气候变化对农业用地价格的影响

《Land Use Policy》：Impact of climate change on agricultural land prices

　　•研究气候变化预测是否被反映在农业用地价格中
•使用与基于GIS的超级本地属性集成在一起的宗地级土地清单数据
•预计的温度上升与土地价格折扣相关，而降雨量的增加则与溢价相关
•超级本地特征比地区固定效应更能有效解释土地价格
•农村土地对气候变化的反应不同于城市化土地

1. 引言
尽管经历了工业化，农业用地仍对农业经济至关重要。例如，尽管农业对印度GDP的贡献不到20%，但它却雇用了全国40%以上的劳动力。在农村地区，农业用地往往是家庭资产的重要组成部分。然而，气候变化对农业生产率带来了严峻挑战。2014年，政府间气候变化专门委员会（IPCC）制定了代表性浓度路径（RCPs），提供了长期温度和降水变化的结构性预测。在像印度这样的热带气候条件下，这些预测的影响已经显现出来。根据联合国开发计划署（UNDP）的数据，不稳定的季节增加了农业生产成本，并加剧了牲畜的压力。气温升高阻碍了植物生长，这些因素已知会降低农业生产率（Prasanna, 2014; Madhukar et al., 2022; Jacoby et al., 2015）。2023年，热应激导致印度的农业生产损失超过了700亿美元。进一步的预测表明，到2100年，小麦和水稻的产量可能分别下降41-52%和32-40%。此外，在以农业为主的经济体中，气候变化会降低主权信用评级，从而提高整个经济的资本成本（Klusak et al., 2023）。生产成本上升、劳动力生产率下降、作物产量减少以及资本成本增加的综合影响可能对土地估值产生重大影响。最近的研究（例如Tingey-Holyoak et al., 2024）表明，气候变化会侵蚀长期存在的农业资产的价值，尤其是在那些作物对热应力或水分胁迫敏感的地区。现有文献将农业用地价格与农业生产联系起来。然而，由于净收入收益率（即年净产值/土地价值）较低（通常为1-2%（Das, 2023）），对于拥有土地的农民来说，土地价格的资本增值是财富创造的主要来源。除了生产之外，一些研究还探讨了农田估值对通货膨胀、商品周期、金融市场回报和天气模式的反应（Stokes and Cox, 2014; Tavares et al., 2022; Li, 2016）。另一类文献使用享乐模型，将土地价值视为其生产属性的函数，包括宗地大小、土壤生产力代理指标和当地租金（Chavas and Shumway, 1982; Borchers et al., 2014）。尽管这些研究为知识体系做出了重要贡献，但它们并未充分考虑气候变化的影响。

现有的许多关于气候变化的研究要么依赖于粗糙的地理单元，要么只关注无法充分捕捉替代用途和空间异质性的生产率影响。由于关于长期气候变化的信息已经广泛传播（Severen et al., 2018），农业用地市场必须将这些因素反映在土地估值中。然而，据我所知，关于气候变化如何影响农业经济体中宗地级土地价值的科学文献尚未得到充分记录。当大量人口将土地视为其主要资产时，研究估值变化就成为了一个重要的政策目标。缺乏这类研究的原因是，直到最近，这类经济体中可靠的农业用地价格数据还不适合学术研究。因此，印度的相关研究主要集中在气候变化严重程度的地理分布及其对农业生产的影响上。安得拉邦提供了一个有用的研究环境，可以考察气候变化与土地价格之间的关联。我们通过SFarmsIndia这个土地宗地汇总平台获取了该州大量土地价格数据。该邦拥有庞大的农业劳动力，在RCP4.5和RCP8.5情景下，预计的降雨量和温度变化存在显著的地区差异。州政府最近扩大了数字土地记录系统。SFarmsIndia提供的2019年至2024年间超过1500宗地的详细清单数据，使得可以估计出将土地价格与宗地属性、基础设施距离以及收入指标与气候预测联系起来的享乐模型。

本研究有几个重要贡献：这是首次将气候变化与印度农业用地价格联系起来的研究，并表明气候变量确实被反映在农业用地价格中。在RCP8.5情景下，降雨量的增加与价格溢价相关，而预计的温度上升则意味着显著的价格折扣，尤其是在农村地区。总体而言，价格的影响是负面的。尽管在RCP4.5情景下的信号较弱，但这主要是由于效应规模较小而非样本噪声所致。研究表明，宗地级别的位置优势比行政区划更能解释价格变动，表明微观位置属性在定价中比行政划分更为重要。该研究还系统地说明了价格形成的差异：低价宗地的表现更像农业资产，而高价宗地则反映了其转变为城市用途的潜力。

本文的其余部分安排如下：第2节介绍支持实证框架的背景文献；第3节描述数据；第4节介绍实证方法；第5节讨论各种模型的结果和稳健性测试，并呈现研究结论；最后一节强调研究的局限性，概述未来研究的方向，并提供总结性评论。

