揭示高标准农田建设对气候智慧型农业的影响

《Land Use Policy》：Unveiling the impacts of high-standard farmland construction on climate-smart agriculture

　　

• 新框架将土地整治与气候智慧型农业联系起来。• 高标准农田建设推动气候智慧型农业。• 高标准农田建设增强了粮食安全与适应能力，但削弱了减缓作用。• 区域条件与土地禀赋塑造高标准农田建设的有效性。• 投入优化、技术升级和栖息地改善推动气候智慧型农业的效益。

**1. 引言**

气候变化表现为极端天气事件日益频繁和持续性的升温趋势，对全球农业造成了前所未有的压力，扰乱作物生长并威胁粮食安全（Hultgren et al., 2025, Onyeaka et al., 2024）。与此同时，长期存在的结构性失衡——如过度灌溉、对化学投入品的高度依赖以及土地碎片化——导致生态退化，降低了农业部门对气候冲击的韧性（Cabernard et al., 2024, Hao et al., 2023, Lyu et al., 2022）。在外部气候风险与内部结构性约束的双重压力下，传统农业发展模式在平衡生产力与生态完整性方面变得越来越不可持续（Antón et al., 2013）。因此，在减少环境成本的同时增强系统韧性，而不损害产量，已成为全球农业面临的核心挑战（Adhikari et al., 2018）。

为系统性地应对这一挑战，联合国粮农组织于2010年引入了气候智慧型农业的综合框架（Fao, 2022）。其核心在于协同实现三个目标：（1）提升农业生产力；（2）增强对气候变化的适应能力；（3）减少温室气体排放（Palombi and Sessa, 2013）。这一三大支柱框架的全面性给实证评估带来了即时挑战。早期研究往往集中于易于量化的经济方面，如产量和收入，而适应和减缓这两个关键维度在很大程度上被忽视（Arslan et al., 2015, Lipper et al., 2014, Lopez-Ridaura et al., 2018），导致对气候智慧型农业绩效的评估不完整且往往是一维的。反映这一差距，后续研究聚焦于扩展分析框架以更好地捕捉全部三个支柱，将其分解为可量化的指标，如产量稳定性、资源利用效率和单位产出的碳强度（Chandra et al., 2018）。

尽管气候智慧型农业研究已逐渐从单一经济产出评估转向多维绩效评估，现有研究仍主要聚焦于测量问题（Acosta-Alba et al., 2019）。相关研究往往通过特定实践考察气候智慧型农业，包括节水灌溉、低碳投入、保护性耕作和气候适应性管理（Kakraliya et al., 2018, Long et al., 2016）。这些研究有助于识别不同技术措施对农业产出、资源利用和环境绩效的影响。然而，气候智慧型农业的结果不仅仅由个体技术或管理实践决定，还取决于农业生产的空间组织和农田基础设施的质量（Sklenicka, 2006）。在农田碎片化、灌溉系统欠发达、机械化程度有限的地区，资源配置往往效率低下，使农业系统更易受旱涝灾害影响（Wang et al., 2020）。在这些条件下，即使农民采用与气候智慧型农业相关的技术，薄弱的田间和基础设施条件也可能限制区域绩效的持续改善。因此，改善气候智慧型农业不仅需要技术采用，还需要应对农田布局和基础设施供给中的结构性约束。

土地整治提供了直接的政策工具来应对这些结构性约束。它旨在通过地块归并和基础设施升级优化土地利用结构，提高生产效率和生态承载力（Pa?akarnis and Maliene, 2010, Sklenicka, 2006）。就此而言，土地整治不仅仅是物理工程活动，更是一种塑造农田条件、要素配置和治理安排的制度干预。在中国现行农业政策体系内，高标准农田建设可被视为一种标准化、项目制和工程化的土地整治形式（Yin et al., 2024）。它将土地整治的关键要素转化为具体的干预措施，包括地块平整、改善田间道路连通性、升级灌溉和排水设施、提高土壤质量以及协调农田管理（Hao et al., 2024, Li et al., 2023）。由于这些干预措施具有公共品属性和正外部性（Yin et al., 2022），高标准农田建设可以缓解碎片化耕作体系下农场层面的技术采用约束，为气候智慧型农业提供更具连贯性的空间和运营基础。然而，现有针对高标准农田建设的研究大多聚焦于单一结果，如粮食产量、灌溉条件、机械化效率或环境效率（Hao et al., 2024, Huang et al., 2024, Li et al., 2023）。它们尚未解释这一公共工程干预如何在区域尺度上共同影响气候智慧型农业的三大支柱。这一差距表明，高标准农田建设评估应超越孤立指标，转向一个将农业生产压力、农田系统条件、政策响应和气候智慧型农业绩效联系起来的综合框架。

为弥合这一差距，本研究在压力-状态-响应框架的基础上增加了目标维度，发展出压力-状态-响应-目标框架。通过区分高标准农田建设作为政策实践与气候智慧型农业作为目标结果，该框架为考察公共土地工程政策如何塑造生产力、气候适应和碳减缓结果提供了基础。

中国是世界上主要农业生产国之一（Duan et al., 2021），在快速工业化和城市化进程中，面临着土地碎片化和资源约束趋紧带来的日益增长的结构性压力（Hao et al., 2023）。气候变化进一步加剧了这些压力，为生产效率和环境可持续性带来双重挑战（Yang et al., 2024）。湖南省既是中国重要的粮食产区，也是土地整治的重点区域（Zhang et al., 2021a）。除承担国家粮食安全角色外，该省还面临复杂的农业条件。与地势平坦、农田连片的平原农业区不同，湖南的特点是丘陵山地与湖平原交织的地貌格局（Meng et al., 2024）。这些条件使耕地碎片化、基础设施供给不均和机械化适宜性有限等问题更加突出。此外，频繁的旱涝灾害进一步使稳定生产和资源利用效率面临复杂局面（Wang et al., 2023b）。这些条件使湖南成为考察高标准农田建设能否通过工程化农田改良缓解土地约束、改善生产条件并提升气候智慧型农业水平的典型案例。因此，本研究使用湖南省122个县的 panel data 和综合实证策略，评估高标准农田建设对气候智慧型农业的影响并识别其传导机制。在此基础上，本研究做出三个主要贡献。第一，提出了基于压力-状态-响应-目标框架的综合分析视角，为理解高标准农田建设如何影响气候智慧型农业提供了系统框架。第二，构建了与气候智慧型农业三大支柱相一致的县级气候智慧型农业指数，为区域农业政策评估提供了综合测量工具。第三，提供了高标准农田建设政策强度变化如何影响气候智慧型农业的实证证据，并进一步解释了该效应发生的机制。研究结果为中国的农田基础设施建设以及农业的绿色低碳转型提供了政策启示，对其他发展中国家农业区域也具有借鉴意义。

