通过高标准农田建设降低粮食生产中的气候灾害脆弱性：影响机制与空间溢出效应

《Frontiers in Sustainable Food Systems》：Mitigating climate disaster vulnerability in grain production through high-standard farmland construction: impact mechanisms and spatial spillover effects

　　摘要
高标准农田建设（HSFC）是减轻粮食生产面临的气候灾害风险、确保国家粮食安全的关键举措。本研究利用2003年至2020年中国30个省份的面板数据，采用改进的脆弱性评估框架来衡量粮食生产的气候灾害脆弱性（CDVG），并系统地探讨了HSFC对CDVG的影响机制及其空间溢出效应。研究结果表明：（1）从时间上看，CDVG的演变特征是初期迅速下降，随后呈现缓慢波动的下降趋势；从空间上看，存在明显的区域差异和空间聚集现象，东部沿海地区、中部主要粮食生产区和新疆的脆弱性低于其他地区。（2）基线回归分析证实HSFC显著降低了CDVG，这一结论在经过一系列稳健性测试后依然成立。（3）机制分析表明，HSFC通过生态调节效应、基础设施保障效应和技术支持效应降低了CDVG。（4）空间计量经济学分析显示，HSFC对CDVG具有显著的空间溢出效应，不仅减轻了当地脆弱性，也降低了邻近地区的脆弱性。（5）异质性分析发现，HSFC的脆弱性降低效应在中低脆弱性分位数省份、主要粮食生产区以及地形相对平坦的地区更为显著。基于这些发现，本研究建议优化HSFC的空间布局，完善支持体系，并根据当地条件制定策略，以更好地减轻气候灾害风险、确保国家粮食安全。

1 引言
在全球极端气候事件频率和强度不断增加的背景下，粮食生产的气候脆弱性日益突出。气候异常导致热浪、洪水、干旱、台风和寒潮等极端天气事件频发，严重破坏了生态系统平衡（Li等人，2025年），威胁到粮食生产的稳定性和高质量发展（Lu等人，2019年；Xiang等人，2024年）。联合国粮食及农业组织（FAO）在2023年的报告中指出，过去二十年里，全球每年的灾害事件数量从20世纪70年代的大约100起增加到现在的约400起。这些灾害造成的农作物和牲畜损失总计约3.8万亿美元，其中低收入和中等收入国家的农业部门损失占其总农业产值的约15%（FAO，2023年）。因此，科学评估粮食系统对气候灾害的脆弱性，并探索和制定有效的缓解气候灾害风险策略，已成为气候变化经济学和农业风险管理领域的紧迫任务。

脆弱性概念起源于20世纪70年代对自然灾害的地理学研究，随后扩展到生态系统脆弱性（Rao等人，2019年）、生计脆弱性（Mamun等人，2023年）和农田系统脆弱性（Niu等人，2022年）等多个领域，逐渐发展成为一个跨学科的、系统的、独立的研究框架。粮食生产的气候灾害脆弱性（CDVG）是脆弱性研究的重要分支，旨在反映粮食生产系统对气候灾害的易感性或应对能力的不足。它包括三个维度：暴露度、敏感性和适应能力。中国政府一直高度重视减轻粮食生产中的气候风险。2021年的中央一号文件明确要求加快实施“藏粮于地、藏粮于技”战略，提升农业灾害预防和减灾能力，以减少产量波动和脆弱性。作为“藏粮于地”战略的关键举措，高标准农田建设（HSFC）政策旨在通过土地整理、水利设施、土壤改良和农田防护林等工程措施，构建具有“抗旱抗洪、高效产出和生态可持续性”的现代农田系统。因此，推进这一政策对于减轻CDVG和保障国家粮食安全至关重要。截至2024年底，中国已累计建成10亿亩高标准农田，占全国耕地总面积的约50%。到2030年，计划再建成12亿亩高标准农田。在大力推广HSFC的背景下，研究其对CDVG的影响及其背后的机制不仅有助于明确政策实施效果，也为标准化HSFC和减轻粮食气候灾害风险提供参考。

与本研究相关的有两个研究方向：一个是关于CDVG，另一个是关于HSFC。直接针对CDVG的研究相对较少。现有研究主要关注更广泛的农业气候脆弱性，学者们主要从综合评估农业气候脆弱性及其影响因素的角度进行研究。对于农业气候脆弱性的综合评估，主要采用三种方法：第一种是利用作物生长模型模拟气候变化对产量的影响，从而从生物物理角度描述农业气候脆弱性（Li等人，2015年；Wang等人，2020年）；第二种是基于自然和社会经济维度构建多维评估框架（Ahmadalipour和Moradkhani，2018年）；第三种是构建脆弱性指数进行测量（Li等人，2022年）。关于农业气候脆弱性的影响因素，研究表明城市化以及农业劳动力的流失和老龄化显著加剧了农业气候脆弱性。相反，化肥、农药和农业机械等农业投入可以有效减轻农业气候脆弱性（Wang等人，2024年）。一些研究还间接表明，农业灌溉基础设施（Wang等人，2024年）、农业保险（Zeng等人，2025年）和创新管理策略（Zhang等人，2023年）在减轻农业气候风险方面发挥着重要作用。总体而言，由于评估标准的难以确定，学术界在农业气候脆弱性的评估方法上尚未达成共识。此外，大多数现有研究仍处于识别影响因素阶段，缺乏对其潜在机制和传导路径的系统理论分析。