2. 背景
2.1. 农业用地估值
农业用地的净收益（以货币表示，占土地价值的百分比）通常很低，大约在1-2%之间（Das, 2023）。因此，追求资本增值会导致该资产类别的投机性估值（Stokes and Cox, 2014），使其对宏观经济因素敏感。通货膨胀、商品价格波动、天气、金融市场回报和房地产回报等因素是已知的农业用地价格决定因素（Tavares et al., 2022）。Li (2016)指出，农产品价格、利率以及对未来增长率和资本增值的不确定性驱动了农田价值。然而，这些已知或未知的、未被观察到的时间序列变化可以通过使用时间固定效应纳入定价模型。与Chavas and Shumway (1982)等早期研究一致，本文关注的是在横截面上具有特殊变化的决定因素。根据Drescher et al. (2001)的观点，农业用地价格受到农业生产属性和需求因素的影响。Borchers et al. (2014)发现，宗地大小和租金等因素也与土地价值相关。此外，收入和人口密度（Bigelow et al., 2020; Severen et al., 2018）也与估值相关。政治边界（如州界）在解释土地价格变动方面作用不大（Severen et al., 2018）。其他决定因素，例如距高速公路和城市的距离，会对估值产生负面影响（Bigelow et al., 2020; Tione and Holden, 2020）。

2.2. 替代用途
关于是否应将农业用地视为来自农业活动的现金流折现流值的观点一直存在争议。例如，农业用地的临时休耕期虽然减少了现金流，但可以提高其估值（Telles et al., 2018）。Chavas and Shumway (1982)认为，由于土地供应缺乏弹性，其估值应基于经济租金，而不是解决供需平衡问题，后者更适合非弹性商品。然而，该研究也指出，将农业视为唯一用途的单一方程估值方法是不恰当的。城市活动的存在（Kuethe et al., 2011）也会推高农业用地价格。即使宗地远离城市中心，外来干预（如新建道路、工业设施或旅游景点）也可能影响土地估值。农业用地的估值还受到延迟出售的实际选择权的影响（Li, 2016）。因此，即使一块土地没有耕种，其估值也可能因竞争性使用而上升（Drescher et al., 2001）。Borchers et al. (2014)提供了证据，表明农业回报只能部分解释农业用地的价值，因为宗地的多种非农业属性也对其价值有所贡献，包括距最近城市地区的距离、便利设施和树冠覆盖情况。

2.3. 享乐主义方法与李嘉图方法
农业用地估值研究可以采用两种方法：享乐主义方法和李嘉图方法。享乐主义模型可以通过市场机制估算个别土地属性如何反映在观察到的土地价格中（Chavas and Shumway, 1982）。相比之下，李嘉图方法直接将气候变量与农业用地租金或农场收入联系起来，以推断气候变化的生产率影响（Mendelsohn et al., 1994）。换句话说，李嘉图方法强调农业盈利能力，而享乐主义方法则捕捉了可能反映城市化压力、基础设施接入和投机预期的更广泛的市场估值。Mendelsohn et al. (1994)指出了李嘉图方法的若干局限性。例如，气候变化降低了降雨的可预测性，增加了生产成本。但李嘉图方法没有包括调整成本。本研究采用了一种前瞻性的享乐主义资本化框架，在这种框架下，预期的气候风险已经体现在土地价格中。

2.4. 代表性浓度路径
2007年，政府间气候变化专门委员会（IPCC）邀请全球科学界为其第五次评估报告（AR5）创建新一代气候情景，该报告于2014年发布。研究人员将这些情景称为“代表性浓度路径”（RCPs）。这些情景不是直接规定社会经济假设，而是描述了到2100年不同温室气体浓度轨迹下的辐射强迫水平。科学家从现有文献中选择了四个RCP，分别代表2.6、4.5、6.0和8.5瓦/平方米（W/sqm）的辐射强迫水平。每个RCP都是由综合评估模型（IAMs）生成的，这些模型模拟了与目标强迫水平相符的二氧化碳、甲烷、氧化亚氮和土地利用变化。科学家使用以W/m2表示的辐射强迫来衡量自然和人为因素如何改变地球的能量平衡（相对于工业化前水平）。正辐射强迫表示地球变暖。RCPs代表了在不同人类影响水平下的可能未来情景，其中RCP8.5代表了最不平衡、高排放的路径。Prabhu et al. (2025)在能源、环境和水资源委员会（CEEW）的工作中，将未来时间段（例如2021-2050年）与历史基准（即1990-2019年）的数据进行了比较，以估计印度几个地区的温度（近地面平均气温差异）和降雨量（平均降水量相对百分比差异）的预测变化。他们绘制了RCP4.5（和RCP8.5）的变化图，结果显示，印度南部半岛（安得拉邦所在地区）的降雨量将增加5-20%（10-50%），气温将上升0.8-1.6°C（1.2-2.2°C）。