**2. 理论框架**

**2.1 高标准农田建设的概念**

高标准农田建设已成为中国近年农业与土地治理改革中的一项重要政策举措（Ling et al., 2024）。其主要目标是通过综合田间重建和要素重新配置，改善耕地质量、提升生产能力并增强生态条件（Du et al., 2018, Zhou and Cao, 2020）。在20世纪80年代末启动的土地整治试点基础上（Zhang et al., 2021b），自2011年起，高标准农田建设按照统一的建设和运维标准实施，标志着从侧重"数量扩张"向"质量与可持续性导向"发展的转变（Hao et al., 2023）。在实践中，高标准农田建设将工程措施与制度设计相结合，通过土地平整、灌溉排水改善、田间道路及相关设施建设，形成连片、设施完善的耕地（Song et al., 2019）。在概念上，它重新组织农区内的土地、资本和技术，支持从碎片化小农经营向更集约化、标准化农业的转变，并建立了旨在支撑长期粮食安全的政策框架。

**2.2 基于压力-状态-响应-目标框架的高标准农田建设与气候智慧型农业关联框架**

在气候变化和温室气体压力加剧的背景下，农业管理和运营呈现出多目标、多约束和高度复杂的特征（Bhatti et al., 2024）。一方面，以集约化和高投入为特征的农业现代化提高了产量，但也对农业生态系统造成压力，产生内生性环境压力（Galappaththi et al., 2022, Ladwig et al., 2019）。另一方面，全球变暖和极端天气事件频繁化加大了生产风险（Rosa and Gabrielli, 2023, Wang et al., 2023a）。因此，农业既通过其活动施加环境压力，同时又受到气候变化及相关灾害的制约。这种双重性造成了一种结构性悖论，即农业既是施害者又是受害者（Wang et al., 2023a）。这种双重角色要求农业在粮食安全目标与环境可持续性之间取得平衡。

气候智慧型农业为重新定义农业发展目标提供了重要依据（Steenwerth et al., 2014）。其核心逻辑不在于简单增加农业产出，而在于将生产力提升、气候适应和碳减缓纳入统一的评估体系。这意味着农业发展应超越产出最大化，追求粮食安全、气候韧性和环境压力减轻的更加均衡整合（Jagustovi? et al., 2021）。为在统一分析框架内捕捉这种复杂性，本研究在经典压力-状态-响应模型的基础上增加明确的目标维度，发展出压力-状态-响应-目标框架。在该框架中，高标准农田建设被视为应对农业生产约束和改善农业生态系统条件的制度与工程干预，而气候智慧型农业则代表高标准农田建设预期推动的多维政策结果（图1）。

**图1. 气候智慧型农业的统一压力-状态-响应-目标框架**

具体而言，在压力-状态-响应-目标框架中，"压力"不仅指外部气候冲击，还包括农业现代化过程中高投入要素使用、资源消耗和环境负担产生的系统性约束。随着集约化、规模扩张和机械化推进，化肥和农药等投入品倾向增加，同时伴随高能耗的灌溉、耕作和收获作业（Li et al., 2022）。这些变化虽然提高了单位面积产量，但也加剧了农业面源污染、土壤退化和碳排放压力（Huang et al., 2025, Montesino Pouzols et al., 2014）。这些压力进一步改变了农田生态系统的"状态"，表现为土壤肥力下降、犁层退化、栖息地质量降低和生态系统调节功能减弱（Ekka et al., 2023）。因此，农业系统应对干旱、洪水和极端温度等气候冲击的能力被削弱（Webb et al., 2017）。

面对上述压力及相关农田条件变化，"响应"维度捕捉政策措施如何介入农田系统。作为一项政府主导的土地整治和农田基础设施政策，高标准农田建设改善了地块配置、灌溉条件、道路连通性和耕地质量（Zhou et al., 2020）。由此，农田系统从碎片化、低效率和脆弱的生产状态转向更加有序、稳定和自适应的配置（Hao et al., 2024）。然而，改善的农田条件并不必然转化为更好的气候智慧型农业绩效。

在经典压力-状态-响应模型中，响应通常涵盖政策行动、管理措施及其后续效应（Hughey et al., 2004）。这有助于描述从压力和状态变化到社会响应的系统反馈，但在实证评估中可能模糊政策干预与政策绩效之间的界限。因此，本研究在压力-状态-响应框架中增加了独立的"目标"维度，将高标准农田建设作为政策响应与气候智慧型农业作为目标结果分离开来。通过将政策响应与目标绩效分离，该框架为考察高标准农田建设能否将改善的农田条件转化为符合粮食安全、气候适应和低碳转型的综合气候智慧型农业绩效提供了分析视角。

**2.3 高标准农田建设与气候智慧型农业的关联机制**

基于压力-状态-响应-目标框架，高标准农田建设可被视为应对农业生产压力、耕地质量约束和气候风险的关键政策响应，而气候智慧型农业则代表这一响应的多维目标结果。在此基础上，本节进一步阐明高标准农田建设影响气候智慧型农业的逻辑和机制（图2）。

**图2. 高标准农田建设向气候智慧型农业的传导机制**

土地整治和农业基础设施改善构成了高标准农田建设影响气候智慧型农业的逻辑起点。

长期以来的制约因素，包括耕地细碎化、灌溉系统不完善、田间道路通达性不足以及机械化作业适宜性有限，限制了农业生产效率和气候适应能力（Cassman and Grassini, 2020）。通过土地平整、田块归并、灌溉设施改良和田间道路系统建设，高标准农田建设（HSFC）可以改善农田的空间结构与基础设施条件，从而为连片耕作、机械化作业和标准化管理提供更为坚实的物质基础（Duan et al., 2021）。根据规模经济理论，更为连片的田块和更好的机械化条件可以降低单位生产成本，提高要素配置效率，并在给定技术条件下增强生产稳定性（Wu et al., 2018）。因此，通过缓解耕地细碎化与基础设施约束，HSFC有可能提升农业生产效率，并增强农田系统应对旱涝灾害的能力。同时，土地平整与土壤改良有助于减少土壤侵蚀，增强土壤的水肥保持能力，为土壤碳积累和农田碳汇能力提升创造有利条件（Paustian et al., 2016）。完善的灌排系统也可缓解水资源约束和旱涝风险，提高灌溉水利用效率，并降低相关能源消耗和碳排放（Zhang et al., 2023）。因此，HSFC通过优化空间布局和提升耕地质量，有助于提高气候智慧型农业（CSA）表现。基于上述逻辑推演，本研究提出如下假设：H1：HSFC显著提高CSA表现。

在厘清HSFC与CSA之间的关联逻辑之后，本研究进一步检验其传导机制。基于HSFC政策内容和CSA目标，本文识别出三个机制：投入效应、技术效应和生境效应。它们分别对应资源投入优化、农业技术升级和耕地生境改善，共同构成HSFC提升CSA表现的主要路径。

