment benefits. By using digital platforms for distribution and monitoring, governments can ensure that vulnerable populations receive timely support, enhancing food stability and security. ICT facilitates better planning and management of infrastructure projects, such as roads, storage facilities, and irrigation systems. Improved infrastructure enhances the efficiency of food production, distribution, and storage, reducing food losses and waste, and ensuring a stable food supply.

Different studies have been conducted to determine the role of ICT in food security. Gouvea et al. (2022) analyzed the impact of technology on food security in 180 different countries with separate analyses for developing and developed countries. Findings indicated that the adoption of new technologies and ICT use both improve global food security. To be more precise, technology mostly increases food availability in OECD nations, whereas it primarily increases food affordability in non-OECD countries. It's interesting to note that, in OECD countries, the role of technology in ensuring food security has increased recently, whereas in non-OECD countries, its role has been constant. This implies that in more developed areas, technology's role in guaranteeing food security is growing as it develops. In another panel data-based study for 15 West African countries, Anser et al. (2021) investigated how using ICT and having an efficient government may improve food security in West Africa, covering the years 2005–2018. Results explicated that not only is ICT instrumental in improving food security, but efficient governance and low levels of corruption also have a robust positive impact on food security.

Ejemeyovwi et al. (2021) investigated the relationship between Nigerian food security and ICT use utilizing household-level data. Food security is a binary variable, and ICT is measured by the mobile usage of households. Results indicated that ICT utilization improves food security only in male-headed households but not in female-headed households. In a similar study for Uganda, Picho et al. (2018) investigated the effect of ICT use on household food security. Findings revealed that 18.2% of households in the region used ICT tools to obtain food security information and the utilization of ICT tools to access food security information has a positive impact on food security status, resulting in a 38% improvement. Similar results of the positive impact of ICT on food security are validated by Hudson et al. (2017) for sub-Saharan Africa.

The current study aims to investigate the impact of meteorological factors on Pakistan's food security in a cross-sectional data study for the years 2019–2020. The general form of the model is written as: (1) FS=f(MF,ICT,(MF×ICT),Xi,εi) FS = f(MF,ICT,(MF \times ICT),{X_i},{\varepsilon_i}) FS is food security, MF is the vector of Meteorological factors containing CDD, HDD, AP, and WS; ICT is Information and Communication Technology, and MF × ICT is the interaction term of meteorological factors and ICT. X_i represents control variables. The conceptual model of the study is given as follows:

Figure 1.

Conceptual Model

Source: authors' own study.

Based on the conceptual model, the baseline model of the study is given as follows: (2) FSij=α0+α1CDD1j+α2HDD2j+α3AP3j+α4WS4j+α5ICTij+α6(ICTij×CDD1j)+α7(ICTij×HDD2j)+α8(ICTij×AP3j)+α9(ICTij×WS4j)+α10DRij+α11SRij+α12HSi+α13HIi+α14VAi+α15Edui+α16D1i+α17D2i+α18D3i+α19D4i+εi \matrix{{{FS}_{ij} = {\alpha_0} + {\alpha_1}{CDD}_{1j} + {\alpha_2}{HDD}_{2j} + {\alpha_3}{AP}_{3j} + {\alpha_4}{WS}_{4j} + {\alpha_5}{ICT}_{ij} + {\alpha_6}({ICT}_{ij} \times} \cr {{CDD}_{1j}) + {\alpha_7}({ICT}_{ij} \times {HDD}_{2j}) + {\alpha_8}({ICT}_{ij} \times {AP}_{3j}) + {\alpha_9}({ICT}_{ij} \times {WS}_{4j}) + {\alpha_{10}}{DR}_{ij} +} \cr {{\alpha_{11}}{SR}_{ij} + {\alpha_{12}}{HS}_i + {\alpha_{13}}{HI}_i + {\alpha_{14}}{VA}_i + {\alpha_{15}}{Edu}_i + {\alpha_{16}}{D_{1i}} + {\alpha_{17}}{D_{2i}} + {\alpha_{18}}{D_{3i}} + {\alpha_{19}}{D_{4i}} + {\varepsilon_{\rm{i}}}} \cr} where: ij refers to the i^th household of j^th district of Pakistan. FS is our dependent variable representing household food security. It is calculated using the Food Insecurity Experience Scale (FIES), however, the scoring is reversed, where a high score shows higher food security. The independent variables include meteorological factors (CDD, HDD, AP, and WS), namely cooling degree days, heating degree days, precipitation, and wind speed, respectively, which are measured at the district level. ICT is Information and Communication Technology, DR is the age dependency ratio, SR is the sex ratio, HS is household size, HI is household income, and VA is the value of assets, while Edu is the average education of the household. Finally, D_1–4 represent dummy variables of the model (see Table 1 for a detailed description of variables), and ɛ_i is the error term. The model is estimated separately for each climatic zone, including dry, temperate/continental, and tropical zones, which encompass several districts. The variant of the model for the climatic zone is presented as follows: (3) FSijc=β0c+β1cCDD1jc+β2cHDD2jc+β3cAP3jc+β4cWS4jc+β5ICTijc+β6c(ICTijc×CDD1jc)+β7c(ICTijc×HDD2jc)+β8c(ICTijc×AP3jc)+β9c(ICTijc×WS4jc)+β10cDRijc+β11cSRijc+β12cHSic+β13cHIic+β14cVAic+β15cEduic+νic \matrix{{{FS}_{ijc}} \hfill & {= {\beta_{0c}} + {\beta_{1c}}{CDD}_{1jc} + {\beta_{2c}}{HDD}_{2jc} + {\beta_{3c}}{AP}_{3jc} + {\beta_{4c}}{WS}_{4jc} + {\beta_5}{ICT}_{ijc}} \hfill \cr {} \hfill & {+ {\beta_{6c}}({ICT}_{ijc} \times {CDD}_{1jc}) + {\beta_{7c}}({ICT}_{ijc} \times {HDD}_{2jc}) + {\beta_{8c}}({ICT}_{ijc} \times {AP}_{3jc})} \hfill \cr {} \hfill & {+ {\beta_{9c}}({ICT}_{ijc} \times {WS}_{4jc}) + {\beta_{10c}}{DR}_{ijc} + {\beta_{11c}}{SR}_{ijc} + {\beta_{12c}}{HS}_{ic} + {\beta_{13c}}{HI}_{ic}} \hfill \cr {} \hfill & {+ {\beta_{14c}}{VA}_{ic} + {\beta_{15c}}{Edu}_{ic} + {\nu_{ic}}} \hfill \cr} where: c represents climatic zones. The dry climatic zone experiences significant temperature fluctuations, whereas the temperate and continental climatic zones experience distinct seasons with variations in temperature throughout the year. Lastly, the tropical zone is characterized by consistently high temperatures and high humidity throughout the year. The moderating variable in Equation 3, ICT is a multidimensional variable; hence, included in the regression as an index. The ICT index was constructed using Principal Component Analysis (PCA) on seven standardized indicators related to digital access and usage. The steps of construction are given as follows. To construct the ICT Index, PCA was applied to seven observed variables representing different dimensions of household ICT access and usage: ICT1 – ownership of digital devices, ICT2 – degree of use, ICT3 – access to internet, ICT4 – use of internet, ICT5 – frequency of internet use, ICT6 – social and educational use of digital devices, and ICT7 – social and educational use of the internet. The variables were first standardized to ensure comparability.

PCA was conducted to reduce dimensionality and extract uncorrelated linear combinations (principal components) of the variables. The general form of the i^th principal component is given as follows: PCi=αi1ICT1+αi2ICT2+⋯+αi7ICT7 {PC}_i = {\alpha_{i1}}{ICT}_1 + {\alpha_{i2}}{ICT}_2 + \cdots + {\alpha_{i7}}{ICT}_7 where: α_ij denotes the loading of the variable j on the component i. Components with eigenvalues greater than one were retained, based on the Kaiser criterion. In this study, three such components were selected.

