【新思想引领新征程】提升农业综合生产能力 加快农业现代化步伐

根据诱致性技术变迁理论（Hayami & Ruttan, 1985），要素相对价格的变化会诱导技术创新方向。在中国劳动力成本持续上升的背景下，智慧农业技术（无人机植保、AI大模型辅助农情决策、智能农机调度）作为劳动力节约型技术被诱导引入，有望提升粮食生产的全要素生产率。从新结构经济学视角看，智慧农业的推广应当与要素禀赋结构相匹配——资本深化程度较高的主产区获益更多。

据此提出以下假说：
- H1：智慧农业试点的推广显著提升了粮食TFP，每增加一个试点年份，TFP增速提高0.5-1.5个百分点。
- H2：智慧农业主要通过技术进步渠道（前沿移动）而非技术效率渠道（追赶效应）提升TFP。
- H3：在农业劳动力外流更严重、农业机械化基础更好的地区，智慧农业的TFP提升效应更强。

本文采用渐进DID方法，利用各省份智慧农业试点启动时间的差异构成准自然实验。核心识别逻辑为：比较试点县在试点前后的粮食TFP变化，与控制组（尚未启动试点的县）的同期变化之差，即为处理效应。关键识别假定包括：平行趋势假定（试点前处理组与控制组的TFP趋势一致）、无预期效应（试点县在政策公布前未提前调整生产行为）。通过Callaway & Sant'Anna（2021）估计量处理处理效应异质性问题，并使用Bacon-Decomp分解检验"坏比较"的权重。此外，以北大数字普惠金融指数作为智慧农业推广密度的工具变量，进一步处理自选择偏误。

基准渐进DID模型设定为：

Y_{it} = α + β SmartAgri_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Y_{it} 为县 i 在第 t 年的粮食TFP对数值；SmartAgri_{it} 为二值处理变量（县 i 在 t 年已启动智慧农业试点取1，否则取0）；X_{it} 为控制变量向量（农业财政支出占比、农村劳动力占比、有效灌溉面积比、人均耕地面积）；μ_i 和 λ_t 分别为县个体固定效应和年度固定效应。关键参数 β 捕捉智慧农业试点对粮食TFP的平均处理效应（ATT）。

中介效应检验：以DEA-Malmquist分解的技术进步指数和技术效率指数分别作为被解释变量，重新估计上述方程，比较 β 的差异。

被解释变量：粮食TFP，以省级粮食投入产出数据为基准，采用DEA-Malmquist方法测算。投入指标为粮食播种面积、化肥折纯量、农业机械总动力、农业劳动力数量；产出指标为粮食总产量（万吨）。核心解释变量：智慧农业试点标识，基于农业农村部自2021年起分批次公布的智慧农业试点县名单手工编码。控制变量：农业财政支出占比（县级财政决算报告）、农村劳动力占比（人口普查/1%抽样）、有效灌溉面积比（县级统计年鉴）、人均耕地面积。样本区间：2018-2025年县级面板，覆盖约1200个县。

• 替换被解释变量测度：以随机前沿分析（SFA）替代DEA测算粮食TFP，检验结论是否对效率测算方法敏感；以粮食单产替代TFP，检验智慧农业是否仅在"生产率"意义上有贡献还是在"单产"意义上也有贡献。
• 平行趋势与安慰剂检验：事件研究法检验试点前处理组与控制组的TFP差异是否为零；将试点时点随机前移2-3年进行安慰剂检验，预期虚假处理效应不显著。
• 排除特定地区的干扰：依次剔除东北三省（农业机械化基础特殊）、新疆建设兵团（管理体制特殊），检验结论是否由特定区域驱动。
• Bacon-Decomp分解与堆叠DID：分别使用Goodman-Bacon分解和堆叠DID估计量，检验不同批次试点之间的处理效应异质性对总体估计的影响。

