数字农业对气候灾害脆弱性的影响研究——以中国粮食主产区为例

张力元，黄 浩，韩沅刚，董会忠

（1.长江大学 经济管理与管理学院，湖北 荆州 434023；2.华中科技大学 管理学院，湖北 武汉 430074；3.吉林大学 东北亚研究院，吉林 长春 130012；4.山东理工大学 管理学院，山东 淄博 255012）

0 引言

随着全球变暖持续加剧，极端气候灾害频发严重制约农业经济健康发展。如何提高气候灾害适应能力，增强农业发展韧性，是保证作物稳产与粮食安全的关键。农业因其自身资源环境依赖性、天然易损性等特征，使得传统农业在面临气候灾害时缺乏鲁棒性，且主要表现在诱发粮食减产、降低出产质量、加重供需市场动荡等方面［1］。据国家统计局和应急管理部门的数据显示，截止到2020 年，各类气候灾害共造成1.995 8 ×107hm2的农作物受灾，直接经济损失达3 702 亿元。如7 月份长江淮河流域特大暴雨洪涝灾害，农作物受灾面积3.58 ×106hm2，其中绝收8.94 ×105hm2，直接经济损失约为1 322 亿元。近年来，中国政府已制定了一系列农业减灾防灾文件。2007 年国家发改委印发了《国家应对气候变化国家方案》，首次提出应对气候灾害的适应与减缓兼顾的原则。2022 年中央一号文件强调要聚焦农业灾害风险，强化防灾救灾建设体系；《国家适应气候变化战略2035》再次明确了农业在适应气候变化中作用与优先地位。上述政策的颁布明确了农业应对气候变化的整体目标，但未就其实现路径进行精确指导。

数字化转型为农业规避气候灾害提供了新思路，即数字农业。作为集互联网、大数据、人工智能等现代信息技术与传统农业深度融合的革命产物，数字农业能够通过风险预警、智能检测、精准农业等方式，实现农业信息感知、智能控制、气象服务的数字技术应用，发挥趋利避害的双重作用，全方位助力农业适应气候变化。党中央在十九届五中全会中明确了数字农业在推进乡村振兴、实现农业农村现代化以及打造农业强国中的重要地位。因此，本研究拟探讨数字农业与气候灾害脆弱性之间的关系，旨在为降低农业经济损失、实现农业智能化提供理论依据与研究范式。

1 文献综述

1.1 数字农业

数字农业衍生于农业发展中“数字地球”理念，由美国科学院、工程院两院院士于1997 年首次提出，也被称为智慧农业、精准农业等。作为第四次农业技术革命，数字农业的典型特征体现为要素集约化，即依托数据信息指导农业生产决策，整合土地、劳动力等资源要素，以保证获取稳定的农业经济产出［2］。数字农业已逐渐成为学术界热点议题，其研究脉络可归纳为概念界定、指数评估、影响效应，主要包括：①理论内涵。涉及数字农业的定义可归类为狭义与广义两个视角。狭义角度下，数字农业被视为农业数字化的生产模式，如Shen、Ozdogan 等将数字农业定义为借助信息技术（ICT）推动农业发展可持续的经济活动，实现农业生产活动数字化［3，4］；广义视角下，数字农业在涵盖数字化生产模式的同时，兼顾农业发展运营模式、管理方式等数字化，主要体现在农业经济活动全面数字化，罗浚文等强调相较于农业信息化，数字农业通过数字改造的方式布局农业全产业链［5］；阮俊虎则认为数字农业是农业生产、运营以及管理等各流程的数字化经济形态［6］。②评价体系。数字农业兼顾数字生产效率、农业经营水平以及信息化程度，单一指标难以系统衡量，因此数字农业的衡量需借助评价体系构建。早期学者从农业信息化视角，将涉及信息化的农业基础设施、人力资源、政策环境以及技术应用纳入到数字农业评价体系中［7］，而高质量发展概念的提出为数字农业评估体系构建提供了新思路。如刘涛等围绕新发展理念构建数字农业指标体系［8］；黄修杰结合农业高质量发展内涵，构建包括农业效益、生产质量、工作效率等维度的数字农业高质量发展体系［9］。③功能性作用。数字农业通过信息技术获取数据要素来指导农业生产决策，确保农业产出稳定，已有研究表明其功效表现在实现“节本增收”和提升生活质量两种经济效应，即推进化肥农药投入减量，整合农业生产要素［10］，提高要素利用效率，加大农产品生产数字化监管力度的，保障消费者食品安全［11］。但同时，数字农业能够借助大数据、人工智能等数字工具应用，预估气候波动、作物灾害等涉农潜在威胁，以此来适应外在环境变化，降低灾害风险。因此，关注数字农业的环境效应对推动农业高质量发展尤为重要。

