推文人 | 李静 

 

推文信息：

 

Amadu, F. O.; McNamara P. E.; Miller, D. C. Yield effects of climate-smart agriculture aid investment in southern Malawi[J]. Food Policy, 2020, 92, 101869.

 

01 引言

 

气候智慧型农业是能在持续提高农业生产力、增强农业对自然灾害及气候变化抵抗能力的同时，能很好地适应气候变化，促进农村发展和确保粮食安全的适应性农业生产措施 (FAO, 2018; Lipper et al., 2014)。但是，气候智慧型农业往往需要大量的土地、劳动力和金融资本投资，这些限制了低收入国家的采用 (Lipper et al., 2014; Pingali, 2012)。现有的研究倾向于分析特定的气候智慧型农业的构成 (e.g., Abdulai, 2016; Katengeza et al., 2019)，而不是由国际捐助机构推广更广泛农业层面的气候智慧型农业。本文将解决的问题是：资助性气候智慧型农业的采纳对旱地小农的作物产量有什么影响? 为了深入探究这个重要问题，我们在美国国际开发署(USAID)资助的马拉维南部健康和农业促进生命项目(WALA)的背景下评估了采用气候智慧型农业对玉米产量的影响。

 

本文有两个贡献：第一，我们通过建立在援助干预下采用气候智慧型农业的决定因素及其对农业产量的相关影响方面的知识，来推进关于采用气候智慧型农业及其影响的文献。了解影响小农户采用气候智慧型农业的因素，对于气候变化背景下促进农业创新尤其重要(Amadu et al., 2020)。第二，本文通过阐明与气候有关的援助的有效性，以及如何在马拉维这样资源贫乏的旱地环境中最大限度地提高未来投资的回报，对国际发展政策作出贡献(Kotchen & Costello, 2018)。本文的研究结果对向气候智慧型农业提供国际援助的目标、设计和有效性具有借鉴意义。

 

02 研究背景

 

玉米是马拉维的主要作物，大多数农民都种植。2014和2015年小农户种植玉米的平均面积约为0.32公顷，占所有平均种植面积的76% (National Statistical Office of Malawi, 2017)。因为玉米影响到小农家庭的粮食供应，它对马拉维的粮食安全至关重要(Katengeza et al., 2019)。随着气候变化的加剧，马拉维的玉米产量受到了威胁。加之在农户层面的低的气候智慧型农业采用率以及有限的资金，USAID资助了WALA项目来扭转马拉维南部的环境恶化，从而保障粮食安全。WALA项目包括三个方面：1）向脆弱家庭（vulnerable household）提供妇幼保健营养培训；2) 促进人力和社区发展活动，如村庄储蓄和贷款协会；3) 通过流域恢复减少灾害风险。预算总额为8600万美元，实施时间为2009年至2014年。

 

WALA项目在8个地区实施流域处理和气候智慧型农业。这些地区的选择基于严重的农村贫困、环境恶化和粮食不安全。到2012年(项目中期)，所有处理村都接受了气候智慧型农业的干预，并在整个项目周期内（2014年6月）完成了技术扩散的持续监测 (Soroko et al., 2018; Verduijn et al., 2014)。

 

测量气候智慧型农业的采纳

 

本文定义气候智慧型农业与Amadu et al. (2020)一致。气候智慧型农业的采纳者至少采纳一个气候智慧型农业的措施，并且该措施源于WALA项目培训(从WALA员工直接或间接通过引导农民（lead farmers）等途径获得)，以及采纳该措施至少连续四年。这4年的时间包括2012年(WALA覆盖了所有气候智慧型农业的社区)到2016年(本研究的数据收集期)。

 

资源约束可能意味着并非流域处理地区的每个农户都会采用气候智慧型农业，也并非每个采用气候智慧型农业的农户都是流域处理村的居民。例如，通过创新的扩散 (Rogers, 2003), 控制村的家庭可以通过向同行学习技术或其他方式来获取气候智慧型农业信息。

 

在马拉维，在WALA项目援助下的气候智慧型农业采用对农业产量的影响仍然缺乏严格的定量分析。本文测试两个假说：第一，采用气候智慧型农业的农户比不采用者获得更高的玉米产量。其次，假设生物物理、制度和社会经济因素将影响气候智慧型农业的采用和玉米产量 (Lipper et al., 2014).