2.5. 降雨量
印度的农作物主要分为两个季节：Kharif季节在雨季（6-7月）播种并在秋季（9-10月）收获，而Rabi季节在雨季后的冬季（10-11月）播种并在春季（3-4月）收获。这两个季节对降雨量的反应不同。Kharif作物受降雨量变化的影响较大；降雨量增加（减少）会导致产量增加（减少）。Rabi作物对雨季后的降雨量变化不那么敏感（Prasanna, 2014）。Prasanna (2014)还指出，总体而言，降雨量减少会损害农作物。然而，降雨量增加的影响是复杂的。城市基础设施和交通网络在强降水事件、洪水和侵蚀中承受更大的压力。在某些地方（例如越南湄公河三角洲），RCP4.5和8.5可能导致雨季降雨量增加，从而导致地下水位下降（Shrestha et al., 2016）。然而，对于农业来说，适度的降雨量增加可能会减少对地下水的依赖并提高作物产量。安得拉邦的正常降雨量为700-800毫米。根据S.和Murthy (2022)的研究，气候变化预计会同时增加两个季节的降雨量，尽管这种增加是不对称的。Maiti et al. (2024)估计，印度的最佳降雨量阈值为约1620毫米。因此，安得拉邦的农作物应该能从额外的降雨中受益最多，增幅可达100%。另一方面，气候变化可能仅导致安得拉邦降雨量增加45%。因此，气候变化可能会导致作物的降雨量适度增加。

2.6. 温度
最近的研究（如Madhukar et al., 2022）指出，由于生长季节温度上升，印度的一些地区面临着严峻挑战。相比之下，在青藏高原，温度和降雨量的增加可能会提高草原的生产力（吴等人，2013年）。在美国，Severen等人（2018年）发现，生长季节温度的上升是土地价值最强烈的负面预测因素。即使在纽约这样的寒冷州，较高的温度也与生产者报告的显著较低的价值相关（Bigelow等人，2020年）。三十年的变暖将使印度农村的农业生产率下降7-13%（Jacoby等人，2015年）。全球变暖对造林产生不利影响。在中纬度的热带地区，造林无法充分抵消变暖效应（Davies-Barnard等人，2014年）。无论是在RCP4.5还是RCP8.5情景下，温度上升的负面影响都取决于作物和预期的增幅。例如，喀拉拉邦的内陆地区可能会受益，而沿海地区可能会受到负面影响。如果农业土地的价值取决于作物生产力，那么全球变暖的影响将在地理上具有差异性，必须相应地进行研究。

3. 数据
本研究的数据涵盖了印度安得拉邦大部分沿海地区，如图1所示。尽管观测数据集中在中部（州首府阿马拉瓦蒂以及贡图尔和克里希纳地区）和西南部地区（例如距离班加罗尔较近的阿南塔普尔），但所有地区的代表性都足够。附表7提供了按地区划分的观测数据明细。我收集并匹配了来自多个来源的数据。表1描述并总结了这些数据。主要的数据来源是SFarmsIndia，这是一个用于列出待售农业地块的平台。SFarmsIndia会对这些列表进行尽职调查，以确保其真实无误且直接来自所有者（而非经纪人）。

图1. 安得拉邦地图上列出的地块
数据来源：SFarmsIndia
表1. 模型中使用的变量描述
变量 描述 来源 均值 标准差 最小值 最大值
LandValue（印卢比10万） 列出的地块价格 SFarmsIndia 490 992 3.0 16,000
Acreage 地块面积（英亩） SFarmsIndia 21.6 117.5 0.0 4000
Irrigated 是否有灌溉设施 SFarmsIndia 0.9 30.0 0.07 0.1
Distances in Miles 距离最近机场的距离 Airport Authority 45.7 24.5 2.5 135.9
ULB 城镇/城市 Census, Author 11.3 6.5 0.0 37.5
Railway Station 主要（A1级别）火车站 Indian Railways 70.5 47.6 3.8 206.6
Kisan Mandi 农产品市场 Multiple 9.4 5.9 0.0 155.4
Highway 高速公路 Google 1.0 73 1.3 0.0 17.9
High 1英里内的高收入城市人口 ESRI 40.5 116 1.7 19,395

预计未来30年的气候变化RCP 4.5（温和变化）：
- 降雨量变化（%） CSTEP 10.6 3.6 62.1
- 最高温度变化（°C） CSTEP 0.4 13 0.2 0.7

备注：该表格提供了2019年至2024年间安得拉邦13个地区1523个观测点的农业土地列表数据。分析单位为待售的农业地块。ULB是指城市立法机构（如市政公司、市议会等）。最近的火车站根据印度铁路的分类属于A1级别。RCP代表“代表性浓度路径”，反映模拟的气候变化。RCP4.5模拟温和的变化，而RCP8.5模拟严重的变化。CSTEP是指印度科学技术政策研究中心（CSTEP）2022年的报告。

