经济和环境农场绩效的时间和农场间变化：荷兰马铃薯产区的复原力视角

维姆帕斯 ，米兰达·马丁·皮特里克·里德斯马

发布时间：23 年 2023 月

抽象

在农业系统的复原力和可持续性方面，研究经济和环境变量之间的权衡和协同作用非常重要。在这项研究中，我们选择了荷兰三个马铃薯产区的农场的粮食生产、经济和环境绩效指标：弗莱福兰、泽兰和文科洛尼恩。我们使用农场会计数据研究了 2006 年至 2019 年期间。我们使用阈值回归来确定这些指标的逐步发展和逐年变化。随后，我们采用稀疏偏最小二乘（sPLS）回归研究了不同条件下天气、市场和农场结构对性能、渐进发展和逐年变化的响应。sPLS模型的性能充其量是中等的。Veenkoloni?n取得了最佳模型性能，该地区农场间波动相对较小，经济价格相对稳定。模型结果对响应变量的选择非常敏感。我们发现，粮食生产、经济和环境绩效水平以及逐步发展主要取决于投入强度水平。这些性能水平如何由输入强度决定，即积极或消极，因案例研究而异。年际变化由年平均天气条件和极端天气决定。总体而言，我们得出的结论是，应用于我们可用数据的方法主要提供了在案例研究层面确认现有知识的见解。sPLS 可以看作是高维数据的过滤器和投影器，突出数据中的模式。在农场弹性的背景下，虽然使用相对较小的数据集，但我们的方法的适用性似乎仅限于稳定经济环境中相当同质的农场人口。打算将这种方法应用于（耕地）农业系统的研究人员应该充分意识到他们通过选择响应变量对结果的影响。

作者摘要

农业系统的可持续性和复原力日益受到经济和环境干扰的挑战。因此，重要的是实证评估这些干扰下的农业系统动态，并确定提高可持续性和复原力的农场特征。然而，同时评估可持续性和复原力的定量方法很少。在本文中，我们测试了在2006年至2019年期间在荷兰三个马铃薯产区的不同市场和天气条件下应用的多变量统计方法。统计模型的性能充其量是中等的，模型结果对响应变量的选择非常敏感。我们发现可持续性水平主要受投入强度水平的影响。年际变化由年平均天气条件和极端天气决定。无法确定提高复原力的农场特征。总体而言，我们得出的结论是，应用于我们可用数据的方法主要提供了在案例研究层面确认现有知识的见解。打算将这种方法应用于（耕地）农业系统的研究人员应该充分意识到他们通过选择响应变量对结果的影响。

数字

Fig 7Fig 8图1表1图2Table 2Fig 3Fig 4Fig 5Fig 6Table 3Fig 7Fig 8图1表1图2

引文： Paas W，Meuwissen MPM，van Ittersum MK，Reidsma P （2023） 经济和环境农场绩效的时间和农场间变异性：荷兰马铃薯产区的复原力视角。PLOS Sustain Transform2（2）： e0000046. https://doi.org/10.1371/journal.pstr.0000046

编辑 器： 塞缪尔·奎西·恩泽巴·达齐， 加纳

收到： 23月 2022， 24;接受： 2023月 23， 2023;发表： <>月 <>， <>

版权： ? 2023 帕斯等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

数据可用性： 由于隐私保护法规，本研究中使用的单个农场数据不公开。可以通过 https://www.wur.nl/en/research-results/research-institutes/economic-research/about-us/data-and-models/farm-information-net.htm 向瓦赫宁根经济研究公司申请访问单个农场的数据。本研究中使用的所有其他数据均可通过 https://zenodo.org/record/6667628#.Y6GEkHZKhPY 获得。

资金： WP，MM，MvI和PR通过由EC Horizon 2020计划（赠款727520）资助的SURE-Farm项目获得了这项工作的资金。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。

竞争利益： 提交人声明不存在相互竞争的利益。

1. 简介

在日益多变的气候和社会经济背景下，农业系统的可持续和弹性表现具有挑战性[1]。可持续性能对于长期提供系统功能很重要，而弹性性能对于在短期内面对干扰时保持功能性能很重要[2]。农业系统的可持续性和弹性取决于社会、经济和环境功能方面的平衡表现[3，4]。然而，这些功能之间的权衡在农业系统中很常见[5，6]，从而破坏了可持续性和复原力的基础。可以想象，当面对需要立即反应的干扰时，这些权衡只会变得更加尖锐。

耕作系统的复原力和可持续性是互补的概念，需要在综合评估中同时研究[1，4，7]。许多理论和定性研究都提出了增加复原力和可持续性的属性[例如8，9]。例如，经常建议多样性来增加两者。然而，很少有研究定量研究农业系统的弹性[10]，甚至更少研究同时涉及可持续性和弹性指标。因此，从数量上评估这两类指标的绩效是本文的重点。

现有的农业计量经济学方法经常使用生产函数来评估资源分配效率，从而评估可持续性。这些方法背后的一般概念是，可以通过提高单个农场的产出效率来提高农艺和经济效率，从而提高耕作系统的可持续性。例如，基于结合计量经济学和生产生态学概念的方法的产量差距分析 [11-13]。生产功能需要关于功能形状的特定输入，并且主要用于评估单个商品，例如（食品）生产或经济产出。或者，可以使用对数距离函数，有趣的是，同时考虑多个响应变量[14]。其他纯粹的计量经济学方法旨在评估增加生产或经济绩效的潜力，例如贾斯特-教皇生产函数[15]和损害减少函数[16]。这些方法不包括环境响应变量，这使得这些变量对于综合可持续性研究的用处不大。此外，这些方法通常使用年限有限的数据集。

至于弹性，一个与系统动力学有关的概念，时间因素变得更加重要，需要纵向数据。关于韧性定量分析的研究一般很少，特别是使用纵向数据的研究很少[10]。在没有纵向数据的情况下，可以使用横断面数据来评估区域的性能或弹性，以评估区域之间的相对性[例如17-19]。此外，还可以使用基于模型的方法，包括未来场景[20]。纵向数据可以以不同的方式用于研究弹性。例如，研究与天气条件和猪场特征相关的产量变异性[14，21]。最近，引入了一个框架，该框架包括多个变量以及弹性概念，例如冲击后的恢复时间[22]。在最近的另一项研究中，纵向数据用于研究11个欧洲国家农业地区在稳健性、适应性和可变形性方面的弹性能力[23]。

在最近一篇关于定量弹性研究的综述中，有人指出，环境指标几乎没有作为响应变量包括在内[10]。2017年，提出了一个框架，允许探索多个解释变量和响应变量随时间推移的协变，而无需预定义生产函数[24]。这为评估无法定义生产函数的经济和环境响应变量提供了机会。拟议的框架已应用于畜牧系统[24，25]，但据我们所知，不适用于耕作系统。在专门的畜牧系统中，中间活动，如草的生长，最终用于生产一个或两个产出，例如牛奶[25]和/或肉类。在耕地农场中，多种作物的种植是平行产出的平行活动，即产出通常不集中在一个或两个产出中。因此，农场水平的产量变化可能与作物水平不同[26]。

在本文中，我们的总体目标是同时定量研究经济和环境的可持续性和弹性。为此，我们使用多变量（回归）技术结合纵向农场会计数据，将上述框架[24]应用于耕作系统并对其进行评估。我们选择了荷兰三个不同的马铃薯种植区作为案例研究。采用该方法，我们的具体目标是确定农场层面的弹性属性，即农场特征，在市场和气候条件的变化和可变性背景下支持可持续性和弹性。

