【在希望的田野上】全国小麦收获过八成 夏播进入高峰

根据诱导性技术变迁理论（Hayami & Ruttan, 1971），农业生产要素相对价格的变化会诱导节约稀缺要素的技术创新。中国农业劳动力持续向非农部门转移，劳动力成本上升，诱导了劳动节约型机械技术的采纳。更进一步，智能农机通过精量播种、变量施肥、自动驾驶等路径，不仅节约劳动，还能节约化肥、种子和水资源，对TFP的提升应强于传统农机。此外，跨区机收服务使得农机的技术效应超越省界，形成空间溢出。

据此提出以下假说：
- H1：农业机械化水平每提高1%，农业TFP提高0.3%-0.5%，且智能农机的TFP弹性显著高于传统农机。
- H2：跨区农机作业服务产生了正向空间溢出效应，相邻省份的机械化水平对本地TFP有正向贡献。
- H3：农业机械化对TFP的贡献在劳动力流出程度高的省份更强（诱致性技术变迁的实证检验）。

本文采用两阶段策略：第一阶段，以随机前沿分析（SFA）将省级农业TFP分解为技术进步（前沿面外移）和技术效率（向前沿面收敛），避免将效率改善误认为技术进步。第二阶段，以固定效应面板模型估计机械化对TFP的因果效应，省份固定效应μ_i吸收不随时间变化的地理、制度因素，年份固定效应λ_t吸收全国层面的天气和政策冲击。空间杜宾模型进一步纳入邻近省份机械化水平的空间滞后项，识别跨省溢出。关键识别假定：给定μ_i和λ_t后，各省机械化水平的时序变动与TFP方程的误差项不相关。

基准面板固定效应模型：

TFP_it = α + β₁·Mach_it + β₂·Smart_it + γ·X_it + μ_i + λ_t + ε_it

其中 TFP_it 为SFA测算的省份i在t年的农业全要素生产率，Mach_it 为农机总动力（对数），Smart_it 为智能农机占比（智能农机保有量/农机总动力），X_it 为控制变量向量。关键参数β₁捕捉传统农机对TFP的弹性，β₂捕捉智能农机的增量TFP贡献（预期 β₂ > 0）。

空间杜宾模型（SDM）：

TFP_it = α + ρ·W·TFP_it + β₁·Mach_it + θ₁·W·Mach_it + β₂·Smart_it + γ·X_it + μ_i + λ_t + ε_it

其中 W 为空间权重矩阵（省际地理邻接矩阵），ρ 为空间自回归系数，θ₁ 捕捉邻近省份机械化的空间溢出效应。

被解释变量：省级农业TFP，以SFA方法测算。投入变量包括：土地（农作物播种面积，千公顷）、劳动（第一产业从业人员，万人）、资本（农业机械总动力，万千瓦）、中间投入（化肥施用量折纯量，万吨）。产出变量为农林牧渔业总产值（不变价，亿元）。超越对数生产函数形式，假设技术无效率项服从截断正态分布。核心解释变量：Mach 为农机总动力对数，Smart 为智能农机保有量（自动驾驶拖拉机 + 植保无人机 + 精量播种机）占农机总动力的比重。控制变量：有效灌溉面积占比、劳动力受教育年限、农业财政支出占比、受灾面积占比。样本区间：2005-2025年，31个省份，年度面板，共651个观测值。

• 替换TFP测算方法：以数据包络分析（DEA-Malmquist）替代SFA重新测算TFP并估计基准方程，检验结果对TFP测度方法的敏感性。
• 替换空间权重矩阵：以经济距离矩阵（基于各省人均GDP差距的倒数）替代地理邻接矩阵，检验空间溢出效应是否对权重设定敏感。
• 排除直辖市样本：直辖市农业结构特殊（都市农业），剔除北京、上海、天津、重庆后重新估计，检验结论的代表性。
• 工具变量估计：以滞后两期的农机购置补贴金额作为机械化水平的工具变量，使用IV-2SLS处理机械化变量的内生性（反向因果：TFP高的省份更有能力购买农机）。

农机跨区作业服务市场存在显著的信息不对称：农户难以事前观测机手的技术水平和作业质量（逆向选择），机手难以事前判断地块条件和农户的支付意愿（隐蔽信息）。同时，作业质量的事后验证成本高——收割损失率难以精确度量，这构成了履约风险（道德风险）。根据交易成本经济学（Williamson, 1985），资产专用性（农机是高专用性资产）、交易频率（一年两季）和不确定性（天气、地块条件）共同决定了治理结构的选择。不完全合约理论（Hart & Moore, 1990）进一步预测，当质量难以在合约中写定时，剩余控制权的分配将影响事前专用性投资激励。