1.2 气候灾害脆弱性

“脆弱性”发轫于20 世纪70 年代地理学领域的自然灾害研究中，其概念最早由联合国救减组织（UNDRO）提出［12］。随着研究推进以及多学科交叉，脆弱性逐渐拓展为包括系统暴露度、敏感性以及适应力等内容在内的复杂性概念。已有研究聚焦于生态系统脆弱性、资源环境脆弱性等多学科领域，气候灾害脆弱性则是在生态系统脆弱性基础上引申而来。随着全球气候变暖日趋严峻，学术界开始从灾害经济损失［13］、灾害恢复力［14］等视角探究气候变化问题，而脆弱性在剖析经济社会与自然环境间关系中的优势不断被挖掘，且已成功应用在气候变化学术研究与政策评估中。国外气候灾害脆弱性研究开展较早，且集中在国家、地区等宏观区域层面的气候灾害脆弱性的评估，多借助GIS 工具进行气候灾害脆弱性区划［15］，并强调区域气候灾害脆弱性评价［16］与阈值测度［17］。国内气候灾害脆弱性研究尚处于探索阶段，现有研究主要集中在两个方面：①不同自然系统对气候变化的脆弱性研究，聚焦点包括农业生态系统、森林生态系统以及水资源生态系统等，如马贝等［18］依据“敏感性—适应性”准则，借助改进TOPSIS法测算西北地区五个省份的农业生态系统脆弱性。朱建华等［19］系统评述气候变化环境下森林生态系统脆弱性与适应性的相关方法。陈岩、冯亚中［20］利用RS—SVP 模型建立黄河流域水资源脆弱性评价体系。②气候灾害脆弱性评价体系构建与测度，多数文献主要依据研究对象类型，遵循科学系统原则选取评价因子，并借助相应指数评估方法测算脆弱性。包括神经网络模型［21］、空间主成分分析法［22］（SPCA）等。但现有文献缺乏针对区域气候灾害脆弱性的时序分析，且对数字农业等信息化技术对气候灾害脆弱性的研究关注较低。粮食主产区在国家粮食安全中扮演“压舱石”角色，增强灾害抗风险能力有助于乡村振兴推进和粮食增产稳产。因此，文章从粮食主产区视角探究数字农业与气候灾害脆弱性作用关系的现实意义重大。

综上，本研究以2010—2019 年粮食主产区的面板数据为研究对象，构建数字农业与气候灾害脆弱性评估体系，运用纵横拉开档次法测度、面板灰色关联模型、动态空间杜宾模型等研究方法，辨析数字农业与气候灾害脆弱性的区域现状与时空关联，探讨数字农业影响气候灾害脆弱性的理论逻辑，以期为推动粮食主产区农业数字化、保障粮食安全提供理论参考与政策建议。

2 机制分析

数字农业作用于区域气候灾害脆弱性的途径，来源其技术特性，主要包括技术依赖性、数据中心性以及能力匹配性3 个方面［23］。此外，数字农业属于数字经济范畴，因此，数字农业可压缩时空距离，突破空间约束对邻近地区气候灾害脆弱性带来空间溢出效应。

2.1 数字农业的直接效应

依据3 个方面技术特性，数字经济会通过以下渠道对本地气候灾害脆弱性产生直接溢出效应。①技术依赖性：提高技术水平，稳定经济产出。数字农业依托移动网络、互联网等信息基础设施开展运作。一方面，通过与地理信息系统、卫星图像以及遥感等技术深度融合，映射到农业耕作、播种、灌溉等农业生产活动中，提升农业生产技术［24］，以规避传统农业难以应对气候灾害的问题；另一方面，人工智能、区块链等数字技术的应用有助于农户获取作物受灾信息［25］，实现优质作物的精准育种，并提高农产品供应效率，筑牢农产品“产供销”基础，保证灾后重建资金充足。②数据中心性：加强信息管理能力。数据作为数字农业的关键要素，包括生产信息、市场动态以及气象信息等。气象信息方面，农户可借助数字技术收集分析降雨量、蒸发量等环境数据，以汇集成服务于农场管理决策的数据流，增强对气象灾害洞察力，来制定灾前预防措施，如加固塑料大棚、排涝渠道等农用设备等［26］，发挥灾前预警功能。③能力匹配性：提升农户技能素养，优化生产要素结构。首先，数字农业要求农户掌握较高的数据使用能力［27］，倒逼农户提升自身技能，增强信息接受、分析与运用能力，以发挥数字农业的气象服务辅助功能，协助农户制定灾害预警方案；其次，数字农业强调土地资源合理利用，以数字化手段优化要素配置，化解过剩产能问题，如推行免耕少耕、规避滥施化肥等措施，降低追求数量的农业规模化造成化学肥料、有机肥料和农药的过度使用，以缓解温室气体激增引发的气候波动［28］。