 

03 分析方法

 

调查方法：研究人员利用从808个选定的处理村和控制村收集的初步调查数据，利用控制函数方法和内生转换回归模型来控制采用气候智慧型农业的内生性以及选择偏差，进而分析采纳行为对2016年玉米产量的影响评估。农民能够回忆起几个收获季节的重要农业信息(Beegle et al., 2012)。因此，尽管在回忆调查中可能存在测量误差 (Desiere and Jolliffe, 2018; Gollin and Udry, 2019; Wossen et al., 2019), 我们对最近一个干旱年份的农业产量的测量应该能极大地减少回忆偏差。此外，我们还通过对全球价值链层面的关键信息提供者的访谈以及对相关背景了解的以前的WALA员工的访谈来验证我们的调查数据。

 

变量定义部分，想给读者呈现的是，第一个是家庭劳动变量。本文借鉴Dillon and Hardaker (1984), Gaddis et al. (2019)和Julien et al. (2019)的研究，计算了基于年龄和性别组成的每个家庭劳动力的权重。成年男性权重为1，成年女性为0.8，年龄在5到15岁的青少年权重为0.5。然后，将权重乘以上述每一类别的个数，加总就得到该家庭的家庭劳动力变量。

 

第二，家庭的牲畜情况，牛的权重为0.5，绵羊和山羊为0.10，猪为0.20，鸡为0.01 (Chilonda and Otte, 2006)。每个家庭的每种牲畜类别中的动物数量乘以它们各自的权重，加总就构成了该家庭的牲畜变量。

 

第三，制度因素包括2015年至2016年每个家庭的接触频数，以及一个二元虚拟变量（用于在同一种植季是否接受政府和非政府组织的探访）。肥料补贴的领取情况被列为制度变量。

 

误差的来源：第一，由于WALA项目对基于可观察特征的流域村（干预村）的选择有一定的要求，项目的实施不是随机选择的。如果未观察到的因素导致了项目安置的差异，流域治理村庄可能与控制村庄有系统的不同。

 

针对该误差的解决方法：借鉴WALA如何实施的知识和研究背景，有目的地选择与非流域村庄在观察因素(如年龄、性别、地块海拔和宅基地距离)方面相同的非流域村庄 (Godtland et al., 2004; Hughes et al., 2020; Larsen and Lilleor, 2014)。也就是说，我们使用了从WALA实施后记录中获得的预先确定的村庄人口名单，并在开展家庭调查之前组织的利益相关者会议期间，由组村庄领导（Group Village Headman: GVH）确认。

 

在流域处理村和对照村中随机选择采用和不采用气候智慧型农业的家庭可以减少潜在的安置偏差，因为根据可观察到的特征，样本将有相似的采纳者和未采纳者 (Godtland et al., 2004; Hughes et al., 2020; Tambo and Wunscher, 2018)。我们还在回归函数中使用了GVH虚拟变量来控制未观察到的村庄间的异质性，这有助于进一步解决潜在的安置偏差。而且，我们估计了溢出回归(Cerulli, 2017; Tambo and Wunscher, 2018)作为稳健性检验。考虑了流域处理的相关邻域效应(不考虑采用者)与采用者的平均处理效应。

 

第二，气候智慧型农业采纳的内生性。与流域处理类似，气候智慧型农业的采用也不是随机的。家庭根据可观察到的和不可观察到的因素，自我选择为采纳者和未采纳者(Amadu et al., 2020)。因为不可观察的因素，如动机和经验可能同时影响气候智慧型农业的采用和作物产量，采用者可能与未采纳者系统地不同 (Issahaku and Abdulai, 2019)。