据此提出以下假说：
- H1：信息不对称程度越高（以机手来源地与本村距离度量），农户采用跨区机收服务的概率越低。
- H2：当农户与机手之间存在重复交易关系或同乡网络时，口头合约的履约率不亚于书面合同（关系型治理的替代效应）。
- H3：按亩收费的合约形式降低了机手的成本节约激励（更快作业但损失率更高），而按产量分成的合约形式内含质量激励——后者在损失率验证难度大的情境下更具效率。

本文的核心挑战是将交易成本理论中的抽象概念（资产专用性、不确定性、交易频率）转化为可测度的实证变量。识别策略包括：（1）利用村庄层面的外生变异——机手来源地与本村的距离由地理和农机保有量分布决定，对单个农户而言可视为外生；（2）以村内是否有农机合作社作为农机服务供给端的工具变量，排除农户层面不可观测因素（如农户能力）对采用决策的影响；（3）在合约形式选择中，利用地块层面的特征（面积、形状规整度、坡度的外生变异）作为识别变量。关键识别假定：给定地块特征和村庄固定效应后，合约形式选择的残差项与农户不可观测特征不相关。

采用决策（二元Logit）：

P(Adopt_ij = 1) = Λ(α + β₁·Distance_ij + β₂·InfoAsym_ij + γ·X_ij + δ_v + ε_ij)

其中 Adopt_ij 为村庄v中农户i是否采用跨区机收服务，Distance_ij 为机手来源地与农户所在村的距离，InfoAsym_ij 为信息不对称代理变量（是否首次聘用该机手、是否通过中介平台匹配），δ_v 为村庄固定效应。

合约形式选择（Ordered Probit）：

Contract_ij* = α + β₁·PlotSize_ij + β₂·PlotShape_ij + β₃·Trust_ij + γ·X_ij + ε_ij

其中 Contract_ij* 为潜变量，对应合约形式从口头到书面的有序等级，PlotSize_ij 和 PlotShape_ij 为地块特征，Trust_ij 为信任度（是否同乡、此前交易次数）。

被解释变量：Adopt（0/1，是否采用跨区机收服务）；ContractType（1=口头约定，2=中间人担保的口头约定，3=书面简单合同，4=正式书面合同）。核心解释变量：Distance（机手常驻地与本村的公路距离，公里）；RepeatedDeal（此前与该机手的交易次数）；TongXiang（机手是否来自同一乡镇）；PlotSize（地块面积，亩）；PlotShape（地块形状规整度，1-5评分）；LossRateVerify（收割损失率的事后可验证难度，以地块坡度×作物倒伏程度的交互项度量）。控制变量：户主年龄、受教育年限、家庭耕地面积、非农收入占比、村农机合作社数量。数据来源：课题组 2025-2026 年在山东、河南、河北、安徽、江苏、陕西 6 省 24 县开展的农户问卷调查，共 600 户有效样本，于夏收和秋收两季追踪访问。

• 替换信息不对称代理变量：以村内是否有农机信息公告栏/数字化平台作为外生替代变量重新估计采用决策方程，检验信息渠道变量的敏感性。
• 倾向得分匹配（PSM）：以农户特征为匹配变量，将采用跨区机收的农户与未采用的农户匹配后比较合约形式选择的差异，排除自选择偏误。
• 村庄级聚集标准误：将所有标准误聚类到村庄层面，允许村内农户之间的误差项相关，处理组内相关性问题。
• 安慰剂检验：以距离远但同方言区的机手来源地作为虚假识别变量，检验是否真的是距离而非文化/沟通障碍驱动交易成本——若方言一致性降低了对距离的敏感度，则交易成本的沟通维度被识别。

农业机械化的劳动力市场效应存在两条对立的理论渠道。替代效应：农机替代体力劳动，降低单位面积用工量，释放农业劳动力向非农部门转移。收入效应：机械化提高农业经营收入，降低流动性约束，理论上可能延缓劳动力流出（因为务农变得更有利可图）。此外，智能农机的推广引入了技能偏向型技术变革（SBTC）的逻辑——操作智能农机需要数字素养和技术技能，可能提高对高技能劳动者的相对需求，同时替代低技能劳动者。

