《International Journal of Agricultural Sustainability》：Cost effect or innovation effect? how climate physical risk works on the pressure of agricultural carbon footprint?
编辑推荐：
气候物理风险对农业碳足迹压力(ACFP)具有复杂的非线性影响，但其背后的成本效应(Cost Effect)与创新效应(Innovation Effect)机制尚未得到充分检验。研究人员基于2000–2023年中国30个省份的平衡面板数据，实证考察了气候物理风险
气候物理风险对农业碳足迹压力(ACFP)具有复杂的非线性影响，但其背后的成本效应(Cost Effect)与创新效应(Innovation Effect)机制尚未得到充分检验。研究人员基于2000–2023年中国30个省份的平衡面板数据，实证考察了气候物理风险指数(Climate Physical Risk Index, CPRI)对ACFP的非线性影响。研究发现二者存在统计显著的倒U形关系，拐点为CPRI = 50.15307。低于该阈值时，气候物理风险加剧ACFP，反映成本效应(Cost Effect)；高于该阈值时，风险抑制ACFP，表明创新效应(Innovation Effect)。机制分析显示，拐点左侧绿色金融(Green Finance)可调节成本引致的ACFP上升；拐点右侧数字普惠金融(Digital Inclusive Finance)通过农业数字创新(Agricultural Digital Innovation)的链式中介路径降低ACFP。此外，该倒U形关系在胡焕庸线(Hu Line)西北侧省份及高气候政策不确定性(Climate Policy Uncertainty)下更显著。研究提出针对性政策建议，包括部署差异化金融工具及将ACFP纳入地方政府绩效考核，以促进农业减污、降碳与气候适应的协同治理。
论文解读：气候物理风险对农业碳足迹压力的成本效应与创新效应研究
该研究载于《International Journal of Agricultural Sustainability》。
研究背景与意义
全球极端气候事件频发严重威胁农业生产与贸易，1991–2021年气候灾害致农作物与畜牧业累计损失3.8万亿美元。农业系重要温室气体（甲烷CH4、氧化亚氮N2O）排放源，其碳源—碳汇动态平衡对"双碳"目标至关重要。既有文献多单独测度农业碳排放或碳汇，忽略碳源与碳汇间的动态均衡，且默认气候物理风险(Climate Physical Risk, CPR)与农业碳足迹呈线性关系，未系统考察其非线性特征及背后传导机制。为此，研究人员引入农业碳足迹压力(Agricultural Carbon Footprint Pressure, ACFP)——定义为农业总碳排放量与生态系统碳吸收能力之比，用以表征人为生产碳排放超出生态碳汇承载力的环境压力——并基于环境库兹nets曲线(Environmental Kuznets Curve, EKC)与波特假说(Porter Hypothesis)，探究CPR通过成本效应(Cost Effect)（低风险下农户增施化肥农药等碳密集型投入以稳产出）与创新效应(Innovation Effect)（高风险诱发低碳技术创新与数字化转型）非线性作用于ACFP的机制，及异质金融工具（绿色金融 Green Finance Index, GFI；数字普惠金融 Digital Financial Inclusion, DFI）与农业数字创新(Agricultural Digital Innovation, ADI)的链式中介作用，并按胡焕庸线(Hu Line)、气候政策不确定性(Climate Policy Uncertainty, CPU)、政府环境关注度(Government Environmental Attention, GovFoc)做异质性分析，为中国及类似区域制定差异化气候智慧型农业(Climate-Smart Agriculture, CSA)政策提供实证依据。
主要关键技术方法