---

根据产权理论（Demsetz, 1967），稳定的产权预期激励权利人进行长期投资。土地确权颁证通过法律形式将承包经营权固化，降低了农户对土地被调整的担忧，从而提高了高标准农田建设的投资意愿和后续维护投入。从交易成本经济学视角，确权降低了土地流转的交易成本，使高标准农田建成后更易实现适度规模经营，进一步放大投资回报。制度互补性理论（Aoki, 2001）指出，单一制度变革的效率有限，当多种制度相互增强时产生"制度红利"——确权制度与高标准农田投资政策恰好构成互补。

据此提出以下假说：
- H1：高标准农田建设对粮食单产的提升效应在已确权县显著高于未确权县，增幅差异约为1.5-3个百分点。
- H2：确权通过促进土地流转（规模经营）间接放大高标准农田的投资效率，中介效应占总效应的30%以上。
- H3：高标准农田建设项目的后期维护投入在确权县更高，制度"互补性"体现在投资效率的持续性上，而非仅仅初期效果。

核心识别采用多期DID+交互项设计。第一重差分：高标准农田建设项目覆盖县 vs. 未覆盖县；第二重差分：土地确权颁证县 vs. 未确权县。通过双向固定效应（县+年）消除不随时间变化的县级异质性和共同时间趋势。关键识别假定：高标准农田项目的覆盖与土地确权的推进时间在县层面不相关（或相关性仅通过可观测变量实现）。控制变量包括：县级财政农业支出、农民人均纯收入、耕地面积、农业劳动力占比。为进一步处理高标准农田项目覆盖的非随机性问题，使用项目规划的"建设潜力评价得分"作为工具变量。

三重交互项模型设定为：

Y_{it} = α + β₁ HFarmland_{it} + β₂ Titling_{it} + β₃ HFarmland_{it} × Titling_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Y_{it} 为县 i 在 t 年的粮食单产（公斤/亩）；HFarmland_{it} 为高标准农田累计建成面积占比；Titling_{it} 为确权完成率（颁证户数/应确权户数）；交互项系数 β₃ 为核心关注参数，捕捉确权对高标准农田投资效率的调节效应。预期 β₃ > 0。

土地流转中介模型：以土地流转率作为中介变量，检验 HFarmland × Titling → 流转率 → 单产 的中介路径。

被解释变量：粮食单产（公斤/亩），以县粮食总产量除以粮食播种面积获得（县级统计年鉴）。核心解释变量：高标准农田累计建成面积占耕地面积比例（农业农村部项目台账）；土地确权颁证完成率（自然资源部确权登记数据）。中介变量：土地流转率，以流转耕地面积占家庭承包耕地面积比例测度（全国农村固定观察点、农业农村部经管统计数据）。控制变量：县级农业财政支出、有效灌溉面积占比、农业机械总动力、化肥施用量、农民人均可支配收入。样本区间：2019-2025年县级面板，覆盖约2000个县。

• 替换制度变量测度：以农地确权政策实施年份的虚拟变量替代确权完成率连续变量，检验结论是否对确权测度方式敏感；以"是否完成整县推进确权"替代完成率作为分组依据。
• 替换被解释变量：以粮食总产量替代单产，检验高标准农田×确权的效应是否体现在总量上（考虑可能引发的播种面积调整）；以农业全要素生产率（TFP）替代单产，检验效应的综合经济含义。
• 排除规模经营的自然效应：在模型中额外控制"经营规模（户均耕地面积）"与高标准农田的交互项，检验确权的调节效应是否独立于规模效应——若引入规模交互项后 β₃ 仍显著，则确权确实通过"产权"而非仅通过"规模"产生调节作用。
• 安慰剂检验：将高标准农田项目的实施时间前移3年作为虚假处理变量，预期三重交互项系数不显著。

---

根据技能偏向型技术变革理论，机械化对劳动的替代效应因技能水平而异——低技能、重复性劳动最容易被替代，而高技能（如农机操作、智能设备维护）则可能产生互补需求。在农业家庭模型框架中（Singh et al., 1986），农户同时做出生产和消费决策：当农机服务降低了劳动投入需求，家庭劳动力将重新配置到非农部门以最大化家庭总收入。但存在"回弹效应"——机械化降低了单位生产成本，可能扩大种植规模，从而部分抵消劳动力的减少。

