原文信息
标题：Response and adaptation of agriculture to climate change: Evidencefrom China
作 者：Shuai Chen , Binlei Gong
期 刊：Journal of Development Economics, 2021（148），102557
摘要：本文旨在探讨气候变化通过多种途径影响农业的机制和长期适应机制。本文利用过去35年的县级面板数据，评估了全球变暖对中国农业全要素生产率(TFP)的影响，以及对农业投入和产出的影响。结果表明，在短期内，极端高温对中国农业全要素生产率和投入利用率产生了负面影响，从而对以产量衡量的农业产出产生了更大的负面影响。然而，长期适应抵消了极端高温暴露对TFP的短期影响的37.9%，而气候适应则在更大程度上减轻了农业产量损失，因为长期而言，在劳动力、化肥和机械的调整方面更加灵活。尽管发现了气候适应，但未来气候变化情景下的影响预测仍意味着中国农业将遭受重大损失。
一、问题的提出
缓解和适应是减少气候变化风险的两个重要工具。在缓解方面，已就减少和遏制全球温室气体排放进行了许多国际气候谈判和协定。因此，许多国家颁布了缓解政策，以提高能源效率或鼓励更多地使用可再生能源。因为减少排放强度是缓解的主要途径。然而，在适应气候变化方面，减少气候变化脆弱性的是战略性原则，而不是执行性政策。特别是，农业是最容易受到气温上升影响的部门之一，并直接受到气候变化的影响。因此，更清楚地了解气候变化如何影响农业的机制和长期适应抵消的程度有助于更好的设计农业及气候政策。
近年来，各地农业投入组合日趋多样化，土地生产率与全要素生产率之间的差距进一步扩大。因此，除了研究气候变化对产量的影响外，还需要研究气候变化对TFP的影响，这方面的研究文献相对较少。研究TFP对气候变化的响应有助于明确气候变化最终影响产量的机制。现有的大多数研究估计了气候变化对产量的总体影响，而不是基于生产率分析将产量的变化分解为全要素生产率的变化和其他投入的变化。了解气候变化如何通过影响全要素生产率和投入利用率来影响产量，有助于更好地分析过去的适应行为，并为未来农业生产的适应提供依据。
该领域早期的研究通常利用不同地区平均温度和降水的横断面变化来研究它们与农业产出的关系。由于横断面方法容易出现内生性问题，如遗漏变量偏差，较新的研究通常使用面板回归方法来检查给定区域在不同气候条件下的结果。Burke和Emerick(2016)开发了一种长差方法，并使用面板估计和长差之间的差异来量化农业适应。在农业适应的经济结果方面，现有的研究侧重于土地价值或作物产量的视角。近年来主要针对全要素生产率(TFP)的测度。全要素生产率考虑了所有的投入，因此可以更好地衡量农业部门的技术进步和技术效率。
除了少数例外情况，大多数研究气候变化对农业影响的经济分析更多地集中在发达国家。然而，农业发展在发展中国家可能更为重要，因为它是实现减贫和可持续发展的关键和独特工具。考虑到四分之三的贫困人口以农业为生，调查发展中国家的农业对气候变化的反应不仅重要而且必要。此外，这种影响在大多数领域很可能是负面的，而且由于缺乏资金和技术，在发展中国家更难适应或预防这种影响。因此，气候变化对发展中国家农业生产的影响值得研究，这将有助于更好地推进气候和产业政策。
鉴于中国是世界上最大的温室气体排放国也是最大的发展中国家，有世界上最大的农业和最多的农业人口，本文旨在分析中国农业TFP对气候变化的响应和适应情况。中国的减排政策旨在通过调整产业结构、优化能源消费结构、提高能效、增强碳封存能力、试点碳交易等措施，降低温室气体排放强度。截至2017年，中国的碳排放强度较2005年下降了约46%。在适应政策方面，还没有在国家层面制定专门针对农业适应气候变化的政策。而其他一些政策，如“一免三补”政策，不仅是为了保障粮食安全和增加农民收入，而且也是为了提高农业对气候变化的适应能力。了解这些政策如何通过生产力和投入利用两个渠道缓解全球变暖背景下的农业损失，对于制定更有效的适应政策具有重要意义。因此，本文还旨在确定气候变化通过对全要素生产率和投入利用的影响来影响产量的机制，以及中国农民适应行为的机制。
为了调查对气候变化的长期调整是否显著超过短期调整，本文跟随Burke和Emerick(2016)，将面板方法的估计结果与长差估计结果进行比较。比较面板估计和长差估计的投入方面，我们发现气候适应确实发生在所有三个投入。气候变化对劳动力和化肥的负面影响较小，长期来看对机械投入有积极作用，说明天气越热，农民使用更多的机械代替劳动力。当采用其他方法合并气候和农业数据、采用其他温度箱、采用其他生产力措施和采用其他估计策略时，我们的研究结果仍然非常可靠。