研究人员构建2000–2023年中国大陆30个省份（剔除西藏、港澳台）的平衡面板数据集（720个观测值），按历史基线百分位法定义极端低温、高温、强降雨、干旱天数并等权合成气候物理风险指数(CPRI)；以IPCC源汇平衡法核算农业碳源（稻田CH4、施肥致N2O、农机燃油CO2等）与碳汇（作物光合固碳、土壤有机碳），取比值并取自然对数得lnACFP；GFI由绿色信贷、投资、证券、碳金融四维全局主成分分析构建，DFI采用北京大学数字普惠金融指数，ADI以农林牧渔业数字/人工智能/物联网岗位招聘量代理；控制第一产业增加值占比、农业劳均机械动力、劳动生产率、土地生产率、农业支出占比；基准模型纳入CPRI及其平方项并以双向固定效应估计倒U形关系，通过2SLS（滞后与差分CPRI为工具变量）、PSM（按CPRI中位数匹配）、替换变量与删直辖市做稳健性检验；依基准估计拐点将全样本分为低/高风险区，分别建立链式中介模型检验GFI→绿色全要素生产率(Green Total Factor Productivity, GTFP)→lnACFP（低成本效应）与DFI→农业劳动力数字化(Agricultural Labour Digitalisation, ALD)→lnACFP（创新效应）路径并用Bootstrap验证间接效应；按CPU中位数、GovFoc中位数及Hu Line西北/东南分组回归做异质性分析。
研究结果
4.1. Baseline results（基准回归结果）
CPRI一次项系数显著为正(p < 0.01)，平方项显著为负(p < 0.01)，证实CPRI与lnACFP呈统计显著的倒U形关系，拐点CPRI = 50.15307。低风险区CPR上升加剧ACFP（成本效应主导，农户增碳密集型投入稳产）；超拐点后CPR继续上升反而降低ACFP（创新效应主导，诱导低碳技术与增强碳汇）。分指标回归显示极端低温、强降雨、干旱具显著倒U形，极端高温无显著影响，可能与耐热品种及灌溉适应有关。
4.2. Endogeneity and robustness（内生性与稳健性检验）
2SLS第二阶段CPRI显著正、CPRI2显著负（Kleibergen-Paap LM显著），倾向得分匹配(PSM)后协变量标准化偏差大幅缩小且不拒绝组间均值相等，加入气候适应城市试点政策虚拟变量后倒U形依然稳健；替换被解释变量为农业净碳排放(Net Agricultural Carbon Emissions, NACE)、替换CPRI为极端气候事件累计次数、剔除直辖市样本，倒U形关系均保持不变，支持基准结论可靠性。
4.3. Heterogeneity analysis（异质性分析）
倒U形在胡焕庸线西北省份显著而东南不显著（西北生态脆弱、农业结构单一致敏感性更强）；高气候政策不确定性(CPU)组倒U形曲率更大（政策不确定抑制低碳技术投资意愿，延后创新效应显现）；高政府环境关注度(GovFoc)组倒U形不显著（强环境规制弱化CPR初期推高ACFP之作用，使非线性趋平）。
4.4. Impact mechanism（影响机制）
- •
4.4.1. Cost effect (left of the inflection point)（成本效应—拐点左侧）：低风险区分样本链式中介检验显示CPRI显著促进GFI，GFI显著提升GTFP，纳入GFI与GTFP后CPRI对lnACFP直接效应减弱，GFI→lnACFP间接效应显著为负，证实绿色金融通过降低低碳技术采纳融资成本、提升绿色全要素生产率部分缓解成本效应导致的ACFP上升（支持H2a）。
- •
4.4.2. Innovation effect (right of the inflection point)（创新效应—拐点右侧）：高风险区CPRI显著促进DFI，DFI显著提升农业劳动力数字化(ALD)，纳入DFI与ALD后CPRI对lnACFP直接负效应绝对值减小，DFI→lnACFP及DFI→ALD→lnACFP链式间接效应显著为负（Bootstrap验证），表明数字普惠金融通过推动农业数字创新与精准投入降低ACFP（支持H2b）。
讨论与结论翻译（研究结论部分）
首先，CPRI与lnACFP呈显著倒U形关系，拐点CPRI = 50.15307，证实从成本效应向创新效应的动态转换；极端低温、强降雨及干旱具显著倒U形效应，极端高温无显著影响。其次，机制检验揭示阶段性传导路径：拐点左侧绿色金融通过降低低碳技术采纳成本缓解CPR引致的碳足迹压力上升（成本效应）；拐点右侧数字普惠金融经由促进农业数字创新产生链式中介作用抑制ACFP（创新效应）。第三，异质性分析表明倒U形关系在胡焕庸线西北省份、高气候政策不确定性及低政府环境关注度地区更显著。研究人员建议：低风险区（主要为胡线东南）强化绿色金融对低碳投入的定向信贷与碳金融工具支持；高风险区（主要为胡线西北）扩大数字普惠金融覆盖并加强农业劳动者数字技能培训以推广智能灌溉、无人机植保等精准农业技术；高政策不确定区建立长期低碳农业补贴稳定预期；低政府环境关注区将ACFP纳入地方政绩考核以强化激励约束。
