【党旗在基层一线高高飘扬】徐淙祥：多种粮 种好粮

根据 Rogers（1962）创新扩散理论，农业新技术的采纳在农户间呈现 S 形曲线，早期采纳者（如种粮大户）扮演关键示范角色。Conley & Udry（2010）进一步表明，农户通过社会网络从"信息邻居"处学习，技术扩散具有空间衰减特征。徐淙祥推广新品种（太丰6号增产近20%）、无人驾驶播种、无人机植保等，形成信息外溢——周边农户观察到增产效果后更可能采纳同类技术。同时，不同技术的学习成本不同：新品种种子可直接购买，扩散较快；无人农机需操作培训，扩散较慢。

据此提出以下假说：
- H1：种粮大户的存在显著提升周边农户的农业 TFP，效应随空间距离衰减（预期 20-50 km 内显著，50 km 外不显著）。
- H2：新品种技术的空间扩散速率快于机械化技术（无人农机），因后者需要更高的互补性人力资本投入。
- H3：专业合作社的成立放大了种粮大户的技术示范效应——合作社作为正式制度安排降低了信息传递的交易成本。

核心挑战是反向因果：技术扩散较快的地区可能本身农业基础更好，吸引种粮大户聚集。本文采用两个识别策略：（1）以领头农户是否在 2000 年以前受过农业技术培训作为工具变量——早期培训是外生的历史因素，与当前县域农业禀赋无直接关联，但影响了其日后成为技术扩散源头的能力。（2）空间杜宾模型（SDM）将邻近县的种粮大户密度纳入回归，分离直接效应（本县）与间接效应（空间溢出）。关键识别假定：IV 仅通过种粮大户的技术能力渠道影响 TFP，不通过其他路径；空间权重矩阵（反距离）正确刻画了技术扩散的地理摩擦。

基准面板固定效应模型：

Y_it = α + β·Leader_it + γ·X_it + μ_i + λ_t + ε_it

空间杜宾模型（SDM）：

Y_it = ρ·W·Y_it + β₁·Leader_it + β₂·W·Leader_it + γ·X_it + θ·W·X_it + μ_i + λ_t + ε_it

其中 Y_it 为县 i 在 t 年的农业 TFP（LP 法测算），Leader_it 为种粮大户密度（人/万亩耕地），W 为反距离空间权重矩阵，ρ 为空间自回归系数。β₂ 捕捉种粮大户的空间溢出效应——若 β₂ > 0 且随距离衰减，则验证 H1。X_it 包括：灌溉面积占比、农机总动力、化肥施用量、农村人均受教育年限。μ_i 和 λ_t 分别为县固定效应和年固定效应。

被解释变量：农业 TFP，以 LP 方法（Levinsohn & Petrin, 2003）测算，产出为农业增加值（不变价），中间投入为化肥、农药、农膜费用，资本为农机总动力，劳动力为第一产业从业人员。核心解释变量：种粮大户密度 = 县级种粮大户数量 / 耕地面积（万亩），种粮大户认定标准为经营面积 ≥ 50 亩（安徽省标准）。控制变量：有效灌溉面积占比（%）、农机总动力（万千瓦/万亩）、化肥施用折纯量（吨/万亩）、农村劳动力平均受教育年限。样本区间：2005—2025 年，安徽省 105 个县级行政区，年度面板，共 2205 个观测值。

• **替换技术扩散测度**：以卫星遥感识别的作物单产变异系数（县级层面地块间产量差异缩小 = 技术趋同）替代 TFP，检验技术扩散是否体现为产量均等化而非仅 TFP 提升。
• **替换空间权重矩阵**：以交通时间矩阵（公路网最短时间距离）替代直线距离矩阵，检验结论是否对空间摩擦的测度方式敏感。
• **安慰剂检验**：将种粮大户的地理位置随机置换 500 次，生成虚假空间溢出的经验分布，检验实际估计值是否显著异于随机分布。
• **排除特定渠道**：控制县级农业技术推广站数量和推广人员密度，检验种粮大户效应是否独立于正式推广体系。