2.2 数字农业的空间效应

考虑到数字农业的跨区域特征，本研究基于本地、邻地以及地区间互动3 个空间视角，细化数字农业驱动气候灾害脆弱性的空间溢出机制。①技术外溢。本地在推进数字技术与现代农业互相融合进程中，通过示范效应或“搭便车”行为对邻地外溢数字农业赋能效应［29］，进而影响邻近地区农业防灾减灾策略；②模仿效应。本地区数字农业在气候灾害防控的应用将激发邻近地区的学习动力，主动探索农业气象灾害数字化防治路径［30］，降低区域气候灾害脆弱性；③竞争效应。数字农业在灾害防控中发挥的趋利避害作用，为所在地农业发展的风险管理与生产效率提供技术支持，而市场竞争将激发其他地区调整策略动机，形成相互竞争态势，助力于数字农业灾害风险预警协同管控机制的构建。

3 研究区域概况与研究方法

3.1 研究区域概况

粮食主产区作为重要的农业功能性区域，肩负保障国家粮食供给、推动国民经济发展与稳固农业基础地位的重要任务。2003 年12 月3 日，由国家财政部颁布《关于改革和完善农业综合开发政策措施的意见》，由此国家粮食主产区确定为黑龙江、辽宁、吉林、内蒙古、山东、江苏、江西、安徽、湖南、湖北、四川、河北和河南13 个省份，总面积约为3.78×106km2，耕地面积高达8.809 ×105km2，占全国耕地面积比重为65.30%左右。近年来，粮食主产区依托突出的资源禀赋与政策倾斜优势，粮食生产力大幅提升，粮食产量贡献达到全国70%水平并稳步增长，农业发展成果斐然。但同时，旱涝、寒潮和强对流天气等气象灾害频发，引致农业发展与资源环境矛盾愈加突出，加之化肥滥用、森林林地侵占等人为因素，严重阻碍粮食主产区农业可持续健康发展。由此，本研究选择13 个粮食主产区为研究对象，为推动粮食产业数字化转型、合理防范农业气象灾害提供参考依据。

3.2 指标体系构建

本研究旨在探究数字农业对气候灾害脆弱性的作用机制，因此需要构建反映地区农业数字化程度的数字农业系统以及刻画区域灾害抵抗适应状况的气候灾害脆弱性系统。数字农业指标体系的构建参照《2019 年全国县域数字农业农村发展水平评价报告》和《中国数字乡村发展报告》（2019）的判断标准，包括农业信息化、人力资本、技术支持、要素优化及经济产出五大维度。信息化是数字农业发展的基本条件，涵盖农村通讯基础建设与普及率；人力资本是数字农业有序进行的重要保障，包括信息化人才储备以及公众意识等；技术支持是数字农业有效开展的助推剂，反映涉及农业数字技术的应用状况；绿色发展是实现数字农业可持续发展的长久保障，决定了农业发展是否能够保证人地协调；产业效应是数字农业发展的内在动力，体现在开展数字农业所产生的经济效益［31］。气候灾害脆弱性指标体系的构建参考已有文献［32］，包括致灾因子危险性、承灾因子暴露度和孕灾环境敏感性。致灾因子危险性指气候变化直接带来的自然灾害；承灾因子暴露度是在面临气候灾害压力下，农机、牲畜等农业生产要素的暴露程度；孕灾环境敏感性为气候灾害对区域系统造成的负面影响。

指标选取过程中，遵循简洁性、适用性和可操作性等原则选取评估体系指标，综合运用投入产出、技术应用等标准，弱化总量增长指标。其中数字农业系统共13 个子指标，气候灾害脆弱性共9 个子指标（表1、2）。

表1 数字农业指标体系Table 1 Digital agriculture indicator system

表2 气候灾害脆弱性指标体系Table 2 System of indicators of vulnerability to climate hazards

3.3 研究方法

3.3.1 纵横拉开档次法

纵横拉开档次法可从时空双维度确定指标权重，解决不同年份权重不一、主观赋权等问题，实现对粮食主产区数字农业与气候灾害脆弱性水平的动态测算。评价结果既可以基于“纵向”视角探索粮食主产区数字农业与气候脆弱性的时序演变特征，也可以从“横向”角度解释不同时点粮食主产区数字农业与气候脆弱性水平的优势与不足。具体计算公式参照相关文献［33］。

3.3.2 面板灰色关联模型

面板灰色关联模型通过分析面板数据的时间维度与空间维度特征，获取两维度发展程度与方向信息，并将所选取的指标间的“增量差”和“离差的差”绝对化处理，转化为度量曲线形状的相似程度，可将方向差异作为正负关联方向的判断标准［34］。依据邓氏灰色关联系数的分解标准，指标间关联越强，其值为正则为同向关联，反之则为反向关联。具体计算公式参照相关文献［34］。