2. 方法

2.1. 案例研究

在这项研究中，比较了荷兰的三个马铃薯种植区。Veenkoloni?n（VK）是荷兰东北部的一个农业区，拥有沙质和泥炭土壤。在该地区，淀粉马铃薯通常每两年轮作一次，主要与甜菜和谷物相结合。大约十年来，洋葱在VK中种植得越来越多。VK是荷兰最大的（淀粉）马铃薯产区，是欧盟地平线2020项目SURE-Farm背景下的一个案例研究，本研究通过该项目获得资助。还通过参与和建模方法[例如1，7，20，27-30]评估了该地区的复原力和可持续性，本研究增加了实证分析。为了进行比较，还选择了荷兰另外两个大型马铃薯产区：中部的弗莱福兰（FL）和该国西南部的泽兰（ZE）。与VK相比，FL和ZE的粘土轮作范围稍宽，主要包括土豆，甜菜，谷物和洋葱（三到五年一次是常见的）。与ZE和FL相比，VK的耕作农业利润较低，更容易受到天气变化和气候变化的影响[31]。但由于该地区淀粉马铃薯种植和加工的协作结构，淀粉马铃薯的种植面积和农场出厂价格与ZE和FL的器皿马铃薯价格相比相对稳定。

2.2. 数据

我们使用瓦赫宁根经济研究（WEcR）收集的农场会计数据用于农场会计数据网络（FADN）[32，33]。收集这些数据主要用于研究农场一级的经济和环境绩效，同时也可以获得作物一级的经济数据。由于隐私法规，本研究无法提供单个农场数据。本研究中的数据包括2006年至2019年期间三个案例研究地区马铃薯种植耕地农场14至15年的时间序列。分析中包括的每个区域的最终单个农场数量为19（FL），17（VK）和1（ZE）（另见S4文本中的表A和B）。天气数据是从数据平台Agri34Cast检索的[35]。市场数据是从不同的在线来源检索的[37-<>]。

2.3. 变量选择

2.3.1. 概述。

本文中的变量选择以在SURE-Farm项目[1]的背景下创建的弹性框架为指导（图1）。该复原力框架提出了评估耕作系统复原力的五个步骤：确定1）耕作系统，2）挑战，3）功能，4）复原力能力和5）复原力属性。农业系统在上面的案例研究部分（步骤1）中进行了描述。与天气条件（例如降水、极端天气）和市场条件（例如化肥和土地价格）相关的解释变量代表了假设影响响应变量的挑战（步骤2）。响应变量与农场的功能（步骤3）有关，例如粮食生产（有关更多详细信息，请参见第2.3.2节）。根据本研究的结果（步骤4）推断出弹性能力（例如适应性）。与农场特征相关的解释变量，例如农场面积和作物多样性，代表可能直接影响响应变量的复原力属性，但也可能缓和挑战的影响（步骤5;图1;有关更多详细信息，请参见第 2.3.3 节）。变量选择和与弹性框架 [1] 的链接详述如下。这些变量的所有变量和缩写都列在 S2 文本的表 A 中。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图1. 分析中包含的变量概述（蓝色块）及其与弹性框架中步骤的链接（灰色块）。

绿色块表示对数据执行的不同分析。橙色箭头表示在 sPLS 回归中研究的模式类型。PCA：主成分分析，sPLS：稀疏偏最小二乘。

https://doi.org/10.1371/journal.pstr.0000046.g001

2.3.2. 表征系统函数的响应变量。

为了进行综合分析，我们纳入了响应变量，涵盖作物、作物轮作和农场层面的生产、经济和环境功能（表1）。作物一级的产量由马铃薯的平均产量（吨/公顷;由数据提供）表示。对于作物轮作水平的生产，我们计算了产生的消耗能量（千焦耳/公顷;等式 1）[38] 用于主要作物（土豆，甜菜，小麦，大麦，洋葱）。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 1. 响应变量概述。

https://doi.org/10.1371/journal.pstr.0000046.t001

(1)

每个主要作物“c”的能量含量“以千焦耳/吨为单位（基于[39]）。数据提供了每种主要作物“c”（吨）的“总产量”。“主要作物面积”是指主要作物的种植面积（公顷）的总和。平均而言，主要作物占佛罗里达州、ZE和VK农场面积的85%、91%和80%以上。作物的平均营业利润（€/ha）在作物轮作水平（公式2）中被视为经济指标。

(2)

其中每作物“c”（欧元）的“收入”包括初级和次级作物产品的收入。每作物“c”的“分配成本”包括播种、施肥和作物保护措施的成本，单位为欧元。“所有作物的面积”（ha）代表作物种植的所有面积的总和。在农场一级，每货币投入（所有固定和可变成本）的所有货币产出（收入;不包括非农收入）代表农场的产出效率（欧元产出/欧元投入;由数据提供）。拥有一个表示效率的指标可能有助于探索弹性文献中假设的效率与可变性之间的可能权衡，即更高效的系统更容易受到干扰[9，40，41]。农场层面的氮盈余被用作环境指标。氮过剩有助于温室气体排放、附近自然区域的酸化以及氮的浸出或径流，导致水体富营养化。氮盈余由数据提供。其计算基于农场水平的养分平衡，该平衡考虑了所有氮输入（矿物肥料、外部有机氮源、净粪便进口、生物固氮和大气沉降）减去产出（动物和作物产品）[33，42，43]。根据该计算，氮盈余包括土壤氮储量变化，气体排放，淋溶和径流[42]。

马铃薯产量、作物轮作能量产量、作物利润、产出效率的高观测水平和氮过剩的低观测水平被认为对可持续性是积极的。趋势线的斜率和残差被用作描述猪场弹性的附加变量（图2）[24，25]。马铃薯产量、作物轮作能量产量、作物利润和产出效率的正斜率以及氮过剩的负斜率被视为适应更具可持续性的迹象。小残差被视为农场稳定性的指标，因此对农场稳健性有利。另请参阅 S2 文本中的表 A，了解响应变量缩写。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图2. 关于无单位效率指标的两个假想农场的拟合趋势线。

对于观测值为蓝色的服务器场，两段趋势线的拟合明显优于单个趋势线。分析中最终包括三种类型的 Y 变量：观测值、残差和趋势线的斜率。

https://doi.org/10.1371/journal.pstr.0000046.g002

使用单段和两段线性回归分析拟合趋势线，从而评估观测值随时间推移的结构变化[44]。当至少有三个数据点可用时，可以考虑线性趋势线。鉴于时间序列数据的长度最短（七年），在第一次观测值的第三次观测和最后一次观测值的第三次观测值之间只考虑了趋势的一种结构性变化。为了确保观察到的结构变化不依赖于单个异常值，我们进行了另外两个两段线性回归分析。在这些额外的阈值回归中，删除了第一段的最后一个观测值或第二段中的第一个观测值。如果所有三个阈值回归的最佳断点的 F 统计量的 p 值保持在 0.05 以下，则接受趋势的结构变化，从而使用两段模型进行进一步分析。否则，假设具有一个段的线性回归。在软件环境 R [44] 中使用包“strucchange” [45] 执行了带有结构变化测试的回归分析。我们认为，除了趋势本身之外，导致积极或消极发展的趋势的结构性变化也可以被视为农场适应性是否存在的指标。

2.3.3. 与挑战和复原力属性相关的解释变量。

与外部影响（即挑战）相关的解释变量分为以下子类别：市场价格、平均天气条件和极端天气事件。每年的平均市场指标包括：石油价格（€/ 100升）[35]，化肥价格（€/kg;NPK12：10：18）[35]，土地价格（€/公顷）[36]）和利率（%）[37]（S2文本中的表B）。分析中包含的平均天气条件是全年、春季（2 月至 1 月）和夏季（31 月至 1 月）的平均温度（摄氏度）、平均日降水量（毫米/天）和平均日降水量不足（毫米/天）（有关更多详细信息，请参阅 S31 文本）。为了涵盖马铃薯从种植（2月）到收获（46月）的整个生长季节，我们偏离了春季（47月2日至2月<>日）和夏季（<>月<>日至<>月<>日）的气象定义。根据日平均降水量和温度，使用农业气候日历（ACC;S<>文本中的表A）[<>，<>]。包括的极端天气是潮湿（和温暖）条件、热浪、晚霜冻、温暖的冬季和干旱（S<>文本中的表C和D）。极端天气影响的描述在S<>文本的表C中描述。在整个观测期间，在所有三个案例研究中都观察到了极端天气。

