WPS7692 Policy Research Working Paper 7692 Weathering Storms Understanding the Impact of Natural Disasters on the Poor in Central America Oscar A. Ishizawa Juan Jose Miranda Social, Urban, Rural and Resilience Global Practice Group June 2016 Policy Research Working Paper 7692 Abstract In the past decades, natural disasters have caused sub- comprehensiveness to the study. One standard deviation in stantial human and economic losses in Central America, the intensity of a hurricane windstorm leads to a decrease with strong adverse impacts on gross domestic product in growth of total per capita gross domestic product of per capita, income, and poverty reduction. This study between 0.9 and 1.6 percent, and a decrease in total income provides a regional perspective on the impact of hurri- and labor income by 3 percent, which in turn increases cane windstorms on socioeconomic measures in the short moderate and extreme poverty by 1.5 percentage points. term. Apart from modeling the socioeconomic impact at These results demonstrate the causal relationship between the macro and micro levels, the study incorporates and hurricane windstorm impacts and poverty in Central juxtaposes data from a hurricane windstorm model cat- America, producing regional evidence that could improve egorizing three hurricane damage indexes, which lends a targeting of disaster risk management policies toward higher level of detail, nuance, and therefore accuracy and those most impacted and thus whose needs are greatest. This paper is a product of the Social, Urban, Rural and Resilience Global Practice Group. 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 oishizawa@worldbank.org, jjmiranda@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 Weathering Storms: Understanding the Impact of Natural Disasters on the Poor in  Central America1  Oscar A. Ishizawa2 and Juan Jose Miranda3  The World Bank  JEL Classifications: O11, O12, O44, Q51, Q54, R11    Keywords: Hurricanes, Poverty, Natural Disasters, Central America, Economic Growth, Vulnerability  1  This work was funded by The World Bank’s Global Facility for Disaster Reduction and Recovery Program (Trust Fund  #  TF018258).  We  thank  in  particular  Johanan  Rivera  Fuentes  for  the  overall  coordination,  technical  inputs  and  for  drafting the first version of this paper. We also thank Luis Felipe Jimenez, Andrea Villamil and Xijie Lv for outstanding  research assistance. Gonzalo Pita produced the hurricane windstorm data based on the hurricane windstorm model  developed  under  the  WB  LCR  CAPRA  Program  (Pita  et  al.,  2015).  Participants  at  the  World  Bank’s  Workshop  on  “Aggregated  Shocks,  Poverty  and  Ex‐ante  Risk  Management  in  Latin  America  and  the  Caribbean”,  and  the  2015  Poverty Learning Event on Risks provided excellent comments and suggestions.   2  Social, Urban, Rural and Resilience Global Practice (GSURR): oishizawa@worldbank.org.  3  Environment and Natural Resources Global Practice (GENDR): jjmiranda@worldbank.org.  1. INTRODUCTION   Due  to  its  geographical  location  and  its  geological  and  hydro‐meteorological  characteristics,  Central  America is remarkably prone to disasters from adverse natural events. Five of its six countries are ranked  in  the  top  15  countries  with  the  highest  risk  of  mortality  and  economic  loss  from  three  or  more  natural  hazards (World Bank, 2010).   With the highest poverty rates in Latin America, Central America’s population is particularly vulnerable to  disasters  from  adverse  natural  events.  About  42  percent  of  the  region’s  population  (around  41  million  people) is poor or extremely poor (Krozer, 2010). As of 2013, Guatemala, Honduras, and El Salvador have  the highest poverty rates in Latin America with 62.4, 59.4 and 31.8 percent of their populations living on  less than US$ 4 per day respectively (World Bank, 2015). Disasters from adverse natural events exacerbate  Central America’s economic vulnerability, accounting for substantial human and economic losses.  In the last decade alone, between 2005 and 2014, the region had a nominal combined cumulative loss of  around  US$  5.8  billion,  with  more  than  3,410  deaths  and  hundreds  of  thousands  of  people  displaced.4  Hydro‐meteorological  events  are  not  only  the  most  common  of  Central  America’s  natural  disasters,  but  are also the events with the widest range and impact in the region. In 1998, Hurricane Mitch caused about  14,600  deaths,  directly  affected  around  6.7  million  people,  and  caused  more  than  US$  8.5  billion  in  damages  in  Nicaragua,  Honduras,  Guatemala,  and  El  Salvador.  More  recently,  in  October  2011,  Tropical  Depression 12‐E hit the coasts of El Salvador and Guatemala, causing damage in most of the countries in  the region, which totaled almost US$1 billion (CEPAL, 2011).  Recent  and  growing  evidence  suggest  that  disasters  have  a  negative  impact  on  short‐term  overall  economic  growth,  increasing  poverty  and  lowering  human  development  indicators  (Anttila‐Hughes  &  Hsiang,  2013;  Lucchetti,  2011;  Rodriguez‐Oreggia  et  al.,  2012).  Other  studies  have  found  that  disasters  may  also  reduce  household  consumption  substantially,  causing  significant  welfare  losses  (Dercon,  2005;  Thomas et al., 2010). Although there is less available evidence of the long‐term impact of disasters, Hsiang  & Jina (2014) present results at the global level which indicate that persistent negative effects of cyclone  strikes could last for as long as 20 years after the event. However, by contrast, Raddatz (2009) only found  highly concentrated effects of the impacts of droughts and windstorms on national income on the year of  the event.5    In  Central  America,  evidence  shows  that  major  disasters  affect  households  negatively,  especially  in  the  form of disinvestments in human capital. Analyzing the impact of Hurricane Mitch in Nicaragua, Baez and  Santos  (2007)  find  that  the  probability  of  child  undernourishment  in  regions  hit  by  Hurricane  Mitch  increased by 8.7 percent, while child labor force participation increased by 5.6 percent. Carter et al. (2007)  looked at the impact of Hurricane Mitch in Honduran households, and found that lowest‐income groups  were impacted more severely, and for longer periods. In Guatemala, Bustelo (2011) analyzed the impact  of Storm Stan and found that the probability of child labor increased by 7.3 percent in departments hit by  the  storm.  Also  in  Guatemala,  Baez  et  al.  (2015)  looked  at  the  consequences  of  Tropical  Storm  Agatha  (2010)  on  household  welfare,  finding  that  consumption  per  capita  fell  by  12.6  percent  and  poverty  increased 5.5 percentage points (an 18 percent increase).                                                          4  Calculation of authors based on information from EM‐DAT: The international Disasters Database.  5   Dell,  Jones  and  Olken  (2014)  provide  an  excellent  review  on  the  new  climate‐economy  literature  and  summarize  results on different socioeconomic outcomes (e.g., health, conflict, economic growth, among others).      2  These  studies  show  the  impact  of  major  events  in  specific  socioeconomic  conditions.  As  there  is  an  absence of regional studies focused at both macro and household levels, the contribution of this study is  to  provide  a  regional  perspective  to  the  negative  impact  of  hurricane  windstorm  on  a  particular  set  of  social  and  economic  outcomes.  This  is  relevant  not  only  because  a  systematic  regional  perspective  is  currently absent in the existing literature, but also because the region shares many characteristics and a  common approach to disaster and climate risk management.   The  second  section  of  this  study  investigates  the  interconnection  between  hazard  and  damage  which  determine the impacts found by empirical studies. In this section we discuss how windstorm hazard data  are  translated  into  damage  indexes,  and  present  three  different  ways  of  computing  hurricane  damage  indexes.  