安得拉邦为研究气候变化如何影响农业土地价格提供了有效的环境。尽管SFarmsIndia的列表覆盖全国，但数据目前主要集中在南部各州，而安得拉邦是覆盖最全面的省份之一。此外，印度科学技术政策研究中心（CSTEP）对安得拉邦多个地区的气候变化进行了广泛报道。
大约45%的劳动力从事农业工作，这一比例与全国平均水平相当。然而，农业贡献了该州GDP的29%，而全国平均为18%。在“YSR Bhoo Raksha”计划下，州政府进行了全面的土地地块调查和测绘。该州的“Rythu Bharosa”计划为农民家庭提供投资支持。该州的土地记录门户支持检索所有权、变更和调查编号数据，从而提高了土地交易的透明度。此外，与其他气候影响相对均匀的印度地区相比，我们观察到安得拉邦各地区的差异显著，这使我们能够进行有意义的实证分析。更重要的是，该州提供了超过1500个农业土地列表，数量在全国范围内名列前茅。

在2019年至2024年间所有可用的列表中，我选择了CSTEP报告涵盖的地区的观测数据。除了埃尔鲁鲁和NTR两个地区外，所有地区都包含在样本中。最终的数据集包含1523个观测点。每个观测点都包含了列表日期、列出价格（“LandValue”）、地块面积（“Acreage”）、农场类型（如农业用地或果园）、灌溉设施的可用性以及地理坐标（村庄、地区、纬度、经度、邮编）等信息。样本中的平均地块面积为21.6英亩，范围从0.04英亩到4000英亩不等。土地价值的平均值为4900万印卢比，每英亩的平均价值约为800万印卢比。93%的列出地块有灌溉设施；88%是农业用地；9%是果园；3%是非耕地。附表7按土地类型、列表年份和地区划分了样本，这些在关于模型的控制变量中作为虚拟变量使用。

关于LandValue的一个问题是，它捕捉的是要价而非均衡价格。另一方面，印度的房产买家在官方报告中经常低估交易价格（Dutta等人，2024年）。Das等人（2019年）认为，由于不同的印花税和当地规范，低估的程度在不同地区之间存在系统性差异。因此，官方记录的交易价格是均衡价格的噪声代理。只要要价和交易价格遵循相似的分布，并且有所偏移，那么要价的变化就可以作为均衡价格的代理进行统计推断。我通过分析平台提供的投标数据来验证这一假设。只有少数卖家和买家使用平台的投标服务。在这些情况下，平台会跟踪潜在买家依次放置的投标日期和金额。附表7展示了98个列表的投标统计信息，附图6提供了相应的图形解释。几项最近的研究（如Dutta等人，2024年；Ghosh等人，2024年）在学术文献中使用了此类数据。

我使用ESRI的地理信息系统（GIS）工具，通过添加到最近便利设施的距离来进一步丰富数据。这需要为城市立法机构（ULB，如城镇和城市）、主要火车站、农产品市场（“Kisan Mandi”）和高速公路创建单独的地理编码层。这些层的数据是从各种政府和非政府公共来源手动收集的。GIS分析将地块与这些层中的最近点进行匹配，并估算到这些点的驾驶距离。平均而言，待售地块距离最近的高速公路1英里，距离农产品市场11英里，距离城市立法机构9英里，距离机场48英里，距离火车站71英里。

CSTEP提供了未来30年每个地区的降雨量和温度变化的模拟预测。在这些预测中，不同地区之间存在显著差异。在RCP4.5（RCP8.5）情景下，最高年平均温度增幅分别为0.4°C（1.2°C）。同样，RCP4.5和RCP8.5下的年降雨量增幅分别为11%和21%。图2展示了RCP8.5情景下各地区降雨量增加的百分比变化。北部地区的降雨量预测值通常高于南部地区。然而，共享边界的地区之间也存在显著差异。同样，图3绘制了夏季最高温度增幅的变化。极端温度和降雨量预测之间存在一定的相关性，尽管这种相关性较弱。例如，在RCP8.5的预测下，斯里卡库拉姆预计温度增幅最大，但降雨量增幅较低。

我使用混合模型（hedonic models）来估计土地地块价格，其中考虑了地块属性（L）、到便利设施的距离（D）、地区人口统计特征（G）和气候变化预测（CC）。此外，我还使用年份固定效应（T）来控制趋势。
基线模型如下：
(1) ????2(??) = ?? + ??1?? + ??2?? + ??3?? + ??4?? + ??
因变量以其自然对数形式包含在内。L是一个(N x i)矩阵，表示地块大小和财产类型（作为虚拟变量），其中N是样本量，i是这些变量的数量。??是回归系数估计向量。矩阵D包括到最近机场、农产品市场（Kisan Mandi）和高速公路的距离。G地区控制项以两种方式指定：a) 作为虚拟变量表示地区；b) 作为两个特征的组合，即农业强度和地区的每户购买力。T包括年份固定效应的虚拟变量（2020年至2024年）。