---

根据 Coase（1937）和 Williamson（1985）的交易成本经济学，合作社作为介于市场与科层之间的混合治理结构，通过内部化交易降低搜寻成本（对接收购商）、议价成本（农资团购）和执行成本（技术标准统一）。徐淙祥以成本价向群众提供"太丰6号"种子、推广 200 多项新技术、牵头成立合作社，本质上是以合作社替代分散的市场交易——农户无需在市场上逐一搜寻良种和植保服务，降低了交易成本。North（1990）进一步指出，制度安排的效率取决于其能否适应特定的交易环境：大户牵头型合作社利用领办人的社会资本和技术权威降低协调成本，但可能存在利益分配偏向；村集体领办型更强调公平但决策效率可能较低。

据此提出以下假说：
- H1：加入合作社显著降低农户的农资采购成本（H1a）、技术获取成本（H1b）和销售搜寻成本（H1c），且技术获取成本的降幅最大（因为徐淙祥模式的核心是技术推广）。
- H2：入社对种粮收入的提升效应中，至少 40% 可通过交易成本节省渠道解释（中介效应）。
- H3：大户牵头型合作社在技术推广维度上的制度绩效（降低成本幅度）高于村集体领办型，但在农户利益分配公平性上弱于后者。

核心挑战是自选择偏误：更善于经营或更有合作意愿的农户倾向于入社，OLS 估计高估合作社效应。本文采用 PSM-DID：利用 CFPS 面板数据的入社前后变化（DID）配合倾向得分匹配（PSM）构造反事实对照组。PSM 第一阶段以 probit 模型估计入社概率，匹配变量包括：户主年龄、受教育程度、耕地面积、社会网络（亲友中是否有村干部）、距县城距离。Heckman 两步法作为补充：第一阶段估计入社选择方程，计算逆米尔斯比率；第二阶段在收入方程中纳入该比率校正选择偏误。关键识别假定：条件独立性假定（给定匹配变量，入社决策与潜在结果独立）和共同支撑假定（处理组和对照组有足够的倾向得分重叠区间）。

PSM-DID 基准方程：

ΔY_i = α + τ·Coop_i + β·(Y_i,pre − Ȳ_pre) + γ·Z_i + ε_i

其中 ΔY_i = Y_i,post − Y_i,pre 为农户 i 入社前后的种粮收入变化（或交易成本变化），Coop_i 为入社虚拟变量。τ 为 ATT（参与者平均处理效应）。Z_i 为匹配后仍可能影响收入变化的控制变量（如天气冲击、家庭劳动力变化）。

中介效应模型（检验 H2）：

Cost_i = a₁ + a₂·Coop_i + a₃·W_i + u_i
Income_i = b₁ + b₂·Coop_i + b₃·Cost_i + b₄·W_i + v_i

其中 Cost_i 为交易成本节省额（三维度加总），b₃ 为交易成本渠道的中介效应，b₂ 为直接效应。中介比例 = (a₂ × b₃) / (a₂ × b₃ + b₂)。

被解释变量：（1）种粮纯收入（元/亩） = 粮食销售收入 − 农资成本 − 机械作业费 − 雇工费；（2）交易成本三维度——农资采购成本指数（种子、化肥、农药加权均价与全县均价的偏离）、技术获取成本（是否免费获得技术指导 × 估算的等价服务价值）、销售搜寻成本（从收获到售出的天数 × 日均时间成本）。核心解释变量：入社虚拟变量（1 = 在合作社社员名册中）。控制变量：户主年龄与受教育年限、家庭劳动力数量、经营耕地面积、地块数量（衡量土地细碎化程度）、是否为村干部家庭。数据来源：CFPS 安徽子样本（2010—2024 年共 8 轮追踪）+ 自主补充调查（2025 年太和县及周边 5 县 500 户截面数据）。

