上半年农业农村经济运行保持稳中向好势头

基于Besley（1995）的产权-投资模型，土地产权稳定性的增强通过三个渠道促进农户长期投资：降低被征收的不确定性、提高土地流转市场上的抵押价值、延长投资回报的预期期限。由此提出H1：延包合同签订显著提高农户的长期农业投资水平；H2：产权稳定性改善通过增强土地流转市场活跃度间接促进投资；H3：延包政策效果在初始产权不安全感更强的农户中更为显著。

利用第二轮土地承包延包整省试点的分批推进特征，构造渐进DID（staggered DID）。处理组为试点省份已签订延包合同的农户，控制组为非试点省份农户。识别假定为：若无延包政策，处理组与控制组的投资行为趋势平行。利用事件研究法检验事前平行趋势，并采用Sun-Abraham（2021）估计量处理异质性处理效应带来的偏误问题。

采用双向固定效应模型：Y_it = α + β × Treat_i × Post_it + γX_it + μ_i + λ_t + ε_it。其中Y_it为农户i在t年的长期投资（如有机肥投入、灌溉设施投资、多年生经济作物种植面积），Treat_i为是否试点省份，Post_it为是否已签订延包合同，X_it为户主年龄、家庭规模、耕地面积等控制变量，μ_i和λ_t分别为农户和年份固定效应。

被解释变量"长期农业投资"以亩均有机肥施用量、亩均农田水利设施支出、多年生作物种植比例三个指标构建综合指数。核心解释变量为延包合同的签订状态（0-1虚拟变量）。数据来源以全国农村固定观察点2000-2025年面板数据为主，补充CHFS和CFPS的农村样本进行交叉验证，剔除土地已流转和非农就业为主农户。

第一，更换处理组定义，将处理限定在试点省份内签订合同满一年的农户，排除短期政策宣示效应；第二，安慰剂检验，将政策发生时间前移2-3年，验证不存在虚假效应；第三，替换被解释变量，分别以化肥施用强度、土地流转参与率、农业机械投入作为替代性投资指标；第四，排除同期其他政策干扰，控制高标准农田建设、农机购置补贴等政策的地区-时间异质性。

---

根据凯恩斯财政乘数理论，政府支出通过直接效应（项目建设雇工增收）、间接效应（上下游产业拉动）和引致效应（收入增加带动的消费扩张）三个环节传导。但Auerbach-Gorodnichenko（2012）指出乘数具有状态依赖性——经济下行期乘数更大。由此提出H1：乡村振兴财政支出对农村消费的累积乘数大于1；H2：乘数在脱贫县大于非脱贫县，体现边际消费倾向差异；H3：以工代赈类支出通过直接就业渠道产生更快但持续性较弱的消费拉动效应。

采用Jordà（2005）局部投影法（LP）估计动态乘数，以省级年度财政帮扶资金和乡村建设支出的外生变动作为冲击。识别依赖两个条件：财政支出的省级分配规则与省内不可观测消费偏好不相关，以及支出变动领先于消费响应。以"该省上年脱贫人口占比×中央财政分配的全国年度增幅"构造Bartik工具变量（shift-share IV）解决内生性问题。

采用局部投影法：y_{t+h} - y_{t-1} = α_h + β_h × shock_t + γ_h(L)X_{t-1} + ε_{t+h}。其中y为对数农村居民人均消费支出，shock为财政帮扶资金与乡村建设支出的对数增长率，h为0到12个季度的预测步长，X_{t-1}为滞后控制变量（GDP增长率、CPI、上期消费）。β_h的累加值即h期累积乘数。

核心被解释变量为农村居民人均消费性支出及其细分（食品、居住、交通通信、教育文娱等八大类）。核心解释变量为中央+省级"乡村振兴综合财政支出"，包括常态化帮扶资金1770亿元和乡村建设项目库匹配的财政投入。使用2015-2026年全国31个省份的季度面板数据，来自财政部预决算公开平台和国家统计局住户调查。

