Dampak Ketidakpastian Kebijakan Iklim terhadap Pembangunan Pertanian: Analisis Multidimensi dari Penggunaan Lahan, Struktur Pangan, dan Emisi Karbon

ABSTRAK
Perubahan iklim global menimbulkan tantangan yang belum pernah terjadi sebelumnya bagi keberlanjutan pertanian, namun kesenjangan pengetahuan yang signifikan masih ada terkait dampak multidimensi ketidakpastian kebijakan iklim (CPU) pada sistem pertanian. Penelitian sebelumnya terutama berfokus pada aspek-aspek yang terisolasi seperti perubahan penggunaan lahan, keputusan produksi, atau pola emisi, mengabaikan dampak terintegrasi di seluruh dimensi pertanian yang saling berhubungan. Fragmentasi ini menggarisbawahi perlunya kerangka kerja analitis komprehensif yang menangkap interaksi kompleks antara ketidakpastian kebijakan dan lintasan pembangunan pertanian. Studi ini menyelidiki hubungan ini melalui efek tetap dua arah dan model kesalahan spasial (SEM) yang diterapkan pada data panel dari provinsi-provinsi Tiongkok yang mencakup tahun 2011–2022. Temuan empiris mengungkapkan bahwa CPU secara signifikan menghambat pembangunan pertanian di tiga dimensi penting: mengurangi efisiensi pemanfaatan lahan, mengganggu struktur pangan yang optimal, dan memengaruhi profil emisi karbon. Analisis heterogenitas regional menunjukkan bahwa wilayah barat menunjukkan kerentanan yang lebih tinggi terhadap dampak ketidakpastian kebijakan pada penggunaan lahan dan struktur pangan, sementara wilayah tengah menunjukkan sensitivitas yang nyata terkait emisi karbon pertanian. Lebih jauh, pemodelan ekonometrik spasial mengidentifikasi efek spillover negatif yang signifikan, di mana ketidakpastian kebijakan di satu wilayah mengurangi efisiensi pemanfaatan lahan dan optimalisasi struktur pangan di wilayah tetangga, sementara secara bersamaan memengaruhi pola emisi antarwilayah melalui mekanisme alokasi sumber daya. Temuan ini berkontribusi pada pemahaman teoritis tentang interaksi kebijakan-pertanian dan memberikan landasan empiris untuk mengembangkan pendekatan kebijakan iklim yang berbeda yang menyeimbangkan keharusan ketahanan pangan dengan tujuan keberlanjutan lingkungan.

1 Pendahuluan
Meningkatnya keparahan perubahan iklim global telah menempatkan pertanian pada titik kritis kerentanan dan kontribusi terhadap tantangan lingkungan (Cui dan Xie 2022 ; Roy et al. 2022 ; Zhang et al. 2024 ; He et al. 2024 ; Antwi-Agyei dan Stringer 2021 ). Sebagai sektor yang paling langsung dipengaruhi oleh variasi iklim, pertanian menghadapi tekanan adaptasi yang kompleks sementara secara bersamaan berfungsi sebagai sumber signifikan emisi gas rumah kaca (GRK) (Wang et al. 2023 ; Filonchyk et al. 2024 ; Tang et al. 2021 ; Feliciano et al. 2022 ). Menurut penilaian komprehensif yang diterbitkan dalam laporan Organisasi Pangan dan Pertanian Perserikatan Bangsa-Bangsa (FAO) 2022, pertanian, kehutanan, dan kegiatan penggunaan lahan terkait secara kolektif berkontribusi sekitar 23% dari emisi GRK global. Dalam konteks spesifik Tiongkok, produksi pertanian menyumbang sekitar 10% dari jejak karbon negara tersebut, dengan emisi terutama berasal dari praktik pengelolaan lahan pertanian, sistem produksi ternak, dan pengoperasian mesin pertanian (Chen et al. 2021 ; Wang et al. 2022 ).

Hubungan pertanian–iklim menghadirkan tantangan kebijakan yang khas yang dicirikan oleh keharusan yang bersaing: memastikan keamanan pangan sambil mengurangi dampak lingkungan. Mandat ganda ini telah mendorong pemerintah di seluruh dunia untuk menerapkan beragam kebijakan iklim yang menargetkan transformasi pertanian (Nsabiyeze et al. 2024 ; Achakulwisut et al. 2023 ). Kerangka kerja kebijakan ini biasanya mencakup langkah-langkah untuk mengkonfigurasi ulang sistem produksi, meningkatkan efisiensi pemanfaatan lahan, dan merestrukturisasi pola pemilihan tanaman. Namun, upaya ini berlangsung dengan latar belakang ketidakpastian kebijakan yang substansial, yang menciptakan kompleksitas pengambilan keputusan yang signifikan bagi para pemangku kepentingan pertanian. Ketidakpastian Kebijakan Iklim (CPU) akibatnya muncul sebagai faktor eksternal penting yang membentuk lintasan pembangunan pertanian, dengan pengaruhnya terhadap keputusan produksi menjadi semakin menonjol (Yin dan Cao 2024 ; Wang et al. 2023 ; Li et al. 2024 ; Fan et al. 2025 ).

Manifestasi CPU terjadi melalui beberapa saluran, termasuk ambiguitas dalam tujuan kebijakan, inkonsistensi dalam pendekatan implementasi, dan variabilitas dalam cakupan regulasi. Beberapa tahun terakhir telah menyaksikan intensifikasi CPU global yang terus-menerus (Wang et al. 2023 ; Ding et al. 2025 ). Di tingkat internasional, fragmentasi mencirikan upaya kerja sama iklim di antara negara-negara besar. Meskipun konsensus parsial dicapai selama Konferensi Para Pihak ke-29 (COP29) untuk Konvensi Kerangka Kerja Perserikatan Bangsa-Bangsa tentang Perubahan Iklim (UNFCCC), disparitas substansial tetap ada mengenai mekanisme implementasi, khususnya di bidang-bidang kritis seperti alokasi keuangan iklim dan metodologi pengurangan emisi pertanian. Variabilitas kebijakan internasional ini menciptakan latar belakang yang menantang untuk formulasi kebijakan domestik. Di Tiongkok khususnya, CPU memperkenalkan lapisan kompleksitas tambahan pada proses pengambilan keputusan produsen pertanian mengenai strategi alokasi lahan, kriteria pemilihan tanaman, dan pola pemanfaatan input (Li et al. 2024 ).

Landasan teoritis yang menghubungkan ketidakpastian kebijakan dengan hasil pertanian berakar pada beberapa kerangka kerja yang mapan. Pertama, teori pengambilan keputusan dalam ketidakpastian menunjukkan bahwa ketika menghadapi lingkungan kebijakan yang tidak dapat diprediksi, agen ekonomi cenderung menunda keputusan investasi dan mempertahankan struktur produksi yang ada, bahkan ketika alternatif mungkin memberikan hasil jangka panjang yang lebih unggul (Dixit dan Pindyck 1994 ; Haas et al. 2023 ; Pan et al. 2022 ). Kedua, teori ekonomi institusional menyatakan bahwa sinyal kebijakan yang tidak jelas menghambat pembentukan mekanisme pasar yang efektif untuk barang-barang lingkungan, sehingga menghambat transisi sektor pertanian menuju praktik berkelanjutan (Menard dan Shirley 2024 ; Mari et al. 2022 ). Ketiga, teori ekonomi spasial menyediakan kerangka kerja untuk memahami bagaimana dampak kebijakan menyebar di seluruh wilayah melalui hubungan pasar, aliran sumber daya, dan transmisi pengetahuan (Proost dan Thisse 2019 ).

Meskipun literatur yang ada telah meneliti dimensi tertentu dari dampak kebijakan iklim pada sistem pertanian, analisis komprehensif yang menggabungkan beberapa dimensi masih langka. Sebagian besar studi berfokus pada aspek-aspek yang terisolasi, seperti perubahan penggunaan lahan (Zhang et al. 2021 ), keputusan produksi (Persakis 2024 ), atau pola emisi (Guesmi et al. 2023 ). Fragmentasi ini meninggalkan kesenjangan pengetahuan yang signifikan mengenai dampak terintegrasi CPU di seluruh dimensi sistem pertanian yang saling berhubungan. Secara khusus, bagaimana CPU secara bersamaan memengaruhi efisiensi pemanfaatan lahan, struktur produksi biji-bijian, dan profil emisi karbon masih menjadi pertanyaan ilmiah yang belum terselesaikan dengan implikasi mendalam bagi pembangunan pertanian berkelanjutan.

Penelitian ini membahas kesenjangan pengetahuan ini dengan menyelidiki dampak multidimensi CPU terhadap pembangunan pertanian di Tiongkok. Studi ini menggunakan kerangka kerja analitis komprehensif yang meneliti tiga dimensi penting: pola pemanfaatan lahan, struktur penanaman padi-padian, dan emisi karbon pertanian. Selain itu, kami mengeksplorasi heterogenitas regional dalam dampak ini dan menyelidiki potensi mekanisme spillover spasial yang melaluinya dampak kebijakan dapat menyebar melintasi batas administratif.

Penelitian kami memberikan beberapa kontribusi berbeda pada literatur yang ada. Pertama, penelitian ini menetapkan kerangka analitis multidimensi yang menangkap interaksi kompleks antara ketidakpastian kebijakan dan sistem pertanian, melampaui pendekatan faktor tunggal yang telah menjadi ciri penelitian sebelumnya. Kedua, penelitian ini memberikan bukti empiris dari lanskap pertanian Tiongkok yang beragam, menawarkan wawasan yang berlaku untuk berbagai konteks internasional dengan tantangan kebijakan yang serupa. Ketiga, dengan menggabungkan analisis spillover spasial, penelitian ini mengakui sifat sistem pertanian yang saling terkait dan memberikan pemahaman yang lebih komprehensif tentang bagaimana efek ketidakpastian kebijakan melampaui batas-batas regional.

Temuan dari penelitian ini menawarkan implikasi berharga bagi perumusan kebijakan iklim dalam konteks pertanian. Dengan menjelaskan dampak ketidakpastian kebijakan yang berbeda di berbagai wilayah dan dimensi, analisis kami memberikan landasan empiris untuk mengembangkan pendekatan kebijakan yang ditargetkan yang secara bersamaan mengatasi masalah keamanan pangan dan tujuan keberlanjutan lingkungan. Wawasan ini khususnya relevan dalam konteks terkini tentang meningkatnya variabilitas iklim dan meningkatnya keharusan bagi sistem pertanian untuk berkontribusi pada target pengurangan emisi sambil mempertahankan kapasitas produksi.