Each component was weighted by its proportion of variance explained. The composite ICT Index was constructed as the weighted sum of the retained components as follows: ICT index=w1PC1+w2PC2+w3PC3 ICT\,index = {w_1}{PC}_1 + {w_2}{PC}_2 + {w_3}{PC}_3 where: wj=Variance Explained by PCjΣVariance Explained by retained PCs {w_j} = {{Variance\,Explained\,by\,{PC}_j} \over {\Sigma Variance\,Explained\,by\,retained\,PCs}}

To enhance interpretability and comparability, the ICT Index was normalized to lie between 0 and 1 using min–max normalization: Normalized Index=ICT Index− min(ICT Index) max(ICT Index)− min(ICT Index) Normalized\,Index = {{ICT\,Index - \;\min (ICT\,Index)} \over {\;\max (ICT\,Index) - \;\min (ICT\,Index)}}

This ensured that higher values indicate greater levels of ICT access and usage across households. The Kaiser–Meyer–Olkin (KMO) Measure of Sampling Adequacy was 0.763, indicating that the sample was appropriate for PCA. Bartlett's Test of Sphericity was highly significant (χ² = 354.41 with p < 0.001), confirming that the correlation matrix was not an identity matrix and thus suitable for factor extraction.

Equation 4 calculates the total effect of meteorological factors on FS for the baseline model using the following formulas: (4) ∂FSij∂MFij=αm+αk×ICTi {{\partial {FS}_{ij}} \over {\partial {MF}_{ij}}} = {\alpha_m} + {\alpha_k} \times {ICT}_i where: k = 6,7,8,9 retrieved from Equation 2.

Equation 5 calculates the total effect of meteorological factors on FS for the variant of models constructed for different climatic zones: (5) ∂FSijc∂MFijc=βmc+βkc×ICTi {{\partial {FS}_{ijc}} \over {\partial {MF}_{ijc}}} = {\beta_{mc}} + {\beta_{kc}} \times {ICT}_i where: c represents the climatic zone and m = 6,7,8,9 retrieved from Equation 3.

The total effect is then decomposed into direct and moderated effects and presented in Table 1.

These effects are analyzed to examine the following propositions:

• If the direct effect is negative (β_m > 0 and α_m > 0), meteorological stressors reduce households' food security, we will accept the hypothesis 1.

• If the moderating effect is positive for FS and (β_kc × ICT < 0 and α_kc × ICT > 0), households use ICT for mitigating the impact of meteorological factors to ensure food security, we will accept the hypothesis 2.

The inclusion of control variables in the Equation 2 is justified on strong theoretical and empirical underpinnings. Household income is another important variable that affects food security. Households with high levels of income can afford to buy enough food full of nutrients, whereas people with lower incomes might be forced to skip meals completely or rely on less expensive and low-nutritious food. The age dependency ratio is another control variable adversely impacting household food security. Because the greater number of unemployed people in a household decreases the amount of food consumed per person (Akbar et al., 2020). As far as the impact of education on food security is concerned, a higher level of education correlates with greater earnings and a lower chance of food insecurity. Parveen et al. (2021) placed education as social capital and showed that it enhances the household's ability to make informed decisions about production and nutrition. Moreover, household size has a direct impact on food security as families with large household members usually need more food, which can burden their limited budget, especially if those households belong to low-income families.

The study has taken data from the Pakistan Social and Living Standard Measurement (PSLM) Survey 2019–2020. The sample size comprises 160 654 households from urban and rural areas across each province, covering different districts (the list of districts used in the analysis is given in Table A1 in the Appendix). The dependent variable of food security is measured by the Food Insecurity Experiences Scale (FIES), which ranges between 0 and 8. The data for meteorological factors, including HDD, CDD, WS, and AP, have been taken from the NASA POWER website (for details on variables and data sources, see Table 2). For estimation, Ordinary Least Squares (OLS) regression analysis and the quantile regression framework have been employed to examine the relationship between food security and its determinants. To explore the heterogeneous effects of climatic variables and ICT access on food security across different levels of climatic vulnerability, the study employed quantile regression in addition to the baseline OLS model. While average effects are calculated through OLS, it is also important to examine how climatic stressors and ICT infrastructure may affect food-insecure households (lower quantiles) differently than relatively secure ones (upper quantiles). Quantile regression estimates the conditional effects of predictors at various quantiles of the dependent variable, thus capturing nonlinearities and heteroskedasticity without requiring polynomial terms. The presence of heteroskedasticity in the baseline OLS (see Table 5) is validated using the Koenker–Bassett (KB) test (where KB is an appropriate test of heteroscedasticity useful when the relationship between variables differs across the distribution of the dependent variable) and the presence of heterogeneity is confirmed given a large sample size, both of which further justify the use of quantile regression. However, quantile regression has limitations. It assumes independence across quantiles and does not provide a global goodness-of-fit statistic like R² in OLS. Additionally, inference across quantiles may become sensitive in smaller subsamples, and model interpretation can be complex when interaction terms are present. Despite these caveats, quantile regression provides an analytically efficient framework specifically for this study to identify which segments of the population are most vulnerable to climate shocks and how ICT may serve as a resilience mechanism. Quantile regression is represented mathematically as: QyτX=X′βτ {Q_y}\left({{\tau \over X}} \right) = X'\beta \left(\tau \right) where: QyτX {Q_y}\left({{\tau \over X}} \right) is the conditional τ^th quantile of the dependent variable Y (FS) given covariates X, β(τ) ector of quantile-specific coefficients, τ ∈ (0,1) indicates the quantile level (e.g. 0.25, 0.50, 0.75). This approach captures variation across the distribution of FS, identifying differential effects among the lower, middle, and upper levels of food security.

The descriptive statistics of variables, including mean, standard deviation, minimum, and maximum values, are presented in Table 3. Table 4 reports the frequencies of categorical/dummy variables. The statistics show that 68.9% of households resided in rural areas. The provincial demographics show that around 17.8% of respondents are living in KPK, while 49.6 % of people belong to Punjab, 32.1% of households reside in Sindh, and 9.5% of respondents are living in Baluchistan province.

The agriculture sector is the key to meeting the food demands of Pakistan's rapidly growing population. Despite its significance, Pakistan is facing a serious food security crisis. Recent floods and COVID-19 worsened this condition, as disruptions in the movement of essential goods like food and agricultural inputs, income losses, and rising food prices affected millions of people. This study investigates the impact of climate-induced meteorological stressors on household food security in Pakistan and assesses the moderating role of ICT using both OLS and quantile regression approaches. The analysis was conducted at the national level and across three distinct climatic zones, dry, temperate/continental, and tropical, using household-level cross-sectional data. data is sourced from PSLM 2019–2020, encompassing all four provinces, including rural and urban regions of Pakistan.

The findings reveal that all four meteorological variables, CDD, HDD, AP, and WS, negatively and significantly affect household food security. Among these, wind speed and precipitation exert the strongest adverse effects, particularly in tropical zones, where the intensity and unpredictability of climatic events are higher. The results also confirm regional heterogeneity, with the tropical zone being the most vulnerable, followed by dry and temperate/ continental regions.

Importantly, ICT adoption is found to play a statistically significant and positive role in enhancing food security at the national level and in most zones. Interaction terms in both OLS and quantile regressions show that ICT can mitigate the negative effects of meteorological factors, especially HDD and CDD, by providing timely weather information, facilitating adaptive farming decisions, and reducing uncertainty. However, this moderating effect is uneven across zones. ICT is least effective in tropical regions, where structural vulnerabilities, infrastructure deficits, and potentially lower ICT quality may constrain its mitigating role.

The quantile regression results further enrich the analysis by capturing distributional heterogeneity in climate-food security dynamics. The adverse effects of meteorological stressors and the benefits of ICT are more pronounced in lower quantiles of food security distribution, implying that poorer or more vulnerable households benefit more from ICT interventions and are disproportionately affected by climate variability.

Though ICT has the potential to mitigate climate risk for food security, persistent digital divide and weak digital infrastructure pose significant challenges. Large segments of rural and marginalized populations lack access to reliable internet, smartphones, or digital literacy programs. According to the Pakistan Telecommunication Authority, internet penetration remains below 55%, with disparities between urban and rural regions, and limited 4G or broadband access in climate-vulnerable areas like interior Sindh and parts of Baluchistan. Furthermore, frequent electricity outages and inconsistent connectivity undermine the reliability of digital platforms during extreme weather events. These infrastructural deficits severely constrain the capacity of ICT to serve as a dependable adaptation strategy to meteorological stressors.

