我国农业机械化对种植业全要素生产率的影响*——基于农村人口老龄化的面板门槛模型

唐小平，蒋健，李双双

(贵州大学经济学院，贵阳市，550025)

0 引言

农业作为我国第一产业，是国民经济的基础。然而，随着新冠疫情在全球的蔓延以及经济全球化所遭遇到的抵制，农业进出口贸易受到严重影响。在国内农业生产面临增产后劲不足、农业生产结构短时间内难以迅速调整的背景下，我国农业领域中的粮食安全问题面临着新的挑战。因此，在有限的农业生产资源条件下，提高我国农业生产效率，成为确保我国粮食安全的关键因素。

农业机械化不仅是现代农业的重要组成部分，也是农业科技进步重要的实现途径之一[1]。自1978年以来，我国机械投入农业生产领域的数量越来越多，农业机械总动力从1978年的117 499 MW，到2019年的1 006 000 MW。41年内提高了7.56倍，农业机械资金投入在农业生产支出的比重也越来越重。截至2017年。我国农业机械化作业水平达到69.8%，农业科技进步贡献率为57.5%，但贡献率相较发达国家仍然低20%[2]，因此农业机械化在提高农业科技进步方面有着较大的上升空间。农业技术进步对经济增长贡献程度的衡量往往是通过测算农业全要素生产率的方法[3]。因此通过种植业全要素生产率来衡量农业机械化对种植业生产的影响是一个比较合适的方法和途径。随着我国人口老龄化程度的不断加深[4]，以及大量青壮年劳动力向城市的转移，老年群体将成为农业生产的主力军[5]。因此研究分析在不同农村人口老龄化程度下，农业机械化对种植业全要素生产率的影响，对于未来农业机械在农业生产领域的推广与使用具有重要的参考价值。

1 文献综述

农业机械化技术是用农业机械代替人畜力,进行土地整理、播种等工作,能够有效减轻劳动强度,提升农业生产能力和专业化水平[6]。农业机械对农业生产的影响主要体现在两方面：一方面，农业机械对农业劳动力存在着较为明显的替代作用[7]。另一方面，农业机械化也能提高种植业的生产技术，这主要表现在机械化的种植方式能够实现传统种植方式所不能实现的一些对粮食生产有促进作用的操作，例如通过“深松翻”和“少免耕”技术，不仅能减轻对土壤的压实，还能减少土壤水分蒸发和水土流失，提高土壤蓄水和保墒能力，改善土壤结构，增加有机质含量，从而起到提高单产水平的作用[8]。

全要素生产率(Total Factor Productivity)是经济增长的动力源泉，而其增长又可以分为两部分，一部分是技术进步的变化，另一部分是技术效率的改善[9]。从现有文献看，关于全要素生产率的研究主要集中在测算方法与指标选取上。其中，测算方法主要包括C-D 生产函数回归法、增长核算法、随机前沿分析法(SFA)以及基于数据包络分析(DEA)的Malmquist生产率指数法[10]。相比较于其他三种方法，基于数据包括分析(DEA)的Malmquist生产率指数法，该方法对数据的限制较少，为全要素生产率提供了较好的参考。罗春婵等[11]利用Malmquist全要素生产率指数法，以非导向超效率EBM模型为基础，测算了全局参比下商业银行动态效率的全要素生产率指数。韩海彬等[12]则采用Malmquist-Luenberger生产率指数模型测算了农业全要素生产率。

而关于农业机械对农业方面的全要素生产效率的影响，有相当一部分的国内外学者认为，农业机械化能够提高农业种植的生产效率[13-14]，这主要表现在以下几点：一是使用农业机械可以有效节约劳动力且不会影响到农业产出；二是农业机械的使用会提高作业效率，避免工时延误给作物生长带来的影响，进而间接增加产出。总而言之，农业机械化水平的提高能显著提高农作物生产的技术水平，即农业机械化发展水平通过提高农业生产的技术水平来促进种植业全要素生产率的增长。王新利[15]等通过对黑龙江农业机械化水平与农业经济增长关系进行的实证研究，分析得到黑龙江农业机械化发展对黑龙江农业经济增长存在长期促进作用。另一部分学者则持相反观点，认为农业机械化并不能明显的保障农业生产效率的提高。Binswanger[16]通过系统总结了日本、美国、法国等发达国家和菲律宾、印度等发展中国家的历史经验，研究发现机械化对粮食的增产效应仅仅发生在特定的环境下，即机械化的同时需要伴随着高性能种子、化肥的投入。Ito[17]发现我国农业机械的发展水平对农业生产并没有产生较多影响。