2 Landasan Teori dan Pengembangan Hipotesis
2.1 Ketidakpastian Kebijakan Iklim dan Penggunaan Lahan Pertanian
CPU—ketidakpastian seputar regulasi iklim, insentif, atau kontrol penggunaan lahan di masa depan—memberikan dampak yang mendalam pada keputusan petani dan agribisnis untuk berinvestasi di lahan pertanian. Di bawah pengambilan keputusan konvensional berdasarkan teori ketidakpastian, produsen diberi insentif untuk menunda atau mengabaikan investasi yang tidak dapat diubah ketika tujuan kebijakan dan cakrawala waktu tidak jelas (Simmons et al. 2018 ; Bai et al. 2022 ). Tidak adanya kebijakan yang dapat diprediksi (misalnya, pembayaran konservasi jangka panjang, pajak karbon) mencegah petani untuk dengan percaya diri merencanakan perbaikan seperti peningkatan irigasi atau peningkatan kesuburan tanah yang umumnya memerlukan prospek yang stabil untuk memastikan keuntungan akhir (Dixit dan Pindyck 1994 ; Ge dan Zhang 2025 ). Dalam kerangka ekonomi kelembagaan, ketidakpastian seperti itu merusak komitmen kredibel yang diperlukan untuk mengalokasikan sumber daya secara efisien. Baik petani maupun pemerintah daerah mungkin tetap berada dalam pola menahan diri, tidak melakukan perluasan lahan secara penuh maupun konservasi lahan, melainkan memilih untuk mempertahankan fleksibilitas apabila terjadi perubahan arah kebijakan (Zhang dan Tan 2024 ).

Dari perspektif ekonomi ekologi, lahan bukan hanya sekadar input produksi tetapi juga sumber daya lingkungan yang terbatas. Penggunaan lahan yang tidak optimal dalam ketidakpastian membebankan biaya peluang bagi produktivitas dan layanan ekosistem (Liu et al. 2020 ). Produsen yang takut akan pembatasan praktik pertanian di masa depan mungkin terburu-buru mengubah lahan untuk mengantisipasi kendala kebijakan, terkadang mendahului maksud kebijakan sama sekali (Simmons et al. 2018 ). Atau, mereka mungkin mengabaikan perbaikan lahan pertanian yang berpotensi menguntungkan jika dukungan di masa depan (atau tidak adanya peraturan yang bersifat menghukum) diragukan. Efek bersihnya biasanya adalah pengurangan pemanfaatan dan pengelolaan lahan pertanian yang efektif, yang mencerminkan alokasi modal yang tidak efisien dan hilangnya peluang untuk intensifikasi lahan yang berkelanjutan.

Di luar efek lokal, CPU dapat menyebabkan spillover spasial negatif di daerah yang berdekatan. Ekonomi spasial mengakui bahwa wilayah saling terkait melalui perdagangan, mobilitas faktor, dan efek imitasi (Yin dan Cao 2024 ). Jika satu wilayah mengantisipasi peraturan iklim yang ketat atau tidak konsisten, produsen di wilayah tetangga mungkin juga menjadi lebih berhati-hati, menunda perbaikan atau perluasan lahan yang serupa (Liu et al. 2024 ). Atau, tergesa-gesanya pembukaan lahan lokal dapat menekan harga komoditas, mendorong daerah tetangga untuk mengurangi input lahan pertanian, sehingga memperluas dampak ketidakpastian melintasi batas administratif. Menurut bukti terbaru (Wang et al. 2023 ), volatilitas kebijakan iklim di satu provinsi dapat meningkatkan profil risiko yang dirasakan untuk provinsi-provinsi sekitarnya, yang pada akhirnya menghambat investasi pertanian intensif lahan di sana juga. Hal ini menghasilkan spillover spasial negatif: penggunaan lahan pertanian berkurang tidak hanya di tempat ketidakpastian berasal tetapi juga di lokasi tetangga.

Oleh karena itu, dengan mengintegrasikan pengambilan keputusan dalam perspektif ketidakpastian, kelembagaan, ekologi, dan spasial, kami berpendapat:

Hipotesis 1. Ketidakpastian kebijakan iklim secara signifikan mengurangi penggunaan lahan pertanian .

Hipotesis 1a. Ketidakpastian kebijakan iklim memberikan efek limpahan spasial negatif pada penggunaan lahan pertanian di wilayah tetangga, yang mengarah pada pengurangan lebih lanjut dalam penggunaan lahan pertanian .

2.2 Ketidakpastian Kebijakan Iklim dan Struktur Pangan
CPU juga memengaruhi struktur pangan, yang meliputi komposisi tanaman pangan dan ternak, serta efisiensi keseluruhan produksi pangan dalam memenuhi tujuan gizi dan keberlanjutan (Su et al. 2023 ; Kotur et al. 2024 ; Han et al. 2025 ). Di bawah sinyal kebijakan yang tidak pasti (misalnya, penetapan harga karbon yang tidak konsisten, subsidi yang tidak menentu untuk tanaman pangan tertentu, regulasi input yang sporadis), produsen pertanian cenderung beralih ke tanaman pangan yang berisiko rendah dan sangat tangguh daripada mengadopsi opsi yang inovatif atau cerdas iklim (Persakis 2024 ). Perilaku menghindari risiko seperti itu terdokumentasi dengan baik dalam ekonomi pertanian, di mana petani yang menghadapi ambiguitas dalam lingkungan kebijakan lebih menyukai pola produksi yang stabil tetapi berpotensi kurang efisien (Zhang et al. 2021 ). Sementara itu, ekonomi kelembagaan menggarisbawahi bahwa arahan kebijakan yang tidak konsisten mengenai dukungan tanaman atau adaptasi iklim merusak kepercayaan yang dibutuhkan untuk perubahan struktural berskala besar, seperti memperkenalkan varietas baru bernilai tinggi atau beralih ke sistem pertanian yang ramah lingkungan (Resnick 2024 ).

Dari sudut pandang ekonomi ekologi, sistem pangan harus mengintegrasikan kendala ekologi (misalnya, kelangkaan air, penipisan tanah, keanekaragaman hayati), yang biasanya memerlukan langkah-langkah kebijakan terkoordinasi—investasi R&D jangka panjang, layanan penyuluhan, dan subsidi yang mempromosikan praktik berkelanjutan. Ketidakstabilan kebijakan mengganggu mekanisme dukungan ini, menghalangi petani untuk mengadopsi strategi tersebut karena takut akan perubahan regulasi yang tiba-tiba. Alih-alih menghasilkan campuran tanaman yang dioptimalkan yang selaras dengan kondisi ekologi lokal dan permintaan pasar, petani sering kali kembali pada makanan pokok jangka pendek atau tradisional. Seiring waktu, hal ini menghambat konfigurasi ulang struktur pangan menuju ketahanan dan efisiensi sumber daya.

Efek spillover spasial negatif dari CPU juga berlaku untuk struktur pangan. Karena pasar pertanian terintegrasi secara regional melalui aliran komoditas, perubahan dalam pilihan tanaman atau campuran ternak satu provinsi dapat memengaruhi daerah tetangga (Guo et al. 2022 ). Jika produsen di wilayah fokus mengurangi tanaman pokok tertentu karena risiko kebijakan yang dirasakan, petani tetangga juga dapat mengurangi atau mengubah struktur tanaman mereka untuk menghindari potensi surplus atau guncangan harga (Nabuurs et al. 2023 ). Respons kolektif ini menyebarkan distorsi yang disebabkan oleh kebijakan di seluruh geografi yang lebih luas. Selain itu, pemerintah daerah yang mengamati perjuangan wilayah lain dengan kebijakan iklim yang tidak menentu mungkin menjadi terlalu berhati-hati dalam reformasi struktural mereka sendiri, memperbesar spillover negatif pada sistem pangan dalam skala yang lebih luas.

Merangkum dampak-dampak ini, kami memperkirakan CPU akan menghambat upaya-upaya untuk mengoptimalkan campuran produksi pertanian, baik secara lokal maupun di wilayah-wilayah yang berdekatan. Secara formal:

Hipotesis 2. Ketidakpastian kebijakan iklim secara signifikan mengurangi efisiensi struktur pangan .

Hipotesis 2a. Ketidakpastian kebijakan iklim memberikan efek limpahan spasial negatif pada struktur pangan di wilayah tetangga, yang mengarah pada pengurangan lebih lanjut dalam efisiensi struktur pangan .

2.3 Ketidakpastian Kebijakan Iklim dan Emisi Karbon Pertanian
Dimensi penting ketiga adalah emisi karbon pertanian. Pertanian berkontribusi secara signifikan terhadap GRK global melalui penggunaan pupuk (melepaskan nitrogen oksida), produksi ternak (metana), dan perubahan penggunaan lahan (karbon dioksida). Kerangka kebijakan iklim yang konsisten dan kredibel—yang melibatkan penetapan harga karbon, subsidi teknologi, atau standar emisi—memberikan sinyal kepada petani dan agribisnis tentang profitabilitas jangka panjang dari investasi rendah karbon (Akram et al. 2024 ; Mittenzwei et al. 2017 ). Namun, ketika arah kebijakan tidak dapat diprediksi, banyak produsen menunda atau menghindari adopsi teknologi rendah karbon (misalnya, pemupukan presisi, praktik pengurangan metana, peralatan energi terbarukan) karena ini biasanya melibatkan biaya awal yang tinggi dan hasil yang tidak pasti (Song et al. 2022 ; Chen et al. 2025 ; Wang et al. 2024 ).

Lembaga kembali memainkan peran utama: komitmen kebijakan yang stabil dapat membantu menginternalisasi eksternalitas negatif emisi, tetapi volatilitas dalam target iklim atau penegakan hukum melemahkan proses internalisasi tersebut. Ekonomi ekologi menyoroti bahwa keterlambatan adopsi langkah-langkah mitigasi menyebabkan emisi kumulatif yang lebih tinggi, yang menyebabkan kerusakan lingkungan yang lebih nyata dari waktu ke waktu (Zeng et al. 2022 ). Petani yang tidak mempercayai keberlangsungan pasar kredit karbon atau rezim regulasi mungkin akan terus menggunakan metode emisi tinggi—seperti terlalu bergantung pada pupuk sintetis atau membakar sisa pertanian—daripada beralih ke teknik rendah emisi yang terbukti.

