农业气象灾害对粮食生产效率影响研究

2023-11-24邓俊淼董铠进

南都学坛 2023年6期

邓俊淼,董铠进,王瑄

(河南工业大学经济贸易学院,河南郑州 450001)

一、引言

农业气象灾害对粮食生产的稳定性造成了严峻的挑战和威胁,2019年《全球粮食危机报告》指出,受到气象灾害的影响,全球粮食危机正在变得日益严重和复杂。相关研究表明:气象灾害成为影响我国粮食生产的重要因素之一[1],影响着整个粮食生产系统的平衡,降低了粮食的综合生产能力[2],对我国粮食全要素生产率具有较大的影响,在一定程度上降低了我国粮食全要素生产率[3]。2005—2023年的中央一号文件中,均强调了农业气象服务体系与农业防灾能力建设等议题,这凸显了这些议题在国家农业政策中的重要性。随着我国农业基础设施的逐步完善,粮食生产的安全程度也得到相应提升。然而,在此背景下,气象灾害对粮食生产效率的影响是否存在着动态变化仍待探讨。此外,由于不同地区对粮食生产的重视程度和基础设施水平存在差异,气象灾害对粮食生产效率的影响是否存在地区差异也值得研究。本文基于2001年至2020年的面板数据,对气象灾害对粮食生产效率的影响机制以及不同功能区之间影响效应的差异进行了深入分析。

二、文献综述

灾害分析在全球气候变化的背景下迅速发展,并已成为全球性的重要议题。早期的自然灾害研究主要集中在灾害的分类[4]、指标评估[5]、减灾对策[6]、预防报警[7]、原因分析[8]等方面。目前,随着全球性粮食安全问题的日益凸显,学者们逐渐关注到气象灾害对粮食生产效率的影响。从要素投入角度分析,气象灾害对粮食生产效率的影响主要表现在两方面:一方面,气象灾害导致农业减产,降低了农业经营性收入,提高了农业经营性风险,迫使农户退出农业经营,从而使得粮食生产的劳动力投入不足[9];另一方面,气象灾害导致耕地质量下降[10],农田水利设施遭到破坏[11],农业科技装备投入[12]、农业保险[13]和政策支持[14]等作用受限,从而使得粮食生产效率下降。从产出角度看,气象灾害通过影响粮食作物的生产和发育、降低了土壤肥力、影响粮食生产质量,从而导致粮食生产效率降低。高云等从产值的角度,分析了水灾和旱灾对粮食产值影响的差异,结果表明水灾对农林牧渔总产值的负向影响大于旱灾[17]。而孙良顺从产量的角度,分粮食功能区分析旱灾和水灾对粮食产量的影响,结果表明无论是主产区还是非主产区,旱灾对产量的影响都大于水灾的影响[1]。从效率本身角度,刘春明等研究发现灾害率显著抑制粮食生产效率的提升[18];宿桂红等研究发现粮食生产技术效率在很大程度上受到自然灾害的影响[19]。

综上所述,我国在农业基础设施投资,气象灾害防范等方面的努力,使得我国受灾面积、受灾率等指标都显著下降(见图1),现有研究无论从粮食产值、产量还是从效率本身角度,都相对忽略了我国在气象灾害防范方面所付出的努力及成效,缺乏从不同功能区之间差异的角度出发来分析气象灾害对粮食生产效率的影响。因此,本文充分考虑基础设施的投入和不同地区的生产条件差异等因素,进一步探索气象灾害对粮食生产效率的作用机理。