Based on regional analysis and prevalent situation, it is suggested that policy responses must be climate-zone specific. In dry regions, where extreme temperatures significantly reduce food security and ICT plays a limited mitigating role, investments should focus on drought-resistant crops, solar-powered irrigation, and expanding mobile-based advisory services. For temperate and continental zones, where ICT effectively mitigates heat and cold impacts, strengthening digital infrastructure, promoting precision agriculture, and supporting agri-tech innovations can enhance resilience. In tropical zones, where ICT fails to offset climatic shocks due to infrastructural and digital access gaps, priority should be given to improving rural ICT connectivity, integrating digital tools with flood-resilient farming practices. Priority should be given to wind/precipitation disaster management instead of focusing solely on ICT-dependent solutions to offset WS/AP damage. Moreover, targeting poor households, such as redirecting ICT subsidies to the bottom 20% food-insecure households where ICT benefits are strongest, may establish climate-resilient communities.

This study has several limitations. First, the cross-sectional nature of the data restricts the ability to capture temporal dynamics and long-term adaptation behaviors. Second, although the study accounts for major meteorological variables, it does not incorporate the frequency or intensity of extreme weather events such as floods or droughts, which could further refine the understanding of climate shocks. Third, the ICT variable is constructed using principal component analysis and used as a general composite variable. Disaggregating the variable into its constructs and analyzing the role of food security will enable the researcher to propose more targeted digital interventions. Finally, while quantile regression addresses non-linearity and distributional differences, more advanced modelling techniques such as instrumental variable quantile regression or structural equation modelling could further validate the robustness of findings. Future research should utilize longitudinal datasets, integrate richer ICT indicators, and explore the impact of climate-related disasters and more advanced methodology to overcome the limitations of this research.

Zmiana klimatu stanowi istotne zagrożenie dla globalnego bezpieczeństwa żywnościowego. Może ona potencjalnie zakłócić postępy w kierunku świata bez głodu, wpływając na wszystkie aspekty bezpieczeństwa żywnościowego, w tym dostępność, dostęp, wykorzystanie i stabilność. Zmiana klimatu wpływa na produktywność rolną poprzez zmiany temperatury, wzorców opadów oraz częstotliwość występowania ekstremalnych zjawisk pogodowych. Wyższe temperatury mogą prowadzić do stresu termicznego dla upraw i zwierząt hodowlanych, zmniejszając plony oraz dostępność i jakość żywności (Hasan i Hussain, 2020). Zmiany te wpływają również na rybołówstwo i hodowlę zwierząt, dodatkowo zagrażając bezpieczeństwu żywnościowemu (Minaxi i in., 2011; Okoli i Ifeakor, 2014). Zmiana klimatu może pogłębiać istniejące nierówności w dostępie do żywności. Populacje wrażliwe, szczególnie w krajach o niskich dochodach, są w nieproporcjonalnie dużym stopniu dotknięte zakłóceniami związanymi z klimatem. Populacje te często utrzymują się z rolnictwa na własne potrzeby i dysponują ograniczonymi zasobami, które pozwalają dostosować się do zmiennych warunków (Muluneh, 2021; World Bank [Bank Światowy], 2022). Podobnie można przewidywać, że na dostęp do żywności i jej wykorzystanie wpłyną pośrednio efekty uboczne dotyczące dochodów gospodarstw domowych i jednostek (Myers i in., 2017). Zmiana klimatu może również mieć konsekwencje dla wartości odżywczej żywności. Zmiany warunków uprawy mogą wpływać na zawartość składników odżywczych w uprawach, potencjalnie prowadząc do niedoborów niezbędnych witamin i minerałów. Dodatkowo związane z klimatem problemy zdrowotne, takie jak częstsze występowanie chorób, mogą oddziaływać na zdolność ludzi do wykorzystania żywności, do której mają dostęp (Muluneh, 2021). Ponadto zmiana klimatu zagraża stabilności dostaw żywności. Ekstremalne zjawiska pogodowe, takie jak huragany, powodzie i susze, mogą zakłócać produkcję żywności i łańcuchy dostaw. Ta niestabilność może prowadzić do wahań cen żywności i jej dostępności, utrudniając ludziom stały dostęp do pożywienia.

Cyfryzacja, a w szczególności przyjęcie technologii informacyjno-komunikacyjnych (ICT), jest nie tylko kluczowym składnikiem procesu transformacji rolnictwa, ale ma również szersze implikacje dla bezpieczeństwa żywnościowego. Wpływ ICT na bezpieczeństwo żywnościowe jest wieloaspektowy. Technologie te przede wszystkim poprawiają dostępność żywności poprzez optymalizację praktyk rolniczych i ułatwianie dostępu do rynku. Dla rolników narzędzia ICT, takie jak aplikacje mobilne i platformy cyfrowe, odegrały kluczową rolę w zwiększeniu wydajności, dochodów i odporności, zwłaszcza podczas kryzysów takich jak pandemia COVID-19. Platformy ICT, np. internetowe platformy handlowe i aplikacje mobilne, łączą rolników bezpośrednio z nabywcami, umożliwiając sprzedaż produktów po lepszych cenach. Ten zwiększony dostęp do rynku prowadzi do wyższych dochodów rolników, co z kolei pozwala im inwestować w lepsze nasiona, nawozy i sprzęt, poprawiając tym samym produktywność rolną i dostępność żywności (Ferguson i in., 2024; Oparinde, 2023). Ponadto dostęp do bankowości mobilnej, mikropożyczek i ubezpieczeń za pośrednictwem ICT pomaga rolnikom zabezpieczyć zasoby finansowe na inwestycje w działalność rolniczą. To wsparcie finansowe zmniejsza ich podatność na wstrząsy gospodarcze. Narzędzia ICT zapewniają rolnikom informacje w czasie rzeczywistym o prognozach pogody, cenach rynkowych i najlepszych praktykach. Wyższa produktywność przekłada się na lepszy dochód, co poprawia dostęp do żywności i jej wykorzystanie (Sekabira i in., 2023).

Oprócz bezpośredniego wpływu na bezpieczeństwo żywnościowe, ICT można wykorzystać do łagodzenia wpływu zmian klimatu w tym obszarze. Cyfrowe technologie rolnicze poprawiają odporność, dostarczając rolnikom aktualnych danych klimatycznych i prognoz, pomagając im dostosować się do zmieniających się wzorców pogodowych i zmniejszyć podatność na czynniki ryzyka związane z klimatem (Diyaol, 2025; Ferdinand i in., 2021). Przyjęcie ICT przez gospodarstwa domowe może odgrywać kluczową rolę w łagodzeniu wpływu zmiany klimatu na bezpieczeństwo żywnościowe, nawet w przypadku gospodarstw innych niż rolnicze. Jednym z głównych kanałów jest lepszy dostęp do informacji i usług finansowych. Rozwiązania ICT pozwalają gospodarstwom domowym pozostawać na bieżąco z informacjami dotyczącymi zakłóceń związanych z klimatem, takich jak ekstremalne zjawiska pogodowe i niedobory żywności, umożliwiając podejmowanie lepszych decyzji finansowych i konsumpcyjnych. Bankowość mobilna, cyfrowe systemy płatności i rozwiązania fintech zwiększają odporność finansową poprzez ułatwienie oszczędzania, przekazów pieniężnych i dostępu do kredytów. Ta stabilność finansowa pozwala gospodarstwom domowym utrzymać bezpieczeństwo żywnościowe podczas wstrząsów gospodarczych wywołanych czynnikami klimatycznymi, takich jak wzrost cen żywności spowodowany zakłóceniami w łańcuchach dostaw (Anser i in., 2021). Ponadto oparte na ICT programy ochrony socjalnej, takie jak cyfrowe transfery gotówkowe i systemy pomocy żywnościowej, zapewniają wrażliwym gospodarstwom domowym szybkie wsparcie w czasach kryzysu (Li i Huo, 2023). ICT odgrywają też rolę w zwiększaniu świadomości w zakresie zdrowia i żywienia dzięki możliwościom dostępu do zasobów edukacji online, mobilnych aplikacji zdrowotnych i kampanii cyfrowych promujących diety odporne na zmianę klimatu (Hijriyati i in., 2025). Dzięki wyposażeniu gospodarstw domowych w narzędzia finansowe, informacyjne i logistyczne, wprowadzenie ICT wzmacnia ich zdolność sprostania problemom związanym z brakiem bezpieczeństwa żywnościowego spowodowanym zmianą klimatu, zarówno w przypadku gospodarstw rolnych, jak i innych (Nakasone i Torero, 2016).