关于HSFC与CDVG之间关系的研究仍处于早期阶段，学者们主要从提高粮食产量（Hu和Dai，2022年）、提升农业生产力（Sun等人，2024年）、减少农业碳排放（Chen和Wang，2023年）、调整作物结构（Song等人，2023年）以及农田流转（Qian等人，2023年）等方面评估HSFC的政策效果。Peng等人（2024a，2024b）研究了HSFC对减少农田灾害的影响和机制，而Gao和Qin（2024）探讨了其在减轻粮食生产风险中的作用。然而，上述研究要么仅关注农业损失的程度，要么仅关注粮食产量的波动，未能系统地整合粮食系统对气候灾害的暴露度、内部稳定性和适应能力，难以全面评估HSFC在减轻粮食生产气候灾害风险中的作用。

现有研究为本文提供了重要的理论基础，但仍需进一步探索：首先，关于中国粮食系统对气候灾害脆弱性的测量及其时空演变的研究较为有限。当前研究主要关注特定地区或省份（Li等人，2023年），并且主要采用复合指标方法进行测量（Ahmadalipour和Moradkhani，2018年）。虽然这种方法有效捕捉了脆弱性的丰富性和多维度特征，但也存在局限性，如指标选择的主观性、数据需求高以及跨区域比较的挑战；其次，现有研究广泛探讨了极端气候对粮食生产的负面影响，但关于减轻极端气候风险的措施讨论较少。特别是关于HSFC这一重要农业政策在减轻CDVG中的作用和机制的研究仍然不足。忽视这一点不仅阻碍了对HSFC政策效果的全面评估，也限制了进一步的研究和气候风险缓解措施的创新；此外，由于农田的空间邻近性和生产要素的流动性，该地区的HSFC可能对邻近地区的粮食生产产生空间溢出效应，这种潜在效应尚未得到充分研究。

鉴于上述讨论，本研究有以下几个潜在贡献：首先，通过采用改进的脆弱性评估框架，本研究评估了中国30个省份的CDVG，并对其时空演变和区域差异进行了深入分析。该框架有效避免了指标选择的主观性，全面涵盖了气候灾害对粮食生产的影响以及系统的恢复能力，从而提供了更客观、更具可比性的评估。其次，本研究将HSFC和CDVG纳入统一的理论框架，实证检验了它们之间的关系，并进一步证实HSFC主要通过生态调节、基础设施保障和技术支持效应降低CDVG；第三，通过引入空间因素，本研究构建了空间计量经济模型，实证检验了HSFC对CDVG的空间溢出效应，丰富了现有研究内容。因此，本研究旨在系统揭示中国CDVG的时空演变和区域差异，实证评估HSFC对CDVG的缓解效果及其潜在机制，并进一步识别政策影响的潜在空间溢出效应和区域差异。针对上述目标的研究可以帮助各国政策制定者探索可行有效的土地整理措施，以减轻粮食生产的气候灾害风险、确保国家粮食安全。

2 理论分析框架
本节首先从暴露度、敏感性和适应能力三个维度理论上定义了CDVG的概念，并阐述了这三个组成部分之间的相互作用关系。随后，基于CDVG和HSFC的测量概念框架，我们分析了HSFC影响CDVG的机制。具体而言，HSFC涉及七个关键措施：“农田、土壤、水资源、道路、森林、电力和技术”。通过土地整理、灌溉排水系统、田间道路和农田电网等工程项目，HSFC增强了土壤改良、农田生态保护和技术推广。本研究认为HSFC通过生态调节效应、基础设施保障效应和技术支持效应减轻CDVG。此外，由于农田的空间邻近性和生产要素的流动性，HSFC还可以通过空间溢出效应降低邻近地区的CDVG。理论框架如图1所示。

2.1 CDVG的概念
随着脆弱性研究的深入，脆弱性已从一个宽泛的概念发展成为一个系统化、独立的理论框架，在多个研究领域获得了广泛共识。从多个学科的定义来看，脆弱性广义上是指“系统因内部和外部干扰的敏感性及应对能力的缺乏而容易受损，并可能朝不可持续的方向发展的状态，强调了系统内部特征与外部干扰之间的相互作用”（Dong等人，2018年）。在粮食生产的背景下，CDVG可以定义为“当粮食生产系统暴露于气候灾害时，由于结构和功能的敏感性及应对能力的缺乏，系统容易受到损害或威胁”。IPCC第五次评估报告将脆弱性量化为暴露度、敏感性和适应能力的函数（Klein等人，2014年）。暴露度反映了粮食生产系统受气候灾害影响的程度，这与系统本身和外部气候冲击有关。暴露度越高，脆弱性越大；敏感性是指粮食系统快速感知气候冲击的能力，取决于系统内在特征和结构属性的稳定性。敏感性越高，系统的稳定性越容易改变，脆弱性越大（Fang等人，2024年）。适应能力是指粮食系统采取有效措施应对风险并从冲击中恢复的能力和潜力，特别强调外部干预的作用（Li等人，2023年；Klein等人，2014年）。适应能力越弱，脆弱性越大。

暴露度、敏感性和适应能力并非独立存在，而是存在复杂的相互依赖关系（Fang等人，2024年）。首先，暴露度影响敏感性和适应能力。当暴露程度超过系统的耐受阈值时，它可能会损害粮食系统的内部结构和功能，削弱其防御和恢复机制；其次，粮食系统的敏感性反映了系统的内部自然属性和结构稳定性。一旦系统的内部结构变得不稳定，它将放大外部冲击的强度，加剧系统的暴露程度。在高暴露和高敏感性的双重作用下，系统的适应能力将受到严重限制，从而影响其有效调节的能力。适应能力强调系统干预、调整和转型以从外部冲击中恢复的能力或潜力。通过实施有效的适应措施，可以修复系统的固有自然属性并优化其结构功能，从而提高其稳定性。