 

控制自选择的方法：本文使用内生转换回归模型（ESR）。ESR框架是一种工具变量(IV)技术，它纠正了内生性和选择性偏差，而不强加典型IV方法的功能形式限制(Coulibaly et al., 2017; Lokshin and Sajaia, 2004; Kabunga et al., 2012)。ESR方法是一种广义的Heckman选择校正技术，它通过将选择性问题作为一个省略变量来处理未观察到的异质性和选择偏差 (Heckman, 1979; Lee, 1982)。ESR模型估计了两阶段框架下的两种结果方程，分别对应于采用者和未采用者(以他们的选择标准为条件)。而且ESR可以预估反事实的影响评价。

 

尽管ESR使用非线性，严格的影响识别要求在采用方程中至少包含一个IV，但它不出现在产量函数 (Lokshin & Sajaia, 2004)。首先，我们使用一个虚拟变量来判断一个家庭在实施气候智慧型农业项目之前的三年内是否经历了与气候相关的作物歉收(或冲击)。从农户决策理论出发 (Singh et al., 1986)，干旱是可以影响小农决策的关键外源性冲击，例如与技术采用有关的决策。由于在马拉维，农户的生产和消费决策不可分离(Asfaw and Maggio, 2018; Dillon and Barrett, 2017)，作物歉收会影响家庭采用气候智慧型农业的决策。这种影响可能是积极的，也可能是消极的，这取决于冲击的严重程度、获取资源的途径和其他应对策略等因素(Arslan et al., 2017; Dimova et al., 2015; Gebremariam and Tesfaye, 2018)。虽然以前的作物歉收会影响资源支出，从而影响对气候智慧型农业的采用，但它不会直接影响目前农业或非采纳者的产量。其次，第二个工具变量是反映在紧接我们的调查之前的五年内，每个家庭报告经历的干旱或洪水相关冲击的数量。我们假设，农民在过去频繁遭受冲击的经历可能会影响他们在未来遭遇冲击时采取气候智慧型农业以缓冲作物歉收的决定。但是，以往的冲击经验不会影响目前的产量，除非采用气候智能型技术。

 

第三个误差来源是协变量的内生性-内生的解释变量(Wooldridge, 2015)。一些协变量，如接触次数与采用气候智慧型农业共同确定，从而混淆了采纳行为对产量的真实影响 (Shahzad and Abdulai, 2020)。例如，采纳者在采纳前接受的探视次数较少，在采纳后可能会突然接受更多的探视(Abdulai and Huffman, 2014)。相反，与气候智慧型农业传播相关的推广机构有较高互动的未采纳者可能采用气候智慧型农业。

 

针对内生性解释变量的解决办法：使用两阶段控制法。接触次数的IV是一个虚拟变量，用于每个家庭的配偶双方是否每个季度都接触推广机构。配偶双方都接触推广机构可增加接触次数，但不一定会增加采纳行为 (Ragasa et al., 2019)。对于政府和非政府组织的接触，IV也是一个虚拟变量，用于判断该家庭是否事先了解任何非政府组织的活动，或是否接触过实施流域处理的非政府组织工作人员。根据WALA项目，这可能会增加此类接触的机会，但不一定会采用WALA项目提倡的气候智慧型农业的措施。

 

PSM不能控制未观察到的异质性。但它通常用于影响评估，最近的文献主要依赖于它作为ESR的稳健性检查 (Shiferaw et al., 2014; Tesfaye and Tirivayi, 2018).