To characterize hurricane windstorm we draw on a model developed in the WBG Latin‐American  and  the  Caribbean  Disaster  Risk  Management  (DRM)  team  by  Pita  et  al.  (2015)  which  employs  a  fully  probabilistic  hurricane  windstorm  model  calibrated  and  adjusted  for  Central  America.   This  model  has  been used to reproduce historical hurricanes windstorm characteristics with higher temporal and spatial  resolution.  This  model  allows  a  richer  and  more  accurate  characterization  of  the  hurricane  windstorm  hazard than heretofore seen in the literature, improving the different damage indexes used and enabling  better understanding of the implicit biases in the model.    Sections 3 and 4 of the study turn to the data, methodology, and results of the analysis at macro and micro  (household analysis) levels, focusing on the strong negative impacts of major hurricanes in the short term  on per capita GDP (gross domestic product) growth, income, and poverty. One standard deviation in the  intensity  of  hurricane  windstorm  leads  to  a  decrease  in  total  per  capita  GDP  growth  of  between  0.9  percent  and  1.6  percent,  and  a  decrease  in  total  income  and  labor  income  by  3  percent;  which  in  turn  increases  moderate  and  extreme  poverty  by  1.5  percentage  points.  These  socioeconomic  indicators  are  further  informed  by  3  indexes  derived  from  hurricane  damage  modeling.  Studying  both  the  macro  (per  capita  GDP  growth)  and  the  micro  (household  poverty  and  income  among  the  variables)  levels  encompasses  a  more  comprehensive  level  of  analysis  of  impacts  of  hurricane  windstorms,  resulting  in  a  more detailed and nuanced understanding of the negative economic implications of such events.   Finally, the concluding section draws all these angles together to provide a more comprehensive analysis,  provides recommendations, and throws up research questions for the future.   2. FROM WINDSTORM HAZARD TO DAMAGE   Recent studies have focused on improving the modeling of the natural hazard in order to more explicitly  address the impact of adverse natural events on socioeconomic indicators. For example, Hsiang and Jina  (2014) and Strobl (2012) evaluate the hurricane windstorm hazard data using global hurricane models to  generate gridded data sets with different levels of resolution (Hsiang and Jina at the global level and Strobl  for the Caribbean basin). One of the main innovations of this paper is to use a fully probabilistic hurricane  windstorm model developed by Pita el al. (2015) which has been validated and calibrated for the Central  America region to generate hazard information with  the temporal and spatial resolution needed for this  study.   The  windstorm  hazard  data  are  used  to  calculate  the  damage  indexes  which  are  used  as  input  in  both  the  macro  and  micro  models.  As  a  result  we  substantially  improve  the  understanding  of  how  hurricane windstorm hazards could affect socioeconomic outcomes.      2.1. Modeling the Windstorm Hazard   Being  complex,  the  dynamic  atmospheric  environment  of  windstorms  is  often  oversimplified.  This  study  uses  an  accurate  and  comprehensive  model  that  generates  high‐resolution  surface‐level  sustained  wind    3  speed  data  of  historic  hurricanes  and  tropical  storms  in  Central  America.  This  novel  windstorm  hazard  model  for  Central  America  has  been  developed  by  the  WBG  Latin‐American  and  the  Caribbean  Disaster  Risk Management (DRM) team as part of the development of Country Disaster Risk Profiles.6   The  windstorm  hazard  model,  described  in  more  detail  in  Pita  et  al.  (2015),  is  a  wind  field  model  to  estimate  surface  gust  wind  speeds  and  a  mechanism  to  generate  synthetic  events  and  trajectories.  One  of  the  key  outputs  of  the  model  is  the  generation  of  maximum  wind  speeds  along  the  trajectory  of  the  hurricane. Wind speeds refer to the tangential wind component of the hurricane and are directly related  to the intensity of the event. This model has been tested, calibrated, and validated with observed activity  in the East Pacific and North Atlantic basins for the Central America region. The model’s forecasts conform  acceptably well with the observed wind speeds, which guarantees the accuracy of the data used.  The  wind  speed  model  used  is  grounded  in  the  asymmetric  Holland  equation,  which  is  characterized  by  its  simplicity  (i.e.  the  number  of  model  parameters)  and  its  accuracy  (i.e.  the  coincidence  of  model’s  predictions with observed measurements).   The model reproduces the geographical distribution  of the  tangential gradient  wind speeds, Vg, or wind  gusts  at  a  height  of  10  meters  over  a  1km2  grid,  using  the  Holland  model  as  represented  in  Equation  1.  The wind speed is measured at this height because it is here that wind speeds do the most damage.    Δ . . . 1     Where:  .     B is Holland’s shape parameter;   Δ  is the deficit of central and outer peripheral pressure (in Pascals);   is the air density at the gradient height (kg/m3);    is the radius of maximum winds (in meters);    is the radius of any location to the center of the storm (in meters);   is the hurricane translation speed (in meters per second);   is the Coriolis parameter (in 1/seconds);  φ is the angle between the North and the storm heading.  Holland’s shape parameter (B) incorporates some characteristics of the terrain. Roughness, for example,  may  affect  angular  momentum  due  to  surface  friction.  These  variables  have  been  calibrated  for  the  Central  American  region  using  different  sources:  terrain  roughness  from  the  Global  Land  Cover  Dataset  2000,  topography  data  from  the  Shuttle  Radar  Topography  Mission  data  base,  speed‐up  occurring  in  escarpments  and  ridges  using  the  methodology  proposed  by  the  American  Society  of  Civil  Engineers  in  1994, and wind gusts factors using Vickery and Skerlj’s (2005) estimation method.   To  assess  the  model’s  accuracy  and  applicability,  the  estimates  were  evaluated  against  the  tracks  and  wind fields of historical events. Predicted results by the model were compared to the values reported by  the United States’ National Oceanic and Atmospheric Administration (NOAA) aircraft for Hurricanes Mitch                                                          6  This research has been funded by the World Bank through a Global Facility for Disaster Reduction and Recovery  (GFDRR) grant (TF014499) from the Government of Australia (AusAid) under the CAPRA Probabilistic Risk  Assessment program (P144982).     4  (1998)  and  Stan  (2005)  to  assess  the  accuracy  of  simulated  data  on  wind  speed.  To  further  evaluate  the  accuracy of the results, model estimations were also compared with simultaneous in‐situ measurements  collected  during  the  passage  of  Hurricanes  Jeanne  and  Frances  in  2004  across  Florida  (Pita  el  al.,  2015).  These robustness checks provide important information about the accuracy of information generated by  the model.   The  use  of  this  wind  speed  model  is  a  key  innovation  in  this  study  since  it  represents  a  completely  exogenous  input  in  the  estimation  of  hurricanes’  potential  destructive  power  at  each  geographical  location,  which  is  completely  calibrated  and  validated  for  the  Central  America  region.  Strobl  (2012)  and  Hsiang  and  Jina  (2014)  focus  their  papers  on  maximum  wind  speed  using  a  more  simplistic  hurricane  model not necessarily calibrated for our region of interest.    2.2. Hurricane Damage Indexes  Having precise windstorm hazard data is the first step in the study’s characterization of hurricane impact.  What makes hurricanes destructive, and hence economically disruptive, is the strong wind speed coming  in  contact  with  exposed  assets  and  buildings.  