《Frontiers in Ecology and Evolution》：Promote or inhibit: how climate policy uncertainty may shape extreme weather’s impact on grain production
编辑推荐：
本文通过构建经济-气候交互模型（C-D-C），基于中国286个地级市面板数据，实证揭示了温度、降水与粮食产量间的倒U型关系，并创新性引入气候政策不确定性（CPU）作为调节变量，发现CPU会加剧极端气候对粮食产量的负面冲击，且该效应在非主产区、南北地域及非气候适应试点城市中呈现显著异质性。研究为全球农业系统应对气候风险提供了“政策稳定性即适应能力”的关键理论依据，对发展中国家粮食安全治理具有重要启示。
引言
全球气候变化通过极端天气事件频发深刻影响粮食生产系统，而政策环境作为关键外部因素可能调节气候与农业的互动关系。现有研究虽关注气候对农业的线性影响，但政策方向正确却频繁波动时，其自身可能成为风险源。气候政策不确定性（CPU）如何调节极端天气对粮食产量的作用机制尚缺乏系统探讨。本研究通过整合气候要素与柯布-道格拉斯生产函数（C-D模型），构建经济-气候模型（C-D-C），并引入CPU作为调节变量，旨在揭示政策不确定性在气候-粮食系统中的“放大器”角色。
文献综述与研究假设
气候与粮食产量的非线性关系
农学阈值理论（AT）与边际收益递减规律（DMR）指出，温度与降水对作物生长存在“最适区间”。低温抑制酶活性，高温加剧呼吸消耗；干旱阻碍光合作用，过度降水导致根系缺氧。研究假设温度（H1a）与降水（H1b）均与粮食产量呈倒U型关系，即适度升高促进产量，超越阈值后转为抑制。
CPU的调节机制
真实期权理论（RO）认为CPU增加生产者的“等待价值”，使其延迟长期投资；适应性能力（AC）理论指出CPU削弱系统应对气候风险的行动力。假设CPU通过三条路径加剧气候风险：
- 1.
降低农户风险应对投入（如保守种植模式）；
- 2.
干扰市场信号导致生产决策短期化；
- 3.
抑制农业技术创新与基础设施升级。
由此提出H2：CPU强化气候因子与产量的倒U型关系，使曲线陡峭化。
研究设计
模型构建
基于C-D生产函数引入气候变量二次项，建立对数线性模型（公式3）：
lnYit= α + β1lnClimateit+ β2(lnClimateit)2+ βlnXit+ γi+ μt+ εit
进一步加入CPU及其与气候变量的交互项构建调节模型（公式4），通过二次交互项系数符号判断CPU的强化（同号）或削弱（异号）作用。
变量与数据
以2001–2020年中国286个地级市数据为样本，被解释变量为粮食总产量，核心解释变量为年均温度（TP）与年降水总量（RF），调节变量为基于MacBERT模型构建的CPU指数，控制变量包括种植面积、化肥施用量、财政支出等。数据来源为国家统计局、NOAA等，并进行1%缩尾处理。
实证结果
基础回归
温度一次项系数0.544（正）、二次项系数-0.150（负），降水一次项系数2.096（正）、二次项系数-0.143（负），均通过1%显著性检验，验证倒U型关系。温度拐点为1.813，降水拐点为7.391，表明气候因子超阈值后对产量产生抑制。
调节效应
CPU与温度二次交互项系数显著为负（-0.032，p<0.05），与降水二次交互项同样显著为负（-0.021，p<0.05），表明CPU使倒U型曲线陡峭化，放大极端气候的负面效应。图示结果进一步显示，高CPU下曲线斜率显著增加。
异质性分析
- 1.
产区差异：非主产区的CPU调节效应更显著，因基础设施与政策支持较弱；
- 2.
南北差异：南方CPU主要强化温度-产量关系（高温频发），北方则强化降水-产量关系（水资源波动大）；
- 3.
政策试点差异：气候适应试点城市中CPU调节效应不显著，说明稳定政策可缓冲不确定性冲击。
讨论与启示
CPU通过双重路径放大气候风险：一方面增加长期投资等待价值，另一方面削弱即时行动能力。研究建议：
- 1.
增强气候适应能力，如构建灾害预警数字平台、推广耐逆品种；
- 2.
稳定气候政策预期，制定中长期农业碳汇计划；
- 3.
实施区域差异化策略，如南方发展高温保险、北方优化水利设施。
结论强调，将自然解决方案（NbS）融入政策框架，可降低农业系统对财政投入的依赖，提升内生韧性。
研究局限与展望
未来需细化作物关键生长期气候指标，拓展县级数据验证，并引入机器学习等方法优化内生性处理。CPU的调节机制可进一步延伸至农业生态系统服务、供应链管理等领域。