本文对现有文献作了三个方面的贡献。首先，产量和全要素生产率都被用来估计气候变化对农业的影响，后者是一个更好的衡量农业生产力的方法，但在气候变化的文献中研究不足。第二，据我们所知，这是第一篇明确气候变化通过影响全要素生产率和投入利用率进而影响影响产量的机制，以及气候适应行为机制的文章。第三，基于35年的长期研究和县域空间格局，我们提供了一些最早的非线性温度效应和大量的中国农业的适应行为的经验证据。
二、机制研究
本节介绍了农业对气候变化的响应和适应机制。为了便于说明，考虑一个CobbDouglas农业生产函数，其形式如下:
其中，y是产量(亩产出)的对数形式，f(X;β)代表农业生产过程的投入产出关系。X=c(l,f,m)该向量表示的是每亩地的投入数量，其中l代表劳动，f代表化肥，m代表机械,全部使用对数形式。C=（β1，β2，β3），分别代表了投入的系数。TFP是农业全要素生产率的对数形式。式(1)有助于建立本文所关注的全要素生产率与文献中广泛采用的土地生产率(yield)之间的关系。根据式(1)中的生产函数，气候变化可能通过两个渠道影响产量:对各种投入利用(即X)的影响和对全要素生产率(即TFP)的影响。
假设农民在t年根据之前的天气条件选择最优的投入组合和适宜的技术。一方面，即使投入使用保持不变，极端高温也可能导致农业产出下降，因为炎热的天气会影响作物的正常生长，并从其他途径降低生产效率，这可能导致TFP对气候变化的负响应，这导致第一个假设:
假设1.在短期内，气候变化对TFP有负面影响。
另一方面，在极端高温条件下，农民可能会减少户外耕作活动，导致劳动的投入减少，从而导致肥料在短期内的使用也减少。与此同时,短期内农民可能无力改变资本存量,例如,购买新机器取代劳动力。因此,要素的投入组合不再是最优,导致气候变化对农业产出产生负面影响。据此，本文提出了第二个假设:
假设2.气候变化对劳动力和化肥的利用有负面影响，但在短期内对资本存量(机械)没有显著影响。
此外,考虑到前两个假设和方程（1）生产函数，气候变化对产量的负面影响比它对TFP的影响要大些。这导致了第三个假设:
假设3.短期内，气候变化对产量的负面影响大于对全要素生产率的负面影响。
本文除了分析农业对气候变化的响应外，还分析了农业对气候变化的长期适应。再一次，农业适应的机理可以用生产函数来说明。一方面,在全球变暖的背景下,农民可能种植耐热作物类型,研究机构可能创造新品种,可以更好地适应炎热的天气,能减少气候变化对农业TFP的负面影响。因此,本文提出了第四个假设:
假设4.气候变化对全要素生产率的长期负面影响小于短期负面影响，这意味着全要素生产率对气候变化的适应。
另一方面，从长远来看，当炎热天气频繁发生时，农民可能会找到更多的方法来对抗炎热天气，例如预防中暑的新药，以及在黎明和黄昏多工作，而不是在白天炎热的时候。这些适应性可以减少气候变化对劳动力供给的负面影响,从而减少气候变化对化肥使用的负面影响。此外,农民在长期可能更多地使用机械克服劳动力短缺。因此,第五个假设是:
假设5.从长远来看，气候变化对劳动力和化肥利用的负面影响较小，而对资本存量(机械)有积极影响，这意味着对所有三种投入都要加以适应。
考虑第四和第五假设,和生产函数(1),气候变化对产量的长期负面影响较小。第六个假设中所述:
假设6.气候变化对产量的长期负面影响小于短期负面影响，这意味着在产量方面对气候变化有适应性。
最后，产量的适应性大于TFP的适应性，因为农民也可以调整他们的投入组合以适应气候变化。因此，本文提出了第七个假设：
假设7.产量的适应大于TFP的适应。
除上述七个假设外，从长远来看，气候变化对产量的影响是否大于或小于对TFP的影响尚不得而知。如果在所有三种投入的适应性很小,这意味着从长远来看，相对于对TFP的负面影响，气候变化对产量有更大的负面影响。在短期内也是如此。然而，如果这三种投入的适应性都很大，从长远来看，气候变化对产量的负面影响将小于对全要素生产率的负面影响。综上所述，本文预测，在短期内，气候变化1)对劳动力和肥料使用有负向影响，但对资本存量(机械)没有显著影响;2)对全要素生产率有负向影响，对产量的负向影响更大。从长期来看，我们预计所有三种投入都存在适应性，而且产量的适应性大于TFP的适应性。
图1总结了本文构建的机制和假设。
