气候智能型农业实践对埃塞俄比亚小农收入的积极影响：基于倾向得分匹配模型的实证研究

《Discover Agriculture》：Impact of adoption of climate-smart agricultural practices (CSAP) on small-holder farmers’ income: in Adami Tullu Jido Kombolcha district, Ethiopia

为解决气候变化对埃塞俄比亚小农生计的威胁，研究人员在Adami Tullu Jido Kombolcha地区开展了关于气候智能型农业实践(CSAP)采纳对农户收入影响的主题研究。通过PSM模型分析363户数据发现，CSAP采纳者年均收入(91,749.74 ETB)显著高于非采纳者(47,701.67 ETB)，证实CSAP可通过提升生产力有效增强小农气候韧性。该研究为发展中国家推广CSA实践提供了关键实证依据。

　　

在气候变化日益加剧的背景下，埃塞俄比亚的农业系统正面临着严峻挑战。这个以东非高原为主的国家，其经济命脉高度依赖雨养农业，但近年来不规律的降雨模式、频繁的干旱和洪水、病虫害加剧以及种植季节紊乱等问题，导致作物减产、牲畜生产力下降，直接威胁到数百万小农的生计。尤其值得关注的是，埃塞俄比亚的农业系统以传统小农经营为主，适应气候变化的能力较弱，使得粮食安全问题日益突出。

面对这一困境，气候智能型农业实践(Climate-Smart Agricultural Practices, CSAP)被视为应对气候变化影响的关键解决方案。这类实践通过结合适应和减缓策略，旨在建立更高效、更具韧性的农业生产系统。然而，尽管CSA实践被证明能够提升农业生产力和农户生计，但在埃塞俄比亚小农中的采纳程度仍然较低，且关于其对农户收入影响的实证研究有限，特别是针对特定地区的研究更为缺乏。

为此，Dubiso Gacheno及其合作者在《Discover Agriculture》期刊上发表了一项研究，重点探讨了在埃塞俄比亚Adami Tulu Jido Kombolcha地区，小农采纳CSA实践对其收入的具体影响。这项研究不仅填补了该地区相关研究的空白，还为政策制定者提供了科学依据，以促进气候智能型农业在类似地区的推广应用。

研究人员采用了一套严谨的方法论框架来确保研究结果的可靠性。研究团队通过多阶段抽样方法，从43个农村社区中随机选取4个，最终确定了363户农户作为样本（其中198户为CSA实践采纳者，165户为非采纳者）。数据收集结合了家庭问卷调查、焦点小组讨论和关键知情人访谈等多种方式，确保信息的全面性。在分析方法上，研究主要运用描述性统计来分析农户的社会经济特征，并采用倾向得分匹配(Propensity Score Matching, PSM)模型来评估CSA实践采纳对农户收入的净影响，有效缓解了样本自选择偏差问题。

描述性统计结果显示，CSA采纳者与非采纳者在多个社会经济特征上存在显著差异。采纳CSA实践的农户通常更年轻（平均年龄48.24岁）、受教育程度更高（平均5.13年）、拥有更大的农场面积（平均2.3公顷）和更多的牲畜（平均2.36热带牲畜单位）。此外，他们更容易获得信贷服务（42.92%的采纳者有机会获得信贷）和农业推广服务（78.28%的采纳者有接触推广人员）。这些因素共同促进了CSA技术的采纳，而年龄较大、务农经验更丰富的农户则表现出较低的采纳倾向。

在收入方面，初步比较已显示出明显差距：CSA实践采纳者的年平均总收入达到92,731.83埃塞俄比亚比尔，而非采纳者仅为45,938.97比尔，两者相差46,792.86比尔。这一差异在统计上极为显著，初步表明CSA实践可能对农户收入有积极影响。

Impact of climate smart agricultural practices on smallholder farmers' income

通过PSM模型的精确分析，研究发现采纳CSA实践对小农收入产生了显著的正向影响。在控制了其他因素后，采纳CSA实践的农户比非采纳者平均每年多收入44,048.07比尔。这一结果在经过敏感性分析后仍然稳健，表明即使存在未观察到的变量，这一结论也不太可能被推翻。研究还通过多重匹配算法（如最近邻匹配、卡尺匹配和核匹配）验证了结果的可靠性，进一步增强了研究结论的可信度。

Estimation of propensity scores

为了准确评估CSA实践的影响，研究首先通过logit模型估计了农户采纳CSA实践的倾向得分。模型拟合优度检验（伪R²为0.3068，似然比卡方为153.46）表明模型设定良好。结果显示，获得信贷服务、农业推广接触、农场规模、牲畜存栏量和天气信息获取等因素显著正向影响CSA实践的采纳，而务农经验、市场距离和家庭规模则呈负相关。

Identifying common support region

研究通过界定共同支持区域，确保了比较的合理性。倾向得分在0.0547至0.9538之间的农户被纳入分析，不符合这一范围的33个样本被剔除，最终330个样本进入影响评估。这一步骤保证了对照组和处理组在特征上具有可比性。

Choosing the best matching algorithm

在多种匹配算法中，半径卡尺匹配（带宽0.1）被确定为最优方法，因为它实现了最小的标准化偏差（平均偏差从匹配前的33.6%降至匹配后的6.2%），且匹配后所有协变量的组间差异均变得不显著，满足了平衡性假设。

Sensitivity analysis

为了检验结果对潜在未观测变量的敏感性，研究采用了Rosenbaum界限分析法。结果表明，即使存在较大的未观测混杂因素（Γ=3），CSA实践对收入的积极影响仍然显著，证实了研究结论的稳健性。

定性分析结果进一步支持了上述发现。通过利克特量表对关键知情人访谈和焦点小组讨论数据的分析显示，绝大多数受访者（86.80%）强烈认同CSA实践有助于增加收入。此外，CSA实践在提高作物产量（75.47%的受访者强烈认同）、改善土壤肥力（66.03%）、提升土地生产力（81.13%）以及降低气候风险（56.60%）等方面也发挥了积极作用。

综合研究结果，可以得出以下结论：在埃塞俄比亚Adami Tulu Jido Kombolcha地区，气候智能型农业实践的采纳显著提升了小农的收入水平。这种积极影响主要通过提高农业生产力、优化资源利用和增强气候韧性实现。研究表明，年轻、受教育程度较高、拥有较多资源（如土地、牲畜）且更容易获得信贷和推广服务的农户更倾向于采纳CSA实践。

该研究的意义在于，它不仅为CSA实践在改善小农生计方面的有效性提供了实证支持，还识别了影响技术采纳的关键因素，为相关政策制定指明了方向。基于研究结果，建议政府和发展机构应重点加强农业推广服务、改善信贷可及性、保障农业投入品供应并完善市场基础设施，从而促进小农更广泛地采纳气候智能型农业实践，最终实现农业可持续发展和农村生计改善。

尽管该研究存在基于横截面数据的局限性，未能建立因果关系，且范围限于单一地区，但它的发现为后续研究奠定了基础。未来研究可采用纵向数据，追踪CSA实践采纳的长期影响，并扩展至更广泛地区，以全面评估其对粮食安全、生计改善等多维度的综合效应。