图1 全国农作物受灾面积、旱灾受灾面积、洪涝灾受灾面积及占比趋势图数据来源:国家统计局。

三、假说提出

(一)农业气象灾害对粮食生产效率的影响

农业气象灾害通过多种方式对粮食生产效率产生影响。首先,粮食产量是粮食生产效率的重要产出指标,而影响粮食产量的主要因素有播种面积和单产水平,农业气象灾害会使播种面积受限、粮食单产减少。一方面,农业气象灾害会导致农田受灾面积增加,破坏农田的土壤结构和质量,使得一部分土地无法开展农作物种植,从而减少了播种面积;另一方面,农业气象灾害通常会破坏农作物的生长环境和生长发育过程,并影响其养分吸收和利用,例如,暴雨和洪水则可能造成水土流失,导致植物缺氧或养分流失。其次,农业气象灾害将对耕地质量造成损害,包括土壤养分丧失、侵蚀和酸化等。这些因素会降低土壤的肥力和水分保持能力,进而减少农作物的生长潜力。受到气象灾害影响的土地将需要更多的努力和资源来恢复其肥力和可耕性,这增加了农民的成本和粮食生产的难度。最后,气象灾害导致农户生产粮食风险增加,降低了农户生产粮食的积极性。一方面,气象灾害增加了农户粮食生产的风险,进而加剧农户的脆弱性[10],使得农户采取适应性行为,调整种植结构,减少粮食种植面积或者退出粮食生产经营;另一方面,气象灾害导致农户粮食生产的投入要素和成本增加[20],比如防灾和减灾所花费的成本,生产方式的转变成本,基础设施的投入成本等方面,这些成本的增加会影响粮食生产效率。

假说1:在其他影响因素不变的情况下,农业气象灾害会对粮食生产效率产生负向影响。

(二)农业基础设施的调节效应

首先,农业基础设施的改善有助于提高粮食生产抵抗气象灾害的能力。农业基础设施可以提高粮食生产的韧性[21],在农业基础设施较好的地区,农户通过自身适应灾害风险和自我调整能力的提升,来有效地降低气象灾害对粮食生产的影响程度,如农户可以利用水利、电力、数字农业等基础设施,提升自身气象灾害的防范能力,优化资源配置,调整资源投向,提高资源的配置和利用效率。同时,农业基础设施水平的提高,使得一些技术含量较高的设备,技术创新等应用于粮食生产,能够提高粮食生产资源的利用效率,如有效的灌溉设施能够提高粮食作物的水资源利用效率[22]。其次,农业基础设施水平的提高,能够有效提高粮食生产主体预测和防范气象灾害的能力。一方面,基础设施水平的提高,提高了粮食生产主体获得气象灾害信息的数量和质量,降低信息的获得成本,能够提前做好防范气象灾害的准备;另一方面,基础设施水平的提高,能有效地提升粮食生产主体防范灾害的能力和效率,例如,提高粮食生产过程中的灌溉、抢收、运输和改善种植环境等方面的能力,最大限度地降低气象灾害所带来的损失。最后,基础设施水平的提高,能够有效提高粮食生产主体和政府对自然灾害的响应效率。对气象灾害的响应速度是防灾救灾的关键,响应速度不仅表现在获取灾害预警信息上,更表现在应对灾害的多主体联动上,是一个系统层面的防范措施,不仅对单个层面基础设施提出要求,更注重农业基础设施之间的耦合协调性,基础设施整体水平的提高,能够提高各项基础设施的耦合协调水平,从而提高粮食生产主体和政府对气象灾害响应的速度,降低响应的成本。

假说2:农业基础设施能够缓解气象灾害对粮食生产效率的负向影响。

四、模型、数据和变量

(一)模型构建

本文的被解释变量是运用BCC模型测度的粮食生产综合技术效率,其数值范围在[0,1]之间,参考曾福生等使用面板随机Tobit模型分析粮食生产效率的影响因素[23],本文选择面板数据的随机Tobit模型,模型如式(1):

(1)

其中,xi表示解释变量,yit表示被解释变量,β表示回归参数,εit表示随机扰动项。本文考虑随机效应Tobit模型,通过LR检验判断是否存在个体效应,然后判断应该使用随机效应的面板Tobit回归还是混合Tobit回归。

Teit=c+β1disasterit+β2incomeit+β3gdp+
β4irrigationit+β5fertilizerit+β6pesticideit+
β7agriculturalit+εit

(2)

Teit=c+β1droughtit+β2incomeit+β3gdp+
β4irrigationit+β5fertilizerit+β6pesticideit+
β7agriculturalit+εit

(3)

Teit=c+β1floodit+β2incomeit+β3gdp+
β4ittigationit+β5fertilizerit+β6pesticideit+
β7agriculturalit+εit

(4)