据此提出以下假说：
- H1：农业机械化率每提高10个百分点，农村家庭非农劳动参与率提高1.5-2.5个百分点（替代效应主导）。
- H2：跨区农机作业服务的替代效应显著强于本地自有机具，因前者降低了农机资产专用性门槛，使小农户也能以较低成本替代劳动。
- H3：低技能（初中及以下）劳动力受到的替代效应最强，高技能劳动力（高中及以上）受到的替代效应较弱，甚至在新农技场景下出现互补效应（需求回弹）。

核心识别挑战：农业机械化水平与劳动力转移存在双向因果——劳动力外流可能诱导机械化（诱致性技术创新），而非机械化驱动外流。本文采用两个工具变量：①县级平均地形坡度——坡度越大，机械化越困难（与内生变量相关），与劳动力转移无直接通道（外生性）；②同一省内其他县的农机保有量均值——反映该省农机服务的供给面外生条件（Bartik-style IV）。两阶段最小二乘法（2SLS）识别农机化对劳动力转移的因果效应。进一步区分本地自有农机和跨区农机服务的差异化效应，通过中介效应模型检验"替代→转移"是否以农业劳动投入的减少为中介。

基准2SLS模型：

第一阶段：MechRate_{it} = α₁ + δ₁ Slope_i + δ₂ MechRate_{prov,year}^{-i} + γ₁ X_{it} + μ_i + λ_t + ν_{it}

第二阶段：NonAgriLabor_{it} = α₂ + β MechRate_{it} + γ₂ X_{it} + μ_i + λ_t + ε_{it}

其中 NonAgriLabor_{it} 为家庭 i 在 t 年非农劳动参与率（非农劳动人数/家庭劳动力总数）；MechRate_{it} 为县级农业机械化率（机械作业面积/总播种面积）。关键参数 β 捕捉机械化对非农转移的因果效应，预期 β > 0。

异质性分析：将样本按家庭劳动力平均受教育年限分为高低两组，分别估计 β，检验技能偏向性假说。

被解释变量：家庭非农劳动参与率，以CFPS中"过去12个月是否从事非农工作"在家庭层面加总计算（非农就业人数/16-65岁家庭劳动年龄人口）。核心解释变量：县级农业机械化率（机耕、机播、机收面积加权综合，全国农业机械化统计年报）；跨区农机作业面积占比（跨区作业面积/总机械化作业面积）。工具变量：县级平均地形坡度（SRTM 90m DEM数据计算）；同省其他县农机保有量均值（Bartik式）。控制变量：家庭规模、户主年龄与教育、人均耕地面积、村级非农就业机会（村企业数）。样本：2012-2024年CFPS五轮追踪数据，匹配县级农机数据。

• 替换劳动供给定义：以非农劳动时间占比（小时）替代参与率（人数），检验结论是否对劳动供给的"广度边际"和"深度边际"测度方式敏感。
• 替换工具变量构造：以"县到最近省会的距离×全国农机价格指数"替代地形坡度作为IV，利用交通成本与农机可及性的交互变异，检验IV策略的敏感性。
• 排除特定群体：剔除已完全脱离农业的纯非农家庭（家庭无任何农业经营），仅保留兼业农户样本，检验农机替代效应的"边际"性质——即机械化是否主要促使兼业农户进一步向非农倾斜，还是对纯农户产生质变影响。
• 倾向得分匹配+PSM-DID：以农机化率中位数为界将县分为高/低机械化组，匹配后使用DID比较劳动力转移差异，减少函数形式假定对结论的影响。

---

Schultz（1964）指出传统农业中的农民是"有效率但贫穷"的，因为他们已穷尽了传统技术下的效率边界。现代良种的引入通过外生技术进步将生产前沿面外推，这是技术效率的源泉。但技术进步可能存在偏向性——高产品种（如"中麦578"亩产701.7公斤）重点突破单产天花板（土地节约型），而优质强筋品种可能侧重于品质溢价（要素价值重估）。从新古典生产理论看，品种推广的完整福利效应应同时关注：①技术效率（是否靠近前沿）；②配置效率（投入要素的边际技术替代率是否与价格比相等）。