与农场特征有关的解释变量分为以下子类别：土地利用、投入强度、资产和管理（表2;图1）。这些子类别可以与弹性属性相关联，弹性属性是向农业系统传达一般弹性的系统特征[7]。土地利用指标可用作作物多样性的代表，例如谷物或马铃薯在作物轮作中的份额。多样性通常被视为对扰动的缓冲，也被认为是扰动后更新的来源[8]。就作物多样性而言，我们认为专业化是作物多样性的反面，即专门用于主要作物的大型种植区。关于多样性，我们采用了谷物的比例，三种主要作物（马铃薯，甜菜和谷物）的比例和作物的有效数量（也称为真实多样性指数）。投入强度下的指标可以被视为系统与当地和自然资本耦合程度的代理。例如，作物保护产品的投入较低可能表明农场实践与环境的更好结合。从弹性的角度来看，面对环境波动（例如天气，病虫害）时，高度依赖外部投入（例如矿物肥料）以实现高而稳定的生产可能意味着较低的自主程度[8]。例如，某些欧洲作物畜牧系统可能不够强大，无法承受停止进口矿物氮肥的情况[48]。资产指标主要涉及可在困难时期使用的系统储备。机器和建筑物的现代性（实际价值/新建筑的价值）与创新基础设施的可用性有关。然而，机器和建筑物的现代性也可能与沉没成本导致的缺乏适应性和可变形性有关，即投资的资金不容易再投资[49]。管理指标，如每公顷全职当量（FTE）管理人员的数量，与农业实践的经验和关注程度有关。这与从过去的经验中学习和建立人力资本的潜力有关，这两者都对总体复原力很重要[8]。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 2. 分析中包含的解释变量概述。

天气条件和市场指标与挑战有关，而农场特征与可能的弹性属性有关。

https://doi.org/10.1371/journal.pstr.0000046.t002

2.4. 检测底层数据结构

2.4.1. 主成分分析。

为了深入了解基础数据结构，为响应变量和解释变量创建了相关图。此外，还分别对每个案例研究区域的响应变量和解释场变量进行了主成分分析（PCA）。包括多级设计，以考虑单个农场的随机效应。因此，农场特定的差异将得到补偿，从而减少多变量统计敏感的异常值的影响[50]。检查PCA双标的前三个组成部分，以检测所有观测值与其他观测值在视觉上分开的农场。这些外围农场已从数据集中删除（在 FL 中只有一个）。还检查了PCA双标图是否存在年份效应。PCA分析中存在年份效应被用作在进一步分析中包括随机年份效应的论据。从进一步分析中删除了强相关的响应变量，因为它们可能会扭曲结果[51]。我们通过呈现具有高度相关响应变量的其他模型运行来说明这种失真的可能性。

2.4.2. 稀疏偏最小二乘回归。

我们使用稀疏偏最小二乘回归（sPLS）和年份和农场作为随机效应来研究解释变量对响应变量的影响。在 sPLS 回归中，解释变量（X 变量）投影在潜在变量上，使得投影变量可以解释响应变量（Y 变量）的变化，这些变化也投影在潜在变量上。潜在变量表示数据中最主要的模式。我们在回归模式下使用 sPLS，其中从 X 预测 Y 会导致与从 Y 预测 X 时不同的识别潜在变量。这限制了对X中与观测到的Y变化有关的适应进行推断的可能性，例如，由于经济表现不佳的一年而导致的投入变化。与 PLS 分析相反，冗余分析仅将 X 变量投影到潜在变量上，但保留 Y 变量不变。通过留一交叉验证来确定sPLS模型的性能。所得Q2分数用于确定sPLS模型中潜在变量（分量）的数量。Q2 分数表示组件对增加原始 X 变量和 Y 变量之间协变的边际贡献。Q2评分大于0.095的成分被认为有显著贡献[52]。

稀疏 PLS （sPLS） 与 PLS 的不同之处在于，它将模型简化为预定义数量的变量，这些变量链接到 X 和 Y 维度中的主分量。sPLS 的优势在于解释结果变得越来越容易。缺点是选择每个组件的变量数会引入任意性。我们进行了多次sPLS分析，其中我们改变了每个组件的Y变量（2-5）和X变量（2-9）的数量。为了减少计算时间，我们最初将组件的数量限制为两个。我们根据汇总的Q2分数选择了最佳模型，并解释了X变量和Y变量的方差。我们还在交叉验证期间检查了在sPLS模型中选择的X和Y变量的稳定性。如果第二个分量有显著贡献，则考虑使用第三个分量进行分析，包括（2-5）Y变量和（2-9）X变量。如果第三个分量贡献很大，则使用与前两个分量相同的标准选择要保留的 X 变量和 Y 变量的数量。根据所有组件的汇总 Q2 分数选择最佳模型。我们还将sPLS模型的连续解释变量和响应变量的投影值的相关矩阵与原始数据的相关矩阵进行了比较。PCA和PLS在软件环境R[53]中使用软件包“mixOmics”[45]执行。“mixOmics”不便于包含交互术语。

3. 结果

3.1. 响应变量

3.1.1. 一般意见。

观察到的马铃薯产量和作物利润水平在FL最高（图3）。ZE和FL内马铃薯产量和作物利润的农场间变异性远高于VK（图3）。在ZE中观察到的作物轮作能量产量和氮过剩水平最低。平均而言，观察到的输出效率水平在VK（1.05欧元/欧元）和ZE（1.02欧元/欧元）中最低，在佛罗里达州最高（1.12欧元/欧元）（图3）。在ZE和VK中，氮盈余超过200 kg/ha存在多个异常值。然而，在早期工作[54]的背景下，这些值并不令人惊讶。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图3. 观测到三个地区的马铃薯产量、作物轮作能量产量、作物利润、产出效率和氮过剩水平（FL = 弗莱福兰，ZE = 泽兰，VK = 维恩科洛尼）。

https://doi.org/10.1371/journal.pstr.0000046.g003

2006年至2012年，ZE和FL的产出效率水平模式相似，2006年、2010年和2012年的水平相对较高（图3）。在VK，2012年的产出效率最高，这与马铃薯的高产量相吻合。2018年干旱年份，所有地区的马铃薯产量都相对较低。有趣的是，2018年佛罗里达州作物的产量效率和利润相对较高。在所有案例研究中，氮过剩水平似乎都是稳定的。根据对图3的目视检查，除了2018年VK的高产量外，没有特定的年份氮过剩出现大幅偏差，可能是因为干旱导致的产量低。

3.1.2. 结构变化。

2011年至2013年的产出效率（15个农场）和2011年至2012年的作物利润（12个农场）的VK主要发现趋势的突破（S3文本中的表A）。这与图2012中观察到的截至3年VK作物产量和利润的增加相对应。在FL和ZE，观察到一些猪场的趋势出现中断，主要是在2012年，马铃薯产量（FL），作物轮作产量（FL，ZE），产出效率（ZE）和氮过剩（FL，ZE）（S3文本中的表A）。

