全国粮食生产有序推进

基于诱致性技术创新理论，农村劳动力持续外流导致劳动相对价格上升，引致劳动节约型技术进步——智能农机恰好属于此类。据此提出三个假说：H1——北斗智能收割机推广显著提升县域粮食TFP；H2——该效应在劳动力外流严重地区更为突出（诱致性创新机制）；H3——县级农机服务组织密度正向调节技术扩散速度（社会学习机制）。同时，Acemoglu & Restrepo的自动化框架提示需关注技术替代与技术恢复的净效应。

以各县首次引入北斗智能收割机的年份为处理时点，构建多期DID设定。核心识别假定：在控制县域固定效应和时间趋势后，处理组与对照组在智能农机引入前具有平行TFP趋势。利用Callaway & Sant'Anna（2021）估计量处理异质性处理效应，规避传统双向固定效应的负权重问题。以广东省为处理组、临近未推广省份的产粮县为对照组。对推广时间的潜在内生性——县级引入时间可能受当地农机化基础影响——采用各县到北斗农机生产企业的地理距离作为工具变量。

基准模型为：TFP_it = α + β SmartMachinery_it + X_it γ + μ_i + λ_t + ε_it。其中，TFP_it 为i县第t年粮食全要素生产率（以DEA-Malmquist指数测算），SmartMachinery_it 为处理虚拟变量，X_it 包含农机总动力、灌溉面积占比、化肥施用量、农业劳动力占比等控制变量，μ_i 为县域固定效应，λ_t 为年份固定效应。在异质性分析中引入三重交互项：SmartMachinery_it × LaborOutflow_i × Post_t 检验诱致性创新渠道，SmartMachinery_it × ServiceOrgDensity_i × Post_t 检验社会学习渠道。

被解释变量TFP：投入端包括土地（播种面积）、劳动（农业从业人数）、资本（农机总动力净值）、中间投入（化肥、农药、种子费用），产出端为粮食总产量，以DEA-Malmquist方法测算。核心解释变量：各县首次注册北斗农机终端的年份虚拟变量。渠道变量：农村劳动力外流率（户籍人口农村常住人口差）；农机服务组织密度（每千公顷农机合作社数量）。数据跨度为2018-2026年覆盖南方9个早稻主产省的县级面板。

第一，替换被解释变量：将TFP替换为单产（亩产）和劳动生产率（劳均产量），检验结论是否依赖TFP构造方式。第二，安慰剂检验：随机分配各县处理年份，重复500次，检验真实估计系数是否落入随机分布尾部。第三，排除替代性解释：控制同期其他惠农政策（如高标准农田建设、种粮补贴提标）的县级投入强度，排除政策叠加干扰。第四，子样本分析：剔除水稻播种面积不足5万亩的非主产县，检验主产区内部一致性。第五，空间溢出检验：构建空间杜宾模型，考察邻近县TFP是否受本县智能农机推广的空间溢出影响。

---

细碎化农田面临高昂的作业成本——小地块使得农机进田困难，单户购买农机服务的交易成本（搜寻、议价、监督）过高。Coase的企业边界理论揭示，当市场交易成本高于内部组织成本时，一体化是有效率的。农业社会化服务组织的整合本质上是用"组织化服务"替代"分散化市场交易"。据此提出：H1——农机服务组织整合显著降低农户单位面积农机服务成本（交易成本节约假说）；H2——该效应对地块面积小、细碎化程度高的农户更显著（治理结构匹配假说）；H3——服务组织整合提高了农户采纳机械化作业的概率（服务可及性假说）。

以广东省2026年整合全省700家农机服务组织为政策冲击，构建DID框架。处理组为广东省内参与整合的县级服务组织覆盖区域，对照组为省内尚未整合或周边省份（广西、湖南）具有相似农地细碎化程度但未实施整合的地市。核心识别假定：在政策实施前，处理组与对照组的农机服务成本和机械化率具有平行趋势。利用GPS定位的村级地块数据，构造村级层面的地块细碎化指数——辛普森指数（Simpson Index），以连续处理强度替代二元处理变量进行补充识别。

基准模型设定为：ServiceCost_hit = α + β Integration_it + γ Fragmentation_h × Integration_it + X_hit δ + μ_h + λ_t + ε_hit。其中，h表示农户，i表示县，ServiceCost_hit为农户亩均农机服务费用，Integration_it 为服务组织整合虚拟变量，Fragmentation_h 为农户地块细碎化指数。核心关注系数为β（平均交易成本节约效应）和γ（细碎化条件下的异质效应）。中介效应检验：Integration → 服务可及性（服务组织密度、服务响应时间）→ ServiceCost。

被解释变量：农户亩均农机服务费用（包括收割、耕整、植保的购买服务支出），辅以农机服务可获得性（村级服务点数量、预约等待天数）。核心解释变量：县是否纳入广东农机服务组织整合范围。渠道变量：地块细碎化指数（辛普森指数 = 1 - Σ(地块面积/总面积)^2）、资产专用性程度（农机类型：专用vs通用）。数据来源包括广东省2025-2026年农户调查数据与农地确权地理信息。