综上所述，有关农村老龄化对农业机械和农业生产的影响研究，一方面，绝大多数学者都只是从技术选择的角度来研究分析老龄化对农业机械化发展和推广的影响，郭晓鸣等[18]认为当前在农业劳动力老龄化和农业机械作业社会化服务应运而生并快速发展的背景下，小农出于节约家庭劳动力和弥补自身劳动力不足的选择下，会选取和购买农业机械。另一方面，绝大多数学者都认为农村老龄化程度的加深并不利于农业生产[19]，一方面，劳动力老龄化使得农业生产单一化、粗放化，长远看会影响到农业产出，危及我国的粮食安全[20]。另一方面，劳动力进入老年之后，其劳动者劳动能力衰退较快，从而影响劳动生产率提高[21]。

综上所述，虽然有关农业机械、农业生产效率、农村老龄化之间的关系研究有很多，例如：彭超等[22]运用随机前沿生产函数模型，研究了农业机械化对农户“加总”粮食生产技术效率的作用效果。但是仍存在一些进一步研究和探索的空间。首先，在研究内容上，有关研究方法大都局限于农业机械化与种植业全要素生产率的线性关系。其次，农业种植是一个十分重视技术和经验的生产活动，不同年龄段的农村劳动力对于农业机械使用有着较为明显的差异，在传统种植技术方面，年长者比年轻者要更有经验，而在以机械化作业为前提的现代农业生产中，年轻者则能够更快地熟悉和熟练地使用农业机械。因此，研究在不同年龄段的农业生产主体下，农业机械对种植业全要素生产率的影响研究，具有一定的现实意义。最后，本文将通过引入工具变量的方式，解决农业机械和种植业全要素生产率之间可能存在的内生性问题。农业机械与种植业全要素生产效率之间存在着相互决定、相互影响的关系，即农业机械化能够通过技术进步的方式影响种植业全要素生产率，而随着种植业全要素生产率的提高以及农户收入的增加，农户作为种植业全要素生产率提高的既得利益者，势必会产生推动农业机械化的内生动力。因此对农业机械化以及种植业全要素生产率直接回归必然存在内生性的问题，而如果不考虑农业机械化的内生性问题，那么估计出来结果不一定能说明农业机械化会促进种植业全要素生产率的提高，因此有必要对农业机械与种植业全要素生产率之间的关系进行再深入的研究。综上所述，本文运用面板门槛模型，以农村人口老龄化率为门槛变量，研究分析农业机械化对种植业全要素生产率的影响，最后通过引入工具变量地形，探讨分析农业机械化与种植业全要素生产率之间的内生性问题。

2 理论分析

目前，学界对于全要素生产率的概念的界定仍未达成共识，因此，本文借鉴孙晓华等[23]对全要素生产率下的定义。对种植业全要素生产率进行如下定义：种植业全要素生产率是一种能够反映种植业生产过程中各种投入要素的平均产出水平，即投入转化为最终产出的总体效率，能够体现种植业生产率本质的评价指标。