2.2 高效节水灌溉（HSFC）影响气候脆弱性（CDVG）的机制

2.2.1 生态调节效应
极端气候冲击和地表径流不平衡等自然因素，加上长期不可持续的农业实践以及过度使用化肥和农药等人为因素，共同导致了一系列农业环境问题，包括水和土壤污染、土壤退化以及生物多样性丧失（Li等人，2024年）。这些问题削弱了粮食系统的内部稳定性，增加了其对气候变化的敏感性。HSFC旨在通过一系列措施改善农田的生态条件并增强其生态调节能力。具体而言，它通过工程、生物和化学干预有效解决了沙质土壤、粘土过多和酸化土壤等问题。同时，HSFC通过土地整合和平整化扩大了地块规模，从而减轻了对绿色机械化生产的限制。这促进了农民采用环保农业实践，并改善了土壤生态条件。高质量的土壤可以增加植被覆盖度，在极端气候条件下保持土壤水分和养分的动态平衡，并降低病虫害爆发的风险（Das等人，2022年），从而减少粮食生产的气候暴露和敏感性。此外，HSFC通过建设防护林和坡地保护等措施改善了农田的生态调节功能，有助于改善微气候，防止风蚀和沙固定，并保护土壤和水资源（He等人，2020年）。这些措施有效减少了高温、风蚀和沙尘暴等极端天气事件对作物的直接损害，同时也减轻了干旱和洪水及其相关次生灾害的严重程度，从而降低了CDVG（Ji等人，2023年）。

2.2.2 基础设施保障效应
完善的农田基础设施是确保粮食生产系统稳定和可持续发展的基础。然而，中国的农业水利基础设施存在一些显著缺陷，包括灌溉效率低、设备老化以及区域不平衡。这些问题不仅阻碍了水资源的最佳分配和高效利用，还加剧了干旱和洪水等气候灾害。因此，粮食生产越来越依赖于气候条件，表现出明显的“天气依赖”模式和更高的气候敏感性。HSFC通过建设田间水利设施，建立了一个从水源到农田的全面灌溉和排水系统。这有助于精确管理和高效利用农田水资源，在极端气候条件下有效调节农田的水分平衡（Wang等人，2024年；Xie和Xue，2024年），从而降低CDVG。此外，HSFC还通过平整土地、改善农场生产道路和升级农田电力系统，提高了农田的可及性和机械作业条件。这些措施可以有效减少农业机械作业和农业投入运输的时间和经济成本，为粮食系统及时应对极端气候变化提供了基本保障。具体来说，它们能够在灾前预防阶段快速分配和部署物资及防护措施，确保灾后响应阶段的机械化收割、应急排水等减灾工作的有效运行，并促进灾后恢复阶段的农田修复和再生（Watanabe等人，2018年），从而提高粮食系统的气候适应能力并降低CDVG。

2.2.3 技术支持效应
粮食生产的气候适应能力主要指人类采取有效措施应对气候冲击的能力或潜力。农业生产技术的创新和应用是农业现代化的核心驱动力，为减轻CDVG提供了重要支持。HSFC促进了地块规模和土地规模的同步扩大，从而深化了劳动分工并推动了粮食生产的技术进步。一方面，通过将分散和零散的地块整合成连续的大规模农田，HSFC鼓励农民从分散的多样化种植模式转向专业化、统一的种植模式，形成了多区域、多中心的专业化生产模式（Zhang等人，2023年），从而促进了农业生产的横向劳动分工深化。农业生产中的横向专业化有助于技术的传播和生产资源的整合与共享，从而产生外部规模经济（Yin等人，2024年）。这一过程有助于降低技术采用的门槛和成本，为机械化操作以及节水灌溉和综合病虫害管理等气候适应技术的广泛应用创造了有利条件。另一方面，土地平整和地块规模的扩大有助于缓解大规模机械化操作的制约，降低农业机械服务成本，并促进粮食生产服务的规模化，从而深化了纵向劳动分工（Sun等人，2024年）。在传统的小农种植模式下，农民分散且资源有限，这限制了他们有效应对气候风险的能力，导致适应能力较低。农业服务组织通常配备大量专业且环保的机械设备，具有技术密集型的特点，既是先进生产技术的载体也是传播者（Zhang等人，2023年）。通过外包部分或全部生产过程，服务组织为农民提供机械租赁、标准化作物保护、综合病虫害管理和智能监测等技术服务，从而提高了农业生产技术的水平（Han等人，2024年）。技术能力的提升可以显著增强粮食生产的气候适应能力并降低CDVG。

2.3 HSFC对CDVG的空间溢出效应
粮食生产表现出显著的空间依赖性（Zhou和Wen，2024年），这意味着HSFC对CDVG的影响不仅限于实施区域本身，还可能通过多种渠道对周边地区产生溢出效应。首先，HSFC通过生态保护项目增强了农田的生态调节能力。鉴于生态环境的相互联系和流动性，一个地区的改善可能通过地下水流动、碳循环和微气候调节对邻近地区产生积极影响，从而帮助减轻相邻农田的气候风险（Peng等人，2024a）。其次，HSFC通过扩大地块规模、优化布局和升级基础设施等措施促进了农业生产的技术进步。这些先进的农业技术可能通过信息共享和技术推广传播到周边地区，产生技术溢出效应（Wang等人，2025年），有助于降低周边地区的CDVG。第三，政府之间存在政策模仿效应（Wang等人，2025年）。作为“绿色箱”农业补贴政策，HSFC已成为各级政府议程的优先事项（Sun等人，2024年）。早期实施HSFC的地区往往能够发展出成功的模式，为周边地区提供了可复制的经验。这降低了周边地区政策试验的试错成本，从而提高了其建设效率和质量，最终有助于降低CDVG。