 

04 结果与讨论

 

4.1 采纳气候智慧型农业和玉米产量的影响因素

 

促进气候智慧型农业采纳的因素有雇佣劳动力、类似的资源和加强推广服务。采纳者产量的正向影响因素包括地块面积、化肥使用、家庭劳动力以及土壤肥沃的比例。未采纳者产量的正向影响因素包括化肥使用、家庭劳动力和牲畜。研究结果表明，提高资源可用性(如提高雇佣劳动力等要素的竞争力)和提供机构支持(如加强推广服务等)，可以促进气候智慧型农业的采用，并最终提高产量。

 

统计显著相关项((ρNA)表明，正选择偏倚在采用气候智慧型农业的决策中起作用，这意味着低于平均产量的家庭无法在研究期间采用或维持气候智慧型农业的采用。

 

4.2 采纳行为的平均处理效应

 

研究发现，在该项目下，采用气候智慧型农业对产量的影响具有统计学意义：在2016年干旱年，采纳者平均比未采纳者增产53%。

4.3 稳健性检验

 

PSM的结果表明，采纳气候智慧型农业对2016年玉米产量在统计上显著，运用最近邻和基于核这两种匹配算法，他们的估计结果分别为46%和41%。为了进一步检查结果的稳健性，本文分别使用了两种工具变量，并将ATTs与主要估计进行比较（Kabunga et al. 2012）。此外，本文估计了一个允许流域处理的相关邻域效应的溢出回归，并比较了当地的平均处理效应。

 

4.4 局限性

 

首先，本文依赖于农民自我报告的地块信息，这可能会影响估计结果。最近的研究表明，撒哈拉以南非洲地区的农民自我报告的数据存在相当大的投入和产出误差 (Desiere and Jolliffe, 2018; Gollin and Udry, 2019)。因此，甚至作为突出的关键事件，如2015-16年的干旱之后，我们调研农民的产量，有助于缓解回忆偏差 (Beegle et al., 2012)，由于自我报告和潜在的测量误差，需要谨慎解释研究结果 (Godlonton et al., 2017; Wossen et al., 2019)。

 

第二，本文对雇佣劳动力变量使用虚拟变量表征，这个结果应该谨慎解释，因为它不能捕捉到劳动力可用性和质量的变化。

 

05 政策含义

 

第一，研究结果表明，通过鼓励小农户采用气候智慧型农业，从而提高玉米产量。气候智慧型农业援助项目可以有效地保障粮食安全。平均而言，在控制潜在的偏倚和其他因素，采用气候智慧型农业增加了53%的玉米产量。

 

第二，本文分析强调了资源的可用性，如雇佣劳动力和推广服务，对采用气候智慧型农业和作物增产的重要性。结果表明，未来在马拉维或者其他国家的项目应该仔细考虑资源动态，如劳动力需求，并评估潜在采纳者的能力。与推广机构的接触次数对采用气候智慧型农业的影响表明，在低收入国家（如马拉维等），推广接触在农业技术采用方面发挥着至关重要的作用 (Ragasa and Mazunda, 2018)。

 

Abstract

 

Binding resource constraints in many low- and middle-income countries aggravate food insecurity risk in the face of climate change. To help mitigate such risk and increase food security, international development agencies have invested billions of dollars in climate-smart agriculture (CSA) programs over the past decade. However, rigorous evidence on the food security impacts of CSA aid through crop yields remains scant generally, and specifically in sub-Saharan Africa. Most studies have not explicitly linked CSA adoption and yield impacts with CSA aid interventions among smallholder farmers. Here, we respond to this knowledge gap by estimating the impact of a major CSA aid effort (the United States Agency for International Development-funded Wellness and Agriculture for Life’s Advancement (WALA) project) on agricultural yields in Southern Malawi. Based on primary survey data from a sample of 808 households in the project area, we use endogenous switching regression and a control function approach to estimate CSA adoption and impacts on maize yield in 2016, controlling for potential program placement bias, selection bias in CSA adoption, and endogeneity issues. We found a 53% increase in maize yield among CSA adopters in the drought year of 2016. Results demonstrate that policies and funding streams supporting CSA in low-income, dryland contexts such as southern Malawi can have important impacts on food security by boosting crop yields in the face of increasing climate uncertainty and extreme weather shocks.