农业种植是一个十分重视技术和经验的生产活动，不同年龄段的农村劳动力对于农业机械使用有着较为明显的差异，在传统种植技术方面，年长者比年轻者要更有经验，而在以机械化作业为前提的现代农业生产下，年轻者则能够更快地熟悉和熟练地使用农业机械。与此同时，袁文胜等[24]认为对农业机械的熟悉和操作的熟练程度会对农作物的生长发育产生影响，进而影响到全要素生产率。因此，在不同的老龄化程度下，农业机械化率对种植业的全要素生产率影响也不同。即农业机械化率与种植业全要素生产率是一种非线性关系。在我国由于生育率降低、预期寿命延长所造成的人口老龄化程度不断加深，以及农村劳动力转移所带来的农村老龄化、空心化问题的现实大背景下，农村人口老龄化问题将变得尤为严重。因此，研究分析在不同农村人口老龄化程度下，农业机械化对种植业全要素生产率的影响研究，具有一定的现实意义。本文选择农村人口老龄化率为门槛变量。

地形是制约农业机械化生产的重要因素。虽然农业机械化的发展可以通过促进农业技术进步的方式来提高种植业全要素生产率，但由于不同地区存在的地形异质性，地形较为复杂的地区，农机难以进入，坡度较高地区的耕地也难以使用大型农机，这些地区往往采用人工劳动方式，因此在地形坡度较高的地区，农业机械化水平普遍较低，即地区地形坡度与其农业机械化水平高度相关。

图1 农业机械化对种植业全要素生产率影响的机制分析图Fig.1 Mechanism analysis chart of agricultural mechanization’s influence on total factor productivity of planting industry

3 模型设定与变量选取

3.1 面板门槛模型设定

由上文可知，农业机械化率与种植业全要素生产率是非线性关系。目前，针对变量非线性关系的研究主要有3种方法，即交叉项模型，先验的分组检验，基于Hansen提出的门槛回归模型。而三者中，Hansen提出的门槛模型结果更加客观科学[25]，因此本文采用门槛模型进行相关的研究分析。根据所要研究核心变量，本文构建面板门槛数据模型如式(1)所示。

Y=C+α1X×I(qit

α3Zit+uit+eit

(1)

式中：I——省份；

t——年度；

Y——种植业全要素生产率(被解释变量)；

X——农业机械化发展水平综合变动指数(核心解释变量)；

q——老龄化率(门槛变量)；

r——特定的门槛值；

Z——指控制变量；

I(·)——指标函数；

uit——个体固定效应；

eit——随机扰动项。

3.2 变量选取和数据来源

3.2.1 变量选取

被解释变量：种植业全要素生产率测算值，根据种植业全要素生产率的已下定义以及参考过往学者的研究成果[26]，本文构建了如表1所示的种植业全要素生产率测算指标体系。

表1 种植业全要素生产率测算指标体系Tab.1 Index system for measuring total factor productivity of planting industry

解释变量：农业机械化发展水平综合指数，过往常常采用农业机械总动力表征的农业机械化水平对种植业的生产影响，可能低估了农业机械化对种植业生产的贡献，因此本文参考已有文献[27]，参照中华人民共和国农业行业标准NY/T1408.1-2007《农业机械化水平评价第1部分:种植业》的行业标准评定指标和相应的指标权重，借鉴史雪阳等[28]的做法:构建了机械化水平评价指标体系。最后，由于主成分分析法需要各变量相互独立，而机械化水平的部分测量指标信息有重叠和交叉，难以保证相互独立。因此，本文选取熵值法测算各指标的权重系数，农业机械化综合发展水平评价指标及相应的权重如表2所示，其中：Sja表示机耕面积，hm2；Sza表示应耕面积，hm2；Sjb表示机播面积，hm2；Szb表示农作物总播种面积；hm2；Sjc表示机械收获面积，hm2；Szc表示总收获面积，hm2；Sjd表示机械植保面积，hm2；Szd表示总植保面积，hm2；Sje表示机电灌溉面积，hm2；Sze表示总灌溉面积，hm2；R表示农机服务收入，元；Zny表示农业总产值，元；Pnj表示农机总动力，kW；Lpx表示受专业培训的农机人员，人；Lnj表示乡村农机人员总数，人；Lny表示农业劳动力人数，人；Rnj表示农机经营利润总额，元；Ynj表示农业机械原值，元；L表示全社会从业人员数，人。