• **替换匹配方法**：以熵平衡匹配（Entropy Balancing）替代倾向得分匹配，熵平衡通过调整协变量分布的矩条件实现平衡，不依赖 propensity score 的模型设定。
• **Rosenbaum 界限分析**：在 PSM 框架下计算 Rosenbaum Γ 统计量，评估未观测混淆变量（如农户个人能力）多大程度上足以推翻因果结论。
• **替换交易成本测度**：以"农户距最近农资店的距离 × 年购买频次"作为农资采购成本的代理变量（更客观的物理距离测度），替代基于价格比较的测度。
• **安慰剂 DID**：以入社前两期（t-4 vs. t-2）作为虚假处理时段，检验处理组与对照组在入社前是否已有差异化趋势。

---

根据 Becker（1964）的人力资本理论，在职培训是人力资本积累的重要渠道，培训的收益体现为受训者生产率的提升和相应收入的增加。徐淙祥开设田间学校、将种粮经验编成 200 多首顺口溜，本质上提供了一种低成本、高可及性的农业技能培训——以通俗化形式降低了农民的学习门槛。Schultz（1964）指出，改造传统农业的关键是向农民投资人力资本，使其能采纳和适应新技术。Foster & Rosenzweig（1995）进一步强调，农业技术推广中存在显著的学习外部性：培训不仅提升受训者本人的技能，还通过社交网络产生信息外溢。徐淙祥培养出 400 多个种粮大户，说明田间学校不仅传递了技术知识，还构建了技术交流网络。

据此提出以下假说：
- H1：参加田间学校培训使农民种粮亩均收入提升 10-15%，培训的私人回报率（Mincer 方程中的培训系数）相当于 2-3 年正规学校教育的增量效应。
- H2：培训回报率在低学历（初中及以下）农民中更高——非正式培训对正规教育的不足起到补偿作用（互补性假说 vs. 替代性假说）。
- H3：培训对收入的提升效应中，技能提升渠道（直接学会新技术）的贡献大于信息网络扩展渠道，但在高学历农民中网络渠道的相对重要性更高。

核心内生性问题：（1）自选择——更有学习意愿或更有务农天赋的农民更可能参加培训，OLS 高估培训回报。（2）遗漏变量——培训村庄可能同时获得其他政策扶持。识别策略：利用田间学校分批次开设的时间差异构造 DID——徐淙祥在太和县不同乡镇先后开设培训班（非随机但有时间先后），比较早参与乡镇与晚参与乡镇的农民在各自参与前后的收入变化。该策略的关键识别假定是：在没有培训的情况下，早参与和晚参与乡镇的农民收入增长趋势平行。以"距张槐村的道路距离"作为参与概率的工具变量——距离越近，参加培训的交通成本越低，但距离本身与农民收入能力无直接关联（给定土地质量和其他资源后）。

扩展 Mincer 收入方程：

ln(Income_i) = α + β₁·Training_i + β₂·Edu_i + β₃·Exp_i + β₄·Exp²_i + γ·X_i + ε_i

其中 Training_i 为培训参与虚拟变量（或培训次数），Edu_i 为受教育年限，Exp_i 为务农年限。β₁ 即为培训的私人回报率（半弹性）。

DID 设定：

ln(Income_it) = α + τ·(Treat_i × Post_it) + μ_i + λ_t + γ·X_it + ε_it

其中 Treat_i = 1 为早期参与乡镇，Post_it = 1 为 t ≥ 该乡镇培训开设年份。τ 捕捉培训的处理效应。异质性分析通过在基准方程中加入交互项 Training_i × LowEdu_i（低学历虚拟 1 = 初中及以下）实现——若交互项系数 > 0 则支持 H2。