3.3.3 动态空间杜宾模型

气候灾害脆弱性的影响因素分析基于STIRPAT模型展开，该模型综合了“人口—经济—技术”等多维度的社会经济因素，用于考察不同变量对环境要素的影响。考虑到数字农业具有跨区域传播特征，地区间可能存在较强的关联效应，故采用空间计量模型进行分析。由于静态视角下的空间计量模型无法解决动态性与内生性问题，因此引入动态空间杜宾模型：

式中：i 表示粮食主产区；t 表示时间；Chv 为省份气候灾害脆弱性；dig＿agri 为省份数字农业发展水平；X为一系列控制变量向量；W 为空间权重，本研究选用0—1 权重进行分析；μi为个体固定效应；λt为时间固定效应；εit为随机误差项。

3.3.4 合成控制法

数字农业建设的关键内涵在于通过互联网及物联网技术推动农业资源要素的信息整合，并运用云计算及大数据等数据信息平台优化农业资源要素适配，以此赋能农业基础设施，最终实现农业数字化转型。本研究基于外生冲击视角，采用“农业农村大数据试点”政策，进一步分析数字农业对气候灾害脆弱性的影响效应。

国家农业部为推进农业农村大数据发展与应用，构筑数字信息技术赋能农业发展道路，于2016年颁布了《农业农村大数据试点方案》，并公布了“推进涉农数据共享”的试点省份名单。本研究设定合成控制法分析“推进涉农数据共享”试点是否对粮食主产区气候灾害脆弱性产生影响效应，以是否开展“推进涉农数据共享”试点建立虚拟变量。

相较于DID、PSM-DID 等方法，合成控制法可根据预测变量数据赋权，避免对照组内生性出现偏误问题，已成为评估外生冲击检验的优势方法。假定K ＋1 个省份T时期的面板数据，其中第i个省份实施了农业农村大数据应用，为实验组；其他K 个省份均未实施农业农村大数据应用，为对照组。作为t时期未实施农业农村大数据应用的粮食主产区气候灾害脆弱性指标，而作为t 时期已实施农业农村大数据应用的省份气候灾害脆弱性指标，令为农业农村大数据应用对第i个粮食主产区于t 时点所带来的气候灾害脆弱性变化，Dit为是否为农业农村大数据应用试点粮食主产区的虚拟变量，若省份i在时间t实施了该政策，则Dit＝1，否则Dit＝0。由此可得，研究期内省份i于时点t的气候灾害脆弱性为。对照组而言，；实验组而言，。其中为已知农业农村大数据影响后的气候灾害脆弱性数值，而不可观测，故采用Abadie 提出的因子模型法［35］进行估计，计算公式如下：

式中：δt为时间趋势；Xi为可观测的a ×1 维的不受农业农村大数据应用影响的控制变量；θ为a ×1 维未知参数向量；λt为不可观测的1 ×R维公共因子向量；μi为不可观测的R ×1 维省份固定效应；εit为无法观测的短期冲击，均值等于0。依据Abadie等学者的验证［35］，一般地，若政策前时间段大于政策实施后的时间段，则可采用作为Chv的无偏估计，由此可计算农业农村大数据应用影响效果α1t的估计数值＋1，…，T］。其中，wk为对照组粮食主产区对实验组粮食主产区的合成控制贡献率。

3.4 变量说明

围绕IPAT模型改进的STIRPAT 模型与理论，分析气候灾害脆弱性可能受到人口、经济与技术三方面影响，故将人口规模、经济发展、技术水平归类为控制变量。同时，考虑到城镇化、固定资产投资以及产业结构等因素的环境外部性影响，将三者纳入到模型中［26］。因此，本研究结合上述控制变量，探究数字农业对粮食主产区气候灾害脆弱性的影响（表3）。

表3 变量说明Table 3 Description of variables

本研究所选指标的数据源自《中国统计年鉴》《中国农村统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国科学技术协会统计年鉴》、粮食主产区统计年鉴以及国民经济与社会发展公报，研究期为2010 年到2019 年。

4 时空演变分析

4.1 演化趋势分析

利用纵横拉开档次法，测度2010—2019 年粮食主产区数字农业与气候灾害脆弱性，借助R 语言绘制数字农业与气候灾害脆弱性的二维热力图（图1）。其中，数字农业等级划分为滞后区（1.0—1.5）、追赶区（1.5—2.0）、推进区（2.0—2.5）、先行区（2.5 以上）；气候灾害脆弱性等级划分为低脆弱性（1.25 以下）、较低脆弱性（1.25—1.50）、较高脆弱性（1.50—1.75）、高脆弱性（1.75—2.00）。

图1 粮食主产区数字农业（左）与气候灾害脆弱性（右）现状二维热力图Figure 1 Two-dimensional heat map of the current status of digital agriculture（left）and climate hazard vulnerability（right）in major food-producing regions