Biorąc pod uwagę powyższe, niniejszemu badaniu przyświecają trzy cele. Po pierwsze zbadać ma ono wpływ stresorów klimatycznych, w szczególności stopniodni chłodzenia (CDD), stopniodni grzania (HDD), średnich opadów (AP) i prędkości wiatru (WS) na bezpieczeństwo żywnościowe w Pakistanie. Po drugie badanie ma na celu ocenę roli przyjęcia ICT przez gospodarstwa domowe w łagodzeniu wpływu czynników klimatycznych na bezpieczeństwo żywnościowe. Po trzecie ma ono przeanalizować tę relację w różnych strefach klimatycznych. W związku z tym sformułowano dwie następujące hipotezy:

• Wszystkie czynniki meteorologiczne mają istotny negatywny wpływ na bezpieczeństwo żywnościowe na poziomie krajowym i we wszystkich strefach klimatycznych.

• ICT moderuje negatywny wpływ czynników meteorologicznych na bezpieczeństwo żywnościowe na poziomie krajowym i we wszystkich strefach klimatycznych.

Pakistan stanowi idealne studium przypadku do analizy zmian klimatu i bezpieczeństwa żywnościowego ze względu na wysoką podatność na zmiany klimatu, zależność od rolnictwa i istniejące wyzwania związane z bezpieczeństwem żywnościowym. Kraj ten boryka się z częstymi ekstremalnymi zjawiskami pogodowymi, takimi jak rosnące temperatury, nieregularne wzorce opadów i topnienie lodowców. W ramach globalnego indeksu ryzyka klimatycznego Pakistan sklasyfikowany jest jako piąty najbardziej narażony na zmianę klimatu kraj na świecie. Biorąc pod uwagę w dużej mierze rolniczą gospodarkę tego państwa, omawiane wyzwania związane z klimatem stanowią poważne zagrożenie dla bezpieczeństwa żywnościowego, zasobów wodnych i źródeł utrzymania, szczególnie w regionach wiejskich i rolniczych. Przez lata Pakistan borykał się ze znacznymi wyzwaniami w utrzymaniu dostępności i dostępu do żywności z powodu klęsk żywiołowych, konfliktów i spowolnienia gospodarczego. Należy zauważyć, że Pakistan zajmuje 109. miejsce na 127 krajów monitorowanych w ramach wskaźnika głodu na świecie (GHI).

Wcześniejsze badania wskazywały na związane ze zmianą klimatu wyzwania dla bezpieczeństwa żywnościowego w Pakistanie. Na przykład Shahzad i Amjad (2022) omawiają negatywne skutki zmiany klimatu dla produktywności rolnej i dostępności żywności, podkreślając potrzebę podjęcia natychmiastowych działań w celu rozwiązania tych problemów. Podobnie Ullah i in. (2024) analizują wpływ zmiany klimatu na bezpieczeństwo żywnościowe, sugerując interwencje w zakresie łagodzenia skutków zmiany klimatu i przystosowania się do niej. Jednak badania te są prowadzone na poziomie zagregowanym i identyfikują makroekonomiczne skutki zmiany klimatu dla bezpieczeństwa żywnościowego, nie uwzględniając kwestii na poziomie gospodarstw domowych oraz konkretnej roli ICT w łagodzeniu tych skutków dla niejednorodnych gospodarstw domowych. Parveen i in. (2021) zbadali wpływ ICT na bezpieczeństwo żywnościowe na poziomie gospodarstw domowych, ale nie uwzględnili roli zmiany klimatu.

Podobnie rola ICT jako strategii łagodzącej wpływ czynników meteorologicznych na bezpieczeństwo żywnościowe jest teoretycznie dobrze ugruntowana (Balasundran i in., 2023). Jednak mimo teoretycznego znaczenia, empiryczne badanie tego związku pozostaje ograniczone. Brakuje badań, które w sposób ilościowy oceniałyby, w jakim stopniu wdrożenie ICT ogranicza negatywny wpływ czynników meteorologicznych na bezpieczeństwo żywnościowe. Biorąc pod uwagę wspomniane powyżej luki empiryczne, badanie to jest pierwszym tego rodzaju przedsięwzięciem dotyczącym Pakistanu, w ramach którego nie tylko przeanalizowano wpływ zmiany klimatu na bezpieczeństwo żywnościowe gospodarstw domowych, ale także zmierzono łagodzącą rolę ICT. Wypełnia ono te luki, gromadząc dane na temat czynników klimatycznych na poziomie dystryktów w różnych strefach klimatycznych i oceniając ich wpływ na bezpieczeństwo żywnościowe gospodarstw domowych, z uwzględnieniem ICT jako czynnika moderującego. Tym samym badanie pozwala w pełni zrozumieć, w jaki sposób ICT mogą złagodzić niekorzystny wpływ czynników klimatycznych na bezpieczeństwo żywnościowe w Pakistanie.

W szeregu badań empirycznych przeanalizowano związek między zmianą klimatu a bezpieczeństwem żywnościowym, szczególnie w kontekście Azji Południowej, ponieważ region ten nie tylko zamieszkuje jedna czwarta światowej populacji, ale jest on również jednym z najbardziej narażonych na skutki tej zmiany. Ponadto wskaźnik ubóstwa i obawy dotyczące braku bezpieczeństwa żywnościowego są w tym regionie wysokie, co sprawia, że jest to odpowiedni przypadek do analizy. W stosunkowo odmiennym i kompleksowym badaniu Alvi i in. (2021) opracowali zintegrowany model oceny bezpieczeństwa żywnościowego w warunkach zmiany klimatu dla Azji Południowej. Wyniki pokazały, że zmiana klimatu powoduje spadek zarówno produkcji, jak i konsumpcji żywności. W powiązanym badaniu Yan i Alvi (2022) przeanalizowali wpływ wywołanych klimatem zmian w wydajności upraw zbóż na bezpieczeństwo żywnościowe w krajach Azji Południowej, wykorzystując obliczeniowy model równowagi ogólnej (CGE). Zgodnie z uzyskanymi wynikami zmiana klimatu obniża bezpieczeństwo żywnościowe i dobrobyt ze względu na zmniejszoną produkcję zbóż. We wcześniejszym badaniu Alvi i Jamil (2018) przeanalizowali wpływ zarówno zmiany klimatu, jak i przyjęcia technologii na plony zbóż w krajach Azji Południowej i stwierdzili odpowiednio negatywne i pozytywne skutki. Powolne tempo przyjmowania technologii przez kraje Azji Południowej stanowi jednak zagrożenie dla zrównoważonego rozwoju produkcji żywności. Wpływ zmiany klimatu w formie zmieniających się temperatur i opadów na produkcję zbóż został również potwierdzony przez Alviego i in. (2020) w badaniu danych makro dla 55 krajów rozwijających się. Autorzy stwierdzili również, że rolnicy w Azji Południowej i Afryce Środkowej nie potrafią przystosować się do zmiany klimatu. Podobnie Chandio i in. (2023) zbadali wpływ zmiany klimatu na produkcję roślinną w krajach Azji Południowej w latach 1991–2016, stosując dynamiczną metodę najmniejszych kwadratów z wykorzystaniem danych panelowych (PD-LS). Wyniki wykazały, że podczas gdy opady mają długoterminowy korzystny wpływ na produktywność rolną, rosnące temperatury i emisje CO₂ mają skutek odwrotny.

W badaniu krajowym dla Nepalu Poudel i in. (2020) wykorzystali pierwotne dane na poziomie gospodarstw domowych i doszli do wniosku, że zmienność czynników meteorologicznych zagroziła bezpieczeństwu żywnościowemu gospodarstw domowych ze względu na zmniejszoną produkcję roślinną, wydajność produktów mlecznych i zwiększone nakłady pracy w gospodarstwie domowym. Ponadto w badaniu zauważono, że w przyszłości bezpieczeństwo żywnościowe tych gospodarstw domowych będzie bardziej podatne na zmianę klimatu. Analizując wpływ czynników meteorologicznych i pozaklimatycznych na globalne bezpieczeństwo żywnościowe, w badaniu danych panelowych dla 103 krajów Singh (2018) stwierdził, że średnia temperatura negatywnie wpływa na Światowy Indeks Bezpieczeństwa Żywnościowego, natomiast roczne opady poprawiają bezpieczeństwo żywnościowe. Co więcej, głównymi przyczynami braku bezpieczeństwa żywnościowego w tych krajach są również wysokie wskaźniki wzrostu populacji i inflacji. Pozytywny wpływ opadów i negatywny wpływ temperatur na bezpieczeństwo żywnościowe potwierdza również Mahrous (2019) w badaniu danych panelowych dla pięciu krajów Afryki Wschodniej w latach 2000–2014.