气候变化模型包括RCP4.5和RCP8.5的气候变化预测（CC），用于降雨量（全年和两个季节）和最高年平均温度：
(2) ????2(??) = ?? + ??1?? + ??2?? + ??3?? + ??4?? + ??4???? + ??
在方程(2)中，RCP4.5和RCP8.5通过两个独立模型指定。

5. 结果与讨论
5.1. 基线模型
首先，我分别为每个地区运行了混合模型。图4展示了基线混合模型（方程1）的结果。R2值在50%到80%之间变化。颜色代码基于模型的解释能力（R2）：颜色越深，表示预测能力越强。换句话说，使用地区级数据的预测在某些地区比其他地区更准确。2014年，安得拉邦从特伦甘纳邦分离出来成为一个独立的州，阿马拉瓦蒂被宣布为州首府。阿马拉瓦蒂周围的地区（包括贡图尔、克里希纳和西戈达瓦里）显示出更高的R2值。新首府的出现似乎将土地从纯粹的农业资产重新分类为投资级商品，吸引了实施更标准化和透明定价规范的机构参与者。同样，东戈达瓦里、维萨卡帕特南和克里希纳等沿海地区也表现出相对较高的解释能力。这可能表明，高交易量和竞争市场压力促进了更合理的价格形成。在有可靠灌溉设施的地区，土地价格更容易用标准的混合变量进行预测。东戈达瓦里（受益于广泛的运河灌溉系统）与依赖雨水灌溉的维齐亚纳加拉姆等地区之间的对比进一步强化了这一逻辑。库尔努尔和阿南塔普尔等地区的较低R2值与该地区长期缺水的情况一致。在这些市场中，土地价格受到地下水可用性的强烈影响，特别是井的深度，这每年随降雨量波动。值得注意的是，尽管这些地区的样本量相对较小，但土地价格仍具有较高的可预测性。由于模型规格相同，这表明模型的统计显著性并非由样本量决定。

这种混合模型的一个局限性是我们无法将定价方程推广到所有地区。因此，在下一步中，我将所有地区的观测数据合并到一个样本中，并使用地区固定效应来控制地区间的异质性。结果如表2所示。因此，模型(1)包括地区固定效应、财产类型和到最近城市立法机构的距离。虽然该模型解释了因变量方差的53%，但它限制了我们区分气候变化预测和地区固定效应的能力。

表2. 农业土地价值的基线模型
空单元 因变量：log(Land Value)
(1) 0.66 *** (0.02)
(2) 0.71 *** (0.02)
Fruit Farm 0.06 (0.06)
0.06 (0.06)
Non-Cultivated 0.61 *** (0.17)
0.79 *** (0.17)
ULB_Miles -0.04 *** (0.003)
-0.02 *** (0.004)
Airport_Miles -0.01 *** (0.001)
Railway_Station_Miles -0.002 *** (0.001)
Kisan_Mandi_Miles -0.004 (0.005)
Highway_Miles -0.14 *** (0.02)
National Highway 0.27 *** (0.04)
National Expressway 1.18 *** (0.17)
Constant 4.17 *** (0.15)
4.79 *** (0.14)

年份固定效应 是 是
地区固定效应 是 否

观察数 1523 1523
R2 0.53 0.53
调整后的R2 0.53 0.59
残差标准差 错误0.88 (自由度 = 1500) 0.81 (自由度 = 1506) F统计量77.90*** (自由度 = 22; 1500) 140.02*** (自由度 = 16; 1506)
注意：该表格展示了2019年至2024年间印度安得拉邦13个地区农业土地 listing 数据的OLS回归分析。Acreage表示地块的面积（以英亩计）。ULB表示城市立法机构（例如，市政公司、市政委员会、军区委员会等）。HighUrban表示地块周围一英里内的高收入城市人口。*p < 0.1；**p < 0.05；***p < 0.01。括号内为HC1稳健标准误差。

5.2. 区域普遍性
一个更具普遍性的模型应将区域固定效应分解为微观位置特征。因此，模型（2）用地块与各种相关设施的距离以及最近高速公路的类型替换了区域固定效应，这一方法基于早期的研究（如Bigelow等人，2020年；Tione和Holden，2020年）。尽管模型（2）的自由度较低，但它解释了因变量60%的方差。这表明与区域政治边界相比，地块的微观位置属性是其价值的更强预测因子，这一发现与Severen等人（2018年）的研究结果一致。换句话说，去除区域固定效应并不会削弱模型的解释能力。这使得预测模型在样本所包含的13个区域之外也具有普遍性，至少在同一州内是这样。更重要的是，用区域级气候预测替换区域固定效应使模型与气候变化与土地价格之间关联的核心研究问题保持一致。

