图表：全国夏粮产量首次突破3000亿斤

基于Debreu一般均衡框架，构建包含农业部门与非农部门的两部门模型。H1：夏粮增产通过供给曲线右移压低均衡粮价，但降幅受需求弹性制约。H2：在土地约束下，增产主要依赖技术进步而非要素扩张，TFP贡献率超过60%。H3：产区省份间资源配置效率存在显著异质性，主产区技术效率高于非主产区。

利用2026年夏粮突破3000亿斤这一外生供给冲击，构建"产量冲击-价格响应"的准自然实验。以各省历史平均产量为工具变量，控制气候、政策等混杂因素。核心假定为：在控制气象条件和播种面积后，产量突破主要反映技术进步带来的外生供给增加，满足排他性约束。

价格方程：$\ln P_{it} = \alpha + \beta_1 \Delta Q_{it} + \beta_2 D_{it} + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，其中$P$为粮食价格指数，$\Delta Q$为产量变化率，$D$为需求控制变量，$X$为气象等控制变量。效率方程采用超越对数随机前沿模型：$\ln Y = f(\ln K, \ln L, \ln A) + v - u$，分解技术效率变化与技术进步。

被解释变量：各省粮食批发价格指数（国家统计局）。核心解释变量：夏粮产量变化率（实际产量/趋势产量）。控制变量：播种面积、化肥施用量、农业机械总动力、有效灌溉面积、降水量与气温距平。数据来自《中国统计年鉴》《全国农产品成本收益资料汇编》及中国气象数据网，构建2010-2026年省级面板。

第一，替换被解释变量为粮食期货价格（郑商所强麦合约），检验价格发现机制的一致性。第二，使用Battese & Coelli (1995)一步法SFA模型替代两步法，避免效率估计的联立偏差。第三，以2020年洪灾年份作为安慰剂检验，验证非增产年份的效应不显著。第四，采用不同窗口期（前后3年vs前后5年）检验结论对时间跨度的敏感性。

---

在Keynes乘数框架下，粮食增产通过"产量增加→收入上升→消费扩张→二轮需求拉动"形成乘数链。H1：夏粮主产区农民人均可支配收入增速高于非主产区2-3个百分点。H2：粮食收入冲击的消费乘数在1.3-1.8之间，且对食品消费、耐用消费品影响最大。H3：由于预防性储蓄动机，暂时性增产的乘数小于持久性增产。

利用各省粮食增产幅度的差异构建连续型DID：以2026年夏粮产量增速为处理强度变量（treatment intensity），比较增产幅度大的省份与增产幅度小的省份在农民消费支出上的变化。核心假定为：在控制省级固定效应和时间趋势后，增产幅度的省际差异主要由自然禀赋和气象条件驱动，与消费的不可观测冲击不相关。

DID模型：$\ln C_{it} = \alpha + \beta_1 (Intensity_i \times Post_t) + \beta_2 Intensity_i + \beta_3 Post_t + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，其中$C$为农村居民人均消费支出，$Intensity$为各省夏粮增产幅度，$Post$为2026年虚拟变量。乘数计算：$k = \frac{\Delta Y}{\Delta G} = \frac{1}{1-MPC}$，由$\beta_1$反推MPC。

被解释变量：农村居民人均消费支出（分食品、衣着、耐用消费品等分项）。核心解释变量：各省夏粮增产幅度（2026年产量/2025年产量-1）× 主产区虚拟变量。控制变量：非农就业机会、农村社会保障覆盖率、粮食最低收购价水平。数据来自国家统计局农村住户调查、各省统计年鉴及发改委价格司文件。

第一，使用2018年和2021年两次丰收年份进行placebo-in-time检验，确认乘数效应仅在显著增产年份出现。第二，以各省人均耕地面积为工具变量重新估计，排除内生性问题。第三，将消费拆分为必需品与可选品，验证乘数效应在可选品类别中更强（符合MPC递减规律）。第四，控制同年猪瘟等畜牧疫情对农村收入的干扰。

---

基于North制度变迁理论，土地"三权分置"改革降低了土地流转的交易成本（谈判、缔约、执行成本），使经营权向种粮能手集中。H1：确权完成较早的县市，土地流转率高出15-20个百分点，夏粮单产提升5-8%。H2：产权激励主要通过增加中长期农业投资（水利、土壤改良）而非短期要素投入实现增产。H3：流转规模超过100亩的经营主体，技术采纳概率显著高于小农户。

利用各县市土地确权完成时间的差异构建多期DID：以确权完成年份为处理时点，比较确权前后的土地流转率与粮食单产变化。同时，以省级确权政策推行截止日期为断点构建RDD进行交叉验证。核心假定为：各县确权时点的差异主要由地方行政能力和历史遗留问题决定，与当期农业生产率的不可观测冲击无关。

多期DID：$Y_{it} = \alpha + \beta_1 (Treat_i \times Post_{it}) + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，其中$Y$为粮食单产或流转率，$Treat$为确权完成虚拟变量，$Post$为确权后虚拟变量。机制分解：$\beta_1 = \beta_{scale} + \beta_{invest} + \beta_{tech}$，分别对应规模效应、投资效应和技术采纳效应。RDD采用模糊断点设计，以省级政策截止日为工具。