3.1.3. 产量、利润和产出效率。

PCA对每个区域的响应变量（马铃薯产量的水平、残差和斜率、作物轮作产量、作物利润、产出效率和氮过剩）的解释方差在前三个组成部分的50-57%之间。所有三个区域中第一个组成部分的重要变量（占变异的19-29%）是马铃薯产量和作物轮作产量水平，通常伴随着它们的残差，表明在较高的作物产量水平下，绝对变异更大（S4文本中的图A、C和E）。在VK中，作物利润和产出效率与更高的作物产量呈正相关（S4文本中的图E）。就面积和产量而言，马铃薯是VK最大的作物，部分解释了与能源产量和利润的正相关关系。收益和利润之间的正相关关系也可以归因于当地的合作社结构。由于淀粉马铃薯产品的价格相对缺乏弹性，只要加工产品的价格保持相对无弹性，合作社就可以从更大的数量中受益，能够向农民支付良好的农场门价[20]。在FL中，作物产量和利润的残差以及作物利润斜率与马铃薯产量和作物轮作能产量呈负相关（S4文本中的图A）。这表明，当产量相对较低时，佛罗里达州的农民可以以某种方式从相对较高的价格中受益。相比之下，在ZE中，作物的利润水平和作物的剩余利润和产出效率（第二组成部分）与作物产量水平没有或几乎没有关联（S4文本中的图C）。

3.1.4. 与氮过剩的协同作用和权衡。

在FL中，第二组分（变异的17%）主要与观察到的氮过剩水平和残留量相关，与作物的残差和利润水平以及产出效率的残差负相关（S4文本中的图A）。总体而言，这表明（相对）高氮盈余的年份与（相对）作物利润低和产出效率低相吻合，反之亦然。与高氮过剩相关的农场也显示出作物利润下降（3RD元件;14%的变异;S4 文本中的图 B）。

在ZE和VK的第一组分上，较高的作物产量水平和残留物与氮过剩的残留物呈负相关（S4文本中的图C，E）。此外，在ZE中，在第三组分（变异的14%）上，马铃薯产量的增加与氮盈余低且减少的猪场有关（S4文本中的图D）。在VK中，在第二组分（变异的18%）上，氮过剩的减少主要与提高产出效率，马铃薯产量和能源生产有关（S4文本中的图E）。氮过剩残差大多与作物利润残差和产出效率呈负相关（第三分量;变异的10%;S4文本中的图F）。

3.1.5. 预选响应变量。

基于PCA中的响应变量与其他相关分析（S4文本）之间的高度相关性，我们继续对作物轮作能量产量，作物利润和氮过剩（S5文本）进行分析。我们对所有五个响应变量和三个响应变量的不同选择（即产出效率而不是作物利润）进行了额外的分析。这些额外的分析用于评估选择不同响应变量集的影响（S6文本）。

3.2. 解释变量

3.2.1. 市场指标。

土地价格从2006年到2008年上涨，之后价格稳定在略高于50，000欧元/公顷，直到2013年。从2013年开始，土地价格上涨到70年超过000，2019欧元/公顷。利率从3年的8.2006%上升到4年的3.2007%，之后利率在2019年稳步下降至负值。利率通常每年下降超过0.5%。油价从64年的2006欧元到100年的100欧元/2019升以上不等，并随着时间的推移而波动，在2013年和2014年达到峰值。化肥价格从27年的75.100欧元/2007公斤肥料上涨到61年的50.100欧元/2009公斤，之后在41至47欧元/100公斤之间波动。（图4;S2 文本中的表 B 表示绝对值）

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图4. 随着时间的推移，市场指标的相对值的发展。

绝对值可以在 S2 文本的表 B 中找到。2006年的绝对值为44，506欧元/公顷（土地价格），3.8%（利率），64欧元/100升（石油价格）和27.35欧元/100公斤（化肥价格）。

https://doi.org/10.1371/journal.pstr.0000046.g004

3.2.2. 天气状况。

这三个案例研究在每年和每个季节（春季、夏季）的平均温度方面相似。关于降水不足，三个案例研究的春季值相似（1.5 +- 0.4-0.5毫米/天的降水不足;图5），但夏季FL的平均赤字（0.3 +- 1.0 mm /天）低于VK（0.6 +- 0.9 mm/天）和ZE（0.8 +- 1.0 mm/天），这可能与FL降水量（2.6 +- 0.8 mm/天）高于VK和ZE（均为2.3 +- 0.7 mm/天）有关。在测量期间（2006-2019年;S2 文本中的表 A）。极端天气经常发生（S2文本中的表D）。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图5. 三个案例研究区域中春季降水不足、降水和温度。

https://doi.org/10.1371/journal.pstr.0000046.g005

3.2.3. 农场特征。

在前三个组成部分中，每个区域的解释农场变量的PCA方差在45-50%之间（S4文本中的图I-N）。在三个区域的常设仲裁法院中，年份似乎是聚类的，表明年份解释了部分变化。

在所有案例研究中，大多数变异（1圣元件;22-27%的变异）可能与固定和可变成本方面的许多输入强度相关指标有关（S4文本中的图I，K，M）。多年来，与输入强度相关的变量值确实有所增加。特别是，种植成本增加（S2文本中的表A）。在FL和ZE中，第二个组成部分与主要作物面积和谷物面积有关（S4文本中的图I，K）。在观察期内，主要作物和谷物的面积似乎有所减少，表明专业化程度有所下降（S4文本中的图I，K，M;图6）。在佛罗里达州，更专业的农场与不太现代的机械有关，即折旧的机械（S4文本中的图I）。在ZE中，更专业化的农场与更高的氮输入相关（S4文本中的图K）。在FL和ZE，第三个组成部分与较大的农场规模，拥有的土地份额较低，每公顷农场经理人数较少以及劳动投入强度较低（FL;S4文本中的图J）或建筑物的现代性（ZE;S4文本中的图L）。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图6. 观察到弗莱福兰、泽兰和维恩科洛尼的重要农场特征（解释变量）水平。

https://doi.org/10.1371/journal.pstr.0000046.g006

在VK中，变异的第二大部分是由劳动投入强度捕获的（第二分量;变异的12%;S4 文本中的图 M）。差异的第三部分可以用每公顷全职等效管理人员的数量和农民的年龄来解释（第三部分;10%;S4文本中的图N）。这些指标似乎与描述强度程度的指标无关。

3.3. 稀疏偏最小二乘回归

3.3.1. 模型性能。

平均而言，在三个案例研究中，表现最佳的sPLS模型包括与作物利润，氮过剩和作物轮作能量产量相关的响应变量。在所有案例研究中，所选成分的预测能力最多为中等。由X分量解释的X变量变化很小（表3）。Y变量的解释变化较高，但仍然适中。VK中的最佳模型有三个分量，各分量之间的响应变量数量不同（表3）。在ZE中，当包括产出效率而不是作物利润时，sPLS模型表现更好（S6文本）。由于包括作物利润或产出效率在内的sPLS模型的解释几乎相同，因此我们继续使用包括作物利润在内的sPLS模型。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 3. 具有响应变量作物轮作能量产量、氮过剩和作物利润的选定 sPLS 模型中每个组件的变量数量和性能。

包括所有 X 变量。

https://doi.org/10.1371/journal.pstr.0000046.t003

3.3.2. 受挑战和弹性属性影响的系统功能。

在所有案例研究中，有一个与天气条件相关的成分与氮过剩（FL，VK），作物利润（FL，ZE）和/或作物轮作能量产量（VK）的残差相关。在FL，氮过剩主要受到春季干旱或生长期后期潮湿条件的影响，而作物利润则受到热浪和夏季普遍高温的积极影响（见2德·图7和图8中的组件;S5文本中的表C）。有趣的是，与春季干旱相比，春季降水不足似乎在一定程度上提高了利润并减少了氮过剩。在ZE中，农作物的利润受到高温的负面影响，特别是在春季，这也与该季节的降水不足有关（S5文本）。有趣的是，ZE的农场似乎受益于温暖的冬天。水的可用性（降水，无干旱）与VK的高作物轮作能量产量相关。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图 7. 弗莱福兰第一和第二X分量的sPLS模型结果。

组表示不同的年份。左轴和下轴表示观测值在投影 X 空间中的位置。顶部轴和右轴表示解释变量与第一和第二分量的相关性。

https://doi.org/10.1371/journal.pstr.0000046.g007

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图8. 弗莱福兰第一和第二 Y 分量的 sPLS 模型结果。

