全国夏粮小麦收获进度过半 已收1.84亿亩

根据Barro & Sala-i-Martin收敛理论，若所有省份最终趋同于相同的"最优收获窗口"，则应观察到β收敛——初始收获进度较慢的省份在后续时段增速更快。技术扩散理论（Griliches）预测，机械化水平差距是决定收敛速度的关键——机械化率低的省份通过学习模仿先进省份的调度模式实现追赶。气候因素（降水、积温）则可能造成暂时性而非持久性差异。据此提出假说：H1：中国小麦主产省的收获进度存在显著的绝对β收敛，收敛速度约为每年5-8%；H2：农机跨区作业调度显著加速了收获进度的区域收敛（条件β收敛）；H3：气候冲击导致的收获延迟是暂时的，不改变长期趋同趋势。

标准β收敛回归：ΔProgress_i = α + β·InitialProgress_i + γ·X_i + ε_i。其中ΔProgress_i为省i收获进度的年度变化，InitialProgress_i为观测期初（6月1日）的进度水平。β<0表示收敛。进一步使用动态面板GMM处理可能的测量误差和遗漏变量。为识别农机调度的因果效应，利用"跨区农机绿色供油通道"政策的渐进推广作为工具变量——该政策降低了跨区调度的运输成本，但独立于某省当年的气候条件。

β收敛基准模型：(Progress_{i,t} - Progress_{i,t-1}) = α + β·Progress_{i,t-1} + γ₁·Mechanization_{i,t} + γ₂·(Mechanization_{i,t} × Progress_{i,t-1}) + δ·Climate_{i,t} + μ_i + λ_t + ε_{i,t}。其中Progress为累计收获率（%），Mechanization为联合收割机保有量/播种面积，Climate为收获期降水偏差和积温偏差。交互项检验机械化对收敛速度的调节效应——预期γ₂<0（机械化加速落后地区的追赶）。σ收敛：σ_t = SD(Progress_{i,t})，若σ_t随时间递减则存在σ收敛。

被解释变量：各省小麦收获进度的日变化（ΔProgress = 当日累计收获%-前日累计%）。核心解释变量：前日累计收获率（检验收敛）；联合收割机台数/千公顷播种面积（机械化率）；收获期（6月1-20日）日均气温距平和累积降水量距平（国家气象局0.5°格点数据匹配至省）。数据来源：农业农村部农情调度日报（2020-2026年麦收季）、中国农业机械工业年鉴、中国气象局农气站逐日观测。样本：15个小麦主产省×6年×20天麦收窗口，约1800个省级-日观测值。

（1）替换收敛检验方法：使用Phillips & Sul（2007）的log t收敛俱乐部检验，允许多个均衡稳态存在；（2）排除极端天气年份：剔除2023年（河南"烂场雨"）样本，检验收敛速度是否由异常年份驱动；（3）以县级数据加总替代省级数据，在更细粒度上检验收敛假设；（4）空间计量：使用空间杜宾模型控制省份之间的空间溢出效应（邻省收获进度对本地的影响），避免空间自相关导致的标准误偏误。

Lewis的二元经济模型中，农业技术进步释放剩余劳动力至现代工业部门，促进结构转型。Acemoglu & Restrepo（2018）则区分了"使能技术"（增强劳动者能力，增加劳动需求）与"替代技术"（取代劳动者，减少劳动需求）。联合收割机作为"替代技术"，一方面减少了对收割人力的需求（替代效应），另一方面加快了收割速度，使农民能更早外出务工（释放效应）。净效应取决于当地非农就业机会的可获得性。据此提出假说：H1：收割机械化率每提高10%，非农就业参与率提高1-2个百分点（释放效应主导）；H2：存在一个机械化率的最优阈值（约60-70%），超过后替代效应开始超过释放效应；H3：在非农就业机会充裕的沿海省份，释放效应更强；在内陆农业大省，替代效应更明显。

