數字農業對氣候災害脆弱性的影響研究
——以中國糧食主產區為例

張力元，黃 浩，韓沅剛，董會忠

（1.長江大學 經濟管理與管理學院，湖北 荊州 434023；2.華中科技大學 管理學院，湖北 武漢 430074；3.吉林大學 東北亞研究院，吉林 長春 130012；4.山東理工大學 管理學院，山東 淄博 255012）

0 引言

隨著全球變暖持續加劇，極端氣候災害頻發嚴重制約農業經濟健康發展。如何提高氣候災害適應能力，增強農業發展韌性，是保證作物穩產與糧食安全的關鍵。農業因其自身資源環境依賴性、天然易損性等特征，使得傳統農業在面臨氣候災害時缺乏魯棒性，且主要表現在誘發糧食減產、降低出產質量、加重供需市場動蕩等方面［1］。據國家統計局和應急管理部門的數據顯示，截止到2020 年，各類氣候災害共造成1.995 8 ×107hm2的農作物受災，直接經濟損失達3 702 億元。如7 月份長江淮河流域特大暴雨洪澇災害，農作物受災面積3.58 ×106hm2，其中絕收8.94 ×105hm2，直接經濟損失約為1 322 億元。近年來，中國政府已制定了一系列農業減災防災文件。2007 年國家發改委印發了《國家應對氣候變化國家方案》，首次提出應對氣候災害的適應與減緩兼顧的原則。2022 年中央一號文件強調要聚焦農業災害風險，強化防災救災建設體系；《國家適應氣候變化戰略2035》再次明確了農業在適應氣候變化中作用與優先地位。上述政策的頒布明確了農業應對氣候變化的整體目標，但未就其實現路徑進行精確指導。

數字化轉型為農業規避氣候災害提供了新思路，即數字農業。作為集互聯網、大數據、人工智能等現代信息技術與傳統農業深度融合的革命產物，數字農業能夠通過風險預警、智能檢測、精準農業等方式，實現農業信息感知、智能控制、氣象服務的數字技術應用，發揮趨利避害的雙重作用，全方位助力農業適應氣候變化。黨中央在十九屆五中全會中明確了數字農業在推進鄉村振興、實現農業農村現代化以及打造農業強國中的重要地位。因此，本研究擬探討數字農業與氣候災害脆弱性之間的關系，旨在為降低農業經濟損失、實現農業智能化提供理論依據與研究范式。

1 文獻綜述

1.1 數字農業

數字農業衍生于農業發展中“數字地球”理念，由美國科學院、工程院兩院院士于1997 年首次提出，也被稱為智慧農業、精準農業等。作為第四次農業技術革命，數字農業的典型特征體現為要素集約化，即依托數據信息指導農業生產決策，整合土地、勞動力等資源要素，以保證獲取穩定的農業經濟產出［2］。數字農業已逐漸成為學術界熱點議題，其研究脈絡可歸納為概念界定、指數評估、影響效應，主要包括：①理論內涵。涉及數字農業的定義可歸類為狹義與廣義兩個視角。狹義角度下，數字農業被視為農業數字化的生產模式，如Shen、Ozdogan 等將數字農業定義為借助信息技術（ICT）推動農業發展可持續的經濟活動，實現農業生產活動數字化［3，4］；廣義視角下，數字農業在涵蓋數字化生產模式的同時，兼顧農業發展運營模式、管理方式等數字化，主要體現在農業經濟活動全面數字化，羅浚文等強調相較于農業信息化，數字農業通過數字改造的方式布局農業全產業鏈［5］；阮俊虎則認為數字農業是農業生產、運營以及管理等各流程的數字化經濟形態［6］。②評價體系。數字農業兼顧數字生產效率、農業經營水平以及信息化程度，單一指標難以系統衡量，因此數字農業的衡量需借助評價體系構建。早期學者從農業信息化視角，將涉及信息化的農業基礎設施、人力資源、政策環境以及技術應用納入到數字農業評價體系中［7］，而高質量發展概念的提出為數字農業評估體系構建提供了新思路。如劉濤等圍繞新發展理念構建數字農業指標體系［8］；黃修杰結合農業高質量發展內涵，構建包括農業效益、生產質量、工作效率等維度的數字農業高質量發展體系［9］。③功能性作用。數字農業通過信息技術獲取數據要素來指導農業生產決策，確保農業產出穩定，已有研究表明其功效表現在實現“節本增收”和提升生活質量兩種經濟效應，即推進化肥農藥投入減量，整合農業生產要素［10］，提高要素利用效率，加大農產品生產數字化監管力度的，保障消費者食品安全［11］。但同時，數字農業能夠借助大數據、人工智能等數字工具應用，預估氣候波動、作物災害等涉農潛在威脅，以此來適應外在環境變化，降低災害風險。因此，關注數字農業的環境效應對推動農業高質量發展尤為重要。