第一，替换被解释变量：以农机作业覆盖率（机收面积/总播种面积）替代亩均服务费用，检验成本结论是否一致。第二，PSM-DID：先用倾向得分匹配（基于地形、人均耕地、到县城距离等）构建可比样本再DID，减轻选择偏误。第三，替换细碎化指标：用平均地块面积、地块数量替代辛普森指数，检验调节效应的度量敏感性。第四，排除竞争假说：控制同期同步推进的农地流转补贴和高标准农田建设投资，排除规模化经营投资改善而非服务组织整合的解释。第五，安慰剂检验：假设整合发生在2025年重新估计，预期不应显著。

---

粮食收获具有严格的时间窗口——过晚收割导致落粒损失，过早收割则籽粒未充分成熟。当某一区域因天气等因素导致收割窗口压缩时，本地农机供给出现瞬时短缺，农机边际产出远超正常水平。跨区域农机流动使得农机从边际产出较低的区域流向较高区域，直至空间边际产出均等化，实现空间配置效率改善。据此提出：H1——跨区作业证发放数量与收割窗口期长短呈负相关（供需匹配假说）；H2——农机流入县比未流入县在异常天气年份的收割延迟损失显著更小（风险分散假说）；H3——跨区农机流动缩小了流出县与流入县收割期农机边际产出的差异（空间均衡假说）。

构建两阶段识别框架。第一阶段，以重力模型估计农机跨区流动的驱动力：Flow_ij = f(距离, 收割时间差, 工资差, 农机保有量差)。第二阶段，以预测的农机净流入量作为工具变量，识别农机流入对收获效率（收割完成天数、机收损失率）的因果效应。核心识别挑战：农机流动内生于各地农机需求，需寻找外生变动。利用"收割窗口期降雨量"作为Bartik式工具：目标县不同来源地的降雨驱动（share）乘以各县的流出倾向（shift），构造预测流入量。

第一阶段——空间均衡检验：MP_ikt = α + β NetFlow_ikt + γ MP_jkt + X_ikt δ + μ_i + λ_t + ε_ikt。其中 MP_ikt 表示i县在t年k作物的农机边际产出（以每台收割机日作业收入衡量），NetFlow_ikt 为i县农机净流入量。若β>0且|β|随制度摩擦减少而增大，则支持空间配置效率改善假说。第二阶段——福利效应：Loss_ikt = α + β NetFlow_ikt + X_ikt δ + μ_i + λ_t + ε_ikt，其中Loss_ikt为收割延迟造成的产量损失率。

被解释变量包括收割完成天数（从收割开始到结束的天数），机收损失率（抽样实测损失量/亩产），农机日作业收入（每台收割机日均服务面积乘以服务单价）。核心解释变量为县级农机净流入量（流入作业证数 - 流出作业证数）。控制变量包括农机保有量、耕地面积、地形坡度、到高速公路距离。数据跨度为2020-2026年覆盖南方水稻主产区县级数据。

第一，替换核心解释变量：以"北斗农机平台跨县移动轨迹数量"替代跨区作业证数量，排除作业证发放误差。第二，替代工具变量：以"相邻省份农机保有量的冲击"作为替代IV，检验工具变量选择的敏感性。第三，排除路面运输条件改善效应：控制县级高速公路通车里程的年度变化，排除基建改善而非农机流动本身的效果。第四，空间安慰剂：随机重排农机流动方向，检验真实配置的效率改善是否显著优于随机配置。第五，子样本分析：按平原/丘陵区县分组，检验地形对跨区配置效应的调节作用。

---

粮食安全政策的执行面临典型的委托代理问题。中央设定全局粮食安全目标（委托人），省级政府进行指标分解（中间代理人），县级政府负责落地执行（终端代理人）。"行政发包制"下，县级政府面临多重考核指标——经济增长、环保、维稳与粮食生产共存，粮食安全可能与工业化用地、财政创收形成目标冲突。据此提出：H1——中央"工作组下沉"的注意力信号强度与当地粮食单产正相关（中央注意力效应）；H2——在非粮食主产县，经济增长考核压力越大，粮食安全政策的执行力度越低（多目标抵消假说）；H3——省委书记出身农业系统的省份，县级粮食政策执行偏差更小（职业烙印偏好假说）。

以农业农村部"科技小分队下沉一线"的县级定点作为中央注意力信号的外生度量。识别策略采用：县级被选为科技小分队驻点，部分取决于该县是否属于产粮大县和灾害风险等级——以该县上一年的气象灾害指数（纯外生冲击）与是否属产粮大县（制度性标签）的交互项，作为驻点选择的工具变量。核心识别假定：上一年气象灾害只通过影响当年驻点选择间接影响当年粮食产量，不存在其他渠道。以省级层面推出配套政策的力度作为省级注意力强度指标，检验从中央到省的注意力传导效率。