核心挑战：机械化率与劳动力转移存在双向因果——劳动力外出务工也可能倒逼机械化（劳动力成本上升→机械化替代）。使用地形坡度作为工具变量——坡度较大的地区难以使用大型联合收割机，地形坡度与机械化可行性强相关（满足相关性），而地形坡度通过影响机械化以外的主要渠道是农业生产力而非劳动力转移（排他性需论证）。同时，使用"相邻省份联合收割机保有量"作为额外工具变量——邻省农机供给影响本省跨区作业可得性，但邻省农机购置决策独立于本省劳动力市场条件。

2SLS模型：第一阶段——Mechanization_{i,t} = α + π₁·Slope_i + π₂·NeighborMachinery_{i,t} + θ·Z_{i,t} + ν_{i,t}。第二阶段——NonFarmLabor_{i,t} = α + β·Mechanization_{i,t} + γ·X_{i,t} + μ_i + λ_t + ε_{i,t}。门槛回归模型：NonFarmLabor_{i,t} = α + β₁·Mechanization_{i,t}·I(Mechanization ≤ τ) + β₂·Mechanization_{i,t}·I(Mechanization > τ) + γ·X_{i,t} + μ_i + λ_t + ε_{i,t}，其中τ为Hansen（1999）方法估计的门槛值。

被解释变量：非农就业参与率（省级农村劳动力转移监测数据——非农就业人数/农村劳动力总数）。核心解释变量：小麦收割机械化率（机收面积/总收获面积）。工具变量：省平均地形坡度（ASTER GDEM 30m分辨率数字高程模型）；邻省联合收割机保有量加权平均（权重为公路距离的倒数）。控制变量：人均GDP、城镇化率、最低工资标准、非农产业增加值占比。样本：15个小麦主产省2005-2025年面板数据。

（1）替换被解释变量：以"农村居民工资性收入/总收入"替代非农就业参与率，检验劳动力转移→收入结构变化的传导；（2）使用Limited Information Maximum Likelihood（LIML）替代2SLS，处理弱工具变量问题（若第一阶段F统计量<10）；（3）将分析单位降至县级，使用农业农村部固定观察点数据，更好地控制省内异质性；（4）排除地形过于崎岖的省份（贵州、云南），检验工具变量的排他性约束——若IV仅通过机械化渠道影响劳动力转移，排除后β应保持稳定。

Williamson的交易成本经济学预测，当交易具有资产专用性和不确定性时，科层制（政府调度）可能优于市场（自组织网络）——因为前者能更好地协调专用性资产（收割机）的时间窗口。然而，Ménard的混合组织理论指出，实践中最常见的治理形式既非纯市场也非纯科层，而是两者之间的混合模式。在中国的农机调度场景中，政府提供的"绿色供油通道""气象预警"等公共品降低了所有参与者的交易成本，而农机手的私人关系网络则提供了灵活性和地方知识。据此提出假说：H1：天气不确定性越大（收获期降水变异系数），农机手越依赖政府应急调度而非自发网络——不确定性增加了市场交易成本；H2：农机手的社会网络规模与政府调度依赖度负相关——非正式网络可部分替代正式制度；H3：政府调度密度与农机手自发网络效率之间存在倒U型关系——适度的政府干预增强网络效率（互补），过度干预挤出网络（替代）。

三阶段混合方法：①定量阶段——利用农机手GPS轨迹数据，识别"政府调度"作业（轨迹覆盖跨县→应急调度特征）与"自组织网络"作业（轨迹集中于特定片区→熟人网络特征）。比较两种模式下收割效率（日收割亩数）和交易成本（空驶率、等待时间）的差异。②工具变量：以"县级农机调度中心设立年份"作为政府调度可得性的工具变量——中心设立由省级财政拨款和行政规划决定，独立于当年的收割条件。③定性阶段——在河南、山东、安徽各选2县，对农机手和调度员进行配对访谈，通过过程追踪重建具体调度决策中的制度选择逻辑。

基准回归：Efficiency_{i,t} = α + β₁·GovDispatch_{i,t} + β₂·NetworkSize_{i,t} + β₃·(GovDispatch × NetworkSize)_{i,t} + γ·X_{i,t} + μ_i + λ_t + ε_{i,t}。Efficiency为农机手i在日t的收割亩数，GovDispatch为是否通过政府调度平台接单，NetworkSize为农机手微信/电话通讯录中其他农机手的数量。交互项系数β₃识别互补（β₃>0）或替代（β₃<0）关系。空驶率方程：EmptyRate_{i,t} = α + β·GovDispatch_{i,t} + γ·Network_{i,t} + δ·X_{i,t} + ε_{i,t}。IV-Probit模型用于解决GovDispatch的内生性。