第一，就投入效应而言，HSFC主要通过改善农业物质投入与产出之间的匹配关系来提升CSA。耕地细碎化和地块分散提高了农业投入品的管理成本，尤其是化肥和农药，并可能导致施用不均和资源浪费（Xiao et al., 2024）。从要素替代的视角看，改善后的土地条件、基础设施和管理体系在一定程度上可以替代高强度的物质投入，同时维持产出水平（Guo et al., 2022）。这使得农业产出更多地依赖于耕地质量提升、作业条件改善和要素配置效率提高，而非简单依赖化肥、农药等物质投入的高强度使用。据此，HSFC可以用改善后的生产条件替代部分低效的物质投入，从而降低单位产出所需的物质投入强度。随着投入使用效率的提高，农业生产在维持产出稳定的同时，可以减少资源消耗、碳排放和环境压力，从而提升CSA表现（Chen et al., 2014）。基于上述逻辑推演，本研究提出如下假设：H2：HSFC通过降低单位产出的物质投入强度来提升CSA表现（投入效应）。

第二，就技术效应而言，HSFC通过改善灌溉系统、田间道路和机械化条件，支撑农业生产的转型升级。根据诱导性技术变迁理论，基础设施改善是先进生产技术扩散和应用的前提条件（Lybbert and Sumner, 2012）。通过改善灌溉网络和机械化条件，HSFC降低了田间管理技术采纳的成本，推动农业生产由传统分散经营模式向更标准化、技术密集型模式转变（Duan et al., 2021）。这一过程提高了作业效率，稳定了产出，并增强了农业系统应对旱涝灾害的能力（Finger, 2023）。尽管技术和设备升级可能增加能源消耗，但效率提升和更强气候风险韧性可以部分抵消这一压力，从而提升CSA表现。基于上述逻辑推演，本研究提出如下假设：H3：HSFC通过推动农业技术与设备升级来提升CSA表现（技术效应）。

第三，就生境效应而言，农业生态系统理论指出，耕地不仅仅是粮食生产的空间，更是由土壤、水体、植被、生境和管理活动构成的复杂生态系统（Power, 2010）。农业生产的稳定性和生态系统的调节功能都受农田生态条件影响（Bommarco et al., 2013）。通过土壤改良、田块归并和生态管理，HSFC可以改善土壤肥力、水分调节能力和作物生长条件，为稳定生长和持续生产提供更坚实的生态基础（Huang et al., 2024）。同时，土地平整、田块坡度控制以及灌排系统改善有助于减少径流侵蚀和表层土壤养分流失（Song et al., 2022b）。这些措施还有助于增强耕地的生态稳定性和生境支撑能力，为植被生长和土壤碳封存创造有利条件（Imran, 2025）。与短期工程效益不同，土壤肥力、水分稳定性、植被生长和碳汇能力的提升可能在较长时期内持续存在（Poeplau and Don, 2015）。这些生态效益可能逐步释放，支撑CSA表现的长期改善。基于上述逻辑推演，本研究提出如下假设：H4：HSFC通过提升耕地生境质量来提升CSA表现（生境效应）。

3. 资料与方法

3.1 研究区域
湖南省位于中国中南地区（24°39′?30°08′ N，108°47′?114°13′ E），总面积约2118万公顷，约占中国国土总面积的2.2%（图3a）。全省下辖14个地级市、122个县（市、区）（图3b）。地形由南、东、西三面地势较高向北部倾斜，众多河流汇集于洞庭湖平原，形成了广阔而肥沃的冲积平原（图3c），为主粮产区的发展和稳定高产提供了良好的地貌条件。因此，湖南的用地格局呈现北部平原、中部丘陵、南部山区的空间梯度特征。耕地主要分布在洞庭湖平原和中部丘陵地区，形成连片且高密度的农业集中区（图3d）。到2022年，HSFC建设面积已达约439.7万公顷（图3e），其空间分布与该省主要粮食产区和灌区分布基本一致。

下载：下载高清图片（719KB）
下载：下载全尺寸图片

图3. （a）湖南省行政区域，（b）县级行政区划，（c）地形，（d）土地利用类型，（e）2022年HSFC建成区域分布

3.2 模型设定

3.2.1 连续型双重差分模型
高标准农田建设并非一次性的、同质化的政策冲击，而是一个具有不同强度、分阶段推进的政策过程。不同县区、不同年份在HSFC规模、进度和强度上的差异，反映了耕地条件、财政能力和建设任务的差异。因此，仅基于实施与否的二元双重差分（DID）设计可能会忽视政策强度差异，从而削弱效应识别能力。纳入政策强度后，连续型DID能够更准确地捕捉这些实施差异（Qian, 2008）。据此，本研究采用连续型DID模型，识别HSFC强度变化对CSA的影响。

模型设定如下：

(1) ??????????=??+???????????????×??????????????????+?????????+????+????+??????

其中，??????????表示地区??在第??年的气候智慧型农业指数；????????????表示HSFC强度的连续型度量；??????????????????为政策后虚拟变量，当??大于或等于政策实施年份时取值为1，否则为0；??????为控制变量向量；????和????分别表示地区和年份固定效应；??????为误差项。系数??反映HSFC强度对CSA表现的影响。

3.2.2 平行趋势检验
连续型DID设计的有效性依赖于平行趋势假设：在不存在HSFC的情况下，处理强度不同的地区将呈现相似的结局趋势。为检验这一假设，本研究采用事件研究法（Couch and Placzek, 2010），将方程(1)中的政策后虚拟变量替换为年份虚拟变量与连续型处理强度的交互项。在动态分析中，以2011年作为HSFC制度规范化的基准点。模型设定如下：

(2) ??????????=??+∑_{??=2003}^{2022}?????(????????????×????)+?????????+????+????+??????

其中????表示一组年份虚拟变量，其余变量与方程(1)一致。若政策前的交互系数在统计上不显著且围绕零值波动，则认为平行趋势假设成立。政策后的系数则用于检验HSFC对CSA表现的动态效应。

3.2.3 影响机制模型
为检验HSFC影响CSA的传导机制，本研究遵循Baron和Kenny（1986）提出的中介分析方法。基于理论分析，引入三个机制变量：投入效应、技术效应和生境效应。用以检验HSFC是否通过降低单位产出的物质投入强度、推动农业设备升级和改善耕地生境质量来提升CSA表现。回归模型设定如下：

第一阶段检验HSFC是否对拟议的机制变量产生影响：

(3) ????????=??+???????????????×??????????????????+?????????+????+????+??????

其中????????表示地区??在第??年的第??个机制变量，包括投入效应、技术效应和生境效应；其余变量与方程(1)一致。

第二阶段检验机制变量与CSA表现之间的关系：

(4) ??????????=??+???????????????×??????????????????+???????????+?????????+????+????+??????