组表示不同的年份。左轴和底部轴指示观测值在投影 Y 空间中的位置。顶轴和右轴表示响应变量与第一和第二分量的相关性。

https://doi.org/10.1371/journal.pstr.0000046.g008

在所有案例研究中，另一个组成部分与至少一个与投入强度相关的指标相关联，最重要的是货币投入强度（农场的所有固定+可变成本，以每公顷表示）（ZE，FL;图7;S5文本），每公顷的总成本（ZE，VK），折旧（FL）和劳动力（VK）。这些与磷酸盐（VK）和氮（VK，FL）以及真实多样性（FL）呈负相关。FL的高强度与低氮输入和低多样性相结合，导致利润高且不断增加，作物轮作能量产量低，氮过剩减少（图7和图8）。对于高价值作物，花在养分上的钱相对较少。ZE的高强度与作物利润下降，作物轮作能量产量低有关，在较小程度上与低但增加的氮盈余有关。在VK中，作物利润、作物轮作能量产量和少量氮过剩与磷输入和低强度呈正相关。然而，对VK来说，与经济状况有关的其他指标与作物利润较低（石油价格、利率、土地价格）有关，而劳动力投入、农场管理和其他收入似乎在很小程度上弥补了这一点。

在VK中，第三个组成部分与投入指标相关，其中氮、能源和作物保护产品是最重要的。这些与谷物在作物轮作中的份额呈负相关。较高的氮和能量输入水平与较高的作物轮作产量有关，氮过剩较高但随着时间的推移而减少，作物的利润更高且不断增加。反之亦然，轮作中谷物比例的提高似乎减少了氮过剩。

有趣的是，在所有三个案例研究的原始数据（S5文本中的图R，S，T）中，氮输入与氮过剩之间的强正相关关系仅包含在VK的最终sPLS模型中。在具有6个响应变量的sPLS模型中，所有三个案例研究中都不存在氮输入与盈余之间的相关性（S<>文本中的图A，B，C）。

4. 讨论

4.1. 从可持续性和复原力的角度解释结果

在本文中，我们旨在同时定量研究经济和环境的可持续性和弹性。特别是，我们的目标是确定农场层面的弹性属性，即农场特征，以支持市场和气候条件的可持续性和弹性。

4.1.1. 强度和农场绩效水平和趋势。

总体而言，强度水平在三个案例研究中表现不同，因此限制了我们推广作物管理强度对经济和环境农场绩效的作用。以欧元支出计算，农场的强度较高主要与佛罗里达州和泽地作物的利润较高有关，这表明通过集约化提高了经济可持续性。在佛罗里达州，强度和利润的增加与在主要作物马铃薯、甜菜和谷物旁边增加作物，即多样化而变化。在ZE中，作物多样性对利润产生相对积极影响的模式在原始数据中也可见，但未包含在最终的sPLS模型中。在佛罗里达，以欧元支出计算的强度水平较高，包括作物保护产品和能源支出增加，与养分投入减少导致氮盈余减少有关，这表明环境绩效有所改善。相比之下，在ZE中，以欧元为单位的强度水平与氮输入水平呈正相关，但这些与氮过剩的任何响应变量无关。在VK中，以欧元和施用的养分计的强度呈正相关，这对能源产量、利润和氮过剩产生了积极影响。只有在VK中，投入强度与经济状况有关，这表明生产成本的增加是集约化的潜在直接驱动因素，从而导致更高的产量和利润。增加生产成本确实被认为是VK的主要挑战，而集约化是VK的一项重要策略[7，20，27]。

4.1.2. 天气条件和农场绩效的变化。

强度水平解释了农场绩效水平，但不能解释逐年变化（残差）。相反，天气条件似乎解释了农场业绩的逐年变化。

在佛罗里达州，农场似乎受益于夏季的干旱。2018年，当整个欧洲经历夏季干旱时，粘土具有高持水能力和灌溉机会可能减少了干旱的影响，而今年的价格相对较好。在佛罗里达州和泽地，春季相对较高的温度似乎与每公顷作物利润的下行波动有关。在我们的FL和ZE数据集中，春季的高温通常与年高温和降水不足相吻合。

ZE的结果还表明，温暖的冬季实际上有利于农业经济生产力，而不是导致马铃薯在储存中提前发芽的极端天气[46]。一种可能的解释是，温暖的冬季如果延长到春季，会导致马铃薯提前播种，随后可以提高产量[55，56]。另一种解释可能在于正在研究的特定数据集：从 2006 年到 2019 年，温暖的冬天发生了七次，而春季的高温和温暖的冬天只重合了两次（2014 en 2019）（S5 文本中的表 F）。因此，温暖冬季看似积极的影响可能是一种人工制品，即与春季观察到的高温负面影响巧合相反。较长的时间序列将减少产生可被视为人工制品的结果的可能性。

在VK中，作物产量和氮过剩的残余受到极端天气的影响。这表明田间氮供应适应平均条件[54]，导致极端天气事件发生期间或之后氮过剩峰值。随着未来热浪和干旱的预期增加，调整氮肥施用以应对可能降低的产量变得更加重要。这一发现也可能适用于其他两个案例研究，其中氮施用量也很高并且与氮过剩相关，至少在原始数据集中是这样（S5文本中的图R，S，T）。不幸的是，我们无法根据最终的sPLS模型（S5文本中的图C，F，I）验证这一点，该模型似乎掩盖了氮供应和过剩之间的相关性。

4.1.3. 弹性属性。

我们没有确定农场层面的弹性属性，即支持农场应对市场和天气条件的趋势和变化的农场特征。相反，农场特征（特别是投入强度）对于当前的系统功能水平似乎很重要（第4.1.1节），而市场和天气条件对农场性能趋势和可变性产生影响（第4.2.2节）。似乎需要更多的实证分析来了解农场层面的弹性属性在应对市场和天气条件中的作用。

4.2. 方法论

4.2.1. 一般反思。

sPLS 可以看作是高维数据的投影仪和过滤器，突出数据中的某些模式。在这项研究中，sPLS已被用于分析经济和环境农场绩效的时间和农场间变化，以应对市场和天气方面的挑战。该方法还可用于研究土壤、水体或整个生态系统，以响应有害污染物（例如来自废水残留物或矿山尾矿） 然而，在使用 sPLS 时，一些模式也可能被忽略。一个一般的例子是与PCA分析相比，sPLS中的细节丢失。一个具体的例子是原始（S5文本中的图R，S，T）和投影（S5文本中的图C，F，I）数据的相关图中氮输入与氮过剩之间的相关性：原始数据结构中的相关性在投影数据中消失了。此外，也没有达到PCA分析提供的详细程度。在其他研究领域，还需要考虑多元统计中细节的潜在损失。例如，关于重金属对土壤微生物群的影响[见例如57]。对于我们的案例研究，这些模型再现了众所周知的知识和经验，这些知识和经验可以嵌入到已经存在的叙述中。像以前那样纳入更多的管理特定指标并跟踪单个猪场可以改善模型性能和结果解释，但大部分变异性可能仍无法解释[24，25]。充其量，这将使用的方法定位为探索性（假设形成）。

该方法通过假设随时间变化的线性和对解释变量响应的线性来简化现实。关于时间，阈值回归分析在一定程度上弥补了这一点（另见S5文本）。关于投入强度水平等解释变量，应该指出的是，众所周知，这些变量对粮食生产和经济生产力具有非线性影响。然而，由于农民之间投入使用效率的巨大差异，事实上线性函数可能足够接近数据。相互作用的影响，例如农场特征对极端天气的影响，无法得到很好的研究。在我们的案例研究中，sPLS（而不是PLS）和随机效应的结合大大提高了模型性能，但也导致关注天气条件对农场残差的一般影响，而不是农场特定影响。例如，在图7和图8中，农场似乎受到天气条件同等程度的影响，即农场特征似乎不会影响这一点。但是，应该注意的是，天气条件只能解释一小部分变化。此外，与PLS相比，sPLS（人为地）减少了不同模型组件之间的协变，例如，在[24]之前使用PLS。众所周知，研究多元排序技术（如PLS和冗余分析）中的交互作用项非常困难[58]。提供了一些粗略的方法，用于（视觉上）评估对照实验数据的相互作用效应[58]。在将这些方法应用于我们分析中使用的数据集之前，需要进一步开发这些方法，即相对较小的多级数据集，这些数据集具有来自不受控制的现实生活环境的连续和离散值。