三、模型构建
本节首先介绍了一种随机前沿分析方法，该方法对农业生产过程进行建模，并对农业tfp进行估计。然后，我们采用Schlenker和Roberts(2009)提出的面板方法来估计全球变暖对农业的短期影响(包括投入利用、TFP和产量)，以及Burke和Emerick(2016)提出的长差方法来估计长期影响。最后，面板估计值和长差估计值之间的差异可以在我们的研究期间得出气候适应。
3.1农业TFP的估计
考虑Cobb-Douglas (C-D)随机前沿模型，其形式为:
其中yit表示I县在t时刻的产量，而lit、fit和mit分别表示每公顷的劳动力、机械和化肥投入，均以对数表示。全要素生产率可以由tfpit=exp(α + λt -uit)推导出来，其中α是截距，λt衡量的是年固定效应，uit指技术效率低下。
本文采用了几种方法来检查生产函数和TFP估计的稳健性。首先，本文使用Sheng等人（2019a）的方法放松了生产函数的规模收益不变假设。其次，本文跟随龚（2020b）使用常规生产函数推导TFP，并将结果与随机前沿模型估计的结果进行比较。第三，本文还采用了超对数函数而不是Cobb-Douglas生产函数。超对数随机前沿模型有如下形式:
3.2面板估计
面板方法通常使用面板数据来调查农业成果对短期天气变化的响应。过去文献利用生长度日(GDD，以下简称GDD)的概念来捕捉农业成果与气温变化之间的非线性关系。GDD的温度边界的预定定义产生了两种面板估计——温度箱方法和分段线性方法——如下两个方程所示:
式(3)展示了温度箱方法，zit指的是感兴趣的变量，可以是农业全要素生产率、产量或投入利用率变化。Tbinmit表示全年温度在第m个温度界时，i县在t年的热积累，采用正弦曲线法。在基线中，本文使用每3℃区间的温度边界构造了温度因素。作为稳健性检验，我们还分别用4℃、5℃和6℃温度区间构造Tbinm为了分离温度对农业产出的影响，将日平均降雨量、日照时数、相对湿度和风力的线性和二次项控制为协变量，并用Wit 代表。Ci县固定效应，还包括年份固定效应(λt)，以控制在给定年份对所有县产生类似影响的任何因素。βm是感兴趣的系数。式(3)的主要目的是检验βm是否为0，即检验原假设，即第m个温度仓对农业的结果没有影响。
式(4)所示的分段线性方法可以认为是式(3)中温度箱方法的一种特殊情况，即日气温仅被划分为低于和高于温度阈值l1的两个区间。在这种规范中，温度对农业的非线性影响反映在β1和β2之间的区别。
3.3 长差法
长差法通常用于估计农业成果对长期气候变化的响应。长期变化由给定区域的两个不同时间点之间的差构成。以农业产量为感兴趣的变量(z)的为例，考虑两个时期，记作“a”和“b”，其中长差值由Δzi=zia-zib计算。为了避免使用单一年份导致的计算不精确，现有文献建议使用多年周期的平均值。如果每个时期跨越“n”年,那么a时期农业的平均产量就等于 而b时期的农业平均产量就等于。对方程（4）里的所有变量执行同样的操作就可以把不随时间变化的因素消除掉，并由此得到长差分方程:
为了消除任何可能与气候变化和农业结果相关的时变不可观测因素的担忧，它将数据集划分为两个子样本，一个用于周期的前半部分，另一个用于周期的后半部分，估计以下两周期长差面板模式：
3.4 长期的适应与抵消
量化过去气候适应的基本思想是将面板估计的短期影响与长差法估计的长期影响进行比较。如果短期效应在长期内被抵消，就会观察到气候适应。由于我们说明了分段线性方法在长差估计中更适合用于预测长期影响，因此本文也将式(4)中的分段线性方法作为评估气候变化对农业全要素生产率、产量和投入利用率的短期影响的主要模型。另一方面，估计具有不同温度区间的温度箱方法作为短期影响的稳健性检验。
四、数据及其描述性统计
4.1 农业
本文以中国大陆2495个县(1981 - 2015年)为研究对象，利用中国农业部的县级农业数据库建立的非平衡县级面板，共收集观测数据71,047个。这个数据库里有每个县每年的农业产出、土地、劳动力、化肥、机械投入数据。由于我们的目标是确定气候变化如何通过各种渠道影响产量，本文遵循文献中有关中国农业投入产出选择。产出是农业产量，以每公顷农业总产值为代表。主要有三种投入:劳动力(每公顷农业劳动力)、化肥(每公顷氮、磷、钾肥和复合肥的总重量)和机械(每公顷总功率千瓦)。在放宽规模收益常数假设的情况下，本文采用Sheng等的方法将土地加入生产函数。
4.2 天气