数字农业方面。随着时间推进，数字农业发展格局由以滞后区为主的单极化分布向以“先行区”为核心的多极化形态转变，部分粮食主产区的数字农业水平显著提升。特别是2016—2019 年阶段，粮食主产区内的数字农业滞后地区开始重视数字农业发展，过渡为追赶发展态势，鉴于区位因素、资源禀赋以及发展基础等条件限制，最终形成以辽宁、吉林、黑龙江以及内蒙古为主的数字农业滞后发展“洼地”，其他粮食主产区多样化分布。整体而言，数字农业发展水平提升明显，呈现由山东、江苏为代表的核心地区向邻地扩散的发展趋势，究其原因：一方面是核心地区借助数字农业技术的跨区域、宽领域特征，带动了其他省份发展；另一方面是数字农业人才、数据等要素流动，实现了数字资源优化配置，改善了数字农业区域发展结构。

气候灾害脆弱性方面。粮食主产区气候灾害脆弱性格局可总结为南高北低的分布特征，区域差异加大。相较多为平原地形的北方粮食主产区，四川、江西、湖北等南方粮食主产区水系发达，地形崎岖，且季风气候具有不稳定性，气象平台难以有效预警洪涝、泥石流等灾害，经济损失较大，导致气候灾害脆弱性较高。北方粮食主产区长期以来推动退耕还林、三北防护林、天然林保护、天然草原保护与建设等工程建设，工程实施为内蒙古、吉林、辽宁等北方粮食主产区应对干旱、沙尘暴等气候灾害起到积极作用，降低了该类地区的气候灾害脆弱性。时序演进方面，气候灾害脆弱性由2010—2015 年逐渐摆脱地区高脆弱性，说明我国自然灾害防治取得一定成效，但仍存在部分改进空间。

4.2 时空关联分析

结合上述数字农业与气候灾害脆弱性的现状分析，借助面板灰色关联方法测度2010—2019 年间数字农业与气候灾害脆弱性的关联强度，以雷达图进行可视化表达（图2）。关联强度的范围为强关联［-0.8，-0.6）、较强关联［-0.6，-0.4）、较弱关联［-0.4，-0.2）、弱关联［-0.2，0］。由结果可知，2010 年以来数字农业与气候灾害脆弱性均为负值，说明数字农业可持续降低地区气候灾害脆弱性。空间分布方面，关联强度存在明显区域差异，强关联集中分布在河北、江苏、河南、湖北4 个粮食主产区，弱关联粮食主产区集中在内蒙古、江西以及东北三省。需特别指出的是，关联强度分布与研究期末数字农业分布特征类似，说明粮食主产区之间数字农业发展差距，其应用在本地气候灾害治理的效果不一，地区间存在数字农业的“接入沟”。而山东省作为数字农业的“先行区”，其关联强度落后于河北、河南等推进追赶区，可能原因在于：山东省数字农业的应用集中于农业生产方面，数字农业的灾害预警应对使用不足，与推进追赶区存在“使用沟”。

图2 2010—2019 年数字农业与气候灾害脆弱性的时空关联强度雷达图Figure 2 Radar plot of the strength of the spatio-temporal correlation between digital agriculture and vulnerability to climate hazards，2010 -2019

5 计量模型分析

5.1 空间自相关性

由于数字农业与气候灾害脆弱性的时空分布存在某种关联，故使用双变量Moran′s I探究数字农业和气候灾害脆弱性的空间自相关性（表4）。首先，单变量的数字农业与气候灾害脆弱性在研究期内均为正且通过5%水平的显著性检验，表明数字农业与气候灾害脆弱性均存在显著的空间自相关性。考察二者双变量Moran′s I 可知，自2016 年二者Moran′s I值持续为负，且均通过显著性检验。时序演化方面，全局Moran′s I值由2010 年的-0.013 波动下降到2014 年的-0.083，之后显著收敛于研究期末的-0.206，且2014—2019 年持续显著为负，说明数字农业对邻近地区气候灾害脆弱性存在空间溢出效应。

表4 2010—2019 年数字农业与气候灾害脆弱性全局Moran′s ITable 4 Global Moran′s I of vulnerability to digital agriculture and climate hazards，2010 -2019

5.2 回归结果分析

根据二者存在空间自相关性的结果，本研究选用空间计量回归探究数字农业对气候灾害脆弱性的影响。运用多种检验方法，遴选空间计量模型的具体形式（表5）。首先，依据Anselin 判断准则开展LM检验，其中Robust LM（err）、LM（lag）通过了5%水平的显著性检验，Robust LM（lag）、LM（err）通过了10%水平的显著性检验，因此采用空间杜宾模型探讨数字农业对气候灾害脆弱性的影响；接着，Hausman检验说明模型应选择固定效应进行估计。基于此，最终采用固定效应的静态与动态空间杜宾模型识别数字农业与气候灾害脆弱性的因果关系。