表2 机械化水平评价指标及相应的权重Tab.2 Mechanization level evaluation index and corresponding weight

门槛变量：农村人口老龄化率q，以农村人口老龄化率度量。农村人口老龄化率与从事农业生产的老龄化现象高度一致[29]，因此，本文选取农村人口老龄化率作为门槛变量。由于大量农村户籍人口迁移到城市，其中尤以青壮年劳动力为主，因此通过统计以户籍所在地的农村人口老龄化率作为解释变量，将与实际的农村人口老龄化率不符，使得测算数据比真实数据偏小，难以真实反应从事农业人口的老龄化程度对农业机械的影响。因此，本文的农村人口老龄化率的数据为通过对各地区农村内抽样调查的方法计算得出，农村人口老龄化的测算公式为：农村人口老龄化率=农村老年人口/农村人口总数，农村老年人口与农村人口总数均由抽样调查所得。

控制变量：农村人力资本水平(Capital)、政府财政支农强度(Finance)、产业结构(Industry)。本文参考过往学者的研究成果：从教育、政策和结构三个角度来选取影响种植业全要素生产率的因素，其中教育方面用农村人力资本水平来衡量，具体操作为将学历情况与受教育年限一一对应，即将文盲、小学、初中、高中、中专、大专、本科、研究生及以上实际受教育年限分别设置为0、6、9、12、12、15、16和18.5年。政策方面则用政府财政支农强度度量，具体表示为农林水事务支出占总支出比重。产业方面则用第一产业就业人口占总人口比重来度量农业外部结构因素[30]。

工具变量：地形(Terrain)=坡度≤6°的耕地面积/总耕地面积。好的工具变量应该同时具备与被替换变量高度相关、被解释变量不相关以及外生的特征[31]。首先，分析地形与农业机械化和种植业全要素生产率的相关性。农业机械化与地形坡度相关是因为地势相对平坦的地区农业机械大规模作业相对容易，而地形坡度较高的地区农业机械作业相对困难。因此本文借鉴付华等[32]的研究成果，选取坡度小于6°耕地面积在总的耕地面积中的比例作为工具变量。其次，虽然有大量文献研究得到耕地对种植业全要素生产率会产生直接影响，但是更多的是从耕地的土壤和土地流转等方面。现阶段尚未看到有文献证实耕地的坡度会直接影响种植业全要素生产率。最后，分析地形的外生性。地形属于自然地理变量。至今还没有看到相关文献证实种植业全要素生产率的提高或减少会造成当地的地形改变。

3.2.2 数据来源

数据来源于2004—2018年相关统计年鉴，包括《中国统计年鉴》《中国农村统计年鉴》《全国农产品成本收益汇编》《中国劳动统计年鉴》《中国农业机械工业年鉴》《国内外农业机械化统计资料1949—2004》《全国农业机械化统计资料汇编2005—2013》《数据禾基础地理数据》《地理国情检测云平台》《人地系统主题数据库》《中国劳动统计年鉴》《中国人口和就业统计年鉴》(曾用名：《中国人口统计年鉴》)及各省相关统计年鉴与统计资料。

