數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響研究
——以中國糧食主產(chǎn)區(qū)為例

張力元，黃 浩，韓沅剛，董會(huì)忠

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

0 引言

隨著全球變暖持續(xù)加劇，極端氣候?yàn)?zāi)害頻發(fā)嚴(yán)重制約農(nóng)業(yè)經(jīng)濟(jì)健康發(fā)展。如何提高氣候?yàn)?zāi)害適應(yīng)能力，增強(qiáng)農(nóng)業(yè)發(fā)展韌性，是保證作物穩(wěn)產(chǎn)與糧食安全的關(guān)鍵。農(nóng)業(yè)因其自身資源環(huán)境依賴性、天然易損性等特征，使得傳統(tǒng)農(nóng)業(yè)在面臨氣候?yàn)?zāi)害時(shí)缺乏魯棒性，且主要表現(xiàn)在誘發(fā)糧食減產(chǎn)、降低出產(chǎn)質(zhì)量、加重供需市場動(dòng)蕩等方面［1］。據(jù)國家統(tǒng)計(jì)局和應(yīng)急管理部門的數(shù)據(jù)顯示，截止到2020 年，各類氣候?yàn)?zāi)害共造成1.995 8 ×107hm2的農(nóng)作物受災(zāi)，直接經(jīng)濟(jì)損失達(dá)3 702 億元。如7 月份長江淮河流域特大暴雨洪澇災(zāi)害，農(nóng)作物受災(zāi)面積3.58 ×106hm2，其中絕收8.94 ×105hm2，直接經(jīng)濟(jì)損失約為1 322 億元。近年來，中國政府已制定了一系列農(nóng)業(yè)減災(zāi)防災(zāi)文件。2007 年國家發(fā)改委印發(fā)了《國家應(yīng)對氣候變化國家方案》，首次提出應(yīng)對氣候?yàn)?zāi)害的適應(yīng)與減緩兼顧的原則。2022 年中央一號(hào)文件強(qiáng)調(diào)要聚焦農(nóng)業(yè)災(zāi)害風(fēng)險(xiǎn)，強(qiáng)化防災(zāi)救災(zāi)建設(shè)體系；《國家適應(yīng)氣候變化戰(zhàn)略2035》再次明確了農(nóng)業(yè)在適應(yīng)氣候變化中作用與優(yōu)先地位。上述政策的頒布明確了農(nóng)業(yè)應(yīng)對氣候變化的整體目標(biāo)，但未就其實(shí)現(xiàn)路徑進(jìn)行精確指導(dǎo)。

數(shù)字化轉(zhuǎn)型為農(nóng)業(yè)規(guī)避氣候?yàn)?zāi)害提供了新思路，即數(shù)字農(nóng)業(yè)。作為集互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等現(xiàn)代信息技術(shù)與傳統(tǒng)農(nóng)業(yè)深度融合的革命產(chǎn)物，數(shù)字農(nóng)業(yè)能夠通過風(fēng)險(xiǎn)預(yù)警、智能檢測、精準(zhǔn)農(nóng)業(yè)等方式，實(shí)現(xiàn)農(nóng)業(yè)信息感知、智能控制、氣象服務(wù)的數(shù)字技術(shù)應(yīng)用，發(fā)揮趨利避害的雙重作用，全方位助力農(nóng)業(yè)適應(yīng)氣候變化。黨中央在十九屆五中全會(huì)中明確了數(shù)字農(nóng)業(yè)在推進(jìn)鄉(xiāng)村振興、實(shí)現(xiàn)農(nóng)業(yè)農(nóng)村現(xiàn)代化以及打造農(nóng)業(yè)強(qiáng)國中的重要地位。因此，本研究擬探討數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性之間的關(guān)系，旨在為降低農(nóng)業(yè)經(jīng)濟(jì)損失、實(shí)現(xiàn)農(nóng)業(yè)智能化提供理論依據(jù)與研究范式。

1 文獻(xiàn)綜述

1.1 數(shù)字農(nóng)業(yè)

數(shù)字農(nóng)業(yè)衍生于農(nóng)業(yè)發(fā)展中“數(shù)字地球”理念，由美國科學(xué)院、工程院兩院院士于1997 年首次提出，也被稱為智慧農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)等。作為第四次農(nóng)業(yè)技術(shù)革命，數(shù)字農(nóng)業(yè)的典型特征體現(xiàn)為要素集約化，即依托數(shù)據(jù)信息指導(dǎo)農(nóng)業(yè)生產(chǎn)決策，整合土地、勞動(dòng)力等資源要素，以保證獲取穩(wěn)定的農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)出［2］。數(shù)字農(nóng)業(yè)已逐漸成為學(xué)術(shù)界熱點(diǎn)議題，其研究脈絡(luò)可歸納為概念界定、指數(shù)評估、影響效應(yīng)，主要包括：①理論內(nèi)涵。涉及數(shù)字農(nóng)業(yè)的定義可歸類為狹義與廣義兩個(gè)視角。狹義角度下，數(shù)字農(nóng)業(yè)被視為農(nóng)業(yè)數(shù)字化的生產(chǎn)模式，如Shen、Ozdogan 等將數(shù)字農(nóng)業(yè)定義為借助信息技術(shù)（ICT）推動(dòng)農(nóng)業(yè)發(fā)展可持續(xù)的經(jīng)濟(jì)活動(dòng)，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)活動(dòng)數(shù)字化［3，4］；廣義視角下，數(shù)字農(nóng)業(yè)在涵蓋數(shù)字化生產(chǎn)模式的同時(shí)，兼顧農(nóng)業(yè)發(fā)展運(yùn)營模式、管理方式等數(shù)字化，主要體現(xiàn)在農(nóng)業(yè)經(jīng)濟(jì)活動(dòng)全面數(shù)字化，羅浚文等強(qiáng)調(diào)相較于農(nóng)業(yè)信息化，數(shù)字農(nóng)業(yè)通過數(shù)字改造的方式布局農(nóng)業(yè)全產(chǎn)業(yè)鏈［5］；阮俊虎則認(rèn)為數(shù)字農(nóng)業(yè)是農(nóng)業(yè)生產(chǎn)、運(yùn)營以及管理等各流程的數(shù)字化經(jīng)濟(jì)形態(tài)［6］。②評價(jià)體系。數(shù)字農(nóng)業(yè)兼顧數(shù)字生產(chǎn)效率、農(nóng)業(yè)經(jīng)營水平以及信息化程度，單一指標(biāo)難以系統(tǒng)衡量，因此數(shù)字農(nóng)業(yè)的衡量需借助評價(jià)體系構(gòu)建。早期學(xué)者從農(nóng)業(yè)信息化視角，將涉及信息化的農(nóng)業(yè)基礎(chǔ)設(shè)施、人力資源、政策環(huán)境以及技術(shù)應(yīng)用納入到數(shù)字農(nóng)業(yè)評價(jià)體系中［7］，而高質(zhì)量發(fā)展概念的提出為數(shù)字農(nóng)業(yè)評估體系構(gòu)建提供了新思路。如劉濤等圍繞新發(fā)展理念構(gòu)建數(shù)字農(nóng)業(yè)指標(biāo)體系［8］；黃修杰結(jié)合農(nóng)業(yè)高質(zhì)量發(fā)展內(nèi)涵，構(gòu)建包括農(nóng)業(yè)效益、生產(chǎn)質(zhì)量、工作效率等維度的數(shù)字農(nóng)業(yè)高質(zhì)量發(fā)展體系［9］。③功能性作用。數(shù)字農(nóng)業(yè)通過信息技術(shù)獲取數(shù)據(jù)要素來指導(dǎo)農(nóng)業(yè)生產(chǎn)決策，確保農(nóng)業(yè)產(chǎn)出穩(wěn)定，已有研究表明其功效表現(xiàn)在實(shí)現(xiàn)“節(jié)本增收”和提升生活質(zhì)量兩種經(jīng)濟(jì)效應(yīng)，即推進(jìn)化肥農(nóng)藥投入減量，整合農(nóng)業(yè)生產(chǎn)要素［10］，提高要素利用效率，加大農(nóng)產(chǎn)品生產(chǎn)數(shù)字化監(jiān)管力度的，保障消費(fèi)者食品安全［11］。但同時(shí)，數(shù)字農(nóng)業(yè)能夠借助大數(shù)據(jù)、人工智能等數(shù)字工具應(yīng)用，預(yù)估氣候波動(dòng)、作物災(zāi)害等涉農(nóng)潛在威脅，以此來適應(yīng)外在環(huán)境變化，降低災(zāi)害風(fēng)險(xiǎn)。因此，關(guān)注數(shù)字農(nóng)業(yè)的環(huán)境效應(yīng)對推動(dòng)農(nóng)業(yè)高質(zhì)量發(fā)展尤為重要。