In  a  storm,  strong  winds  run  into  stationary  objects  (e.g.,  trees,  buildings,  cars,  etc.).   Some  of  these  elements  can  safely  absorb  the  energy  carried  in  the  moving  air,  while  others  cannot.  To  illustrate  this  connection,  consider  two  hurricanes  of  the  same  magnitude,  with  the  only  difference  being  that  one  of  them  strikes  a  densely  populated  area,  while  the  other  one  touches upon an isolated region. These two virtually identical hurricanes will have extremely different and  opposite economic impacts. The consideration of exposure of assets and population is a key factor for the  estimation  of  damages.  To  keep  the  exogeneity  of  the  hurricane’s  damages  indexes  represents  a  challenge, as it is difficult to link each economic unit with the level of wind by which it has been hit.7   In  this  study  we  consider  three  approaches  based  on  3  different  indexes,  as  outlined  in  the  recent  literature. The first one is simply using the maximum sustained wind speed (MSWS) as generated by the  Pita et al. model, representing a fully exogenous measure of hurricane intensity. This variable being fully  exogenous, comprises potentially high levels of measurement error.   The second approach, proposed by Hsiang and Jina (2014), is the Wind Exposure Index (WEI) describing a  spatially‐weighted index by area exposed to hurricane wind speed within a sub‐national unit (see Equation  2). This index aims to recover the average effect of hurricane exposure on an average grid. As Hsiang and  Jina  (2014)  suggest,  intuitively  the  WEI  index  represents  the  exposure  all  units  of  land  would  have  if  the  measure  of  a  storm  is  “spread  out”  evenly  across  all  locations  in  a  country.  If  exposed  area  is  correlated  with  socioeconomic  damages,  but  the  overall  intensity  of  a  storm  is  not  correlated  with  populated  or  economically active regions or countries, measurement error is reduced.     ∑ ∗ 2   ∑                                                           7  Another aspect that needs to be addressed in the characterization of hurricanes is the temporal and spatial  mismatch between socioeconomic data and wind speed data.  Socioeconomic data are often collected, calculated  or released at an aggregate level by country or region on a yearly basis. Meanwhile, wind speed data are available  at a finer resolution (1km2) for each point in time. In the case of the GDP analysis (section 3), indexes are  aggregated at the country level, while in the case of the household analysis (section 4), indexes are aggregated at  the sub‐national level (regions).    5  Where:    : is the subnational region,   is the year and   denotes each event;  : is the unit (grid) of observation of wind sped;  : is the total number of grids per region (or sub‐national unit);  : is the maximum sustained wind speed;  : is the area of the grid.    The third approach is the Index of Hurricane Destruction (IHD), proposed by Strobl (2012). This index uses  the distribution of population as a proxy for economic activity, weighting the MSWS of a given cell by the  percentage of the population within the cell (see equation 3). This index further reduces the measurement  error,  albeit  at  the  cost  of  potential  endogeneity  issues  because  population  could  make  the  decision  of  locate themselves strategically on low‐hazard areas.8    ∗ 3     Where:  W : is the percentage share of the country’s population;  : is the damage factor (equal to 3.8);9 : is the unit (grid) of observation of wind speed;  : is the total number of grids per region.    2.3. Intensity Threshold  Given the non‐linearity on the relationship between MSWS and the damage on the ground,10 we evaluate  the  impact  of  hurricanes  measured  by  the  Saffir‐Simpson  (SS)  scale.11  The  SS  scale  classifies  events  into  five  categories  according  to  the  sustained  wind  speed  measurement,  with  one  being  of  the  lowest  and  five the highest wind speed. The wind speed is directly correlated with the intensity of the hurricane. The  scales are as follow: 1 for hurricanes between 119 and 153 km/h, 2 for hurricanes between 154 and 177  km/h,  3  for  hurricanes  between  178  and  209  km/h,  4  for  hurricanes  between  210  and  249  km/h,  and  5  for hurricanes above 250 km/h.12   As Strobl (2012) suggests, it is generally agreed that considerable damages due to windstorm only occur  once a hurricane reaches a strength of 3, which is intrinsically how the scale has been created. In the case  of Central America, however, it is unclear whether this relationship holds given the high levels of poverty  and the fragile residence features in the region.13 Therefore, this is an empirical question that we address                                                          8  We use the GHSL – Global Human Settlement Layer Population dataset for available years (1975, 1990, 2000, and  2015).  9  Strobl (2012) suggests that this parameter relates local wind speed to the local level of damages.  10  Each additional unit of wind speed does not cause a constant level of damage.  11  The National Hurricane Center provides further explanation and a conceptual animation of the SS categories:  http://www.nhc.noaa.gov/aboutsshws.php.  12  Related categories are tropical storm (63 – 118 km/h) and tropical depression (≤ 62 km/h).  13  For example, according to SEDLAC, the share of dwellings of low‐quality materials in Central America could be  high as in Guatemala (46 percent), El Salvador (31 percent), Nicaragua (15 percent), and Honduras (14 percent).     6  here.  We  considered  two  group  of  analysis:  (a)  events  with  SS  equal  or  higher  than  1,  (b)  events  with  SS  equal or higher than 3.   As  an  example,  Figure  1  shows  all  the  historical  hurricanes  since  1983  single  out  by  SS  scale  and  the  distribution of population based on data from 2000. This graph depicts three key features. First, most of  the hurricanes are considered below SS scale 3 (out of the 92, 35 are considered of SS scale 3 or greater).  Secondly,  we  show  that  Honduras,  Guatemala  and  Nicaragua  are  the  most  impacted  countries  in  the  region,  whereas  Costa  Rica  and  Panama  have  not  been  hit  by  any  major  hurricane  in  the  last  30  years.  Thirdly, population is highly concentrated in the western area of Central America where there are a fewer  storm  occurrences.  The  proposed  indexes  –especially  the  population  weighted  index,  IHD–  incorporate  that dynamic when assessing the related economic damages.    Figure 1  Central America’s Strom Tracks by Intensity             7  The  correlation  between  the  three  indexes  is  considerably  high.  Figure  2  depicts  the  three  indexes  aggregated  at  the  SEDLAC  regional  level14  for  Hurricane  Beta  (2005).  Hurricane  Beta  was  considered  of  category 3 before landfall and it substantially affected Nicaragua. In land, depending in the country, Beta  was  considered  a  hurricane  category  2  and  a  tropical  storm.  The  three  embedded  graphs  show  clearly  that  the  three  indexes  share  more  similarities  than  differences.  Among  the  six  countries,  Nicaragua  and  Honduras  were  the  most  affected  and  similar  conclusion  is  derived  from  each  index  (besides  its  unit  of  measure).    Figure 2  Hurricane Damage Indexes for Hurricane Beta (2005)     Maximum Sustained Wind Speed (MSWS)  Wind Exposure Index (WEI)      Index of Hurricane Destruction (IHD)                                                          14  SEDALAC: Socio‐Economic Database for Latin America and the Caribbean (Universidad Nacional de La  Plata/World Bank). Please refer to section 4 for further details on the regions considered at the household level  analysis.    8    Note:  Countries  are  divided  in  SEDLAC  regions.  SEDLAC  is  the  World  Bank  Socio‐Economic  Database for Latin America and the Caribbean.        