4 实证结果与分析

4.1 农业机械化水平测算结果分析

由表3～表6数据可以发现：除北京、天津外，其他各省市的农业机械化综合发展水平总体上呈现上升的趋势。西部地区尤其是西南地区，农业机械化综合发展水平始终处在一个较低区间。截止2018年年底，云贵川三省的农业机械化综合发展水平均处在22以下，东部地区除北京、上海以外，绝大部分地区的农业机械化综合发展水平处在一个较高的水平上(30以上)。东北地区，地势平坦，自然条件优越，十分适合大规模农业机械的使用，因此黑吉辽的农业机械化综合发展水平始终位居全国前列，尤其是黑龙江和吉林两省的农业机械化综合发展水平，从2014年起，就一直处在50以上的水平。相比较于其他地区，中部地区各省市的农业机械化综合发展水平总体来看处于中间地带。截止2018年年底，在传统的12个农业大省(包括：河北、江苏、山东、浙江、安徽、湖南、湖北、江西、四川、黑龙江、吉林、河南)中，除河南、四川以外，剩余的10个传统农业大省的农业机械化综合发展水平均处在30以上。截至2018年底，农业机械化综合发展水平较低(30以下)的省市有(由低到高)：贵州(4.23)、北京(14.53)、云南(14.70)、甘肃(16.25)、河南(19.25)、上海(19.87)、重庆(20.70)、青海(21.12)、四川(21.71)、陕西(22.11)、山西(22.84)以及广东(25.23)。农业机械化综合发展水平位于中间部分(30～50)的省市有(由低到高)：河北(30.08)、福建(32.42)、宁夏(34.74)、辽宁(36.90)、海南(37.23)、天津(38.03)、新疆(39.99)、湖北(45.84)、广西(46.08)、湖南(47.56)以及江西(49.81)。发展水平较高(50以上)的省市有(由低到高)：山东(56.52)、黑龙江(59.33)、内蒙古(59.40)、浙江(64.39)、吉林(72.82)、安徽(81.72)以及江苏(81.85)。

表3 东部地区2004—2018年农业机械化发展水平综合变动指数Tab.3 Comprehensive change index of agricultural mechanization development level in Eastern China from 2004 to 2018

表4 中部地区2004—2018年农业机械化发展水平综合变动指数Tab.4 Comprehensive change index of agricultural mechanization development level in Central China from 2004 to 2018

表5 西部地区2004—2018年农业机械化发展水平综合变动指数Tab.5 Comprehensive change index of agricultural mechanization development level in Western China from 2004 to 2018

表6 东北地区2004—2018年农业机械化发展水平综合变动指数Tab.6 Comprehensive change index of agricultural mechanization development level in Northeast China from 2004 to 2018

将东部、中部、西部、东北地区的农业机械化综合发展水平进行对比可以看出：东北地区的机械化发展水平常年处于领先位置，其次为东部地区、中部地区以及西部地区，结合上述分析可知，造成这一现状的原因，除了是因为各个省市的自然地理条件外，还与其社会经济发展水平有关。因此各地区应充分依托自身的资源禀赋优势，适当调整各地区的农业机械化综合发展水平，农业大省以及自然条件相对优越的省市应积极推动农业机械化以及推动农业机械专业合作社的成立，使得农业机械能够得到充分的利用和使用。工业化、城市化率较高地区应将重点放在二、三产业上。

4.2 种植业全要素生产率结果分析

本文将借鉴并参考过往学者的研究成果，采用Malmquist指数法来测算种植业全要素生产率，Malmquist指数法将种植业要素生产率分解为技术进步(TECHCH)、纯技术效率(PECH)以及规模效率变化(SECH)三部分，其中纯技术效率(PECH)与规模效率变化(SECH)之积为效率指数(EC)根据DEA-Malmquist指数法，t～t+1时期的Malmquist指数分解为

=TECHCH×PECH×SECH

=TECHCH×EC

Malmquist指数最初由Malmquist于1953年提出，指数值的不同意味着不同的生产水平，当指数值小于1时，意味着生产水平正在降低，指数值大于1时，意味着生产水平正在提高，当指数值等于1时，意味着生产水平保持不变。DEAP2.1软件的操作结果如表7所示。

表7 2004—2018年种各地区种植业全要素生产率指数及其分解Tab.7 Total factor productivity index and its decomposition of planting industry in different regions from 2004 to 2018

由表7可知，各个地区的种植业全要素生产率均大于1，表明全国各地的生产水平均处于提高状态，这与全国整体种植业TFP的增加是耦合的。除河北、安徽、湖南、江西、山西、甘肃、内蒙古、云南、重庆、吉林以及辽宁十一个省份的纯技术效率指数(PECH)小于1，其于省份均大于或者等于1，这表明我国多个省份的纯技术效率指数在朝着好转的方向发展。除山东、河南、内蒙古、青海以及吉林五省的规模效率指数(SECH)小于1，其与各省市的规模效率指数均大于1或者等于1，说明我国大部分地方种植业规模正呈现上升的趋势。全国30个省份的技术进步指数(TECHCH)均大于1，这意味着这些省份的农业技术水平都有所增强。效率指数(EC)等于纯技术效率指数(PECH)与规模效率(SECH)的乘积，由表7可知，30个省市的纯技术进步指数(TECHCH)均大于效率指数(EC)，这与我国种植业全要素生产率的增长高度依赖于技术进步的特点高度吻合。

