Nonlinear Effects of Agricultural Technology on Sustainable Grain Production in China

• Autorzy: Chen Bizhen , Sun Dehong

Identyfikatory

DOI

10.35784/preko.6037

Warianty tytułu

PL

Nieliniowy wpływ technologii rolniczej na zrównoważoną produkcję zbóż w Chinach

• Języki publikacji: EN

Abstrakty

EN

Grain production is an important element of the United Nations Sustainable Development Goals, regarding livelihoods and social stability. This article uses data on agricultural technology, social factor and grain production in China from 2011 to 2022, and uses the Generalized Additive Model (GAM) to deeply explore the nonlinear impact of agricultural technology and social factor on grain production. The results of the study show that (1) China’s grain output is generally on a growing trend, but the growth rate is declining and fluctuating significantly. There is a significant difference in grain production before and after the COVID-19 epidemic. Moreover, the output in the northern region is significantly higher than that in the south. (2) Except for Consumption expenditure per capita, all other agricultural technology and social factor variables are positively correlated with grain out. (3) The impact of agricultural technology and social factor on grain output shows significant non-linear characteristics, and its impact effect varies in different intervals. Specifically, When the value of the agricultural meteorological observation service station is 20-25, the effective irrigation area is greater than 1800, consumption expenditure per capita greater than 17000 and the total sowing area of crops is 7500, it can significantly increase grain yield. On the contrary, if the emission value of chemical oxygen demand exceeds 130, it has a significant inhibitory effect on grain yield. Furthermore, the effect on grain yield peaks when the total power of agricultural machinery, GDP, and the number of unemployed people in cities approach 3000, 10000, and 20, respectively. The results of the study provide an important basis for optimizing the allocation of agricultural resources and enhancing the efficiency of grain production. Finally, some practical policy recommendations are put forward.

PL

Produkcja zbóż jest ważnym elementem Celów zrównoważonego rozwoju ONZ, dotyczących źródeł utrzymania i stabilności społecznej. W tym artykule przeanalizowano dane dotyczące technologii rolniczej, czynników społecznych i produkcji zbóż w Chinach w latach 2011-2022 oraz wykorzystano uogólniony model addytywny (GAM) w celu dogłębnego zbadania nieliniowego wpływu technologii rolniczej i czynnika społecznego na produkcję zbóż. Wyniki badania pokazują, że (1) produkcja zbóż w Chinach ogólnie wykazuje tendencję wzrostową, ale tempo wzrostu maleje i podlega znacznym wahaniom. Istnieje znacząca różnica w produkcji zbóż przed i po epidemii COVID-19. Co więcej, produkcja w regionie północnym jest znacznie wyższa niż na południu. (2) Z wyjątkiem wydatków konsumpcyjnych na mieszkańca, wszystkie inne zmienne związane z technologią rolniczą iczynnikami społecznymi są dodatnio skorelowane z plonami zboża. (3) Wpływ technologii rolniczej i czynnika społecznego na wielkość plonów zboża wykazuje znaczną charakterystykę nieliniową, a efekt jego oddziaływania zmienia się w różnych przedziałach. W szczególności, gdy stacja rolniczej obserwacji meteorologicznej wynosi 20-25, efektywna powierzchnia nawadniania jest większa niż 1800, wydatki konsumpcyjne na mieszkańca są większe niż 17000, a całkowita powierzchnia zasiewów roślin wynosi 7500, może znacznie zwiększyć plon ziarna. Natomiast jeśli wartość emisji chemicznego zapotrzebowania tlenu przekracza 130, ma to istotny wpływ hamujący na plon ziarna. Co więcej, wpływ na maksymalne plony zbóż ma sytuacja, gdy całkowita moc maszyn rolniczych, PKB i liczba bezrobotnych w miastach zbliżają się odpowiednio do 3000, 10000 i 20. Wyniki badań stanowią ważną podstawędo optymalizacji alokacji zasobów rolnych i zwiększania efektywności produkcji zbóż. Przedstawiono także kilka praktycznych zaleceń politycznych

Słowa kluczowe

EN

grain production; sustainable development; machine learning; generalized additive models; agricultural technology; social factor

PL

produkcja zbóż; rozwój zrównoważony; uczenie maszynowe; uogólnione modele addytywne; technologia rolnicza; czynnik społeczny

• Wydawca: Lublin University of Technology
• Czasopismo: Problemy Ekorozwoju
• Rocznik: 2024
• Tom: Vol. 19, no. 2
• Strony: 91--105
• Opis fizyczny: Bibliogr. 27 poz., fig., tab.

Twórcy

autor

Chen Bizhen

• Minnan University of Science and Technology (China)

• https://orcid.org/0009-0000-8559-9996

autor

Sun Dehong

• Minnan University of Science and Technology (China)