中国气象中心每天记录全国820个气象站的天气信息，包括最低气温、最高气温、平均气温、降水、相对湿度、风速，日照时数。本文使用反距离加权(IDW)方法对我们农业数据集中包含的2495个县的天气数据进行匹配，该方法在现有的研究中被广泛用于估算天气或污染数据。对于2495个县，该方法计算出该县质心某一半径内所有气象站的加权平均值，其中距离平方反比为权重。本文选取100 km作为阈值半径，结果对不同半径具有较强的稳健性。
4.3 数据总结
表1总结了1981-2015年中国县域农业和天气变化情况
此外，如图2所示，中国近30年气候变化的两个明显特征是气温上升和日照时数减少。
五、实证结果
5.1 TFP
本文首先利用中国大陆2495个县域的非平衡面板，对中国大陆1981-2015年的农业生产函数进行估算，并推导出全要素生产率。表2报告了农业生产函数的估计结果。第一列给出了具有规模报酬不变的Cobb-Douglas随机前沿模型(CD-SFA-w/CRS，下文)的结果，这是基线模型。第二到第四列报告三个模型的结果用来检验基准模型的稳健性。这四种生产模型得出了不同的全要素生产率估计。基于CD-SFA-w/CRS模型得出的基线TFP表明，农业生产力在80年代初实现了显著的增长，随后在80年代末出现了显著下降。TFP在20世纪90年代取得了显著的改善，但自21世纪初以来逐渐失去了动力。这一趋势与文献中的发现一致此外，其他三个TFP指标都证实了TFP趋势的稳健性。
5.2 面板估计结果
为了使用式(4)中的分段线性方法，低温边界和内生阈值必须在提前确定。农业和气象文献一般将GDD分为三个部分:负积温(GDD低于0℃)、无效积温(GDD介于0 – 10℃之间)和活动积温(GDD高于10 ℃)。我们选择33℃作为我们的基线阈值，而32℃和34℃用于稳健性检查。除定义和外，农业TFP由一年中的任何季节决定，而不是由特定的生长季节决定，因此我们将日暴露量综合来构建全年GDD。
表3报告了分段线性方法的结果。在分段线性方法中，利用阈值以下(10℃~ 33℃)和阈值以上(33℃以上)两个GDD变量来表征温度对农业产出的非线性影响。在表3中，第(1)列只包含GDD，而第(2)-(5)列的回归中逐渐加入了县域固定效应、年固定效应、附加天气控制变量和农业用地权重。所有估算结果一致表明，温度与农业全要素生产率之间存在非线性关系。从第(5)列的估计系数可知，全年额外增加一天暴露于33℃以上的温度，农业全要素生产率预计将线性下降2.6%。
利用传统的温度箱方法进一步增强了温度与农业全要素生产率之间的非线性关系。在图4中，我们使用每3℃温度箱的GDD阵列来描述(3)式的估计。结果表明，温度对农业全要素生产率的影响存在明显的非线性、倒u型效应，拐点再次出现在33℃左右。本文还在温度箱方法中使用了可选的温度箱(分别为每4个℃、每5个℃和每6个℃温度箱)，发现气温拐点仍然在33℃左右出现。连同温度箱方法的估计，我们也在图4中说明了分段线性方法的估计结果，这联合表明，这两个估计提供了非常相似的模式和阈值。
表4报告了使用替代农业TFP和土地产值(即产量)进行的估计。除了我们在第(1)列中的基线估计外，第2-4列运用其他模型做了类似估计，结果都比较稳健。另一方面，表4的(5)列显示，极端加热在短期内也显著降低了农业产量。更确切地说，每额外增加一天累积暴露在33℃以上的温度，产量预计将下降4.4%。因此，相对于对农业全要素生产率的影响，极端加热对产量的负面影响要大近71%，印证了假说3。
5.3 长期估计
我们的长期差异方法的估计结果见表5 ，该表预测了气候变化对农业tfp和产量的长期影响。由Burke和Emerick(2016)提出，我们选择5年的差异作为基线，并将估计结果报告在表5中。类似于表4,列1为基准回归结果，列2到列4用其他模型作为稳健性检验。尤其第一列结果表明，估计结果表明，每额外暴露于33℃增加一天，TFP在长期会下降近1.6%，表5的第5列报告了极端加热对农业产量的长期影响，这意味着从长期来看，在一年中额外增加一天暴露在33℃以上的温度下预计产量将减少2.3%。
5.4适应
由于长差估计值反映了在我们的研究期间农民对长期气候变化的适应情况，由面板估计值给出的短期响应与由长差估计值给出的长期估计值之间的差异反映了过去30年的气候适应情况。表6中A 组报告了面板估计结果，B组报告了长差估计结果，C组报告了适应情况。
