全球风险报告》将极端天气列为未来十年最重大的全球威胁之一。这种气候适应措施能够大幅缓解干旱对农业的人类正面临着愈发频繁且强度不断加大的极端天气事件。《2024年不利影响（雷等，2016；萨瓦里等，2022）。因此，本研究提出以下问题：极端干旱的暴露如何影响农民的适应决策？这些行为对后续粮食生产效率（GPE）的影响程度如何？解答这些问题对于理解农村韧性和指导可持续农业政策具有重要的理论意义。
作为玉米、小麦和大豆的主要出口国以及全球农业温室气体排放量第二大的国家，美国在全球粮食安全和减排工作中发挥着重要作用。2022年《通胀削减法案》（IRA）的政策措施以及即将出台的《农业法案》表明，美国政府仍将激励农民作为应对农业排放上升的核心政策手段。《通胀削减法案》为美国农业部（USDA）的旗舰保护项目——环境质量激励计划（EQIP）拨款84.5亿美元，旨在通过气候智能型农业（CSA）解决农业排放问题。气候智能型农业的目标是：（a）提高农业生产力和农村农场收入，（b）增强应对气候变化的韧性，以及（c）减少温室气体排放（联合国粮农组织，2021年）。该计划涵盖多种实践方式，其中许多方式具备可量化的二氧化碳移除（CDR）能力，例如减少耕作、植树造林和改进林业管理（美国自然资源保护局，2024年）。
EQIP 以及另外两个大型联邦项目——保护储备计划（CRP）和保护管理计划（CSP）——提供的财政激励包括向土地所有者发放的年度付款和一次性付款，成本分担比例最高达75%，此外还有提供了线下和线上的技术支持。然而，自1996年以来基本未变的现有激励机制，至今未能吸引广泛参与。2006年至2023年间，EQIP和CSP两项资金合计中，仅有不到六分之一投入到保护服务农业实践中。美国近期的相关采用研究发现，从更广泛的角度来看，保护实践（涵盖保护服务农业实践这一术语）的采用率并未提升（比斯特拉等人，2022年）。
经济激励措施在推动人们做出更有利于气候的决策方面发挥着关键作用（Schwartz 等人，2019；Koengkan 等人，2023）。在农业领域，众多研究指出，经济激励措施——例如为实施特定做法提供的每英亩补助金或税收抵免——是影响农民行为、促使其采用可持续农业做法的最具影响力的机制（Haile 等人，2019；Schaafsma 等人，2019；Mujeyi 等人，2020）。哪些类型的激励措施对美国境内外气候智能型农业（CSA）做法的采用产生了最大影响？
印第安纳州、爱荷华州和伊利诺伊州的覆盖作物保险折扣计划等公共资助的州级激励计划的实施，会通过增加农民可选择的方案来影响采用气候智能型农业（CSA）实践的实际可行性，例如通过其气候智能型农业实践（如在原本可耕地种植树木）出售碳信用额度（查米等人，2023年）。这些州级激励计划是之所以将其纳入，是因为它们能够分析区域差异，揭示针对特定农业、经济和环境背景制定的更本地化的政策与激励措施，与通常在多样化农业区域采用统一方法的国家项目相比，如何对政策采纳产生不同的影响。
用于标注气候友好型做法的术语在采纳行为中可能发挥重要作用（McCright, 2011）。“气候智能型”标签由美国农业部长汤姆·维尔萨克于2014年引入美国农业部项目，并于次年正式实施（美国农业部，2015）。尽管“气候智能型”这一术语旨在推动可持续发展，但它可能会在不同政治立场的群体中对农民的认知和采纳行为产生不同影响，其表述方式还可能导致利益相关方产生分化（Stuart 等人，2012）。尽管该术语具有重要意义，但现有文献中专门探讨此类术语的使用如何影响气候智能型农业（CSA）做法采纳的研究存在明显空白。
