《Frontiers in Sustainable Food Systems》：Climate policy uncertainty and agricultural digital-intelligent transformation in China: evidence from provincial panel data
编辑推荐：
引言：气候政策不确定性（Climate Policy Uncertainty, CPU）会影响农业长期投资决策，但其对农业数字智能转型（Agricultural Digital-Intelligent Transformation, ADI）的影响尚未得到充分
引言：气候政策不确定性（Climate Policy Uncertainty, CPU）会影响农业长期投资决策，但其对农业数字智能转型（Agricultural Digital-Intelligent Transformation, ADI）的影响尚未得到充分认识。本研究考察滞后气候政策不确定性如何影响农业数字智能转型，以及农村金融和农业服务政策能否调节这一关系。方法：利用2013—2022年中国31个省份的面板数据，研究人员构建了农业数字智能转型指数，并采用双向固定效应模型、工具变量估计、异质性分析和调节效应检验进行实证分析。结果：结果表明，气候政策不确定性显著抑制农业数字智能转型，且在处理潜在内生性后该负效应依然显著。异质性分析显示，抑制效应仅在数字金融中等发达地区和粮食主销区显著。进一步分析表明，农林牧渔业贷款和全程农业社会化服务试点政策正向调节这一关系，削弱了气候政策不确定性的不利影响。讨论：这些发现通过将政策预期、涉农贷款与数字智慧农业发展联系起来，丰富了气候政策不确定性与可持续农业转型的相关文献。结果表明，稳定气候政策预期、改善农村信贷支持和强化农业服务体系对于促进气候适应性和区域差异化的农业数字化转型具有重要意义。
气候政策不确定性与农业数字智能转型：研究解读
一、研究背景与问题提出
全球气候风险加剧，各国频繁出台和调整气候政策，气候政策不确定性（Climate Policy Uncertainty, CPU）日益成为影响宏观经济运行与微观主体决策的重要外部变量。中国位于气候变化高度敏感区域，农业作为支撑国民经济的基础产业，其生产活动对气候条件和政策环境变化十分敏感，因而成为受气候政策不确定性冲击最直接的部门之一。气候政策不确定性会干扰农业经营主体在要素投入、技术选择和生产布局等方面的长期决策，进而制约农业可持续发展。与此同时，数字技术和人工智能的快速发展为农业抵御气候风险、缓冲政策波动提供了新的技术路径，农业数字智能转型被视为农业适应气候治理需求和数字经济发展趋势的核心方向。但是，农业数字智能转型具有投资周期长、沉没成本高、回报滞后等特征，其推进高度依赖稳定的政策预期和持续的制度保障。频繁的气候政策波动可能抬高投资风险、加剧融资约束，抑制各类农业经营主体参与数字化转型的积极性。目前学术界关于气候政策不确定性经济后果的研究颇为丰富，但专门针对其与农业数字智能转型关系的系统性实证研究仍存在明显空白。为此，研究人员以2013—2022年中国31个省份面板数据为样本，实证检验气候政策不确定性对农业数字智能转型的影响、异质性特征及调节机制。
二、研究设计与方法
本研究采用2013—2022年中国31个省份的省级面板数据，数据来源于中国统计年鉴、中国农村统计年鉴、中国农业统计年鉴、中国环境统计年鉴、科研统计公报及农村金融服务报告等官方统计资料，同时匹配CAMA数据库、中国气象局、经济政策不确定性网站和CSMAR数据库，个别省份缺失数据采用线性插值法补充。研究人员从数字智能基础设施、数字环境和数字智能效益三个维度构建农业数字智能转型指数（ADI），运用熵权法确定权重；核心解释变量选取基于MacBERT深度学习模型构建的省级气候政策不确定性指数（CCPU），并以滞后一期（L.CCPU）为主要解释变量。实证分析综合采用双向固定效应模型、工具变量法、倾向得分匹配（PSM）、异质性分析和调节效应检验等方法。
三、主要研究结果
3.1 基准回归结果
双向固定效应模型的回归结果显示，L.CCPU的系数为-0.0608，在1%的水平上显著为负，验证了假设H1，即气候政策不确定性显著抑制农业数字智能转型。从经济含义看，L.CCPU每增加一个标准差（0.561），农业数字智能转型指数（ADI）将下降约0.034个单位。
3.2 内生性检验
为缓解双向因果关系等内生性问题，研究人员选取中央太平洋Ni?o指数（Ni?oCP）与省份经度的交互项作为工具变量。两阶段最小二乘估计（2SLS）中，第一阶段工具变量系数显著为正，第二阶段L.CCPU系数为-0.2770，在1%水平上显著，弱工具变量检验通过。此外，将控制变量滞后一期后重新回归，L.CCPU系数为-0.0512，在5%水平上显著，与基准结论一致。
3.3 倾向得分匹配与稳健性检验
按L.CCPU的全局均值将样本分为高气候政策不确定性组和低气候政策不确定性组，采用1:1最近邻匹配后，匹配样本中L.CCPU系数为-0.0105，在10%水平上显著，进一步支持基准结论。稳健性检验方面，通过双边1%缩尾、省级聚类稳健标准误、增加控制变量、剔除2020—2021年样本、替换被解释变量为重新计算的熵权指标以及采用当期CCPU进行回归等六种方式，核心解释变量的系数均保持显著为负，表明基准结果稳健可靠。
3.4 异质性分析
按2020年北京大学数字普惠金融指数将样本划分为数字金融发达、中等发达和欠发达三类地区，结果显示仅在数字金融中等发达地区，L.CCPU系数在10%水平上显著为负（-0.0770），发达地区与欠发达地区均不显著。按粮食功能区将31个省份划分为粮食主产区、主销区和产销平衡区，回归结果显示，仅在粮食主销区L.CCPU系数在5%水平上显著为负（-0.1192），且组间系数差异检验证实主销区与其他两类地区的差异具有统计显著性。以上结果验证了假设H2。
3.5 调节效应分析
在基准模型中加入调节变量及其与L.CCPU的交互项。结果显示，农林牧渔业贷款（AGIL）与L.CCPU交互项系数为0.0255，在10%水平上显著为正；全程农业社会化服务试点政策（DID）与L.CCPU交互项系数为0.0590，在5%水平上显著为正。这验证了假设H3和H4，表明涉农贷款和全程农业社会化服务能够有效削弱气候政策不确定性对农业数字智能转型的抑制作用。
四、讨论与结论
讨论部分指出，气候政策不确定性通过扰乱政策预期和提高投资风险感知，抑制了具有长期不可逆性特征的农业数字智能投资；而充足的农村信贷供给和完善的农业社会化服务体系能够形成制度性缓冲，缓解政策波动带来的不利影响。研究结论表明，稳定气候政策预期、改善农村信贷支持、扩大全程社会化服务试点范围并实施区域差异化政策，对于促进气候适应性和区域协调的农业数字智能转型具有重要意义。研究人员同时指出，本研究的农业数字智能转型指数受公共统计数据制约，难以精确分离纯农业人工智能投入；样本截至2022年，工具变量无法完全排除气候冲击的直接影响，且模型较高的拟合优度主要由双向固定效应所驱动，解读时应保持谨慎。