Yang terpenting, CPU tidak hanya memengaruhi emisi secara lokal. Karena pasar faktor terintegrasi, pertukaran pengetahuan, dan arus komoditas lintas-regional, mungkin ada spillover spasial negatif dari CPU pada emisi GRK pertanian (Wang et al. 2023 ). Misalnya, jika kebijakan iklim Wilayah A tidak stabil, petani di Wilayah B—yang menyadari risiko penularan regulasi di masa depan atau perubahan kebijakan yang tiba-tiba—mungkin juga ragu untuk mengadopsi praktik rendah karbon, yang secara efektif memungkinkan emisi yang lebih tinggi untuk bertahan di kedua wilayah. Atau, sinyal kebijakan yang tidak pasti di Wilayah A dapat menyebabkan eksodus kegiatan pertanian intensif emisi ke Wilayah B (“kebocoran emisi”), sehingga memengaruhi profil karbon B. Namun, seperti yang disarankan abstrak, ada juga bukti spillover spasial negatif dalam hal pengurangan emisi jika kebijakan yang tidak pasti atau lebih ketat (meskipun tidak konsisten) mendorong perubahan struktural atau menyebabkan kegiatan emisi tinggi tertentu berkontraksi, tidak hanya secara lokal tetapi juga di daerah tetangga. Arah yang tepat dapat bergantung pada bagaimana petani di wilayah sekitar menafsirkan dan menanggapi sinyal-sinyal yang tidak pasti tersebut—apakah mereka memilih untuk menunda atau sepenuhnya meninggalkan produksi pertanian beremisi tinggi tertentu.

Dengan menggabungkan semua hal tersebut, kami mengusulkan:

Hipotesis 3. Ketidakpastian kebijakan iklim berkontribusi secara signifikan terhadap emisi karbon pertanian .

Hipotesis 3a. Ketidakpastian kebijakan iklim menghasilkan efek limpahan spasial negatif pada emisi karbon pertanian di wilayah tetangga, yang pada akhirnya memengaruhi distribusi dan skala emisi .

Berdasarkan ekonomi spasial, penting untuk menyadari bahwa CPU tidak beroperasi secara terpisah dalam satu yurisdiksi. Sebaliknya, ketidakpastian dapat menyebar ke seluruh lokasi tetangga melalui pasar yang saling terkait, sumber daya lingkungan bersama, dan peniruan pendekatan kebijakan (Wang et al. 2023 ; Shahbaz et al. 2024 ; Tang et al. 2024 ). Sementara tiga hipotesis pertama kami membahas efek lokal, subhipotesis ( 1a , 2a , dan 3a ) menekankan bahwa CPU juga memengaruhi provinsi atau wilayah tetangga, membentuk penggunaan lahan pertanian, struktur pangan, dan emisi karbon. Konsisten dengan temuan empiris baru-baru ini, spillover ini sering bermanifestasi sebagai eksternalitas negatif, tetapi terkadang dapat mengurangi aktivitas berbahaya (misalnya, produksi karbon tinggi) dalam kondisi tertentu. Dalam praktiknya, memahami efek spasial ini sangat penting untuk merancang kebijakan iklim yang terkoordinasi dan stabil yang melampaui batas kota atau provinsi, memastikan sinyal yang konsisten bagi petani dan agribisnis di semua wilayah yang terhubung.

Singkatnya, kerangka teoritis pada Gambar 1 menyatakan bahwa CPU berdampak negatif pada hasil pembangunan pertanian di sepanjang tiga dimensi utama—penggunaan lahan, struktur pangan, dan emisi karbon—baik secara langsung maupun melalui spillover spasial. Dengan menggabungkan pengambilan keputusan dalam ketidakpastian, ekonomi kelembagaan, ekonomi ekologi, dan ekonomi spasial, kami memperoleh tiga hipotesis utama ( 1 , 2 , 3 ), masing-masing dengan padanan spillover spasial ( 1a , 2a , 3a ). Proposisi-proposisi ini menyiapkan panggung untuk analisis empiris kami, yang bertujuan untuk memberikan penilaian multidimensi tentang bagaimana volatilitas kebijakan iklim membentuk sistem pertanian pada skala lokal dan regional.

3 Desain Penelitian
3.1 Spesifikasi Ekonometrika
Untuk mengukur dampak CPU pada pembangunan pertanian, kami menggunakan model regresi panel dengan efek tetap dan menggabungkan teknik ekonometrik spasial untuk memperhitungkan spillover. Pertama, model efek tetap dua arah ditentukan untuk mengisolasi dampak CPU pada setiap hasil pertanian. Model ini mencakup efek tetap provinsi (untuk mengendalikan perbedaan invarian waktu di seluruh provinsi, seperti geografi atau budaya) dan efek tetap tahun (untuk mengendalikan guncangan atau tren umum dari waktu ke waktu, seperti pergeseran kebijakan nasional atau kemajuan teknologi). Dengan mengendalikan faktor-faktor yang tidak dapat diamati ini, model efek tetap dua arah membantu memastikan bahwa koefisien yang diestimasikan pada CPU mencerminkan variasi di luar ciri provinsi yang persisten atau tren waktu nasional. Intinya, pendekatan ini meningkatkan identifikasi dengan membedakan faktor-faktor pengganggu yang dapat membiaskan hasil. Secara formal, model dasar untuk provinsi
di tahun
ditentukan sebagai

Berikutnya, untuk menangkap efek spillover spasial CPU pada pengembangan pertanian, makalah ini memperkenalkan model kesalahan spasial (SEM) untuk pengujian. SEM adalah alat penting dalam ekonometrika spasial yang bertujuan untuk menangkap autokorelasi spasial dari istilah kesalahan dalam model. Ini cocok untuk menganalisis fenomena ketika ada ketergantungan spasial atau efek spillover spasial, terutama ketika interaksi antara wilayah studi ditransmisikan melalui istilah kesalahan. Motivasi utama untuk model ini adalah bahwa istilah kesalahan dapat menunjukkan autokorelasi spasial ketika ada korelasi spasial yang tidak teramati antara wilayah studi. Jika autokorelasi spasial ini diabaikan, asumsi dalam model regresi tradisional tidak akan berlaku lagi, yang pada gilirannya mengarah pada estimasi yang bias dan tidak efisien. Berdasarkan Persamaan ( 1 ), SEM mengasumsikan bahwa istilah kesalahan menunjukkan efek spasial Persamaan ( 2 ).

3.2 Pemilihan dan Definisi Variabel
3.2.1 Variabel Terikat
Kami meneliti tiga aspek utama pembangunan pertanian sebagai variabel dependen: pemanfaatan lahan, struktur pangan, dan emisi karbon pertanian. Masing-masing dipilih untuk menangkap dimensi yang berbeda tentang bagaimana pertanian dapat menanggapi ketidakpastian kebijakan—alokasi lahan, pola konsumsi/produksi, dan eksternalitas lingkungan.

3.2.1.1 Pemanfaatan Lahan Pertanian
Kami mengukur penggunaan lahan berdasarkan jumlah luas lahan pertanian di setiap provinsi (dalam ribuan hektar). Variabel ini mencerminkan luas lahan yang didedikasikan untuk pertanian, yang dapat dipengaruhi oleh CPU melalui mekanisme seperti kebijakan konservasi lahan atau pergeseran profitabilitas lahan (Ricci et al. 2020 ). Secara apriori, dampak ketidakpastian kebijakan yang lebih tinggi pada lahan pertanian bersifat ambigu: di satu sisi, ketidakpastian dapat menghambat investasi jangka panjang dalam perbaikan atau perluasan lahan; di sisi lain, jika kebijakan iklim diharapkan tetapi tidak pasti, petani dapat menunda konversi lahan pertanian ke penggunaan lain. Kami mengendalikan faktor-faktor seperti tekanan populasi dan pembangunan ekonomi dalam regresi untuk mengisolasi dampak CPU pada penggunaan lahan. Dalam kumpulan data, luas lahan pertanian diambil dari buku tahunan statistik provinsi dan survei penggunaan lahan resmi dan dinyatakan dalam bentuk logaritmik (setelah menambahkan konstanta kecil untuk menghindari log(0) untuk provinsi dengan perubahan yang dapat diabaikan). Pencatatan luas lahan membantu menormalkan distribusinya dan memungkinkan interpretasi koefisien sebagai elastisitas.

3.2.1.2 Struktur Konsumsi Pangan
Untuk menangkap perubahan dalam struktur pangan, kami menggunakan indikator komposisi makanan, khususnya proporsi konsumsi makanan berbasis hewani dalam total konsumsi makanan per kapita. Hal ini mencerminkan keseimbangan antara makanan pokok tradisional (biji-bijian, umbi-umbian, dll.) dan makanan bernilai tinggi seperti daging, susu, dan minyak dalam makanan. Seiring meningkatnya pendapatan dan perubahan gaya hidup, sudah terdokumentasi dengan baik bahwa pola makan bergeser “dari orientasi serat nabati ke orientasi lemak dan protein hewani,” dalam kasus Tiongkok dan negara-negara berkembang lainnya. Fenomena ini, yang dikenal sebagai Hukum Bennett dalam ekonomi pertanian, menyiratkan bahwa pendapatan yang lebih tinggi (atau urbanisasi) mengarah pada porsi daging dan makanan padat nutrisi lainnya yang lebih besar dalam makanan, yang pada gilirannya memiliki implikasi untuk penggunaan lahan dan emisi karbon. Kami memasukkan variabel ini sebagai hasil karena kebijakan iklim (dan ketidakpastian di dalamnya) dapat secara tidak langsung memengaruhi struktur makanan—misalnya, melalui promosi pola makan rendah karbon atau perubahan harga pangan. Variabel struktur makanan dibangun sebagai persentase konsumsi makanan per kapita (dalam hal kalori atau pengeluaran) yang berasal dari produk hewani. Nilai yang lebih tinggi menunjukkan pola makan yang lebih kaya akan daging dan susu. Data untuk ukuran ini diperoleh dari survei Biro Statistik Nasional tentang konsumsi rumah tangga, yang tersedia dalam buku tahunan provinsi. Kami mengantisipasi bahwa tanpa kontrol, provinsi yang lebih kaya atau lebih urban akan memiliki pangsa makanan berbasis hewan yang lebih tinggi; oleh karena itu kami akan mengendalikan dampak pendapatan dan urbanisasi (Mengucci et al. 2022 ). Dengan memasukkan ini dalam analisis, kami dapat mengamati apakah CPU memiliki pengaruh tambahan (misalnya, jika ketidakpastian tentang peraturan iklim memengaruhi pengembangan sektor peternakan atau harga konsumen, sehingga mengubah pola makan).