其中??为待估计系数，捕捉机制变量与CSA表现之间的关系。其余变量与方程(1)和方程(3)一致。

3.3 变量定义与数据来源

3.3.1 因变量
明确CSA的评价范围对于评估HSFC的可持续性意义至关重要。结合中国农业发展背景与主粮产区的政策导向，本研究围绕粮食安全、气候适应和碳减排三大目标，构建县级CSA评价指标体系。粮食安全和气候适应反映HSFC在湖南省的核心政策目标，而碳减排则体现农业发展的环境约束与长期低碳转型需求。具体指标列于表1。

表1. 气候智慧型农业评价指标体系

CSA目标 变量 指标 正/负向 数据来源 参考文献

支柱一：保障粮食安全
单位面积作物产量 粮食总产量/粮食播种面积（kg/ha） 正向 湖南农村统计年鉴 （Fao, 2022, Loboguerrero et al., 2019, Ramasamy, 2017）
农民人均收入 农村居民人均可支配收入（103CNY） 正向
农业总产值 农业总产值（10?CNY） 正向
轮作指数 作物播种面积/耕地面积（%） 正向

支柱二：提升气候适应能力
水土保持强度 水土保持面积/耕地面积（%） 正向 湖南农村统计年鉴 （Branca et al., 2015, Fao, 2022, Issahaku and Abdulai, 2020, Noma and Babu, 2024）
受保护耕地比例 已建设防护堤长度/耕地总面积（km/103ha） 正向
受保护人口数量 受保护堤坝覆盖人口（10?人） 正向
灾害发生率 受灾面积/作物播种面积（%） 负向
农业保险密度 农业保险保费/作物播种面积（10?CNY/103ha） 正向
排水能力 排水面积/耕地面积（%） 正向

支柱三：缓解碳排放
碳排放强度 碳排放量/农业总产值（t CO?-eq/10?CNY） 负向 自测算 （Bhatnagar et al., 2024, Branca et al., 2021）
耕地碳汇强度 由年均值计算的耕地碳吸收强度 正向 GloFlux全球碳通量数据集 （Yuan et al., 2025）

注：农业碳排放强度采用排放因子法计算；耕地碳汇强度则基于GloFlux数据集中提取的县级年均净生态系统交换量（NEE）计算。详细参数、空间处理与计算公式见附录表A1。

指标处理方面，本研究采用主成分分析（PCA）整合各CSA维度内的指标，以降低相关变量间的冗余性（Jolliffe and Cadima, 2016）。由于三个CSA维度之间缺乏官方或广泛接受的权重标准，基线指数采用等权重方案。等权重并不意味着三个目标在政策上具有相同的优先顺序（Acosta-Alba et al., 2019），但作为基准以限制主观赋权。考虑到主粮产区粮食安全和气候适应的政策优先级，稳健性检验中亦采用其他权重方案，以评估对权重选择的敏感性。

综合CSA指数计算如下：

(5) ??????????=1/3?(????????+????????+????????)

其中??????????表示县域??在第??年的综合气候智慧型农业指数；????????、????????和????????分别表示粮食安全、气候适应和碳减排的子指数。

3.3.2 自变量
自变量为高标准农田建设（HSFC），反映农田改良的财政投入和空间范围。HSFC是在早期土地整理实践基础上的延续，代表在更为规范化的建设和管理框架下的进一步延续。考虑到政策的连续性，本研究在研究期内始终追踪项目投入和改良农田面积，2011年以前使用土地整理统计数据，此后使用HSFC统计数据（Liu and Lin, 2024）。衔接这两个政策阶段可以避免在连续的农田改良过程中出现人为断裂，延长观察期，并更好地捕捉农田改良的累积效应。