表5 空间计量模型检验Table 5 Spatial econometric modelling tests

结合检验结果，采用动态空间杜宾模型进行参数估计，普通最小二乘法、固定效应模型与静态空间杜宾模型的回归结果如表6 所示。从表6（1）、（2）列可见，数字农业的估计系数为负，且均通过5%的显著性水平，说明数字农业能够降低省份气候灾害脆弱性，究其原因：一方面数字技术的普及带动了农业信息平台发展，推动农业生产、自然灾害等外在信息的数字化管理，加强农业灾害预警体系建设；另一方面，物联网、大数据等技术应用的渗透，优化农业生产配置，提高土地、肥料等农产要素的使用效率，提升数字农业的促减作用，降低温室气体引致的气候灾害风险；此外，数字农业可通过配套基础设施优化、作物基因改良等手段，实现气候灾害的末端防治，降低农业发展的灾害损失。从表6（3）列可见，数字农业的空间溢出效应显著为负，说明本地数字农业能够降低邻近地区气候灾害脆弱性，其原因在于数字农业作为数字经济的重要组成部分，同样能够通过信息化的空间外溢方式，实现信息高效传递，降低时空成本，拓宽区域间农业经济活动交流的广度与深度，以此降低邻地的气候灾害脆弱性。从表6（4）列可见，气候灾害脆弱性的滞后项系数显著为正，说明气候灾害脆弱性存在时间惯性，即当期气候灾害脆弱性会受前期影响。气候灾害脆弱性空间滞后项显著为正，说明气候灾害脆弱性的降低与邻近地区气候灾害应对策略存在关联。

表6 数字农业对气候灾害脆弱性的影响Table 6 Impact of digital agriculture on vulnerability to climate hazards

5.3 稳健性检验

为检验上述回归结果的稳健性，采用替换空间权重矩阵方式进行检验，用于稳健性检验的权重依次为地理距离矩阵、经济距离矩阵、经济地理嵌套矩阵，估计结果见表7。由表7（1）—（3）结果显示，除系数大小外，模型中各变量回归系数方向均未发生改变，且均通过显著性检验，说明研究结果稳健。

表7 稳健性检验结果Table 7 robustness test results

6 进一步分析

6.1 外生冲击检验

6.1.1 各省份政策效应评估

为全面估计《农业农村大数据试点方案》对山东、江苏、江西、安徽、湖南、四川6 个试点粮食主产区的总体效应，本研究运用上述6 个粮食主产区在气候灾害脆弱性与其他控制变量的均值，将6 个粮食主产区合并为一个试点区“实际数据”，并运用合成控制法，从其他粮食主产区选择合成控制单元，构建“合成数据”。通过计算“实际数据”气候灾害脆弱性实际观测值与“合成数据”气候灾害脆弱性反事实估计值之间的差值，以估计《农业农村大数据试点方案》对试点省份的总体效应。

基于气候灾害脆弱性与其他控制变量，测得合成控制单元权重分布情况（表8）。从表8 可见，合成控制单元共由3 个粮食主产区组成，分别为河北、湖北和辽宁。其中，河北对“合成数据”的贡献权重为0.680，湖北的贡献权重为0.111，辽宁的贡献权重为0.209。

表8 合成控制单元与权重分布Table 8 Synthetic control units and weight distribution

“合成数据”的反事实估计值用来推断“实际数据”区域未实施“农业农村大数据试点”的潜在结果，其关键在于：《农业农村大数据试点方案》实施时点（2016 年）之前，确保“合成数据”各项变量估计值尽量趋近于“实际数据”的各项变量真实值，以更好地拟合政策实施前的结果。由表9 可知，2010—2019 年“合成数据”与“实际数据”在各项控制变量估计均值差距较小，说明“合成数据”对“实际数据”的拟合度较好，能够用于准确评估试点地区的政策效果。

表9 政策试点实施前实际数据与合成数据控制变量均值对比Table 9 Comparison of actual and synthetic data control variable means prior to the implementation of the policy pilot