3. WINDSTORM IMPACT AT THE MACRO LEVEL  This section presents the data, methodology, and results of the analysis at a macro level, focusing on how  hurricane windstorm impacts per capita GDP growth in Central American countries over a period of almost  30  years  (1983  –  2010).   The  unit  of  analysis  is  the  country  and  our  empirical  strategy  exploit  countries’  variation over time to identify the causal effect of storms on GDP.    3.1. Data  The main database used in this analysis is from version 7.1 of the Penn World Tables (PWT), published on  November 2012.15 Results are comparable as the PWT database was also used by Hsiang and Jina (2014)  and Strobl (2012). Compared to previous PWT databases, version 7.1 basically changes the reference year  from 2005 to 2010, introduces improvements in regional price comparisons, and increases the number of  countries covered.16   The  period  of  analysis  is  roughly  30  years  (1983‐2010);  a  period  which  matches  the  availability  of  wind  speed  data.  The  key  dependent  variable  is  GDP  per  capita.  Other  control  variables  include:  population,  openness  (sum  of  imports  and  exports  as  a  share  of  total  GDP),  and  investment  (defined  both  as  capital  formation from national accounts and also as a share of total GDP). These covariates are included in the                                                          15  Although other data sources like the World Development Indicators and the IMF’s World Economic Outlook Data  were  considered,  for  comparability  with Strobl  (2010)  and  Hsiang &  Jina (2014)  as  well  as  other papers  relevant  to  this study, the results presented in this study are based on Penn World Tables data.  16  Even though at the time of the analysis a newer version of the tables had been released, significant changes in the  variables  from  the  previous  editions  reduced  comparability  with  results  from  Hsiang  and  Jina  (2014)  and  Strobl  (2012), hence we decided to work with version 7.1.    9  Strobl  (2012)  analysis.  All  variables  in  monetary  terms  are  measured  in  current  Purchasing  Power  Parity  (PPP), international dollars allowing for comparability between countries.   The average GDP per capita for the region is US$ 4,478, with an average annual growth rate of 3.6 percent  in  this  period.  This  number  masks  important  differences  between  countries.  In  the  study  period,  Costa  Rica  and  Panama  experienced  higher  growth  rates  than  the  rest  of  the  Central  American  countries.  For  example,  in  2010,  Costa  Rica’s  and  Panama’s  GDP  per  capita  was  twice  the  one  of  El  Salvador’s  and  Guatemala’s, and thrice that of Nicaragua’s and Honduras’. While Panama grew at an average rate of 5.3  percent per year, Nicaragua (which suffered a political revolution in the studied period) grew by only 1.5  percent.  Table  1  presents  descriptive  statistics  by  decade  of  the  variables  used  in  the  analysis.  Central  American  countries have experienced trade liberalization in recent years, resulting in trade openness in the region  growing  from  0.47  to  0.76  between  1990  and  2000.  There  is,  however,  important  variation  between  countries and across this time period: for example, Panama, the country with the highest openness index,  trades 145 percent of its GDP, while El Salvador trades only 59 percent of its GDP on average. Also, in this  period, the population in the region grew at an average rate of 2.1 percent, but this increase was far higher  in urban areas, which has led to a concentration of the population in big cities. The size of the countries’  population  is  also  variable,  with  Guatemala  being  the  largest  with  10  million  inhabitants,  while  Panama,  with 2.7 million inhabitants, has the smallest population.     Table 1  Descriptive Statistics: Macroeconomic Variables    GDP PC  Decade  Statistics  GDP PC  Investment  Openness  Population  Growth  Mean  2,947  2.3%  16.3%  65.7%  4,241  SD*  1,006  5.9%  5.3%  31.4%  1,955  1983‐1990  Min  1,532  ‐25.9%  4.3%  17.0%  2,081  Max  5,470  10.6%  28.1%  146.8%  8,966  Mean  4,091  3.8%  22.4%  89.6%  5,311  SD*  1,836  3.7%  6.0%  39.9%  2,450  1991‐2000  Min  1,463  ‐6.1%  13.6%  41.5%  2,441  Max  8,471  13.4%  40.4%  178.6%  11,085  Mean  6,090  4.3%  22.9%  97.7%  6,385  SD*  3,074  3.1%  5.1%  29.5%  3,015  2001‐2010  Min  1,922  ‐3.9%  13.6%  57.2%  2,952  Max  12,983  11.9%  33.2%  161.2%  13,550  Mean  4,478  3.6%  20.8%  85.7%  5,389  SD*  2,545  4.3%  6.2%  36.4%  2,673  Total  Min  1,463  ‐25.9%  4.3%  17.0%  2,081  Max  12,983  13.4%  40.4%  178.6%  13,550  *Standard Deviation     10  3.2. The Model  The  data  are  a  balanced  panel  spanning  28  years  for  the  6  countries  in  Central  America  (Guatemala,  Honduras,  Costa  Rica,  Panama,  Nicaragua,  and  El  Salvador).  As  discussed  in  the  previous  section,  wind  speed data was aggregated by year. When more than one event occurred in a calendar year in the same  country, only the strongest event was taken into account. To evaluate the existence of other relationships  between  multiple  hurricanes  in  a  year  and  per  capita  GDP  growth,  we  included  controls  for  the  number  of hurricanes per year with no substantial change in the results.17 During the 30 years of the study, only four hurricanes reached SS scale equal to or greater than 3,18 while  19  events  reached  SS  scale  equal  to  or  greater  than  1.  It  is  important  to  highlight  that  in  this  period,  Panama and Costa Rica did not suffer any major events (i.e., events with SS ≥ 1). Nicaragua accounted for  nearly half of the events (9 events in total) followed by Honduras (5 events in total). Storms under category  SS  1  represented  63  percent  of  events  (12  in  total),  while  category  SS  2  and  SS  3  accounted  equally  for  nearly 33 percent of total events.   Our  empirical  strategy  exploit  the  natural  random  variation  in  the  formation,  path  and  intensity  of  hurricanes and tropical storms as a source of exogenous within‐country variation in disaster exposure to  identify the causal effect of hurricanes in per capita GDP. It follows an ordinary least squares (OLS) models  with fixed  effects by year  and  country.  Hence our identification strategy exploits the variation over  time  within countries following equation 4.    4 Where:  is per capita GDP growth for country i in year t;  is the hurricane damage index for major events for country i in year t (SS ≥ 1 or 3);  is a matrix of control variables; are year fixed effects;  are country fixed effects;   is time trend.   For  each  country,  the  dependent  variable  is  per  capita  GPD  growth.  As  we  discussed  in  the  previous  section, we adopted three different measures of the intensity of the damage ( ): MSWS, IHD and WEI.  MSWS  corresponds  to  the  unweighted  wind  speed  aggregated  at  the  country  level  per  year,  IHD  relates  to the population‐weighted wind speed, while WEI relates  to the  area‐weighted wind speed.  Each index  has its strengths and weaknesses highlighting the trade‐off between exogeneity and measurement error.  The  control  variables  ( )  mirror  those  in  Strobl  (2012)  and  include:  investment  as  a  percent  of  GDP,  population  growth,  openness  (the  sum  of  exports  and  imports  as  a  percentage  of  GDP),  and  the  log  of  GDP per capita. All these variables are lagged one period to capture the contemporary economic impact  of  hurricanes  in  the  region.  Additionally,  a  regional  time  trend  ( )  was  included  to  account  for  common  factors to all countries.                                                          17  Results available upon request.  18  Nicaragua: Joan (1998), Cesar (1996), Felix (2007). Honduras: Mitch (1998).     11  3.3. Results  Table 2 and Table 3 present the main results for this section for events. Table 2 shows results for events  with  SS  equal  or  higher  than  1,  while  Table  3  for  events  with  SS  equal  or  higher  than  3.  Results  are  standardized  in order to  make all  the indexes  comparable.19 Column (1) shows results from equation  (4)  estimated  using  OLS.  