被解释变量：收割效率（GPS轨迹中每日收割面积估算——作业时长×平均收割速度×割幅宽度）；空驶率（非收割状态GPS移动距离/总移动距离）。核心解释变量：政府调度依赖度（通过农机管理APP接单的比例）；社会网络规模（来自问卷调查——经常联系的农机手数量、是否属于合作社）。工具变量：县农机调度中心成立年份。数据来源：500名农机手连续3个麦收季的GPS轨迹（山东、河南、安徽三省，2024-2026）、配套问卷调查（含社会网络模块）、县级农机部门行政记录。

（1）替换网络度量：以"农机手同村/同镇农机手数量"作为外生网络规模代理——地理邻近性决定的网络独立于个体选择；（2）排除合作社成员样本，仅分析独立农机手——合作社本身就是一种混合治理形式，可能混淆制度选择；（3）伪政府调度时点：在农机调度中心实际建立前2年设置伪时点，检验"制度效应"是否仅在中心建立后出现；（4）以玉米收割数据作为安慰剂——玉米收割对时效性要求低于小麦，制度选择模式应与小麦有显著差异。

前景理论（Kahneman & Tversky, 1979）预测，农户对"阴雨导致减产"的损失感知强于"过早收割导致产量和品质损失"——损失厌恶导致过度早收。Bikhchandani et al.（1992）的信息级联模型预测，在信息不确定（天气预报准确率有限）的环境下，后决策者会放弃自己的私人信息（自己对小麦成熟度的判断），转而模仿先决策者的行动（羊群效应）——即使先决策者的信息质量并不更高。据此提出假说：H1：一村中前10%农户开始收割后，其余农户的收割概率在随后2天内提高3-5倍（羊群效应）；H2：阴雨预报使收割概率跳跃性增加——即使实际降雨概率仅30%，农户的行为反应等同于50%（损失厌恶导致的概率权重扭曲）；H3：羊群效应导致约5-10%的农户在非最优成熟度收割，平均每亩损失约15-30元（行为效率损失）。

使用SAR空间自回归模型识别羊群效应：农户i的收割决策 = f(邻居的平均收割决策, 自己的小麦成熟度, 天气预报)。关键识别策略：以"距离同一行政村最远自然村的收割进度"作为邻居收割行为的工具变量——最远自然村的收割进度影响本自然村的收割决策（通过信息渠道），但其收割行为由该自然村自身的气候和作物条件决定，与本村农户的个体偏好无关。同时，利用天气预报准确率的外生变化——若预报有雨但实际未下雨，则农户的早收行为可归因于损失厌恶而非理性应对。

SAR模型：Harvest_{i,t} = α + ρ·W·Harvest_{t} + β₁·Maturity_{i,t} + β₂·RainForecast_t + β₃·Maturity_{i,t}×RainForecast_t + β₄·(W·Harvest_t×RainForecast_t) + γ·X_{i,t} + ε_{i,t}。Harvest_{i,t}为农户i在日期t是否收割的二元变量，W为空间权重矩阵（同村=1/村内农户数），W·Harvest_t为同村其他农户的收割比例——ρ>0表示羊群效应。β₄识别"预报有雨时羊群效应是否加剧"——若β₄>0，说明不确定性增强了信息级联。使用空间Probit模型（Lesage & Pace, 2009）估计。

被解释变量：农户i在日期t是否收割（二元Logit/Probit）。核心解释变量：同村已收割比例（羊群效应度量）；小麦成熟度（籽粒含水量——农学最优收割窗口为含水量13-15%）；降雨预报概率和预报降雨量（中国气象局短临预报）。工具变量：最远自然村的收割进度。控制变量：农户经营面积、是否使用自有收割机、前一年收割时间。数据来源：农业农村部农情调度村-日报（500个固定观察村×20天麦收窗口×6年）、中国气象局县级短临降雨预报与实况对比（用于计算预报准确率）、收割前后小麦品质抽样检测数据。