农业农村大数据试点设立前后气候灾害脆弱性“实际数据”与“合成数据”的变化趋势如图3 所示。从图3 可见，2010—2016 年“实际数据”与“合成数据”气候灾害脆弱性的折线趋势基本一致，说明“合成数据”对“实际数据”气候灾害脆弱性的拟合度较高。2016—2019 年“实际数据”气候灾害脆弱性折线明显低于“合成数据”气候灾害脆弱性折线，到2017年的差距最大，表明“农业农村大数据试点”政策改变了“实际数据”气候灾害脆弱性固有趋势，降低试点粮食主产区气候灾害脆弱性。右图可直观观测政策实施前后“实际数据”与“合成数据”气候灾害脆弱性的差距，近三年气候灾害脆弱性差距范围在0.11—0.34。2016 年之前，二者的气候灾害脆弱性发展态势趋同，2015 中期“实际数据”与“合成数据”开始发生分离。虽然农业农村大数据试点区域的设立起始时点为2016 年，但由于部分粮食主产区政府前期开展较多政策铺垫，推动“农业农村大数据试点”方案的进一步落实，如2015 年安徽省围绕“互联网＋众包”理念构建“惠农气象”平台，实时推送育种、耕种、收割等逐小时气象预警。在2016 年之后，气候灾害脆弱性差异愈趋明显，2017 年开始，差距进一步扩大，试点主产区气候灾害脆弱性有所下降，这标志着随着政策的深度落实，数字农业工具有效提高气候预警、农业生产等管理水平，气候灾害的负向外部性得到有效抑制。上述结果充分展示了“农业农村大数据试点”在降低地区气候灾害脆弱性方面取得了较优成效。

图3 2010—2019 年“农业农村大数据试点”地区气候灾害脆弱性实际数据与合成数据的差距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 安慰剂检验

为进一步验证粮食主产区试点省份气候灾害脆弱性的抑制源于“农业农村大数据试点”政策的准确性，而非受其他偶然因素干扰，整体政策效应显著，本研究依据Abadie 的做法［35］进行安慰剂检验。首先假设粮食主产区的非试点地区同样受到2016年政策影响，运用合成控制法构建非试点粮食主产区的合成对象，并得出一系列研究实际样本与合成对象的数值差异，该差异表征为“政策效果”。同时参考刘乃全等的做法［36］，剔除政策开展前平均预测标准差高于“实际数据”二倍的粮食主产区，并将“实际数据”的政策效果和非试点粮食主产区的政策效果进行比较，结果如图4 左所示。在2016 年政策开展后，“实际数据”（黑线）的政策效果显著高于非试点粮食主产区（灰线），说明“农业农村大数据试点”的政策冲击对试点粮食主产区气候灾害脆弱性抑制效果优于非试点粮食主产区。即在5%的显著性检验下，农业农村大数据试点粮食主产区的设立有效缓解气候灾害引发的损失，提升粮食主产区农业发展的气候灾害应对能力。上述结果验证了试点省份气候灾害脆弱性的抑制源于政策实施的精确性，即政策效果显著。

图4 2010—2019 年“农业农村大数据试点”省份气候灾害脆弱性的安慰剂检验Figure 4 Placebo test for climate hazard vulnerability in the“Big Data in Agriculture and Rural Pilot”provinces，2010 -2019

同时依据时间安慰剂检验法，将政策开展时间前移到2014 年，结果如图4 右所示。以2014 年为政策冲击时点，“实际数据”与“合成数据”差距较小，二者演化趋势与以2016 年政策冲击时点的特征基本一致，这说明合成控制法的研究结果不受时间变化影响，结论较为稳健。

6.2 作用分解检验

为进一步探究数字农业发展中影响省级气候灾害脆弱性的具体作用因素，以数字农业指标体系中子指标作为自变量进一步实证分析，包括数字农业信息基础（dig＿agri inform）、数字农业人力资本（digital＿agr hum）、数字农业技术水平（dig＿agri tech）、数字农业要素优化（dig＿agri optim）、数字农业经济产出（dig＿agri output）（表10、11）。

表10 数字农业对气候灾害脆弱性的作用分解Table 10 Decomposition of the role of digital agriculture in climate hazard vulnerability

表11 数字农业对气候灾害脆弱性的作用分解（续）Table 11 Decomposition of the role of digital agriculture in climate hazard vulnerability（continued）

由表10、11 可知，数字农业信息基础显著降低了气候灾害脆弱性，且5 个子指标中系数最高，这说明数字农业信息管理能力是数字农业影响气候灾害脆弱性的首要路径。数字农业气象站、信息平台的构建，可有效进行气象实时监测，规避气候灾害引致的经济损失，保障农业生产有序开展，同时数字农业信息基础能够减小邻地气候灾害脆弱性，这说明农业气候区划信息平台覆盖能够保证邻近地区灾害准确预警，具有一定的溢出效应。数字农业人力资本的直接效应与溢出效应均显著为负，说明数字农业人力资本对气候灾害脆弱性具有显著负向作用。一方面，农产劳动力水平的提升能够实现与数字农业技术的良好适配，提高数字农业服务效率，及时应对突发自然灾害风险；另一方面，地区间数字农业人才的交流学习，有效促进农业减灾救灾经验的推广普及，提升周边地区应对气候灾害能力。数字农业技术水平对本地气候灾害脆弱性具有显著促减效应，且对邻地有负向作用，原因在于数字农业技术具有显著溢出性，通过发挥创新要素外溢效应，推动邻近地区数字农业技术升级，降低地区气候灾害脆弱性。数字农业要素优化对本地区及邻近地区的气候灾害脆弱性具有显著负向影响，原因在于数字农业的要素优化具有明显节能减排效应，能够缓解温室气体引致的气候灾害影响，降低气候灾害脆弱性，同时强调强调农业生产经济与农业发展环境的协调，促进农业机械、耕作手段由粗放式向集约式转变，提高农业生产的资源环境适应力。数字农业经济产出及其地理加权项显著为负，表明数字农业经济产出的提升可降低本地与邻地气候灾害脆弱性，究其原因在于地区资金水平是保障气候灾害治理的物质支撑，同时部分流动资金不仅能够用于育苗、耕地等生产要素利用的技术研发，同时保证灾后重建项目有序开展，实现农业生产稳产高效。