由此得到的指标提供了各县份逐年耕地改良强度的连续度量。3.3.3. 控制变量为解释气候、经济和政策条件等县际差异对CSA绩效的影响，本研究纳入三类控制变量：气候因素、经济因素和政策因素。这些变量捕捉了自然资源禀赋、经济发展水平和制度支持方面的差异，从而减少潜在的内生性偏差。详细的指标、数据来源及参考文献见附录2。附录2. 控制变量指标体系。类别变量指标数据来源参考文献自然环境与资源年均降水量（PI）年均降水量（mm）气候灾害组基础设施数据（Adnan et al., 2017; Jones and Thornton, 2013）年均土壤湿度（SM）年均土壤湿度（mm）带站降水数据（CHIRPS）年均土壤温度（STM）年均土壤温度（K）NASA全球陆地数据同化系统第2版（GLDAS-2）年均气温（TM）年均气温（K）NASA全球陆地数据同化系统第2版（GLDAS-2）农村发展水平人均GDP（PGDP）GDP/农业从业人员（%）《湖南农村统计年鉴》（Asare-Nuamah, 2021; Sharma, 2011）产业结构（IS）第一产业/地区生产总值（%）《湖南农村统计年鉴》作物结构（CS）经济作物面积/粮食作物面积（%）《湖南统计年鉴》城镇化进程（UP）城镇人口/常住人口（%）《湖南农村统计年鉴》政策支持农业财政支持力度（LFA）农林水事务支出/财政总支出（%）《湖南统计年鉴》（Huang et al., 2021; Wu et al., 2020）3.3.4. 机制变量为检验HSFC与CSA绩效之间的传导路径，本研究采用三个机制变量：投入效应、技术效应和生境质量效应。投入效应通过化肥、农药、农膜和柴油的单位投入强度来衡量，反映每单位农业产出的物质投入压力（Picazo-Tadeo et al., 2011）。技术效应以灌溉、机械化和农村能源指标来代理，反映支撑农业生产的科技条件。生境质量效应通过基于遥感的耕地生境质量指数来衡量，反映耕地生态状况和作物生长质量，而非自然生境的复杂性或生物多样性（Timmermans and Kissling, 2023）。具体指标见表3。附录3. 中介变量指标体系。类别变量指标数据来源参考文献投入效应单位化肥投入强度化肥消费量/农业总产值（%）《湖南农村统计年鉴》（Mkwambisi et al., 2016; Teklewold et al., 2019）单位农药投入强度农药消费量/农业总产值（%）《湖南农村统计年鉴》单位农膜投入强度农膜消费量/农业总产值（%）《湖南农村统计年鉴》单位农用柴油投入强度农用柴油消费量/农业总产值（%）《湖南农村统计年鉴》技术效应有效灌溉面积有效灌溉面积（103公顷）《湖南农村统计年鉴》（Hussain et al., 2021; Sikka et al., 2017; Van Loon et al., 2020）节水灌溉面积节水灌溉面积（103公顷）《湖南农村统计年鉴》农业机械总动力农业机械总动力（103千瓦）《湖南农村统计年鉴》农村用电量农村用电量（103千瓦时）《湖南农村统计年鉴》生境效应绿色归一化差值植被指数（GNDVI）植被绿色度/生物量代理变量（无量纲）Landsat 7/8/9地表反射率（C2 L2），GEE（Maguza-Tembo et al., 2017; Wu et al., 2022）湿度（WET）Tasseled Cap湿度分量（无量纲）Landsat 7/8/9地表反射率（C2 L2），GEE地表温度（LST）日/夜平均年均为值（°C）MODIS MOD11A2 V6（1公里，8天），GEE归一化建筑与土壤指数（NDBSI）建设用地与裸土干燥度（无量纲）Landsat 7/8/9地表反射率（C2 L2），GEE注：投入效应由化肥、农药、农膜和农用柴油的标准化单位投入强度的等权平均计算得出，各单项投入指标通过将相应物质投入量除以农业总产值来计算；技术效应基于有效灌溉面积、节水灌溉面积、农业机械总动力和农村用电量，通过主成分分析法构建；生境效应通过改良遥感生态指数（MRSEI）来衡量。4. 结果与讨论4.1. 基准回归为检验HSFC对CSA的整体效应，我们估计了连续DID模型，并在不同设定下评估结果的稳健性。结果见表4。第(1)列呈现未包含控制变量、使用常规标准误的估计结果，第(2)列纳入控制变量。第(3)列和第(4)列分别呈现使用稳健标准误的对应估计结果。无论采用常规标准误还是稳健标准误，也无论是否纳入控制变量，HSFC的估计系数均在1%的显著性水平上显著为正。在完全控制变量设定下，HSFC与CSA指数提升1.1–1.2个百分点相关。尽管绝对幅度较小，但该效应在各种设定下均具有稳健性，表明HSFC显著改善了县级CSA绩效。附录4. HSFC对CSA的影响。空白单元格常规标准误稳健标准误变量CSA (1)CSA (2)CSA (3)CSA (4)空白单元格系数标准误系数标准误系数标准误系数标准误HSFC0.012***0.0010.011***0.0010.012***0.0020.011***0.002PI---0.006***0.001---0.006***0.001SM--0.0020.001--0.0020.002STM---0.0070.007---0.0070.008TM--0.0090.006--0.0090.006PGDP---0.002**0.001---0.002***0.000IS---0.0010.001---0.0010.001CS---0.003***0.001---0.003***0.000UP--0.004*0.002--0.0040.003LFA---0.0010.001---0.0010.002常数项0.276***0.0060.274***0.0090.276***0.0020.274***0.010县级固定效应YYYY年份固定效应YYYYN2440244024402440注："*"、"**"和"***"分别表示在10%、5%和1%的显著性水平上显著。HSFC涉及大规模农田基础设施和产能投资。在确立其对CSA的总体正效应之后，我们进一步检验了其对CSA三个支柱——粮食安全、气候韧性和碳减排——的影响（图4）。结果表明，HSFC对粮食安全和气候韧性具有显著的正效应，系数分别为0.0367和0.0189，均在1%的显著性水平上显著。这些发现与HSFC政策通过土地平整、灌溉排水改良和田间基础设施升级来稳定粮食生产和增强农田韧性的重点方向相一致（Du et al., 2018）。下载：下载高清图片（147KB）下载：下载全尺寸图片图4. HSFC对CSA三个支柱的影响。相比之下，HSFC对碳减排具有显著的负效应，系数为?0.0072。这并不意味着农田建设与减排目标之间存在固有的矛盾，而可能反映了以基础设施为导向的农田改良与减排效益实现之间的时间滞后（Tian et al., 2024）。在研究期内，HSFC主要加强了农业生产的物质基础，包括田间可达性、机械化条件和灌溉排水能力。这些改善有利于粮食稳定和气候韧性，但也可能增加机械使用、能源消耗、灌溉相关投入及其他碳密集型活动（Zhuang et al., 2025）。值得注意的是，碳汇效应具有明显的时间累积特性（Berhane et al., 2020）。改良的农田生态条件通过土壤结构恢复、有机碳积累以及持续的植被-土壤过程来增强碳吸收，其效应往往需要一定的时间滞后才能显现（Kan et al., 2022）。因此，HSFC的生产力和适应性效益可能早于其减排效益出现。与Li et al. (2024) 的研究一致，碳减排更可能依赖于长期的生态改善、低碳技术和配套制度，而非仅仅依靠农田建设。4.2. 平行趋势为确保持续DID估计的可靠性，需要检验在HSFC实施前各县CSA是否遵循了不同的趋势。为此，本研究进行了事件研究分析，以评估HSFC对CSA的动态效应。如图5所示，处理前的系数波动但无系统性趋势。2011年之后，系数转为正值并总体上呈递增态势，表明HSFC的效应逐渐显现并随时间累积。值得注意的是，2006年前后较大的波动与中国农业支持政策的重大变化相吻合。取消农业税、最低粮食收购价和农业投入补贴可能在影响生产激励和投入决策（Wang and Shen, 2014）。鉴于这些并发的政策冲击可能混淆对前期趋势的评估，我们进行了额外的稳健性检验（图A1）。结果表明，处理后的系数从2011年起持续显著为正，且总体上随时间递增。此外，由于HSFC统计范围在2011年前后的变化可能影响时间上的可比性，我们使用2011–2022年一致定义的样本估计了一个双向固定效应模型（附录A2）。HSFC的系数仍然显著为正（β = 0.0106, p = 0.001），表明基准结果并非由统计范围变化所驱动。总体而言，这些发现支持了平行趋势假设，并为识别HSFC对CSA的动态效应提供了经验证据。下载：下载高清图片（122KB）下载：下载全尺寸图片图5. 平行趋势检验。4.3. 稳健性检验4.3.1. 使用替代CSA权重方案的敏感性分析为检验HSFC效应估计是否对CSA权重敏感，本研究使用不同的政策优先权重重建了CSA综合指数。除等权指数外，另外三种替代方案赋予粮食安全和气候韧性更高的权重。具体而言，粮食安全、气候韧性和碳减排的权重组合分别为45/35/20、50/30/20和40/40/20。结果表明，主要结论在不同权重方案下保持一致（附录5）。在包含控制变量及县级和年份固定效应的基准设定下，等权CSA指数的HSFC系数为0.0111。在替代方案下，HSFC系数仍为正值并在1%的显著性水平上显著，范围约为0.014–0.015。这表明HSFC对CSA的正效应并非由特定权重方案所驱动，在更好地反映主产粮区政策优先级的权重下仍保持稳健。附录5. 使用CSA绩效替代权重方案的稳健性检验。变量CSA-等权优先45/35/20优先50/30/20优先40/40/20HSFC0.011***0.014***0.015***0.014***PI-0.006***-0.0052**-0.005***-0.006***SM0.0020.0010.0010.001STM-0.007-0.009-0.009-0.009TM0.0090.0060.0070.005PGDP-0.002***-0.002***-0.002***-0.002***IS-0.001-0.001-0.001-0.001CS-0.003***-0.004***-0.004***-0.004***UP0.0040.0040.0040.003LFA-0.0010.0000.000-0.001常数项0.274***0.231***0.218***0.245***县级固定效应YYYY年份固定效应YYYYN24402440244024404.3.2. 空间DID检验相邻县份通常具有相似的资源禀赋、气候条件、农业生产体系和政策环境，因此CSA绩效可能表现出空间相关性。为检验这一可能性，我们首先对CSA指数进行了空间自相关检验。如附录A3和图A2所示，CSA表现出显著的正空间聚类，表明县级CSA绩效具有空间依赖性。该结果表明，除了传统的DID模型外，还需进一步检验空间依赖性是否影响HSFC政策效应的估计。在此基础上，本研究使用空间杜宾DID模型重新估计了HSFC对CSA的影响（Dubé et al., 2014; Zeng et al., 2023）。该模型使用县级邻接空间权重矩阵，并纳入了因变量、HSFC和控制变量的空间滞后项。如附录6所示，CSA的空间滞后项显著为正，证实了县级CSA绩效的空间相关性。在控制了空间滞后因变量、县级和年份固定效应、控制变量及其空间滞后项后，本地HSFC的系数仍为约0.011的正值，并在1%的显著性水平上显著。这与基准DID估计结果一致，表明在考虑空间依赖性后，HSFC的正效应仍然稳健。此外，HSFC的空间滞后项不显著，表明不存在稳定的县际政策溢出效应。这些结果表明，HSFC对CSA的影响主要是局部的，且基准发现在考虑空间相关性后未发生实质性改变。附录6. 使用SDM-DID模型的空间稳健性检验。变量SDM-DID (1)SDM-DID (2)邻县CSA绩效0.232***0.208***(0.028)(0.029)本地HSFC政策强度0.011***0.011***(0.001)(0.001)邻县HSFC政策强度-0.001-0.000(0.001)(0.001)控制变量NY空间滞后控制变量NY县级固定效应YY年份固定效应YYN24402440伪R20.8050.8134.3.3. 可观测选择偏差尽管基准DID估计显示HSFC显著改善了CSA绩效，但HSFC投资可能与县份的既有特征相关。农业基础更强、财政能力更大、气候风险更高或基础设施需求更迫切的县份可能更有可能获得农田建设投资。这些因素也可能影响CSA绩效，从而导致潜在的选择偏差。为减少样本选择偏差，我们采用PSM方法来降低混淆变量的影响（Blundell and Dias, 2009）。具体步骤包括：(1) 将HSFC和CSA的关键决定因素纳入匹配方程；(2) 通过Logit回归估计倾向得分；(3) 使用最近邻匹配（1:1, K=4）、卡尺匹配（0.05）和核匹配构建处理组和对照组。平衡性检验结果（图A3）显示，匹配样本的标准化偏差显著下降，表明匹配后处理组与对照组在可观测特征上的可比性有所提高。如附录7所示，在所有匹配方法下，HSFC系数均保持正值并在1%的显著性水平上显著。估计值接近基准结果，表明HSFC对CSA的正效应并非由县份间可观测的政策前差异所驱动。附录7. PSM分析：HSFC对CSA的平均处理效应。匹配方法HSFC系数标准误t值匹配后平均偏差观测值组内R2最近邻匹配（1:1）0.0081***0.00223.748.115400.5557最近邻匹配（K=4）0.0076***0.00223.4915.518000.5588卡尺匹配（卡尺=0.05）0.0081***0.00223.748.115400.5557核匹配0.0078***0.00213.6814.819800.5592均值0.0079——11.6——4.3.4. 排除同期政策冲击鉴于同期政策举措可能干扰因果识别，我们进行了进一步的稳健性检验，以评估研究期间可能存在的政策冲击。2014年，《湖南省气候变化中长期规划（2014–2020）》将高标准农田纳入省级气候战略，旨在通过灌溉基础设施和农艺改良实现减排与适应的双重目标，这可能产生叠加效应。