1.2 氣候災害脆弱性

“脆弱性”發軔于20 世紀70 年代地理學領域的自然災害研究中，其概念最早由聯合國救減組織（UNDRO）提出［12］。隨著研究推進以及多學科交叉，脆弱性逐漸拓展為包括系統暴露度、敏感性以及適應力等內容在內的復雜性概念。已有研究聚焦于生態系統脆弱性、資源環境脆弱性等多學科領域，氣候災害脆弱性則是在生態系統脆弱性基礎上引申而來。隨著全球氣候變暖日趨嚴峻，學術界開始從災害經濟損失［13］、災害恢復力［14］等視角探究氣候變化問題，而脆弱性在剖析經濟社會與自然環境間關系中的優勢不斷被挖掘，且已成功應用在氣候變化學術研究與政策評估中。國外氣候災害脆弱性研究開展較早，且集中在國家、地區等宏觀區域層面的氣候災害脆弱性的評估，多借助GIS 工具進行氣候災害脆弱性區劃［15］，并強調區域氣候災害脆弱性評價［16］與閾值測度［17］。國內氣候災害脆弱性研究尚處于探索階段，現有研究主要集中在兩個方面：①不同自然系統對氣候變化的脆弱性研究，聚焦點包括農業生態系統、森林生態系統以及水資源生態系統等，如馬貝等［18］依據“敏感性—適應性”準則，借助改進TOPSIS法測算西北地區五個省份的農業生態系統脆弱性。朱建華等［19］系統評述氣候變化環境下森林生態系統脆弱性與適應性的相關方法。陳巖、馮亞中［20］利用RS—SVP 模型建立黃河流域水資源脆弱性評價體系。②氣候災害脆弱性評價體系構建與測度，多數文獻主要依據研究對象類型，遵循科學系統原則選取評價因子，并借助相應指數評估方法測算脆弱性。包括神經網絡模型［21］、空間主成分分析法［22］（SPCA）等。但現有文獻缺乏針對區域氣候災害脆弱性的時序分析，且對數字農業等信息化技術對氣候災害脆弱性的研究關注較低。糧食主產區在國家糧食安全中扮演“壓艙石”角色，增強災害抗風險能力有助于鄉村振興推進和糧食增產穩產。因此，文章從糧食主產區視角探究數字農業與氣候災害脆弱性作用關系的現實意義重大。

綜上，本研究以2010—2019 年糧食主產區的面板數據為研究對象，構建數字農業與氣候災害脆弱性評估體系，運用縱橫拉開檔次法測度、面板灰色關聯模型、動態空間杜賓模型等研究方法，辨析數字農業與氣候災害脆弱性的區域現狀與時空關聯，探討數字農業影響氣候災害脆弱性的理論邏輯，以期為推動糧食主產區農業數字化、保障糧食安全提供理論參考與政策建議。

2 機制分析

數字農業作用于區域氣候災害脆弱性的途徑，來源其技術特性，主要包括技術依賴性、數據中心性以及能力匹配性3 個方面［23］。此外，數字農業屬于數字經濟范疇，因此，數字農業可壓縮時空距離，突破空間約束對鄰近地區氣候災害脆弱性帶來空間溢出效應。

2.1 數字農業的直接效應

依據3 個方面技術特性，數字經濟會通過以下渠道對本地氣候災害脆弱性產生直接溢出效應。①技術依賴性：提高技術水平，穩定經濟產出。數字農業依托移動網絡、互聯網等信息基礎設施開展運作。一方面，通過與地理信息系統、衛星圖像以及遙感等技術深度融合，映射到農業耕作、播種、灌溉等農業生產活動中，提升農業生產技術［24］，以規避傳統農業難以應對氣候災害的問題；另一方面，人工智能、區塊鏈等數字技術的應用有助于農戶獲取作物受災信息［25］，實現優質作物的精準育種，并提高農產品供應效率，筑牢農產品“產供銷”基礎，保證災后重建資金充足。②數據中心性：加強信息管理能力。數據作為數字農業的關鍵要素，包括生產信息、市場動態以及氣象信息等。氣象信息方面，農戶可借助數字技術收集分析降雨量、蒸發量等環境數據，以匯集成服務于農場管理決策的數據流，增強對氣象災害洞察力，來制定災前預防措施，如加固塑料大棚、排澇渠道等農用設備等［26］，發揮災前預警功能。③能力匹配性：提升農戶技能素養，優化生產要素結構。首先，數字農業要求農戶掌握較高的數據使用能力［27］，倒逼農戶提升自身技能，增強信息接受、分析與運用能力，以發揮數字農業的氣象服務輔助功能，協助農戶制定災害預警方案；其次，數字農業強調土地資源合理利用，以數字化手段優化要素配置，化解過剩產能問題，如推行免耕少耕、規避濫施化肥等措施，降低追求數量的農業規模化造成化學肥料、有機肥料和農藥的過度使用，以緩解溫室氣體激增引發的氣候波動［28］。

