梅州市不同作物組合的風險研判與結構優化

中圖分類號 ：F301.2 文獻標志碼：A

摘 要 ：基于梅州市34 個鄉村1 027 份農戶的實地調研數據，發現當前復合種植模式存在顯著風險差異，農戶收益不穩定問題突出。分析表明：同類作物組合因風險疊加效應加劇收益波動，而經濟作物與糧食作物間的負向協方差雖能降低部分風險，但由于現有補貼政策未能充分協調作物組合與風險緩釋的關系，導致抗風險能力不足。建議優先推動經濟作物與糧食作物協同布局以利用負向協方差效應，同時完善補貼政策，政策引導與結構優化協同發力，增強農戶收益穩定性與農業抗風險能力。

梅州市所在的粵北地區是省的傳統農業種植區，具有獨特的地形地貌、氣候條件以及土地資源特征，農戶基于豐富的耕地資源形成了多種作物組合的發展模式。中央一號文件多次強調，要增強糧食和重要農產品供給能力，健全農產品全產業鏈監測預警機制。伴隨著農業結構性改革的推進，農產品供應的經營環境變得更為復雜。耕地是承載多種作物組合的重要資源，在保證國家糧食安全基本國策的基礎上，引導農戶選擇健康的種植結構，降低生產風險，提升農業的可持續發展能力是粵北地區農業發展難以回避的現實問題［1］。

耕地作物組合結構及其風險問題，已受到國內外學者的廣泛關注。在作物組合的風險因素方面，已有研究表明自然條件如土壤肥力、氣候是影響作物選擇的基礎條件［2］。如在干旱地區，耐旱作物的種植比例相對較高；而在土壤肥沃的區域，高附加值經濟作物具有較高的種植比例［3］。同時，經濟因素如農產品價格波動、生產成本投入等也對農戶作物組合決策產生重要影響［4］。農戶通常會根據市場價格預期和自身成本承受能力，選擇種植收益較高的作物品種［5］。此外，政策導向如農業補貼政策、耕地保護政策等也在一定程度上引導著農戶的種植行為。在風險測算上，國外學者主要利用概率分析、回歸分析以及時間序列分析進行風險評估，國內學者則更傾向于使用層次分析法（AHP）、情景分析和隨機模擬技術［6］。這些方法能夠幫助識別和評估多種風險因素［7］，如氣候變化、市場波動等對農業生產的潛在影響［8］。在種植結構優化研究方面，學者們主要從作物選擇、土地利用效率、作物輪作等方面進行探討，國內外學者利用各種模型進行了許多種植結構調整研究，其中最常用的是模糊優化模型［9］、多目標規劃［10］、系統動力學方法［11］和多目標智能優化算法［12］。部分研究運用數學模型和計量經濟學方法，通過構建線性規劃模型、灰色關聯分析模型等，對不同作物組合的經濟效益和生態效益進行評估，從而為農戶提供最優的作物組合方案［13］。我國學者常用的優化方法包括線性規劃、最優化模型和Markowitz 模型。研究表明，合理的作物組合有助于提高土地的生產力和農戶的抗風險能力。隨著可持續發展理念的深入，種植結構優化需要綜合考慮地域、自然資源、氣候等多重因素，傳統的線性規劃模型已難以滿足復雜需求［14］。現有研究針對不同地區農戶耕地作物組合的差異化討論仍相對欠缺，結合當地實際情況使用具有針對性和可操作性的風險量化方法和種植結構優化策略，還需要進一步深入探討。

本研究以省梅州市作為研究對象，利用Markowitz 的投資組合模型和線性規劃模型，研判粵北耕地作物組合的風險，并以降低風險為目的進行種植結構的優化分析，期望從農戶風險的視角為粵北耕地種植結構的調整提供參考。

一、研究設計

（一）數據來源

梅州市是粵北傳統農業城市，種植結構多樣化、耕地資源破碎化程度較高，與本研究的主題具有良好的適切性。綜合考量鄉村與市鎮的距離、耕地面積、農村人口數量、作物結構、作物生產銷售等5 個方面因素，最終選定梅江區四平村、上羅村和楊文村等20 個鄉村，梅縣區溪聯村、田頭村、程江村等 10 個鄉村，平遠縣熱柘村、小柘村和熱水村等4 個鄉村，共計34 個調研村落。在2023 年7 月至 2024 年 4 月展開了實地調研，共發放調查問卷1 133 份，其中有效問卷1 027 份，有效率為90.64% 。經檢驗，同一維度變量的內部一致性信度為 ，其余自變量的平均提取方差值 AVE均大于 0.5，問卷數據具有一定信度和效度。本研究以種植結構特征上作物的投入產出信息為主要研究數據，包括作物種植種類、面積、種植特定作物的投入和產出情況等。