本研究提出以下假设：
H1：HSFC显著减轻了CDVG。
H2：HSFC通过生态调节效应、基础设施保障效应和技术支持效应减轻了CDVG。
H3：HSFC不仅降低了当地地区的CDVG，还通过空间溢出效应减轻了邻近省份的CDVG。

3 研究设计
3.1 变量描述
3.1.1 CDVG的测量框架
根据IPCC第五次评估报告，脆弱性被定义为暴露程度和敏感性的正函数，以及适应能力的负函数。我们使用以下公式来测量CDVG：
CDVG = 暴露程度 × 敏感性 × 适应能力
(1)
暴露程度反映了粮食系统面临的气候灾害强度。我们使用受影响面积与耕种面积的比率作为暴露程度的代理变量。比率越大，暴露程度越高。计算公式如下：
暴露程度 = 受影响面积 / 耕种面积
(2)
根据Li等人（2022年）和Dong等人（2018年）的研究，我们将实际粮食产量分解为趋势产量和气候产量，分别作为适应能力和敏感性的代理变量。
普遍认为，影响粮食产量的因素可以分为社会经济因素和自然因素。粮食产量随时间的变化可以分解为两个主要组成部分（Nguyen-Huy等人，2018年；Li等人，2025年）：
(1) 长期趋势。这一组成部分反映了由技术进步、政策干预和农业管理实践等社会经济因素驱动的长期稳定增长。这些因素的影响通常表现为相对平滑的长期演变趋势，而不是突然的短期波动，被称为“趋势产量”。
(2) 短期波动。农业生产是一种具有显著自然属性的经济活动。在自然因素中，土壤、地形和水文相对稳定，而气象灾害则表现出显著的年际变化，经常导致粮食产量的急剧短期波动，使其偏离长期趋势。因此，现有文献和实践中普遍认为粮食产量的短期波动主要是由气象条件和相关灾害引起的，称为“气候产量”。据此，实际粮食产量可以分解为：
Yi = Yci + Yti + ei
(3)
在公式(3)中，Yi表示第i年的实际粮食产量；Yci表示气候产量；Yti表示趋势产量；ei表示其他随机因素对产量的影响。由于这些因素的随机性较高且缺乏可靠的定量函数形式，这一组成部分通常被视为可以忽略不计。
适应能力是指粮食系统采取有效措施应对风险并从冲击中恢复的能力和潜力，这与粮食生产技术和管理水平的有关。本研究使用趋势产量作为适应能力的代理变量。趋势产量与适应能力呈正相关。计算公式如下：
适应能力 = Yti
(4)
敏感性是指粮食系统快速感知气候灾害冲击的属性，反映了系统结构的稳定性。气候产量反映了气候变化对粮食生产的影响，包括有利和不利的影响，是导致产量波动的主要因素。本研究使用气候产量作为敏感性的代理变量。敏感性与气候产量呈负相关。计算公式如下：
敏感性 = ?Yci
(5)
使用科学方法从实际粮食产量中确定趋势产量并提取气候产量至关重要。常用的方法包括线性移动平均法、HP滤波器和逻辑函数拟合法。我们使用五年中心移动平均模型（CMA）来分离气候产量。CMA模型通过对称平滑有效消除了短期波动，并捕捉了长期趋势。由于其广泛的适用性和强大的稳健性，它在气候产量分离研究中得到广泛应用（Yuan和Yamagata，2015年；Li等人，2020年）。鉴于不同方法可能产生的差异，我们进一步使用HP滤波器（Hodrick等人，1997年）方法在后续的稳健性测试中分离气候产量，重新测量CDVG以提高结果的可靠性。CMA模型的公式如下：
Yti = 2∑k=?2^15Yi + k
(6)
Yci = Yi ? Yti
(7)
在公式(6)中，Yti表示第i年的产量移动平均值，代表该年的趋势产量。随后，使用方程7计算第i年的气候产量。考虑到暴露度、敏感性和适应能力具有不同的数量级，首先对这三个指标进行标准化，然后根据方程1.3.1.2计算CDVG。核心解释变量：借鉴现有文献（Chen等人，2023年；Liang等人，2024年；Qian等人，2023年），本研究采用土地整理面积与耕地面积的比率作为高标准农田建设（HSFC）的核心解释变量。土地整理面积包括中低产农田改良面积和HSFC面积。此外，土地整理项目是综合农业发展的关键举措，主要集中在中低产农田改良和综合生态管理上。HSFC的进展和强度直接取决于综合农业发展中的土地整理投资，这合理反映了HSFC的规模和质量。因此，在稳健性检验中，本研究使用综合农业发展中的单位面积投资作为核心解释变量的替代变量。

3.1.3 控制变量
为了最小化变量的遗漏，考虑到数据的可用性并参考相关文献（Hu和Dai，2022年；Sun等人，2024年；Xie和Xue，2024年），从农业生产条件、宏观经济环境、气候变化等方面选择了以下控制变量：播种面积、农村人口老龄化、城市化率、城乡收入差距、第一产业比例、产业结构升级、年平均温度、年平均降水量。

3.1.4 机制变量
为了更好地理解HSFC如何缓解CDVG，我们从生态调节、基础设施保障和技术支持三个角度引入了三个机制变量，分别用植被覆盖率、有效灌溉面积和农业机械化水平来衡量。尽管每个机制可能涉及多个因素，但我们根据数据的可用性和理论相关性为每个机制选择了一个代表性变量。生态调节是指农田生态系统通过其内在结构和功能缓冲和调节外部干扰的能力。作为生态系统的重要组成部分，植被在土壤和水资源保护、温度调节和微气候改善中起着核心作用。因此，植被覆盖率是评估农田生态调节能力的关键指标（Ji等人，2023年）。HSFC通过建设防护林和生态改善项目提高植被覆盖率，从而减少系统对极端气候冲击的暴露；基础设施保障反映了农田抵抗气候风险的基本工程条件，特别是在极端事件期间管理水资源方面。灌溉系统是最关键的基础设施组成部分之一，直接影响粮食生产的气候适应性；农业机械化水平反映了技术投入在农业生产中的程度，代表了基本的生产能力。HSFC改善了机械作业环境并提高了机械作业效率，从而显著降低了CDVG。表1报告了变量的描述性统计信息。