1.2 氣候?yàn)?zāi)害脆弱性

“脆弱性”發(fā)軔于20 世紀(jì)70 年代地理學(xué)領(lǐng)域的自然災(zāi)害研究中，其概念最早由聯(lián)合國救減組織（UNDRO）提出［12］。隨著研究推進(jìn)以及多學(xué)科交叉，脆弱性逐漸拓展為包括系統(tǒng)暴露度、敏感性以及適應(yīng)力等內(nèi)容在內(nèi)的復(fù)雜性概念。已有研究聚焦于生態(tài)系統(tǒng)脆弱性、資源環(huán)境脆弱性等多學(xué)科領(lǐng)域，氣候?yàn)?zāi)害脆弱性則是在生態(tài)系統(tǒng)脆弱性基礎(chǔ)上引申而來。隨著全球氣候變暖日趨嚴(yán)峻，學(xué)術(shù)界開始從災(zāi)害經(jīng)濟(jì)損失［13］、災(zāi)害恢復(fù)力［14］等視角探究氣候變化問題，而脆弱性在剖析經(jīng)濟(jì)社會(huì)與自然環(huán)境間關(guān)系中的優(yōu)勢不斷被挖掘，且已成功應(yīng)用在氣候變化學(xué)術(shù)研究與政策評估中。國外氣候?yàn)?zāi)害脆弱性研究開展較早，且集中在國家、地區(qū)等宏觀區(qū)域?qū)用娴臍夂驗(yàn)?zāi)害脆弱性的評估，多借助GIS 工具進(jìn)行氣候?yàn)?zāi)害脆弱性區(qū)劃［15］，并強(qiáng)調(diào)區(qū)域氣候?yàn)?zāi)害脆弱性評價(jià)［16］與閾值測度［17］。國內(nèi)氣候?yàn)?zāi)害脆弱性研究尚處于探索階段，現(xiàn)有研究主要集中在兩個(gè)方面：①不同自然系統(tǒng)對氣候變化的脆弱性研究，聚焦點(diǎn)包括農(nóng)業(yè)生態(tài)系統(tǒng)、森林生態(tài)系統(tǒng)以及水資源生態(tài)系統(tǒng)等，如馬貝等［18］依據(jù)“敏感性—適應(yīng)性”準(zhǔn)則，借助改進(jìn)TOPSIS法測算西北地區(qū)五個(gè)省份的農(nóng)業(yè)生態(tài)系統(tǒng)脆弱性。朱建華等［19］系統(tǒng)評述氣候變化環(huán)境下森林生態(tài)系統(tǒng)脆弱性與適應(yīng)性的相關(guān)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(jià)體系。②氣候?yàn)?zāi)害脆弱性評價(jià)體系構(gòu)建與測度，多數(shù)文獻(xiàn)主要依據(jù)研究對象類型，遵循科學(xué)系統(tǒng)原則選取評價(jià)因子，并借助相應(yīng)指數(shù)評估方法測算脆弱性。包括神經(jīng)網(wǎng)絡(luò)模型［21］、空間主成分分析法［22］（SPCA）等。但現(xiàn)有文獻(xiàn)缺乏針對區(qū)域氣候?yàn)?zāi)害脆弱性的時(shí)序分析，且對數(shù)字農(nóng)業(yè)等信息化技術(shù)對氣候?yàn)?zāi)害脆弱性的研究關(guān)注較低。糧食主產(chǎn)區(qū)在國家糧食安全中扮演“壓艙石”角色，增強(qiáng)災(zāi)害抗風(fēng)險(xiǎn)能力有助于鄉(xiāng)村振興推進(jìn)和糧食增產(chǎn)穩(wěn)產(chǎn)。因此，文章從糧食主產(chǎn)區(qū)視角探究數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性作用關(guān)系的現(xiàn)實(shí)意義重大。

綜上，本研究以2010—2019 年糧食主產(chǎn)區(qū)的面板數(shù)據(jù)為研究對象，構(gòu)建數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性評估體系，運(yùn)用縱橫拉開檔次法測度、面板灰色關(guān)聯(lián)模型、動(dòng)態(tài)空間杜賓模型等研究方法，辨析數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的區(qū)域現(xiàn)狀與時(shí)空關(guān)聯(lián)，探討數(shù)字農(nóng)業(yè)影響氣候?yàn)?zāi)害脆弱性的理論邏輯，以期為推動(dòng)糧食主產(chǎn)區(qū)農(nóng)業(yè)數(shù)字化、保障糧食安全提供理論參考與政策建議。

2 機(jī)制分析

數(shù)字農(nóng)業(yè)作用于區(qū)域氣候?yàn)?zāi)害脆弱性的途徑，來源其技術(shù)特性，主要包括技術(shù)依賴性、數(shù)據(jù)中心性以及能力匹配性3 個(gè)方面［23］。此外，數(shù)字農(nóng)業(yè)屬于數(shù)字經(jīng)濟(jì)范疇，因此，數(shù)字農(nóng)業(yè)可壓縮時(shí)空距離，突破空間約束對鄰近地區(qū)氣候?yàn)?zāi)害脆弱性帶來空間溢出效應(yīng)。

2.1 數(shù)字農(nóng)業(yè)的直接效應(yīng)

依據(jù)3 個(gè)方面技術(shù)特性，數(shù)字經(jīng)濟(jì)會(huì)通過以下渠道對本地氣候?yàn)?zāi)害脆弱性產(chǎn)生直接溢出效應(yīng)。①技術(shù)依賴性：提高技術(shù)水平，穩(wěn)定經(jīng)濟(jì)產(chǎn)出。數(shù)字農(nóng)業(yè)依托移動(dòng)網(wǎng)絡(luò)、互聯(lián)網(wǎng)等信息基礎(chǔ)設(shè)施開展運(yùn)作。一方面，通過與地理信息系統(tǒng)、衛(wèi)星圖像以及遙感等技術(shù)深度融合，映射到農(nóng)業(yè)耕作、播種、灌溉等農(nóng)業(yè)生產(chǎn)活動(dòng)中，提升農(nóng)業(yè)生產(chǎn)技術(shù)［24］，以規(guī)避傳統(tǒng)農(nóng)業(yè)難以應(yīng)對氣候?yàn)?zāi)害的問題；另一方面，人工智能、區(qū)塊鏈等數(shù)字技術(shù)的應(yīng)用有助于農(nóng)戶獲取作物受災(zāi)信息［25］，實(shí)現(xiàn)優(yōu)質(zhì)作物的精準(zhǔn)育種，并提高農(nóng)產(chǎn)品供應(yīng)效率，筑牢農(nóng)產(chǎn)品“產(chǎn)供銷”基礎(chǔ)，保證災(zāi)后重建資金充足。②數(shù)據(jù)中心性：加強(qiáng)信息管理能力。數(shù)據(jù)作為數(shù)字農(nóng)業(yè)的關(guān)鍵要素，包括生產(chǎn)信息、市場動(dòng)態(tài)以及氣象信息等。氣象信息方面，農(nóng)戶可借助數(shù)字技術(shù)收集分析降雨量、蒸發(fā)量等環(huán)境數(shù)據(jù)，以匯集成服務(wù)于農(nóng)場管理決策的數(shù)據(jù)流，增強(qiáng)對氣象災(zāi)害洞察力，來制定災(zāi)前預(yù)防措施，如加固塑料大棚、排澇渠道等農(nóng)用設(shè)備等［26］，發(fā)揮災(zāi)前預(yù)警功能。③能力匹配性：提升農(nóng)戶技能素養(yǎng)，優(yōu)化生產(chǎn)要素結(jié)構(gòu)。首先，數(shù)字農(nóng)業(yè)要求農(nóng)戶掌握較高的數(shù)據(jù)使用能力［27］，倒逼農(nóng)戶提升自身技能，增強(qiáng)信息接受、分析與運(yùn)用能力，以發(fā)揮數(shù)字農(nóng)業(yè)的氣象服務(wù)輔助功能，協(xié)助農(nóng)戶制定災(zāi)害預(yù)警方案；其次，數(shù)字農(nóng)業(yè)強(qiáng)調(diào)土地資源合理利用，以數(shù)字化手段優(yōu)化要素配置，化解過剩產(chǎn)能問題，如推行免耕少耕、規(guī)避濫施化肥等措施，降低追求數(shù)量的農(nóng)業(yè)規(guī)?；斐苫瘜W(xué)肥料、有機(jī)肥料和農(nóng)藥的過度使用，以緩解溫室氣體激增引發(fā)的氣候波動(dòng)［28］。