（二）模型選擇

一是Markowitz模型。Markowitz模型也稱為現代投資組合理論，最初用于金融領域的投資組合優化。該模型通過分散投資降低風險，同時收益最大化［15］。在農業領域，其被廣泛應用于農戶種植結構的優化，尤其是針對不同作物組合的風險評估與收益優化。Markowitz 模型應用于評估不同作物組合的風險。以農戶為樣本，通過計算樣本農戶在耕地選擇不同作物組合的方差和協方差，量化單一作物和多種作物組合的風險。其中，方差反映單一作物收益的波動性，而協方差則反映不同作物之間的收益相關性。離差反映了實際收益與預期收益之間的波動情況，這種波動正是風險的本質特征。當實際收益與期望收益的偏離程度較大時，意味著收益的不確定性較高，具有較大風險。反之，通過優化作物種植比例，農戶可以在保證一定收益的前提下，最小化整體風險。

問卷數據顯示，樣本農戶選擇的耕地作物種類主要為水稻、蔬菜、玉米及油料作物，合計播種面積比例達 30.12% 。在多樣化種植組合中，“水稻 + 蔬菜”的作物組合模式以 58.58% 的所占比例居首，其后依次為三元組合“水稻 + 玉米 + 油料作物”（ 19.4% ）及“玉米 + 蔬菜”（ 10.82% ）兩種模式。因此，選取這幾種耕地作物組合類型為研究對象，利用離差表現耕地作物組合的風險值。計算單一作物、兩種作物、三種作物的組合風險使用的方差與協方差計算公式為式（1）—（3）：

式中：Var（ （p ）表示耕地作物組合的風險；Var（ （x） ）為方差，表示單種作物的風險；Cov （x_ix_j） 為協方差，表示相對風險。 ω 為作物種植比例，且 ω₁+ω₂+ω₃+…+ω_n=1 。方差與協方差需要通過每一樣本農戶的實際收益率與該種作物的期望收益率的差值來計算。實際收益率 Σ=Σ 現金收益/ 現金成本。現金收益 Σ=Σ 產值合計 - 現金成本。期望收益率則通過縱向對比梅州市歷年各作物的實際收入以及橫向對比周邊的產糧大鎮，在現有基礎上調20% ，即期望收益率 Σ=Σ （作物現金收益均值 / 作物現金成本均值） ×1.2 ；令 n 表示農戶數量， i 表示作物類型，方差和協方差的計算如式（4）—（5）：

式中： R_i，R_j 分別表示作物的期望收益率；

表示樣本農戶種植作物的實際收益率。

二是線性規劃模型。線性規劃是一種數學優化方法，廣泛應用于資源分配、生產計劃等領域。其目標是在給定的約束條件下，找到使目標函數最大或最小的變量值。在農業領域，線性規劃模型常用于優化作物種植結構，以最大化收益或最小化風險。由于風險值與耕地種植的作物結構相關聯，可以在風險評估后，以降低種植結構風險為目標，根據實際設定約束條件，進而反向求解達到降低風險要求的種植結構（即優化種植結構）。其中，優化的對象為復合型的種植業農產品，種植單一種類的作物則無需進行種植業農產品的優化。優化過程中，以最小的耕地作物組合風險值為目標，以耕地利用的收益水平和生產規模為約束，優化的模型為式（6）：