Istnieje wiele badań, których przedmiotem jest bezpieczeństwo żywnościowe w Etiopii, ponieważ kraj ten jest jednym z najbardziej zagrożonych brakiem bezpieczeństwa żywnościowego na świecie. Można tu wskazać Ayinu i in. (2022), którzy – wykorzystując dane pierwotne – stwierdzili, że niekorzystne warunki klimatyczne przy niewystarczających zasobach gospodarstw domowych istotnie wpływają na bezpieczeństwo żywnościowe w dystrykcie Godere. W badaniu wykorzystano rotowane empiryczne funkcje ortogonalne do zbadania wzorca zmienności opadów oraz binarną regresję logistyczną do analizy. W podobnym artykule Andarge (2022), wykorzystując skalę oceny braku bezpieczeństwa żywnościowego gospodarstw domowych (HDIAS), zbadał, w jaki sposób zmiana klimatu wpłynęła na bezpieczeństwo żywnościowe w woredzie Mirab Abaya w strefie Gamo. Wyniki potwierdzają, że zmiana klimatu, wraz z innymi cechami gospodarstwa domowego, jest główną przyczyną braku bezpieczeństwa żywnościowego. Podobnie Mekonnen i in. (2021) potwierdzili szkodliwy wpływ zmiany klimatu na bezpieczeństwo żywnościowe gospodarstw domowych w ciągu dziesięcioleci w Etiopii, ponieważ produkcja roślinna cierpi z powodu niskich/przypadkowych opadów, silnej erozji i rosnących temperatur.

Istnieją nieliczne badania dotyczące Pakistanu, takie jak badanie Abbasa i in. (2022), którzy przeanalizowali wpływ zmiany klimatu na bezpieczeństwo żywnościowe w kilku lokalizacjach w Pendżabie w latach 1979–2020, wykorzystując całkowitą produkcję pszenicy jako wskaźnik zastępczy bezpieczeństwa żywnościowego. Wyniki oparte na technice ARDL wykazały, że wszystkie temperatury – średnie, maksymalne i minimalne, prędkość wiatru i opady deszczu negatywnie wpłynęły na produkcję żywności we wszystkich regionach Pendżabu. Północny Pendżab jest jednak wyjątkiem, gdzie maksymalna temperatura wpływa pozytywnie na produkcję żywności, a prędkość wiatru również nie ma negatywnych skutków.

W innym badaniu dotyczącym Pakistanu Ali i Erenstein (2017) przeanalizowali czynniki determinujące wybór przez rolników strategii adaptacji do zmiany klimatu oraz ich wpływ na bezpieczeństwo żywnościowe gospodarstw domowych i poziom ubóstwa, wykorzystując dane pierwotne pochodzące od 950 rolników, obejmujące cztery prowincje. Pokazano, że większość strategii przystosowawczych wśród rolników obejmowała dostosowanie czasu siewu, wykorzystanie odmian roślin odpornych na suszę oraz przejście na inne uprawy. Rolnicy stosujący więcej praktyk adaptacyjnych doświadczali lepszego bezpieczeństwa żywnościowego i niższego ubóstwa. Podobnie Amjad (2023) ustalił, że podatność na zmianę klimatu negatywnie wpływa na sektor rolnictwa w suchych i półsuchych regionach Pakistanu.

Jeśli chodzi o rolę rozwiązań ICT, korzyści płynące z ich stosowania mogą wykraczać poza sektor rolniczy, przyczyniając się do poprawy innych aspektów bezpieczeństwa żywnościowego na szerszym poziomie (Ejemeyovwi i in., 2021). ICT mogą na przykład stymulować wzrost gospodarczy poprzez tworzenie nowych możliwości pracy i wspieranie handlu elektronicznego. Zwiększony dochód na poziomie krajowym wzmacnia siłę nabywczą gospodarstw domowych, pozwalając im na dostęp do wartościowej żywności i jej zakup, co poprawia bezpieczeństwo żywnościowe (Leng i in., 2024). ICT poprawiają również dostęp do usług opieki zdrowotnej, umożliwiając telemedycynę, konsultacje online i rozpowszechnianie informacji dotyczących zdrowia. Zdrowsza populacja może skuteczniej wykorzystywać żywność, co prowadzi do lepszych wyników żywieniowych i ogólnego bezpieczeństwa żywnościowego. ICT mogą podnosić skuteczność siatek bezpieczeństwa socjalnego, takich jak programy pomocy żywnościowej i zasiłki dla bezrobotnych. Korzystając z platform cyfrowych do dystrybucji i monitorowania, rządy mogą zadbać o to, aby grupy społeczne znajdujące się w trudnej sytuacji otrzymywały wsparcie w odpowiednim czasie, co poprawia stabilność i bezpieczeństwo żywnościowe. Technologie informacyjno-komunikacyjne usprawniają proces planowania i zarządzania projektami infrastrukturalnymi, takimi jak drogi, magazyny i systemy nawadniania. Rozwój infrastruktury podnosi efektywność produkcji, dystrybucji i przechowywania żywności, co ogranicza jej straty i marnotrawstwo oraz zapewnia stabilność dostaw.

Przeprowadzono różne badania mające na celu określenie roli ICT w zapewnianiu bezpieczeństwa żywnościowego. Gouvea i in. (2022) przeanalizowali wpływ technologii na bezpieczeństwo żywnościowe w 180 krajach, dokonując odrębnych analiz dla państw rozwijających się i rozwiniętych. Wyniki wskazały, że zarówno wdrażanie nowych technologii, jak i wykorzystanie ICT poprawiają globalne bezpieczeństwo żywnościowe. Ściślej rzecz ujmując, w krajach OECD technologia zwiększa głównie dostępność żywności, natomiast w krajach spoza OECD wpływa przede wszystkim na jej przystępność cenową. Warto zauważyć, że w tych pierwszych znaczenie technologii w zapewnianiu bezpieczeństwa żywnościowego ostatnio wzrosło, podczas gdy w tych drugich pozostaje ono na stałym poziomie. Sugeruje to, że w regionach bardziej rozwiniętych rola technologii w gwarantowaniu bezpieczeństwa żywnościowego rośnie wraz z jej rozwojem. W innym badaniu opartym na danych panelowych dla 15 krajów Afryki Zachodniej, obejmującym lata 2005–2018, Anser i in. (2021) zbadali wpływ wykorzystania ICT oraz sprawności administracji rządowej na bezpieczeństwo żywnościowe. Wyniki pokazały, że nie tylko ICT są instrumentem poprawy bezpieczeństwa żywnościowego – również sprawnie działająca administracja i niski poziom korupcji mają silny pozytywny wpływ w tym zakresie.

Ejemeyovwi i in. (2021) zbadali związek między bezpieczeństwem żywnościowym w Nigerii a wykorzystaniem ICT, posługując się danymi na poziomie gospodarstw domowych. Bezpieczeństwo żywnościowe potraktowano jako zmienną binarną, a stopień przyjęcia ICT mierzono poprzez korzystanie z telefonów komórkowych przez gospodarstwa domowe. Wyniki wskazały, że wykorzystanie ICT poprawia bezpieczeństwo żywnościowe jedynie w gospodarstwach prowadzonych przez mężczyzn, a nie w tych prowadzonych przez kobiety. W podobnym badaniu dotyczącym Ugandy Picho i in. (2018) zbadali wpływ korzystania z ICT na bezpieczeństwo żywnościowe gospodarstw domowych. Ustalono, że 18,2% gospodarstw domowych w regionie wykorzystywało narzędzia ICT do pozyskiwania informacji o bezpieczeństwie żywnościowym, a działania te miały pozytywny wpływ na status bezpieczeństwa, poprawiając je o 38%. Zbliżone wyniki potwierdzające pozytywny wpływ ICT na bezpieczeństwo żywnościowe w Afryce Subsaharyjskiej uzyskali Hudson i in. (2017).

