【在希望的田野上】各地麦收高效推进 助力夏粮颗粒归仓

根据Hayami & Ruttan（1971）的诱致性技术创新理论，农业生产要素的相对稀缺性会诱致适应性的技术变革——中国劳动力持续流出农业部门使劳动力成本上升，诱致了农机替代劳动的机械化进程。但农机（尤其是联合收割机）属于高固定成本、低边际成本的技术，单个农户购买不经济，由此自发生成了"跨区农机作业市场"——农机手从南到北逐省收割，通过空间调度提高农机的年度使用天数，摊薄固定成本。

根据空间市场整合理论，跨区农机市场的效率取决于信息对称性、调度协调性和基础设施配套。天气预报精度、供需信息平台的覆盖范围、供油网络的保障能力共同决定了农机空间配置是否逼近最优。新闻中提到的"多部门联动""互助机制""绿色供油通道"等制度安排，实质上是降低跨区农机市场的交易成本。

据此提出以下假说：
- H1：跨省农机流入量每增加10%，本县小麦收割完成时间提前约1.5—2天，产后损耗率下降约0.3—0.5个百分点（效率效应）。
- H2：农机跨区调度的边际收益存在空间衰减——距离农机来源省份越远的县，跨区农机的边际减损效果越弱（距离衰减效应）。
- H3："绿色供油通道"和气象信息共享等制度安排显著提升了农机跨区调度的响应速度——供油保障和天气预警降低了调度摩擦（制度调节效应）。

采用面板固定效应模型 + 空间杜宾模型。核心识别逻辑：（1）跨省农机流入量对收割速度和粮食损耗的面板固定效应估计——利用县级年度面板数据，县级固定效应吸收不随时间变化的地区特征（地形、作物品种等），年份固定效应吸收全国层面共同冲击（天气、粮价等）。（2）空间杜宾模型纳入邻近县的农机流入的空间溢出效应——一个县的农机流入是否有助于邻近县的收割（农机在完成本县作业后向邻县扩散）。

内生性处理：农机流入量可能与本地不可观测的收割条件相关（如农机手倾向于去收割条件更好的县），产生反向因果。工具变量策略：以农机来源省份到目标县的地理距离 × 农机制造大省（如山东、河南）的农机保有量增长作为农机流入的IV——地理距离满足相关性（距离越近，流入越多）、农机保有量增长由制造业而非本县农业条件决定（排他性）。

基准面板固定效应模型：

HarvestTime_{it} = α + β Inflow_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 HarvestTime_{it} 为县 i 在年份 t 的小麦收割平均完成天数（自开镰至收割面积达95%的天数），Inflow_{it} 为跨省农机流入量（台数/万亩小麦播种面积），β 预期为负（流入越多，收割越快）。

空间杜宾模型（SDM）：

HarvestTime_{it} = α + ρ W HarvestTime_{it} + β Inflow_{it} + θ W Inflow_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 W 为县级空间邻接矩阵（或距离衰减矩阵），ρ 为空间自回归系数，θ 为邻县农机流入对本县收割时间的空间溢出效应。

IV估计的第一阶段：

Inflow_{it} = π_1 (Distance_i × SupplyGrowth_t) + π_2 X_{it} + μ_i + λ_t + ν_{it}

被解释变量：（1）收割完成天数——从开镰日至收割面积达到95%播种面积的天数（农业农村部农情调度数据）；（2）产后损耗率——收割和运输过程中的粮食损耗量占预估产量的比重（抽样调查数据）。核心解释变量：跨省农机流入量——收割季（5月下旬—6月中旬）进入本县的跨省牌照联合收割机数量/本县小麦播种面积（农机跨区作业调度平台GPS数据）。工具变量：地理距离 × 农机保有量增长——农机制造大省（豫鲁苏皖）的收割机保有量年度增长率，与距离的交互项。控制变量：小麦播种面积、降水量（收割季累计降水量）、极端天气天数（日降水量>25mm的天数）、地块平均坡度（地形约束）、小麦种植集中度（HHI）。样本区间：2019—2028年，覆盖黄淮海小麦主产区约500个县。