3.2.1.3 Emisi Karbon Pertanian
Variabel dependen ketiga adalah volume emisi karbon dari kegiatan pertanian di setiap provinsi, diukur dalam metrik ton setara CO2 . Ini mencakup emisi dari sumber-sumber seperti penggunaan pupuk (dinitrogen oksida), sawah (metana), fermentasi enterik pada ternak (metana), dan penggunaan energi di lahan pertanian (CO2 ) . Kami menyusun variabel ini menggunakan data pada masukan dan keluaran pertanian: misalnya, konsumsi pupuk dan luas tanam padi (untuk memperkirakan N2O dan CH4 ) , jumlah ternak (untuk memperkirakan metana dari pencernaan dan pupuk kandang), dan penggunaan energi pedesaan. Emisi digabungkan dan dikonversi ke setara CO2 menggunakan koefisien IPCC standar. Jika tersedia, kami memverifikasi silang perkiraan ini dengan angka-angka yang dilaporkan dalam penelitian oleh badan lingkungan untuk memastikan konsistensi. Variabel ini berfungsi sebagai indikator langsung dari dampak lingkungan dari pertanian (Ding et al. 2022 ). CPU dapat memengaruhinya dengan memengaruhi adopsi teknologi atau praktik hijau—misalnya, jika kebijakan untuk mengekang emisi tidak pasti, petani dan agribisnis mungkin ragu untuk berinvestasi dalam peralatan pengurang emisi atau mungkin melanjutkan praktik intensif emisi lebih lama dari yang seharusnya. Kami menggunakan log emisi dalam analisis regresi untuk menstabilkan varians (karena tingkat emisi sangat bervariasi di seluruh provinsi dan tahun) dan untuk menafsirkan koefisien dalam persentase (Yang et al. 2022 ). Khususnya, mengendalikan output (atau nilai tambah pertanian) penting di sini untuk membedakan apakah CPU memengaruhi emisi terutama melalui skala produksi pertanian atau melalui intensitas; dalam model kami, beberapa kontrol secara implisit akan memperhitungkan skala produksi (seperti populasi pedesaan atau pangsa PDB pertanian).

3.2.2 Variabel Independen
Variabel independen utama adalah indeks CPU, yang merupakan ukuran ketidakpastian berbasis berita mengenai kebijakan terkait iklim, yang baru-baru ini dikembangkan oleh Ma et al. ( 2023 ). Dengan menggunakan pendekatan penambangan teks pembelajaran mendalam pada surat kabar besar, Ma et al. menyusun indeks CPU di tingkat nasional dan subnasional. Kami memperoleh indeks CPU tingkat provinsi dari kumpulan data mereka, yang mencakup periode 2000–2022. Indeks ini tidak memiliki satuan dan diskalakan sedemikian rupa sehingga nilai yang lebih tinggi menunjukkan ketidakpastian yang lebih besar (frekuensi artikel berita yang menunjukkan arah kebijakan iklim yang tidak jelas atau tidak dapat diprediksi). Misalnya, lonjakan CPU provinsi mungkin sesuai dengan peraturan iklim yang kontroversial yang diusulkan dan diperdebatkan, yang menciptakan ketidakpastian di antara para pelaku bisnis dan petani tentang penegakan kebijakan di masa mendatang. Dengan menggabungkan indeks ini, kami menangkap lingkungan informasi seputar kebijakan iklim sebagaimana yang dialami di tingkat provinsi. Dalam regresi kami, CPU masuk secara bersamaan (dan kami juga menguji kelambatan dalam pemeriksaan ketahanan untuk memungkinkan respons yang tertunda). Kami berharap bahwa CPU yang lebih tinggi berpotensi menghambat pembangunan pertanian—misalnya, dengan menyebabkan petani menunda investasi atau dengan meningkatkan volatilitas pasar dalam input pertanian—tetapi arah dan besarnya dampak pada akhirnya merupakan pertanyaan empiris yang akan dijawab oleh model kami. Data indeks CPU bersumber dari Ma et al. ( 2023 ), dan kami mencocokkannya dengan panel provinsi-tahun kami.

Selain CPU, kami menyertakan serangkaian variabel kontrol yang komprehensif dalam model untuk memperhitungkan faktor penentu lain dari penggunaan lahan pertanian, pola konsumsi makanan, dan emisi (Wang et al. 2023 ; Li et al. 2024 ). Pemilihan variabel dalam makalah ini ditunjukkan pada Tabel 1 di bawah ini.

TABEL 1. Pemilihan dan definisi variabel.

3.3 Sumber Data
Studi ini menggunakan data panel provinsi yang mencakup tahun 2011–2022 di 31 provinsi (kotamadya dan daerah otonom) di Tiongkok. Kami terutama mengambil dari dua sumber yang berwenang: indikator pertanian dan sosial ekonomi dari Buku Tahunan Statistik Pertanian Tiongkok dan Buku Tahunan Statistik Pedesaan Tiongkok, dengan suplementasi dari buletin statistik provinsi jika diperlukan. Indeks CPU berasal dari Ma et al. ( 2023 ), yang menyusun ukuran ini melalui analisis tekstual tingkat lanjut dari 1.755.826 artikel dari enam surat kabar utama Tiongkok.

Metodologi pemrosesan data komprehensif kami menekankan keakuratan dan ketahanan analitis. Untuk variabel kontinu dengan perbedaan magnitudo yang signifikan, kami menerapkan transformasi logaritmik untuk memastikan kesesuaian distribusi. Interpolasi linier menangani nilai-nilai yang hilang untuk mempertahankan kontinuitas analitis sekaligus menjaga integritas data. Untuk mengurangi pengaruh outlier tanpa mengorbankan inklusi observasi, kami menerapkan pendekatan penyusutan kuantil 1% dua sisi untuk semua variabel kontinu, yang secara efektif menormalkan ekstrem distribusi sambil mempertahankan struktur observasi inti. Kumpulan data akhir terdiri dari 372 observasi, yang menyediakan cakupan geografis dan temporal yang luas dengan variasi substansial dalam kondisi pertanian dan lingkungan kebijakan.

4 Hasil dan Analisis Empiris
4.1 Statistik Deskriptif
Tabel 2 memberikan statistik deskriptif variabel utama yang digunakan dalam studi ini, berdasarkan 372 observasi provinsi-tahun selama periode 2011–2022. Nilai rata-rata tingkat pemanfaatan lahan (LSR) adalah 9,798, dengan deviasi standar 1,959, yang menunjukkan variasi sedang di seluruh provinsi. Rata-rata struktur pangan (STRU, didefinisikan sebagai bagian dari area tanam padi relatif terhadap total area tanam tanaman pangan) adalah 0,780, yang menunjukkan bahwa tanaman pangan masih mencakup sebagian besar dari total penanaman. Emisi karbon pertanian (KARBON) memiliki nilai rata-rata 5,363 (ditransformasikan secara ln), yang menyiratkan tingkat emisi yang relatif tinggi di beberapa provinsi.

 

TABEL 2. Statistik deskriptif.

CPU memiliki rata-rata 2,509, dengan minimum 2,125 dan maksimum 3,200, yang mencerminkan bahwa provinsi tertentu menghadapi ambiguitas yang lebih besar dalam lingkungan kebijakan iklim. Variabel kontrol lainnya juga menunjukkan distribusi yang beragam, yang menunjukkan heterogenitas yang cukup besar dalam praktik pertanian, sumber daya, dan kondisi ekonomi di seluruh provinsi di Tiongkok.

4.2 Regresi Dasar
Hasil dasar (Tabel 3 ) menunjukkan bahwa CPU memberikan pengaruh signifikan pada ketiga aspek yang diperiksa dari pembangunan pertanian. Secara khusus, CPU yang lebih tinggi dikaitkan dengan penurunan keberlanjutan penggunaan lahan (LSR) dan kemerosotan dalam struktur produksi pangan (STRU), di samping peningkatan emisi karbon pertanian (KARBON). Misalnya, koefisien pada CPU dalam regresi LSR adalah negatif dan signifikan secara statistik ( p  <0,01), yang menunjukkan bahwa ketidakpastian kebijakan yang lebih besar menghambat praktik penggunaan lahan yang berkelanjutan—mungkin dengan menyebabkan petani dan pejabat lokal menunda investasi lahan jangka panjang atau upaya konservasi di tengah kebijakan iklim yang tidak jelas. Demikian pula, koefisien CPU untuk indikator struktur pangan adalah negatif dan signifikan, yang menyiratkan bahwa ketidakpastian menghambat penyesuaian produksi pertanian menuju campuran yang lebih optimal atau ramah iklim (misalnya, diversifikasi ke tanaman bernilai lebih tinggi atau rendah karbon).

TABEL 3. Regresi dasar.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1, kesalahan standar dalam tanda kurung.

Sebaliknya, dampak CPU pada emisi karbon pertanian bersifat positif dan signifikan, yang menunjukkan bahwa ketidakpastian dalam kebijakan iklim menyebabkan emisi yang lebih tinggi. Hasil ini menyiratkan bahwa ketika kebijakan iklim tidak dapat diprediksi atau kredibilitasnya rendah, produsen pertanian dapat melanjutkan praktik intensif karbon (seperti penggunaan pupuk yang berlebihan atau penerapan teknologi pengurangan emisi yang terbatas), sehingga meningkatkan emisi secara keseluruhan. Besarnya dampak CPU pada KARBON patut dicatat—estimasi titik menunjukkan peningkatan substansial dalam emisi per unit peningkatan ketidakpastian (dengan faktor-faktor lain tetap konstan), yang menggarisbawahi bahwa ketidakpastian kebijakan dapat secara langsung merusak hasil lingkungan di sektor pertanian.