4.2.2. 可持续性和复原力背景下的 sPLS。

通过将响应变量置于弹性的背景下，可以获得有关系统弹性的一般概念。应该指出的是，单个农业系统的复原力最终应在更广泛的背景下进行评估。例如，降低对外部来源氮输入的依赖可能有利于减少环境足迹，并通过增加自主性来提高弹性。荷兰氮输入的减少预计不一定会导致产量下降[54，59]。因此，通过减产将环境压力外部化到其他地区的风险似乎很小。

在我们的分析中，sPLS在更多样化的地区表现较低，即在FL和ZE，与VK相比，农场彼此之间的差异更大，作物价格变化更大。这可能意味着，当使用相对较小的数据集时，sPLS应该应用于相对稳定的经济环境中具有相当均匀的农场的系统，以便检测已知包含大量噪声的农场数据中的模式。有趣的是，多样性，特别是农业系统异质性形式的多样性，在建立复原力的背景下被认为是重要的[7，8，60]。此外，对于大多数当代集约化农业系统来说，稳定的经济环境并不常见，因为大多数都受到全球市场（市场价格波动）的影响[61-63]。考虑到上述反思，需要包含更多农场的数据集在更长的时间跨度内增加我们的方法的实用性。然而，即使拥有大型农场数据集，也不能保证找到模式和良好的解释力[56]。

小残差被视为农场稳定性的指标，因此对农场稳健性的弹性有利。一些人认为稳定性并不等同于稳健性，需要更具体的指标[例如22，64]。在以前的工作中，有趣的是使用绝对基准[22]，例如反映经济表现的最低工资，而我们的研究着眼于与平均值或趋势的偏差，而不参考标准。与经济指标类似，产量指标可以参照潜在产量[例如38]和环境指标与现有环境标准[例如65]进行基准比较。使用标准可以将我们类型工作的结果更多地置于（社会）期望的可持续性水平的角度。

4.2.3. 模型和响应变量的选择会影响结果。

尽管sPLS在很大程度上是由数据驱动的，但研究设计影响了结果。关于组件的选择，可接受的Q2分数水平是任意的[53]。因此，我们也提出了R2值。有些组成部分包括先验规定的每个组成部分的最大或最小指标数目，即为了可解释性，此处也包括了任意性。其他分析表明，在包含强相关的解释变量方面，模型性能相对稳健（S6文本中的表C）。相比之下，在本文中的案例研究中，响应变量之间的强相关性降低了模型性能（S6文本中的表A）。更具体地说，原始数据集中氮输入与氮过剩之间的强相关性优于其他解释变量与产量和经济响应变量相关响应变量的相关性。这一“发现”可以看作是一个例证，说明经济领域大量相对容易衡量的指标如何掩盖通常不那么丰富和更难衡量的环境指标的模式。为避免忽视重要的环境变量，应阻止经济指标代表性过高。

5. 结论

总体而言，我们对14年来来自三个地区的农场会计数据的统计分析大多证实了现有的知识。目前的农业产出水平和可持续性主要与与农场结构有关的变量有关，特别是与投入强度有关的指标。农场业绩的逐年变化主要与天气条件和极端天气有关。因此，我们在农场级别测试弹性属性假设的方法的有用性似乎有限，这可能至少部分是由于数据集。

我们的目标是在农场层面确定弹性属性，其中弹性属性应该支持农场应对市场和天气条件的趋势和变化。虽然我们的方法显示了农场特征（特别是输入强度）对当前系统功能水平的重要性，但它们对应对挑战的重要性仍然不清楚，因为与农场特征相比，挑战对系统功能的趋势和可变性的影响要大得多。因此，挑战与农场特征之间的相互作用需要用其他方法进一步探索。

本文中提出的方法可以看作是一种过滤和投影高维数据并强调数据模式的方法。因此，这是了解数据的有用方法。在农场弹性的背景下，虽然使用相对较小的数据集，但我们的方法的适用性似乎仅限于相对稳定的经济环境中相当同质的农场人口。应使用更全面的数据集，包括农场数量和捕获的时间跨度，以提高我们方法的实用性。打算在（耕地）农业系统中应用这种方法的研究人员应该清楚地意识到它们通过选择响应变量对结果的影响。特别是关于经济指标的相对丰富，这些指标可能掩盖通常更难衡量，因此不那么丰富的环境指标。

支持信息

观测值的数量。

显示 1/6： pstr.0000046.s001.docx

跳到无花果共享导航

S1 文本。观测值数量由于每个农场的观测年数不同，因此每年的观测数包含在分析结果不同（表A、表B）。表A. 三个案例研究区域每年的观测数。地区20062007200820092010201120122013201420152016201720182019佛罗里达州912141515151515141414121010泽1416151617171617151515151515VK13141416191919191717171617151

表B. 每个区域每个农场的年数，其中有对《公约》中所列所有变量的观测结果sPLS分析。农场代码地区'06'07'08'09'10'11'12'13'14'15'16'17'18'1987279佛罗里达州111111111111那那87280佛罗里达州11111111111那那那87282佛罗里达州1111111111111187540佛罗里达州11111111那那那那那那87541佛罗里达州1那那1111111111187544佛罗里达州1111111111111187553佛罗里达州1111111111111187559佛罗里达州1111111111111187569佛罗里达州1111111111111187285佛罗里达州那111111111111187286佛罗里达州那111111111111187287佛罗里达州那111111111111187289佛罗里达州那11111111111那那87290佛罗里达州那那11111111111187571佛罗里达州那那111111111那那那49822泽1111111111111149826泽11111111那那那那那那49851泽111那11那111111149857泽1111111111111149861泽1111111111111149875泽11111111那那那那那那49895泽1111111111111149909泽1111111111111149947泽1111111111111149950泽11那1111111111149954泽1111111111111149955泽1111111111111149957泽1111111111111149960泽1111111111111149977泽那111111111111149980泽那111111111111149985泽那那那1111111111121581VK1111111111111121650VK1111111111111那21658VK11111111那那那那那那21812VK1111111111111121813VK1111111111111那21816VK1111111111111121823VK11111111那那那那那那21834VK1111111111111121840VK1111111111111121866VK1111111111111121867VK1111111111111121869VK1111111111111133579VK1111111111111121906VK那111111111111121925VK那那那1111111111121936VK那那那1111111111121926VK那那那那111111111121933VK那那那那1111111那1121938VK那那那那11111111112

1 / 6

下载

无花果分享

S1 文本。 观测值的数量。

https://doi.org/10.1371/journal.pstr.0000046.s001

（文档）

S2 文本。 有关变量的详细信息。

https://doi.org/10.1371/journal.pstr.0000046.s002

（文档）

S3 文本。 结果阈值回归。

https://doi.org/10.1371/journal.pstr.0000046.s003

（文档）

S4 文本。 结果 PCA。

https://doi.org/10.1371/journal.pstr.0000046.s004

（文档）

S5 文本。 结果 sPLS 模型。

https://doi.org/10.1371/journal.pstr.0000046.s005

（文档）

S6 文本。 其他 sPLS 模型。

https://doi.org/10.1371/journal.pstr.0000046.s006

（文档）

确认

作者感谢瓦赫宁根经济研究公司的Ruud van der Meer提供了对单个农场数据的访问。

引用

1.Meuwissen MPM， Feindt PH， Spiegel A， Termeer CJAM， Mathijs E， de Mey Y， et al.评估农业系统复原力的框架。农业系统. 2019;176： 102656.