4.3 面板门槛结果分析

4.3.1 多重共线性检验

为防止回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。本文对解释变量以及控制变量之间进行了Pearson相关系数以及VIF检验如表8所示。

表8 变量多重共线性检验的Pearson相关系数Tab.8 Pearson correlation coefficient of multicollinearity test

首先，除农村人力资本水平(Capital)与产业结构(Industry)之间的Pearson相关系数绝对值大于0.6外，其他各变量间的Pearson相关系数绝对值均小于0.6。其次，各变量的VIF值的最大值3.561<10，VIF的平均值为2.330，根据判断多重共线性的两个标准：(1)VIF平均值大于1，(2)最大VIF值大于10。只有两个同时满足才能得到各变量之间存在严重多重共线性这一结论。很显然，本文中的各变量之间不存在严重的多重共线性。

4.3.2 单位根检验与协整检验

由于判断各变量间是否存在长期的均衡关系，会对回归结果产生重要影响。因此，本文需要进行单位根检验以及协整检验，检验结果如表9、表10所示。

由表9、表10可知，检验结果均显著通过，说明变量间存在长期均衡关系，此时回归结果有效。

表9 单位根检验Tab.9 Unit root test

表10 协整检验Tab.10 Cointegration test

4.3.3 门槛效应检验

在进行门槛模型回归之前，首先，对面板数据需要通过Hausman检验进行固定效应模型与随机效应模型的选择，Hausman检验P值为0.000 0，即采用固定效应模型需要对面板数据进行门槛值个数检验判断得到的门槛值是否真实的显著性检验。其次，需要对面板数据进行门槛值个数检验，判断得到的门槛值是否真实的显著性检验。本文通过stata软件对模型(1)进行了xthreg门限回归检验，结果如表11所示。

由表11可知模型在单一门槛下通过5%的显著性检验，在双重门槛下并未通过10%的显著性检验，由此可知，农业机械化种植业全要素生产率之间存在单门槛效应。

表11 门槛个数检验Tab.11 Threshold number test

4.3.4 门槛回归结果分析

由表11的门槛个数检验可知，本文采用单门槛回归模型，模型估计结果如表12所示。

通过对表12的模型结果分析可知：当农村人口老龄化率低于13.45%时，农业机械化程度的提高会有利于种植业全要素生产率的提高，影响系数显著为0.000 4，即当农村人口老龄化率低于13.45%时，农业机械化综合发展水平每增长1个单位，种植业全要素生产率将增加0.000 4。当跨过这一门槛值之后，农业机械化就会对种植业生产造成不利影响，影响系数显著为-0.002，即当老龄化率高于13.45%时，农业机械化综合发展水平每增长1个单位。种植业全要素生产率将减少0.002。出现这样的原因是：农业种植是一个十分重视技术和经验的生产活动，不同年龄段的农村劳动力群体对于农业机械使用有着较为明显的差异，在传统种植技术方面，年长者比年轻者要更有经验，而在以机械化作业为前提的现代农业生产中，年轻者则能够更快地熟悉和熟练地使用农业机械。进而会对农业生产的结果影响，最终影响种植业全要素生产率。

表12 农业机械化对种植业全要素生产率的面板门槛效应估计结果Tab.12 Estimation of panel threshold effect of agricultural mechanization on total factor productivity of planting industry