These  results  have  potential  issues  of  serial  and  spatial  autocorrelation.  Spatial  autocorrelation  is  a  concern  given  that  countries  are  closely  located.  Serial  autocorrelation  is  a  lesser  concern  since  our  study  period  covers  approximately  30  years  and  bias  decreases  inversely  to  time.  Therefore,  column  (2)  shows  results  correcting  for  serial  and  spatial  autocorrelation  in  line  with  Hsiang  (2010)  and  Conley  (2008).  Column  (3)  estimates  the  model  using  panel  data  and  the  control  variables.  Given  that  we  model  it  dynamically  (with  the  lagged  dependent  variable  as  one  of  the  regressors),  it  potentially  have  a  systematic  bias  in  our  coefficient  of  interest.  Therefore,  column  (4)  shows  the  panel  data  results  correcting  for  dynamic  models  in  line  with  Strobl  (2012)  and  Bruno  (2005).  Column  (2)  and  Column (4) reports the most credible specifications.   Results  across  all  specifications  provide  similar  results  and  negative  as  expected  (see  Table  2).20  The  magnitude  of  the  effects  are  economically  significant.  An  increase  of  one  standard  deviation  in  the  intensity  of  a  hurricane  leads  to  a  decrease  in  total  per  capita  GDP  growth  of  between ‐0.9  (for  MSWS)  and ‐1.6  percentage  points  (for  IHD).  It  is  important  to  highlight  that  the  variation  is  explained  by  the  different  magnitude of a standard  deviation according to the different indexes.  For example,  in  the case  of  the  IHD,  a  standard  deviation  is  equivalent  to  a  hurricane  with  a  sustained  wind  speed  of  74  mph  (SS  Scale 1) hitting an area with 2.3 percent of the population, or one with a sustained wind speed of 111 mph  (SS Scale 3) in an area with 0.5 percent of the population. For WEI, a standard deviation is comparable to  a hurricane affecting 10.6 percent of the country with a sustained wind speed of 74 mph, or one affecting  7.1 percent of the country’s territory with a sustained wind speed of 111 mph. To illustrate this, consider  Hurricane Mitch which hit Honduras in 1998 with a MSWS of 130.6 mph. 21 Given these parameters, due  to the hurricane, the model predicts a decrease in per capita GDP growth of 1.1, 3.1, and 1.9 percentage  points for MSWS, IHD, and WEI, respectively.                                                            19  For example, the IHD index (population‐weighted wind speed) powers wind speed to the 3.8, hence  unstandardized coefficients are simply smaller than the MSWS and WEI indexes.    20  Column (1), without controlling for serial and spatial correlation, only shows significant results for IHD but not  for the other two indices (MSWS and WEI). When correcting, Column (2) results consistent negative and significant  estimates.  21  Its WEI was 30.41 and its IDH was 699,548.    12  Table 2  Impact of Major Hurricanes on GDP per capita (SS ≥ 1)       (1)  (2)  (3)  (4)  Linear  Panel Data  Regression  Linear  Panel Data  correcting for    correcting for  Regression  with Controls1/  Dynamic  Serial & Spatial  Models  Autocorrelation  MSWS  ‐0.00274  ‐0.00861*  ‐0.00839**  ‐0.00894**  Standard Error  (0.00434)  (0.00469)  (0.00349)  (0.00399)  R‐squared  0.314  0.415  0.076  n.a.  IHD  ‐0.0126*  ‐0.0148**  ‐0.0148***  ‐0.0160***  Standard Error  (0.00540)  (0.00642)  (0.00320)  (0.00375)  R‐squared  0.365  0.458  0.157  n.a.  WEI  ‐0.00498  ‐0.00994**  ‐0.00983***  ‐0.0105***  Standard Error  (0.00569)  (0.00447)  (0.00330)  (0.00394)  R‐squared  0.319  0.423  0.093  n.a.     *** p<0.01, ** p<0.05, * p<0.1      1/ Investment, population growth, openness, log of GDP per capita. All for t‐1.    Table 3 shows the results for events with a SS scale equal or greater than 3. As expected, effects are similar  but  with  higher  coefficients  as  evidence  of  non‐linear  impacts:  stronger  hurricanes  result  in  devastating  damages.  We  cannot  investigate  further  since  the  number  of  events  for  storms  with  SS ≥  3  are  limited  (only  four  events).22  Other  controls  considered  include  the  number  of  events  per  year,  the  SS  scale,  and  the inverse of the translation velocity; however, none of these proved significant.                                                            22  Due to this reason and the lack of power, we hypothesize that results for column (2) in Table 3 are not significant  (MSWS and WEI).     13  Table 3  Impact of Hurricanes on GDP per capita (SS ≥ 3)       (1)  (2)  (3)  (4)  Linear  Panel Data  Regression  Linear  Panel Data  correcting for    correcting for  Regression  with Controls1/  Dynamic  Serial & Spatial  Models  Autocorrelation  MSWS  ‐0.0115***  ‐0.0115  ‐0.0113***  ‐0.0123***  Standard Error  (0.00195)  (0.00855)  (0.00324)  (0.00330)  R‐squared  0.367  0.434  0.111  n.a.  IHD  ‐0.0151***  ‐0.0167**  ‐0.0169***  ‐0.0186***  Standard Error  (0.00251)  (0.00840)  (0.00314)  (0.00328)  R‐squared  0.405  0.476  0.191  n.a.  WEI  ‐0.0127***  ‐0.0135  ‐0.0134***  ‐0.0145***  Standard Error  (0.00211)  (0.00914)  (0.00319)  (0.00329)  R‐squared  0.379  0.449  0.139  n.a.  *** p<0.01, ** p<0.05, * p<0.1  1/ Investment, population growth, openness, log of GDP per capita. All for t‐1.    We can conclude that the impact of hurricanes in Central America decreases per capita GDP growth in a  consistent  and  statistically  significant  way.  With  reference  to  IHD,  an  increase  in  a  standard  deviation  reduces  per  capita  GDP  growth  by  1.60  percent  points,  which  represents  half  the  average  yearly  growth  of the region. The economic disruption of a shock like this is immense.     4. WINDSTORM IMPACT AT THE HOUSEHOLD LEVEL  One  shortcoming  of  only  looking  at  the  impact  of  hurricanes  on  GDP  is  that,  as  a  measure  of  economic  performance and social progress, GDP fails to capture much of what we want to know about human well‐ being. Although GDP is a good starting point to interpreting the impact of adverse natural events, it is also  important to understand its limitations in our context. A disaster could actually boost GDP because of the  reconstruction  efforts  and  measures  taken  by  governments.  Since  GDP  is  meant  to  measure  market  activities  –and  by  definition,  self‐sustaining  agriculture  is  not  in  the  market–  a  reading  of  GDP  could  undercount or underestimate the impact of a disaster on poor rural populations. It is therefore necessary  to consider other welfare measures in order to have a more accurate picture of the impact of hurricanes  in the region. In an effort to delve deeper into the effect of hurricanes on the well‐being of the population  in  Central  America,  this  section  evaluates  hurricanes’  impact  on  income  and  poverty,  as  per  the  World  Bank’s  definition.  Even  though  data  are  limited,  especially  for  the  countries  hit  most  by  storms  (e.g.  Nicaragua and Guatemala), we shed light on the potential impacts for Central America.      14  4.1. Data  The  main  databases  used  in  this  section  are  the  household  surveys.  Given  constant  improvements  and  changes  to  the  surveys  (e.g.,  changes  in  questions,  sample,  and  sampling  methods,  etc.),  and  lack  of  comparability across countries, we use the harmonized household surveys developed by the World Bank,  named SEDLAC (the Socio‐Economic Database for Latin America and the Caribbean). SEDLAC database has  harmonized  socioeconomic  household  survey  information  for  24  countries  in  Latin  America,  from  1990  onwards.  In  the  case  of  Central  America,  SEDLAC  provides  information  from  2000  particularly  on  employment,  income, and expenditure. However, surveys are not available or comparable in all years. Since 2000, the  available  and  comparable  surveys  are  as  follows:  Honduras  (2001  –  2013),  El  Salvador  (2004  –  2012),  Guatemala  (2000,  2006,  and  2011),  Costa  Rica  (2001  –  2013),  Nicaragua  (2005  and  2009),  and  Panama  (2008 – 2013).23 This data limitation shapes the empirical approach adopted in section 4.2.  