查看文章谷歌学术搜索

2.Tendall DM， Joerin J， Kopainsky B， Edwards P， Shreck A， Le QB， et al.粮食系统复原力：定义概念。全球食品秒 2015;6： 17–23.

查看文章谷歌学术搜索

3.Walker B，Salt D.弹性实践：建立吸收干扰和维持功能的能力。岛屿出版社，美国华盛顿特区;2012. https://doi.org/10.5822/978-1-61091-231-0

4.Paas W， San Martín C， Soriano B， van Ittersum MK， Meuwissen MPM， Reidsma P. 用参与式方法评估农业系统的未来可持续性和复原力：西班牙韦斯卡粗放养羊业的案例研究。生态印度语 2021;132： 108236.

查看文章谷歌学术搜索

5.Klapwijk C， van Wijk M， Rosenstock T， van Asten P， Thornton P， Giller K. 农业系统权衡分析：现状和前进方向。Curr Opin Environ Sustain.2014;6: 110–115.

查看文章谷歌学术搜索

6.Kanter DR， Musumba M， Wood SLR， Palm C， Antle J， Balvanera P， et al.评估可持续发展时代的农业权衡。农业系统. 2018;163： 73–88.

查看文章谷歌学术搜索

7.Paas W， Coopmans I， Severini S， van Ittersum M， Meuwissen M， Reidsma P. 三个专业耕作系统的可持续性和复原力的参与式评估。生态学报 2021;26： 2.https://doi.org/10.5751/ES-12200-260202

查看文章谷歌学术搜索

8.卡贝尔、奥洛夫斯·评估农业生态系统复原力的指标框架。生态学报 2012;17： 18.

查看文章谷歌学术搜索

9.联盟弹性。评估社会生态系统的复原力：从业者工作簿。版本 2.0。2010. 可用： https://www.resalliance.org/process.php.

查看文章谷歌学术搜索

10.Dardonville M， Bockstaller C， Therond O. 温带农业系统的复原力、脆弱性、稳健性和适应能力的定量评估综述。清洁产品杂志 2021;286： 125456.

查看文章谷歌学术搜索

11.van Ittersum MK，Rabbinge R.生产生态学中用于分析和量化农业投入产出组合的概念。F 作物研究 1997;52： 197–208.

查看文章谷歌学术搜索

12.van Dijk M， Morley T， Jongeneel R， van Ittersum M， Reidsma P， Ruben R. 解开农艺和经济产量差距：一个集成的框架和应用。农业系统. 2017;154： 90–99.

查看文章谷歌学术搜索

13.席尔瓦合资公司，里德斯马P，鲍德隆F，拉博特公司，吉勒KE，范伊特苏姆MK。可持续集约化的可持续性如何？评估全球田间和农场层面的产量差距。全球食品部分 2021;30：100552。

查看文章谷歌学术搜索

14.Reidsma P，Oude Lansink A，Ewert F.气候变异和补贴对欧洲农业的经济影响和观察到的适应战略。Mitig Adapt 策略 Glob Chang.2009;14: 35.

查看文章谷歌学术搜索

15.只是RE，教皇RD.生产函数和经济影响的随机规范。J 经济。1978;7: 67–86.

查看文章谷歌学术搜索

16.霍尔DC，诺加德RB。关于农药的时间和施用。美国农业经济杂志 1973;55： 198–201.

查看文章谷歌学术搜索

17.Reidsma P，Ewert F，Oude Lansink A.分析不同气候和管理条件下欧洲农场绩效，以提高对适应能力的理解。气候变化。2007;84: 403–422.

查看文章谷歌学术搜索

18.范帕塞尔 S， 马塞蒂 E， 门德尔松 R.气候变化对欧洲农业影响的李嘉图分析。环境资源经济 2017;67： 725–760.

查看文章谷歌学术搜索

19.艾布森DJ，弗雷泽EDG，本顿TG。景观多样性和农业回报的复原力：低地农业土地利用模式和经济回报的组合分析。农业食品安全。2013;2: 2.

查看文章谷歌学术搜索

20.Herrera H，Schütz L，Paas W，Reidsma P，Kopainsky B.了解耕作系统的弹性：来自荷兰耕作系统系统动力学建模的见解。生态模型。2022;464: 109848.

查看文章谷歌学术搜索

21.Reidsma P，Ewert F，Oude Lansink A，Leemans R.欧洲农民的脆弱性和适应：产量和收入对气候变异性响应的多层次分析。Reg Environ Chang。2009;9: 25–40.

查看文章谷歌学术搜索

22.斯内森斯一世， 索韦 L， 兰德里亚纳索洛-拉科托比 H， 英格朗 S.评估耕作系统经济脆弱性的框架：适用于作物-畜牧混合系统。农业系统2019;176：102658。

查看文章谷歌学术搜索

23.Slijper T， de Mey Y， Poortvliet PM， Meuwissen MPM.使用 FADN 量化欧洲农场的弹性。欧洲农业经济修订版 2022;49： 121–150.

查看文章谷歌学术搜索

24.马丁 G， 马格纳 M-A， 克里斯托瓦尔 MS.一种综合方法，根据农场配置和农民的适应情况，分析农场对气候和经济变化的脆弱性。前植物科学 2017;8： 1483.密码：28900435

查看文章PubMed/NCBI谷歌学术搜索

25.Bouttes M， San Cristobal M， Martin G. 易受气候和经济变化的影响主要是由法国有机奶牛场的农民做法驱动的。欧 J 阿格隆。2018;94: 89–97.

查看文章谷歌学术搜索

26.Mandryk M， Reidsma P， van Ittersum MK. 未来气候挑战下的作物和农场水平适应：一项考虑荷兰弗莱福兰多个目标的探索性研究。农业系统2017;152：154–164。

查看文章谷歌学术搜索

27.Paas W， Accatino F， Bijttebier J， Black JE， Gavrilescu C， Krupin V， et al.对有弹性和可持续的欧洲农业系统的关键阈值进行参与式评估。J 农村梭哈。2021;88: 214–226.

查看文章谷歌学术搜索

28.Spiegel A， Reidsma P， Buitenhuis Y， Slijper T， Paas W， de Mey Y， et al. 实现转型以应对未来挑战：以荷兰文科洛尼恩集约化耕作系统为例。在：Garrido A，Spiegel A，Soriano B，Mathijs E，Urquhart J，Meuwissen MMP等，编辑。欧洲有弹性和可持续的农业系统：探索多样性和途径。剑桥：剑桥大学出版社;2022.第201–214页。https://doi.org/10.1017/9781009093569.013

29.斯利珀 T， 厄克特 J， 普尔特维利特 PM， 索里亚诺 B， 莫维森 MPM.探索社会资本和学习如何与荷兰耕地农民的复原力相关。农业系统2022;198：103385。

查看文章谷歌学术搜索

30.Buitenhuis Y， Candel JJL， Termeer KJAM， Feindt PH.共同农业政策是否增强了农业系统的复原力？将复原力评估工具（ResAT）应用于荷兰的农业系统案例研究。J 农村梭哈。2020;80: 314–327.

查看文章谷歌学术搜索

31.Diogo V，Reidsma P，Schaap B，Andree BPJ，Koomen E.评估极端气候对当地和区域经济的影响以及荷兰耕作系统中适应措施的可行性。农业系统. 2017;157： 216–229.

查看文章谷歌学术搜索

32.van der Veen HB， Ge L， van der Meer RW， Vrolijk HCJ.荷兰FADN 2012样本：农业和园艺馆藏样本的设计原则和质量。906， LEI 绩效 en 影响农业部门，： LEI 瓦赫宁根 UR;2014. 可用： https://edepot.wur.nl/327104.

33.波普·赫特·贝德里文-信息网范托特·雷，海牙;2004. 可从： https://edepot.wur.nl/33033.