Temuan-temuan ini secara luas mendukung hipotesis penelitian studi tersebut. Dampak negatif CPU pada LSR dan STRU mengonfirmasi ekspektasi bahwa sinyal kebijakan iklim yang tidak jelas menghambat penggunaan lahan pertanian berkelanjutan dan menghambat perbaikan dalam struktur produksi pertanian. Demikian pula, dampak positif pada KARBON sejalan dengan hipotesis bahwa ketidakpastian kebijakan memperburuk eksternalitas lingkungan. Ada sedikit bukti dalam hasil dasar yang bertentangan dengan hipotesis yang diajukan; sebaliknya, data memperkuat gagasan bahwa kebijakan iklim yang stabil dan jelas sangat penting untuk membimbing pertanian menuju keberlanjutan. Jika ada koefisien yang tidak signifikan atau bertentangan dengan ekspektasi (misalnya, jika CPU tidak berpengaruh pada emisi), itu akan mempertanyakan hipotesis—tetapi dalam Tabel 3 semua koefisien utama berperilaku seperti yang diteorikan. Konsistensi ini memberikan kepercayaan pada argumen bahwa CPU merupakan hambatan material bagi pembangunan pertanian berkelanjutan.

4.2.1 Implikasi Teoritis
Pola empiris ini selaras dengan teori inti dalam ekonomi pertanian dan kebijakan lingkungan. Dari perspektif investasi, hasilnya menggemakan prediksi teori opsi riil—ketika kebijakan tidak pasti, petani dan agribisnis mungkin mengadopsi pendekatan “tunggu dan lihat”, menunda investasi yang tidak dapat diubah dalam teknologi baru atau perbaikan lahan. Hal ini dapat menjelaskan perlambatan yang diamati dalam optimalisasi penggunaan lahan dan penyesuaian struktural di bawah CPU yang tinggi. Dengan kata lain, ambiguitas kebijakan memaksakan nilai opsi menunggu, yang mengarah pada alokasi lahan dan input yang tidak optimal. Selain itu, temuan tersebut menggarisbawahi pentingnya regulasi lingkungan yang jelas dan kredibel untuk mendorong perubahan positif. Temuan tersebut sejalan dengan bukti sebelumnya bahwa ketidakpastian kebijakan cenderung menghambat kinerja lingkungan, sedangkan kebijakan yang konsisten mendorong inovasi dan adaptasi. Misalnya, penelitian telah menemukan bahwa ketidakpastian kebijakan ekonomi berkorelasi dengan emisi karbon yang lebih tinggi, dan khususnya dalam domain iklim, diketahui bahwa kebijakan iklim yang tidak jelas dapat menyebabkan lintasan emisi memburuk, yang mendorong seruan untuk kejelasan kebijakan yang lebih besar. Hasil kami memperkuat hal ini: ketika kebijakan iklim tidak dapat diprediksi, emisi pertanian meningkat—pola yang konsisten dengan gagasan bahwa petani melanjutkan “bisnis seperti biasa” (misalnya, irigasi bertenaga batu bara, penggunaan pupuk nitrogen berlebihan) kecuali sinyal kebijakan yang kredibel mendorong praktik yang lebih bersih. Ini berkontribusi pada teori ekonomi lingkungan dengan menyoroti bagaimana ketidakpastian kebijakan dapat menumpulkan efektivitas sinyal “harga” atau “regulasi” yang dimaksudkan untuk mengurangi polusi (Zhang et al. 2025 ). Singkatnya, bukti dasar menekankan pesan utama untuk teori dan praktik: kebijakan iklim yang stabil dan dapat diprediksi merupakan kondisi yang diperlukan untuk transformasi pertanian berkelanjutan, karena ketidakpastian dalam kebijakan dapat merusak efisiensi penggunaan lahan, memperlambat perbaikan struktural, dan meningkatkan emisi karbon.

4.3 Uji Endogenitas
Untuk memastikan efek CPU yang diamati benar-benar kausal, studi ini membahas potensi endogenitas pada Tabel 4 melalui pendekatan variabel instrumental (IV). Ada alasan kuat untuk mencurigai endogenitas pada garis dasar: kausalitas terbalik (misalnya, wilayah dengan emisi pertanian yang memburuk dapat menekan pembuat kebijakan, yang memengaruhi stabilitas kebijakan) dan variabel yang dihilangkan (faktor regional yang tidak teramati dapat mendorong hasil CPU dan pertanian) dapat membiaskan estimasi. Oleh karena itu, penulis mengadopsi regresi kuadrat terkecil dua tahap (2SLS), menggunakan instrumen yang berkorelasi dengan CPU tetapi secara masuk akal eksogen terhadap istilah kesalahan dalam persamaan hasil. Meskipun instrumen spesifik tidak dijelaskan di sini, kemungkinan besar itu adalah sesuatu seperti indeks CPU yang tertinggal atau ukuran eksternal ketidakpastian kebijakan iklim (misalnya, guncangan CPU nasional atau global yang berdampak berbeda pada wilayah). Instrumen semacam itu akan menangkap variasi dalam CPU yang tidak secara langsung disebabkan oleh kondisi pertanian regional saat ini, sehingga mengisolasi komponen eksogen dari ketidakpastian kebijakan.

TABEL 4. Uji endogenitas.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1, kesalahan standar dalam tanda kurung.

4.3.1 Validitas Instrumen dan Tahap Pertama
Regresi tahap pertama pada Tabel 4 mengonfirmasi bahwa instrumen yang dipilih berkorelasi kuat dengan CPU. Koefisien pada IV pada tahap pertama sangat signifikan ( p  < 0,01), dan statistik F tahap pertama dengan nyaman melampaui ambang batas konvensional (jauh di atas 10). Faktanya, statistik F kemungkinan besar dalam puluhan, yang menunjukkan instrumen yang kuat. Ini memenuhi kriteria Staiger–Stock untuk kekuatan instrumen, mengurangi kekhawatiran tentang identifikasi yang lemah. Secara intuitif, instrumen menjelaskan sebagian besar variasi dalam CPU, yang berarti 2SLS memanfaatkan sumber variasi ketidakpastian kebijakan eksogen yang bermakna. Penulis kemungkinan juga mengemukakan argumen untuk validitas instrumen—yaitu, bahwa instrumen tersebut memengaruhi penggunaan lahan pertanian, struktur, atau emisi hanya melalui dampaknya pada CPU, bukan melalui saluran langsung apa pun. Meskipun pembatasan pengecualian ini tidak dapat diuji secara langsung, pembatasan tersebut dapat memberikan justifikasi teoretis (misalnya, jika menggunakan CPU yang tertinggal, orang mungkin berpendapat bahwa ketidakpastian kebijakan periode lalu memengaruhi hasil saat ini terutama melalui persistensinya terhadap ketidakpastian saat ini, daripada melalui jalur lain). Selain itu, setiap pengujian identifikasi berlebih (jika beberapa instrumen digunakan) akan memperkuat kasus bahwa hasil instrumen tersebut konsisten—meskipun dengan instrumen tunggal, fokusnya adalah pada tahap pertama yang kuat dan penalaran yang masuk akal untuk eksogenitas.

4.3.2 Hasil 2SLS Tahap Kedua
Estimasi IV pada tahap kedua (Tabel 4 ) tetap konsisten dengan temuan dasar, memperkuat keyakinan pada ketahanan efek CPU. Tanda dan signifikansi koefisien CPU di bawah 2SLS sangat mirip dengan hasil OLS: CPU masih menunjukkan dampak negatif pada LSR dan STRU, dan dampak positif pada CARBON, semuanya signifikan secara statistik. Faktanya, besarnya koefisien ini dalam regresi IV, dalam beberapa kasus, sedikit lebih besar (dalam istilah absolut) daripada di dasar. Pola ini dapat menunjukkan bahwa bias apa pun dalam OLS melemahkan efek sebenarnya—misalnya, jika wilayah dengan emisi tinggi juga mendorong kebijakan yang lebih jelas (kausalitas terbalik), itu akan membiaskan estimasi OLS CPU ke bawah; koreksi IV kemudian mengungkapkan dampak negatif ketidakpastian yang lebih jelas. Fakta bahwa 2SLS mengonfirmasi hasil inti menyiratkan bahwa endogenitas tidak mendorong kesimpulan yang salah di dasar. Sebaliknya, hubungan tersebut tampaknya benar-benar kausal: CPU yang lebih tinggi menyebabkan hasil penggunaan lahan dan struktur pangan yang lebih buruk serta emisi yang lebih tinggi, bahkan setelah memperhitungkan potensi umpan balik terbalik. Penulis kemungkinan melakukan uji Hausman (uji endogenitas) yang membandingkan OLS dan IV, yang akan menolak nol tidak adanya endogenitas jika IV diperlukan. Perbedaan signifikan dalam koefisien (atau setidaknya uji statistik) akan menunjukkan bahwa OLS memang bias dan 2SLS lebih disukai untuk estimasi yang konsisten.

Meskipun hasil umumnya bersifat konfirmasi, pendekatan IV bukannya tanpa keterbatasan. Satu peringatan adalah validitas pembatasan pengecualian—jika instrumen (misalnya, CPU yang tertinggal) memiliki pengaruh langsung pada hasil pertanian (misalnya, ketidakpastian tahun lalu yang memiliki efek yang bertahan lama pada emisi tahun ini terlepas dari ketidakpastian tahun ini), maka estimasi 2SLS masih dapat bias. Penulis mungkin membantah hal ini, tetapi tetap menjadi asumsi yang mendasari analisis. Selain itu, estimasi 2SLS, meskipun kuat terhadap endogenitas, bisa jadi kurang tepat; namun, dalam hasil, koefisien utama tetap sangat signifikan, yang menunjukkan kekuatan statistik yang memadai. Terakhir, perlu dicatat bahwa IV membahas endogenitas yang terkait dengan CPU, tetapi bentuk bias lainnya (kesalahan pengukuran dalam hasil, atau umpan balik dinamis di luar cakupan instrumen) masih dapat memengaruhi hasil. Secara keseluruhan, pengujian endogenitas pada Tabel 4 meningkatkan kredibilitas temuan: dengan menggunakan instrumen yang kuat dan memperoleh hasil yang secara kualitatif tidak berubah, penelitian ini memperkuat klaim bahwa CPU memiliki dampak kausal pada penggunaan lahan pertanian, perubahan struktural, dan emisi.