其中,i表示各省市,t表示年份。式(2)(3)(4)分别是总灾害、旱灾、洪涝灾对粮食生产效率的影响的基准回归模型。式(5)检验农业基础设施的调节效应模型。

Teit=c+β1disasterit+β2infrait+β3disasterit*infrait+
β4incomeit+β5gdp+β6irrigationit+β7fertilizerit+
β8pesticideit+β9agriculturalit+εit

(5)

其中,infrait表示农业基础设施建设,droughtit*infrait表示农业气象灾害和农业基础设施的交互项,i和t是地区和时间。式(5)为调节效应模型,用于检验调节效应的作用方向和显著性。

(二)数据来源及变量选取

本文使用2001—2020年31个省(自治区、直辖市)的面板数据,计量软件为Stata17。样本数据来源于《中国统计年鉴》《中国农村统计年鉴》《中国农业年鉴》及各省统计年鉴和国家统计局,此外,对于个别缺失数据,本文采用插值法计算求得。变量选取如下。

1.被解释变量

综合技术效率是对决策单元的资源配置能力、资源使用效率等多方面能力的综合衡量与评价,因此选用由DEA模型计算的粮食综合技术效率作为本文的被解释变量。借鉴刘春明等的研究[18],本文运用权重法把粮食的投入数据从农业整体数据中分离出来,粮食的投入和产出指标如表1所示。

表1 测度粮食生产效率测度的投入和产出指标

2.核心解释变量

在农作物受灾面积统计中(如图1),旱灾和洪涝灾所占比重非常大,最高年份占比可达85%。并且根据高云[17]和孙良顺[1]的研究,水灾与旱灾对我国农业影响较为显著且具有异质性,因此,出于科学性和可行性的考虑,本文将总受灾率、旱灾受灾率和洪涝灾受灾率分别作为解释变量,分析总的自然灾害、旱灾和洪涝灾对粮食生产效率的影响。

3.调节变量

根据唐莹等[21]、彭代彦等[24]、杜蓉等[25]、李自强等[26]的研究,交通、水利、电力、通信建设等都会对粮食生产效率产生影响,因此本文分别用水库总容量、农村用电量、公路里程数(等级公路里程数除去一级公路里程数、二级公路里程数和高速公路里程数后加上等外公路里程数)、长途光缆线长度作为衡量各种建设的指标,并用熵值法计算综合指数以检验农业基础设施建设作为调节变量是否会弱化农业气象灾害对粮食生产效率的影响。

4.控制变量

参照田红宇等研究[27],结合粮食生产现实,本文选择如下变量作为影响粮食生产效率的控制变量,从而提高回归模型的拟合效果。

(1)有效灌溉率:刘春明等用有效灌溉率作为粮食生产技术效率的技术损失函数的影响因素[18],本文用有效灌溉面积与农作物播种面积的比值反映。

(2)单位面积化肥施用量:曾福生等使用化肥施用量作为影响粮食生产技术效率的核心变量[23],本文用化肥使用量与农作物播种面积的比重反映。

(3)单位面积农药施用量:用农药使用量与农作物播种面积的比值反映。

(4)机械投入量:彭代彦等用人均机械总动力作为影响粮食生产技术效率的控制变量[24],本文用农业机械总动力来反映。

(5)地区经济水平:闫晗等用人均GDP来衡量经济发展水平,并作为影响粮食生产综合技术效率的控制变量[28],本文也同样使用人均地区生产总值反映。

(6)家庭经营性收入占比:杜蓉等用农村居民家庭人均纯收入作为影响粮食技术效率的控制变量[25],本文用类似指标,使用家庭经营性收入与农村居民纯收入的比值反映。

上述变量的描述性统计如表2所示:

表2 被解释变量、解释变量的描述性统计

五、实证结果

(一)基础回归

首先,本文将总受灾率、旱灾受灾率、涝灾受灾率分别作为被解释变量对粮食生产效率进行基础回归,构建模型1、2、3。其次,对各模型中变量使用VIF方法进行了多重共线检验和使用LLC方法进行了平稳性检验,结果显示3个模型的解释变量和控制变量的平均方差扩大因子为1.97、1.94、1.92,说明变量间不存在多重共线性,而LLC检验结果也均在1%、5%水平上显著,因此可以认为所选的面板数据是平稳的。接着,分别对三个模型进行了混合Tobit回归和随机Tobit回归,三个模型的LR值分别为953.69、973.37、944.56,且均在0.1%的水平上显著,说明这三个模型均应该选择随机Tobit回归。最后,加入农业基础设施建设作为调节变量进行机制检验,构建模型4。回归结果如表3所示。