被解释变量：各县市粮食单产（公斤/亩）、土地流转率（%）。核心解释变量：确权完成虚拟变量（确权登记颁证完成率>95%的年份取1）。机制变量：亩均农业固定资产投资、新型经营主体数量、良种覆盖率。数据来自农业农村部"全国农村土地承包经营权确权登记"数据库、CHFS微观调查及各省农业农村厅年度报告，覆盖2013-2026年约2000个县。

第一，采用Callaway & Sant'Anna (2021) 异质性处理效应DID估计量，避免TWFE在多期设置下的偏误。第二，利用各县市地形坡度作为确权进度的工具变量进行IV-DID估计。第三，安慰剂检验：随机打乱确权完成时间500次，构建伪处理效应分布。第四，将样本限定在自然条件相似的相邻县市对，进行匹配DID估计。

---

基于Hayami & Ruttan诱致性技术创新理论，中国人多地少的资源禀赋结构决定了技术路径偏向土地节约型（生物化学技术）而非劳动节约型（机械化）。H1：夏粮增产的60%以上来自技术前沿面推进（新品种、新技术），而非既有技术的效率改善。H2：黄淮海主产区处于技术前沿，西部地区仍处于追赶阶段，技术效率差距在缩小。H3：技术扩散存在空间溢出效应，邻近省份的增产对本地有显著正外部性。

采用DEA-Malmquist指数方法，将全要素生产率增长分解为技术效率变化（追赶效应）和技术进步（前沿推进），并利用空间Durbin模型识别技术扩散的空间溢出。核心假定为：各省农业生产的投入产出关系满足凸性和自由处置公理，且技术扩散具有地理衰减特征，空间权重矩阵的设定不影响核心结论的方向。

Malmquist指数：$M_t^{t+1} = \left[\frac{D^t(x^{t+1},y^{t+1})}{D^t(x^t,y^t)} \times \frac{D^{t+1}(x^{t+1},y^{t+1})}{D^{t+1}(x^t,y^t)}\right]^{1/2} = EC \times TC$，其中$EC$为技术效率变化，$TC$为技术进步。空间Durbin模型：$Y = \rho W Y + X\beta + W X\theta + \varepsilon$，其中$W$为地理距离权重矩阵，$\theta$捕捉技术扩散的空间溢出效应。

产出变量：各省粮食总产量（万吨）。投入变量：播种面积（千公顷）、农业劳动力（万人）、化肥施用量（万吨）、农业机械总动力（万千瓦）、有效灌溉面积（千公顷）。技术前沿变量：良种推广面积占比、精准施肥技术覆盖率。数据来自FAOSTAT、《中国农村统计年鉴》及各省农业技术推广总站年报，构建2005-2026年省级面板。

第一，使用序列DEA（Sequential DEA）替代同期DEA，避免技术退步的不合理结果。第二，以经济距离矩阵（人均GDP差异）替代地理距离矩阵，检验技术扩散是否受经济发展水平影响。第三，将样本分为2005-2015和2016-2026两个子期，检验技术追赶路径的阶段性特征。第四，使用Bootstrap方法对Malmquist指数进行置信区间估计。

---

在Lewis二元经济框架下，粮食增产伴随的机械化推进释放了农业剩余劳动力，推动其向非农部门转移。H1：夏粮机械化水平每提高1个百分点，农业就业人数下降0.3-0.5个百分点。H2：转移劳动力进入城市后，因技能错配导致工资低于城市本地工人15-25%。H3：劳动力转移在短期内扩大城乡工资差距，但在中长期（5年以上）通过人力资本积累缩小差距。

利用各省地形坡度作为农业机械化水平的工具变量：坡度影响机械作业可行性，但不直接影响非农工资水平。第一阶段回归机械化对坡度的敏感性，第二阶段估计机械化对劳动力转移和工资的因果效应。核心假定为：地形坡度通过影响机械化作业条件间接影响劳动力转移，而非通过其他渠道（如工业化水平）直接影响城乡工资差距。

IV模型：第一阶段 $Mech_{it} = \pi_0 + \pi_1 Slope_i + \gamma X_{it} + \mu_i + \lambda_t + \nu_{it}$；第二阶段 $\Delta Emp_{it} = \alpha + \beta_1 \widehat{Mech}_{it} + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$。中介效应模型：$WageGap_{it} = c + \beta_1 Mech_{it} + \beta_2 Transfer_{it} + \gamma X_{it} + \varepsilon_{it}$，检验劳动力转移$Transfer$是否中介了机械化$Mech$对城乡工资差距$WageGap$的影响。

被解释变量：农业就业人数占比（%）、城乡工资比（城镇居民可支配收入/农村居民纯收入）。核心解释变量：农业机械化综合水平（机耕、机播、机收面积加权平均）。中介变量：农村劳动力转移规模（外出农民工数量）。控制变量：非农就业机会（二三产业产值占比）、教育水平、社保覆盖率。数据来自国家统计局农民工监测调查、CLDS及《中国农业机械工业年鉴》。

第一，使用各省历史耕作制度（一年一熟vs两熟vs三熟）作为机械化的替代工具变量，进行过度识别检验。第二，将样本分为平原省份和丘陵山区省份，检验机械化替代效应的地形异质性。第三，利用2020年新冠疫情导致的农民工返乡潮作为外生冲击，检验劳动力回流是否弱化了机械化替代效应。第四，使用Oaxaca-Blinder分解，区分城乡工资差距中可解释部分与歧视性部分。

---