本研究旨在探究：（a）哪些因素可预测美国农业部项目中气候智能型农业（CSA）的采纳情况；（b）州级激励机制与美国农业部“气候智能型”定位如何影响采纳行为。本研究聚焦于州级碳交易机制、作物保险保费折扣及气候智能型相关术语，原因在于目前尚无研究利用美国农业部覆盖全国、涵盖多个项目的数据集，对这些措施的采纳效果进行联合分析。之所以选择与公共资金支持的州级激励机制及项目术语相关的特定解释变量，是因为它们可能对采纳决策产生潜在影响，且截至目前，学界尚未针对其在采纳分析中的影响开展相关研究。目前，尚无研究借助美国最新的州级数据，探究美国农业部各项目中气候智能型农业实践的采纳情况。此外，也没有研究分析美国公共资金支持的州级激励机制（如作物保险折扣和碳交易项目）、气候标签（具体为“气候智能型”术语）与气候智能型农业采纳行为之间的关联。
现有研究多从金融和技术角度解释气候智能型农业（CSA）的采纳行为，但要理解农民如何应对政策激励，还需从更广泛的政治经济学和行为学视角进行分析。政治经济学视角强调，制度权力结构、意识形态信号以及不均衡的政策环境会影响农民获取联邦项目的机会，并塑造其采纳行为（钱德拉等人，2017；哈德曼与约切姆森，2012）。作为补充，行为采纳理论——包括创新扩散理论、风险偏好理论和有限理性理论——阐释了农民如何处理信息、评估不确定性，以及依赖推广人员、同伴网络等可信中介机构（诺勒与布拉德肖，2007；哈格朱等人，2014）。整合这些视角后，气候智能型农业的采纳不再仅仅是一种经济应对行为，而是一项受身份认同、信任、地方治理以及“气候智能型”等政策表述感知合法性影响的社会嵌入型决策。这一理论基础既决定了本研究解释变量的选择，也影响对研究结果的解读。
本研究填补了气候智能型农业相关文献中的一处空白，解决了以往研究被忽视的问题：基于美国全面的多州数据集，分析州级激励政策与联邦项目术语之间的相互作用。虽然Reimer等人（2014）研究了美国农业部的EQIP和CSP等项目如何推动保护性耕作措施的采用，但其研究重点仍集中在项目的广泛参与度上，并未拆分州级特定金融工具的影响。同样，Schaafsma等人（2019）开展了一项离散选择实验，探究加纳单一国家情境下农民对气候智能型农业（CSA）激励措施的偏好，但未探讨政策表述与区域激励措施的复合影响。Koengkan等人（2023）等近期综述强调了金融机制在推动可持续行为中的作用，却着重关注家庭和城市层面的动态变化，而非美国农业系统。相比之下，本研究首次通过实证检验，分析了2006—2022年这17年间，美国50个州实施的作物保险折扣、碳定价等政策与美国农业部项目定位（如“气候智能型”标签）之间的相互作用，及其对气候智能型农业（CSA）推广的影响。
本研究将研究置于美国联邦与州级项目特定的立法及经济语境中，有助于弥合国家级分析与本地化实施挑战之间的鸿沟。此外，将“气候智能型”术语作为变量纳入研究，为探讨政策框架如何影响政策采纳提供了新的视角——尽管这一领域对有效政策设计具有潜在意义，但目前仍未得到充分探索（麦克赖特，2011；斯图尔特等，2012）。在联邦气候政策既面临政治阻力，又需接受对项目有效性的严格审查之际，此类实证分析至关重要。随着围绕如何在《农业法案》和《通胀削减法案》下最优分配保护资金的争论愈发激烈，关于政策采纳实际驱动因素的循证见解，有助于确保公共投资带来可衡量的环境成果，尤其是在那些对气候倡议存在意识形态阻力的地区。