据此提出以下假说：
- H1：新品种推广面积占比每提高10个百分点，粮食生产的技术效率提升0.8-1.5个百分点（前沿推进效应）。
- H2：高产品种的推广主要提升技术效率（前沿推进），而优质品种的推广主要改善配置效率（使边际产出更贴近要素价格比），两者存在"效率-品质"结构差异。
- H3：品种更新换代的边际效率贡献随时间递减，反映了"品种天花板"——在新品种推广早期效应最大，随后进入报酬递减阶段。

本文采用随机前沿分析（SFA）将产出分解为前沿产出、技术效率和随机扰动三部分。品种推广对效率的识别通过将品种变量纳入技术无效率项的均值方程来实现。超越对数函数形式具有灵活性，不预设强替代弹性，便于捕捉品种-要素的交互效应。核心挑战是区分品种效应和同时期的化肥、灌溉等其他技术进步的效应——通过在无效率项中同时控制时间趋势和品种变量，将品种的独立贡献分离出来。配置效率的识别通过比较估计的生产函数中各投入要素的产出弹性与投入成本份额是否成比例来判断。

超越对数随机前沿模型：

ln Y_{it} = β₀ + Σ_j β_j ln X_{jit} + ½ Σ_j Σ_k β_{jk} ln X_{jit} ln X_{kit} + λ T + v_{it} - u_{it}

u_{it} ∼ N⁺(m_{it}, σ_u²), m_{it} = δ₀ + δ₁ VarietyShare_{it} + δ₂ T + δ₃ Z_{it}

其中 Y_{it} 为省 i 在 t 年粮食产量；X 为投入向量（播种面积、化肥、农机、劳动力）；T 为时间趋势；u_{it} 为技术无效率项。核心参数 δ₁ 捕捉品种推广面积占比对技术无效率的影响——若 δ₁ < 0，说明品种推广降低了无效率（提升了技术效率）。

配置效率检验：估计各投入要素的产出弹性 η_j = ∂lnY/∂lnX_j，检验 η_j/η_k = w_j/w_k（w 为要素价格）是否成立。

被解释变量：省粮食总产量（万吨，国家统计局）。投入变量：粮食播种面积（千公顷）、化肥折纯量（万吨）、农业机械总动力（万千瓦）、第一产业从业人员（万人）。核心识别变量：新品种推广面积占粮食播种面积比例，基于国家农作物品种审定公告数据库（含2010-2025年审定的水稻、小麦、玉米品种）和种业大数据平台的品种推广面积数据手工匹配。以品种审定年份至当前年份的时间衰减权重构造"品种年龄加权推广指数"，捕捉品种更新换代的技术进步速率。控制变量：有效灌溉面积占比、受灾面积占比、农业财政科技支出。样本区间：2010-2025年省级面板。

• 替换生产函数形式：以Cobb-Douglas函数替代Translog，检验结论是否依赖于函数形式的灵活性假定；以DEA替代SFA，检验效率测算方法（参数vs.非参数）对结果的影响。
• 替换品种变量构造：以"新品种审定数量"替代"推广面积占比"，从品种供给端而非推广端测度技术冲击；以"品种平均审定年龄"倒数的逐年变化测度品种更新速率。
• 剔除特定省份：依次剔除黑龙江（农垦系统特殊）、山东（蔬菜大省与粮食结构差异），检验结论是否受极端值或特殊体制驱动。
• 配置效率的替代检验：不依赖函数形式，直接检验"品种推广面积占比×要素价格比交互项"对要素投入比例的影响，以更直接的方式检验配置效率改善。

---

根据新凯恩斯DSGE模型（Galí et al., 2007），政府支出冲击在价格粘性条件下会产生大于1的乘数效应——初始支出通过收入-消费的正反馈循环放大。农业领域的两类投资——高标准农田（基建型）和农机购置补贴（设备型）——可能具有差异化的乘数路径。高标准农田属于"形成资本存量的公共投资"，乘数效应的持续时间长但当期冲击相对温和；农机购置补贴属于"降低资本品价格的间接补贴"，对农业产出的短期刺激更直接。从跨期视角看，在经济下行期，私人投资意愿低迷，公共投资的"挤入效应"可能更强（非对称乘数假设）。