查看文章谷歌学术搜索

34.欧盟委员会的JRC。欧洲网格化农业气象数据[数据集].2021. 可从： http://agri4cast.jrc.ec.europa.eu/DataPortal/Index.aspx?o=.

35.WEcR.Agrimatie—informatie over de agrosector.2020 [引用日期：2年2020月2日]。可用： https://www.agrimatie.nl/Binternet.aspx?ID=1&Bedrijfstype=4022%2018&SelectedJaren=402017%402016%402015%<>&GroteKlassen=Alle+bedrijven.

36.卡达斯特。阿格拉里什格隆德。2021 [引用日期17-2021-<>]。可用： https://www.kadaster.nl/zakelijk/vastgoedinformatie/vastgoedcijfers/vastgoeddashboard/agrarische-grond.

37.经合组织。长期利率。2021 [引用日期17-2021-<>]。可用： https://data.oecd.org/interest/long-term-interest-rates.htm.

38.荷兰耕作系统的产量差距：作物和作物轮作水平的分析。农业系统， 2017;158： 78–92.

查看文章谷歌学术搜索

39.Meul M，Nevens F，Reheul D，Hofman G.法兰德斯专业乳制品，耕地和养猪场的能源利用效率。农业生态系统环境。2007;119: 135–144.

查看文章谷歌学术搜索

40.霍克斯特拉 AY， 布雷登霍夫-比斯马 R， 克罗尔 MS.在不确定性下管理系统的控制与弹性基本原理。环境研究 2018;13： 103002.

查看文章谷歌学术搜索

41.卡明GS，彼得森GD.统一研究社会生态弹性和崩溃。趋势生态埃沃尔。2017;32: 695–713.pmid：28734593

查看文章PubMed/NCBI谷歌学术搜索

42.欧统局。营养收支—方法和手册。版本 1.02。欧统局和经合组织，卢森堡;2013. 可从： https://ec.europa.eu/eurostat/documents/2393397/2518760/Nutrient_Budgets_Handbook_%28CPSA_AE_109%29_corrected3.pdf/4a3647de-da73-4d23-b94b-e2b23844dc31.

43.Lamkowsky M， Oenema O， Meuwissen MPM， Ang F. 缩小荷兰奶牛场之间的生产力差距可以提高利润并减少氮污染。环境研究 2021;16：124003。

查看文章谷歌学术搜索

44.Zeileis A，Leisch F，Hornik K，Kleiber C. strucchange：用于测试线性回归模型中结构变化的R包。J 统计软件。2002;7: 1–38.

查看文章谷歌学术搜索

45.R 核心团队。R：统计计算的语言和环境。奥地利维也纳;2015. 可用： https://www.r-project.org/.

46.Schaap BF， Reidsma P， Verhagen J， Wolf J， van Ittersum MK. 荷兰耕地农场层面适应气候风险的参与式设计。欧 J 阿格隆。2013;48: 30–42.

查看文章谷歌学术搜索

47.Schaap BF，Blom-Zandstra M，Hermans CML，Meerburg BG，Verhagen J.极端气候变化对荷兰北部耕作农业的影响。Reg Environ Chang。2011;11: 731–741.

查看文章谷歌学术搜索

48.Pinsard C，Martin S，Léger F，Accatino F.用动态氮流模型评估的三种类型的欧洲农业系统的进口下降的稳健性。农业系统2021;193：103215。

查看文章谷歌学术搜索

49.韦斯特利 F， 奥尔森 P， 福克 C， 荷马-迪克森 T， 弗里登堡 H， 洛尔巴赫 D， 等.向可持续发展倾斜：新兴的转型途径。安比奥。2011;40: 762.密码：22338714

查看文章PubMed/NCBI谷歌学术搜索

50.Alvarez S， Timler CJ， Michalscheck M， Paas W， Descheemaeker K， Tittonell P， et al.用基于假设的类型学捕捉农场多样性：农业系统类型学发展的创新方法框架。普埃布拉一世，编辑。公共图书馆一号。2018;13： e0194757.密码：29763422

查看文章PubMed/NCBI谷歌学术搜索

51.呜呜。在进行PCA之前，是否应该删除高度相关的变量？2013. 可从： https://stats.stackexchange.com/q/50583.

52.黎曹嘉， 罗苏夫 D， 罗伯特-格拉尼埃 C， P. B.集成组学数据时用于变量选择的稀疏 PLS。统计应用基因分子生物学. 2008;7： 35.pmid：19049491

查看文章PubMed/NCBI谷歌学术搜索

53.Cao K-A Le， Rohart F， Gonzalez I， Dejean S. mixOmics： Omics Data Integration Project.2017. 可用： http://cran.r-project.org/package=mixOmics.

54.Silva JV， van Ittersum MK， ten Berge HFM， Sp?tjens L， Tenreiro TR， Anten NPR， et al.集约化耕作系统中氮性能指标的农艺分析：对商业农场大数据的评估。作物研究 2021;269： 108176.

查看文章谷歌学术搜索

55.Mulders PJAM， van den Heuvel ER， van den Borne J， van de Molengraft R， Heemels WPMH， Reidsma P. 农场层面的数据科学：解释和预测马铃薯生长和产量的农场内变异性。欧 J 阿格隆。2021;123: 126220.

查看文章谷歌学术搜索

56.席尔瓦 JV， 特雷罗 TR， 斯佩特晏斯 L， 安滕 NPR， 范伊特苏姆 MK， 里德斯马 P.大数据能否解释集约化种植系统中的产量变异性和水分生产率？作物研究 2020;255： 107828.

查看文章谷歌学术搜索

57.斯特凡诺维奇AM，卡普斯塔P，祖贝克S，斯坦内克M，沃奇MW。土壤有机质胜过重金属污染和植被，是塑造历史上锌-铅矿场土壤微生物群落的一个因素。光化层。2020;240: 124922.密码：31563718

查看文章PubMed/NCBI谷歌学术搜索

58.ter Braak CJF， ?milauer P. Topics in Restricted and Un约束 ordination.植物生态学。2015.

查看文章谷歌学术搜索

59.van Grinsven HJM，van Eerdt MM，Westhoek H，Kruitwagen S.欧洲背景下荷兰农业的生态效率和足迹基准以及对气候和环境政策的影响。前线维持食物系统. 2019;3.

查看文章谷歌学术搜索

60.Reidsma P， Meuwissen M， Accatino F， Appel F， Bardaji I， Coopmans I， et al.利益相关者如何看待欧盟农业系统的可持续性和弹性？欧洲选择。2020;19: 18–27.

查看文章谷歌学术搜索

61.Giller KE， Delaune T， Silva JV， Descheemaeker K， van de Ven G， Schut AGT， et al.农业的未来：谁来生产我们的食物？食品安全。2021;13: 1073–1099.

查看文章谷歌学术搜索

62.塞隆德 O， 杜鲁 M， 罗杰-埃斯特拉德 J， 理查德 G.农业系统和农业模式多样性的新分析框架。一个评论。农业维持开发 2017;37： 21.

查看文章谷歌学术搜索

63.Nystr?m M， Jouffray JB， Norstr?m A V.， Crona B， S?gaard J?rgensen P， Carpenter SR， et al.全球生产生态系统的剖析和弹性。自然界。2019;575: 98–108.密码：31695208

查看文章PubMed/NCBI谷歌学术搜索

64.Slijper T， de Mey Y， Poortvliet PM， Meuwissen MPM.从风险行为到感知的农场弹性：荷兰案例研究。生态学报 2020;25： 10.

查看文章谷歌学术搜索

65.de Vries W， Schulte-Uebbing L， Kros H， Voogd JC， Louwagie G. 欧盟农业氮输入的空间明确边界，以满足空气和水质目标。科学总环境。2021;786: 147283.密码：33958210

查看文章PubMed/NCBI谷歌学术搜索