被解释变量：种粮亩均纯收入（对数），计算方式为（粮食销售总收入 − 农资成本 − 雇工费）÷ 经营面积。核心解释变量：（1）培训参与 = 是否至少参加过一次田间学校培训（0/1）；（2）培训强度 = 累计培训天数。控制变量：受教育年限、务农年限及平方项、经营耕地面积、耕地灌溉比例、是否使用农业机械（0/1）、家庭劳动力数量。渠道变量：技能水平（农业知识测试得分，10 道客观题）、信息网络（认识的种粮大户数量）。数据来源：安徽省种粮大户专项调查（覆盖太和县全部种粮大户名录，约 420 户，2020—2025 年回溯 + 2026 年当期截面），CLDS 农村样本用于外部效度验证（2012—2024 年共 5 轮）。

• **替换培训变量**：以"首次接受培训至今的月数"替代二值变量，检验培训效应是否随时间积累还是递减，从而判断培训的持久性。
• **排除混杂政策干扰**：在回归中控制同期其他农业政策变量（是否享受农机购置补贴、是否享受良种补贴、是否参与高标准农田项目），检验培训效应是否独立于其他扶持政策。
• **Heckman 样本选择校正**：以 probit 模型估计培训参与概率，在收入方程中纳入逆米尔斯比率，校正未参与培训农民（可能因外出务工等不可观测因素）造成的样本选择偏误。
• **安慰剂 DID**：以培训实际开设前一年作为虚假处理时点，检验早参与和晚参与乡镇在培训前是否已有趋同或发散的收入趋势。

---

根据 Farrell（1957）和 Battese & Coelli（1995）的技术效率理论，农业生产存在技术前沿（给定投入组合下的最大可能产出）和效率损失（实际产出与技术前沿的差距）。新品种的推广本质上是技术前沿的外移——"太丰6号"高蛋白大豆使每亩增产近 20%，意味着在相同投入下产出大幅提升。但 Hayami & Ruttan（1985）的诱致性技术创新理论提示，一项新技术的效率增益依赖于互补性要素的可得性：优良品种需要精准的水肥管理、病虫害防治等配套技术才能充分发挥增产潜力。Teece（1986）的互补性资产理论进一步指出，创新者从技术创新中获利的程度取决于是否控制了互补性资产——徐淙祥之所以能将新品种增产效果最大化，是因为他同时推广了科学种植方法（良种+良法的互补性）。

据此提出以下假说：
- H1：新品种推广使县域粮食生产技术效率平均提升 8-12 个百分点（相对无新品种地区的效率差距）。
- H2：新品种推广的效率增益随时间衰减——推广后第 1-2 年效率提升最大，第 3-5 年逐渐回落（品种适应性下降或病虫害抗性变化），形成"效率跃升-衰减"的动态轨迹。
- H3：良种与良法之间存在超加性互补效应——同时采用新品种和科学种植管理的农户，其效率增益超过仅采用新品种和仅采用科学管理两组的增益之和，交互项系数为正且显著。

核心挑战是选择性推广——新品种往往优先在农业基础好、农户接受度高的地区推广，新品种与高效率之间可能存在伪相关。识别策略：（1）利用品种审定的外生时间节点——"太丰6号"品种审定时间外生于具体县域的经济条件，以获批审定年份作为推广时点的工具变量。（2）SFA 的技术无效率项建模中将推广决策内生化——在效率损失函数中纳入推广决策及其与年份的交互项，分离自选择效应与真实效率效应。（3）比较获批但实际推广面积不同的品种——同样是审定品种，推广面积差异反映了推广力度而非品种质量，利用推广力度差异进行剂量-反应分析。关键识别假定：品种审定时间严格外生于种植该品种的县域当年的经济冲击。

随机前沿分析（SFA）超越对数生产函数：

lnY_it = β₀ + Σⱼ βⱼ·lnXⱼ_it + ½·Σⱼ Σₖ βⱼₖ·lnXⱼ_it·lnXₖ_it + β_v·Variety_it + β_m·Mgmt_it + β_vm·(Variety_it × Mgmt_it) + β_t·t + v_it − u_it