• **替换空间权重矩阵**：以县级公路网通行时间矩阵（基于高德/百度地图API计算的实际驾车时间）替代邻接矩阵，检验空间依赖形式对空间溢出效应估计的敏感性。
• **替换被解释变量**：以卫星遥感识别的实际收割进度（基于Sentinel-2卫星NDVI时序变化识别的收割日期）替代农情调度上报数据，消除上报偏差。
• **Bayer-McMillan工具变量选择**：若多个IV候选，使用Bayer-McMillan（2016）的多工具变量选择方法，选择最优工具变量组合，并报告弱IV检验（Cragg-Donald F统计量）。
• **子样本分析**：按地形（平原vs.丘陵）、种植规模（大规模农场县vs.小农户县）分组估计，检验跨区农机调度的效应异质性——农机在平原大规模连片种植区的效率优势是否被放大。

根据空间市场均衡理论（Samuelson, 1952），当市场完全整合时，两地之间的价差不应超过运输（农机转场）成本——若价差超过转场成本，农机手将从低价区流向高价区，通过增加供给压低高价区的价格、减少供给抬高低价区的价格，最终使价差收窄至转场成本之内。

但跨省收割市场的特殊性在于：（1）时效性极强——小麦的最佳收割窗口仅7—10天，农机手必须在极短时间内完成决策和转移，这限制了套利行为的及时性；（2）信息不对称——农机手无法实时掌握所有地区的收割服务价格和需求强度；（3）空间摩擦成本——转场不仅是地理距离，还包括时间机会成本（转场时间占用了收割时间窗口）。这三个特征意味着价格收敛可能比标准商品市场更慢。

据此提出以下假说：
- H1：相邻省份之间的收割服务价格存在长期协整关系——市场整体是整合的（协整检验拒绝无协整假设）。
- H2：但价差收敛速度慢于一般商品市场——价差的半衰期（half-life）超过1.5天，远长于金融市场的秒级收敛（速度摩擦假说）。
- H3：信息平台（农机调度App）的覆盖率提高加速了价格收敛——数字信息降低了搜寻摩擦，价差半衰期随平台覆盖率的提升而缩短。

采用面板协整检验 + 门限自回归模型（TAR）的计量框架。

第一步（市场整合检验）：对每对相邻省份的县级收割服务价格面板进行面板单位根检验（LLC, IPS, Hadri LM），若价格序列非平稳但一阶差分平稳（I(1)），则进一步进行Pedroni面板协整检验——若协整存在，说明省份间的收割价格存在长期均衡关系（市场整合）。

第二步（收敛速度估计）：对价差序列建立门限自回归（TAR）模型，允许价差在"套利区"（价差 > 转场成本）和"非套利区"（价差 ≤ 转场成本）有不同的自回归系数：

Δs_t = ρ_in · s_{t-1} · 1(s_{t-1} > τ) + ρ_out · s_{t-1} · 1(s_{t-1} ≤ τ) + Σ φ_k Δs_{t-k} + ε_t

其中 s_t 为t日两省间收割服务价格之差，τ 为门限值（转场成本），ρ_in 度量价差在套利区的收敛速度，ρ_out 度量价差在非套利区的自回归行为（预期 ρ_in < ρ_out < 0）。

第三步（信息效应）：在TAR模型中引入"农机调度平台覆盖率"（该省农机手使用调度App的比例）与 s_{t-1} 的交互项，检验数字信息是否加速收敛。

面板协整回归（Pedroni, 2004）：

Price_{it} = α_i + β Price_{jt} + ε_{it}

其中 Price_{it} 和 Price_{jt} 分别为省份 i 和相邻省份 j 的县级小麦收割服务价格（对数）。协整向量为 (1, -β)'，若 β = 1 则一价定律成立（绝对版本）；若 β ≠ 1 但协整存在，则弱版本一价定律成立。

TAR模型（Caner & Hansen, 2001）：

Δs_t = (ρ_1 s_{t-1} + γ_1' Z_t) · 1(s_{t-1} ≤ τ) + (ρ_2 s_{t-1} + γ_2' Z_t) · 1(s_{t-1} > τ) + ε_t