式中： e_p² 為不同種植結構耕地作物組合的風險值，即上文中的Var（ （p） ， ω_i=1，2，3，…，n 表示 n 個樣本農戶作物種植面積的比例； e_ij=E （ （r_jn–R_j） ，其中， R_i，R_j 分別表示種植水稻、玉米、蔬菜、薯類、油料的期望收益率， r_in 、 r_jn 表示第 n 個樣本農戶種植水稻、玉米、蔬菜、薯類、油料的實際收益率。 R_o 為樣本農戶要求的最低收益率，公式為：最低收益率 （R_O）= 農戶要求的最低畝收益/ 畝平均現金成本。其中，農戶要求的最低畝收益可以用轉入耕地價格的均值（農戶從事土地種植的平均機會成本）來表示。即如果農戶轉入耕地，那農戶期望的經濟收益應不少于轉入耕地的價格。同時，利用耕地種糧的農戶還會獲得一定量的生產者補貼。當補貼額小于耕地平均流轉價格時，農戶會以相對較高的畝流轉價格作為要求的最低畝收益。當耕地流轉價格小于補貼額時，農戶就不會流轉耕地，而是選擇自己種地獲得高于流轉價格的補貼作為要求的最低畝收益。畝平均現金成本則為需要進行優化的耕地作物平均投入成本的均值。

三是描述性統計。基于對1 027 份有效調查問卷的統計分析發現，在成本—產值—種植面積方面，各作物組合存在顯著差異（表 1）。成本上，農戶種植單種水稻在成本投入上相對突出，單種蔬菜明顯更低，“玉米 + 蔬菜”的投入在復合組合中處于最低水平，“水稻 + 蔬菜”的現金成本略低于單種蔬菜種植的成本。產值上，單種水稻較高，單種蔬菜的產值低于單種水稻，但在經濟作物中比較突出。復合種植組合“水稻 + 蔬菜”的產值最高。而種植面積分配情況不僅影響著作物的產量，也對成本和產值產生聯動效應。

進一步對主要耕地作物組合的收益情況進行分析（表 2）。不含補貼的情況下，農戶種植單種蔬菜的現金收益和實際收益率表現較為突出，實際收益率高達 4.58% ，均高于其他主要組合種植模式下的作物收益。而各類復合種植組合相較而言，“玉米 + 蔬菜”組合呈現出最高的現金收益與實際收益率。含補貼的情況下，“水稻 + 玉米 + 蔬菜”組合的現金收益有所下降，但各類復合種植組合的實際收益率較不含補貼時均有所提升。

最低收益率被定義為每畝耕地平均流轉價格與作物組合的畝平均現金成本之比。為進一步探究何種種植結構組合風險最小，同時以加權期望收益率大于等于最低收益率作為約束條件來實施種植結構優化，對主要耕地作物組合下農戶最低收益率進行計算（表3）。其中“水稻 + 玉米 + 油料”組合的最低收益率最高，達到 14.12% ；而“水稻 + 蔬菜”組合的最低收益率則相對較低，只有 8.13% 。不同類型作物組合的農戶最低收益率計算為：

水稻 + 蔬菜： R0^′=110 /［（1 143.366 2+1 563.242 7）/2]× 100%=8.13%

玉米 + 蔬菜： R0^′′′=110/[510.5819+1563.2427）/2]× 100%=0.1061= 10.61%

水稻 + 玉米 + 蔬菜： 80^′′′=110 /［（1 143.366 2+510.581 9+ 1563.2427）/3]×100%=10.26%

水稻 + 玉米 +_iⁱ 油料：R ）^′′′′=110 /［（1 143.366 2+510.581 9+ 634.930 0） /3]×100%=14.42%

二、耕地作物組合風險評估與研判

基于問卷數據和Markowitz 模型的風險測算結果的綜合分析，不同作物組合的風險值存在顯著差異（表3）。種植補貼為種植水稻、玉米、油料獲得的補貼，每年標準不同。從期望收益率來看，考慮種植補貼時，“水稻 + 蔬菜”組合的期望收益顯著高于其他種植方式，達到5.67，由此可以看出補貼政策對特定種植方式的顯著激勵作用，尤其是對多樣化種植組合的收益提升效果。相比之下，單種水稻的期望收益率僅為1.51，水平較低。原因在于，“水稻 + 蔬菜”組合能夠更高效地利用土地資源，提高單位面積的產出效益，同時得益于政策補貼的雙重激勵效應。在不含補貼的情況下，水稻 + 蔬菜的期望收益率仍然居首位，但單種水稻的期望收益率略有下降。補貼政策通過激勵農戶選擇高收益種植方式以提升農業經濟效益，促進農業多樣化發展。