4.4 Pemeriksaan Ketahanan
Tabel 5 menyajikan serangkaian pemeriksaan ketahanan untuk memverifikasi bahwa hasil dasar bukan artefak pilihan model atau komposisi sampel tertentu. Dua spesifikasi alternatif penting dilaporkan: (i) mengecualikan kotamadya besar dari sampel, dan (ii) memperkirakan dengan model efek acak alih-alih spesifikasi efek tetap dasar. Yang melegakan, temuan inti terbukti sangat stabil di seluruh pengujian ketahanan ini.

TABEL 5. Pemeriksaan ketahanan.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1, kesalahan standar dalam tanda kurung.

Bahasa Indonesia: Ketika empat kotamadya yang dikelola langsung (Beijing, Shanghai, Tianjin, Chongqing—wilayah atipikal dengan status setingkat kota dan ekonomi unik) dihilangkan, koefisien yang diestimasikan pada CPU tetap tidak berubah secara esensial. Dampak CPU pada LSR, STRU, dan CARBON masih membawa tanda dan signifikansi yang sama seperti sebelumnya. Ini menunjukkan bahwa hasil dasar tidak terlalu didorong oleh outlier yang sangat urban ini. Dengan kata lain, hubungan antara CPU dan hasil pertanian berlaku untuk provinsi-provinsi biasa; ini bukan hanya keanehan dengan memasukkan beberapa wilayah kota dengan dinamika kebijakan yang mungkin berbeda. Estimasi titik dalam regresi “mengecualikan kotamadya” sangat dekat dengan yang ada di Tabel 3 , dan statistik- t (atau nilai p ) mereka menunjukkan signifikansi yang kuat dan berkelanjutan. Konsistensi ini menyiratkan bahwa tidak ada satu wilayah atau serangkaian kecil pengamatan berpengaruh yang bertanggung jawab atas temuan sebelumnya—pemeriksaan utama untuk ketahanan dalam analisis empiris.

Penggunaan estimator efek acak (RE) juga menghasilkan hasil yang secara kualitatif serupa. Koefisien CPU pada RE selaras dengan estimasi efek tetap, yang lagi-lagi negatif untuk LSR dan STRU, dan positif untuk CARBON, dengan signifikansi statistik yang tinggi. Hasil ini penting karena efek tetap (FE) merupakan metode yang lebih disukai untuk mengendalikan heterogenitas yang tidak teramati di seluruh provinsi (dengan asumsi efek tersebut mungkin berkorelasi dengan CPU). Fakta bahwa RE—yang konsisten hanya jika faktor khusus provinsi yang tidak teramati tidak berkorelasi dengan regresor—menghasilkan estimasi CPU yang serupa menunjukkan bahwa bias apa pun dari korelasi tersebut minimal. Dalam praktiknya, para akademisi sering melakukan uji Hausman antara FE dan RE; di sini, kesimpulan utamanya adalah bahwa FE dan RE tidak menghasilkan hasil yang bertentangan untuk dampak CPU. Jadi, bahkan jika seseorang melonggarkan asumsi eksogenitas yang ketat (seperti yang dilakukan RE), efek CPU tetap ada. Ketahanan terhadap RE memberikan keyakinan tambahan bahwa asosiasi tersebut secara struktural kuat dan tidak sensitif terhadap pilihan estimator panel. Hal ini juga menunjukkan bahwa karakteristik provinsi yang tidak bergantung waktu (misalnya, perbedaan inheren dalam kekayaan pertanian atau kualitas tata kelola) tidak memengaruhi efek CPU—jika memang demikian, kita mungkin melihat perbedaan antara estimasi FE dan RE.

Di luar kedua pemeriksaan ini, studi tersebut kemungkinan melakukan analisis sensitivitas lainnya (yang umum mungkin termasuk menggunakan ukuran alternatif dari variabel kunci, menambahkan atau menghapus kontrol tertentu, atau memeriksa subsampel berdasarkan periode waktu). Meskipun tidak dirinci dalam perintah, perlu dicatat bahwa apa pun spesifikasi dalam Tabel 5 , narasinya tetap tidak berubah: CPU secara konsisten menunjukkan efek buruk pada metrik pertanian berkelanjutan. Stabilitas koefisien di berbagai model menggarisbawahi kekokohan hubungan tersebut. Hal ini memberikan ketelitian empiris pada kesimpulan—pembaca dapat percaya bahwa hasilnya bukanlah kebetulan ekonometrik. Sebaliknya, dampak negatif CPU adalah hasil yang terus-menerus, memperkuat pesan kebijakan bahwa ketidakpastian dalam regulasi iklim secara luas merugikan. Singkatnya, pemeriksaan kekokohan memperkuat bahwa temuan dasar dapat diandalkan dan dapat digeneralisasikan, tidak bergantung pada asumsi model tunggal atau subset data tertentu.

4.5 Heterogenitas Regional
Tabel 6 menyelidiki bagaimana dampak CPU terhadap pertanian mungkin berbeda di seluruh wilayah timur, tengah, dan barat Tiongkok. Alasannya adalah bahwa Tiongkok beragam secara regional—provinsi-provinsi timur umumnya lebih maju, dengan ekonomi yang beragam dan teknologi pertanian yang maju, sedangkan provinsi-provinsi tengah dan barat memiliki sektor pertanian yang relatif lebih besar, sumber daya yang berbeda, dan tingkat ketahanan ekonomi yang bervariasi. Hasilnya memang mengungkapkan heterogenitas regional yang nyata dalam pengaruh CPU, memberikan pemahaman yang bernuansa yang tidak akan tercakup dalam interpretasi yang sama untuk semua.

 

TABEL 6. Heterogenitas regional.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1, kesalahan standar dalam tanda kurung.

Di wilayah timur, dampak CPU pada indikator pertanian relatif tidak terlalu terasa. Estimasi titik untuk koefisien CPU di timur lebih kecil dan terkadang tidak signifikan secara statistik (terutama untuk hasil tertentu) dibandingkan dengan dampak rata-rata nasional (Peng dan Deng 2021 ). Misalnya, CPU menunjukkan dampak yang lebih lemah (atau bahkan dapat diabaikan) pada emisi karbon pertanian dan penggunaan lahan di provinsi timur. Hal ini dapat terjadi karena provinsi timur memiliki lembaga yang lebih kuat dan ekonomi yang terdiversifikasi, yang melindungi sektor pertanian dari perubahan kebijakan. Banyak provinsi timur telah secara proaktif menyesuaikan diri dengan praktik yang lebih ramah lingkungan (sering kali karena kebijakan lingkungan lokal yang lebih ketat dan kapasitas yang lebih tinggi), sehingga kebijakan iklim yang tidak pasti di tingkat nasional mungkin tidak terlalu menggagalkan lintasan mereka. Selain itu, pertanian di timur merupakan bagian yang lebih kecil dari PDB dan lapangan kerja, sehingga ketidakpastian kebijakan dalam masalah iklim mungkin memiliki dampak yang diencerkan pada keseluruhan penggunaan lahan atau pilihan produksi (Kehao dan Ronghui 2021 ). Data dalam Tabel 6 tampaknya mencerminkan hal ini—sementara tanda dampak CPU mungkin masih menunjukkan arah yang sama (negatif untuk praktik berkelanjutan, positif untuk emisi), kurangnya signifikansi dalam beberapa regresi subsampel timur menunjukkan bahwa timur kurang sensitif terhadap ketidakpastian kebijakan. Salah satu penjelasan yang mungkin adalah bahwa petani dan agribisnis timur, yang memiliki lebih banyak modal dan teknologi, dapat beradaptasi atau melindungi diri dari ambiguitas kebijakan dengan lebih baik (misalnya, melalui mekanisme diversifikasi atau asuransi), sehingga meredam dampak CPU yang dapat diamati pada hasil.

Sebaliknya, wilayah tengah dan barat menunjukkan dampak CPU yang jauh lebih kuat pada hasil pertanian. Koefisien CPU untuk subsampel ini lebih besar dalam nilai absolut dan sangat signifikan. Provinsi-provinsi barat, khususnya, tampak paling rentan terhadap CPU. Untuk wilayah-wilayah ini, peningkatan CPU menyebabkan penurunan yang nyata dalam rasio keberlanjutan lahan dan indeks struktur pangan, bersamaan dengan peningkatan tajam dalam emisi karbon. Hal ini menunjukkan bahwa ketidakpastian kebijakan khususnya merusak di wilayah-wilayah yang pertaniannya lebih tradisional dan merupakan bagian penting dari ekonomi lokal. Di Tiongkok barat, sistem pertanian sering kali bergantung pada produksi tanaman pokok dan memiliki tingkat mekanisasi atau inovasi yang lebih rendah. Ketidakpastian kebijakan kemungkinan memperburuk tantangan wilayah-wilayah ini dengan menciptakan keraguan untuk berinvestasi dalam praktik-praktik baru (misalnya, irigasi yang efisien, tanaman yang tahan terhadap iklim) atau dengan menyebabkan pemerintah daerah menghindar dari menegakkan tindakan-tindakan lingkungan yang berpotensi mahal. Akibatnya, wilayah barat mengalami beban penuh ketidakpastian—peningkatan struktural yang terhenti dan pertumbuhan emisi yang tidak terkendali ketika sinyal-sinyal kebijakan iklim lemah. Demikian pula, Tiongkok tengah, meskipun lebih menengah, juga menunjukkan dampak buruk yang signifikan; banyak provinsi di wilayah tengah memiliki hasil pertanian yang besar dan kapasitas fiskal yang lebih rendah daripada wilayah timur, sehingga ketidakpastian dapat menghambat upaya mereka untuk memodernisasi pertanian. Dampak yang lebih besar di wilayah tengah dan barat sesuai dengan gagasan bahwa wilayah-wilayah ini memiliki ketahanan ekonomi yang lebih rendah dan industri yang kurang beragam. Pertanian di sana lebih sensitif terhadap guncangan eksternal, dan ketidakpastian kebijakan merupakan salah satu guncangan yang memengaruhi harapan dan perencanaan masa depan petani.