Bibliografia

• 1. BI, X., WEN, B., & ZOU, W. (2022). The Role of Internet Development in China’s Grain Production: Specific Path and Dialectical Perspective. Agriculture, 12(3), 377.
• 2. CHAI, J., WANG, Z., YANG, J., & ZHANG, L. (2019). Analysis for spatial-temporal changes of grain production and farmland resource: Evidence from Hubei Province, central China. Journal of Cleaner Production, 207, 474–482.
• 3. CHEN, X., SHUAI, C., & WU, Y. (2023). Global food stability and its socio‐economic determinants towards sustainable development goal 2 (Zero Hunger). Sustainable Development, 31(3), 1768–1780.
• 4. CHENG, J., & YIN, S. (2022). Quantitative Assessment of Climate Change Impact and Anthropogenic Influence on Crop Production and Food Security in Shandong, Eastern China. Atmosphere, 13(8), 1160.
• 5. DÍAZ MARTÍNEZ, Z., FERNÁNDEZ MENÉNDEZ, J., & GARCÍA VILLALBA, L. J. (2023). Tariff Analysis in Automobile Insurance: Is It Time to Switch from Generalized Linear Models to Generalized Additive Models? Mathematics, 11(18), 3906.
• 6. FANG, W., HUANG, H., YANG, B., & HU, Q. (2021). Factors on Spatial Heterogeneity of the Grain Production Capacity in the Major Grain Sales Area in Southeast China: Evidence from 530 Counties in Guangdong Province. Land, 10(2), 206.
• 7. FU, Y., & ZHU, Y. (2023). Internet use and technical efficiency of grain production in China: A bias-corrected stochastic frontier model. Humanities and Social Sciences Communications, 10(1), 643.
• 8. GE, D., KANG, X., LIANG, X., & XIE, F. (2023). The Impact of Rural Households’ Part-Time Farming on Grain Output: Promotion or Inhibition? Agriculture, 13(3), 671.
• 9. HUANG, H., HOU, M., & YAO, S. (2022). Urbanization and Grain Production Pattern of China: Dynamic Effect and Mediating Mechanism. Agriculture, 12(4), 539.
• 10. LI, X., ZHANG, Y., MA, N., ZHANG, X., TIAN, J., ZHANG, L., MCVICAR, T. R., WANG, E., & XU, J. (2023). Increased Grain Crop Production Intensifies the Water Crisis in Northern China. Earth’s Future, 11(9), e2023EF003608.
• 11. LI, Z., & LI, J. (2022). The influence mechanism and spatial effect of carbon emission intensity in the agricultural sustainable supply: Evidence from china’s grain production. Environmental Science and Pollution Research, 29(29), 44442–44460.
• 12. LI, Z., WANG, W., JI, X., WU, P., & ZHUO, L. (2023). Machine learning modeling of water footprint in crop production distinguishing water supply and irrigation method scenarios. Journal of Hydrology, 625, 130171.
• 13. LIU, X., XU, Y., ENGEL, B. A., SUN, S., ZHAO, X., WU, P., & WANG, Y. (2021). The impact of urbanization and aging on food security in developing countries: The view from Northwest China. Journal of Cleaner Production, 292, 126067.
• 14. LU, S., BAI, X., LI, W., & WANG, N. (2019). Impacts of climate change on water resources and grain production. Technological Forecasting and Social Change, 143, 76–84.
• 15. ONWUCHEKWA-HENRY, C. B., OGTROP, F. V., ROCHE, R., & TAN, D. K. Y. (2022). Model for Predicting Rice Yield from Reflectance Index and Weather Variables in Lowland Rice Fields. Agriculture, 12(2), 130.
• 16. QIU, T., BORIS CHOY, S. T., LI, S., HE, Q., & LUO, B. (2020). Does land renting-in reduce grain production? Evidence from rural China. Land Use Policy, 90, 104311.
• 17. RAVINDRA, K., RATTAN, P., MOR, S., & AGGARWAL, A. N. (2019). Generalized additive models: Building evidence of air pollution, climate change and human health. Environment International, 132, 104987.
• 18. SHEN, X., ZHANG, D., NAN, Y., QUAN, Y., YANG, F., & YAO, Y. (2023). Impact of urban expansion on grain production in the Japan Sea Rim region. Frontiers in Earth Science, 10, 1025069.
• 19. WANG, J., ZHANG, Z., & LIU, Y. (2018). Spatial shifts in grain production increases in China and implications for food security. Land Use Policy, 74, 204–213.
• 20. WU, Z., DANG, J., PANG, Y., & XU, W. (2021). Threshold effect or spatial spillover? The impact of agricultural mechanization on grain production. Journal of Applied Economics, 24(1), 478–503.
• 21. XU, H., YANG, R., & SONG, J. (2023). Water rights reform and water-saving irrigation: Evidence from China. Water Science & Technology, 88(11), 2779–2792.
• 22. YANG, Q., ZHENG, J., & ZHU, H. (2020). Influence of spatiotemporal change of temperature and rainfall on major grain yields in southern Jiangsu Province, China. Global Ecology and Conservation, 21, e00818.
• 23. YANG, W., & LI, B. (2020). Prediction of grain supply and demand structural balance in China based on grey models. Grey Systems: Theory and Application, 11(2), 253–264.
• 24. YIN, D., LI, F., LU, Y., ZENG, X., LIN, Z., & ZHOU, Y. (2024). Assessment of Crop Yield in China Simulated by Thirteen Global Gridded Crop Models. Advances in Atmospheric Sciences, 41(3), 420–434.
• 25. YUE, Q., WU, H., WANG, Y., & GUO, P. (2021). Achieving sustainable development goals in agricultural energy-water-food nexus system: An integrated inexact multi-objective optimization approach. Resources, Conservation and Recycling, 174, 105833.
• 26. ZHANG, S., LI, B., YANG, Y., & ZHANG, Y. (2022). Analysis on Scientific and Technological Innovation of Grain Production in Henan Province Based on SD-GM Approach. Discrete Dynamics in Nature and Society, 4165586.
• 27. ZHENG, Y., FAN, Q., & JIA, W. (2022). How Much Did Internet Use Promote Grain Production? – Evidence from a Survey of 1242 Farmers in 13 Provinces in China. Foods, 11(10), 1389.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).