表6的(1)(2)列分别反映了产出和TFP的响应。C组结果显示，长期适应分别抵消了极端高温对中国农业产出和TFP的短期影响的46.8%和37.9%。值得注意的是，我们只有中国820个气象站的天气记录，使用IDW方法对2495个县的天气数据进行匹配，其中选择100 km作为阈值半径。换句话说，一个县的天气状况是通过对该县质心半径100公里内所有气象站的加权平均来估计的。为了检验我们的估计在不同阈值半径下的敏感性，本文仅对存在一个或多个天气监测站的县进行回归分析。此外，我们还分别使用50 km、150 km和200 km作为阈值半径进行回归分析。结果都是稳健的。
除了点估计外，我们还通过bootstrap程序进一步量化了气候适应的不确定性。图5为农业产出和TFP的bootstrap的适应估计，使用全样本数据估计的中位数表明长期适应分别抵消了极端高温对中国农业产出和TFP的短期影响的46.8%和37.9%。这与表6点估计的数值是一致的，统计上也显著。图5也报告了不同时期的适应情况。气候适应的程度在近几年里都在逐渐变大，以TFP为例，1981-1990年间，气候适应的程度只有9.0%，到了1991-2000年变成了36.3%，在最近的2001-2015年间进一步上升到46.9%。产出对气候的适应程度从1981-1990年间的29.9%上升到1991-2000年间的31.1%进一步上升到2001-2015年间的54.3%。这与我们的假设一致，农业产出对气候适应的程度要大于TFP对气候适应的程度。
5.5 机制及其他解释
表6不仅报告了农业产量和全要素生产率的显著适应性，而且还表明，从短期和长期来看，气候变化对产量的影响比对全要素生产率的影响更为负面。产量和全要素生产率之间的差异是由于气候变化对投入利用的影响。表6第（3）列至第（5）列分别报告了气候变化对劳动力、肥料和机械的影响。正如第2部分所预测的，极热对劳动力和肥料有显著的负面影响，但在短期内对机械没有显著影响。然而，从长远来看，劳动力和肥料的使用逐渐恢复，在炎热的天气里，机械的使用越来越多地取代劳动力。表6中的估计结果支持图1中的所有七个假设。总之，对产量的影响是对投入要素的影响和对全要素生产率的影响的结合。在短期内，极端高温会对劳动力、肥料和全要素生产率产生负面影响，从而在短期内对产量产生更负面的影响。但是在长期内，不管是产量还是TFP都存在适应性，所以长期而言，产量对气候的适应程度更强。
六、对未来气候变化的预测
图6（A）展示了不同情景下未来变暖对农业全要素生产率的影响。总的来说，我们发现未来全球变暖将显著降低中国的农业全要素生产率，基于面板数据估计的预测往往高估了这种降低。具体而言，在图6（A）的左面板中，根据HadGEM2 ES模型，到2041年至2060年，中期平均农业全要素生产率预计将在RCP2.6下降低2.5%至3.9%和RCP8.5下的3.5–5.7%。在NorESM1-M模型下，全要素生产率的相应下降较小，在RCP2.6下下降1.9–3.1%和RCP8.5下的2.5-4.1%。在图6（A）的右侧面板中，农业全要素生产率的长期下降预计将远远大于中期下降。根据HadGEM2 ES模型，到2061-2080年，中国的农业全要素生产率预计将下降4.4%-11.8%，根据NorESM1-M模型，将下降3.9%-8.1%。在中期（2041年至2060年），在不同气候模型下的不同温室气体浓度轨迹中，根据面板估计，中国的农业全要素生产率预计将下降4.2%，根据长差估计，将下降2.6%，这意味着气候适应抵消了中期全要素生产率下降的38.1%。然而，在长期（2061-2080年），根据面板估计，中国的农业全要素生产率预计将下降7.8%，根据长差估计，将下降5.6%，从长期来看，气候适应抵消了全要素生产率下降的28.2%。
同样，图6（B）显示了未来变暖对农业产出的影响。图6（B）中的所有预测结果与图6（A）一致。面板（A）和面板（B）之间最显著的区别在于，农业产出的预计减少量几乎是农业全要素生产率下降量的两倍，这可以从纵轴上不同的价值尺度看出，这也与预期一致，因为我们之前的估计显示，由于气候变化对投入的负面影响，相对于全要素生产率，气候对产量的负面影响更大。同样，从长远来看，气候适应对减产的抵消作用将减少。
总之，尽管气候适应正在发生，但未来的全球变暖预计仍将对中国的农业生产力产生相当大的负面影响，因为超过一半的短期影响仍然存在。特别值得注意的是，根据未来预测评估的两点。首先，与中期相比，我们的估计揭示的温度和农业结果之间的非线性关系直接导致TFP和产量在长期内更快地降低。第二，与中期相比，长期气候适应能力下降，这表明在没有新的政策干预的情况下，农业部门的适应能力有限。