其中 τ 由Chan（1993）的格点搜索法估计（最小化残差平方和），Z_t 包含滞后差分项和信息平台覆盖率等外生变量。

核心价格变量：县级小麦收割服务价格（元/亩）——农机跨区作业平台上的日度交易价格，缺失值用邻近县插值。价差 s_t：两相邻小麦主产省之间收割服务价格的日度差值（取对数差）。转场成本 τ：两省之间的农机运输成本（公路距离 × 单位运输成本（元/公里·台）+ 转场时间（天）× 日机会成本（元/天）），其中日机会成本以收割季日均收入度量。信息平台覆盖率：该省注册使用农机调度平台App的农机手占全部农机手的比例（农业农村部农机化司）。数据来源：农机跨区作业平台（2023—2028年黄淮海地区收割季日度数据）。

• **替换协整检验方法**：以Westerlund（2007）面板协整检验（基于误差修正模型，允许截面相关）替代Pedroni检验，检验结论对协整检验方法的敏感性。
• **替换门限模型**：以平滑转换自回归模型（STAR）替代TAR——允许价差在门限附近平滑收敛而非突变，更符合农机市场摩擦的渐进特征。
• **替换价格指标**：以县级农机手报价的75分位数（高价端）替代中位数价格，检验价格上尾是否存在更强的收敛压力（因为高价吸引更多流入）。
• **排除极端天气日**：剔除当日有暴雨预警的观测值——极端天气可能同时阻断收割和转场，制造虚假的价格发散。

根据Williamson（1985）的交易成本经济学，当投资具有高度专用性时（如收割机在收割季的时间和地点专用性），需要相应的治理结构来保障投资回报。农机收割作业的时间和地点专用性极强——小麦收割窗口仅7-10天，农机不能被调配到非收割用途，农机手需要在特定时间和特定地点连续作业。在这种高专用性背景下，"供油中断"构成了最严重的交易风险——农机因缺油停工1天，可能意味着错过最佳收割窗口、导致粮食损耗。

绿色供油通道制度可被理解为一种"专用性资产保障的混合治理结构"——它不是补贴柴油价格（价格干预），而是降低供油的交易成本（保障供油的连续性和便捷性）。根据制度互补性理论（Aoki, 2001），绿色供油通道的有效性依赖于配套制度——气象预警信息共享（让农机手提前知道哪里急需收割）、跨区互助机制（邻近地区农机的紧急调配）与之形成制度互补。

据此提出以下假说：
- H1：绿色供油通道的布点密度每增加1个/百平方公里，农机作业中断频率（次/天）显著下降，收割完成时间提前。
- H2：供油通道的效应在天气恶劣年份（降雨多、抢收压力大）比正常年份更强——制度在冲击情境下的边际价值更高（"保险效应"）。
- H3：供油通道与气象预警制度存在互补性——两者同时存在的县，收割效率提升效应大于各自效应的简单相加（制度互补效应 > 0）。

采用DID策略。各省份开通"三夏"农机绿色供油通道的年份和布点密度不同，形成交错处理的准自然实验。处理组为已开通供油通道的县，对照组为尚未开通的县。比较开通前后，县的收割效率和粮食损耗差异。

内生性处理：供油通道的选址可能与县的收割压力（种植面积大、抢收紧迫）正相关，产生反向因果。工具变量策略：以该县是否位于中石油/中石化省级分公司的重点供油区域（由石油公司的商业布局决定，与农业条件不完全相关）作为供油通道密度的IV。此外，以该县所在的地级市其他县的供油通道平均密度作为本县供油通道密度的Bartik-style IV（利用同市其他县的供油网络外部性）。

中介效应检验：供油通道→作业中断频率降低→收割效率提升，使用Baron-Kenny改进框架检验中介路径。

基准DID方程：

HarvestEfficiency_{it} = α + β StationDensity_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 HarvestEfficiency_{it} 为县 i 在年份 t 的收割效率——日均收割面积（亩/天）；StationDensity_{it} 为绿色供油通道布点密度（每百平方公里的供油点数）；β > 0 预期为正。