表1 主要耕地作物組合成本、收益分析

表2 主要耕地作物組合的收益分析

表3 不同種植結構的風險值統計量

同時，不同作物組合在考慮補貼時的風險值基本高于不含補貼情況下的風險值，其中“水稻 + 玉米 + 蔬菜”的風險值最高，為 0.805 9，較無補貼上升了0.158 0。對比可知，當存在生產性補貼時，農戶的期望收益率上升，從而使實際收益率與期望收益率的差值進一步加大，導致收益率的方差增大，風險增加。風險值的高低直接影響農民的種植決策，高風險的種植方式可能需要更多的風險管理措施，如購買農業保險或采用新技術來降低風險。

三、基于風險調控的耕地作物組合結構優化

表 4 是根據測算結果歸納的當前各類主要作物組合的對應種植比例及相應風險值。分析可知，無論是否具有補貼激勵，糧食作物當中水稻的比例均較高，此分布特征印證了水稻作為主糧作物在梅州市的農業供需關系中的核心地位。從當地實際情況來看，水稻的高比例種植源于國家糧食安全戰略的政策導向、市場的供求關系、種植技術的提升以及補貼政策的作物傾斜。此外，在一定種植比例下，不同補貼情況所對應的組合風險值也有所不同。因此，應當結合補貼情況，調整作物組合的種植比例，實現種植結構的優化，進而降低耕地的種植結構風險。

表 5 是利用線性規劃模型所計算的農戶在考慮是否補貼的情況的最優種植比例。根據風險值優化后，水稻仍占據主導地位，但更貼合市場和土地高效利用的需求。未考慮補貼時，水稻的種植比例進一步提高至 0.947 2，而蔬菜的種植比例降低至0.052 8。考慮補貼時，水稻的種植比例略有下降，為 0.944 7，而油料的種植比例增加至 0.068 3。

從表 5 還可得知，未考慮補貼時，水稻 + 玉米 + 蔬菜的風險值大幅降低，僅為 0.317 2，而單種蔬菜的風險值最低，為 0.002 6。考慮補貼時，水稻 + 蔬菜的組合風險值最低，為 0.003 4，整體風險值顯著下降。耕地作物組合比例的積極調整能夠有效降低復雜種植方式的風險。這種優化方式不僅提升了收益，還兼顧了風險的控制，使得農業生產的可持續性得到顯著增強。優化后的種植結構能夠更好地應對市場波動和自然風險，為農民提供更穩定的收入來源，同時也為農業的長期發展奠定堅實的基礎。

四、結論與討論

（一）結論

一是不同作物組合的風險具有明顯的異質性。含補貼時，“水稻 + 玉米 + 蔬菜”組合風險值最高（0.805 9），單種蔬菜風險值最低（0.169 6）；不含補貼時“，水稻 + 玉米 + 油類”風險值達0.339 4，仍高于單種蔬菜的 0.169 6。同時，經濟作物與糧食作物的負向協方差效應（如玉米 + 蔬菜組合協方差-0.008）可顯著降低風險，而同類作物組合（如水稻 + 蔬菜協方差0.084 1）則表現出風險疊加效應。現有種植結構受自然、經濟、農戶決策等多因素影響，存在風險分布不均、收益不穩定等情況。單一作物種植與多種作物組合種植的風險值存在差異，且補貼政策對風險值有影響。

二是種植結構優化后，能夠有效分散風險。在補貼條件下，水稻種植比例需控制在 94.47% （ ）， 蔬 菜 與 油 料 分 別 保 持 5.53% 和6.83% 的配比時，系統風險可降至 0.023 1，降低了 69.7% 。優化后各作物組合的風險相應降低。特別是在考慮補貼因素后，種植結構的風險進一步降低，表明補貼政策對優化耕地種植結構及維持農戶收益的穩定性具有積極影響。

表4 優化前耕地作物組合中的種植比例 （%） 及風險值統計量

表5 優化后耕地作物組合中的種植比例及風險值

以上結果不僅驗證了補貼政策對農戶收益穩定性的積極影響，也為農業風險管理提供了新的量化工具和實踐依據。未來研究可進一步結合氣候變化、市場波動等外部因素，深化風險模型的精準性，為農業政策制定和農戶決策提供更全面的支持。