七、总结讨论
大多数现有的文献是基于短期相应来量化气候变化对经济结果的影响，未能考虑适应行为，可能会减轻短期响应在长期的反应，从长远来看。最近的一些研究通过估计和比较短期和长期反应，捕捉到了这种对气候变化的长期调整。然而，了解应对和适应机制是公共政策的一个更重要的投入。以农业为例，确定气候变化如何通过影响TFP和投入利用率来影响产量的机制，以及农民如何适应这些影响的机制，可以为应对气候变化提供更多有用的信息。
本文利用1981年至2015年期间2495个县的县年面板数据发现，极端炎热天气对农业全要素生产率有负面影响，短期内对产量的负面影响更大，因为在超过33摄氏度的温度下额外累积暴露一天，全要素生产率和产量预计将分别线性下降2.6%和4.4%。对全要素生产率和产量的影响之间的差异是由于极热天气对劳动力和肥料使用的负面影响。
TFP和所有三种投入都有显著的适应性，这导致产量的更大适应性。长期适应似乎减轻了TFP短期效应的37.9%。此外，中国农民缓解了极端炎热天气导致的劳动力和肥料减少，并使用更多机器来取代劳动力的减少。所有这些TFP和投入的适应行为使得产出在长期可以弥补短期产出变化的46.8%。长期补偿的存在表明，根据之前文献中的面板估计，可能高估了气候变化的负面影响（Chen等人，2016年；Zhang等人，2017年）。根据我们的分析，农业的未来气候适应因此从两条途径出现：农业TFP的适应和农业投入组合的适应，因此，政府应该制定更多的政策来引导技术变革，提高农业生产率。同时，政策工具，如机械购置补贴和农业保险政策，对激励农业投资至关重要。
尽管气候适应正在发生，但考虑到一半以上的短期影响仍然存在，未来全球变暖仍有可能对中国的农业生产力产生相当大的负面影响。此外，本文中基于较长数据集重申的非线性关系提醒我们，从长远来看，气候变化的危害将不成比例地加剧，而适应能力将降低。这意味着越早采取缓解措施，政策效果就越好。除了应对气候变化的政策外，政府还必须制定相关政策，在看似不可避免的农业减产背景下减少福利损失。
Abstract
This article aims to identify the mechanism of how climate change affects agriculture through various channels and the mechanism of longer-run adaptation. Using a county-pane; dataset spanning the past 35 years, we evaluate the impact of global warming on agricultural total factor productivity (TFP) as well as the impacts on agricultural inputs and outputs in China. Results show that, in the short run, extreme heat has negative effects on China’s agricultural TFP and input utilization, which results in a more negative effect on agricultural output measured by yield. However, longer-run adaptation has offset 37.9% of the short-run effects of extreme heat exposure on TFP, while climate adaptation mitigates agricultural output loss to a greater extent due to more flexible adjustment in labor, fertilizer, and machines in the long run. Despite the detected climate adaptation, projections of impacts under future climate change scenarios still imply a substantial loss in China’s agriculture.