中介效应检验：

BreakFreq_{it} = α_1 + a StationDensity_{it} + γ_1 X_{it} + μ_i + λ_t + ε_{1it}
HarvestEfficiency_{it} = α_2 + c' StationDensity_{it} + b BreakFreq_{it} + γ_2 X_{it} + μ_i + λ_t + ε_{2it}

其中 BreakFreq_{it} 为农机作业中断频率（加油等待导致的日均中断次数），a × b 度量中介效应（经Sobel-Goodman检验或Bootstrap置信区间）。

被解释变量：（1）日均收割面积（亩/天）——收割季总收割面积/收割天数；（2）产后损耗率（同上）。核心解释变量：供油通道布点密度——收割季期间县内设立的农机专用绿色供油通道站点数/县面积（百平方公里）。中介变量：农机作业中断频率——农机GPS轨迹数据中速度降至0且持续超过30分钟的日均次数（区分正常休息和缺油等待——在供油站点半径200米内减速至0视为加油中断）。工具变量：（1）是否位于中石油/中石化省级"三农"供油保障重点区域；（2）同地级市其他县的供油通道密度均值（Bartik IV）。控制变量：收割面积、农机保有量（本地+跨区流入）、降雨天数、距最近炼油厂距离。数据来源：2023—2028年黄淮海主产区县级收割季数据。

• **替换处理变量定义**：以"供油通道是否开通"（二元变量）替代布点密度（连续变量），检验广延边际 vs. 集约边际的效应差异。
• **排除非收割季数据**：以收割季前后各1个月作为虚假处理窗口——供油通道在非收割季不应该有收割效率提升效应（证伪检验）。
• **替换中介变量**：以农机手满意度的调查数据（李克特5分量表——"供油是否便利"）替代GPS推断的加油中断频率，减少测量误差。
• **空间溢出检验**：一个县的供油通道可能便利了路过转场的农机手（而非仅本县作业者），使用空间杜宾模型纳入邻县供油通道密度的空间滞后项，检验供油网络的正外部性。

根据季节性劳动力流动理论（Dustmann & Görlach, 2016），农机手面临典型的跨期劳动供给决策——在短暂的收割季（每年约4—6周）内最大化收入，但收割窗口的时效约束和地理移动的成本（转场时间、路费、食宿）限制了劳动供给的灵活性。Frisch弹性（即工资的跨期替代弹性——当期工资上升时增加当期劳动供给的程度）是评估劳动力市场效率的核心参数。

农机手劳动供给的特殊性：（1）供给不是均匀的——收割服务需求高度集中在小麦成熟的7-10天窗口内，农机手的"忙季"和"闲季"界限清晰；（2）空间套利——农机手可在不同省份之间选择作业地点，形成空间维度的劳动供给调整；（3）进入成本——购置联合收割机需要大额前期投入（约20-30万元/台），形成行业进入壁垒。

据此提出以下假说：
- H1：农机手的Frisch劳动供给弹性约为0.3—0.6——高于一般工人（通常0.1—0.5），因为收割季工资高且时间集中，激励劳动供给的跨期替代。
- H2：经验丰富的农机手（>5年经验）的Frisch弹性高于新手——经验丰富者能更有效地利用空间套利机会（"老农机手有固定的跨省线路"）。
- H3：转场成本的降低（高速公路对农机免通行费政策）显著提升了农机手的空间劳动供给弹性——降低流动摩擦使劳动供给对工资更敏感。

核心识别挑战：工资与劳动供给同时决定——高工资地区吸引更多农机手流入（劳动供给响应），但农机手流入也压低了当地工资（劳动市场出清）。这种联立性使OLS估计的工资系数有偏。

处理策略：使用两个工资的工具变量——（1）该县当季的天气冲击（降雨天数 × 历史降雨敏感度）——天气通过影响收割紧迫性外生地推高收割服务价格，但不直接影响农机手个体的劳动供给偏好；（2）上一季该县的收割服务价格——滞后价格反映需求面的持久特征，但不受当期供给冲击影响。

