《Frontiers in Sustainable Food Systems》：Multidimensional climate physical risk and reported farmland abandonment among rural farm households in China: evidence from household panel data
编辑推荐：
Introduction：对于家庭经营农场，将承包地保持耕作是应对气候压力的一个实际韧性维度。本研究考察多维气候物理风险是否与中国农村家庭报告的耕地撂荒相关。Methods：研究人员将2014、2016和2018年中国劳动力动态调查（China Labor-f
Introduction：对于家庭经营农场，将承包地保持耕作是应对气候压力的一个实际韧性维度。本研究考察多维气候物理风险是否与中国农村家庭报告的耕地撂荒相关。Methods：研究人员将2014、2016和2018年中国劳动力动态调查（China Labor-force Dynamics Survey, CLDS）波次与前一年农业年度的省级气候物理风险指数（Climate Physical Risk Index, CPRI）值匹配。撂荒根据家庭报告在参考期内部分承包耕地未被耕作进行编码；调查不显示该状态是暂时性还是持续性，也不显示原因。所得非平衡面板包含27个省级单位中11,982个家庭的19,311个家庭-年观测。家庭固定效应线性概率模型（linear probability models）包括调查波次固定效应、省域聚类标准误（province-clustered standard errors）和Webb权重野生聚类自助法推断（Webb-weight wild cluster bootstrap inference）。Results：CPRI的省域内一个标准差增加与报告撂荒增加3.02个百分点相关，约为样本均值的五分之一。在替代结果、暴露日期、样本限制和模型选择下，该关联仍为正。四种灾害联合显著；在探索性分解中，仅极端低温单独显著。Discussion：尽管估计是观察性的而非因果性的，但其提示多维气候暴露可能削弱家庭耕作系统中的土地利用连续性。
论文解读：
耕地撂荒关系到食物供给、农村生计、景观管理及农业资源未来利用。既有研究已表明，极端事件降低作物产量，长期变暖减缓农业生产力增长，极端高温还会影响中国县域生产率与投入决策。但农户是否报告部分承包耕地未耕作，这一土地利用边际不同于短期产量损失，也不同于土地经营权流转。中国农村家庭农场常经营多个小地块，在灌溉、保险、信贷和农业服务获得上差异很大；迁移和非农就业又提高了家庭劳动力留在农业中的机会成本。因此，天气扰动可能叠加既有约束，而非孤立冲击。已有研究多关注作物产量、未收获种植面积、种植日历或耕地配置调整，但家庭面板中反复报告的承包地是否耕作仍较少被检验；单灾害指标可能遗漏冷、热、强降雨和干旱的混合暴露；横截面估计不能吸收稳定家庭特征；年度气候数据还需与土地利用报告背后的农业期匹配。基于此，研究人员考察多维气候物理风险是否与报告承包耕地非耕作相关。
研究人员将2014、2016和2018年中国劳动力动态调查（CLDS）波次与前一农业年度省级气候物理风险指数（CPRI）匹配。CLDS由中山大学社会科学调查中心实施，为双年旋转面板；CPRI来自Guo等发布的省域数据。样本限制后得到27个省级单位、11,982户、19,311个家庭-年观测的非平衡面板。主模型为家庭固定效应线性概率模型，控制调查波次固定效应、时变家庭特征和耕地规模，并采用省域聚类标准误及Webb权重野生聚类自助法推断。结果显示，CPRI升高与家庭报告承包地未耕作概率上升正相关。主要估计在替代结果、暴露日期、样本限制、模型选择和置换检验下方向一致。四种灾害分量联合显著；探索性分解中仅极端低温单独显著。候选路径变量非农就业份额和大农机拥有量均未被CPRI预测，纳入后CPRI系数几乎不变。农场规模和南北方分样本系数有差异，但正式交互检验不显著。该研究补充了家庭面板中报告土地利用状态的多维气候暴露证据，但估计是观察性的，不能解释为因果效应。