2018年发布的《乡村振兴战略规划（2018—2022年）》强调了废弃物循环利用、地膜回收和畜禽粪污管理，这些措施直接影响农业碳强度，并可能混淆估计结果。鉴于此类政策覆盖面广且影响渠道多元，仅靠年份或地区固定效应无法完全消除其结构性断裂效应。因此，我们分别剔除2014年和2018年，以及同时剔除两年，重新估计模型。如附录表A4所示，各设定下系数均保持正向且在1%或5%水平上统计显著，数值幅度稳定。这些结果证实，即使在考虑潜在政策干扰之后，高标准农田建设对农业碳汇的正面影响仍然稳健。

**4.3.5 安慰剂检验**

为排除模型设定可能产生的随机冲击或伪相关关系，我们开展安慰剂检验：随机移动高标准农田建设的实施年份，同时保持样本结构、控制变量及县域/年份固定效应不变。重复该程序1000次，得到双重差分系数的经验零分布。如图6所示，安慰剂分布以零为中心（均值=0；标准差=0.001），95%置信区间为[-0.0016, 0.0017]，未覆盖高标准农田建设的实际系数。这表明随机分配极不可能产生相似量级的效应。因此，高标准农田建设对农业碳汇的正向影响不能归因于偶然或同期冲击，进一步印证了基准结果的稳健性，并为后续机制分析和异质性分析奠定了坚实基础。

图6. 高标准农田建设与农业碳汇的安慰剂检验分析。

**4.4 异质性分析**

尽管基准回归显示高标准农田建设显著提升了农业碳汇，但其效应存在空间差异。由于农业碳汇表现取决于区域条件、经济发展水平和土地资源禀赋，各地将高标准农田建设投资转化为碳汇增益的能力可能各不相同。为此，我们从区位条件、经济发展水平和土地资源禀赋三个维度开展异质性分析，以揭示高标准农田建设效应的空间分布特征及差异化表现。

**4.4.1 区位异质性**

由于地方条件和发展阶段差异，农业政策的有效性通常存在区域差异（Pi?eiro et al., 2020）。为评估高标准农田建设对农业碳汇的异质性影响，我们依据土地利用政策文件将湖南省划分为四个子区域：长株潭地区、洞庭湖地区、湘中地区和湘西地区。结果显示存在明显的空间差异（表8）。四个区域的高标准农田建设估计系数均为正向，但幅度和显著性有所区别。其中，长株潭地区效应最强（系数=0.021，p < 0.001），其次为湘西地区和洞庭湖地区，显著系数分别为0.010和0.008。相比之下，湘中地区效应较弱（0.007），仅在10%水平上显著。这一模式表明，高标准农田建设在不同区位条件下均能提升农业碳汇表现，但效应大小取决于区域条件。长株潭地区较强的经济基础、公共服务能力和农业基础设施可能有助于将农田建设投资转化为碳汇增益（Ling et al., 2024）。洞庭湖地区作为重要农业生产区，同样受益于高标准农田建设，通过灌溉系统改善、田块连通和抗灾能力提升等方面贡献了更高的农业碳汇。尽管湘西地区相对欠发达，但改善基本农田条件的边际回报可能更为明显，因此高标准农田建设仍表现出显著的正向效应。相比之下，湘中地区效应较弱表明，高标准农田建设的有效性不仅取决于建设投资，还与地方农业基础、地形条件及支撑能力有关。