2.2 數(shù)字農(nóng)業(yè)的空間效應(yīng)

考慮到數(shù)字農(nóng)業(yè)的跨區(qū)域特征，本研究基于本地、鄰地以及地區(qū)間互動(dòng)3 個(gè)空間視角，細(xì)化數(shù)字農(nóng)業(yè)驅(qū)動(dòng)氣候?yàn)?zāi)害脆弱性的空間溢出機(jī)制。①技術(shù)外溢。本地在推進(jìn)數(shù)字技術(shù)與現(xiàn)代農(nóng)業(yè)互相融合進(jìn)程中，通過示范效應(yīng)或“搭便車”行為對鄰地外溢數(shù)字農(nóng)業(yè)賦能效應(yīng)［29］，進(jìn)而影響鄰近地區(qū)農(nóng)業(yè)防災(zāi)減災(zāi)策略；②模仿效應(yīng)。本地區(qū)數(shù)字農(nóng)業(yè)在氣候?yàn)?zāi)害防控的應(yīng)用將激發(fā)鄰近地區(qū)的學(xué)習(xí)動(dòng)力，主動(dòng)探索農(nóng)業(yè)氣象災(zāi)害數(shù)字化防治路徑［30］，降低區(qū)域氣候?yàn)?zāi)害脆弱性；③競爭效應(yīng)。數(shù)字農(nóng)業(yè)在災(zāi)害防控中發(fā)揮的趨利避害作用，為所在地農(nóng)業(yè)發(fā)展的風(fēng)險(xiǎn)管理與生產(chǎn)效率提供技術(shù)支持，而市場競爭將激發(fā)其他地區(qū)調(diào)整策略動(dòng)機(jī)，形成相互競爭態(tài)勢，助力于數(shù)字農(nóng)業(yè)災(zāi)害風(fēng)險(xiǎn)預(yù)警協(xié)同管控機(jī)制的構(gòu)建。

3 研究區(qū)域概況與研究方法

3.1 研究區(qū)域概況

糧食主產(chǎn)區(qū)作為重要的農(nóng)業(yè)功能性區(qū)域，肩負(fù)保障國家糧食供給、推動(dòng)國民經(jīng)濟(jì)發(fā)展與穩(wěn)固農(nóng)業(yè)基礎(chǔ)地位的重要任務(wù)。2003 年12 月3 日，由國家財(cái)政部頒布《關(guān)于改革和完善農(nóng)業(yè)綜合開發(fā)政策措施的意見》，由此國家糧食主產(chǎn)區(qū)確定為黑龍江、遼寧、吉林、內(nèi)蒙古、山東、江蘇、江西、安徽、湖南、湖北、四川、河北和河南13 個(gè)省份，總面積約為3.78×106km2，耕地面積高達(dá)8.809 ×105km2，占全國耕地面積比重為65.30%左右。近年來，糧食主產(chǎn)區(qū)依托突出的資源稟賦與政策傾斜優(yōu)勢，糧食生產(chǎn)力大幅提升，糧食產(chǎn)量貢獻(xiàn)達(dá)到全國70%水平并穩(wěn)步增長，農(nóng)業(yè)發(fā)展成果斐然。但同時(shí)，旱澇、寒潮和強(qiáng)對流天氣等氣象災(zāi)害頻發(fā)，引致農(nóng)業(yè)發(fā)展與資源環(huán)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(yán)重阻礙糧食主產(chǎn)區(qū)農(nóng)業(yè)可持續(xù)健康發(fā)展。由此，本研究選擇13 個(gè)糧食主產(chǎn)區(qū)為研究對象，為推動(dòng)糧食產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型、合理防范農(nóng)業(yè)氣象災(zāi)害提供參考依據(jù)。

3.2 指標(biāo)體系構(gòu)建

本研究旨在探究數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的作用機(jī)制，因此需要構(gòu)建反映地區(qū)農(nóng)業(yè)數(shù)字化程度的數(shù)字農(nóng)業(yè)系統(tǒng)以及刻畫區(qū)域?yàn)?zāi)害抵抗適應(yīng)狀況的氣候?yàn)?zāi)害脆弱性系統(tǒng)。數(shù)字農(nóng)業(yè)指標(biāo)體系的構(gòu)建參照《2019 年全國縣域數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展水平評價(jià)報(bào)告》和《中國數(shù)字鄉(xiāng)村發(fā)展報(bào)告》（2019）的判斷標(biāo)準(zhǔn)，包括農(nóng)業(yè)信息化、人力資本、技術(shù)支持、要素優(yōu)化及經(jīng)濟(jì)產(chǎn)出五大維度。信息化是數(shù)字農(nóng)業(yè)發(fā)展的基本條件，涵蓋農(nóng)村通訊基礎(chǔ)建設(shè)與普及率；人力資本是數(shù)字農(nóng)業(yè)有序進(jìn)行的重要保障，包括信息化人才儲(chǔ)備以及公眾意識(shí)等；技術(shù)支持是數(shù)字農(nóng)業(yè)有效開展的助推劑，反映涉及農(nóng)業(yè)數(shù)字技術(shù)的應(yīng)用狀況；綠色發(fā)展是實(shí)現(xiàn)數(shù)字農(nóng)業(yè)可持續(xù)發(fā)展的長久保障，決定了農(nóng)業(yè)發(fā)展是否能夠保證人地協(xié)調(diào)；產(chǎn)業(yè)效應(yīng)是數(shù)字農(nóng)業(yè)發(fā)展的內(nèi)在動(dòng)力，體現(xiàn)在開展數(shù)字農(nóng)業(yè)所產(chǎn)生的經(jīng)濟(jì)效益［31］。氣候?yàn)?zāi)害脆弱性指標(biāo)體系的構(gòu)建參考已有文獻(xiàn)［32］，包括致災(zāi)因子危險(xiǎn)性、承災(zāi)因子暴露度和孕災(zāi)環(huán)境敏感性。致災(zāi)因子危險(xiǎn)性指氣候變化直接帶來的自然災(zāi)害；承災(zāi)因子暴露度是在面臨氣候?yàn)?zāi)害壓力下，農(nóng)機(jī)、牲畜等農(nóng)業(yè)生產(chǎn)要素的暴露程度；孕災(zāi)環(huán)境敏感性為氣候?yàn)?zāi)害對區(qū)域系統(tǒng)造成的負(fù)面影響。

指標(biāo)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(biāo)，綜合運(yùn)用投入產(chǎn)出、技術(shù)應(yīng)用等標(biāo)準(zhǔn)，弱化總量增長指標(biāo)。其中數(shù)字農(nóng)業(yè)系統(tǒng)共13 個(gè)子指標(biāo)，氣候?yàn)?zāi)害脆弱性共9 個(gè)子指標(biāo)（表1、2）。