Our unit of analysis is a sub‐national region. SEDLAC makes available information that is representative at  a sub‐national level based on the sampling design of each country. Based on this criteria, and prioritizing  the  comparability  over  time  (i.e.,  the  lowest  sub‐national  level  that  is  covered  in  all  available  years),  we  selected  27  sub‐national  regions  for  the  six  countries  in  Central  America.  The  average  number  of  (sub‐ national) regions is 5 per country.  There are four main dependent variables at the household level: per capita labor income, per capita total  income,  poverty  (less  than  US$  4  per  day)  and  extreme  poverty  (less  than  US$  2.5  per  day).  Descriptive  statistics  are  shown  in  Table  4.  Guatemala,  Honduras  and  Nicaragua  are  the  poorest  countries  in  the  region  with  more  than  50  percent  population  living  under  poverty  on  average  during  the  last  decade.  Poverty  and  extreme  poverty  has  been  substantially  reduced  in  Panama,  Costa  Rica,  El  Salvador,  and  Nicaragua. El Salvador shows the strongest extreme poverty reduction from 22 percent in 2004, down to  14.7 percent in 2012. However, in the case of Guatemala and Honduras, poverty has increased marginally.  Total income and labor income follows the same pattern as poverty, increasing in Panama and Costa Rica,  but decreasing in Honduras and Guatemala.                                                            23  For further details, please refer to the World Bank’s Equity Lab website:  http://globalpractices.worldbank.org/teamsites/Poverty/LACDataLab/Pages/TeamHome.aspx     15  Table 4  Descriptive Statistics: Poverty and Socio‐economic Variables       Panama  Costa Rica  El Salvador  Nicaragua  Guatemala  Honduras     (2008‐2013)  (2001‐2013)  (2004‐2012)  (2005, 2009)  (2000, 2006, 2011)  (2001 ‐ 2013)  Poverty below USD4 (Headcount ratio)  Average  23.0%  19.4%  40.1%  55.7%  56.8%  58.4%  Min  20.4%  12.2%  34.8%  52.2%  52.6%  50.0%  Max  26.2%  26.7%  46.8%  59.2%  62.4%  64.4%  Poverty below USD2.5 (Headcount ratio)  Average  12.2%  8.8%  20.8%  33.3%  35.9%  40.4%  Min  9.9%  4.6%  14.7%  29.3%  33.4%  31.3%  Max  14.5%  13.8%  28.6%  37.2%  40.5%  48.0%  Average Total per‐capita income  Average  397.64  399.52  218.97  164.32  182.42  174.06  Min  364.68  321.43  197.18  160.98  156.76  148.56  Max  438.43  506.37  234.52  167.66  198.03  201.56  Average Labor per‐capita Income  Average  275.17  308.50  166.71  128.15  143.79  134.97  Min  246.26  259.94  150.86  126.74  128.06  117.60  Max  307.59  360.53  184.83  129.55  153.15  154.46    4.2. The Model   As  mentioned  in  the  previous  section,  our  empirical  strategy  exploit  the  natural  random  variation  in  the  formation, path and intensity of storms. Given the available data, our model is an unbalanced panel data.  We  implement  a  pooled  OLS  model  with  year  (i)  and  sub‐region  (j)  fixed  effects  following  equation  5,  where the dependent variable is the natural logarithm of household total or labor income, or whether the  household  is  considered  poor  or  extremely  poor  (dummy  variable).  Our  identification  strategy  exploits  the variation over time within sub‐regions. Results are clustered at the regional level.    5 Where:  is labor income, total income, poverty, extreme poverty for household i in sub‐region  j and year t;  is the hurricane damage index for major events for sub‐region j in year t (SS ≥ 1);  is a matrix of control variables at the household level; are year fixed effects;  are country fixed effects.    The  model  includes  rich  set  of  time‐varying  observable  household  characteristics  ( )  such  as  the  maximum level of education of the most educated employed member of the household, access to water    16  and  sanitation,  crowding,24  subsistence  capacity,25  and  precarious  materials.26  Therefore  our  estimates  are not subject to bias from any unobservable determinant of poverty or income that is time varying but  common across all households in Central America.   Our study period in this section involves only 13 years of analysis  (2000‐2013).  Given this shorter period  –compared  to  the  nearly  30  years  for  the  per  capita  GDP  analysis–  we  consider  only  three  events:  Hurricane  Felix  (2008)  for  Honduras,  Hurricane  Matthew  (2011)  for  Guatemala  and  Honduras,  and  Hurricane  Harvey  (2012)  for  Honduras.  The  three  hurricanes  are  part  of  SS  scale  1,  therefore  we  cannot  evaluate  the  impact  of  major  hurricanes.  The  other  countries  (Costa  Rica,  Panama,  and  El  Salvador)  did  not  have  events  within  our  study  period  and  for  the  years  where  there  is  an  available  and  comparable  survey.27  As discussed in the previous section, wind speed data was aggregated by year. When more than one event  occurred in a calendar year in the same country, only the strongest event was taken into account. In this  case,  we  also  take  into  account  the  time  when  the  household  survey  was  conducted.  This  is  key  since  household  surveys  usually  record  the  income  of  the  preceding  month.  We  show  two  set  of  results:  (i)  linearly  weighted  by  the  difference  between  the  event’s  date  and  the  survey’s  date  (divided  by  12),  and  (ii)  unweighted  results  (i.e.,  regardless  of  the  number  of  months  that  have  passed  since  the  strongest  event). The rationale for this is that the effect of a hurricane on household income (or poverty) might be  underestimated  if  the  interval  is  bigger.  Noy  (2009)  discusses  the  importance  of  a  weighting  function  to  evaluate impacts on GDP since events observed earlier in the year may have higher impact on GDP than  events that occur towards the end of the year.     4.3. Results   Table 5 presents the main results for this section using OLS. Standard errors are clustered at the regional  level. Results are standardized in order to render all the indexes comparable.  Column (1) – (4) show the  non‐weighted  results,  while  column  (5)  –  (8)  show  the  (linearly)  weighted  results.  Weighted  results  are  smaller than non‐weighted effects. All results include the control variables (maximum level of education,  access to water and sanitation, crowding, subsistence capacity, and precarious materials).28  Our  results  show  that  major  hurricanes  have  substantial  adverse  impacts  on  both  income  and  poverty.  Based on the non‐weighted results, an increase of one standard deviation in the intensity (wind speed) of  a hurricane leads to a decrease in total and labor income by 2 – 4 percent, while moderate and extreme  poverty increases by 1 – 2 percentage points.   To  illustrate  these  results,  we  will  focus  on  Hurricane  Matthew  for  Honduran  Region  5.29  According  to  these  parameters,  and  taking  MSWS  as  a  measure  of  hurricane  damage,  Hurricane  Matthew  had  a                                                          24  The ratio of members of the household to the number of exclusive rooms occupied by the household.  25  Households are considered to have unsatisfied basic needs in subsistence capacity based on two conditions: (i)  the ratio of members of the household to the employed members is higher than 3; and (ii) the household head has  at most elementary school education.   26  Where the construction materials of the dwelling are of low quality.  27  Notice that Hurricane Beta discussed in the second section of the paper is not considered in the analysis because  it was a tropical storm when hit Nicaragua.  28  Results shown in the paper exclude Panama because Panama’s observable household characteristics are not  available. However results including Panama and without controlling for observable characteristics show similar  qualitative results. Results available upon request.  