在三种模型中，地块面积（Acreage）每增加1%，地块价格大约上涨0.7%，表明单价随面积的增加而降低。未开垦的土地售价高出80-120%，且这种差异在统计上显著。出售的未开垦土地通常位于道路、街道、巷道或适合非农业用途（如建筑）的当地交通路线附近，这解释了其较高的价格。尽管水果农场的价格也高出5-6%，但这种差异在统计上并不显著。距离最近的城市立法机构（ULB）一英里会导致价格下降2-4%。距离意味着高运输成本，从而抵消了价格优势。同样，距离最近的机场和主要火车站（A1等级或以上）一英里也会导致价格分别下降1%和0.2%。有趣的是，距离农民批发市场（Kisan Mandi）的距离对价格没有显著影响。地块价格对距离最近高速公路的距离最敏感：每增加一英里，价格会下降12-15%。如果最近的高速公路是国家高速公路，地块的价格会高出约30%。然而，高速公路的价格溢价超过两倍（130%）。国家高速公路通常是连接主要国家级节点的高速收费道路，提供更好的交通条件，因此这类地块具有很高的非农业用途潜力（如住宅和商业地产），从而导致显著的价格溢价。

5.3. 气候变化的影响
鉴于基线模型对地块定价的可靠性，下一步是研究预测气候变化对定价的影响。表3展示了相关结果。文献综述提供了一些相互矛盾的信号：降雨引起的洪水对城市土地不利，但可能对农业土地有利。尽管样本中的所有土地地块都被归类为农业用地，但这种分类受到当前地方政府政策的影响。然而，一些地块可能因其潜在的非农业或城市用途而进行交易。这种现象在城郊地区或预计会出现新城镇的地区更为明显。为了控制城市化的影响（Bigelow等人，2020年；Severen等人，2018年），我在模型中加入了另一个变量HighUrban，即地块周围一英里内的人口数量，这些人口具有高收入和城市特征。正如预期的那样，城市化与显著的价格溢价相关。

表3. 气候变化预测的影响

因变量：log(Land Value)

（此处表格内容未完整提供，故无法翻译剩余部分）

模型（1）通过RCP4.5路径模拟研究了气候变化的影响。第二个模型研究了RCP8.5路径。RCP4.5设计为温和的气候变化情景，其中降雨和温度的增幅系数都不显著。然而，RCP8.5路径显示了土地价格的显著和明显变化。预计降雨量增加1%会导致价格溢价3%，而温度每升高1摄氏度会导致价格折扣47%（???0.63=0.53=1?0.47）。关于温度升高的发现非常显著。

气候变化的RCP预测针对不同地区是具体的。如果在同一地区内4.5和8.5路径的预测比例相当，那么两个模型应该会得出类似的结果。然而在样本中，同一地区的预测在不同路径下的相关性并不高：降雨量增加的相关性为68%，而温度增加的相关性为负（-66%）。因此，不同的发现并不矛盾：RCP8.5产生了更大的平均变化和更极端的值，从而提高了气候风险的统计显著性。为了评估在RCP4.5和RCP8.5下气候变量的估计效应是否具有统计显著性，我在进行蒙特卡洛功效模拟时考虑了样本大小、噪声水平和观测到的预测变量分布。使用拟合的回归模型作为数据生成过程，我保留了每个RCP情景的原始设计矩阵和系数，并通过添加从模型标准误差估计的方差的正态分布残差来反复模拟Ln(LandValue)。在1000次模拟中，降雨和温度系数显著的比例提供了统计功效的实证估计。结果表明，检测RCP8.5效应的功效很高，而检测RCP4.5效应的功效则显著较低。这验证了在观察到的噪声水平下，较弱、变化较小的气候变化难以检测的推测。

5.4. 稳健性测试
5.4.1. 不同价格段的价格差异
基于上述发现，自然会质疑定价模型在不同价格段的有效性。虽然样本中的大部分观测值是出于农业目的进行交易的（并且属于较低价格段），但也有许多是出于潜在的城市用途进行交易的。为了了解定价模式在这些价格段中的变化，我估计了一个分位数回归模型（公式2），并在表4中按因变量的分位数展示了结果。较低的（较高的）分位数（例如0.2、0.3等）分别对应较低（较高）价格段的定价方程。为了简化，可以将较低的分位数视为“农村段”，较高的分位数视为“潜在城市（PU）段”。研究结果支持这一推测。