基准模型：Yield_it = α + β1 CentralAttention_it + β2 ProvincialMatch_it + β3 CentralAttention_it × PressureIndex_i + X_it δ + μ_i + λ_t + ε_it。其中CentralAttention_it 为中央工作组是否驻点县级虚拟变量，ProvincialMatch_it 为省级配套政策的力度（文本计数加权），PressureIndex_i为县的经济增长考核压力（以工业产值占比和财政自给率综合衡量）。核心关注三重交互项系数β3，预期经济增长压力越大的县，中央注意力的边际效应越小。

被解释变量为各县粮食单产（公斤/亩）。核心解释变量：中央注意力——是否被科技小分队覆盖（二元变量+驻点天数）；省级政策匹配度——省农业农村厅网站发布的涉粮政策文件数量乘以文件中"落实""督导""考核"等关键词密度。调节变量：多目标压力指数——以工业用地出让面积占比、财政自给率（本级财政收入/财政支出）和县委书记晋升年龄窗口构造综合指数。控制变量包括耕地面积、有效灌溉面积、劳动力外流率。数据跨度为2015-2026年面板。

第一，替换中央注意力指标：以"中央级媒体对各县粮食生产的报道数量"替代工作组驻点，检验不同注意力度量的系数方向一致性。第二，排除气候混淆：控制县级季节性降雨偏离度、高温日数和洪涝受灾面积，排除天气因素对所有层级政策变量的混淆。第三，省级政策滞后效应：将省级政策变量滞后1-2期重新估计，检验政策滞后效应是否改变主结论。第四，省界断点设计：在部分粮食主产县与非主产县交界地带进行空间RDD，利用省界两侧政策强度的不连续性进行局部因果识别。第五，替换多目标压力指数：分别用土地出让金占财政收入比例、开发区面积占比替代综合指数。

---

前景理论的核心洞见——在面临潜在损失时，决策者表现出损失厌恶，倾向于冒险以避免确定的损失。对于农户而言，延迟收割意味着确定的落粒损失，但提前收割则面临籽粒不饱满的确定损失。当低温阴雨压缩收割窗口时，农户的参照点从"正常年份的收割时间"向下调整，但其调整速度取决于经验依赖的贝叶斯更新。据此提出：H1——经历上一年收割期降雨损失的农户，当年收割启动时间显著提前（损失经历的行为更新假说）；H2——损失厌恶越强的农户，在面临窗口压缩时越倾向于立即收割而非等待天气转好（冒险偏好假说）；H3——向农户推送实时北斗农机可调度数量显著增加即时收割决策概率（信息助推假说）。

核心识别分为两个层面。层面一——风险偏好参数的个体估计：通过离散选择实验（DCE）向受试农户呈现一系列假设收割场景（不同天气概率、不同延迟损失、不同提前收割损失），利用分层贝叶斯估计每个农户的前景理论参数（λ损失厌恶系数、α概率加权、δ时间折扣率）。层面二——因果效应的自然实验识别：以2026年江西低温阴雨导致收获期推迟为自然实验，采用断点回归（RDD），以收割窗口开启日期（forcing variable）为轴，观测窗口开启前后农机服务需求（跨区作业证申请量、智能收割机预订量）的突变。

基准离散选择模型：U_njt = β_n X_njt + ε_njt，其中U_njt为农户n在场景t中选择方案j的效用，X_njt包括方案j的预期产量损失、收割延迟天数、农机可得性。偏好参数β_n采用分层贝叶斯混合Logit估计：β_n ~ N(θ, Σ)，其中θ为总体均值，Σ为协方差矩阵。RDD设定：Demand_i = α + β PostWindow_i + f(DayToWindow_i) + γ PostWindow_i × f(DayToWindow_i) + ε_i，其中PostWindow_i为收割窗口开启后的指示变量，f(·)为局部线性或二次核函数。

被解释变量包括农机预订时点（距窗口开启天数）、农户收割启动日期。核心解释变量包括个体风险偏好参数（通过DCE实验估计的λ、α、δ）、损失经历（上一年收割期是否遭遇持续3天以上降雨）、信息助推处理（是否接收实时农机可调度推送）。调查数据来自江西吉安万安县、上饶等5县500户农户的面访式入户调查，样本覆盖不同经营规模（从10亩以内到200亩以上的种粮大户），问卷包含15个假设收割场景的DCE模块和Eckel & Grossman式风险偏好游戏。

第一，替换风险偏好度量：以Eckel & Grossman的彩票式风险偏好游戏结果替代DCE估计的损失厌恶参数，检验行为参数估计方法的稳健性。第二，剥离天气信息效应：在RDD中加入控制变量——气象台预报准确率、手机天气预报App使用频率，区分"天气认知更新"与"窗口物理约束"两个渠道。第三，样本选择偏差校正：利用Heckman两步法校正入户调查的村庄选择偏误，以村庄到最近公路距离为排他性约束变量。第四，田野实验补充验证：在部分村庄随机推送不同措辞的天气预警信息（损失框架vs.收益框架），直接检验框架效应（Framing Effect）对收割决策的影响。第五，替代行为参数估计方法：以最大模拟似然（MSL）替代分层贝叶斯，检验估计方法对偏好参数分布假设的敏感性。

---