Niniejsze opracowanie ma na celu zbadanie wpływu czynników meteorologicznych na bezpieczeństwo żywnościowe Pakistanu w oparciu o dane przekrojowe za lata 2019–2020. Ogólna postać modelu przyjmuje postać wyrażenia: (1) FS=f(MF,ICT,(MF×ICT),Xi,εi) FS = f(MF,ICT,(MF \times ICT),{X_i},{\varepsilon_i}) FS oznacza bezpieczeństwo żywnościowe, MF to wektor czynników meteorologicznych obejmujący CDD, HDD, AP i WS; ICT oznacza technologie informacyjno-komunikacyjne, a MF × ICT to wyraz interakcji tych czynników. X_i reprezentuje zmienne kontrolne. Model koncepcyjny badania przedstawia się następująco:

Rysunek 1.

Model koncepcyjny

Źródło: opracowanie własne autorów.

Na podstawie modelu koncepcyjnego model bazowy badania sformułowano następująco: (2) FSij=α0+α1CDD1j+α2HDD2j+α3AP3j+α4WS4j+α5ICTij+α6(ICTij×CDD1j)+α7(ICTij×HDD2j)+α8(ICTij×AP3j)+α9(ICTij×WS4j)+α10DRij+α11SRij+α12HSi+α13HIi+α14VAi+α15Edui+α16D1i+α17D2i+α18D3i+α19D4i+εi \matrix{{{FS}_{ij} = {\alpha_0} + {\alpha_1}{CDD}_{1j} + {\alpha_2}{HDD}_{2j} + {\alpha_3}{AP}_{3j} + {\alpha_4}{WS}_{4j} + {\alpha_5}{ICT}_{ij} + {\alpha_6}({ICT}_{ij} \times} \cr {{CDD}_{1j}) + {\alpha_7}({ICT}_{ij} \times {HDD}_{2j}) + {\alpha_8}({ICT}_{ij} \times {AP}_{3j}) + {\alpha_9}({ICT}_{ij} \times {WS}_{4j}) + {\alpha_{10}}{DR}_{ij} +} \cr {{\alpha_{11}}{SR}_{ij} + {\alpha_{12}}{HS}_i + {\alpha_{13}}{HI}_i + {\alpha_{14}}{VA}_i + {\alpha_{15}}{Edu}_i + {\alpha_{16}}{D_{1i}} + {\alpha_{17}}{D_{2i}} + {\alpha_{18}}{D_{3i}} + {\alpha_{19}}{D_{4i}} + {\varepsilon_{\rm{i}}}} \cr} gdzie: ij odnosi się do i-tego gospodarstwa domowego w j-tym dystrykcie Pakistanu. FS jest zmienną zależną reprezentującą bezpieczeństwo żywnościowe gospodarstwa domowego. Obliczono ją przy użyciu skali doświadczenia braku bezpieczeństwa żywnościowego (FIES), przy czym punktację odwrócono, tak aby wysoki wynik oznaczał wyższe bezpieczeństwo żywnościowe. Zmienne niezależne obejmują czynniki meteorologiczne (CDD, HDD, AP i WS), czyli odpowiednio stopniodni chłodzenia, stopniodni grzania, opady i prędkość wiatru, mierzone na poziomie dystryktu. ICT to technologie informacyjno-komunikacyjne, DR to wskaźnik obciążenia demograficznego, SR to wskaźnik płci, HS to wielkość gospodarstwa domowego, HI to dochód gospodarstwa, VA to wartość aktywów, a Edu to średnie wykształcenie w gospodarstwie. Ponadto D_1–4 reprezentują zmienne fikcyjne (binarne) modelu (szczegółowy opis zmiennych znajduje się w tabeli 1), a ɛ_i jest składnikiem losowym. Model szacowany jest oddzielnie dla każdej strefy klimatycznej, w tym strefy suchej, umiarkowanej/kontynentalnej i tropikalnej, które obejmują po kilka dystryktów. Wariant modelu dla stref klimatycznych przedstawia się następująco: (3) FSijc=β0c+β1cCDD1jc+β2cHDD2jc+β3cAP3jc+β4cWS4jc+β5ICTijc+β6c(ICTijc×CDD1jc)+β7c(ICTijc×HDD2jc)+β8c(ICTijc×AP3jc)+β9c(ICTijc×WS4jc)+β10cDRijc+β11cSRijc+β12cHSic+β13cHIic+β14cVAic+β15cEduic+νic \matrix{{{FS}_{ijc}} \hfill & {= {\beta_{0c}} + {\beta_{1c}}{CDD}_{1jc} + {\beta_{2c}}{HDD}_{2jc} + {\beta_{3c}}{AP}_{3jc} + {\beta_{4c}}{WS}_{4jc} + {\beta_5}{ICT}_{ijc}} \hfill \cr {} \hfill & {+ {\beta_{6c}}({ICT}_{ijc} \times {CDD}_{1jc}) + {\beta_{7c}}({ICT}_{ijc} \times {HDD}_{2jc}) + {\beta_{8c}}({ICT}_{ijc} \times {AP}_{3jc})} \hfill \cr {} \hfill & {+ {\beta_{9c}}({ICT}_{ijc} \times {WS}_{4jc}) + {\beta_{10c}}{DR}_{ijc} + {\beta_{11c}}{SR}_{ijc} + {\beta_{12c}}{HS}_{ic} + {\beta_{13c}}{HI}_{ic}} \hfill \cr {} \hfill & {+ {\beta_{14c}}{VA}_{ic} + {\beta_{15c}}{Edu}_{ic} + {\nu_{ic}}} \hfill \cr} gdzie: c oznacza strefy klimatyczne. Sucha strefa klimatyczna charakteryzuje się znacznymi wahaniami temperatury, podczas gdy strefy umiarkowana i kontynentalna cechują się wyraźnymi porami roku ze zmianami temperatury w ciągu roku. Natomiast strefa tropikalna charakteryzuje się stale wysokimi temperaturami i wysoką wilgotnością przez cały rok. Zmienna moderująca w równaniu 3, czyli ICT, jest wielowymiarowa, dlatego włączono ją do regresji w formie indeksu. Indeks ICT skonstruowano przy użyciu analizy głównych składowych (PCA) na podstawie siedmiu standaryzowanych wskaźników dotyczących dostępu do technologii cyfrowych i ich wykorzystania. Etapy konstrukcji przedstawiono poniżej. Aby skonstruować indeks ICT, zastosowano metodę PCA w odniesieniu do siedmiu zmiennych obserwowanych, reprezentujących różne wymiary dostępu do ICT i korzystania z nich: ICT1 – posiadanie urządzeń cyfrowych, ICT2 – stopień wykorzystania, ICT3 – dostęp do Internetu, ICT4 – korzystanie z Internetu, ICT5 – częstotliwość korzystania z Internetu, ICT6 – społeczne i edukacyjne wykorzystanie urządzeń cyfrowych oraz ICT7 – społeczne i edukacyjne korzystanie z Internetu. Zmienne zostały najpierw poddane standaryzacji w celu zapewnienia porównywalności.

Przeprowadzono analizę PCA w celu zmniejszenia wymiarowości i wyodrębnienia nieskorelowanych kombinacji liniowych (głównych składowych) zmiennych. Ogólna postać i-tej głównej składowej jest następująca: PCi=αi1ICT1+αi2ICT2+⋯+αi7ICT7 {PC}_i = {\alpha_{i1}}{ICT}_1 + {\alpha_{i2}}{ICT}_2 + \cdots + {\alpha_{i7}}{ICT}_7 gdzie: α_ij oznacza ładunek zmiennej j na składowej i. Na podstawie kryterium Kaisera zachowano składowe o wartościach własnych większych od jedności. W niniejszym badaniu wybrano trzy takie składowe.