7 结论与讨论

7.1 结论

本研究以13 个粮食主产区面板数据为研究对象，借助纵横拉开档次法、面板灰色关联模型、动态空间杜宾模型，分析数字农业对气候灾害脆弱性影响效应，并以符合数字农业内涵的“农业农村大数据试点”政策作为政策冲击，运用合成控制法进一步检验数字农业对气候灾害脆弱性的影响。同时在数字农业指标体系基础上进行作用分解，分析了数字农业的信息基础、人力资本、技术水平、绿色发展和产出水平对气候灾害脆弱性的作用效果。主要结论如下：①数字农业由以滞后区主导的单极化，向以先进区为核心的多极化特征转变，而气候灾害脆弱性分布格局表现为南高北低。数字农业与气候灾害脆弱性时空关联特征为负向关联，说明数字农业会降低省份气候灾害脆弱性，其中关联强度分布与数字农业研究末期基本一致。②数字农业与气候灾害脆弱性存在负向空间自相关性，数字农业能够显著降低本地、邻地气候灾害脆弱性，该结论在改变空间权重矩阵后依然稳健。③“农业农村大数据试点”政策对试点省份气候灾害脆弱性的抑制效应逐渐显著，到2017 年为峰值。④作用分解方面，数字农业信息管理是数字农业影响地区气候灾害脆弱性的关键途径，能够实现灾前预警，降低气候灾害的农业经济损失，同时数字农业存在空间外溢性，能够降低邻地气候灾害脆弱性。

7.2 讨论

通过数字农业对气候灾害脆弱性的实证研究，本研究从以下三方面提出政策建议：①夯实数字农业基础设施建设，推动数字农业技术在农业健康发展与提质增效中的作用，发挥气象“趋利避害”能力。围绕数字技术与传统农业的深度融合，加快农村网络宽带、农业气象站等新一代农业信息基础设施建设，保障地区数字农业发展具备成熟的信息基础设施支撑，推进农业气象信息服务的覆盖渗透，构建农业生产、灾害信息等数据的智能管理体系，实现数字农业赋能气象服务。②立足于各地灾害差异，融合云计算与大数据技术，优化智慧农业气候区划信息平台，实施区域间农业气象灾害异质性策略。基于GIS工具平台，构建适用于全域气候资源利用与开发体系，识别区域地理气候优势，降低灾害经济损失，优化农业生产资源配置效率，同时利用气象大数据实现各地灾害检测，为各地政府因地制宜指导农业生产提供气象科技支撑。③加强数字农业生产技术研发，提升技术支撑水平，有效服务于农业绿色增效与灾后重建工作。一方面，推广智能化、便捷化的“互联网＋”现代农业生态模式，推动传统农业发展模式向“高产—高效—低耗”高端农业模式转变，严控农药、塑料薄膜等生产要素滥用，缓解农田环境污染，实现农业生产集约化、智能化；另一方面，聚焦于优良粮食作物品种改良与农业基础设施革新，全面推进农业灾后重建复产复工，加强地区抵御不确定性气候灾害的能力。

本研究对数字农业与气候灾害脆弱性的研究进行一定拓展，为农业经济健康发展提供理论参考，但受限于相关研究较为匮乏，仍存在以下可完善空间：数据选取方面，囿于数据可得性，本研究基于省际视角进行分析，导致研究结论缺乏普适性，后续研究可在数据可得条件下加以拓展；政策检验方面，针对《农业农村大数据试点方案》的政策有效性，本研究仅检验了试点省份的总体效应，但受限于篇幅，缺乏对个体效应、影响因素以及政策作用的深入探讨，未来围绕以上几点开展针对性研究；机制分析方面，本研究虽然对数字农业影响气候灾害脆弱性的机制开展分析，但受限于部分变量不可测度，实证探讨不足，未来研究中还需对数字经济影响气候灾害脆弱性的理论分析与具体机制进行深入探讨。