结构劳动供给模型（MaCurdy, 1981）：

ln(h_{it}) = σ ln(w_{it}) + φ X_{it} + α_i + ε_{it}

其中 h_{it} 为农机手 i 在第 t 天的作业小时数，w_{it} 为当天的每小时收割收入，σ 即为Frisch弹性（预期 0.3-0.6）。个体固定效应 α_i 吸收农机手不随时间变化的特征（技能、风险偏好）。以天气冲击作为 w_{it} 的IV进行2SLS估计。

IV/2SLS估计：

第一阶段：ln(w_{it}) = π_1 RainShock_{mt} + π_2 X_{it} + α_i + λ_t + ν_{it}
第二阶段：ln(h_{it}) = σ ln(ŵ_{it}) + φ X_{it} + α_i + λ_t + ε_{it}

其中 RainShock_{mt} 为农机手i所在县m在t日的天气冲击——当日降雨量超过20mm的虚拟变量 × 该县历史降雨敏感度（前3年收割季平均损耗率），预期 π_1 > 0（降雨增加抢收紧迫性→推高收割服务价格）。

空间劳动供给扩展：

ln(Miles_{it}) = σ_w ln(w_{it}^{dest} / w_{it}^{home}) + φ X_{it} + α_i + ε_{it}

其中 Miles_{it} 为农机手i从家乡到作业地点的行驶距离，w_{it}^{dest}/w_{it}^{home} 为目的地与家乡的收割服务价格之比——价格差异越大，农机手愿意走越远。

被解释变量：（1）日作业小时数（GPS轨迹中收割机处于作业状态的时间——速度在3-8km/h且位于农田地块内）；（2）跨区距离——从家乡县到作业县的公路距离（公里）。核心解释变量：每小时收割收入——日总收入/日作业小时数，总收入=日收割面积×当日该县收割服务均价。工具变量：日降雨量>20mm虚拟变量（中国气象局县级日值数据）× 历史降雨敏感度。控制变量：农机手年龄、经验年限、收割机马力（设备生产率）、当日最高气温（影响作业舒适度和效率）。数据来源：农机跨区作业平台2024—2028年收割季5省5000名农机手的面板数据。

• **替换IV**：以"上一季本县收割服务均价"替代天气冲击作为IV——基于滞后值不受当期供给冲击影响的逻辑，但需接受弱相关风险。
• **替换劳动供给边际测度**：以"参与决策的广延边际"（当日是否出工作业）替代"工时决策的集约边际"，使用Heckman选择模型联合估计参与方程和工时方程。
• **空间自回归**：纳入邻近县的工资作为额外解释变量，检验农机手是否对空间工资梯度而非仅本县工资水平做出反应（空间套利行为）。
• **异质性分析**：按农机手年龄（<40 vs. ≥40）、是否自购收割机（所有者vs.雇工）分组估计Frisch弹性——自购收割机者的固定成本更高，劳动供给可能更刚性（必须工作以摊薄固定成本）。

根据凯恩斯乘数理论，政府农机购置补贴增加1元→农机销售收入增加（第一轮）→农机企业增加生产和雇佣工人（第二轮）→工人收入增加带动消费（第三轮）→...→最终GDP增加超过初始补贴额。乘数大小取决于边际消费倾向（农机企业工人和农机手的消费率）、进口漏出（核心零部件进口比例）、以及补贴是否挤出了农机购置的私人支出（crowding-out）。

但农机补贴与一般政府购买的差异在于：（1）补贴降低了农机购置的有效价格，通过投资加速器效应（accelerator effect）刺激农机需求——但若补贴是临时性的，可能只是改变购置时间（跨期替代）而非增加总和购置量；（2）农机购置是资本深化（capital deepening）——提高了农业劳动生产率，产生长期供给侧效应而非仅短期需求侧刺激。

据此提出以下假说：
- H1：农机购置补贴的短期（1年内）GDP乘数约为1.2—1.8——高于一般政府购买（通常0.6—1.0），因为农机制造的后向关联强（钢铁、橡胶、电子等上游产业联动）。
- H2：补贴的长期（3年）供给侧效应——农业劳动生产率提升约1—2%，大于短期需求刺激效应——长期效应体现为资本深化而非简单的需求扩张。
- H3：补贴在农机保有量较低地区（农业机械化初级阶段）的乘数大于保有量较高地区（边际报酬递减）——资本稀缺地区的边际生产率更高。