据此提出以下假说：
- H1：村级农业机械化水平每提高1个标准差，个体非农就业概率提高3-5个百分点（替代效应主导）。
- H2：替代效应在低技能（初中及以下）劳动者中更强，收入效应在高技能（高中及以上）劳动者中更强——SBTC机制在农业部门同样成立。
- H3：智能农机普及率越高的村庄，农业从业人员中接受过职业培训的比例越高，劳动报酬溢价越大。

核心挑战在于：机械化水平与劳动力转移之间存在联立性偏误——劳动力大量流出的村庄可能正是因为缺劳力才大量购置农机（反向因果）。本文采用工具变量策略：以村庄上一轮土地确权年份（2013-2018年分批推进）的外生变异构造农机补贴获取时间的工具变量——早期完成确权的村庄更早具备规模化经营条件，更早获得农机补贴，但确权时间由省级政策节奏决定，对个体劳动力转移决策外生。识别假定：土地确权时间仅通过农业机械化渠道影响劳动力转移，不通过其他路径（如地权稳定性对抵押贷款的影响）直接影响转移决策。为验证排他性约束，将在回归中控制土地流转参与以吸收确权的直接效应。

基准个体面板固定效应模型：

LaborTransfer_it = α + β₁·Mach_vt + β₂·Smart_vt + γ·X_it + δ·H_vt + μ_i + λ_t + ε_it

其中 LaborTransfer_it 为个体i在t年是否从事非农工作（0/1）或非农就业月数，Mach_vt 为村庄v在t年的农业机械化水平（亩均农机动力），Smart_vt 为智能农机占比。μ_i 为个体固定效应，吸收不随时间变化的个人能力、偏好和家庭背景；λ_t 为年份固定效应，吸收全国层面的劳动力市场波动。关键参数β₁捕捉机械化对劳动力转移的平均处理效应。

工具变量第一阶段：

Mach_vt = π₀ + π₁·EarlyTitling_v × Post_t + π₂·Z_vt + ν_vt

其中 EarlyTitling_v 为村庄是否属于首批确权试点村，Post_t 为确权后时期的虚拟变量，交互项作为农机补贴获取时机的工具变量。

被解释变量：LaborTransfer，以CFPS中「当前主要工作是否为非农工作」的二值变量（0/1）以及「过去12个月从事非农工作的月数」的连续变量双维度测度。核心解释变量：Mach（村庄亩均农机总动力，千瓦/亩），以县级农机统计数据匹配到CFPS村级行政区划；Smart（智能农机占比），以村庄内拥有自动驾驶/精量播种/无人机功能的农机占农机总量的比重。控制变量：个体层面（年龄、性别、受教育年限、婚姻状态、健康状况）；家庭层面（家庭耕地面积、是否有土地流转、家庭抚养比）；村级层面（到最近县城的距离、村内是否有工业企业、宽带覆盖率）。样本：CFPS 2012、2014、2016、2018、2020、2022、2024七轮调查中16-65岁农村户籍个体，形成非平衡面板约60000个观测值。

• 替换工具变量构造：以村级地形坡度（影响机械化适用性）与全国农机价格指数的交互项作为替代IV，检验工具变量选择对结论的影响。
• 替换劳动力转移测度：以个体全年非农劳动时间占比替代是否从事非农工作的二值变量，检验广延边际 vs. 集约边际的差异。
• 子样本分析：将样本限制在纯农户（无家庭成员已有非农就业），排除家庭网络效应对个体决策的干扰，检验处理效应的纯净度。
• 安慰剂检验：以农业机械化之前时期（2000-2005年）的转移趋势作为安慰剂处理期，检验处理组和对照组在政策前是否已有差异化趋势。

根据一价定律，在无交易成本的理想市场中，同质服务的价格应在不同区域间趋于相等。跨区机收收割服务的价格（元/亩）在不同小麦主产区存在差异，其差异反映的是运输成本（农机转场费用）、信息搜寻成本和跨区作业的时间机会成本。空间价格均衡模型（Enke-Samuelson）预测：当两地的价差超过运输成本时，套利行为（即机手跨区作业）将推动价差收敛至交易成本带以内。因此，农机跨区作业的市场整合程度取决于交易成本的大小和套利反应的敏锐度。