29   Hurricane  Matthew  landed  in  Honduras  in  2010  with  an  SS  scale  of  2  in  the  Socio‐Economic  Region  5  with  a  Maximum Sustained Wind Speed of 97.92 mph and with and SS scale of 1 in the Socio‐Economic Region 2. Hurricane    17  negative impact of 15.7 percent on per capita labor income, while IHD had an impact of 3.1 percent, while  WEI  had  an  impact  is  of  9.4  percent.  The  example  of  Hurricane  Matthew  reflects  the  importance  of  considering  a  measure  of  asset  exposure  in  the  indexes.  The  impacts  calculated  from  the  levels  of  the  three indicators for Hurricane Matthew reflect a significantly higher impact when considering the MSWS  index. Indeed, when considering MSWS, the impact seem to be 5 times higher than the impact calculated  from HDI, even if the coefficient estimated within IHD is significantly higher than the coefficient estimated  within  MSWS.  As  discussed  in  Section  2,  each  indicator  relies  on  different  assumptions  that  may  have  significant variations. In the particular case of Hurricane Matthew, the lower effect presented by the IHD  and WEI indicators appear to indicate an overestimation of the effect when not considering any exposure  measure in the MSWS.    Table 5  Impact of Hurricanes on Poverty and Income at the Household Level       Labor Income  Total Income  Extreme Poverty   Poverty      Non Weighted Results     (1)  (2)  (3)  (4)  MSWS  ‐0.0300***  ‐0.0403***  0.0164***  0.0186***  Standard Error  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.430  0.472  0.258  0.317  IDH  ‐0.0353***  ‐0.0473***  0.0205***  0.0232***  Standard Error  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.430  0.472  0.258  0.317  WEI  ‐0.0178***  ‐0.0243***  0.0100***  0.0119***  Standard Error  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.429  0.471  0.257  0.317    Weighted Results     (5)  (6)  (7)  (8)  MSWS  ‐0.0159***  ‐0.0272***  0.00966***  0.0109***  Standard Error  (0.0002)  (0.0001)  (0.0001)  (0.0001)  R‐squared   0.429  0.472  0.257  0.316  IDH  ‐0.0108***  ‐0.0203***  0.00754***  0.00883***  Standard Error  (0.0002)  (0.0001)  (0.0001)  (0.0001)  R‐squared   0.429  0.471  0.257  0.316  WEI  ‐0.00908***  ‐0.0170***  0.00592***  0.00704***  Standard Error  (0.0002)  (0.0001)  (0.0001)  (0.0001)  R‐squared   0.429  0.471  0.257  0.316               *** p<0.01, ** p<0.05, * p<0.1. Standard errors clustered at the sub‐regional level.                                                            Matthew  landed  also  in  Guatemala  with  a  SS  scale  of  1  in  outside  the  Metropolitan  Region  with  a  Maximum  Sustained Wind Speed of 81.64 mph.    18  Finally,  we  evaluate  heterogeneous  responses.30  It  is  unclear  whether  the  impact  is  higher  (or  lower)  in  urban  or  rural  areas.  In  principle,  people  tend  to  concentrate  in  urban  areas,  which  could  mean  that  aggregated  impacts  could  be  higher  in  urban  areas.  However,  at  the  household  level,  the  effects  will  depend on the level of assets and on the capacity to minimize the effect of adverse natural events. Dividing  our  sample  by  urban/rural  our  results  show  that  the  impact  of  major  hurricanes  on  rural  households  is  higher  than  on  urban  households  in  terms  of  income  (both  labor  and  total)  and  in  terms  of  poverty  (see  Table  6).  Impact  in  rural  areas  nearly  doubles  those  than  in  urban  areas.  Results  are  stronger  when  considering MSWS or IDH. In the case of WEI, however, results are likely to be more similar by urban/rural  categories.     Table 6  Heterogeneous Impacts of Hurricanes on Poverty and Income by Urban/Rural       Rural  Urban  Labor  Total  Extreme  Labor  Total  Extreme  Poverty   Poverty     Income  Income  Poverty   Income  Income  Poverty     (1)  (2)  (3)  (4)  (5)  (6)  (7)  (8)  MSWS  ‐0.0466***  ‐0.0622***  0.0219***  0.0248***  ‐0.0230***  ‐0.0358***  0.0152***  0.0175***  Standard Error  (0.0003)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.330  0.371  0.234  0.277  0.398  0.438  0.158  0.234  IDH  ‐0.0644***  ‐0.0831***  0.0315***  0.0368***  ‐0.0201***  ‐0.0336***  0.0155***  0.0170***  Standard Error  (0.0003)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.330  0.371  0.235  0.277  0.398  0.438  0.158  0.234  WEI  ‐0.0253***  ‐0.0346***  0.0115***  0.0144***  ‐0.0162***  ‐0.0263***  0.0115***  0.0129***  Standard Error  (0.0003)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.0001)  (0.0001)  R‐squared   0.330  0.370  0.233  0.276  0.398  0.438  0.157  0.234  *** p<0.01, ** p<0.05, * p<0.1. Standard errors clustered at the sub‐regional level.    We  also  divide  our  sample  by  the  gender  of  the  household  head  (see  Table  7).  Our  results  are  not  conclusive.  Just  considering  MSWS  and  IDH,  labor  income  tends  to  be  more  affected  on  female‐headed  households, while total income tends to be more affected on male‐headed households. These differences  vanishes when looking at poverty impacts. As in the previous table, results for WEI are more similar across  all outcomes. Therefore, we cannot conclude conclusively the existence of differential effects.                                                               30  Results shown in Table 6‐7 are non‐weighted. Weighted results provide similar conclusions (not shown and  available upon request).     19  Table 7  Heterogeneous Impacts of Hurricanes on Poverty and Income by Male/Female       Male‐headed households  Female‐headed households  Labor  Total  Extreme  Labor  Total  Extreme  Poverty   Poverty     Income  Income  Poverty   Income  Income  Poverty     (1)  (2)  (3)  (4)  (5)  (6)  (7)  (8)  MSWS  ‐0.0234***  ‐0.0454***  0.0183***  0.0204***  ‐0.0321***  ‐0.0380***  0.0161***  0.0181***  Standard Error  (0.0003)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.00001)  (0.00001)  R‐squared   0.399  0.453  0.211  0.277  0.448  0.478  0.272  0.330  IDH  ‐0.0249***  ‐0.0500***  0.0227***  0.0233***  ‐0.0402***  ‐0.0461***  0.0203***  0.0236***  Standard Error  (0.0004)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.00001)  (0.00001)  R‐squared   0.399  0.453  0.212  0.277  0.448  0.478  0.272  0.330  WEI  ‐0.0164***  ‐0.0308***  0.0121***  0.0145***  ‐0.0178***  ‐0.0217***  0.00963***  0.0111***  Standard Error  (0.0003)  (0.0003)  (0.0001)  (0.0001)  (0.0002)  (0.0002)  (0.00001)  (0.00001)  R‐squared   0.398  0.452  0.211  0.277  0.448  0.478  0.271  0.329  *** p<0.01, ** p<0.05, * p<0.1. Standard errors clustered at the sub‐regional level.      5. CONCLUSION  Although  Central  America’s  recent  good  economic  performance  has  enabled  a  sustained  reduction  of  poverty, a large  percentage of its population is still  battling poverty and extremely vulnerable to natural  disasters.  This  means  that  gains  are  threatened  and  could  be  wiped  out  in  the  aftermath  of  a  major  disaster.  A  better  understanding  of  the  impacts  and  potential  coping  mechanisms  is  valuable  input  to  inform  poverty  reduction  strategies  and  policies  taking  into  consideration  disaster  and  climate  risk  management considerations.  Overall,  the  methodology  of  this  study  improves  our  understanding  on  how  we  model  impacts  and  economic  outcomes  in  Central  America,  providing  a  systematic  approach  to  quantifying  the  effects  of  disasters on poverty and other well‐being indicators in the region. The comparative approach, in terms of  hurricane  damage  indexes,  provides  a  better  understanding  of  how  windstorm  could  impact  economic  and social outcomes.   One of the key innovations of this study has to do with the use of an accurate and comprehensive model  that generates high‐resolution, surface‐level, sustained wind speed data of historic hurricanes and tropical  storms  in  Central  America  proposed  by  Pita  el  al.  (2015).  The  windstorm  model  was  calibrated  and  validated for Central America, enabling a more accurate spatial specification and precise inland measures  of wind speed.  