其中 Y_it 为粮食总产量（万吨），Xⱼ 为投入要素（土地、劳动、化肥、农机、种子），Variety_it 为县 i 在 t 年的新品种推广面积占比，Mgmt_it 为科学种植管理指数（测土配方施肥覆盖率、病虫害统防统治率加权），β_vm 捕捉良种×良法的交互效应（验证 H3）。

技术无效率项建模：

u_it = δ₀ + δ₁·Variety_it + δ₂·t + δ₃·(Variety_it × t) + δ₄·Z_it + w_it

其中 u_it ≥ 0 为技术无效率，Variety_it × t 交互项捕捉 H2 的"效率增益衰减"效应——若 δ₃ > 0（无效率随时间上升），则验证品种老化导致的效率递减。Z_it 为影响效率的其他因素（灌溉条件、农民教育水平、耕地细碎化程度等）。

产出变量：粮食总产量（万吨，包括小麦、水稻、玉米、大豆四类主粮）。投入变量：播种面积（万亩）、农业劳动力（万人）、化肥施用折纯量（万吨）、农机总动力（万千瓦）、种子用量（万吨）。核心解释变量：（1）新品种推广面积占比 = 县域推广"太丰6号"及同期省级以上审定大豆品种的种植面积 / 大豆总播种面积；（2）科学种植管理指数 = 0.5 × 测土配方施肥覆盖率 + 0.3 × 病虫害统防统治率 + 0.2 × 机械化播种率，均标准化为 0-1。数据来源：安徽省县级农业统计年鉴（2005—2025 年），品种推广数据来自安徽省种子管理站，科学种植管理数据来自安徽省农业技术推广总站。样本区间 2005—2025 年，覆盖安徽省 105 个县级行政区，年度面板共 2205 个观测值。

• **替换生产函数形式**：以 Cobb-Douglas 生产函数替代 Translog 函数，通过似然比检验（LR test）判断 Translog 的二阶项是否必要，避免函数形式误设驱动结论。
• **替换效率测度方法**：以数据包络分析（DEA-Malmquist 指数）替代 SFA，DEA 不预设生产函数形式，检验效率提升结论是否对测度方法敏感。
• **排除品种质量差异**：仅分析同一品种（固定为"太丰6号"）在不同县的推广，消除品种间质量差异的混淆，检验纯推广力度（推广面积占比差异）的效率效应。
• **反事实校准**：以合成控制法（SCM）为未推广新品种的县构造反事实产出轨迹，比较推广县的实际效率与合成反事实的差异，提供非参数因果证据。

---

根据凯恩斯（1936）乘数理论，政府支出通过收入-消费循环产生倍数于初始支出的总需求扩张。农业技术推广支出（如徐淙祥田间学校的公共经费支持、新品种示范补贴）的性质更接近"投资型支出"而非纯消费性转移支付——它不仅通过提升农民当期收入刺激消费，还通过人力资本积累提升持久收入。Gali, Lopez-Salido & Valles（2007）的新凯恩斯框架区分了李嘉图家庭（理性预期、消费平滑）和非李嘉图家庭（信贷约束、即期收入决定消费）：中国农村家庭因信贷约束更接近后者，农业推广带来的收入增加可能具有较大的边际消费效应。Friedman（1957）的持久收入假说则提供了不同的预测：若农民将培训带来的收入增加视为持久收入改善，则消费反应更大；若视为暂时的补贴效应，则反应较小。

据此提出以下假说：
- H1：农业技术推广公共支出对农村居民消费具有显著的正向乘数效应，1 元推广支出在 3 年内累计拉动 1.5-2.5 元农村居民消费（累积乘数）。
- H2：乘数效应在初始人均收入较低的县更大——低收入农村家庭的边际消费倾向更高（因信贷约束更紧），验证非李嘉图家庭假说。
- H3：农业推广支出对消费的拉动主要通过持久收入渠道（技能提升→长期收入增长→消费增加）而非临时收入渠道（当季增产→一次性收入增加→大部分储蓄）。