表1 变量
符号 变量描述 N 均值 标准差
因变量 粮食生产的气候灾害脆弱性 CDVG 指数测量
540 0.193 0.224
自变量 高标准农田建设 HSFCL 土地整理面积/耕地面积 540 0.321 0.241
控制变量 播种面积 GSA 总播种面积（10,000公顷）540 372.095 298.533
农村人口老龄化 RPA 老年抚养比 540 0.109 0.036
城市化率 UR 城镇居民人口/总人口 540 0.536 0.144
城乡收入差距 URIG 城乡人均可支配收入比 540 2.754 0.481
人均GDP GDP 国内生产总值/总人口（10,000元）540 3.920 2.821
产业结构合理化 ISR 基于Theil指数的计算 540 0.201 0.118
年平均温度 AT 每个气象站的年平均温度（°C）540 13.777 5.536
年平均降水量 AP 每个气象站的年总降水量（毫米）540 1.018 0.531

3.2 研究区域和数据来源
考虑到数据的可用性，本研究使用了2003年至2020年中国大陆30个省级行政区域的面板数据（不包括西藏、香港、澳门和台湾）。在后续分析中，这30个省份被划分为主要粮食生产区和非主要粮食生产区（见图2）。

图2 研究区域和区域分类。
土地整理面积和农业综合发展投资的数据来源于《中国财政统计年鉴》；粮食种植面积、农村老龄化人口、有效灌溉面积、耕地面积和农业机械总功率的数据来源于《中国农村统计年鉴》；GDP、城乡可支配收入、第一、第二和第三产业增加值以及第一、第二和第三产业就业的数据来源于《中国统计年鉴》。年平均温度和降水量数据来源于中国气象数据共享服务网络。
1. 植被覆盖率数据来自Gao等人（2022年）在西藏国家数据中心发布的数据集。
2. 此外，由于国家发布的土地整理面积数据仅截至2017年，根据相关文献（Peng等人，2024b）的方法，我们采用比例法估算2018-2020年的缺失值，以解决数据时效性的问题。

3.3 模型设置
3.3.1 基线回归模型
自1998年国务院设立土地开发建设基金以来，中国一直在持续探索和实践将中低产农田转化为高标准农田。由于HSFC是一项持续推进的政策而非突然的政策冲击，本研究没有采用传统的DID模型。相反，遵循Qian等人（2023年）的方法，采用双向固定效应模型来检验HSFC对CDVG的影响，具体如下：
Yit = α + βHSFit + λXit + ηi + γt + εit
(8)
在方程8中，Yit表示CDVG；HSFit表示HSFC的水平；Xit是一组控制变量；ηi和γt分别表示区域和时间固定效应；εit是随机误差项；α、β和λ是需要估计的参数，其中β是主要关注的系数，表示HSFC对CDVG的影响。

3.3.2 空间计量模型
本研究构建了空间Durbin模型（SDM）、空间滞后模型（SLM）和空间误差模型（SEM）来研究自变量的空间溢出效应。模型的具体形式如下：
Yit = α + ρWYit + βHSFit + ωWHSFit + λXit + ψWXit + ηi + γt + δit
(9)
δit = μWδit + εit
(10)
其中，W是空间权重矩阵；α是常数项；β和λ是回归系数；ρ、ω和ψ是空间自相关系数；δit和εit是误差项。如果μ=0，模型（9）成为SDM；如果μ=ψ=0，模型（9）成为SLM；如果ρ=ψ=0，模型（9）成为SEM。在实证结果中，本研究关注ρ、β和ω的系数和统计显著性。

4 结果分析
4.1 CDVG的时空演变分析
4.1.1 CDVG的时间趋势
图3显示了全国范围内和不同功能区域的CDVG时间趋势。全国范围内，CDVG从2003年的0.733稳步下降到2020年的0.060，年均下降率为14.3%。中国CDVG的演变表现出明显的阶段特征：2003年至2012年快速下降（年均下降22.1%），2013年至2020年下降速度放缓（年均下降11.9%）。从区域来看，主要粮食生产区的CDVG一直低于非主要粮食生产区，但区域差距逐渐缩小。可能的原因是主要粮食生产区在资源禀赋和政策支持方面具有显著优势。特别是在HSFC的初期阶段，这些地区被指定为优先发展区。然而，随着非主要粮食生产区HSFC的逐步推进，加上互联网技术和数字经济的快速发展，非粮食生产区在信息、资源和技术方面的发展障碍被打破，导致地区间的脆弱性差距逐渐缩小。

4.1.2 CDVG的空间模式
本研究使用ArcGIS 10.8可视化CDVG的空间分布模式。选择了2003年、2008年、2014年和2020年四个时间点进行分析。如图4所示，中国的CDVG表现出明显的区域差异和显著的空间聚集特征。总体而言，脆弱性较低的地区主要集中在东部沿海地区、中部粮食生产区和新疆远西部地区。随着时间的推移，区域间的CDVG差异逐渐缩小，但整体空间分布模式没有显著变化。一个可能的解释是，东部沿海地区由于经济基础和农业基础设施发达，具有较高的农业创新和灾害响应能力，因此CDVG水平较低。内陆主要粮食生产省份受益于有利的自然资源、组织化的生产系统和持续的食物政策支持，增强了其气候韧性。相比之下，中部和西部生产消费平衡的地区经常面临频繁的自然灾害、薄弱的基础设施和有限的政策支持，导致CDVG水平较高。