2.2 數字農業的空間效應

考慮到數字農業的跨區域特征，本研究基于本地、鄰地以及地區間互動3 個空間視角，細化數字農業驅動氣候災害脆弱性的空間溢出機制。①技術外溢。本地在推進數字技術與現代農業互相融合進程中，通過示范效應或“搭便車”行為對鄰地外溢數字農業賦能效應［29］，進而影響鄰近地區農業防災減災策略；②模仿效應。本地區數字農業在氣候災害防控的應用將激發鄰近地區的學習動力，主動探索農業氣象災害數字化防治路徑［30］，降低區域氣候災害脆弱性；③競爭效應。數字農業在災害防控中發揮的趨利避害作用，為所在地農業發展的風險管理與生產效率提供技術支持，而市場競爭將激發其他地區調整策略動機，形成相互競爭態勢，助力于數字農業災害風險預警協同管控機制的構建。

3 研究區域概況與研究方法

3.1 研究區域概況

糧食主產區作為重要的農業功能性區域，肩負保障國家糧食供給、推動國民經濟發展與穩固農業基礎地位的重要任務。2003 年12 月3 日，由國家財政部頒布《關于改革和完善農業綜合開發政策措施的意見》，由此國家糧食主產區確定為黑龍江、遼寧、吉林、內蒙古、山東、江蘇、江西、安徽、湖南、湖北、四川、河北和河南13 個省份，總面積約為3.78×106km2，耕地面積高達8.809 ×105km2，占全國耕地面積比重為65.30%左右。近年來，糧食主產區依托突出的資源稟賦與政策傾斜優勢，糧食生產力大幅提升，糧食產量貢獻達到全國70%水平并穩步增長，農業發展成果斐然。但同時，旱澇、寒潮和強對流天氣等氣象災害頻發，引致農業發展與資源環境矛盾愈加突出，加之化肥濫用、森林林地侵占等人為因素，嚴重阻礙糧食主產區農業可持續健康發展。由此，本研究選擇13 個糧食主產區為研究對象，為推動糧食產業數字化轉型、合理防范農業氣象災害提供參考依據。

3.2 指標體系構建

本研究旨在探究數字農業對氣候災害脆弱性的作用機制，因此需要構建反映地區農業數字化程度的數字農業系統以及刻畫區域災害抵抗適應狀況的氣候災害脆弱性系統。數字農業指標體系的構建參照《2019 年全國縣域數字農業農村發展水平評價報告》和《中國數字鄉村發展報告》（2019）的判斷標準，包括農業信息化、人力資本、技術支持、要素優化及經濟產出五大維度。信息化是數字農業發展的基本條件，涵蓋農村通訊基礎建設與普及率；人力資本是數字農業有序進行的重要保障，包括信息化人才儲備以及公眾意識等；技術支持是數字農業有效開展的助推劑，反映涉及農業數字技術的應用狀況；綠色發展是實現數字農業可持續發展的長久保障，決定了農業發展是否能夠保證人地協調；產業效應是數字農業發展的內在動力，體現在開展數字農業所產生的經濟效益［31］。氣候災害脆弱性指標體系的構建參考已有文獻［32］，包括致災因子危險性、承災因子暴露度和孕災環境敏感性。致災因子危險性指氣候變化直接帶來的自然災害；承災因子暴露度是在面臨氣候災害壓力下，農機、牲畜等農業生產要素的暴露程度；孕災環境敏感性為氣候災害對區域系統造成的負面影響。

指標選取過程中，遵循簡潔性、適用性和可操作性等原則選取評估體系指標，綜合運用投入產出、技術應用等標準，弱化總量增長指標。其中數字農業系統共13 個子指標，氣候災害脆弱性共9 個子指標（表1、2）。

表1 數字農業指標體系Table 1 Digital agriculture indicator system

表2 氣候災害脆弱性指標體系Table 2 System of indicators of vulnerability to climate hazards

3.3 研究方法

3.3.1 縱橫拉開檔次法

縱橫拉開檔次法可從時空雙維度確定指標權重，解決不同年份權重不一、主觀賦權等問題，實現對糧食主產區數字農業與氣候災害脆弱性水平的動態測算。評價結果既可以基于“縱向”視角探索糧食主產區數字農業與氣候脆弱性的時序演變特征，也可以從“橫向”角度解釋不同時點糧食主產區數字農業與氣候脆弱性水平的優勢與不足。具體計算公式參照相關文獻［33］。

3.3.2 面板灰色關聯模型

面板灰色關聯模型通過分析面板數據的時間維度與空間維度特征，獲取兩維度發展程度與方向信息，并將所選取的指標間的“增量差”和“離差的差”絕對化處理，轉化為度量曲線形狀的相似程度，可將方向差異作為正負關聯方向的判斷標準［34］。依據鄧氏灰色關聯系數的分解標準，指標間關聯越強，其值為正則為同向關聯，反之則為反向關聯。具體計算公式參照相關文獻［34］。