（二）討論

粵北地區由于耕地分散、交通不便，農戶對外部市場信息的獲取能力較弱，進一步加劇了風險感知。因此，農戶在選擇作物組合時更加謹慎，傾向于選擇收益低、風險也低的組合。在考慮風險最小化的前提下，通過優化作物組合比例，農戶能夠顯著降低現金收益率的波動風險，同時提高整體收益的穩定性，并增強了對不確定性事件的應對能力。本研究引入了Markowitz 模型，在分析作物組合之間的協方差的基礎上評估耕地作物組合的風險，進而作為結構調整和優化的依據，具有科學性和合理性。然而，當前研究對外部環境因素的考慮尚不充分，尤其是氣候變化、市場需求波動等因素對作物風險的潛在影響未能完全納入分析。未來的研究需要加強對這些外部環境因素的綜合考慮，以進一步完善風險評估模型，確保優化方案更具實際應用價值。在期望收益率的設定上，綜合考慮了梅州市的歷史數據和周邊產糧大鎮的情況，但市場環境的動態變化要求期望收益率的確定機制更加靈活。因此，未來研究可探索更適應動態市場的收益率預估方法，并通過更廣泛的變量納入優化模型，從而提高其精準性和實用性，為農戶提供更加科學的種植結構調整方案。在提升農戶種植結構優化方面，可以從耕地使用者、管理者、所有者和經營參與者4 個層面進行研究，充分發揮多主體協同作用，構建多元化治理框架，進一步完善種植結構調整的決策機制。未來研究可為梅州市以及其他丘陵地區的農業發展提供更加全面的決策支持，以推動農業生產模式的可持續發展。

參考文獻：

［1］宋敏，張安錄.大食物觀視閾下的耕地利用轉型：現實挑戰、理論邏輯與實現路徑［J］.中國土地科學，2023，37（8）：31-41.

［2］馮茂秋，黃佩，潘洪義，等.基于限制因素組合序列的耕地質量提升潛力研究：以什邡市為例［J］.中國農業資源與區劃，2019，40（5）：126-133.

［3］高士光.河北省耕地因素組合的構建及分布規律研究［D］.保定：河北農業大學，2008.

［4］薛建輝.灰色局勢決策在林下間作作物組合優化中的應用［J］.生態學雜志，1991（2）：32-35.

［5］王玉杰.雞澤縣辣椒價值鏈增值與農戶收益研究［D］.保定：河北農業大學，2022.

［6］劉順.濟寧市金鄉縣大蒜供應鏈風險識別與評估研究［D］.泰安：山東農業大學，2023.

［7］王成，樊榮榮，龍卓奇.重慶市鄉村生產空間系統風險評價及其空間分異格局［J］.自然資源學報，2020，35（5）：1119-1131.

［8］周佩萱，陳輝.生鮮農產品電商拼價銷售影響小農生產經營的內在邏輯：基于陜西省A 縣甜瓜產業的考察［J］.南京農業大學學報（社會科學版），2024，24（1）：167-178.

［9］S E Y FI- S H IS H AVA N S A，D O N YATA L A BY，FARROK HIZA DEH E，et al. A fuzzyoptimization model for designing an efficientblood supply chain network under uncertaintyand disruption［J］. Annals of operationsresearch，2023，331（1）：447-501.

［10］A H M ED H Y，ALI Z M，R EFA AT M M，et al. A multi-objective planning strategy forelectric vehicle charging stations towards lowcarbon-oriented modern power systems［J］.Sustainability，2023，15（3）：2819.

［11］S H A M S U D D O H A M，N A SI R T，H O S S A I NN U I. A sustainable supply chain frameworkfor dairy farming operations： a systemdynamics approach［J.］ Sustainability2，0231，5（10）：8417.

［12］N A L L O L L A C A，V IJAYA P R I YA P ，CHITTATHURU D，et al. Multi-objectiveoptimization algorithms for a hybrid AC/DCmicrogrid using RES：a comprehensive review［J］. Electronics，2023，12（4）：1062.

［13］郭永忠，楊彩霞，鄒軍，等.灰色局勢決策在玉米品種綜合評價中的應用［J］.西北農業學報，2007（4）：92-95.

［14］張圣曦.基于作物生產水足跡的塔里木河流域種植結構優化研究［D］.北京：中國農業科學院，2024.

［15］劉薇，王寧.林甸縣轉入耕地糧農經營組合風險及種植結構優化分析［J］.浙江農業科學，2019，60（9）：1699-1702.