《Frontiers in Sustainable Food Systems》：Extreme climate shocks and agricultural net carbon sinks: the moderating role of supply chain resilience in China
编辑推荐：
摘要
引言： 极端气候冲击日益挑战农业系统在维持作物固碳（carbon fixation）的同时控制生产相关排放的能力。
方法： 本研究利用2002—2023年中国240个城市的面板数据，考察四类气候冲击——极端高温（HTD）、极端低温（LTD）、极端降雨（E
摘要
引言： 极端气候冲击日益挑战农业系统在维持作物固碳（carbon fixation）的同时控制生产相关排放的能力。
方法： 本研究利用2002—2023年中国240个城市的面板数据，考察四类气候冲击——极端高温（HTD）、极端低温（LTD）、极端降雨（ERD）与极端干旱（EED）——与农业净碳汇（NCS）之间的关系，以及农业供应链韧性（agricultural supply chain resilience）的调节作用。NCS以年度作物生物量碳固定量扣除选定的农业生产排放量进行测度，从而提供一个整合的、基于生产的农业碳绩效指标。
结果： 双向固定效应（two-way fixed-effects）估计显示，四类气候冲击均与NCS呈负相关，且该关系方向在替代核算边界、样本调整、逐省剔除检验及双重机器学习（double machine learning）设定下保持稳定。农业供应链韧性显著调节气候—碳关系。其抵抗（resistance）、恢复（recovery）与重构（reorientation）能力削弱了高温、极端降雨及干旱冲击与NCS之间的不利关联。低温结果进一步表明，韧性的有效性取决于供应链功能与特定气候灾害的生物学机制及干预窗口的匹配程度。异质性分析证实，气候敏感性与韧性需求随区域位置、农业生产力、现代化水平及灌溉条件而变化。互补的机器学习分析识别出非线性预测模式，并强化了差异化适应的重要性。
讨论： 上述发现将农业气候研究从生产与排放层面拓展至整合的碳平衡视角，并证明针对特定灾害的供应链韧性可同时支撑气候适应与低碳农业发展。
论文解读：极端气候冲击与农业净碳汇——供应链韧性的调节作用
一、研究背景与问题提出
在全球气候变化加剧的背景下，极端气候事件日趋频繁、强烈且充满不确定性，对农业系统的稳定性与可持续性构成严重威胁。相较于平均气温与降水量的长期变化，热浪、干旱、暴雨与寒潮等极端事件更为突发，且往往产生非线性冲击。这些事件不仅影响农业生产率与粮食安全，还扰动陆地碳循环。在全球碳中和目标下，农业既是温室气体排放的重要来源，也是陆地碳汇的重要组成部分，农业净碳汇（NCS）绩效因此成为评估农业绿色转型与气候适应能力的关键指标。
现有研究主要从两条路径考察气候对农业的影响：一是聚焦农业产出、生产率与粮食安全，表明极端气候冲击通过改变热量、水分与生长条件影响生产；二是考察农业温室气体排放与碳足迹，强调投入品使用、土地利用变化与畜牧业活动。然而，多数研究仅关注农业产出或碳排放的单一维度，对极端气候冲击如何通过多重路径影响NCS关注不足。此外，现有研究对农业供应链调整能力如何调节气候—碳关系也缺乏系统考察。农业供应链韧性（agricultural supply chain resilience）指供应链在冲击后抵抗中断、恢复核心功能并重构生产与流通的能力。传统面板模型可在明确识别假设下估计条件性城市内关联，而机器学习方法可补充描述预测重要性与非线性模式，两种证据回答不同问题，需分别解读。