据此提出以下假说：
- H1：中国小麦主产区县域间的机收服务价格存在长期协整关系，存在价格收敛趋势，但收敛不完全（存在交易成本带）。
- H2：运输距离是阻碍价格收敛的首要因素——当县域间距离超过门限值（约300公里）时，价格套利不再活跃，价差持续存在。
- H3：农机北斗定位平台的推广应用降低了信息搜寻成本，缩小了交易成本带宽度——2018年后（平台推广期）市场整合程度显著高于2018年前。

本文采用时间序列计量框架进行市场整合检验。识别逻辑分三步：第一步，以面板单位根检验（LLC和IPS）考察县级机收价格的平稳性——若价格序列非平稳但一阶差分平稳，说明存在随机趋势，不具备长期均值回复特征；第二步，以门限自回归模型（TAR/MTAR）检验价格差序列的非线性均值回复——若价差在偏离超过门限值后才开始回复，说明存在交易成本带，门限宽度即为交易成本的无套利带估计值；第三步，以空间误差修正模型刻画价格偏离长期均衡后的动态调整路径：调整速度的快慢反映市场整合程度的高低。关键识别假定：机收价格序列的面板非平稳性不来源于结构性突变（如政策调整导致的价格水平跳跃），本文以Zivot-Andrews内生断点检验进行预检验。

面板门限自回归模型（Panel TAR）：

Δp_it = ρ₁·(p_it - p̄_t)·I(|p_it - p̄_t| ≤ τ) + ρ₂·(p_it - p̄_t)·I(|p_it - p̄_t| > τ) + Σφ_k·Δp_{i,t-k} + ε_it

其中 p_it 为县i在t年的机收价格（对各省均值的对数离差），p̄_t 为t年全国均值，τ 为门限参数。当价差在门限τ以内时（| · | ≤ τ），无套利空间，ρ₁预期不显著；当价差超出τ时，套利驱动价格回复，预期 ρ₂ < 0（误差修正机制启动）。

空间误差修正模型（Spatial VECM）：

ΔP_t = Π·P_{t-1} + ΣΓ_k·ΔP_{t-k} + λ·W·ΔP_t + ε_t

其中 P_t 为N个县的价格向量，Π = α·β′ 为误差修正矩阵（β′P_{t-1} 为协整关系，α 为调整速度），W 为空间权重矩阵（以实际跨区机收流量的倒数构造，而非简单地理距离），λ 捕捉空间短期联动。

核心变量：P_it 为县i在t年夏收期间（6月1日-20日）的小麦机收服务平均价格（元/亩），以农机作业监测平台记录的实时交易价格按县和年聚合。数据清洗标准：剔除散户自有机具作业记录（仅保留跨区作业记录），剔除作业面积小于5亩的小额交易。空间权重矩阵 W：以农业农村部农机北斗定位数据构建的实际农机跨区流向矩阵——W_ij = Flow_ij / Σ_k Flow_ik，其中 Flow_ij 为t年从县i流向县j的跨区作业农机台次。对比矩阵：传统地理邻接矩阵和公路距离倒数矩阵，以检验W设定的增量贡献。样本：6个小麦主产省的约300个县，年度面板 2015-2026，共约3600个观测值。

• 替换门限模型设定：以Gonzalo-Pitarakis门限自回归替代Hansen TAR，使用不同的门限选择和推断方法，检验交易成本带估计的模型敏感性。
• 替换价格变量：以玉米机收价格替代小麦机收价格重复分析，检验市场整合的结构是否因作物而异（玉米产区分布更广，运输距离影响应更大）。
• 排除异常天气年份：2021年河南特大暴雨、2023年黄淮海持续高温可能干扰机收市场正常运转——排除这些年份后重新估计，检验结论对极端天气的稳健性。
• 县际配对层面的面板Granger因果检验：对每对相邻县的面板时间序列进行Granger因果检验，统计价格引领关系的空间模式，验证市场整合的方向性（是从大产区向小产区传导还是双向整合）。

农机购置补贴是一种有条件的投资税收抵免，对新古典投资理论中的「资本使用成本」（user cost of capital）产生直接削减效应。根据Jorgenson投资模型，资本使用成本的降低将提高含意资本存量，触发投资调整。同时，在信贷约束情境下（Fazzari et al., 1988），补贴通过降低首付比例缓解农户面临的流动性约束，对投资的影响可能大于无信贷约束的理论预测。然而，补贴的乘数效应可能存在递减——当补贴强度超过某一临界值时，边际拉动效应递减（额外的补贴主要替代了农户自有资金而非引致新增投资）。