（1）替换空间权重矩阵：以地理距离权重（反距离加权）替代二元同村权重，检验空间自相关模式对权重选择的敏感性；（2）区分信息渠道：入村时间、微信群活跃度——若羊群效应主要通过微信群传播，则控制微信群活跃度后ρ应下降；（3）"晴天年份"vs"多雨年份"子样本比较——若损失厌恶假说成立，多雨年份的提前收割现象应更显著；（4）利用"虚假降雨预报"（预报有雨但实际晴）作为准实验——比较"虚假预报日"与"无误报日"的收割行为差异，分离损失厌恶效应与理性应对效应。

粮食安全党政同责考核是地方政府的主要政治激励之一——考核不合格将"一票否决"并影响主官晋升。依据周黎安的晋升锦标赛理论，地方官员在强考核压力下倾向于"过度执行"——宁可付出过高的行政成本也要确保考核达标。在麦收场景中，这意味着地方政府可能不计成本地组织抢收（超过最优农时的提前收割）、过度动员行政资源（干部驻村督收）等。Holmström-Milgrom多任务模型预测，"收获面积和产量"可量化考核而"农户净收益"难以测度，代理人将偏向量化指标。据此提出假说：H1：粮食安全考核排名靠后（达标压力大）的省份，其政府农机调度频次和行政动员强度显著高于排名靠前的省份；H2：考核压力每增加1个标准差，小麦"非最优成熟度收割"面积增加2-3个百分点（过度干预导致效率损失）；H3：考核压力驱动的过度抢收主要集中在地级市主官任职的最后一年（晋升冲刺效应）。

以粮食安全责任制考核的"及格线"（中央设定）为断点，使用精确断点回归（Sharp RDD）。在及格线附近，各省的农业基本条件连续，但"达标压力"存在跳跃——略低于及格线的省份面临更强的政治压力（面临约谈和一票否决风险）。比较及格线两侧省份的政府收割干预强度差异，识别考核压力的因果效应。同时，利用省级主要领导换届周期（党代会年）的外生政治冲击，构建"晋升激励"的时间变化——党代会前一年为晋升压力高峰期。

RDD基准：Intervention_i = α + τ·BelowLine_i + f(Score_i - c) + γ·X_i + ε_i。Intervention_i为省i的政府收割干预强度指数，BelowLine = I(Score < c)，c为考核及格线，τ识别考核压力的因果效应。面板双重差分：Intervention_{i,t} = α + β·Pressure_{i,t} + γ·ElectionCycle_{i,t} + δ·X_{i,t} + μ_i + λ_t + ε_{i,t}。Pressure以"距及格线的标准化距离"衡量，ElectionCycle以"距下一次省级党代会年份数"衡量（=1为前一年——晋升压力峰值）。交互项β×ElectionCycle识别政治周期的调节效应。

被解释变量："政府收割干预强度指数"（综合3个维度：①县级农机调度行政指令文件数/播种面积；②"三夏"工作动员会议次数；③干部驻村督收人天数/播种面积。均来自省级政府信息公开平台）。核心解释变量：粮食安全责任制考核得分（国务院年度通报）；距考核及格线的距离（负值=不及格）。政治周期变量：距下次省级党代会年份（手工整理各省党委换届时间表）。控制变量：播种面积、粮食总产量、省级财政收入、省党委书记任职年数。样本：13个粮食主产省2016-2026年面板。

（1）替换RDD带宽：使用CCT、IK、CV等不同最优带宽选择方法，检验结果对带宽的敏感性；（2）伪及格线检验：在真实及格线的±5%处设置伪断点，若仅在真实断点处存在跳跃则支持因果推断；（3）排除中央直管县（财政省直管县在考核压力传导上可能存在制度差异），检验结论的普遍性；（4）以"玉米收获干预强度"作为安慰剂被解释变量——玉米除东北外不在粮食安全考核核心指标中，考核压力对玉米干预的影响应显著弱于小麦。