3.3.3 動態空間杜賓模型

氣候災害脆弱性的影響因素分析基于STIRPAT模型展開，該模型綜合了“人口—經濟—技術”等多維度的社會經濟因素，用于考察不同變量對環境要素的影響。考慮到數字農業具有跨區域傳播特征，地區間可能存在較強的關聯效應，故采用空間計量模型進行分析。由于靜態視角下的空間計量模型無法解決動態性與內生性問題，因此引入動態空間杜賓模型：

式中：i 表示糧食主產區；t 表示時間；Chv 為省份氣候災害脆弱性；dig＿agri 為省份數字農業發展水平；X為一系列控制變量向量；W 為空間權重，本研究選用0—1 權重進行分析；μi為個體固定效應；λt為時間固定效應；εit為隨機誤差項。

3.3.4 合成控制法

數字農業建設的關鍵內涵在于通過互聯網及物聯網技術推動農業資源要素的信息整合，并運用云計算及大數據等數據信息平臺優化農業資源要素適配，以此賦能農業基礎設施，最終實現農業數字化轉型。本研究基于外生沖擊視角，采用“農業農村大數據試點”政策，進一步分析數字農業對氣候災害脆弱性的影響效應。

國家農業部為推進農業農村大數據發展與應用，構筑數字信息技術賦能農業發展道路，于2016年頒布了《農業農村大數據試點方案》，并公布了“推進涉農數據共享”的試點省份名單。本研究設定合成控制法分析“推進涉農數據共享”試點是否對糧食主產區氣候災害脆弱性產生影響效應，以是否開展“推進涉農數據共享”試點建立虛擬變量。

相較于DID、PSM-DID 等方法，合成控制法可根據預測變量數據賦權，避免對照組內生性出現偏誤問題，已成為評估外生沖擊檢驗的優勢方法。假定K ＋1 個省份T時期的面板數據，其中第i個省份實施了農業農村大數據應用，為實驗組；其他K 個省份均未實施農業農村大數據應用，為對照組。作為t時期未實施農業農村大數據應用的糧食主產區氣候災害脆弱性指標，而作為t 時期已實施農業農村大數據應用的省份氣候災害脆弱性指標，令為農業農村大數據應用對第i個糧食主產區于t 時點所帶來的氣候災害脆弱性變化，Dit為是否為農業農村大數據應用試點糧食主產區的虛擬變量，若省份i在時間t實施了該政策，則Dit＝1，否則Dit＝0。由此可得，研究期內省份i于時點t的氣候災害脆弱性為。對照組而言，；實驗組而言，。其中為已知農業農村大數據影響后的氣候災害脆弱性數值，而不可觀測，故采用Abadie 提出的因子模型法［35］進行估計，計算公式如下：

式中：δt為時間趨勢；Xi為可觀測的a ×1 維的不受農業農村大數據應用影響的控制變量；θ為a ×1 維未知參數向量；λt為不可觀測的1 ×R維公共因子向量；μi為不可觀測的R ×1 維省份固定效應；εit為無法觀測的短期沖擊，均值等于0。依據Abadie等學者的驗證［35］，一般地，若政策前時間段大于政策實施后的時間段，則可采用作為Chv的無偏估計，由此可計算農業農村大數據應用影響效果α1t的估計數值＋1，…，T］。其中，wk為對照組糧食主產區對實驗組糧食主產區的合成控制貢獻率。

3.4 變量說明

圍繞IPAT模型改進的STIRPAT 模型與理論，分析氣候災害脆弱性可能受到人口、經濟與技術三方面影響，故將人口規模、經濟發展、技術水平歸類為控制變量。同時，考慮到城鎮化、固定資產投資以及產業結構等因素的環境外部性影響，將三者納入到模型中［26］。因此，本研究結合上述控制變量，探究數字農業對糧食主產區氣候災害脆弱性的影響（表3）。

表3 變量說明Table 3 Description of variables

本研究所選指標的數據源自《中國統計年鑒》《中國農村統計年鑒》《中國環境統計年鑒》《中國科技統計年鑒》《中國科學技術協會統計年鑒》、糧食主產區統計年鑒以及國民經濟與社會發展公報，研究期為2010 年到2019 年。

4 時空演變分析

4.1 演化趨勢分析

利用縱橫拉開檔次法，測度2010—2019 年糧食主產區數字農業與氣候災害脆弱性，借助R 語言繪制數字農業與氣候災害脆弱性的二維熱力圖（圖1）。其中，數字農業等級劃分為滯后區（1.0—1.5）、追趕區（1.5—2.0）、推進區（2.0—2.5）、先行區（2.5 以上）；氣候災害脆弱性等級劃分為低脆弱性（1.25 以下）、較低脆弱性（1.25—1.50）、較高脆弱性（1.50—1.75）、高脆弱性（1.75—2.00）。

圖1 糧食主產區數字農業（左）與氣候災害脆弱性（右）現狀二維熱力圖Figure 1 Two-dimensional heat map of the current status of digital agriculture（left）and climate hazard vulnerability（right）in major food-producing regions