Każdej składowej przypisano wagę odpowiadającą wyjaśnianej przez nią części wariancji. Złożony indeks ICT skonstruowano jako sumę ważoną zachowanych składowych w następujący sposób: ICT index=w1PC1+w2PC2+w3PC3 ICT\,index = {w_1}{PC}_1 + {w_2}{PC}_2 + {w_3}{PC}_3 gdzie: wj=wariancja wyjaśniana przez PCjΣwariancja wyiaśniana przez zachowane główne składowe (PC) {w_j} = {{wariancja\,wyja{\acute s}niana\,przez\,{PC}_j} \over {\Sigma wari\alpha ncja\,wyia{\acute s}niana\,przez\,zachowane\,gl{\acute o}wne\,skladowe\,(PC)}}

Aby zwiększyć interpretowalność i porównywalność, indeks ICT znormalizowano do przedziału od 0 do 1 przy użyciu normalizacji min–max: Znormalizowany indeks=indeks ICT−min(indeks ICT) max(indeks ICT)−min(indeks ICT) Znormalizowany\,indeks = {{indeks\,ICT - \min (indeks\,ICT)} \over {\;\max (indeks\,ICT) - \min (indeks\,ICT)}}

Dzięki temu wyższe wartości wskazują na większy dostęp do ICT i większe wykorzystanie tych technologii w gospodarstwach domowych. Miara adekwatności doboru próby Kaisera–Meyera–Olkina (KMO) wyniosła 0,763, co wskazuje, że próba była odpowiednia do analizy PCA. Test sferyczności Bartletta okazał się wysoce istotny (χ² = 354,41 przy p < 0,001), co potwierdza, że macierz korelacji nie była macierzą jednostkową, a zatem nadawała się do wyodrębnienia czynników.

Równanie 4 pozwala na obliczenie całkowitego wpływu czynników meteorologicznych na bezpieczeństwo żywnościowe (FS) dla modelu bazowego przy użyciu następujących wzorów: (4) ∂FSij∂MFij=αm+αk×ICTi {{\partial {FS}_{ij}} \over {\partial {MF}_{ij}}} = {\alpha_m} + {\alpha_k} \times {ICT}_i gdzie: k = 6,7,8,9 pochodzą z równania 2.

Równanie 5 pozwala na obliczenie całkowitego wpływ czynników meteorologicznych na FS dla wariantu modeli skonstruowanych dla poszczególnych stref klimatycznych. (5) ∂FSijc∂MFijc=βmc+βkc×ICTi {{\partial {FS}_{ijc}} \over {\partial {MF}_{ijc}}} = {\beta_{mc}} + {\beta_{kc}} \times {ICT}_i gdzie: c reprezentuje strefę klimatyczną, a m = 6,7,8,9 pochodzą z równania 3.

Całkowity efekt rozłożono następnie na efekty bezpośrednie i moderowane, co przedstawiono w tabeli 1.

Efekty te poddano analizie w celu weryfikacji następujących tez:

• Jeśli efekt bezpośredni jest ujemny (β_m > 0 oraz α_m > 0), a stresory meteorologiczne obniżają bezpieczeństwo żywnościowe gospodarstw domowych, przyjmujemy hipotezę 1.

• Jeśli efekt moderujący jest dodatni dla FS oraz (β_kc × ICT < 0 i α_kc × ICT > 0), a gospodarstwa domowe wykorzystują ICT do łagodzenia wpływu czynników meteorologicznych w celu zapewnienia bezpieczeństwa żywnościowego, przyjmujemy hipotezę 2.

Włączenie zmiennych kontrolnych do równania 2 jest uzasadnione silnymi przesłankami teoretycznymi i empirycznymi. Kolejną istotną zmienną wpływającą na bezpieczeństwo żywnościowe jest dochód gospodarstwa domowego. Gospodarstwa o wysokich dochodach mogą pozwolić sobie na zakup wystarczającej ilości pełnowartościowej żywności, podczas gdy osoby o niższych dochodach mogą być zmuszone do pomijania posiłków lub polegania na tańszej, mniej wartościowej żywności. Kolejną zmienną kontrolną negatywnie wpływającą na bezpieczeństwo żywnościowe gospodarstwa domowego jest wskaźnik obciążenia demograficznego. Większa liczba osób niepracujących w gospodarstwie domowym przekłada się bowiem na mniejszą ilość spożywanej żywności w przeliczeniu na osobę (Akbar i in., 2020). Jeśli chodzi o wpływ edukacji, wyższy poziom wykształcenia koreluje z wyższymi zarobkami i mniejszym ryzykiem braku bezpieczeństwa żywnościowego. Parveen i in. (2021) uznali edukację za kapitał społeczny i wykazali, że zwiększa ona zdolność gospodarstwa domowego do podejmowania świadomych decyzji dotyczących produkcji i żywienia. Ponadto bezpośredni wpływ na bezpieczeństwo żywnościowe ma wielkość gospodarstwa domowego, ponieważ liczniejsze rodziny zazwyczaj potrzebują więcej żywności, co może obciążać ich ograniczony budżet, zwłaszcza w przypadku rodzin o niskich dochodach.

W badaniu wykorzystano dane z pakistańskiego badania standardów społecznych i życiowych (ang. Pakistan Social and Living Standard Measurement, PSLM) z lat 2019–2020. Próba obejmuje 160 654 gospodarstwa domowe z obszarów miejskich i wiejskich wszystkich prowincji, obejmując różne dystrykty (listę dystryktów uwzględnionych w analizie podano w tabeli A–1 w Aneksie). Pomiaru zmiennej zależnej, czyli bezpieczeństwa żywnościowego, dokonano za pomocą skali doświadczenia braku bezpieczeństwa żywnościowego (FIES), która przyjmuje wartości od 0 do 8. Dane dotyczące czynników meteorologicznych, w tym HDD, CDD, WS i AP, pobrano ze strony internetowej NASA POWER (szczegółowe informacje dotyczące zmiennych i źródeł danych znajdują się w tabeli 2). Do oszacowania relacji między bezpieczeństwem żywnościowym a jego determinantami wykorzystano analizę regresji metodą najmniejszych kwadratów (MNK) oraz regresję kwantylową. Aby zbadać niejednorodne skutki zmiennych klimatycznych i dostępu do ICT dla bezpieczeństwa żywnościowego na różnych poziomach wrażliwości klimatycznej, obok modelu bazowego MNK zastosowano regresję kwantylową. Podczas gdy MNK daje efekty średnie, istotne jest również zbadanie, jak stresory klimatyczne i infrastruktura ICT wpływają na gospodarstwa zagrożone brakiem bezpieczeństwa żywnościowego (dolne kwantyle) w porównaniu z tymi relatywnie bezpiecznymi (górne kwantyle). Regresja kwantylowa pozwala oszacować warunkowe efekty predyktorów dla różnych kwantyli zmiennej zależnej, wychwytując nieliniowości i heteroskedastyczność bez konieczności stosowania składników wielomianowych. Obecność heteroskedastyczności w bazowym modelu MNK (zob. Tab. 5) potwierdzono testem Koenkera–Bassetta (KB) (który jest odpowiednim testem heteroskedastyczności, przydatnym gdy relacje między zmiennymi różnią się w rozkładzie zmiennej zależnej), a obecność niejednorodności potwierdza duża liczebność próby, co dodatkowo uzasadnia użycie regresji kwantylowej. Ma ona jednak swoje ograniczenia. Zakłada niezależność między kwantylami i nie dostarcza globalnej statystyki dopasowania modelu, takiej jak R² w przypadku MNK. Dodatkowo wnioskowanie w poszczególnych kwantylach może stać się wrażliwe w mniejszych podpróbach, a interpretacja modelu może być złożona w przypadku obecności składników interakcji. Mimo tych zastrzeżeń regresja kwantylowa stanowi analitycznie wydajne ramy, szczególnie dla tego badania, pozwalając zidentyfikować segmenty populacji najbardziej narażone na wstrząsy klimatyczne oraz sposób, w jaki ICT może służyć jako mechanizm odporności. Regresję kwantylową przedstawia się matematycznie jako: QyτX=X′βτ {Q_y}\left({{\tau \over X}} \right) = X'\beta \left(\tau \right) gdzie: QyτX {Q_y}\left({{\tau \over X}} \right) jest warunkowym τ-tym kwantylem zmiennej zależnej Y (FS) dla zmiennych objaśniających X, β(τ) jest wektorem współczynników specyficznych dla danego kwantyla, τ ∈ (0,1) oznacza poziom kwantyla (np. 0,25, 0,50, 0,75). Podejście to pozwala uchwycić zmienność w rozkładzie FS, identyfikując zróżnicowane efekty dla niskiego, średniego i wysokiego poziomu bezpieczeństwa żywnościowego.