主要关键技术方法（不超过250字）：研究人员匹配2014、2016、2018年CLDS波次与2013、2015、2017年省级CPRI暴露，构建27个省级单位、11,982户、19,311户-年非平衡面板。主模型为家庭固定效应线性概率模型，含调查波次固定效应、省域聚类标准误和Webb权重野生聚类自助法推断。稳健性包括弃耕面积份额、省域内z分数、滞后CPRI、条件固定效应logit和置换检验。灾害分析先联合检验极端低温（LTD）、极端高温（HTD）、极端强降雨（ERD）和极端干旱（EDD），再做分量分解；候选路径检查非农就业份额与大农机拥有量。
研究结果：
4.1 描述性统计与识别变异：2014、2016、2018波次观测分别为6,197、6,588、6,526；报告撂荒比例分别为14.09%、14.19%、13.48%；CPRI均值分别为49.447、34.568、40.798。汇总样本中13.9%户-年报告部分撂荒，弃耕面积份额均值0.090，CPRI均值41.448、标准差7.641。CPRI在省-参考年水平变化，共79个暴露单元、27个省聚类；去除波次均值后，省域偏离是识别来源；一标准差识别暴露约对应1.4个百分点报告非耕作概率差异，约为样本均值十分之一。
4.2 基线家庭内关联与核心稳健性：完整基线CPRI系数为0.003049，Webb p=0.0091；以弃耕面积份额、省域内z分数、滞后CPRI等替代后保持正显著。省域内一标准差CPRI增加对应报告撂荒概率增加3.02个百分点，约为13.9%样本均值的五分之一，支持H1，但不能解读为因果。
4.3 联合灾害检验与探索性分量分解：四灾害联合零假设被拒绝，F(4, 26)=6.2069，Webb p=0.0158；分量中仅极端低温单独显著，系数0.002556，Webb p=0.0331；高温、强降雨和极端干旱不单独显著。相关性及方差膨胀因子不表明简单多重共线性是主要原因，该分量结果应视为探索性。
4.4 基线关联的稳健性：剔除东北或逐个宏观区域、加入收入、剔除1,000亩以上农场、剔除北京和天津、限制三波家庭、条件固定效应logit及置换检验后，CPRI系数仍为正且多显著；三波家庭系数为0.004645，Webb p=0.0033；置换中观察系数0.003049大于1,000次安慰剂最大0.002975，经验双尾概率1/1,001。
4.5 探索性候选路径检查：CPRI不预测非农就业份额（系数?0.000402，Webb p=0.7912），加入后CPRI系数几乎不变；CPRI不预测大农机拥有量，加入后亦不变；非农就业与撂荒正相关，但不足以支持可观察路径。
4.6 探索性亚组与异质性分析：小农场CPRI系数0.005744显著，中大型不显著；南方0.003586显著，北方不显著；但正式交互检验不显著，农场规模联合Webb p=0.2298，北方×CPRI Webb p=0.6272，因此不能认为关联存在亚组差异。
讨论部分总结：主发现是家庭内条件关联，CPRI较高时家庭更可能报告部分承包地未耕作；家庭固定效应去除稳定家庭差异，波次效应吸收全国共同冲击，但不能去除省域内同时发生的政策、市场或生产变化，故不能作因果解释。该结果补充了生产力、种植日历、农业劳动、种植面积弃耕和耕地调整研究，但针对的是报告土地利用状态，不能揭示持久性、原因或适应效果。四灾害联合检验拒绝零假设，分量中仅极端低温单独显著，不意味着低温通常比高温、强降雨或干旱更有害；其测量为年度省级，不能识别作物阶段或具体机制。补充分析中两个候选路径变量均不支持可观察路径；亚组结果仅描述性。国际相关性上，更可迁移的是匹配农业期、联合检验分量、吸收稳定家庭差异并在暴露变异层级作推断的方法，而非系数本身。局限包括：省级年度聚合无法代表地块尺度暴露，结果混合轮作、休耕、临时停耕、项目退出和长期非耕作，省域时变混杂未消除，面板短且非平衡，路径测度不足。未来需更细网格、作物日历对齐、地块遥感和更长家庭面板。政策含义上，宜评估多灾种监测而非按单灾种排序，区分困境驱动与有管理非耕作，区分事前调整与事后响应，并通过地方试点评估生产连续性支持和自愿土地与服务安排。
研究结论翻译：利用与省级气候物理风险指数数据相连的家庭面板，本研究记录了中国农村中多维气候物理风险与家庭报告承包耕地非耕作之间存在正向家庭内关联。研究使用报告耕地撂荒作为该调查结果的简称；其持续时间和持续性无法识别。四种灾害分量联合具有信息性。在探索性分解中，极端低温是唯一具有单独显著系数的分量。证据仍为观察性的：省级年度暴露无法识别因果效应、作物特定损害机制或农场规模和地区间的广泛差异。这些发现推动进一步评估具有更细空间尺度、对作物日历敏感的多维农业风险监测。