核心内生性问题：（1）地方农业推广支出本身内生于地方经济发展水平——富裕县在推广上投入更多，同时消费增长也更快，OLS 高估乘数。（2）同期其他政策冲击（如扶贫转移支付、基础设施建设）可能与推广支出和消费同时相关。识别策略：（1）以省级农业推广专项转移支付作为县级推广支出的工具变量——转移支付由省级按公式（耕地面积、农业人口等客观指标）分配，具有外生性，且仅通过县级实际支出影响消费，满足排他性约束。（2）局部投影法（Jorda, 2005）直接估计推广支出冲击对后续消费的动态脉冲响应轨迹，避免 VAR 的维度诅咒和模型误设。（3）控制同期其他财政支出（教育、医疗、基础设施支出）以排除其他公共支出的混淆效应。

面板 IV-2SLS 基准方程：

Consumption_it = α + β·AgriExt_it + γ·X_it + μ_i + λ_t + ε_it

第一阶段：AgriExt_it = π₀ + π₁·Transfer_it + π₂·X_it + ν_it

其中 Consumption_it 为县 i 在 t 年的农村居民人均消费支出（对数），AgriExt_it 为农业技术推广人均支出（对数），Transfer_it 为省级农业推广专项转移支付（对数），X_it 包括农村人均可支配收入、城镇化率、农村老年抚养比等。

局部投影法（Local Projections）估计动态乘数：

Consumption_{i,t+h} − Consumption_{i,t-1} = α_h + β_h·Shock_it + Σⱼ γ_hⱼ·Control_{i,t-1}^{ⱼ} + ε_{i,t+h}

其中 Shock_it 为推广支出的外生冲击（由 Transfer_it 的 IV 估计残差或直接使用 ΔTransfer_it），β_h 为 h 期后的累积消费响应，h = 0,1,...,5 年。β_h 序列即乘数效应的动态轨迹。

被解释变量：农村居民人均消费支出（元/年，不变价，经 CPI 平减），分项包括食品、衣着、居住、交通通信、教育文化等。核心解释变量：人均农业技术推广支出 = 县级一般公共预算中"农林水支出——农业——科技转化与推广服务"科目决算数 / 农村常住人口。工具变量：省级农业技术推广专项转移支付人均额 = 省级下达的"农业生产发展资金——农业技术推广"科目金额 / 农村常住人口。控制变量：农村人均可支配收入（元/年，不变价）、城镇化率（%）、农村老年抚养比（%）、第一产业 GDP 占比（%）、是否是产粮大县（0/1）。渠道变量：农村居民人均工资性收入（持久收入渠道的指标，元/年）、新增农村个体工商户数（间接就业渠道的指标，个/万人）。数据来源：安徽省县级财政决算报表（2008—2025 年）、安徽省统计年鉴、国家统计局安徽调查总队城乡住户调查。样本区间 2008—2025 年，安徽省 105 个县级行政区，年度面板共 1890 个观测值。

• **替换工具变量构造**：以同期邻近地级市其他县的农业推广转移支付均值（leave-one-out mean）作为 Bartik 式工具变量，排除本县自身不可观测因素对转移支付分配的影响，同时保持工具变量的地理相关性。
• **替换乘数估计方法**：以面板 VAR（PVAR）的脉冲响应函数替代局部投影法，估计推广支出冲击对消费的跨期传导轨迹，检验乘数估计是否对计量方法敏感。
• **安慰剂政策时点**：以推广支出尚未大幅增长的前期年份（如 2008—2012）作为虚假政策冲击期，检验模型是否在无真实冲击时错误估计出乘数效应。
• **排除其他支出渠道**：在控制变量中依次加入人均教育支出、人均医疗卫生支出、人均基础设施投资，观察推广支出系数的变化——若系数保持稳定，则证明农业推广支出效应独立于其他支出。