數字農業方面。隨著時間推進，數字農業發展格局由以滯后區為主的單極化分布向以“先行區”為核心的多極化形態轉變，部分糧食主產區的數字農業水平顯著提升。特別是2016—2019 年階段，糧食主產區內的數字農業滯后地區開始重視數字農業發展，過渡為追趕發展態勢，鑒于區位因素、資源稟賦以及發展基礎等條件限制，最終形成以遼寧、吉林、黑龍江以及內蒙古為主的數字農業滯后發展“洼地”，其他糧食主產區多樣化分布。整體而言，數字農業發展水平提升明顯，呈現由山東、江蘇為代表的核心地區向鄰地擴散的發展趨勢，究其原因：一方面是核心地區借助數字農業技術的跨區域、寬領域特征，帶動了其他省份發展；另一方面是數字農業人才、數據等要素流動，實現了數字資源優化配置，改善了數字農業區域發展結構。

氣候災害脆弱性方面。糧食主產區氣候災害脆弱性格局可總結為南高北低的分布特征，區域差異加大。相較多為平原地形的北方糧食主產區，四川、江西、湖北等南方糧食主產區水系發達，地形崎嶇，且季風氣候具有不穩定性，氣象平臺難以有效預警洪澇、泥石流等災害，經濟損失較大，導致氣候災害脆弱性較高。北方糧食主產區長期以來推動退耕還林、三北防護林、天然林保護、天然草原保護與建設等工程建設，工程實施為內蒙古、吉林、遼寧等北方糧食主產區應對干旱、沙塵暴等氣候災害起到積極作用，降低了該類地區的氣候災害脆弱性。時序演進方面，氣候災害脆弱性由2010—2015 年逐漸擺脫地區高脆弱性，說明我國自然災害防治取得一定成效，但仍存在部分改進空間。

4.2 時空關聯分析

結合上述數字農業與氣候災害脆弱性的現狀分析，借助面板灰色關聯方法測度2010—2019 年間數字農業與氣候災害脆弱性的關聯強度，以雷達圖進行可視化表達（圖2）。關聯強度的范圍為強關聯［-0.8，-0.6）、較強關聯［-0.6，-0.4）、較弱關聯［-0.4，-0.2）、弱關聯［-0.2，0］。由結果可知，2010 年以來數字農業與氣候災害脆弱性均為負值，說明數字農業可持續降低地區氣候災害脆弱性。空間分布方面，關聯強度存在明顯區域差異，強關聯集中分布在河北、江蘇、河南、湖北4 個糧食主產區，弱關聯糧食主產區集中在內蒙古、江西以及東北三省。需特別指出的是，關聯強度分布與研究期末數字農業分布特征類似，說明糧食主產區之間數字農業發展差距，其應用在本地氣候災害治理的效果不一，地區間存在數字農業的“接入溝”。而山東省作為數字農業的“先行區”，其關聯強度落后于河北、河南等推進追趕區，可能原因在于：山東省數字農業的應用集中于農業生產方面，數字農業的災害預警應對使用不足，與推進追趕區存在“使用溝”。

圖2 2010—2019 年數字農業與氣候災害脆弱性的時空關聯強度雷達圖Figure 2 Radar plot of the strength of the spatio-temporal correlation between digital agriculture and vulnerability to climate hazards，2010 -2019

5 計量模型分析

5.1 空間自相關性

由于數字農業與氣候災害脆弱性的時空分布存在某種關聯，故使用雙變量Moran′s I探究數字農業和氣候災害脆弱性的空間自相關性（表4）。首先，單變量的數字農業與氣候災害脆弱性在研究期內均為正且通過5%水平的顯著性檢驗，表明數字農業與氣候災害脆弱性均存在顯著的空間自相關性。考察二者雙變量Moran′s I 可知，自2016 年二者Moran′s I值持續為負，且均通過顯著性檢驗。時序演化方面，全局Moran′s I值由2010 年的-0.013 波動下降到2014 年的-0.083，之后顯著收斂于研究期末的-0.206，且2014—2019 年持續顯著為負，說明數字農業對鄰近地區氣候災害脆弱性存在空間溢出效應。

表4 2010—2019 年數字農業與氣候災害脆弱性全局Moran′s ITable 4 Global Moran′s I of vulnerability to digital agriculture and climate hazards，2010 -2019

5.2 回歸結果分析

根據二者存在空間自相關性的結果，本研究選用空間計量回歸探究數字農業對氣候災害脆弱性的影響。運用多種檢驗方法，遴選空間計量模型的具體形式（表5）。首先，依據Anselin 判斷準則開展LM檢驗，其中Robust LM（err）、LM（lag）通過了5%水平的顯著性檢驗，Robust LM（lag）、LM（err）通過了10%水平的顯著性檢驗，因此采用空間杜賓模型探討數字農業對氣候災害脆弱性的影響；接著，Hausman檢驗說明模型應選擇固定效應進行估計。基于此，最終采用固定效應的靜態與動態空間杜賓模型識別數字農業與氣候災害脆弱性的因果關系。