本研究对2006年至2023年EQIP和CSP合同的新型大规模数据集开展了计量经济学分析。该数据集通过向美国农业部提出一系列《信息自由法》（FOIA）申请构建而成，并结合州级社会经济与环境变量进行了三角验证，涵盖美国全部50个州的16万余条观测数据。与以往多数依赖调查数据、本地化实验或汇总性概述的研究不同，该数据集捕捉了与财政激励措施和行政分类相关的实践层面采纳决策。
本分析采用在州层面聚类标准误的单变量概率单位模型，基于15个自变量估计一项受资助实践被归类为气候智能型农业实践的概率，其中包含两个核心解释性政策变量：州级碳交易机制的存在与否以及农作物保险折扣计划的设立与否。该模型控制了农场规模、人均国内生产总值、降雨量、作物类型以及州级治理等社会经济、环境及政治因素。实证策略聚焦于跨时空的重复截面变异，从而能够在多样的州级情境中识别与政策相关的采纳模式。
研究结果表明，州级政策工具在气候智能型农业（CSA）的采纳过程中发挥着显著作用。具体而言，碳交易机制的存在与采纳概率提升6.9个百分点相关，而农作物保险折扣计划则与采纳概率提升4.3个百分点相关。值得注意的是，2015年“气候智能型”术语推出后，采纳速度有所放缓，这说明政策定位与财政激励措施一样，能够通过意识形态筛选等方式对采纳率产生实质性影响。采纳模式还会随作物类型、农场规模和经济指标的不同而变化。
本次计量经济学分析的目标是找出影响美国农业部两个主要项目中气候智能型农业（CSA）实践采纳情况的主要驱动因素，并重点研究州级激励机制（如碳补贴和作物保险折扣计划）对CSA采纳的影响。研究通过构建概率单位模型，探究了CSA实践采纳（因变量）与15个自变量之间的关联关系。模型的描述性统计结果详见附录中的S1部分。
本次计量经济学分析选用的模型设定为单一因变量（气候智能型农业实践的采纳情况），采用二元形式（参考 Davies 和 Hodge，2006 年；Reimer 等人，2012 年的研究），若某一受资助实践被归为气候智能型农业实践，则赋值为“1”，反之则为“0”。研究数据来源于通过《信息自由法》申请获取的美国农业部记录，并辅以美国国家农业统计服务局、国家海洋和大气管理局、人口普查局等机构的州级补充数据，时间范围覆盖2006至2023年的美国全部50个州。通过分析一系列控制变量与解释变量（包括州级激励机制以及“气候智能型”术语的使用情况），本研究旨在揭示影响美国各地气候智能型农业实践采纳模式的主要驱动因素。
由于美国农业部《信息自由法》数据报告的限制，社区支持农业（CSA）的采用被设定为二元指标；该数据集仅记录受资助合同是否包含社区支持农业实践，却未记录采用该实践的农场土地面积占比。尽管这限制了对采用强度的分析能力——这是文献中强调的一个重要维度（Bergtold 等人，2012；Acevedo 等人，2020）——但在仅能观察到参与情况而非采用程度的研究中，二元指标仍被广泛应用于采用研究（Reimer 等人，2012；Davies 和 Hodge，2006）。我们明确承认，以土地面积百分比衡量的采用率可能会得出不同的结论，并指出当更细粒度的数据可得时，这将是未来开展农场或县级层面研究的重点方向。
该模型共纳入15个自变量：2个核心政策变量（是否存在州级碳交易计划、是否存在州级农作物保险保费补贴计划）和13个控制变量（州人口、州面积（平方英里）、农场平均规模、州人均GDP、耕地占比、州平均降雨量、州平均海拔、执政党、主要作物类型指标、州农场收入占收入的平均百分比、州互联网普及率、州教育水平、灌溉土地占比）。完整的变量列表见附录中的S2部分。