表1 數(shù)字農(nóng)業(yè)指標(biāo)體系Table 1 Digital agriculture indicator system

表2 氣候?yàn)?zāi)害脆弱性指標(biāo)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(shí)空雙維度確定指標(biāo)權(quán)重，解決不同年份權(quán)重不一、主觀賦權(quán)等問題，實(shí)現(xiàn)對糧食主產(chǎn)區(qū)數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性水平的動(dòng)態(tài)測算。評價(jià)結(jié)果既可以基于“縱向”視角探索糧食主產(chǎn)區(qū)數(shù)字農(nóng)業(yè)與氣候脆弱性的時(shí)序演變特征，也可以從“橫向”角度解釋不同時(shí)點(diǎn)糧食主產(chǎn)區(qū)數(shù)字農(nóng)業(yè)與氣候脆弱性水平的優(yōu)勢與不足。具體計(jì)算公式參照相關(guān)文獻(xiàn)［33］。

3.3.2 面板灰色關(guān)聯(lián)模型

面板灰色關(guān)聯(lián)模型通過分析面板數(shù)據(jù)的時(shí)間維度與空間維度特征，獲取兩維度發(fā)展程度與方向信息，并將所選取的指標(biāo)間的“增量差”和“離差的差”絕對化處理，轉(zhuǎn)化為度量曲線形狀的相似程度，可將方向差異作為正負(fù)關(guān)聯(lián)方向的判斷標(biāo)準(zhǔn)［34］。依據(jù)鄧氏灰色關(guān)聯(lián)系數(shù)的分解標(biāo)準(zhǔn)，指標(biāo)間關(guān)聯(lián)越強(qiáng)，其值為正則為同向關(guān)聯(lián)，反之則為反向關(guān)聯(lián)。具體計(jì)算公式參照相關(guān)文獻(xiàn)［34］。

3.3.3 動(dòng)態(tài)空間杜賓模型

氣候?yàn)?zāi)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(jīng)濟(jì)—技術(shù)”等多維度的社會(huì)經(jīng)濟(jì)因素，用于考察不同變量對環(huán)境要素的影響?？紤]到數(shù)字農(nóng)業(yè)具有跨區(qū)域傳播特征，地區(qū)間可能存在較強(qiáng)的關(guān)聯(lián)效應(yīng)，故采用空間計(jì)量模型進(jìn)行分析。由于靜態(tài)視角下的空間計(jì)量模型無法解決動(dòng)態(tài)性與內(nèi)生性問題，因此引入動(dòng)態(tài)空間杜賓模型：

式中：i 表示糧食主產(chǎn)區(qū)；t 表示時(shí)間；Chv 為省份氣候?yàn)?zāi)害脆弱性；dig＿agri 為省份數(shù)字農(nóng)業(yè)發(fā)展水平；X為一系列控制變量向量；W 為空間權(quán)重，本研究選用0—1 權(quán)重進(jìn)行分析；μi為個(gè)體固定效應(yīng)；λt為時(shí)間固定效應(yīng)；εit為隨機(jī)誤差項(xiàng)。

3.3.4 合成控制法

數(shù)字農(nóng)業(yè)建設(shè)的關(guān)鍵內(nèi)涵在于通過互聯(lián)網(wǎng)及物聯(lián)網(wǎng)技術(shù)推動(dòng)農(nóng)業(yè)資源要素的信息整合，并運(yùn)用云計(jì)算及大數(shù)據(jù)等數(shù)據(jù)信息平臺(tái)優(yōu)化農(nóng)業(yè)資源要素適配，以此賦能農(nóng)業(yè)基礎(chǔ)設(shè)施，最終實(shí)現(xiàn)農(nóng)業(yè)數(shù)字化轉(zhuǎn)型。本研究基于外生沖擊視角，采用“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”政策，進(jìn)一步分析數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響效應(yīng)。

國家農(nóng)業(yè)部為推進(jìn)農(nóng)業(yè)農(nóng)村大數(shù)據(jù)發(fā)展與應(yīng)用，構(gòu)筑數(shù)字信息技術(shù)賦能農(nóng)業(yè)發(fā)展道路，于2016年頒布了《農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)方案》，并公布了“推進(jìn)涉農(nóng)數(shù)據(jù)共享”的試點(diǎn)省份名單。本研究設(shè)定合成控制法分析“推進(jìn)涉農(nóng)數(shù)據(jù)共享”試點(diǎn)是否對糧食主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性產(chǎn)生影響效應(yīng)，以是否開展“推進(jìn)涉農(nóng)數(shù)據(jù)共享”試點(diǎn)建立虛擬變量。

相較于DID、PSM-DID 等方法，合成控制法可根據(jù)預(yù)測變量數(shù)據(jù)賦權(quán)，避免對照組內(nèi)生性出現(xiàn)偏誤問題，已成為評估外生沖擊檢驗(yàn)的優(yōu)勢方法。假定K ＋1 個(gè)省份T時(shí)期的面板數(shù)據(jù)，其中第i個(gè)省份實(shí)施了農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用，為實(shí)驗(yàn)組；其他K 個(gè)省份均未實(shí)施農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用，為對照組。作為t時(shí)期未實(shí)施農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用的糧食主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性指標(biāo)，而作為t 時(shí)期已實(shí)施農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用的省份氣候?yàn)?zāi)害脆弱性指標(biāo)，令為農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用對第i個(gè)糧食主產(chǎn)區(qū)于t 時(shí)點(diǎn)所帶來的氣候?yàn)?zāi)害脆弱性變化，Dit為是否為農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用試點(diǎn)糧食主產(chǎn)區(qū)的虛擬變量，若省份i在時(shí)間t實(shí)施了該政策，則Dit＝1，否則Dit＝0。由此可得，研究期內(nèi)省份i于時(shí)點(diǎn)t的氣候?yàn)?zāi)害脆弱性為。對照組而言，；實(shí)驗(yàn)組而言，。其中為已知農(nóng)業(yè)農(nóng)村大數(shù)據(jù)影響后的氣候?yàn)?zāi)害脆弱性數(shù)值，而不可觀測，故采用Abadie 提出的因子模型法［35］進(jìn)行估計(jì)，計(jì)算公式如下：

式中：δt為時(shí)間趨勢；Xi為可觀測的a ×1 維的不受農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用影響的控制變量；θ為a ×1 維未知參數(shù)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(yīng)；εit為無法觀測的短期沖擊，均值等于0。依據(jù)Abadie等學(xué)者的驗(yàn)證［35］，一般地，若政策前時(shí)間段大于政策實(shí)施后的時(shí)間段，則可采用作為Chv的無偏估計(jì)，由此可計(jì)算農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用影響效果α1t的估計(jì)數(shù)值＋1，…，T］。其中，wk為對照組糧食主產(chǎn)區(qū)對實(shí)驗(yàn)組糧食主產(chǎn)區(qū)的合成控制貢獻(xiàn)率。

3.4 變量說明

圍繞IPAT模型改進(jìn)的STIRPAT 模型與理論，分析氣候?yàn)?zāi)害脆弱性可能受到人口、經(jīng)濟(jì)與技術(shù)三方面影響，故將人口規(guī)模、經(jīng)濟(jì)發(fā)展、技術(shù)水平歸類為控制變量。同時(shí)，考慮到城鎮(zhèn)化、固定資產(chǎn)投資以及產(chǎn)業(yè)結(jié)構(gòu)等因素的環(huán)境外部性影響，將三者納入到模型中［26］。因此，本研究結(jié)合上述控制變量，探究數(shù)字農(nóng)業(yè)對糧食主產(chǎn)區(qū)氣候?yàn)?zāi)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(biāo)的數(shù)據(jù)源自《中國統(tǒng)計(jì)年鑒》《中國農(nóng)村統(tǒng)計(jì)年鑒》《中國環(huán)境統(tǒng)計(jì)年鑒》《中國科技統(tǒng)計(jì)年鑒》《中國科學(xué)技術(shù)協(xié)會(huì)統(tǒng)計(jì)年鑒》、糧食主產(chǎn)區(qū)統(tǒng)計(jì)年鑒以及國民經(jīng)濟(jì)與社會(huì)發(fā)展公報(bào)，研究期為2010 年到2019 年。