4.4 内生性检验

为核心解释变量选取合适的工具变量，是解决内生性的主要办法。

参考过往学者有关内生性问题的研究分析[34]，在运用工具变量(地形)对农业机械化与种植业全要素生产率之间的关系进行分析时，通常使用工具变量两阶段最小二乘法(IV-2SLS)的方法进行实证检验，以控制模型中的内生性问题。在使用工具变量法之前，为了确保工具变量有效性，需要进行过度识别检验与弱工具变量检验，这里采用Sargen检验和Basmann进行过度识别检验，证明所有工具变量为外生，由于C-DW检验的F统计量216.597>10，说明弱工具变量问题得到有效控制。

表13 IV-2SLS模型的相关检验Tab.13 Correlation test of IV-2SLS model

表14展示了模型的IV-2SLS估计结果，采用单一门槛效应模型，将表12和表14的结果进行对比，本文所关注的关键变量和显著性水平基本保持一致，进一步验证了本文结果的可靠。

表14 IV-2SLS估计结果Tab.14 IV-2SLS estimation results

4.5 稳健性检验

为了进一步检验本文结论的可靠性，本文从两方面进行了稳健性检验，首先，本文选取农业全要素生产率作为被解释变量进行回归。其次，将控制变量去掉，直接让农业机械化综合发展水平与种植业全要素生产率之间进行门槛回归。

检验结果如表16和表17所示，检验结果均显示：核心解释变量的系数符号、显著性以及门槛变量的门槛值并没有发生太大变化。进一步验证了本文估计结果的可靠性。

表15 农业全要素生产率测算指标体系Tab.15 Index system of total factor productivity in agriculture

表16 去掉控制变量的稳健性检验Tab.16 Robustness test without control variables

表17 置换被解释变量的稳健性检验Tab.17 Robustness test of permutation explanatory variables

5 结论与建议

本文基于我国2004—2018年30个省级行政单位种植业有关的面板数据，分别测算了种植业全要素生产率以及农业机械化综合发展水平，运用面板模型，以农村人口老龄化率为门槛变量，研究了农业机械化对种植业全要素生产率的非线性关系。最后，通过引入工具变量地形，探究了农业机械化与种植业全要素生产率之间的内生性问题。(1)农业机械化程度与种植业全要素生产率之间存在单门槛效应。(2)农村较高的老龄化水平，不利于农业机械化对种植业全要素生产率的提高。当农村人口老龄化率低于13.45%时，农业机械化综合发展水平每提高1个单位，则种植业全要素生产率提高0.000 4，当老龄化率高于13.45%时，农业机械化综合发展水平每提高1个单位，则种植业全要素生产率下降0.002。出现这样的主要原因是由于老年群体难以熟悉和熟练的操作农业机械，使得农业机械难以发挥其通过提高农业生产的技术水平来促进种植业全要素生产率的增长优势。(3)地形会通过影响农业机械化水平，进而影响到种植业全要素生产率。(4)通过对各个省市农业机械化综合发展水平的测算，可以发现：东北地区的机械化发展水平常年处于领先位置，其次为东部地区、中部地区以及西部地区。地势平坦地区(新疆、黑龙江、吉林等)的农业机械化综合发展水平大都较高。部分省市(北京、上海、广东)由于其高度的城市化和工业化水平，使得这些地区即使拥有着非常好的发展农业机械化的自然条件禀赋，但其农业机械化综合发展水平始终处于一个较低水平上。(5)通过对各个省市种植业全要素生产率的测算，发现全国各地的生产水平均处于提高状态。这与全国整体种植业TFP的增加是耦合的。

基于以上几点结论，本文提出如下建议：(1)积极推动农业现代化的发展，努力提高农业生产报酬，鼓励更多的懂农业、爱农村、爱农民的年轻人参与到农业生产过程中来。(2)首先，积极鼓励传统农业大省和自然条件禀赋相对优越的省市推动农业机械化的发展。其次，鼓励农业机械企业发明创造出更多适合地形较为复杂地区的农业机械。(3)在我国老龄化进程不断加深的大背景下，老年人群体在农业生产群体中的占比不断增加正在变得越来越难以逆转。因此，加大力度对农业生产群体进行有关农业机械化与农业现代化的培训变得越来越紧迫和必要。