一个标准误差在州层面聚类的单变量概率单位模型为在州层面估算农民对采用气候智能型农业（CSA）实践的兴趣提供了理论基础。所有计算均使用统计软件Stata（版本18）完成。概率单位模型在一组解释变量和控制变量的条件下，估算出一项资助实践被归类为气候智能型农业实践的概率。
聚类标准误模型考虑了州内相关性，确保了稳健的标准误估计，并部分解决了未观测异质性问题。将标准误按州级进行聚类，可对州内观测值的相关性进行调整，这一点至关重要，因为同一州的数据点彼此之间很可能比与其他州的数据点更相似。此外，该模型能够同时估计时变变量（例如某州执政的政党）和非时变变量（例如某州的平方英里面积），数据集均包含这两类变量。这一调整有助于降低由此类州内相关性可能导致的标准误偏差风险。
为评估协变量间的共线性，在估计前对所有自变量计算了方差膨胀因子（VIF）。所有方差膨胀因子值均低于5，表明多重共线性不太可能对系数估计造成干扰。这一诊断结果支持了概率单位模型的稳定性以及边际效应的可解释性。
作为稳健性检验，我们使用对数转换后的州人口和州土地面积重新估计概率模型，以解决州规模变量的偏度问题。相关结果见附录的S3部分。
本研究的分析单位是美国农业部（USDA）资助的、应用于特定州和年份的特定作物类型的农业实践。每个观测值代表在环境质量激励计划（EQIP）或保护服务计划（CSP）资助下的单一实践，并按州-年份-作物维度进行报告。例如，某州的一位农民在艾奥瓦州2017年对大豆实施了免耕种植并获得了资金，这将被记为一项观测记录。
通过向美国农业部提出一系列《信息自由法》申请，从美国自然资源保护局（NRCS）获取了概述这些合同的州级数据。依据美国自然资源保护局的《气候智能型农业与林业缓解措施清单》（2024年），确定了气候智能型农业实践，该清单明确了符合气候智能型标准的“环境质量激励计划”（EQIP）和“保护安全计划”（CSP）中的相关实践。截至2024年8月，美国农业部已正式将65项实践指定为气候智能型农业实践。
本研究将覆盖作物、免耕/少耕和轮作这三种气候智能型农业（CSA）实践归为“气候智能型土壤实践”这一子类别。选择这些实践是因为它们在美国农田中应用广泛、采用门槛相对较低，且其对土壤健康和碳固存的益处已有充分文献记载（Firth 等人，2022）。这三种实践合计占气候智能型农业（CSA）总资金的31.5%。其他气候智能型农业（CSA）实践，如灌溉设施改进或养分管理系统，则被排除在外，因为它们主要侧重于提升水资源或投入品利用效率，而非碳固存或土壤改良，且通常需要更高的前期投入和技术复杂度（Paramesh 等人，2023）。
检索到的原始数据集包含以下列：年份、项目（EQIP 或 CSP）、州、作物名称、措施代码、措施名称、措施单位（如英亩、平方英尺）、实施范围以及总付款金额。每一行代表某一州在某一年度针对某类作物实施的某一具体措施的一次受资助执行情况。由于与作物名称存在冗余，牲畜名称这一变量已被剔除。
该数据集涵盖2006年至2023年美国全部50个州，共计166,901条观测数据。尽管各州的观测数据在多年间重复出现，但具体的种植方式-作物组合存在差异，因此该数据集更适合被界定为重复横截面数据，而非真正的面板数据。这种结构使得研究能够针对不同政策环境和作物类型开展时变分析，不过无法对同一农场或地块进行长期追踪。
为准备分析用数据，为清晰起见，剔除了信息缺失的已编辑行，且由于数据可用性有限及资金规模较小（仅占总记录的0.3%），排除了美国属地。新增了两个变量，将每一行标记为（a）美国农业部认可的社区支持农业做法和（b）社区支持农业土壤相关做法，从而为计量经济学建模实现二分类。