表4. 分位数回归模型

（此处表格内容未完整提供，故无法翻译剩余部分）

注：该表格展示了2019年至2024年间印度安得拉邦13个地区农业土地listing数据的OLS回归分析。RCP代表“代表性集中路径”，反映了模拟的气候变化。RCP4.5模拟了轻微的气候变化，而RCP8.5模拟了严重的气候变化。Acreage表示地块的面积（以英亩计）。ULB表示城市立法机构。HighUrban表示地块周围一英里内的高收入城市人口。*p < 0.1；**p < 0.05；***p < 0.01。括号内为HC1稳健标准误差。

水果农场在农村段的售价有显著溢价（13-19%），但随着价格段的提高，溢价会降低。在潜在城市段，溢价变为折扣，尽管不那么显著。同样，未开垦土地的溢价随着从农村段向潜在城市段的转变而增加。与农村段相比，潜在城市段对距离机场、ULB和高速公路的距离更为敏感。对火车站距离的敏感度逐渐减弱，在潜在城市段几乎消失。只有农村段对距离Kisan Mandi的距离敏感。此外，潜在城市段因其靠近国家高速公路和国家高速公路而获得显著的价格溢价。

5.4.2. 不同价格段的价格差异
鉴于上述发现，自然会质疑定价模型在不同价格段的有效性。虽然样本中的大部分观测值是出于农业目的进行交易的（并且属于较低价格段），但也有许多是出于潜在的城市用途进行交易的。为了了解定价模式在这些价格段中的变化，我估计了一个分位数回归模型（公式2），并在表4中按因变量的分位数展示了结果。较低的（较高的）分位数（例如0.2、0.3等；例如0.7、0.8等）分别对应较低（较高）价格段的定价方程。为了简化，较低的分位数可以视为“农村段”，较高的分位数可以视为“潜在城市（PU）段”。研究结果支持这一推测。

注：该表格展示了2019年至2024年间印度安得拉邦13个地区农业土地listing数据的分位数回归分析。RCP代表“代表性集中路径”，反映了模拟的气候变化。RCP8.5模拟了严重的气候变化。Acreage表示地块的面积（以英亩计）。ULB表示城市立法机构。HighUrban表示地块周围一英里内的高收入城市人口。*p < 0.1；**p < 0.05；***p < 0.01。括号内为标准误差。

重要的是要强调，样本中的所有地块都被归类为“农业用地”，因此按定义属于农村地区。解决这个问题是本文中分位数回归分析的核心动机。分位数框架允许定价方程在较低价格段（主要是农村地块）和较高价格段（主要是正在城市化的地块）之间系统地变化。然而，分位数是对分割的一种实用但不完美的定义。

水果农场在农村段的售价有显著溢价（13-19%），但随着价格段的提高，溢价会降低。在潜在城市段，溢价变为折扣，尽管不那么显著。同样，未开垦土地的溢价随着从农村段向潜在城市段的转变而增加。与农村段相比，潜在城市段对距离机场、ULB和高速公路的距离更加敏感。对火车站距离的敏感度逐渐减弱，在潜在城市段几乎消失。只有农村段对距离Kisan Mandi的距离敏感。同样，潜在城市段因其靠近国家高速公路和国家高速公路而获得显著的价格溢价。此外，潜在城市段还因其靠近高收入城市人口而获得较高的溢价，而在极端农村段这一优势不明显。

与气候变化相关的主要变量是：（1）预计的降雨量增加百分比（Rainfall.RCP8.5）和（2）夏季最高温度的升高（Temp.Max.RCP8.5）。然而，不能孤立地研究温度和降雨量的增加效应，因为气候变化引起的降雨量和温度的增加是同时发生的。表5展示了降雨量和温度变化对农业土地价格的综合影响。为了便于解释，第20百分位数被标记为“农村”，第60百分位数被标记为“城市化”。表格排除了较高百分位数的估计，因为在这些水平上温度系数不显著。

表5. 气候变化对不同价格段农业土地价格的影响

注：该表格展示了2019年至2024年间印度安得拉邦13个地区农业土地listing数据的分位数回归分析。RCP代表“代表性集中路径”，反映了模拟的气候变化。RCP8.5模拟了严重的气候变化。Acreage表示地块的面积（以英亩计）。ULB表示城市立法机构。HighUrban表示地块周围一英里内的高收入城市人口。*p < 0.1；**p < 0.05；***p < 0.01。略高于中位数的价格区间，负面影响较为明显（即33-35%的折扣）。有趣的是，较低价格区间的地块似乎能从最大的气候变化预测中受益，而中位数及以上价格区间的地块则预计会面临价格折扣。5.5. 异方差性和空间效应在RCP8.5气候情景下，预测的最高温度系数在基准OLS模型中是负的，并具有统计学意义，表明未来温度的升高与土地价值的下降有关。此外，温度和降雨量在空间上是相关的。为了研究这一现象，我通过校正标准误差并在模型中纳入空间依赖性来检验变量的显著性。结果见表6。标准误差以括号形式表示。第一列显示基准OLS的标准误差，第二列显示通过应用有限样本自由度校正因子来调整异方差性的HC1稳健标准误差，第三列显示区县级簇聚的标准误差。其他变量虽然也被包括在模型中，但为了简洁起见未在表格中列出。它们的系数和显著性基本保持一致。Rainfall.RCP8.5的系数同样具有显著性并且大致相同。然而，Temp.Max.RCP8.5的系数在（1）空间自回归（SAR）模型中和（2）当标准误差在区县级进行簇聚时失去了显著性。