4.2 实证结果分析
4.2.1 基线回归分析
表2展示了基数回归模型的估计结果。第（1）至（4）列分别报告了基于常规标准误差、稳健标准误差、省级聚类稳健标准误差和1000个重复样本的自助法标准误差的结果。显然，HSFC对CDVG的估计效应在所有类型的标准误差下都具有统计学意义，表明结果非常稳健。此外，HSFC的系数为负，表明实施HSFC政策可以显著缓解CDVG。

表2 变量
常规标准误差 稳健标准误差 聚类稳健标准误差 自助法标准误差（1000个样本）
HSFC ?0.245*** (0.094) ?0.245*** (0.069) ?0.245** (0.120) ?0.245*** (0.076)
GSA ?0.001*** (0.000) ?0.001*** (0.000) ?0.001 (0.000) ?0.001** (0.000)
RPA 0.554 (0.528) 0.554 (0.480) 0.554 (0.691) 0.554 (0.514)
UR ?1.641*** (0.349) ?1.641*** (0.312) ?1.641*** (0.564) ?1.641*** (0.340)
URIG 0.138** (0.058) 0.138* (0.083) 0.138 (0.122) 0.138 (0.084)
GDP 0.029*** (0.010) 0.029*** (0.010) 0.029 (0.020) 0.029*** (0.010)
ISR ?0.181 (0.152) ?0.181 (0.173) ?0.181 (0.226) ?0.181 (0.179)
AT 0.013 (0.022) 0.013 (0.024) 0.013 (0.023) 0.013 (0.025)
AP ?0.001 (0.043) ?0.001 (0.036) ?0.001 ?0.001 (0.037)
时间固定效应 是 是 是 是 是
区域固定效应 是 是 是 是
Cons 0.999** (0.446) 0.656 (0.453) 0.656 (0.613) 0.999** (0.477)

4.2.2 稳健性测试
4.2.2.1 解决内生性问题
HSFC作为政府主导的措施，具有很强的政策外生性（Qian等人，2023年），因此表明计量模型的内生性问题不严重。然而，为了最小化潜在的内生性偏差和遗漏变量问题，我们使用一期滞后自变量作为工具变量，并采用系统广义矩（SGMM）模型进行稳健性测试。结果如表3的第（1）列所示。测试结果显示AR（1）的p值低于0.1，AR（2）的p值超过0.1，Hansen J检验的p值大于0.1，这些都表明SGMM的有效性。此外，HSFC的系数仍然显著为负，与基数回归结果一致，从而确认了研究结果的稳健性。

表3 变量
SGMM模型
替换自变量
替换因变量
政策滞后效应
排除其他政策干扰
(1) (2) (3) (4) (5)
HSFC ?0.219** (0.095) ?0.205*** (0.058) ?0.604*** (0.139) ?0.170*** (0.064) ?0.205** (0.082)
控制变量 是
时间固定效应 是
区域固定效应 是
Cons 1.675*** (0.576) 2.018** (0.810) 0.167 (0.492) 0.995** (0.505)
AR (1)检验 0.005
AR (2)检验 0.120
Hansen J检验 0.234

4.2.2.2 替换自变量
参考相关研究（Zhang等人，2023年；Qian等人，2023年；Liang等人，2024年），我们使用单位面积综合农业发展投资作为HSFC的代理变量，并相应地重新估计模型。表3的第（2）列显示，即使替换了核心解释变量，HSFC对CDVG的影响仍然显著为负。

4.2.2.3 替换因变量
在前一节中，使用CMA模型分离了粮食气候产量。作为稳健性测试，我们进一步使用HP滤波方法分离粮食产量并重新测量脆弱性指数。表3的第（3）列显示，无论使用哪种因变量测量方法，结果仍然稳健，估计系数仍然显著为负。

4.2.2.4 考虑政策滞后效应
鉴于农业生产的周期性和政策实施所需的时间，我们进一步研究了HSFC对下一年CDVG的影响。表3的第（4）列显示，估计系数仍然显著为负。