表5 空間計量模型檢驗Table 5 Spatial econometric modelling tests

結合檢驗結果，采用動態空間杜賓模型進行參數估計，普通最小二乘法、固定效應模型與靜態空間杜賓模型的回歸結果如表6 所示。從表6（1）、（2）列可見，數字農業的估計系數為負，且均通過5%的顯著性水平，說明數字農業能夠降低省份氣候災害脆弱性，究其原因：一方面數字技術的普及帶動了農業信息平臺發展，推動農業生產、自然災害等外在信息的數字化管理，加強農業災害預警體系建設；另一方面，物聯網、大數據等技術應用的滲透，優化農業生產配置，提高土地、肥料等農產要素的使用效率，提升數字農業的促減作用，降低溫室氣體引致的氣候災害風險；此外，數字農業可通過配套基礎設施優化、作物基因改良等手段，實現氣候災害的末端防治，降低農業發展的災害損失。從表6（3）列可見，數字農業的空間溢出效應顯著為負，說明本地數字農業能夠降低鄰近地區氣候災害脆弱性，其原因在于數字農業作為數字經濟的重要組成部分，同樣能夠通過信息化的空間外溢方式，實現信息高效傳遞，降低時空成本，拓寬區域間農業經濟活動交流的廣度與深度，以此降低鄰地的氣候災害脆弱性。從表6（4）列可見，氣候災害脆弱性的滯后項系數顯著為正，說明氣候災害脆弱性存在時間慣性，即當期氣候災害脆弱性會受前期影響。氣候災害脆弱性空間滯后項顯著為正，說明氣候災害脆弱性的降低與鄰近地區氣候災害應對策略存在關聯。

表6 數字農業對氣候災害脆弱性的影響Table 6 Impact of digital agriculture on vulnerability to climate hazards

5.3 穩健性檢驗

為檢驗上述回歸結果的穩健性，采用替換空間權重矩陣方式進行檢驗，用于穩健性檢驗的權重依次為地理距離矩陣、經濟距離矩陣、經濟地理嵌套矩陣，估計結果見表7。由表7（1）—（3）結果顯示，除系數大小外，模型中各變量回歸系數方向均未發生改變，且均通過顯著性檢驗，說明研究結果穩健。

表7 穩健性檢驗結果Table 7 robustness test results

6 進一步分析

6.1 外生沖擊檢驗

6.1.1 各省份政策效應評估

為全面估計《農業農村大數據試點方案》對山東、江蘇、江西、安徽、湖南、四川6 個試點糧食主產區的總體效應，本研究運用上述6 個糧食主產區在氣候災害脆弱性與其他控制變量的均值，將6 個糧食主產區合并為一個試點區“實際數據”，并運用合成控制法，從其他糧食主產區選擇合成控制單元，構建“合成數據”。通過計算“實際數據”氣候災害脆弱性實際觀測值與“合成數據”氣候災害脆弱性反事實估計值之間的差值，以估計《農業農村大數據試點方案》對試點省份的總體效應。

基于氣候災害脆弱性與其他控制變量，測得合成控制單元權重分布情況（表8）。從表8 可見，合成控制單元共由3 個糧食主產區組成，分別為河北、湖北和遼寧。其中，河北對“合成數據”的貢獻權重為0.680，湖北的貢獻權重為0.111，遼寧的貢獻權重為0.209。

表8 合成控制單元與權重分布Table 8 Synthetic control units and weight distribution

“合成數據”的反事實估計值用來推斷“實際數據”區域未實施“農業農村大數據試點”的潛在結果，其關鍵在于：《農業農村大數據試點方案》實施時點（2016 年）之前，確保“合成數據”各項變量估計值盡量趨近于“實際數據”的各項變量真實值，以更好地擬合政策實施前的結果。由表9 可知，2010—2019 年“合成數據”與“實際數據”在各項控制變量估計均值差距較小，說明“合成數據”對“實際數據”的擬合度較好，能夠用于準確評估試點地區的政策效果。

表9 政策試點實施前實際數據與合成數據控制變量均值對比Table 9 Comparison of actual and synthetic data control variable means prior to the implementation of the policy pilot