采用SVAR + 局部投影法（Local Projections）。

SVAR识别：利用短期约束（Cholesky分解）分离农机购置补贴冲击——假设补贴支出在当期不受农业GDP和农机销售的影响（财政预算决策滞后于经济变量），按"补贴支出→农机销售→农机工业产值→农业GDP"的顺序排列变量。核心冲击为农机购置补贴支出的正交化新息（orthogonalized innovation）。

局部投影法（Jordà, 2005）：放弃SVAR的线性动态约束，直接估计变量在冲击后 h 期的脉冲响应：

y_{t+h} = α_h + β_h Shock_t + γ_h(L) X_{t-1} + ε_{t+h}

其中 y_{t+h} 为结果变量（农业GDP对数、农机工业产值对数、农村居民收入对数）在 t+h 期的值，Shock_t 为SVAR识别的补贴冲击，β_h 即为 h 期的脉冲响应（乘数效应的动态剖面），γ_h(L) 为滞后控制变量的多项式。该方法对模型误设更稳健，且便于估计非线性和状态依赖的脉冲响应。

SVAR（5变量系统，季度频率）：

A_0 Z_t = α + A(L) Z_{t-1} + ε_t

其中 Z_t = [Subsidy_t, Sales_t, Industry_t, AgriGDP_t, Income_t]′ ——农机购置补贴支出（对数）、农机销售额（对数）、农机工业增加值（对数）、农业GDP（对数）、农村居民人均可支配收入（对数）。A_0 为下三角矩阵（Cholesky分解），A(L) 为滞后多项式，ε_t 为结构冲击向量。第一方程：Subsidy_t 仅受自身滞后和同期外生变量影响（ε_t^{Subsidy} 为外生补贴冲击）。

局部投影法（状态依赖扩展）：

y_{t+h} = α_h + β_h^{High} Shock_t · 1(Mech_{t-1} < median) + β_h^{Low} Shock_t · 1(Mech_{t-1} ≥ median) + γ_h(L) X_{t-1} + ε_{t+h}

其中 Mech_{t-1} 为省份期初农机保有量水平（以中位数分为高/低两组），β_h^{High} 和 β_h^{Low} 分别度量高/低保有量组在冲击后 h 期的乘数效应——若 β_h^{High} < β_h^{Low}，则证实H3（边际报酬递减）。

核心变量：农机购置补贴支出（中央+省级财政农机购置补贴年度决算数据/4拆分为季度频率）；农机销售额（中国农业机械工业协会季度统计——联合收割机、拖拉机、播种机等主要机具销售额）；农机工业增加值（国家统计局——专用设备制造业下的农机制造子类）；农业GDP（国家统计局——农林牧渔业增加值季度数据）；农村居民人均可支配收入（国家统计局住户调查季度数据）。冲击识别样本：2010—2028年季度时间序列（72个观测值）。省级面板扩展：31个省份×2015—2028年年度数据（434个观测值）。

• **替换识别策略**：以符号约束（sign restrictions）替代Cholesky短期约束——假设补贴正冲击使补贴支出和农机销售同时上升、但农机价格在当期不上升（供给弹性大），通过Uhlig（2005）的符号约束方法识别补贴冲击。
• **替换频率和方法**：以省级年度面板数据的DID替代时间序列SVAR——利用农机补贴的省级差异作为政策冲击（各省补贴标准变化），估计面板LP的乘数效应。
• **控制货币政策**：在SVAR中纳入利率（7天逆回购利率），排除"宽松货币政策同时刺激了农业投资和农机购置"的替代解释——将补贴冲击从货币政策冲击中分离出来。
• **模拟反事实**：基于估计的脉冲响应，模拟2026年无新增农机补贴情景下的农业GDP反事实路径，与有补贴路径对比，量化补贴政策的年度贡献。