4.2.2.5 排除其他政策干扰
2018年4月，农业农村部和财政部推出了一项支持农业和农民的关键财政政策，大幅增加了土地肥力保护的补贴。这种同时进行的政策干预可能会混淆对高标准农田建设（HSFC）影响的准确估计。因此，我们排除了2018年及以后的样本，以消除上述政策的影响。如表3的第（5）列所示，HSFC对CDVG的影响仍然显著为负，进一步证明了基线回归结果的稳健性。4.2.3 机制分析虽然之前的分析已经表明HSFC对减少CDVG有显著效果，但HSFC影响CDVG的潜在机制仍不清楚。表4报告了机制测试的结果。第（1）和（2）列显示HSFC显著增加了FVC，而FVC对CDVG有显著的负面影响，这表明HSFC可以通过生态调节机制来减少CDVG。第（3）和（4）列表明HSFC显著改善了EIA，进而显著减少了CDVG，证实了基础设施保障机制在减轻CDVG方面的有效性。第（5）和（6）列显示HSFC显著增强了ML，ML水平的提高随后显著减少了CDVG，证实了技术支持机制在减轻CDVG方面的作用。表4变量生态调节效应基础设施保障效应技术支持效应FVC CDVG EIA CDVG ML CDVG（1）（2）（3）（4）（5）（6）HSFC 0.187** (0.093) ?0.227*** (0.069) 0.101*** (0.039) ?0.206*** (0.068) 0.203** (0.094) ?0.222*** (0.066)FVC ?0.091*** (0.033)EIA ?0.375** (0.149)ML ?0.107** (0.053)控制变量YES时间FEYES地区FEYES_Cons 0.595 (0.525) 0.710 (0.451) 0.065 (0.144) 0.681 (0.454) 0.737** (0.287) 0.735 (0.451)N540540540540540540机制分析结果。4.2.4 空间溢出效应4.2.4.1 空间计量经济模型的适用性测试为了检验构建空间计量经济模型的适用性，本研究进行了一系列测试。图5展示了中国CDVG的Moran’s I散点图。从散点图的分布可以看出，大多数省份集中在第一和第三象限，显示出“高-高”和“低-低”的聚集特征。这表明CDVG存在显著的正空间自相关性，证明了使用空间计量经济模型的必要性。图5CDVG的Moran’s I散点图。基于最小二乘虚拟变量（LSDV）回归残差的空间自相关性测试结果显示，Moran’s I的p值在1%的水平上显著为正，LM误差和LM滞后统计量也具有统计学意义。这些结果表明传统面板模型的残差存在强烈的正空间自相关性，表明使用空间计量经济模型是合适的（表5）。表5变量统计量p值残差Moran’s I 8.728*** 0.000LM误差 70.916*** 0.000稳健LM误差 17.102*** 0.000稳健LM滞后 54.253*** 0.000稳健LM滞后 0.438 0.308基于LSDV回归残差的空间相关性测试。4.2.4.2 空间溢出效应的结果表6的第（1）、（2）和（3）列分别报告了基于SDM、SLM和SEM模型的HSFC的估计空间溢出效应。为了减少潜在的估计偏差，本研究采用了Lee和Yu（2010）提出的准最大似然估计（QMLE）方法。结果显示，SDM和SLM模型中的空间自相关系数ρ显著为正，SEM模型中的空间误差系数λ也显著为正。这表明未观察到的空间效应对结果有显著影响，使用空间计量经济模型是合理的。表6变量SDM SLM SEM（1）（2）（3）HSFC ?0.233* (0.120) ?0.247*** (0.084) ?0.270*** (0.089)W × HSFC ?0.407** (0.207)ρ 0.209*** (0.069) 0.234*** (0.067)λ 0.208*** (0.073)控制变量YES时间FEYES地区FEYESN510510510510空间计量经济回归的结果。由于空间计量经济模型中解释变量的回归系数并不直接代表它们的边际效应，我们进一步分解了HSFC对CDVG的空间效应。表7基于SDM模型的分解结果显示，HSFC的直接和间接效应都显著为负，表明HSFC不仅在本地地区显著减少了CDVG，还通过空间溢出效应间接减少了邻近地区的CDVG。表7变量直接效应间接效应总效应HSFC ?0.245** (0.122) ?0.552** (0.244) ?0.797*** (0.264)控制变量YES时间FEYES地区FEYESN510基于SDM模型的空间溢出效应分解结果。4.2.5 异质性分析4.2.5.1 按CDVG分位数划分的异质性鉴于传统的OLS模型在评估HSFC对CDVG的影响时可能由于数据分布不对称而产生估计偏差，并且它们只捕捉到总体平均效应，可能掩盖了不同脆弱性水平下HSFC的边际效应差异，因此我们进一步采用了分位数回归模型来识别不同脆弱性分布下HSFC的异质性效应，结果如图6的A面板所示。总体而言，HSFC在中低脆弱性分位数（如P30、P50、P70）显示出显著的负面影响，且这种效应随着分位数的增加而增强。然而，在0.9分位数时，HSFC对CDVG的影响不再显著。一个可能的原因是，脆弱性较高的地区通常农业基础较弱或面临更极端的气候风险。HSFC在改善粮食生产条件方面的有效性往往需要达到一定的规模，这使得短期内难以超过抗灾所需的阈值。图6异质性结果。4.2.5.2 按粮食生产功能区划分的异质性鉴于不同粮食生产功能区在资源禀赋和政策支持方面的显著差异，我们将样本分为两组：主要粮食生产区和非主要粮食生产区，以研究HSFC的异质性效应。结果如图6的B面板所示。结果表明，HSFC在两种类型的地区都显著减少了CDVG，主要粮食生产区的效果更为明显。一个可能的解释是，主要粮食生产区通常拥有更优越的自然禀赋和更先进的农业技术，使得这些地区更容易通过改善生产条件来减轻气候风险。此外，根据国家粮食安全战略，这些地区被优先考虑实施HSFC，获得了更多的政策资源和技术支持，从而大大提高了HSFC的有效性。4.2.5.3 按地形特征划分的异质性粮食生产和HSFC都受到地形特征的显著限制。