農業農村大數據試點設立前后氣候災害脆弱性“實際數據”與“合成數據”的變化趨勢如圖3 所示。從圖3 可見，2010—2016 年“實際數據”與“合成數據”氣候災害脆弱性的折線趨勢基本一致，說明“合成數據”對“實際數據”氣候災害脆弱性的擬合度較高。2016—2019 年“實際數據”氣候災害脆弱性折線明顯低于“合成數據”氣候災害脆弱性折線，到2017年的差距最大，表明“農業農村大數據試點”政策改變了“實際數據”氣候災害脆弱性固有趨勢，降低試點糧食主產區氣候災害脆弱性。右圖可直觀觀測政策實施前后“實際數據”與“合成數據”氣候災害脆弱性的差距，近三年氣候災害脆弱性差距范圍在0.11—0.34。2016 年之前，二者的氣候災害脆弱性發展態勢趨同，2015 中期“實際數據”與“合成數據”開始發生分離。雖然農業農村大數據試點區域的設立起始時點為2016 年，但由于部分糧食主產區政府前期開展較多政策鋪墊，推動“農業農村大數據試點”方案的進一步落實，如2015 年安徽省圍繞“互聯網＋眾包”理念構建“惠農氣象”平臺，實時推送育種、耕種、收割等逐小時氣象預警。在2016 年之后，氣候災害脆弱性差異愈趨明顯，2017 年開始，差距進一步擴大，試點主產區氣候災害脆弱性有所下降，這標志著隨著政策的深度落實，數字農業工具有效提高氣候預警、農業生產等管理水平，氣候災害的負向外部性得到有效抑制。上述結果充分展示了“農業農村大數據試點”在降低地區氣候災害脆弱性方面取得了較優成效。

圖3 2010—2019 年“農業農村大數據試點”地區氣候災害脆弱性實際數據與合成數據的差距Figure 3 Gap between actual and synthetic data on climate hazard vulnerability in the Pilot Big Data for Agriculture and Rural Areas，2010 -2019

6.1.2 安慰劑檢驗

為進一步驗證糧食主產區試點省份氣候災害脆弱性的抑制源于“農業農村大數據試點”政策的準確性，而非受其他偶然因素干擾，整體政策效應顯著，本研究依據Abadie 的做法［35］進行安慰劑檢驗。首先假設糧食主產區的非試點地區同樣受到2016年政策影響，運用合成控制法構建非試點糧食主產區的合成對象，并得出一系列研究實際樣本與合成對象的數值差異，該差異表征為“政策效果”。同時參考劉乃全等的做法［36］，剔除政策開展前平均預測標準差高于“實際數據”二倍的糧食主產區，并將“實際數據”的政策效果和非試點糧食主產區的政策效果進行比較，結果如圖4 左所示。在2016 年政策開展后，“實際數據”（黑線）的政策效果顯著高于非試點糧食主產區（灰線），說明“農業農村大數據試點”的政策沖擊對試點糧食主產區氣候災害脆弱性抑制效果優于非試點糧食主產區。即在5%的顯著性檢驗下，農業農村大數據試點糧食主產區的設立有效緩解氣候災害引發的損失，提升糧食主產區農業發展的氣候災害應對能力。上述結果驗證了試點省份氣候災害脆弱性的抑制源于政策實施的精確性，即政策效果顯著。

圖4 2010—2019 年“農業農村大數據試點”省份氣候災害脆弱性的安慰劑檢驗Figure 4 Placebo test for climate hazard vulnerability in the“Big Data in Agriculture and Rural Pilot”provinces，2010 -2019

同時依據時間安慰劑檢驗法，將政策開展時間前移到2014 年，結果如圖4 右所示。以2014 年為政策沖擊時點，“實際數據”與“合成數據”差距較小，二者演化趨勢與以2016 年政策沖擊時點的特征基本一致，這說明合成控制法的研究結果不受時間變化影響，結論較為穩健。

6.2 作用分解檢驗

為進一步探究數字農業發展中影響省級氣候災害脆弱性的具體作用因素，以數字農業指標體系中子指標作為自變量進一步實證分析，包括數字農業信息基礎（dig＿agri inform）、數字農業人力資本（digital＿agr hum）、數字農業技術水平（dig＿agri tech）、數字農業要素優化（dig＿agri optim）、數字農業經濟產出（dig＿agri output）（表10、11）。

表10 數字農業對氣候災害脆弱性的作用分解Table 10 Decomposition of the role of digital agriculture in climate hazard vulnerability

表11 數字農業對氣候災害脆弱性的作用分解（續）Table 11 Decomposition of the role of digital agriculture in climate hazard vulnerability（continued）

由表10、11 可知，數字農業信息基礎顯著降低了氣候災害脆弱性，且5 個子指標中系數最高，這說明數字農業信息管理能力是數字農業影響氣候災害脆弱性的首要路徑。數字農業氣象站、信息平臺的構建，可有效進行氣象實時監測，規避氣候災害引致的經濟損失，保障農業生產有序開展，同時數字農業信息基礎能夠減小鄰地氣候災害脆弱性，這說明農業氣候區劃信息平臺覆蓋能夠保證鄰近地區災害準確預警，具有一定的溢出效應。數字農業人力資本的直接效應與溢出效應均顯著為負，說明數字農業人力資本對氣候災害脆弱性具有顯著負向作用。一方面，農產勞動力水平的提升能夠實現與數字農業技術的良好適配，提高數字農業服務效率，及時應對突發自然災害風險；另一方面，地區間數字農業人才的交流學習，有效促進農業減災救災經驗的推廣普及，提升周邊地區應對氣候災害能力。數字農業技術水平對本地氣候災害脆弱性具有顯著促減效應，且對鄰地有負向作用，原因在于數字農業技術具有顯著溢出性，通過發揮創新要素外溢效應，推動鄰近地區數字農業技術升級，降低地區氣候災害脆弱性。數字農業要素優化對本地區及鄰近地區的氣候災害脆弱性具有顯著負向影響，原因在于數字農業的要素優化具有明顯節能減排效應，能夠緩解溫室氣體引致的氣候災害影響，降低氣候災害脆弱性，同時強調強調農業生產經濟與農業發展環境的協調，促進農業機械、耕作手段由粗放式向集約式轉變，提高農業生產的資源環境適應力。數字農業經濟產出及其地理加權項顯著為負，表明數字農業經濟產出的提升可降低本地與鄰地氣候災害脆弱性，究其原因在于地區資金水平是保障氣候災害治理的物質支撐，同時部分流動資金不僅能夠用于育苗、耕地等生產要素利用的技術研發，同時保證災后重建項目有序開展，實現農業生產穩產高效。