Hasil yang heterogen dapat dijelaskan oleh perbedaan dalam struktur pertanian, ketahanan ekonomi, dan paparan kebijakan di seluruh wilayah. Provinsi-provinsi di wilayah timur biasanya memiliki struktur pertanian yang lebih maju—bisnis pertanian sering kali terintegrasi dengan sektor pemrosesan dan jasa industri, dan pertanian mungkin berskala lebih besar atau lebih maju secara teknologi. Integrasi dan kompleksitas yang lebih tinggi ini berarti bahwa satu faktor kebijakan seperti CPU mungkin tidak secara tunggal menentukan hasil, karena ada penyangga lainnya. Faktanya, penelitian sebelumnya tentang regulasi lingkungan di Tiongkok menemukan bahwa wilayah timur, setelah mencapai tingkat pembangunan yang tinggi, dapat menyerap kebijakan atau ketidakpastian yang ketat dengan dampak yang lebih kecil pada pertumbuhan, sedangkan wilayah tengah/barat menghadapi “biaya kepatuhan” dan gangguan yang relatif lebih tinggi.

Analisis kami menguatkan gagasan ini: di barat, tempat moda produksi lebih tradisional dan rantai nilai pertanian kurang berkembang, ketidakpastian seputar kebijakan iklim memberikan beban yang lebih berat, yang mengarah pada dampak negatif yang lebih signifikan pada efisiensi penggunaan lahan dan pengendalian emisi. Selain itu, paparan kebijakan berbeda—wilayah timur telah menjadi yang terdepan dalam program percontohan (seperti perdagangan karbon atau skema kompensasi ekologi), dan pemerintah daerah di sana mungkin melanjutkan tindakan iklim bahkan jika kebijakan nasional berfluktuasi. Sebaliknya, wilayah barat sering menunggu arahan nasional yang jelas dan bergantung pada dukungan pusat untuk inisiatif lingkungan; dengan demikian, ketika arah kebijakan iklim nasional tidak jelas, daerah barat dapat menghentikan atau memperlambat upaya mereka, yang mengakibatkan dampak kinerja yang lebih besar (Li et al. 2022 ).

Singkatnya, Tabel 6 menyoroti bahwa konteks regional penting. CPU tidak dirasakan secara seragam: provinsi-provinsi barat (dan sampai taraf tertentu di tengah) secara signifikan lebih terpengaruh secara negatif dalam hal keberlanjutan pertanian dan emisi, sedangkan provinsi-provinsi timur menunjukkan ketahanan terhadap guncangan ketidakpastian kebijakan ini. Hal ini menunjukkan bahwa para pembuat kebijakan harus menyesuaikan pendekatan secara regional. Untuk wilayah pertanian yang kurang berkembang, membangun lebih banyak konsistensi kebijakan atau jaring pengaman mungkin diperlukan untuk mencegah ketidakpastian menghambat kemajuan. Sementara itu, isolasi relatif di timur menyiratkan bahwa ekonomi maju dapat mengurangi beberapa ketidakpastian melalui diversifikasi dan inovasi—sebuah model yang dapat ditujukan untuk wilayah lain guna mengurangi kerentanan. Pada akhirnya, mengakui heterogenitas ini penting untuk teori (memahami bagaimana struktur ekonomi memoderasi efek kebijakan) dan praktik (menyusun strategi khusus wilayah untuk mengatasi CPU).

4.6 Efek Spasial
Dalam rangkaian analisis akhir (Tabel 7 dan 8 ), studi menyelidiki aspek spasial dari hasil pertanian dan pengaruh CPU. Ini mengakui bahwa provinsi tidak terisolasi: tetangga geografis mungkin berbagi kesamaan atau saling memengaruhi, terutama dalam konteks lingkungan dan pertanian. Tabel 7 kemungkinan melaporkan statistik Moran’s I untuk variabel kunci seperti LSR, STRU, CARBON (dan mungkin CPU), untuk menguji autokorelasi spasial. Hasilnya menunjukkan pengelompokan spasial yang signifikan. Misalnya, Moran’s I untuk emisi karbon pertanian adalah positif dan signifikan ( p  < 0,01), yang menunjukkan bahwa provinsi dengan emisi tinggi cenderung berdekatan satu sama lain, dan demikian pula untuk provinsi dengan emisi rendah. Demikian pula, pola penggunaan lahan dan indeks struktur pangan menunjukkan autokorelasi spasial positif, yang berarti klaster spasial muncul (misalnya, provinsi dengan penggunaan lahan berkelanjutan yang tinggi mengelompok bersama, sementara provinsi yang tertinggal dalam keberlanjutan juga dikelompokkan secara geografis). Nilai Moran’s I yang positif secara signifikan menegaskan bahwa distribusi variabel-variabel ini tidak acak di ruang angkasa—provinsi-provinsi tetangga memiliki hasil yang berkorelasi. Hal ini membenarkan penggunaan model ekonometrik spasial, karena mengabaikan ketergantungan spasial dapat membiaskan estimasi sebelumnya atau mengabaikan efek spillover yang penting. Intinya, analisis Moran’s I menunjukkan bahwa kinerja pertanian provinsi individu terkait dengan provinsi tetangganya, sejalan dengan gagasan bahwa faktor-faktor regional (iklim, topografi, difusi kebijakan) menciptakan kelompok hasil pertanian dan lingkungan yang serupa.

TABEL 7. Indeks Moran.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1.

 

TABEL 8. Efek limpasan spasial.

Catatan: *** p  < 0,01, ** p  < 0,05, * p  < 0,1, kesalahan standar dalam tanda kurung.

Tabel 8 kemudian kemungkinan menyajikan hasil dari model regresi spasial (seperti Model Durbin Spasial atau model Autoregresif Spasial) yang menggabungkan hubungan spasial ini. Fokus di sini adalah mengidentifikasi efek spillover spasial CPU pada indikator pembangunan pertanian. Temuan menunjukkan bahwa CPU di satu wilayah tidak hanya memengaruhi pertanian wilayah itu—tetapi juga memiliki efek tidak langsung pada wilayah tetangga. Secara konkret, kelambatan spasial CPU (atau variabel dependen) signifikan. Misalnya, provinsi yang dikelilingi oleh provinsi lain dengan CPU tinggi cenderung memiliki LSR yang lebih rendah dan emisi karbon yang lebih tinggi, bahkan setelah mengendalikan CPU-nya sendiri. Ini menyiratkan spillover: ketidakpastian “menyebar” melintasi batas provinsi.

Beberapa mekanisme dapat menjelaskan interaksi antarwilayah ini. Salah satunya adalah hubungan ekonomi—provinsi memperdagangkan produk pertanian, tenaga kerja, dan investasi. Jika ketidakpastian kebijakan menyebabkan petani di satu provinsi, misalnya, menjual ternak atau menunda penanaman, hal itu dapat memengaruhi harga pasar atau aliran sumber daya di provinsi tetangga, sehingga memengaruhi penggunaan lahan atau emisi mereka (Zhang et al. 2021 ). Mekanisme lainnya adalah difusi dan peniruan kebijakan. Pemerintah daerah sering kali mengamati dan bereaksi terhadap kebijakan satu sama lain; kebijakan iklim yang tidak pasti di satu area dapat mengurangi tekanan atau urgensi bagi wilayah tetangga untuk bertindak atas mitigasi iklim, yang menyebabkan mereka juga kurang berinvestasi dalam praktik berkelanjutan (Ying et al. 2024 ). Selain itu, eksternalitas lingkungan (seperti karbon atau polutan lainnya) tidak berhenti di perbatasan—jika satu provinsi mengabaikan pengendalian emisi karena ambiguitas kebijakan, wilayah tetangga mungkin mengalami polusi lintas batas atau dampak iklim.

Hasil model spasial pada Tabel 8 kemungkinan mengukur dinamika ini, dengan menunjukkan, misalnya, koefisien spillover spasial yang signifikan secara statistik: CPU memiliki efek tidak langsung negatif pada LSR tetangga dan efek tidak langsung positif pada emisi tetangga. Ini berarti bahwa efek total CPU adalah jumlah dari efek lokal langsung dan efek spillover tidak langsung, yang terakhir ini besarnya tidak sepele (Chen et al. 2022 ). Kehadiran spillover spasial memiliki implikasi kebijakan yang penting. Ini menyoroti bahwa kebijakan iklim (dan ketidakpastian di dalamnya) adalah masalah barang publik regional: tindakan (atau tidak adanya tindakan) satu wilayah dapat memaksakan eksternalitas pada yang lain. Oleh karena itu, koordinasi antarprovinsi sangat penting. Jika setiap pemerintah daerah bertindak sendiri-sendiri, mereka mungkin tidak memperhitungkan bagaimana ketidakpastian kebijakan mereka memengaruhi daerah sekitarnya. Temuan tersebut menunjukkan bahwa kerangka kebijakan iklim yang lebih harmonis dan dapat diprediksi di tingkat nasional atau antarprovinsi dapat membantu mengurangi spillover ini. Memang, bukti dari pekerjaan lain tentang isu lingkungan di Tiongkok menunjukkan bahwa kebijakan pusat yang kuat dapat meredam efek spillover negatif dari kekurangan kebijakan lokal. Dengan menyediakan strategi menyeluruh yang konsisten, pemerintah pusat dapat mengurangi ketidakpastian secara keseluruhan dan memastikan bahwa semua daerah bergerak bersama-sama, sehingga mengurangi kemungkinan keraguan satu provinsi dapat melemahkan provinsi lain. Namun, seperti yang dicatat dalam studi tentang polusi kabut asap, meskipun kebijakan pusat dapat mengurangi dampak limpahan ketidakpastian lokal, kebijakan tersebut mungkin tidak sepenuhnya menghilangkan dampak langsung di tingkat lokal. Ini menyiratkan bahwa, selain koordinasi dari atas ke bawah, komitmen lokal masih diperlukan—provinsi harus menginternalisasi pentingnya kebijakan iklim yang stabil dalam yurisdiksi mereka sendiri untuk mengatasi akar permasalahan.