The three hurricane damage indexes (MSWS – unweighted wind speed, IHD – population‐ weighted  index,  and  WEI  –  area‐weighted  index)  showcase  different  aspects  of  hurricane  damage,  however all three indexes provide similar conclusions in terms of the negative impacts in GDP per capita,  income, and poverty. Results vary slightly across each index but are not statistically different.   The GDP per capita and household analysis complement each other. While data for GDP per capita have  been of better quality and statistical significance, they underestimate the effects of hurricane windstorm  on  the  most  vulnerable  population.  GDP  per  capita  does  not  begin  to  capture  the  impact  on  well‐being  resulting from these natural hazard events. It requires the combined insight from both sets of analyses to  contribute  to  improve  the  design  of  programs  and  policies,  which  could  then  be  aimed  more  effectively    20  at  protecting  the  communities  in  these  countries  and  increasing  resilience,  particularly  of  those  in  the  lowest socioeconomic strata.   Results for the GDP per capita analysis show robust, statistically significant effects in the short term with  the  three  hurricane  damage  indexes  modelling  different  specifications.  The  household  analysis,  on  the  other hand, despite data limitations, gives an insight into the household characteristics that contribute to  dealing with hurricane windstorm risk better. The data for the household analysis, however, has important  drawbacks,  particularly  in  terms  of  time  coverage,  and  is  more  difficult  to  handle  for  comparability  purposes.   An  interesting  area  for  future  research  has  to  do  with  the  long‐term  cumulative  effects  of  hurricanes.  In  the literature there is no consensus on whether there are long‐term impacts in the national economy as  well than at the household level. A more detailed analysis on long‐term impact  of hurricanes for Central  America  on  the  determinants  of  economic  growth  and  social  progress  in  the  region  could  be  valuable.  Moreover, the challenge is also in quantifying the indirect effects of disasters. Estimating both direct and  indirect  economic  effects  of  disasters  is  central  to  designing  effective  DRM  policies  to  support  the  most  vulnerable population in a more efficient way. The effects of adverse natural events impact upon a variety  of  human  welfare  indicators  and  these  effects  add  up.  Furthermore,  a  discussion  regarding  coping  mechanisms  would  also  be  relevant.  Understanding  how  households  exposed  to  natural  events  make  decisions,  the  context  in  which  these  decisions  are  made,  and  other  behavioral  elements,  could  help  identify  and  better  characterize  their  coping  mechanisms,  resilience  levels,  and  mitigation  strategies.  Understanding this is paramount in designing effective risk managing strategies. Qualitative research plays  an important role in this particular set of questions and could complement quantitative analysis, enriching  the lessons learned along the way.     6. REFERENCES  Anttila‐Hughes,  J.  &  Hsiang,  S.  (2014).  Destruction,  Disinvestment,  and  Death:  Economic  and  Human  Losses Following Environmental Disaster. Available at SSRN: http://ssrn.com/abstract=2220501   Baez, J. & Santos, I. (2007). Children’s Vulnerability to Weather Shocks:  A Natural Disaster as a  Natural Experiment. Retrieved from:  http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=D3E4D0D9B5A87E66A235C91E269501 7D?doi=10.1.1.175.2774&rep=rep1&type=pdf  Baez,  J.,  Lucchetti,  L.,  Genoni,  M.,  &  Salazar,  M.  (2015).  Gone  With  the  Storm:  Rainfall  Shocks  and  Household  Well‐being  in  Guatemala.  Policy  Research  Working  Papers,  No.  WPS7177,  World  Bank,  Washington, DC.  Bruno, G. S. F. (2005). Approximating the Bias of the LSDV Estimator for Dynamic Unbalanced Panel  Data Models. Economics Letters, 87: 361‐366.  Bustelo, M. (2011). Bearing the Burden of Natural Disasters: Child Labor and Schooling in the  Aftermath of the Tropical Storm Stan in Guatemala. (Doctoral dissertation).  Retrieved from the  University of Illinois at Urbana‐Champaign.  Carter, M., Little, P., Mogues, T., & Negatu, W. (2007). Poverty Traps and Natural Disasters in Ethiopia  and Honduras. World Development 35 (5), 835–856.  CEPAL (2011). Resumen regional del impacto de la depresión tropical 12‐E en Centroamérica.  Cuantificación de daños y pérdidas sufridos por los países de la región en el mes de octubre de    21  2011. In: http://www.cepal.org/publicaciones/xml/3/46593/2012‐012‐ Depresi%C3%B3n_Tropical‐12‐E.L.1060‐Parte_1.pdf  Conley, Timothy G. (2008). “Spatial Econometrics,” in Steven N. Durlauf and Lawrence E. Blume  (eds.), The New Palgrave Dictionary of Economics, Vol. 7, Second Edition, Houndsmills: Palgrave  Macmillan, pp. 741‐747.   Dell,  M.,  Jones,  B.,  &  Olken,  B.  (2014)  What  Do  We  Learn  from  the  Weather?  The  New  Climate‐ Economy Literature, Journal of Economic Literature 52 (3), 740‐798.  Dercon, S. (2005). Vulnerability: a Micro Perspective. QEH Working Papers 149, Queen Elizabeth House,  University of Oxford.  Dercon,  S.,  2005,  Vulnerability:  A  Micro  Perspective.  Paper  presented  at  the  ABCDE  Europe  Conference, Amsterdam, May 2005.  Hsiang, S.M. (2010). Temperatures and Cyclones Strongly Associated with Economic Production in the  Caribbean and Central America. Proceedings of the National Academy of Sciences, 107 (35), 15367– 72.  Hsiang, S. M., & Jina A. (2013). The Causal Effect of Environmental Catastrophe on Long‐Run  Economic Growth. Unpublished.  Hsiang, S.M., & Jina, A. (2014). The Causal Effect of Environmental Catastrophe on Long‐Run Economic  Growth: Evidence from 6,700 Cyclones, NBER Working Paper 20352.  Krozer,  A.  (2010).  A  Regional  Basic  Income:  Towards  the  Eradication  of  Extreme  Poverty  in  Central  America. ECLACL Working Paper LC/MEX/L.998.   Lucchetti,  L.  (2011).  Three  Essays  on  Household  Welfare  (Doctoral  dissertation).  Retrieved  from  University of Illinois at Urbana Champaign.  Noy, I. (2009). The Macroeconomic Consequences of Disasters. Journal of Development Economics, 88,  221‐231.  Pita, G., Gunasekera, R., & Ishizawa, O. (2015). Windstorm Hazard Model for Disaster Risk Assessment  in Central America. Working Paper.   Raddatz,  C.  (2009).  The  Wrath  of  God  Macroeconomic  Costs  of  Natural  Disasters.  Policy  Research  Working Papers, No. 5039, World Bank, Washington, DC.  Rodriguez‐Oreggia, E., De la Fuente, A., De la Torre, R., & Moreno, H.  (2013). Natural Disasters, Human  Development  and  Poverty  at  the  Municipal  Level  in  Mexico.  Journal  of  Development  Studies,  49,  442‐455.  Strobl, E. (2012). The Economic Growth Impact of Natural Disasters in Developing Countries: Evidence  from  Hurricane  Strikes  in  the  Central  American  and  Caribbean  Regions.  Journal  of  Development  Economics, 97, 130‐141.  Thomas,  T.,  Christiaensen,  L.,  Do,  Q.,  &  Trung,  L.  (2010).  Natural  Disasters  and  Household  Welfare  –  Evidence from Vietnam. Policy Research Working Papers, No. 5491, World Bank, Washington, DC.  United  Nations,  Department  of  Economic  and  Social  Affairs,  Population  Division  (2014).  World  Urbanization Prospects: The 2014 Revision, Highlights (ST/ESA/SER.A/352).    22  U.S.  House  of  Representatives  Committee  on  International  Relations.  (1999).  Relief  efforts  in  Central  America in the aftermath of Hurricane Mitch, U.S. Government Printing Office, Washington, DC.  Vickery, P.J.,  & Skerlj, P.F.  (2005). Hurricane  Gust Factors Revisited. Journal of  Structural Engineering,  131, 825‐832.  Von  Peter,  G.,  Von  Dahlen,  S.  &  Saxena,  S.  (2012).  Unmitigated  Disasters?  New  Evidence  on  the  Macroeconomic Cost of Natural Catastrophe. BIS Working Papers, No 394.  World  Bank  &  United  Nations.  (2010).  Natural  Hazards,  Un‐Natural  Disasters:  The  Economics  of  Effective  Prevention,  World  Bank.  https://openknowledge.worldbank.org/handle/10986/2512  License: CC BY 3.0 IGO.   World  Bank  (2015).  LAC  Equity  Lab.  In:  http://www.worldbank.org/en/topic/poverty/lac‐equity‐ lab1/overview.      23