7 結論與討論

7.1 結論

本研究以13 個糧食主產區面板數據為研究對象，借助縱橫拉開檔次法、面板灰色關聯模型、動態空間杜賓模型，分析數字農業對氣候災害脆弱性影響效應，并以符合數字農業內涵的“農業農村大數據試點”政策作為政策沖擊，運用合成控制法進一步檢驗數字農業對氣候災害脆弱性的影響。同時在數字農業指標體系基礎上進行作用分解，分析了數字農業的信息基礎、人力資本、技術水平、綠色發展和產出水平對氣候災害脆弱性的作用效果。主要結論如下：①數字農業由以滯后區主導的單極化，向以先進區為核心的多極化特征轉變，而氣候災害脆弱性分布格局表現為南高北低。數字農業與氣候災害脆弱性時空關聯特征為負向關聯，說明數字農業會降低省份氣候災害脆弱性，其中關聯強度分布與數字農業研究末期基本一致。②數字農業與氣候災害脆弱性存在負向空間自相關性，數字農業能夠顯著降低本地、鄰地氣候災害脆弱性，該結論在改變空間權重矩陣后依然穩健。③“農業農村大數據試點”政策對試點省份氣候災害脆弱性的抑制效應逐漸顯著，到2017 年為峰值。④作用分解方面，數字農業信息管理是數字農業影響地區氣候災害脆弱性的關鍵途徑，能夠實現災前預警，降低氣候災害的農業經濟損失，同時數字農業存在空間外溢性，能夠降低鄰地氣候災害脆弱性。

7.2 討論

通過數字農業對氣候災害脆弱性的實證研究，本研究從以下三方面提出政策建議：①夯實數字農業基礎設施建設，推動數字農業技術在農業健康發展與提質增效中的作用，發揮氣象“趨利避害”能力。圍繞數字技術與傳統農業的深度融合，加快農村網絡寬帶、農業氣象站等新一代農業信息基礎設施建設，保障地區數字農業發展具備成熟的信息基礎設施支撐，推進農業氣象信息服務的覆蓋滲透，構建農業生產、災害信息等數據的智能管理體系，實現數字農業賦能氣象服務。②立足于各地災害差異，融合云計算與大數據技術，優化智慧農業氣候區劃信息平臺，實施區域間農業氣象災害異質性策略。基于GIS工具平臺，構建適用于全域氣候資源利用與開發體系，識別區域地理氣候優勢，降低災害經濟損失，優化農業生產資源配置效率，同時利用氣象大數據實現各地災害檢測，為各地政府因地制宜指導農業生產提供氣象科技支撐。③加強數字農業生產技術研發，提升技術支撐水平，有效服務于農業綠色增效與災后重建工作。一方面，推廣智能化、便捷化的“互聯網＋”現代農業生態模式，推動傳統農業發展模式向“高產—高效—低耗”高端農業模式轉變，嚴控農藥、塑料薄膜等生產要素濫用，緩解農田環境污染，實現農業生產集約化、智能化；另一方面，聚焦于優良糧食作物品種改良與農業基礎設施革新，全面推進農業災后重建復產復工，加強地區抵御不確定性氣候災害的能力。

本研究對數字農業與氣候災害脆弱性的研究進行一定拓展，為農業經濟健康發展提供理論參考，但受限于相關研究較為匱乏，仍存在以下可完善空間：數據選取方面，囿于數據可得性，本研究基于省際視角進行分析，導致研究結論缺乏普適性，后續研究可在數據可得條件下加以拓展；政策檢驗方面，針對《農業農村大數據試點方案》的政策有效性，本研究僅檢驗了試點省份的總體效應，但受限于篇幅，缺乏對個體效應、影響因素以及政策作用的深入探討，未來圍繞以上幾點開展針對性研究；機制分析方面，本研究雖然對數字農業影響氣候災害脆弱性的機制開展分析，但受限于部分變量不可測度，實證探討不足，未來研究中還需對數字經濟影響氣候災害脆弱性的理論分析與具體機制進行深入探討。