Statystyki opisowe zmiennych, w tym średnią, odchylenie standardowe oraz wartości minimalne i maksymalne, przedstawiono w tabeli 3. Tabela 4 przedstawia liczebności zmiennych kategorialnych/ fikcyjnych. Statystyki pokazują, że 68,9% gospodarstw domowych znajdowało się na obszarach wiejskich. Na podstawie dane demograficznych dla prowincji można stwierdzić, że około 17,8% respondentów mieszka w Chajber Pasztunchwa (KPK), 49,6% pochodzi z Pendżabu, 32,1% osób zamieszkuje Sindh, a 9,5% respondentów zamieszkuje Beludżystan.

Sektor rolniczy ma zasadnicze znaczenie z punktu widzenia zaspokojenia potrzeb żywnościowych szybko rosnącej populacji Pakistanu. Pakistan boryka się jednak z poważnym kryzysem bezpieczeństwa żywnościowego. Niedawne powodzie i pandemia COVID-19 pogorszyły ten stan, gdyż zakłócenia w przepływie podstawowych towarów, takich jak żywność i środki produkcji rolnej, utrata dochodów oraz rosnące ceny żywności dotknęły milionów ludzi. W niniejszym badaniu poddano analizie wpływ wywołanych klimatem stresorów meteorologicznych na bezpieczeństwo żywnościowe gospodarstw domowych w Pakistanie oraz oceniono moderującą rolę rozwiązań ICT z wykorzystaniem MNK i regresji kwantylowej. Analizę przeprowadzono na poziomie krajowym oraz w trzech odrębnych strefach klimatycznych: suchej, umiarkowanej/kontynentalnej i tropikalnej, wykorzystując przekrojowe dane na poziomie gospodarstw domowych. Dane pochodzą z badania PSLM z lat 2019–2020, obejmującego wszystkie cztery prowincje, w tym wiejskie i miejskie regiony Pakistanu.

Wyniki ujawniają, że wszystkie cztery zmienne meteorologiczne: CDD, HDD, AP i WS, negatywnie i istotnie wpływają na bezpieczeństwo żywnościowe gospodarstw domowych. Spośród nich prędkość wiatru i opady mają najsilniejsze negatywne skutki, szczególnie w strefach tropikalnych, gdzie intensywność i nieprzewidywalność zdarzeń klimatycznych są większe. Wyniki potwierdzają również zróżnicowanie regionalne, przy czym najbardziej narażona jest strefa tropikalna, a następnie regiony suche i umiarkowane/kontynentalne.

Co istotne, stwierdzono, że przyjęcie ICT odgrywa statystycznie istotną i pozytywną rolę w poprawie bezpieczeństwa żywnościowego na poziomie krajowym i w większości stref. Składniki interakcji zarówno w regresji MNK, jak i kwantylowej pokazują, że ICT mogą łagodzić negatywne skutki czynników meteorologicznych, zwłaszcza HDD i CDD, dzięki dostarczaniu terminowych informacji pogodowych, ułatwianiu decyzji dotyczących przystosowania się do zmiany klimatu w rolnictwie i zmniejszaniu niepewności. Jednak ten efekt moderujący jest w poszczególnych strefach nierównomierny. ICT są najmniej skuteczne w regionach tropikalnych, gdzie podatność strukturalna, braki w infrastrukturze i potencjalnie niższa jakość ICT mogą ograniczać ich rolę łagodzącą.

Wyniki regresji kwantylowej dodatkowo wzbogacają analizę, odzwierciedlając niejednorodność rozkładu w dynamice relacji klimat-bezpieczeństwo żywnościowe. Niekorzystne skutki stresorów meteorologicznych oraz korzyści płynące z ICT są bardziej wyraźne w dolnych kwantylach rozkładu bezpieczeństwa żywnościowego, co sugeruje, że uboższe lub bardziej wrażliwe gospodarstwa domowe odnoszą większe korzyści z interwencji w zakresie ICT i są w nieproporcjonalnie dużym stopniu dotknięte zmiennością klimatu.

Choć ICT niosą potencjał łagodzenia ryzyka klimatycznego dla bezpieczeństwa żywnościowego, istotne wyzwania stanowią trwałe wykluczenie cyfrowe i słaba infrastruktura cyfrowa. Znaczne części populacji wiejskich i marginalizowanych nie mają dostępu do niezawodnego Internetu, smartfonów czy programów podnoszenia umiejętności cyfrowych. Według Pakistańskiego Urzędu Telekomunikacji penetracja Internetu pozostaje poniżej 55%, przy czym występują dysproporcje między regionami miejskimi i wiejskimi, a dostęp do sieci 4G lub szerokopasmowej w obszarach narażonych na zmianę klimatu, takich jak wewnętrzna część prowincji Sindh i części Beludżystanu, jest ograniczony. Ponadto częste przerwy w dostawie prądu i niestabilność łączności pogarszają działanie platform cyfrowych podczas ekstremalnych zjawisk pogodowych. Te deficyty infrastrukturalne poważnie ograniczają zdolność ICT do funkcjonowania jako niezawodna strategia adaptacji do stresorów meteorologicznych.

Na podstawie analizy regionalnej i panującej sytuacji sugeruje się, że interwencje polityczne muszą być specyficzne dla strefy klimatycznej. W regionach suchych, gdzie ekstremalne temperatury znacznie obniżają bezpieczeństwo żywnościowe, a ICT odgrywają ograniczoną rolę łagodzącą, inwestycje powinny koncentrować się na uprawach odpornych na suszę, nawadnianiu zasilanym energią słoneczną i rozszerzaniu usług doradczych opartych na technologiach mobilnych. W przypadku stref umiarkowanych i kontynentalnych, gdzie ICT skutecznie łagodzą skutki upałów i chłodów, odporność może się poprawić dzięki wzmacnianiu infrastruktury cyfrowej, promowaniu rolnictwa precyzyjnego i wspieraniu innowacji agrotechnicznych. W strefach tropikalnych, gdzie ICT nie równoważą wstrząsów klimatycznych z powodu luk infrastrukturalnych i w dostępie cyfrowym, priorytetem powinna być poprawa łączności ICT na obszarach wiejskich oraz integracja narzędzi cyfrowych z praktykami rolniczymi odpornymi na powodzie. Priorytetem powinno być zarządzanie klęskami żywiołowymi związanymi z wiatrem i opadami, zamiast skupiania się wyłącznie na rozwiązaniach zależnych od ICT w celu zrównoważenia szkód spowodowanych przez WS/AP. Ponadto kierowanie pomocy do ubogich gospodarstw domowych, np. poprzez przekierowanie dotacji na ICT do 20% gospodarstw domowych o najniższym poziomie bezpieczeństwa żywnościowego, gdzie korzyści z ICT są największe, może budować społeczności odporne na zmiany klimatu.

Niniejsze badanie ma kilka ograniczeń. Po pierwsze, przekrojowy charakter danych ogranicza możliwość uchwycenia dynamiki czasowej i długoterminowych zachowań przystosowawczych. Po drugie, chociaż badanie uwzględnia główne zmienne meteorologiczne, nie obejmuje częstotliwości ani intensywności ekstremalnych zjawisk pogodowych, takich jak powodzie czy susze, co mogłoby zapewnić bardziej precyzyjne zrozumienie wstrząsów klimatycznych. Po trzecie, zmienna ICT została skonstruowana przy użyciu analizy głównych składowych i wykorzystana jako ogólna zmienna złożona. Dezagregacja zmiennej na jej składowe i analiza roli bezpieczeństwa żywnościowego pozwoliłaby badaczom na zaproponowanie bardziej celowanych interwencji cyfrowych. Ostatecznie, podczas gdy regresja kwantylowa uwzględnia nieliniowość i różnice w rozkładzie, bardziej zaawansowane techniki modelowania, takie jak regresja kwantylowa ze zmiennymi instrumentalnymi lub modelowanie równań strukturalnych, mogłyby dodatkowo potwierdzić solidność wyników. W przyszłych badaniach należy wykorzystać dane z badań longitudinalnych, uwzględnić bogatsze wskaźniki ICT oraz zbadać wpływ katastrof klimatycznych i bardziej zaawansowaną metodologię, aby przezwyciężyć ograniczenia niniejszego badania.