第一，替换冲击度量方式，分别使用人均财政支出、财政支出占GDP比重、以及仅使用中央转移支付部分的三个替代变量；第二，变换时间窗口，排除2020-2022年疫情干扰期，仅使用2023-2026年样本重新估计；第三，使用结构向量自回归（SVAR）替代局部投影法，以Cholesky分解识别财政支出冲击；第四，以现金转移类帮扶资金（如低保、特困救助）作为工具变量做安慰剂对照。

---

根据Mincer人力资本模型，工资由教育、经验和技能决定；但脱贫劳动力面临劳动市场的信息不对称和技能不匹配，政策干预有望改善就业匹配效率。常态化帮扶通过岗位推荐、技能培训、以工代赈等渠道降低搜寻成本和提升劳动生产率。H1：参与常态化就业帮扶的脱贫劳动力，其小时工资显著高于未参与者；H2：帮扶效果存在技能异质性，低技能劳动力获益更大；H3：帮扶政策提高就业合同签订率和工作稳定性，但工资溢价随时间递减。

采用倾向得分匹配-双重差分（PSM-DID）方法解决自选择偏误。处理组为常态化帮扶第一年（2026年）新纳入就业帮扶的脱贫劳动力，控制组为脱贫但未接受就业帮扶的劳动力。利用倾向得分在可观测特征上实现协变量平衡，再对匹配后的样本进行DID估计。核心识别假定为条件独立假定（CIA），即给定匹配特征后处理状态与潜在结果独立。

PSM-DID两步法：第一步以Logit模型估计接受就业帮扶的倾向得分，使用1:1最近邻匹配；第二步在匹配样本上估计DID模型：wage_it = α + βTreat_i × Post_t + γX_it + μ_i + λ_t + ε_it。wage_it为脱贫劳动力i在t期的月工资对数，Treat标识是否接受帮扶，Post标识帮扶后时期。附加Heckman两步法纠正就业参与选择偏误。

被解释变量包括：月工资对数（核心）、小时工资、就业合同类型（0-1）、工作任期月数（稳定性指标）。解释变量为帮扶政策参与虚拟变量。控制变量含性别、年龄、教育年限、健康状况、家庭抚养比、县域固定效应。数据主要来源于2025-2026年全国脱贫人口务工监测系统（覆盖约3200万人），并辅以CLDS的脱贫户子样本进行交叉验证。

第一，更换匹配方法，分别使用核匹配、半径匹配和马氏距离匹配，比较ATT估计的敏感性；第二，替换被解释变量，以家庭人均收入替代个人工资，考察帮扶对家庭层面福利的影响；第三，使用工具变量法，以县级帮扶资金分配作为是否接受帮扶的工具变量；第四，分位数回归考察帮扶效应在工资分布不同分位上的异质性；第五，使用Chetverikov等人（2016）的交互固定效应模型控制不可观测的时间异质性。

---

按照增长核算框架，产出增长 = TFP增长 + 要素投入增长的加权和。在Hayami-Ruttan诱致性技术变迁框架下，技术进步方向内生于要素相对价格——中国劳动力成本上升将诱导劳动节约型技术进步。H1：2016-2026年夏粮产量增长中TFP的贡献率超过50%，高于2006-2016年时期；H2：技术进步偏向劳动节约型，体现为机械替代劳动的加速；H3：各省夏粮TFP存在条件β收敛，但收敛速度因技术推广体系的差异而不同。

构建超越对数形式的随机前沿生产函数，以夏粮亩产为产出、以劳动投入（工日/亩）、物质投入（种子、化肥、农药、机械等费用/亩）为投入变量。使用Battese-Coelli（1995）时变技术效率模型，假定技术效率服从截断正态分布，且随时间以指数形式变化。引入时间趋势及其与投入变量的交叉项以捕捉非中性技术进步（即偏向型技术变迁）。

超越对数随机前沿模型：lnY_it = α_0 + Σβ_j lnX_jit + 0.5 ΣΣβ_jk lnX_jit lnX_kit + β_t t + 0.5β_tt t² + Σβ_jt lnX_jit × t + v_it - u_it。Y为亩产，X为劳动和物质两要素。v_it为随机误差项（iid N(0,σ_v²)），u_it为技术无效率项（≥0，服从N⁺(μ,σ_u²)）。TFP增长率 = 技术前沿进步率 + 技术效率变化率 + 规模效率变化率。使用极大似然法一步估计。