据此提出以下假说：
- H1：农机购置补贴的农业投资乘数约为1.2-1.8——即每1元补贴拉动1.2-1.8元的总投资（含农户自筹）。乘数在补贴实施的第二至第三年达到峰值。
- H2：补贴的乘数效应在信贷约束强的中低收入农户和中小型农机品类上更强，在大型农机和合作社层面更弱——补贴边际效用递减。
- H3：补贴强度超过购机总价的25%后，额外补贴的边际拉动效应趋近于零（「补贴陷阱」效应）——最优补贴率存在倒U型拐点。

核心挑战是识别补贴的因果效应而非相关性：农机投资活跃的县可能因为政治关联或经济发展水平而获得更多补贴额度（反向因果）；同期其他农业支持政策（如种粮直补、农资综合补贴）可能与农机补贴产生混淆。本文采用两种识别策略的组合：（1）连续处理强度DID，利用中央对各省的差异化补贴配套比例（由粮食主产区/非主产区的国家战略定位决定）作为补贴强度的外生变异来源，非主产区省份获得较低的中央配套比例，这种分配具有制度刚性，对县级农机需求外生；（2）事件研究法，以各县首次被纳入农机补贴覆盖范围的年份为事件时点，估计处理效应的动态路径并检验平行趋势。关键识别假定：在控制县级固定效应和年固定效应后，补贴强度的县级变动与投资方程的误差项不相关——即不存在时变的县级不可观测因素同时驱动补贴分配和农机投资。

连续处理强度DID（Callaway et al., 2024）：

Y_it = α + Σ_g Σ_t β_{g,t}·D_{i,g}·1{T_i = t} + γ·X_it + μ_i + λ_t + ε_it

其中 Y_it 为县i在t年的农业固定资产投资（对数），D_{i,g} 为县i所属的补贴强度组别g（以省级配套比例确定：10%、15%、20%、25%、30%五档），T_i 为县i首次被纳入补贴范围的年份。β_{g,t} 为组别g在事件后t年的平均处理效应，其路径即刻画补贴乘数的动态演进。

局部投影法（Local Projections）：

Y_{i,t+h} - Y_{i,t-1} = α_h + β_h·SubsidyShock_it + γ_h·X_it + μ_i + λ_t + ε_{i,t+h}

其中 h = 0, 1, ..., 5 为投影期数，SubsidyShock_it 为县i在t年的补贴冲击（以补贴额度/农业GDP度量），β_h 序列即为 h 期的动态乘数路径。局部投影法对模型误设的稳健性强于传统SVAR，且易于加入控制变量。

被解释变量：农业固定资产投资（亿元，不变价），以省级统计局公布的固定资产投资按第一产业拆分口径的面板数据。核心解释变量：SubsidyAmount（县级年度农机购置补贴拨付总额，万元），以农机购置补贴管理系统中的实际兑付数据汇总到县级；SubsidyIntensity（补贴强度 = 补贴额/农机购置总价款），反映补贴的「慷慨程度」。控制变量：县级农业GDP（对数）、农民人均纯收入（对数）、金融机构农业贷款余额（对数）、耕地面积（对数）、是否粮食主产县（虚拟变量）。样本：纳入农机补贴系统的约2000个县，2004-2025年年度面板，约44000个观测值。

1. 替换处理组定义：以连续补贴强度替代离散组别，采用Callaway et al. (2024)的连续DiD估计量替代离散分组DID，避免分组划分的主观性对结论的影响。
2. 排除同期政策干扰：以「三项补贴」合并改革（2016年）的虚拟变量加入控制，剔除农业支持保护补贴政策变动对结论的混淆。
3. 合成控制法（SCM）：选取补贴强度最高的5个县和最低的5个县分别构造合成控制对象，以未受补贴的县级特征组合虚拟出一个反事实的补贴路径，检验基准DID结论的一致性。
4. 安慰剂检验：以补贴实施前3年时期构造虚假事件时点，检验处理组和对照组的投资趋势在补贴前是否已存在显著差异——若虚拟处理效应的分布以0为中心，说明平行趋势假设可信。
---
date: 2026-06-12
field: 产业经济 — 物流与交通
source: https://tv.cctv.com/2026/06/12/VIDEKO8sNHNNYyPlnjhEy1un260612.shtml
topics_count: 5
---