表8. 高标准农田建设对农业碳汇的区域异质性分析。

| 变量 | 长株潭地区(1) 农业碳汇 | 洞庭湖地区(2) 农业碳汇 | 湘中地区(3) 农业碳汇 | 湘西地区(4) 农业碳汇 |
|------|------|------|------|------|
| 高标准农田建设 | 0.021*** | 0.008*** | 0.007* | 0.010*** |
| 常数项 | 0.375*** | 0.361*** | 0.343*** | 0.387*** |
| 控制变量 | 是 | 是 | 是 | 是 |
| 县域固定效应 | 是 | 是 | 是 | 是 |
| 年份固定效应 | 是 | 是 | 是 | 是 |
| 观测值 | 483 | 504 | 819 | 756 |
| R2（组内） | 0.6848 | 0.6918 | 0.5648 | 0.487 |

**4.4.2 经济发展水平异质性**

县域经济发展水平决定政策吸收能力和配套资源可获得性（Ye et al., 2024），从而影响高标准农田建设对农业碳汇的效应。基于基线期（2003—2010年）人均GDP的三分位数，将各县分为低（≤P33）、中（P33—P66）和高（≥P66）三组。核密度分布（图7a）确认各分组间具有充足的共同支撑。在此基础上，我们在各子分组内重新估计了相同的DID模型，结果如图7b所示。各分组中高标准农田建设效应均为正向且统计显著，但幅度不同。高GDP县域效应最大（0.023，p < 0.01），可能因为较强的财政能力、更完善的农业服务和更完备的设施有助于将农田建设转化为碳汇增益（Suri, 2011）。低GDP县域（0.016，p < 0.01）中，高标准农田建设可直接缓解基础设施瓶颈，从而对农业生产和气候韧性产生相对较大的边际效益（Huang et al., 2024）。相比之下，中GDP县域效应较弱，表明当基础设施瓶颈已部分缓解但农业服务体系及配套投入仍然不足时，高标准农田建设的政策效益可能更为有限。

图7. 按县域收入水平划分的高标准农田建设对农业碳汇的异质性效应：(a) 经济发展水平的核密度分布，(b) 低、中、高收入水平组的平均估计值。

**4.4.3 土地资源禀赋异质性**

土地资源禀赋塑造农业潜力和政策有效性。耕地较少的县域可能具有更大的基础设施需求，但高标准农田建设效应同样取决于土地整理潜力（Jayne et al., 2014）。我们采用广义随机森林（GRF）（Wager and Athey, 2018）估计县域条件平均处理效应（CATE），并根据基线期人均耕地面积将各县分为低、中、高三组。如图8a所示，模型诊断结果为基于CATE的分组比较提供了基本支持。图8b显示，高标准农田建设效应随土地资源禀赋增加而增大。具体而言，高土地禀赋组平均CATE最高（0.018），其次为中禀赋组（0.015）和低禀赋组（0.009）。这表明耕地资源较丰富的县域能够通过土地整理、灌溉改善、机械化作业和区域统筹管理更好地将高标准农田建设投资转化为碳汇增益（Nguyen and Warr, 2020）。相比之下，低土地禀赋县域虽然基础设施需求可能更强，但零散且规模较小的耕地会限制大规模建设和统筹效应的发挥（Wang et al., 2020）。因此，关键问题不在于缺地县域是否需要高标准农田建设，而在于当地土地条件能否使高标准农田建设投资产生可测量的碳汇增益。

图8. 按土地资源禀赋划分的高标准农田建设对农业碳汇的异质性效应：(a) 县域CATE的GRF诊断结果；(b) 低、中、高禀赋县域组的平均CATE估计值。

**4.5 机制分析**

在确立高标准农田建设的总体效应及其稳健性之后，我们进一步考察高标准农田建设影响农业碳汇的潜在机制。基于连续DID模型，本研究构建逐步机制检验模型，考察投入效应、技术效应和生境效应。实证结果如图9所示。

图9. 高标准农田建设影响农业碳汇的机制分析。

首先，图9(2)报告了投入强度的机制检验结果。高标准农田建设显著降低了单位产量的农业投入强度（-0.0972，p < 0.01），而该投入强度对农业碳汇具有显著负向影响（-0.0056，p < 0.01）。这表明高标准农田建设通过降低单位产量的物质投入压力，对农业碳汇产生正向间接效应。该效应不应被解读为农业总投入的简单下降，而是生产条件改善后投入压力的降低。从农户生产决策角度而言，要素投入往往是受基础设施约束、生产风险和预期收益影响后的理性调整。已有研究表明，交通可达性、技术采纳的异质性回报和风险偏好均影响农户是否采纳现代农业技术以及如何配置化肥、农药等投入要素（Liu and Huang, 2013; Shamdasani, 2021）。当农田条件较差、灌溉排涝受限或田间道路不通时，农户可能增加化肥、农药等物质投入以弥补生产不确定性、灾害风险和管理效率低下（Hu et al., 2021; Ji et al., 2025）。高标准农田建设通过改善灌溉排涝、田块结构和田间道路，缓解生产约束，赋予经营者更大的投入配置优化空间。同时，改善的水利调控能力也有助于使水肥投入与作物需求相匹配，减少因旱涝风险或灾后补救而导致的重复或低效投入（Hashemi et al., 2024）。因此，投入效应的结果表明，高标准农田建设通过降低单位产量的补偿性投入压力来提升农业碳汇表现。

其次，图9(3)显示，高标准农田建设显著增强了技术效应（0.1241，p < 0.01），而该技术效应对农业碳汇的效应为正且在边际水平上显著（0.0049，p < 0.1）。这表明技术效应在高标准农田建设与农业碳汇关系中存在部分中介作用，但其对整体碳汇表现的贡献有限。这一结果与高标准农田建设的工程导向属性相一致。通过县域统筹建设，高标准农田建设将个体小农户难以独自提供的共享基础设施——包括灌溉排涝设施、田间道路和田块整理——纳入统一的投入与建设框架，从而改善公共生产条件（Wang and Huan, 2023）。这些改善有利于更大面积农田的田间管理，增强水资源调配、机械化作业可达性、运营效率和抗灾能力（Gebresilasse, 2023）。在丘陵山区与湖平原并存、土地碎片化与旱涝风险叠加的湖南，高标准农田建设改善了机械化作业的可达性和连续性，同时将零散田块重新组织为更适合标准化、稳定化管理的生产单元（Meng et al., 2024; Yin et al., 2024）。然而，田块重塑和田间平整可能暂时扰动土壤剖面结构和团粒稳定性，对土壤有机碳储量产生潜在的短期影响（Edlinger et al., 2023; Gao et al., 2021）。因此，技术效应不应被简单解读为设备升级，而应理解为生产条件改善所带来的生产力增益与工程活动可能伴随的短期土壤扰动并存。