4 時(shí)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(chǎn)區(qū)數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性，借助R 語言繪制數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的二維熱力圖（圖1）。其中，數(shù)字農(nóng)業(yè)等級劃分為滯后區(qū)（1.0—1.5）、追趕區(qū)（1.5—2.0）、推進(jìn)區(qū)（2.0—2.5）、先行區(qū)（2.5 以上）；氣候?yàn)?zāi)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(chǎn)區(qū)數(shù)字農(nóng)業(yè)（左）與氣候?yàn)?zāi)害脆弱性（右）現(xiàn)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(shù)字農(nóng)業(yè)方面。隨著時(shí)間推進(jìn)，數(shù)字農(nóng)業(yè)發(fā)展格局由以滯后區(qū)為主的單極化分布向以“先行區(qū)”為核心的多極化形態(tài)轉(zhuǎn)變，部分糧食主產(chǎn)區(qū)的數(shù)字農(nóng)業(yè)水平顯著提升。特別是2016—2019 年階段，糧食主產(chǎn)區(qū)內(nèi)的數(shù)字農(nóng)業(yè)滯后地區(qū)開始重視數(shù)字農(nóng)業(yè)發(fā)展，過渡為追趕發(fā)展態(tài)勢，鑒于區(qū)位因素、資源稟賦以及發(fā)展基礎(chǔ)等條件限制，最終形成以遼寧、吉林、黑龍江以及內(nèi)蒙古為主的數(shù)字農(nóng)業(yè)滯后發(fā)展“洼地”，其他糧食主產(chǎn)區(qū)多樣化分布。整體而言，數(shù)字農(nóng)業(yè)發(fā)展水平提升明顯，呈現(xiàn)由山東、江蘇為代表的核心地區(qū)向鄰地?cái)U(kuò)散的發(fā)展趨勢，究其原因：一方面是核心地區(qū)借助數(shù)字農(nóng)業(yè)技術(shù)的跨區(qū)域、寬領(lǐng)域特征，帶動(dòng)了其他省份發(fā)展；另一方面是數(shù)字農(nóng)業(yè)人才、數(shù)據(jù)等要素流動(dòng)，實(shí)現(xiàn)了數(shù)字資源優(yōu)化配置，改善了數(shù)字農(nóng)業(yè)區(qū)域發(fā)展結(jié)構(gòu)。

氣候?yàn)?zāi)害脆弱性方面。糧食主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性格局可總結(jié)為南高北低的分布特征，區(qū)域差異加大。相較多為平原地形的北方糧食主產(chǎn)區(qū)，四川、江西、湖北等南方糧食主產(chǎn)區(qū)水系發(fā)達(dá)，地形崎嶇，且季風(fēng)氣候具有不穩(wěn)定性，氣象平臺(tái)難以有效預(yù)警洪澇、泥石流等災(zāi)害，經(jīng)濟(jì)損失較大，導(dǎo)致氣候?yàn)?zāi)害脆弱性較高。北方糧食主產(chǎn)區(qū)長期以來推動(dòng)退耕還林、三北防護(hù)林、天然林保護(hù)、天然草原保護(hù)與建設(shè)等工程建設(shè)，工程實(shí)施為內(nèi)蒙古、吉林、遼寧等北方糧食主產(chǎn)區(qū)應(yīng)對干旱、沙塵暴等氣候?yàn)?zāi)害起到積極作用，降低了該類地區(qū)的氣候?yàn)?zāi)害脆弱性。時(shí)序演進(jìn)方面，氣候?yàn)?zāi)害脆弱性由2010—2015 年逐漸擺脫地區(qū)高脆弱性，說明我國自然災(zāi)害防治取得一定成效，但仍存在部分改進(jìn)空間。

4.2 時(shí)空關(guān)聯(lián)分析

結(jié)合上述數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的現(xiàn)狀分析，借助面板灰色關(guān)聯(lián)方法測度2010—2019 年間數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的關(guān)聯(lián)強(qiáng)度，以雷達(dá)圖進(jìn)行可視化表達(dá)（圖2）。關(guān)聯(lián)強(qiáng)度的范圍為強(qiáng)關(guān)聯(lián)［-0.8，-0.6）、較強(qiáng)關(guān)聯(lián)［-0.6，-0.4）、較弱關(guān)聯(lián)［-0.4，-0.2）、弱關(guān)聯(lián)［-0.2，0］。由結(jié)果可知，2010 年以來數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性均為負(fù)值，說明數(shù)字農(nóng)業(yè)可持續(xù)降低地區(qū)氣候?yàn)?zāi)害脆弱性。空間分布方面，關(guān)聯(lián)強(qiáng)度存在明顯區(qū)域差異，強(qiáng)關(guān)聯(lián)集中分布在河北、江蘇、河南、湖北4 個(gè)糧食主產(chǎn)區(qū)，弱關(guān)聯(lián)糧食主產(chǎn)區(qū)集中在內(nèi)蒙古、江西以及東北三省。需特別指出的是，關(guān)聯(lián)強(qiáng)度分布與研究期末數(shù)字農(nóng)業(yè)分布特征類似，說明糧食主產(chǎn)區(qū)之間數(shù)字農(nóng)業(yè)發(fā)展差距，其應(yīng)用在本地氣候?yàn)?zāi)害治理的效果不一，地區(qū)間存在數(shù)字農(nóng)業(yè)的“接入溝”。而山東省作為數(shù)字農(nóng)業(yè)的“先行區(qū)”，其關(guān)聯(lián)強(qiáng)度落后于河北、河南等推進(jìn)追趕區(qū)，可能原因在于：山東省數(shù)字農(nóng)業(yè)的應(yīng)用集中于農(nóng)業(yè)生產(chǎn)方面，數(shù)字農(nóng)業(yè)的災(zāi)害預(yù)警應(yīng)對使用不足，與推進(jìn)追趕區(qū)存在“使用溝”。

圖2 2010—2019 年數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的時(shí)空關(guān)聯(lián)強(qiáng)度雷達(dá)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(jì)量模型分析

5.1 空間自相關(guān)性

由于數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的時(shí)空分布存在某種關(guān)聯(lián)，故使用雙變量Moran′s I探究數(shù)字農(nóng)業(yè)和氣候?yàn)?zāi)害脆弱性的空間自相關(guān)性（表4）。首先，單變量的數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性在研究期內(nèi)均為正且通過5%水平的顯著性檢驗(yàn)，表明數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性均存在顯著的空間自相關(guān)性?？疾於唠p變量Moran′s I 可知，自2016 年二者M(jìn)oran′s I值持續(xù)為負(fù)，且均通過顯著性檢驗(yàn)。時(shí)序演化方面，全局Moran′s I值由2010 年的-0.013 波動(dòng)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(xù)顯著為負(fù)，說明數(shù)字農(nóng)業(yè)對鄰近地區(qū)氣候?yàn)?zāi)害脆弱性存在空間溢出效應(yīng)。

表4 2010—2019 年數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)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(jié)果分析

根據(jù)二者存在空間自相關(guān)性的結(jié)果，本研究選用空間計(jì)量回歸探究數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響。運(yùn)用多種檢驗(yàn)方法，遴選空間計(jì)量模型的具體形式（表5）。首先，依據(jù)Anselin 判斷準(zhǔn)則開展LM檢驗(yàn)，其中Robust LM（err）、LM（lag）通過了5%水平的顯著性檢驗(yàn)，Robust LM（lag）、LM（err）通過了10%水平的顯著性檢驗(yàn)，因此采用空間杜賓模型探討數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響；接著，Hausman檢驗(yàn)說明模型應(yīng)選擇固定效應(yīng)進(jìn)行估計(jì)?；诖?，最終采用固定效應(yīng)的靜態(tài)與動(dòng)態(tài)空間杜賓模型識(shí)別數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的因果關(guān)系。