据此提出以下假说：
- H1：高标准农田建设投资的当期农业GDP乘数约为0.8-1.2，3年累计乘数可达1.5-2.0；农机购置补贴的当期乘数更大（1.2-1.8），但持久性更弱。
- H2：农业公共投资的乘数效应存在显著跨省溢出——一省的高标准农田投资对其邻省的农业GDP有正向溢出（约0.1-0.3的溢出乘数），通过技术扩散和农产品市场竞争渠道传导。
- H3：在经济下行期（产出缺口为负），农业公共投资的乘数效应比正常时期高出30%-50%，存在凯恩斯非对称性。

核心识别采用Jordà（2005）的局部投影法（Local Projections, LP），相比于传统VAR，LP对模型的误设更稳健，且便于引入非线性和交互项。外生性识别的关键在于将农业投资冲击从同期GDP波动中分离出来。参照Blanchard & Perotti（2002）的递归识别策略：假定财政支出决策对当期GDP变化无即时反应（决策时滞），从而通过Cholesky排序（投资先行于产出）实现识别。作为IV策略的补充，利用中央对地方农业基建专项转移支付的"公式分配"规则（基于耕地面积、粮食产量等外生指标）构造预测分配额，将其作为实际投资的工具变量——公式分配规则由中央政府制定，与当期经济波动无关。

局部投影法（LP）模型：

y_{i,t+h} - y_{i,t-1} = α_i^h + β_h Shock_{it} + γ_h(L) X_{i,t-1} + ε_{it}^h

其中 y_{i,t} 为省 i 在 t 年的农业GDP对数值；Shock_{it} 为农业公共投资冲击（高标准农田投资或农机购置补贴的未预期部分，通过AR(1)残差或IV残差获得）；h = 0, 1, ..., 4 为脉冲响应期数。β_h 捕捉投资冲击在 h 年后的累积乘数效应。预期 β_h > 0 且随时间递增后趋于平稳。

非对称乘数检验：在LP模型中引入产出缺口（负缺口取1）与Shock_{it}的交互项，检验 β_h^{downturn} 是否显著大于 β_h^{normal}。

空间溢出模型：以空间杜宾模型（SDM）或空间LP，将邻省加权投资冲击纳入解释变量。

被解释变量：省级农业GDP（不变价，国家统计局）；农村居民人均可支配收入（国家统计局住户调查）。核心解释变量：高标准农田建设年度投资完成额（农业农村部项目台账，2019-2025年）；农机购置补贴年度发放总额（农机化司补贴系统）。工具变量：中央农业基建转移支付的"公式分配预测额"——以省耕地面积（权重0.5）、粮食产量（权重0.3）、农业人口（权重0.2）的加权和重新计算，排除与当期GDP波动相关的自由裁量部分。控制变量：滞后1-2期的农业GDP增速、化肥价格指数、农产品生产者价格指数、年降雨量偏差。样本区间：2010-2025年省级年度面板。

• 替换识别策略：以SVAR替代局部投影法，比较脉冲响应的路径差异——LP的优势在于对模型误设更稳健，而SVAR的优势在于可同时处理多变量反馈，两种方法的结果一致性可增强结论的可信度。
• 替换乘数定义：以农业就业人数替代农业GDP作为产出指标，检验乘数效应的"就业维度"是否与"产出维度"一致；以农业增加值率替代总量指标，检验投资是否主要扩张了"量"还是也提升了"质"。
• 排除其他政策干扰：控制同期实施的其他重大农业政策（如千亿斤粮食产能提升行动的时间虚拟变量），检验乘数估计是否因遗漏同期政策而存在遗漏变量偏误。
• 滚动窗口估计：以8年为窗口进行滚动LP估计，检验乘数大小的时间稳定性——若近年乘数趋势性下降，可能意味着农业投资边际报酬递减。