最后，生境效应同样呈现正向传导模式。图9(4)显示，高标准农田建设显著提升了生境效应（0.0885，p < 0.01），而生境效应对农业碳汇具有正向影响（0.0054，p < 0.1）。在控制生境效应后，高标准农田建设对农业碳汇的直接效应仍显著为正。这表明高标准农田建设通过改善耕地生境质量，对农业碳汇产生了某种程度的生态互补效应。高标准农田建设的核心任务是提升耕地质量、改善生产条件和保障粮食安全。其生境效应不应等同于自然生境复杂度的广泛增加或生物多样性的提升，而应主要理解为耕地生态条件的改善（Bunemann et al., 2018; Xing and Wang, 2024）。相应地，高标准农田建设的正向生境效应主要来源于耕作层改良、田坡控制和土壤质量提升。这些措施可以降低地表梯度、打破犁底层、加深活性土层，改善土壤通气、入渗、保水和保肥能力，从而营造更稳定的作物生长环境，增强耕地生产系统的生态基础（Nawaz et al., 2013; Song et al., 2022a）。然而，正向生境效应并不意味着高标准农田建设与生态保护之间的张力完全消除。在某些地区，过度工程建设和大规模田块合并可能涉及沟渠和道路的硬化以及田间边界的简化（Clough et al., 2020）。这些变化可能削弱土壤—水体连通性，减少生态空间，包括田埂、小型湿地和半自然斑块（Gong et al., 2024）。已有研究表明，农业集约化往往导致景观简化和生物多样性丧失，而田间边界和半自然生境有助于维持农田生态系统服务，包括生物防治和水土保持（Holland et al., 2017; Tscharntke et al., 2005）。因此，生境效应应被视为一种有条件的生态协同效益。当高标准农田建设将田块整理与水土保持、生态沟渠、防护林、土壤质量提升和非点源污染治理相结合时，耕地生境改善更有可能产生稳定的碳汇增益。

总体而言，在纳入中介变量后，高标准农田建设对农业碳汇的直接效应仍然显著，表明投入效应、技术效应和生境效应构成了部分传导路径，而非完全解释了高标准农田建设的整体政策效应。

这表明确立高标准农田设计应超越基于工程的生产增益，更好地将投入使用效率与生态约束管理相结合。

5. 结论与政策启示

作为我国土地整治战略的重要组成部分，高标准农田建设是一项制度性和工程性干预措施，旨在提升粮食生产能力和农田条件。在日益严峻的气候风险和农业绿色低碳转型背景下，粮食主产区需要更好地协调生产稳定性、气候适应性和低碳转型。气候智慧型农业为这一问题提供了综合视角。本研究利用湖南省122个县2003年至2022年的面板数据，在PSRO框架内应用连续双重差分模型评估高标准农田建设对气候智慧型农业的影响，并进一步考察其维度效应、区域差异和传导机制。主要结论如下：

(1) 高标准农田建设对气候智慧型农业的正面效应在不同模型规格和稳健性检验中保持稳定，表明较高的高标准农田建设强度与气候智慧型农业绩效提升之间存在较为稳定的政策关联。

(2) 高标准农田建设对气候智慧型农业各维度的影响并不均衡。在粮食主产区，以工程为基础的农田建设更容易提升生产稳定性和适应力，而低碳绩效可能受到能源投入、建设活动及后续集约化使用的暂时制约。

(3) 异质性结果表明，高标准农田建设并不简单遵循薄弱地区获益更多的补偿性逻辑。其效应与当地吸收能力和土地整理条件密切相关。更强的财政能力、农业服务、基础设施和土地整理潜力有助于将农田建设成效转化为气候智慧型农业绩效。

(4) 高标准农田建设通过投入效应、技术效应和生境效应提升气候智慧型农业，尽管各效应强度有所不同。其效应不仅源于工程建设的扩展，还源于优化后的农田生产条件和单位产出更低的投入压力。

基于上述发现，本研究提出以下政策启示：(1) 将低碳转型融入高标准农田建设管理。在粮食主产区，应做到减排而不削弱粮食产能。已完成的高标准农田建设项目应推广节水灌溉、精准施肥、低碳机械使用和高效投入管理，以提高资源利用率和碳效率。(2) 协调工程建设与耕地生态改善。后续高标准农田升级应加强耕作层保护、水土保持、生态沟渠建设和农业面源污染控制。应避免过度硬化和田块边界简化，确保工程建设既能支撑粮食稳定生产，又能增强农田系统缓冲干旱和洪涝风险的能力。(3) 采取因地制宜的实施策略。应根据当地农业基础、财政能力、土地禀赋和基础设施差距，对高标准农田建设强度和标准进行差异化设定。基础较好的地区应聚焦建设质量和低碳效率，而基础较弱的地区应优先推进灌溉、排水、道路和土壤改良。

总之，高标准农田建设通过提高农业生产率和气候适应性来促进气候智慧型农业，尽管其碳减排效应可能面临短期制约。本研究的发现为土地整治政策如何重塑农业韧性提供了证据，并为农田基础设施治理和农业绿色低碳转型提供了政策启示。尽管研究聚焦于中国，但相关框架和发现也可能对其他发展中农业地区具有参考价值。

本研究存在以下局限。本研究主要基于县级面板数据估算高标准农田建设的政策效应，而机制分析捕捉的是可能路径，而非微观层面行为或长期生态过程。未来研究可利用农户调查、项目层面数据和长期生态监测来考察高标准农田建设的微观机制和长期效应。

作者贡献声明

姚瑶：原创草稿撰写、形式分析、数据整理、概念构思。凌丽思：数据整理。毕旭：形式分析。李春华：验证、监督、概念构思。陈雪媛：稿件审阅与编辑、监督、资金获取。Guy M. Robinson：稿件审阅与编辑。

资助

本研究由以下项目资助：国家自然科学基金（项目编号：NO.42271285），项目名称：汾河平原耕地破碎化对粮食生产技术效率的影响机制及其优化调控研究；中国工程院高端智库重点研究项目（项目编号：NO.2025-GDZK-11），项目名称：农村生活污水资源化利用风险评估研究；中国农业科学院科技创新项目（项目编号：NO.10-IAED-07–2026），项目名称：乡村规划理论与方法研究。

姚瑶|凌丽思|毕旭|李春华|陈雪媛|Guy M. Robinson