表5 空間計(jì)量模型檢驗(yàn)Table 5 Spatial econometric modelling tests

結(jié)合檢驗(yàn)結(jié)果，采用動(dòng)態(tài)空間杜賓模型進(jìn)行參數(shù)估計(jì)，普通最小二乘法、固定效應(yīng)模型與靜態(tài)空間杜賓模型的回歸結(jié)果如表6 所示。從表6（1）、（2）列可見，數(shù)字農(nóng)業(yè)的估計(jì)系數(shù)為負(fù)，且均通過5%的顯著性水平，說明數(shù)字農(nóng)業(yè)能夠降低省份氣候?yàn)?zāi)害脆弱性，究其原因：一方面數(shù)字技術(shù)的普及帶動(dòng)了農(nóng)業(yè)信息平臺(tái)發(fā)展，推動(dòng)農(nóng)業(yè)生產(chǎn)、自然災(zāi)害等外在信息的數(shù)字化管理，加強(qiáng)農(nóng)業(yè)災(zāi)害預(yù)警體系建設(shè)；另一方面，物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)應(yīng)用的滲透，優(yōu)化農(nóng)業(yè)生產(chǎn)配置，提高土地、肥料等農(nóng)產(chǎn)要素的使用效率，提升數(shù)字農(nóng)業(yè)的促減作用，降低溫室氣體引致的氣候?yàn)?zāi)害風(fēng)險(xiǎn)；此外，數(shù)字農(nóng)業(yè)可通過配套基礎(chǔ)設(shè)施優(yōu)化、作物基因改良等手段，實(shí)現(xiàn)氣候?yàn)?zāi)害的末端防治，降低農(nóng)業(yè)發(fā)展的災(zāi)害損失。從表6（3）列可見，數(shù)字農(nóng)業(yè)的空間溢出效應(yīng)顯著為負(fù)，說明本地?cái)?shù)字農(nóng)業(yè)能夠降低鄰近地區(qū)氣候?yàn)?zāi)害脆弱性，其原因在于數(shù)字農(nóng)業(yè)作為數(shù)字經(jīng)濟(jì)的重要組成部分，同樣能夠通過信息化的空間外溢方式，實(shí)現(xiàn)信息高效傳遞，降低時(shí)空成本，拓寬區(qū)域間農(nóng)業(yè)經(jīng)濟(jì)活動(dòng)交流的廣度與深度，以此降低鄰地的氣候?yàn)?zāi)害脆弱性。從表6（4）列可見，氣候?yàn)?zāi)害脆弱性的滯后項(xiàng)系數(shù)顯著為正，說明氣候?yàn)?zāi)害脆弱性存在時(shí)間慣性，即當(dāng)期氣候?yàn)?zāi)害脆弱性會(huì)受前期影響。氣候?yàn)?zāi)害脆弱性空間滯后項(xiàng)顯著為正，說明氣候?yàn)?zāi)害脆弱性的降低與鄰近地區(qū)氣候?yàn)?zāi)害應(yīng)對策略存在關(guān)聯(lián)。

表6 數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響Table 6 Impact of digital agriculture on vulnerability to climate hazards

5.3 穩(wěn)健性檢驗(yàn)

為檢驗(yàn)上述回歸結(jié)果的穩(wěn)健性，采用替換空間權(quán)重矩陣方式進(jìn)行檢驗(yàn)，用于穩(wěn)健性檢驗(yàn)的權(quán)重依次為地理距離矩陣、經(jīng)濟(jì)距離矩陣、經(jīng)濟(jì)地理嵌套矩陣，估計(jì)結(jié)果見表7。由表7（1）—（3）結(jié)果顯示，除系數(shù)大小外，模型中各變量回歸系數(shù)方向均未發(fā)生改變，且均通過顯著性檢驗(yàn)，說明研究結(jié)果穩(wěn)健。

表7 穩(wěn)健性檢驗(yàn)結(jié)果Table 7 robustness test results

6 進(jìn)一步分析

6.1 外生沖擊檢驗(yàn)

6.1.1 各省份政策效應(yīng)評估

為全面估計(jì)《農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)方案》對山東、江蘇、江西、安徽、湖南、四川6 個(gè)試點(diǎn)糧食主產(chǎn)區(qū)的總體效應(yīng)，本研究運(yùn)用上述6 個(gè)糧食主產(chǎn)區(qū)在氣候?yàn)?zāi)害脆弱性與其他控制變量的均值，將6 個(gè)糧食主產(chǎn)區(qū)合并為一個(gè)試點(diǎn)區(qū)“實(shí)際數(shù)據(jù)”，并運(yùn)用合成控制法，從其他糧食主產(chǎn)區(qū)選擇合成控制單元，構(gòu)建“合成數(shù)據(jù)”。通過計(jì)算“實(shí)際數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性實(shí)際觀測值與“合成數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性反事實(shí)估計(jì)值之間的差值，以估計(jì)《農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)方案》對試點(diǎn)省份的總體效應(yīng)。

基于氣候?yàn)?zāi)害脆弱性與其他控制變量，測得合成控制單元權(quán)重分布情況（表8）。從表8 可見，合成控制單元共由3 個(gè)糧食主產(chǎn)區(qū)組成，分別為河北、湖北和遼寧。其中，河北對“合成數(shù)據(jù)”的貢獻(xiàn)權(quán)重為0.680，湖北的貢獻(xiàn)權(quán)重為0.111，遼寧的貢獻(xiàn)權(quán)重為0.209。

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

“合成數(shù)據(jù)”的反事實(shí)估計(jì)值用來推斷“實(shí)際數(shù)據(jù)”區(qū)域未實(shí)施“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”的潛在結(jié)果，其關(guān)鍵在于：《農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)方案》實(shí)施時(shí)點(diǎn)（2016 年）之前，確保“合成數(shù)據(jù)”各項(xiàng)變量估計(jì)值盡量趨近于“實(shí)際數(shù)據(jù)”的各項(xiàng)變量真實(shí)值，以更好地?cái)M合政策實(shí)施前的結(jié)果。由表9 可知，2010—2019 年“合成數(shù)據(jù)”與“實(shí)際數(shù)據(jù)”在各項(xiàng)控制變量估計(jì)均值差距較小，說明“合成數(shù)據(jù)”對“實(shí)際數(shù)據(jù)”的擬合度較好，能夠用于準(zhǔn)確評估試點(diǎn)地區(qū)的政策效果。

表9 政策試點(diǎn)實(shí)施前實(shí)際數(shù)據(jù)與合成數(shù)據(jù)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(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)設(shè)立前后氣候?yàn)?zāi)害脆弱性“實(shí)際數(shù)據(jù)”與“合成數(shù)據(jù)”的變化趨勢如圖3 所示。從圖3 可見，2010—2016 年“實(shí)際數(shù)據(jù)”與“合成數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性的折線趨勢基本一致，說明“合成數(shù)據(jù)”對“實(shí)際數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性的擬合度較高。2016—2019 年“實(shí)際數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性折線明顯低于“合成數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性折線，到2017年的差距最大，表明“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”政策改變了“實(shí)際數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性固有趨勢，降低試點(diǎn)糧食主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性。右圖可直觀觀測政策實(shí)施前后“實(shí)際數(shù)據(jù)”與“合成數(shù)據(jù)”氣候?yàn)?zāi)害脆弱性的差距，近三年氣候?yàn)?zāi)害脆弱性差距范圍在0.11—0.34。2016 年之前，二者的氣候?yàn)?zāi)害脆弱性發(fā)展態(tài)勢趨同，2015 中期“實(shí)際數(shù)據(jù)”與“合成數(shù)據(jù)”開始發(fā)生分離。雖然農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)區(qū)域的設(shè)立起始時(shí)點(diǎn)為2016 年，但由于部分糧食主產(chǎn)區(qū)政府前期開展較多政策鋪墊，推動(dòng)“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”方案的進(jìn)一步落實(shí)，如2015 年安徽省圍繞“互聯(lián)網(wǎng)＋眾包”理念構(gòu)建“惠農(nóng)氣象”平臺(tái)，實(shí)時(shí)推送育種、耕種、收割等逐小時(shí)氣象預(yù)警。在2016 年之后，氣候?yàn)?zāi)害脆弱性差異愈趨明顯，2017 年開始，差距進(jìn)一步擴(kuò)大，試點(diǎn)主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性有所下降，這標(biāo)志著隨著政策的深度落實(shí)，數(shù)字農(nóng)業(yè)工具有效提高氣候預(yù)警、農(nóng)業(yè)生產(chǎn)等管理水平，氣候?yàn)?zāi)害的負(fù)向外部性得到有效抑制。上述結(jié)果充分展示了“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”在降低地區(qū)氣候?yàn)?zāi)害脆弱性方面取得了較優(yōu)成效。