产出变量：夏粮（冬小麦为主）亩均产量（公斤/亩）。投入变量：（1）劳动投入 = 每亩标准用工日（包括家庭用工折价和雇工）；（2）物质投入综合指数 = 种子费+化肥费+农药费+机械作业费+排灌费+其他直接费用（以2015年不变价折算）。数据采用1978-2026年全国13个小麦主产省的省级面板，主要来自《全国农产品成本收益资料汇编》和《中国农村统计年鉴》。

第一，更换生产函数形式，使用Cobb-Douglas形式替代超越对数，检验函数形式对分解结果的敏感性；第二，替换技术效率估计方法，使用数据包络分析（DEA-Malmquist指数）替代SFA进行非参数分解；第三，以县域层面数据（农业农村部固定观察点）替代省级数据，检验空间加总偏误；第四，分类别估计，将夏粮细分为冬小麦、春小麦、大麦三类分别进行增长核算；第五，以全球小麦主产国数据为对照，检验中国技术进步贡献率的国际比较稳健性。

---

根据财政联邦主义理论，中央转移支付可能产生"粘蝇纸效应"（Flypaper Effect），即地方政府倾向于将转移支付用于扩大本级支出而非减轻居民负担。同时也可能存在"挤出效应"——中央增加投入导致地方缩减自有财力投入。周黎安的晋升锦标赛框架则预测，当乡村振兴纳入官员考核指标时，地方有激励过度投入以获取政治信号。H1：中央帮扶资金对地方乡村支出存在部分挤出效应（挤出系数小于1）；H2：GDP排名竞争压力越大的县，地方自有财力乡村支出的"超配"程度越高；H3：乡村建设项目的空间分布存在邻近竞争效应，相邻县的投入存在正相关性。

以中央常态化帮扶资金在不同省份的分配规则作为识别依据。帮扶资金分配部分基于脱贫人口规模、县均财力等结构化指标，在控制这些指标后，剩余的分配差异可作为外生变异。对H1使用双向固定效应面板模型；对H2引入官员晋升压力（以省内GDP排名变动衡量）与帮扶资金的交互项；对H3使用空间杜宾模型，以地理相邻加权矩阵捕捉空间溢出。关键识别挑战是将分配规则的内生性部分与规则性部分分离。

基准模型：local_spend_it = α + β₁ × central_transfer_it + β₂ × own_revenue_it + β₃ × (central_transfer_it × promotion_pressure_it) + γX_it + μ_i + λ_t + ε_it。空间杜宾扩展：local_spend_it = α + ρW × local_spend + β₁ × central_transfer + θW × central_transfer + γX + μ_i + λ_t + ε_it。其中local_spend为县本级农林水事务支出，central_transfer为中央乡村振兴专项资金（含帮扶资金），W为反距离空间权重矩阵。

被解释变量：县级财政"农林水事务支出"中由本级财力安排的部分（剔除非本级转移支付部分）。核心解释变量：（1）中央乡村振兴转移支付（含常态化帮扶资金+农田建设补助+衔接资金）；（2）官员晋升压力 = 该县GDP增速在全省县（市）中的排名变动。控制变量：县本级一般公共预算收入、人口规模、农业产值占比、是否脱贫县、是否省级试点县。数据为2018-2026年全国约2000个县级行政区的年度面板，来自财政部预决算平台、《中国县域统计年鉴》、各省财政决算报表。

第一，更换空间权重矩阵，分别使用k-近邻矩阵（k=5和k=10）和经济距离矩阵（人均GDP差异），检验空间溢出效应的敏感性；第二，使用断点回归设计（RDD），以脱贫县认定标准（贫困发生率阈值）作为断点，估计帮扶资金对地方支出的局部处理效应；第三，使用GMM动态面板估计（系统GMM）处理地方财政支出的惯性问题；第四，替换官员激励变量，以省委常委会议提及"乡村振兴"的频率度量政治注意力，替代排名压力变量；第五，排除直辖市和省直管县样本，检验行政层级对结果的影响。

---