借鉴You等人（2018）提出的中国地区地形起伏分类，我们将整个样本分为两组：地形起伏较低的地区和地形起伏较高的地区。结果如图6的C面板所示，HSFC仅在地形起伏较低的地区显示出显著的缓解效应，而在地形起伏较高的地区其影响在统计上不显著。这一结果与预期一致。一个可能的解释是，地形起伏较高的地区通常地形崎岖、坡度陡峭、农田破碎，这无疑增加了HSFC的难度和成本，并限制了其建设质量。此外，复杂的地形也限制了农业生产服务市场的发展，进一步阻碍了HSFC带来的规模经济效应的实现。5 讨论极端气候灾害由于其频率、强度和范围的增加，对粮食生产构成了日益严重的威胁（Lu等人，2019）。在这种背景下，科学评估粮食生产系统对气候灾害的响应并探索有效的缓解措施已成为应对全球粮食安全挑战的紧迫任务。虽然之前的研究已经考察了气候变化、生产行为、农业保险和机械化在减轻农业气候风险中的作用（Wang等人，2024；Zeng等人，2025；Elahi等人，2022），但本研究将注意力转向了粮食生产中的气候灾害脆弱性（CDVG），并从土地整合的角度，理论上分析了并实证检验了中国高标准农田建设（HSFC）对CDVG的影响。通过使用改进的脆弱性评估框架和气候-产量分离方法，我们测量了200年至2020年中国30个省份的CDVG。适应能力通过趋势产量来表示，它捕捉了技术、制度和管理实践变化对作物产量的贡献（Dong等人，2018；Li等人，2022）；敏感性通过气候产量来反映，暴露程度通过受灾面积比率来衡量。这一综合框架同时考虑了外部气候灾害冲击和系统的内部稳定性和恢复能力。结果显示，CDVG呈现出“初期迅速下降随后缓慢波动下降”的趋势。从空间上看，CDVG在东部沿海地区、中国中部的主要粮食生产区和新疆表现出明显的区域差异和空间聚集。这一模式与Cheng等人（2024）和Li等人（2025）报告的中国农业气候灾害脆弱性全球趋势一致，也与区域现实相符。这些发现表明，政策制定者应优先考虑土地整合、农田基础设施投资和针对CDVG较高地区的有针对性的气候灾害适应措施。基线回归确认HSFC显著减少了CDVG。这一发现扩展并深化了Peng等人（2024a，2024b）和Gao与Qin（2024）的结论。前者发现HSFC显著降低了受灾率和作物失败率，对干旱的缓解效果比对洪水的效果更强。后者表明HSFC减少了粮食产量的方差，从而降低了粮食生产中的气候风险。在这些研究的基础上，我们将气候灾害暴露、系统稳定性和灾害响应能力纳入统一评估框架，评估了HSFC对这一综合指标的影响，从而为现有研究提供了有用的补充。机制分析表明，HSFC主要通过三个渠道减少CDVG：生态调节、基础设施保障和技术支持。现有研究已经证实，这些渠道可以有效增强农业系统的灾害预防和缓解能力，并降低气候灾害风险（Wang等人，2024；Elahi等人，2022；Das等人，2022），从而支持了我们的发现。此外，本研究还确认HSFC对CDVG具有显著的空间溢出效应。这一方面在之前的研究中被很大程度上忽视了。我们的证据为建立跨区域的协作灾害缓解系统以及在HSFC计划内协调规划和共同实施灾害预防项目提供了实证支持。尽管本研究提供了宝贵的见解，但仍存在一些局限性，这些局限性可以在未来的研究中得到解决。首先，不同的气候-产量分离方法可能会产生不同的脆弱性评估结果。如何更准确地分离气候成分，以及如何为特定研究目的选择适当的分解方法，仍然是未来工作的重要方向。其次，省级数据可能忽略了省内的区域差异和微观层面的因素；未来的研究可以使用更细粒度的数据来提高精度。第三，各种HSFC工程项目的有效性可能有所不同。如何根据农田和当地气候的实际条件科学规划和建设有效减少CDVG的HSFC项目，仍然是未来需要进一步探索的领域。6 结论和政策启示本研究深入探讨了高标准农田建设（HSFC）对粮食生产气候灾害脆弱性（CDVG）的影响。首先，基于改进的脆弱性测量框架，本研究从暴露、敏感性和适应能力三个维度测量了CDVG，并系统分析了CDVG的时空演变特征和区域差异。在此基础上，进一步研究了HSFC对CDVG的影响机制及其空间溢出效应，得出以下主要结论：（1）从时间上看，中国CDVG在研究期间呈现出“初期迅速下降随后缓慢波动下降”的趋势。从空间上看，脆弱性显示出显著的区域差异和空间聚集，东部沿海地区和主要粮食生产区的脆弱性水平通常低于其他省份，且区域差异呈现出逐渐趋同的趋势。（2）实证分析表明HSFC可以显著减少CDVG，这一结论在一系列稳健性测试后仍然成立。（3）HSFC不仅在本地地区有效减少了CDVG，还通过空间溢出效应间接减少了邻近省份的CDVG。（4）机制分析表明，HSFC的脆弱性降低效应主要通过生态调节、基础设施保障和技术支持机制实现。（5）异质性分析显示，在脆弱性分布方面，HSFC在中低脆弱性分位数上的缓解效应更为显著。在粮食生产功能区方面，HSFC在主要粮食生产区减少脆弱性的效果更为明显。在地形特征方面，HSFC仅在地形相对平坦的地区显著降低了脆弱性。基于上述发现，本研究提出以下政策建议：（1）应继续在全国范围内加强HSFC建设，逐步将所有永久性基本农田转变为高标准农田。灾害风险高、地形复杂且财政资源有限的地区需要特别关注。可以引入创新的公私合作（PPP）模式来吸引私人投资，并鼓励新型农业经营实体参与项目开发。(2) 水利设施建设（HSFC）的重点应根据各地区的气候特征和土壤条件进行调整。例如，在干旱易发地区，应重点采用节水灌溉技术以确保灌溉的可靠性；在洪涝易发地区，应优先建设高效的排水设施；而在易受低温和霜冻损害的地区，则应着重推广改进的栽培技术，并引进或培育耐寒的高品质作物品种。(3) 应优先在高风险地区进行水利设施建设。在水灾脆弱性较高的地区，水利设施的减灾效果较弱，这些地区主要位于中国中西部的非主要粮食生产区，未来应进一步向这些地区倾斜建设资源。(4) 应加强水利设施建设的支持体系。这包括完善农业土地流转市场、鼓励农业服务组织的发展，以及有效实施土壤和水资源保护以及综合防控措施。此外，应将工程措施与先进技术的推广相结合，以确保水利设施建设的持续有效性。