圖3 2010—2019 年“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”地區(qū)氣候?yàn)?zāi)害脆弱性實(shí)際數(shù)據(jù)與合成數(shù)據(jù)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(yàn)

為進(jìn)一步驗(yàn)證糧食主產(chǎn)區(qū)試點(diǎn)省份氣候?yàn)?zāi)害脆弱性的抑制源于“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”政策的準(zhǔn)確性，而非受其他偶然因素干擾，整體政策效應(yīng)顯著，本研究依據(jù)Abadie 的做法［35］進(jìn)行安慰劑檢驗(yàn)。首先假設(shè)糧食主產(chǎn)區(qū)的非試點(diǎn)地區(qū)同樣受到2016年政策影響，運(yùn)用合成控制法構(gòu)建非試點(diǎn)糧食主產(chǎn)區(qū)的合成對象，并得出一系列研究實(shí)際樣本與合成對象的數(shù)值差異，該差異表征為“政策效果”。同時(shí)參考劉乃全等的做法［36］，剔除政策開展前平均預(yù)測標(biāo)準(zhǔn)差高于“實(shí)際數(shù)據(jù)”二倍的糧食主產(chǎn)區(qū)，并將“實(shí)際數(shù)據(jù)”的政策效果和非試點(diǎn)糧食主產(chǎn)區(qū)的政策效果進(jìn)行比較，結(jié)果如圖4 左所示。在2016 年政策開展后，“實(shí)際數(shù)據(jù)”（黑線）的政策效果顯著高于非試點(diǎn)糧食主產(chǎn)區(qū)（灰線），說明“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”的政策沖擊對試點(diǎn)糧食主產(chǎn)區(qū)氣候?yàn)?zāi)害脆弱性抑制效果優(yōu)于非試點(diǎn)糧食主產(chǎn)區(qū)。即在5%的顯著性檢驗(yàn)下，農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)糧食主產(chǎn)區(qū)的設(shè)立有效緩解氣候?yàn)?zāi)害引發(fā)的損失，提升糧食主產(chǎn)區(qū)農(nóng)業(yè)發(fā)展的氣候?yàn)?zāi)害應(yīng)對能力。上述結(jié)果驗(yàn)證了試點(diǎn)省份氣候?yàn)?zāi)害脆弱性的抑制源于政策實(shí)施的精確性，即政策效果顯著。

圖4 2010—2019 年“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”省份氣候?yàn)?zāi)害脆弱性的安慰劑檢驗(yàn)Figure 4 Placebo test for climate hazard vulnerability in the“Big Data in Agriculture and Rural Pilot”provinces，2010 -2019

同時(shí)依據(jù)時(shí)間安慰劑檢驗(yàn)法，將政策開展時(shí)間前移到2014 年，結(jié)果如圖4 右所示。以2014 年為政策沖擊時(shí)點(diǎn)，“實(shí)際數(shù)據(jù)”與“合成數(shù)據(jù)”差距較小，二者演化趨勢與以2016 年政策沖擊時(shí)點(diǎn)的特征基本一致，這說明合成控制法的研究結(jié)果不受時(shí)間變化影響，結(jié)論較為穩(wěn)健。

6.2 作用分解檢驗(yàn)

為進(jìn)一步探究數(shù)字農(nóng)業(yè)發(fā)展中影響省級氣候?yàn)?zāi)害脆弱性的具體作用因素，以數(shù)字農(nóng)業(yè)指標(biāo)體系中子指標(biāo)作為自變量進(jìn)一步實(shí)證分析，包括數(shù)字農(nóng)業(yè)信息基礎(chǔ)（dig＿agri inform）、數(shù)字農(nóng)業(yè)人力資本（digital＿agr hum）、數(shù)字農(nóng)業(yè)技術(shù)水平（dig＿agri tech）、數(shù)字農(nóng)業(yè)要素優(yōu)化（dig＿agri optim）、數(shù)字農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)出（dig＿agri output）（表10、11）。

表10 數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)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(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的作用分解（續(xù)）Table 11 Decomposition of the role of digital agriculture in climate hazard vulnerability（continued）

由表10、11 可知，數(shù)字農(nóng)業(yè)信息基礎(chǔ)顯著降低了氣候?yàn)?zāi)害脆弱性，且5 個(gè)子指標(biāo)中系數(shù)最高，這說明數(shù)字農(nóng)業(yè)信息管理能力是數(shù)字農(nóng)業(yè)影響氣候?yàn)?zāi)害脆弱性的首要路徑。數(shù)字農(nóng)業(yè)氣象站、信息平臺(tái)的構(gòu)建，可有效進(jìn)行氣象實(shí)時(shí)監(jiān)測，規(guī)避氣候?yàn)?zāi)害引致的經(jīng)濟(jì)損失，保障農(nóng)業(yè)生產(chǎn)有序開展，同時(shí)數(shù)字農(nóng)業(yè)信息基礎(chǔ)能夠減小鄰地氣候?yàn)?zāi)害脆弱性，這說明農(nóng)業(yè)氣候區(qū)劃信息平臺(tái)覆蓋能夠保證鄰近地區(qū)災(zāi)害準(zhǔn)確預(yù)警，具有一定的溢出效應(yīng)。數(shù)字農(nóng)業(yè)人力資本的直接效應(yīng)與溢出效應(yīng)均顯著為負(fù)，說明數(shù)字農(nóng)業(yè)人力資本對氣候?yàn)?zāi)害脆弱性具有顯著負(fù)向作用。一方面，農(nóng)產(chǎn)勞動(dòng)力水平的提升能夠?qū)崿F(xiàn)與數(shù)字農(nóng)業(yè)技術(shù)的良好適配，提高數(shù)字農(nóng)業(yè)服務(wù)效率，及時(shí)應(yīng)對突發(fā)自然災(zāi)害風(fēng)險(xiǎn)；另一方面，地區(qū)間數(shù)字農(nóng)業(yè)人才的交流學(xué)習(xí)，有效促進(jìn)農(nóng)業(yè)減災(zāi)救災(zāi)經(jīng)驗(yàn)的推廣普及，提升周邊地區(qū)應(yīng)對氣候?yàn)?zāi)害能力。數(shù)字農(nóng)業(yè)技術(shù)水平對本地氣候?yàn)?zāi)害脆弱性具有顯著促減效應(yīng)，且對鄰地有負(fù)向作用，原因在于數(shù)字農(nóng)業(yè)技術(shù)具有顯著溢出性，通過發(fā)揮創(chuàng)新要素外溢效應(yīng)，推動(dòng)鄰近地區(qū)數(shù)字農(nóng)業(yè)技術(shù)升級，降低地區(qū)氣候?yàn)?zāi)害脆弱性。數(shù)字農(nóng)業(yè)要素優(yōu)化對本地區(qū)及鄰近地區(qū)的氣候?yàn)?zāi)害脆弱性具有顯著負(fù)向影響，原因在于數(shù)字農(nóng)業(yè)的要素優(yōu)化具有明顯節(jié)能減排效應(yīng)，能夠緩解溫室氣體引致的氣候?yàn)?zāi)害影響，降低氣候?yàn)?zāi)害脆弱性，同時(shí)強(qiáng)調(diào)強(qiáng)調(diào)農(nóng)業(yè)生產(chǎn)經(jīng)濟(jì)與農(nóng)業(yè)發(fā)展環(huán)境的協(xié)調(diào)，促進(jìn)農(nóng)業(yè)機(jī)械、耕作手段由粗放式向集約式轉(zhuǎn)變，提高農(nóng)業(yè)生產(chǎn)的資源環(huán)境適應(yīng)力。數(shù)字農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)出及其地理加權(quán)項(xiàng)顯著為負(fù)，表明數(shù)字農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)出的提升可降低本地與鄰地氣候?yàn)?zāi)害脆弱性，究其原因在于地區(qū)資金水平是保障氣候?yàn)?zāi)害治理的物質(zhì)支撐，同時(shí)部分流動(dòng)資金不僅能夠用于育苗、耕地等生產(chǎn)要素利用的技術(shù)研發(fā)，同時(shí)保證災(zāi)后重建項(xiàng)目有序開展，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)穩(wěn)產(chǎn)高效。