表6. 解决空间问题
空单元
统计模型
空单元
常规SE
HC1稳健SE
区县级簇聚SE
SAR模型
Rainfall.RCP8.5 0.030*** 0.030*** 0.030*** 0.022***(0.006) (0.006) (0.008) (0.015)
Temp.Max.RCP8.5 -0.632** -0.632** -0.632 -0.062 (0.196) (0.204) (0.410) (0.006)
rho 0.255*** (0.127)
R2 0.610 0.610 0.610
调整后的R2 0.605 0.605 0.605
观测数量 1502 1502 1502 1502
其他控制变量 包括 包括 包括 包括
对数似然值 -1742.060
AIC（线性模型） 3611.526
AIC（空间模型） 3526.119
LR检验：统计量 87.407
LR检验：p值
注：该表格展示了对印度安得拉邦13个地区1523个观测数据进行的农业用地列表数据的分位数回归分析，时间跨度为2019年至2024年。前三列显示了在不同方差估计方法下的OLS系数估计值，最后一列显示了空间自回归（SAR）模型的结果。标准误差以括号形式表示；p值和显著性星号基于相应的方差估计方法。模型控制了表格中未列出的多个地块属性。RCP代表“代表性浓度路径”，反映了模拟的气候变化。RCP8.5模拟了当地气候的严重变化。Acreage表示地块的面积（以英亩计）。*p?
空间模型中显著性的减弱不应被解释为反对气候效应的证据。我们数据的一个限制是气候变量在区县级进行了汇总。研究结果表明，温度主要表现为一种空间簇聚的区域特征，这使得难以完全区分局部温度效应和区县级的生态条件。空间自回归（rho）的系数具有统计学意义。另一方面，Di Cecco和Gouhier（2018）的研究表明，近几十年来温度的空间和时间相关性有所增加。第四模型中空间依赖性（rho）的显著性表明价格存在空间依赖性。温度和降雨量之间的显著性差异也不令人意外。Ghausi等人（2024）认为温度和降雨量之间的关联具有时空变异性。在我们的样本中，虽然空间控制因素消除了温度的统计显著性，但降雨量始终具有显著性。

6. 结论
本研究调查了气候变化预测与印度（安得拉邦）这一快速转型地区农业土地价格之间的关联，同时考虑了地块特征和空间属性。地块特征包括面积、物业类型、灌溉设施、距离各种交通路线、城市和市场的距离。年份固定效应控制了时间冲击。气候变化对农业土地价格有显著影响。RCP8.5变量显著影响了土地价格：预测中的降雨量增加提升了价格，而温度上升则导致价格大幅下降。温度上升的影响在农业生产力应占主导地位的农村地区更为明显。较温和的RCP4.5变化在实证上较难检测到。蒙特卡洛模拟证实，统计上的不显著性是由效应大小而非抽样噪声造成的。总体而言，最低价格区间的土地价值有所上涨，较高价格区间相对不受影响，而中等价格区间受到气候变化的严重影响。纳入空间自回归后，温度预测在统计上变得显著。然而，模型中的空间自回归仍然具有统计学意义，并吸收了区县级温度预测的解释能力。微观位置属性在解释价格变动方面优于区县级固定效应，突显了靠近高速公路、城市中心、市场和机场的重要性。结果揭示了价格区间之间的价格形成异质性。分位数回归表明，土地在低价格区间具有农业用途，在高价格区间可能具有城市用途。这种异质性导致对位置、基础设施和气候变化的敏感性存在系统差异。尽管有这些发现，研究仍存在一些局限性。这些估计应被视为符合市场预期的资本化结果，而不是因果物理生产力的体现。基于平台的数据可能无法反映整个市场的情况，并可能过度代表那些拥有数字化连接卖家或更具市场吸引力及清晰所有权记录的地块。同时，该平台提供了非常详细的地块级信息，我通过GIS进一步丰富了这些数据。气候预测仅在区县级可得，限制了空间精度。将气候效应与空间依赖性区分开来将提供更有力的证据，以说明气候变化如何影响土地价值。未来的工作可以扩大地理覆盖范围，并使用更详细的RCP预测数据。通过添加与地下水可用性、土壤指标、土地利用变化的遥感指标等相关的变量，可以提高解释能力。

CRediT作者贡献声明：
Prashant Das：撰写——审阅与编辑、撰写——初稿、可视化、资源管理、方法论、正式分析、数据整理。