中国作为全球主要农业生产国且高度暴露于气候变化的发展中国家，为分析提供了适宜情境。其辽阔疆域与多样气候条件产生了极端气候事件的显著区域与时空变异，同时农业正从"高投入、高排放"模式向"绿色低碳"路径转型。相对完整且互联的农业供应链体系有助于识别气候冲击与供应链结构及农业碳循环的交互作用。
二、研究设计与核心方法
研究人员构建了2002—2023年中国240个城市的面板数据集，共5256个城市—年度观测。数据主要来源于中国统计年鉴、中国农村统计年鉴、中国农业统计资料、各省市统计年鉴、国家气象科学数据中心及地级市统计公报。
研究采用的核心技术方法包括：第一，基于生产的年度碳平衡核算方法，NCS由15类作物的生物量碳固定量减去化肥、农药、农膜、柴油、翻耕、灌溉及畜牧业等选定生产排放构成；第二，基于城市特定历史分布百分位阈值的极端气候指数构建方法，HTD基于日最高气温超过当地90分位、LTD基于日最低气温低于当地10分位、ERD基于日降水量超过当地95分位、EED基于连续干旱日数超过当地90分位，各指数以超出量除以城市历史标准差并乘以100；第三，基于抵抗—恢复—重构框架的农业供应链韧性熵权综合指数（AgrResi）；第四，双向固定效应（two-way fixed-effects）计量模型，控制城市与年份固定效应并以城市聚类稳健标准误；第五，双重机器学习（double machine learning）估计及SHAP（SHapley Additive exPlanations）与部分依赖图（PDP）等机器学习解释工具。
三、主要研究结果
3.1 时空格局分析
空间可视化显示，中国NCS呈现显著空间不均衡，西部与东北地区相对较高，中部与东部农业集约区较低，且该格局具有明显空间路径依赖。分阶段变化显示，2005—2020年间部分传统高NCS区域（尤其西北与东北）出现下降，而中部与华北部分低NCS区域呈现恢复迹象，反映区域收敛与重构过程。四类极端气候冲击亦呈显著区域分布差异：HTD覆盖范围最广且持续较强；LTD年际波动显著，高暴露集中于北部与东北；ERD呈局部聚集与尾部风险特征；EED呈更广空间扩散与阶段性加剧。机器学习辅助分析显示，EED与ERD获得相对更高的特征重要性，SHAP分布表明高EED、ERD与LTD值常与预测NCS负贡献相关，而HTD贡献方向混合。
3.2 基准回归结果
双向固定效应估计显示，四类气候冲击均与NCS呈显著负相关。在同时纳入全部四个指数的偏好设定中，HTD系数为?0.084（5%水平显著），LTD为?0.025（5%水平显著），ERD为?0.016（5%水平显著），EED为?0.047（5%水平显著）。该负向关系方向在替代核算边界、样本调整、逐省剔除检验及双重机器学习设定下保持稳定。
3.3 供应链韧性的调节作用
农业供应链韧性显著调节气候—碳关系。其抵抗、恢复与重构能力削弱了高温、极端降雨及干旱冲击与NCS之间的不利关联。低温结果则表明，韧性有效性取决于供应链功能与特定气候灾害生物学机制及干预窗口的匹配程度。
3.4 异质性分析
异质性分析证实，气候敏感性与韧性需求随区域位置、农业生产力、现代化水平及灌溉条件而变化。不同区域与农业发展条件下的气候冲击效应及韧性调节作用存在显著差异。
四、讨论与结论
研究将农业气候研究从生产与排放层面拓展至整合碳平衡视角，证明针对特定灾害的供应链韧性可同时支撑气候适应与低碳农业发展。NCS作为基于生产的年度碳平衡指标，不同于持久性生态系统碳储存，其核算边界不包括土壤有机碳变化、作物残余去向、稻田甲烷、肥料氧化亚氮、土地利用变化及下游加工消费等。研究结论表明，极端气候冲击可能通过"汇侧收缩"与"源侧扩张"双重效应降低农业净碳汇，而供应链韧性可通过预防、协调与恢复机制改善气候冲击与年度碳平衡之间的条件关联。研究同时强调，韧性交互系数应解读为条件异质性而非韧性的因果效应，机器学习结果反映预测贡献而非因果效应比较。