7 結(jié)論與討論

7.1 結(jié)論

本研究以13 個(gè)糧食主產(chǎn)區(qū)面板數(shù)據(jù)為研究對象，借助縱橫拉開檔次法、面板灰色關(guān)聯(lián)模型、動(dòng)態(tài)空間杜賓模型，分析數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性影響效應(yīng)，并以符合數(shù)字農(nóng)業(yè)內(nèi)涵的“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”政策作為政策沖擊，運(yùn)用合成控制法進(jìn)一步檢驗(yàn)數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的影響。同時(shí)在數(shù)字農(nóng)業(yè)指標(biāo)體系基礎(chǔ)上進(jìn)行作用分解，分析了數(shù)字農(nóng)業(yè)的信息基礎(chǔ)、人力資本、技術(shù)水平、綠色發(fā)展和產(chǎn)出水平對氣候?yàn)?zāi)害脆弱性的作用效果。主要結(jié)論如下：①數(shù)字農(nóng)業(yè)由以滯后區(qū)主導(dǎo)的單極化，向以先進(jìn)區(qū)為核心的多極化特征轉(zhuǎn)變，而氣候?yàn)?zāi)害脆弱性分布格局表現(xiàn)為南高北低。數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性時(shí)空關(guān)聯(lián)特征為負(fù)向關(guān)聯(lián)，說明數(shù)字農(nóng)業(yè)會(huì)降低省份氣候?yàn)?zāi)害脆弱性，其中關(guān)聯(lián)強(qiáng)度分布與數(shù)字農(nóng)業(yè)研究末期基本一致。②數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性存在負(fù)向空間自相關(guān)性，數(shù)字農(nóng)業(yè)能夠顯著降低本地、鄰地氣候?yàn)?zāi)害脆弱性，該結(jié)論在改變空間權(quán)重矩陣后依然穩(wěn)健。③“農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)”政策對試點(diǎn)省份氣候?yàn)?zāi)害脆弱性的抑制效應(yīng)逐漸顯著，到2017 年為峰值。④作用分解方面，數(shù)字農(nóng)業(yè)信息管理是數(shù)字農(nóng)業(yè)影響地區(qū)氣候?yàn)?zāi)害脆弱性的關(guān)鍵途徑，能夠?qū)崿F(xiàn)災(zāi)前預(yù)警，降低氣候?yàn)?zāi)害的農(nóng)業(yè)經(jīng)濟(jì)損失，同時(shí)數(shù)字農(nóng)業(yè)存在空間外溢性，能夠降低鄰地氣候?yàn)?zāi)害脆弱性。

7.2 討論

通過數(shù)字農(nóng)業(yè)對氣候?yàn)?zāi)害脆弱性的實(shí)證研究，本研究從以下三方面提出政策建議：①夯實(shí)數(shù)字農(nóng)業(yè)基礎(chǔ)設(shè)施建設(shè)，推動(dòng)數(shù)字農(nóng)業(yè)技術(shù)在農(nóng)業(yè)健康發(fā)展與提質(zhì)增效中的作用，發(fā)揮氣象“趨利避害”能力。圍繞數(shù)字技術(shù)與傳統(tǒng)農(nóng)業(yè)的深度融合，加快農(nóng)村網(wǎng)絡(luò)寬帶、農(nóng)業(yè)氣象站等新一代農(nóng)業(yè)信息基礎(chǔ)設(shè)施建設(shè)，保障地區(qū)數(shù)字農(nóng)業(yè)發(fā)展具備成熟的信息基礎(chǔ)設(shè)施支撐，推進(jìn)農(nóng)業(yè)氣象信息服務(wù)的覆蓋滲透，構(gòu)建農(nóng)業(yè)生產(chǎn)、災(zāi)害信息等數(shù)據(jù)的智能管理體系，實(shí)現(xiàn)數(shù)字農(nóng)業(yè)賦能氣象服務(wù)。②立足于各地災(zāi)害差異，融合云計(jì)算與大數(shù)據(jù)技術(shù)，優(yōu)化智慧農(nóng)業(yè)氣候區(qū)劃信息平臺(tái)，實(shí)施區(qū)域間農(nóng)業(yè)氣象災(zāi)害異質(zhì)性策略。基于GIS工具平臺(tái)，構(gòu)建適用于全域氣候資源利用與開發(fā)體系，識(shí)別區(qū)域地理氣候優(yōu)勢，降低災(zāi)害經(jīng)濟(jì)損失，優(yōu)化農(nóng)業(yè)生產(chǎn)資源配置效率，同時(shí)利用氣象大數(shù)據(jù)實(shí)現(xiàn)各地災(zāi)害檢測，為各地政府因地制宜指導(dǎo)農(nóng)業(yè)生產(chǎn)提供氣象科技支撐。③加強(qiáng)數(shù)字農(nóng)業(yè)生產(chǎn)技術(shù)研發(fā)，提升技術(shù)支撐水平，有效服務(wù)于農(nóng)業(yè)綠色增效與災(zāi)后重建工作。一方面，推廣智能化、便捷化的“互聯(lián)網(wǎng)＋”現(xiàn)代農(nóng)業(yè)生態(tài)模式，推動(dòng)傳統(tǒng)農(nóng)業(yè)發(fā)展模式向“高產(chǎn)—高效—低耗”高端農(nóng)業(yè)模式轉(zhuǎn)變，嚴(yán)控農(nóng)藥、塑料薄膜等生產(chǎn)要素濫用，緩解農(nóng)田環(huán)境污染，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)集約化、智能化；另一方面，聚焦于優(yōu)良糧食作物品種改良與農(nóng)業(yè)基礎(chǔ)設(shè)施革新，全面推進(jìn)農(nóng)業(yè)災(zāi)后重建復(fù)產(chǎn)復(fù)工，加強(qiáng)地區(qū)抵御不確定性氣候?yàn)?zāi)害的能力。

本研究對數(shù)字農(nóng)業(yè)與氣候?yàn)?zāi)害脆弱性的研究進(jìn)行一定拓展，為農(nóng)業(yè)經(jīng)濟(jì)健康發(fā)展提供理論參考，但受限于相關(guān)研究較為匱乏，仍存在以下可完善空間：數(shù)據(jù)選取方面，囿于數(shù)據(jù)可得性，本研究基于省際視角進(jìn)行分析，導(dǎo)致研究結(jié)論缺乏普適性，后續(xù)研究可在數(shù)據(jù)可得條件下加以拓展；政策檢驗(yàn)方面，針對《農(nóng)業(yè)農(nóng)村大數(shù)據(jù)試點(diǎn)方案》的政策有效性，本研究僅檢驗(yàn)了試點(diǎn)省份的總體效應(yīng)，但受限于篇幅，缺乏對個(gè)體效應(yīng)、影響因素以及政策作用的深入探討，未來圍繞以上幾點(diǎn)開展針對性研究；機(jī)制分析方面，本研究雖然對數(shù)字農(nóng)業(yè)影響氣候?yàn)?zāi)害脆弱性的機(jī)制開展分析，但受限于部分變量不可測度，實(shí)證探討不足，未來研究中還需對數(shù)字經(jīng)濟(jì)影響氣候?yàn)?zāi)害脆弱性的理論分析與具體機(jī)制進(jìn)行深入探討。