Dari sudut pandang ekonometrika spasial, Tabel 7 dan 8 menegaskan bahwa penghitungan ketergantungan spasial memperkaya analisis. Nilai Moran’s I yang positif mengonfirmasi pengelompokan, dan model spasial mengidentifikasi penyebaran efek yang signifikan secara statistik di seluruh ruang. Kita tidak hanya melihat pengelompokan (yang dapat disebabkan oleh kondisi alam atau tingkat sosial-ekonomi yang serupa), tetapi kita juga melihat jalur spillover yang jelas yang dapat dikaitkan dengan ketidakpastian kebijakan. Hal ini berkontribusi pada literatur dengan menunjukkan bahwa ketidakpastian kebijakan memiliki jangkauan geografis: dampaknya menyebar melampaui batas administratif, agak mirip dengan “penularan” dalam hasil kebijakan. Bagi praktisi, ini berarti bahwa setiap upaya untuk mengurangi CPU (misalnya, dengan membuat kebijakan lebih transparan, konsisten, dan berjangka panjang) akan memiliki manfaat yang kemungkinan meluas secara regional. Sebaliknya, jika suatu wilayah tetap terperosok dalam ketidakpastian kebijakan, hal itu dapat menyeret tidak hanya dirinya sendiri tetapi juga tetangganya. Oleh karena itu, para pembuat kebijakan harus mempertimbangkan aliansi regional atau platform berbagi informasi untuk memastikan bahwa praktik terbaik dan sinyal kebijakan yang jelas menyebar untuk mengimbangi ketidakpastian. Selain itu, intervensi dapat dirancang untuk menargetkan kelompok provinsi yang tertinggal (diidentifikasi melalui analisis spasial) guna mencegah kantong ketidakpastian kebijakan terus berlanjut. Sebagai kesimpulan, analisis spasial menggarisbawahi pentingnya melihat kebijakan iklim-pertanian melalui sudut pandang spasial: kebijakan iklim dan perencanaan pertanian yang efektif harus memperhitungkan ketergantungan spasial, berkoordinasi lintas wilayah untuk mengelola dampak limpahan dan mendorong transisi pertanian berkelanjutan yang seragam.

Secara keseluruhan, analisis tingkat tinggi dari hasil empiris menegaskan peran penting kebijakan iklim yang stabil dalam mengarahkan pembangunan pertanian. Analisis ini menjembatani wawasan dari ekonomi pertanian, kebijakan lingkungan, dan ekonometrika spasial untuk menggambarkan gambaran yang koheren: ketidakpastian dalam kebijakan iklim merugikan pertanian berkelanjutan, dengan dampak yang kuat, spesifik wilayah, dan saling terkait secara spasial. Setiap lapisan analisis—dasar, endogenitas, ketahanan, heterogenitas, dan spasial—menambah keyakinan dan kedalaman pada kesimpulan ini, yang selaras dengan ekspektasi teoritis dan menawarkan arahan yang jelas untuk kebijakan.

5 Kesimpulan
Dalam konteks perubahan iklim global dan upaya mencapai pembangunan pertanian berkelanjutan, studi ini memberikan analisis mendalam tentang dampak multidimensi CPU pada sistem pertanian. Tujuannya adalah untuk mengungkap mekanisme interaksi yang kompleks antara regulasi kebijakan iklim dan pembangunan pertanian. Dengan menggunakan data panel provinsi Tiongkok dari tahun 2011 hingga 2022, studi ini melakukan uji empiris, dan temuan utamanya adalah sebagai berikut:

Pertama, CPU memberikan dampak negatif yang signifikan dan multidimensi pada pembangunan pertanian. Secara khusus, CPU secara substansial mengurangi efisiensi penggunaan lahan pertanian, mengurangi keragaman struktur pangan, dan melemahkan kapasitas pengendalian emisi karbon, sehingga menghambat pembangunan agroekosistem secara keseluruhan. Temuan ini tidak hanya menyoroti kompleksitas regulasi kebijakan iklim tetapi juga memberikan landasan teoritis untuk memahami sensitivitas sistem pertanian terhadap lingkungan kebijakan eksternal.

Kedua, heterogenitas regional memainkan peran penting dalam dampak CPU. Hasil penelitian menunjukkan bahwa dampak negatif CPU terhadap penggunaan lahan pertanian dan struktur pangan paling terasa di wilayah barat, diikuti oleh wilayah timur dan tengah. Sebaliknya, dampak terhadap emisi karbon pertanian paling kuat di wilayah tengah, dengan dampak yang lebih lemah di wilayah timur dan barat. Variabilitas regional ini mencerminkan perbedaan dalam karakteristik struktural dan kapasitas adaptif agroekosistem di seluruh wilayah, yang menawarkan wawasan penting untuk perumusan kebijakan pertanian yang tepat dan spesifik wilayah.

Terakhir, studi ini mengungkap efek limpahan spasial CPU. Kebijakan iklim menunjukkan efek limpahan spasial negatif yang signifikan pada wilayah tetangga; khususnya, kebijakan tersebut mengurangi kualitas penggunaan lahan pertanian dan struktur pangan di wilayah yang berdekatan. Pada saat yang sama, kebijakan ini juga menurunkan emisi karbon pertanian di wilayah tetangga melalui mekanisme realokasi sumber daya. Temuan ini melampaui batasan studi wilayah tunggal tradisional dan menawarkan perspektif analitis baru untuk memahami interaksi antarwilayah yang kompleks dalam sistem pertanian.

5.1 Rekomendasi
Para pembuat kebijakan harus memprioritaskan peningkatan stabilitas dan transparansi kebijakan iklim dengan memberikan pedoman yang lebih jelas bagi para produsen pertanian. Pertama, pemerintah harus meminimalkan perubahan yang sering terjadi dalam kebijakan iklim dan memperkuat komunikasi dengan pemerintah daerah, perusahaan pertanian, dan petani selama proses perumusan dan implementasi kebijakan untuk memastikan kesinambungan dan konsistensi. Selain itu, para pembuat kebijakan harus memastikan penyebaran yang tepat waktu dan penjelasan yang jelas tentang penyesuaian kebijakan, termasuk alasan dan tujuan di baliknya, untuk mengurangi ketidakpastian, mengurangi kekhawatiran spekulatif di kalangan petani, dan meningkatkan kepercayaan mereka terhadap arah kebijakan di masa mendatang.

Perumusan kebijakan iklim harus memperhitungkan perbedaan regional, menyesuaikan perangkat kebijakan dengan kondisi lokal. Di wilayah barat, di mana tantangan pertanian lebih menonjol, pemerintah harus meningkatkan dukungan kebijakan dengan memberikan subsidi keuangan yang lebih besar, bantuan teknis, dan investasi dalam infrastruktur. Langkah-langkah ini akan membantu petani dan agribisnis meningkatkan efisiensi penggunaan lahan dan mengoptimalkan struktur produksi pangan. Di wilayah tengah, di mana emisi karbon pertanian merupakan masalah yang lebih mendesak, kebijakan harus difokuskan pada pengendalian emisi. Pemerintah harus mendorong agribisnis dan petani untuk secara proaktif mengurangi emisi karbon melalui mekanisme seperti perdagangan karbon dan pajak karbon. Lebih jauh, di wilayah timur, wilayah yang maju secara ekonomi, upaya harus terus dilakukan untuk mempromosikan modernisasi pertanian dan transformasi rendah karbon di sektor tersebut. Wilayah ini juga harus menjadi model, yang mendorong wilayah lain untuk bekerja sama mengatasi perubahan iklim.

Untuk mengurangi dampak negatif, pemerintah harus mendorong kolaborasi dan koordinasi antardaerah, memperkuat integrasi kebijakan regional. Pertama, pemerintah daerah harus meningkatkan pembagian informasi dan koordinasi kebijakan untuk memastikan bahwa kebijakan iklim di berbagai daerah saling melengkapi, sehingga mencegah dampak negatif yang timbul dari konflik atau inkonsistensi kebijakan. Kedua, pemerintah harus membentuk mekanisme promosi dan kerja sama teknologi pertanian lintas daerah. Prakarsa ini akan memfasilitasi penyebaran dan penerapan teknologi pertanian rendah karbon di seluruh daerah, khususnya dalam mengoptimalkan struktur pangan dan mengurangi emisi karbon.

5.2 Keterbatasan dan Agenda Penelitian Masa Depan
Meskipun studi ini memberikan wawasan yang kuat tentang dampak multidimensi CPU pada pengembangan pertanian, beberapa keterbatasan harus diakui. Pertama, ketergantungan pada data panel tingkat provinsi dari Tiongkok dapat menutupi heterogenitas skala yang lebih kecil di tingkat kota, kabupaten, atau pertanian, yang berpotensi mengabaikan dinamika lokal dan proses adaptasi yang penting. Selain itu, indeks CPU, yang berasal dari analisis teks media, dapat dipengaruhi oleh bias media atau pelaporan selektif, sehingga tidak sepenuhnya menangkap pengalaman atau persepsi pemangku kepentingan langsung. Selain itu, meskipun variabel instrumental digunakan untuk mengatasi endogenitas, validitas instrumen tetap bergantung pada justifikasi teoritis, sehingga kekhawatiran potensial tentang variabel yang dihilangkan dan kausalitas terbalik sebagian belum terselesaikan.

Penelitian di masa mendatang dapat mengatasi keterbatasan ini melalui beberapa cara. Pertama, penelitian dapat memanfaatkan data yang lebih terperinci, seperti kumpulan data tingkat kabupaten atau tingkat pertanian, untuk menangkap respons pertanian lokal terhadap ketidakpastian kebijakan dengan lebih baik. Kedua, mengintegrasikan pengukuran langsung persepsi pemangku kepentingan—melalui survei atau wawancara—akan menawarkan wawasan yang lebih mendalam tentang faktor perilaku yang memengaruhi strategi adaptasi. Ketiga, memperluas cakupan temporal untuk memeriksa dinamika kebijakan jangka panjang dan analisis komparatif lintas negara akan meningkatkan generalisasi dan ketahanan temuan di berbagai konteks kelembagaan. Terakhir, menggabungkan perspektif interdisipliner, termasuk ekonomi perilaku dan faktor psikologis yang terkait dengan pengambilan keputusan petani dalam ketidakpastian, dapat lebih memperkaya pemahaman teoritis dan praktis tentang respons pertanian terhadap CPU.