表3 气象灾害对粮食生产效率的随机Tobit模型估计结果

由表3回归结果可知,总受灾率在1%水平上对粮食生产效率具有显著负向影响,说明总受灾率是影响农户转入土地的关键因素,随着受灾率的提升,粮食生产效率会降低,假说1成立。旱灾在1%水平上对粮食生产效率具有显著负向影响,说明干旱会严重阻碍作物生长发育,对粮食生产效率产生直接影响。而洪涝灾在回归中不显著的原因可能是洪涝灾一般发生在雨季,受灾地区土壤含水量较高,对作物的生长和产量影响相对较小。也可能是因为一些作物具有较好的耐涝性,能够在一定程度的涝灾下保持生长和产量。此外,一些受涝灾影响的地区可能通过及时的排水和补救措施,减少了涝灾对粮食生产的影响。在模型4中,农业气象灾害与农业基础设施交互项的系数在5%水平上正向显著,说明农业基础设施确实对农业气象灾害与粮食生产效率之间的关系存在调节效应;主效应回归的系数和交互项的系数符号相反,说明农业基础设施建设会弱化农业气象灾害对粮食生产效率的影响,假说2成立。

从控制变量来看,有效灌溉率对粮食生产效率的影响显著,说明在农业生产中,合理利用水资源、完善水利设施和推广先进的灌溉技术对提高粮食生产效率具有重要意义。单位面积化肥、农药施用量对粮食生产效率影响不显著的原因可能是由于化肥、农药的不合理使用和土壤质量问题导致资源的效用没有得到充分发挥。机械投入量在1%水平上负向影响粮食生产效率,原因可能是农业机械的使用需要消耗大量的能源,如柴油、煤炭等,这些能源的消耗增加了农业生产成本,从而降低了粮食生产效率。地区经济水平在1%水平上负向影响粮食生产效率,说明人均地区生产总值越高,发展的重心越偏离农业生产,进而影响粮食生产效率。家庭经营性收入占比对粮食生产效率的影响负向显著,可能的原因是农民将更多精力投入到经营非农业产业,如养殖业、务工等。这样就会导致农村劳动力短缺、资金投入不足、农作物种植分散,从而降低了粮食生产的规模效益和专业化程度。

(二)异质性分析

结合前文分析,受灾率和旱灾受灾率对我国粮食生产效率具有显著影响,除此之外,在不同地区的影响情况也值得关注。因此,本小节进一步探讨受灾率在粮食主产区、粮食主销区和产销平衡区对粮食生产效率的差异性作用,表4显示总受灾率和旱灾受灾率对粮食生产效率的影响程度及显著度水平。

表4 不同功能区气象灾害对粮食生产效率的面板Tobit模型估计结果

由表4可知,不同地区受灾率对粮食生产效率的影响方向一致,但影响程度不同。从总受灾率的影响来看,主销区粮食生产效率受影响较小,主产区和产销平衡区粮食生产效率受影响较大,原因可能是主销区的粮食生产相对较少,而主产区和产销平衡区的粮食生产相对较多,因此同样的灾害对主产区和产销平衡区的影响可能会更大。从旱灾受灾率的影响来看,粮食主产区受影响较小,而主销区和产销平衡区受影响较大,可能的原因是主产区的气候条件和土壤质量更有利于粮食生产,而主销区和产销平衡区的气候条件和土壤质量可能不太适合粮食生产,因此在遭遇旱灾时,主产区受到的影响可能较小。

六、稳健性检验

我们通过变换估计方法、替换核心解释变量等方法检验稳健性。本文被解释变量受限,因此采用缩短样本年限和变换解释变量的方法。2001—2010年受灾率处于波动变化的趋势,在2011年之后开始稳步下降,因此本文将样本区间改为2011—2020年。受灾面积和成灾面积都是反映气象灾害对农作物造成的危害,因此用成灾率替换受灾率进行稳健性检验。对缩减后的样本和替换解释变量后的样本仍然采用混合Tobit回归和随机Tobit回归模型进行比较,结果如表5所示。