農業機械化對中國種植業貢獻率研究

呂雍琪，張宗毅，張萌

（農業農村部南京農業機械化研究所，江蘇 南京 210014）

改革開放以來，第二產業和第三產業迅速發展，非農實際工資不斷增加，農村人口向城市轉移，農業勞動力老齡化、減量化問題嚴重，農業生產耕種收各階段都需要大量的勞動力，人力的缺乏導致產量低下，且限制農民的生產規模。農業機械的使用提高了勞動生產率和資源利用率，大大減少了農業生產過程中勞動力的需求量[1-2]。農業機械替代人力勞動力，大幅降低了勞動力成本，釋放的資金可以用于購買優質種子、化肥、農業機械以及學習其他農業生產技術，從多方面促進農業產出的增長[3]。中國農業機械總動力由1949年的8.1萬kW增加到2018年的10.04億kW，年均增長率為13.08%。種植業總產值由1949年的255.78億元增加至2018年的4 711.15億元（以1952年為基期）。1949—2018年中國種植業總產值與農業機械總動力均呈現遞增趨勢。為衡量農業機械化對種植業增長的貢獻，把握我國種植業農業機械化發展效益，有必要定量測算農業機械化對種植業的貢獻率。

農業機械化對種植業的貢獻率即，將農業機械引入生產過程后創造的種植業產值增長率占種植業總產值增長率的比重[4]。常用的測算生產要素貢獻率的主要方法可以歸類為：主觀指標法、貢獻有無法和數學模型法[5-6]。主觀指標法主要是特爾斐法和專家調查法，其算法簡單，數據量小，但不確定因素、人為因素多，主觀性強，使用較少。貢獻有無法是項目評價方法的應用，測算有農業機械與無農業機械兩種情況下農業總利潤的差額，工作量大，難以精確估算農業機械在各個方面作用的產值增加量，適合范圍較小地區的農業機械化貢獻率測算[7]。數學模型法通過構建具體的生產函數對統計數據進行分析得出結論。常用于計算生產要素貢獻率的生產函數主要有C-D生產函數[8]、索羅余值[9]和超越對數生產函數[10-11]等。C-D生產函數法無法確定勞動力與農業機械的投入比率，且受限于回歸技術，適用于時間跨度較長的農業機械化貢獻率測算[12-13]。索洛余值是生產函數的具體形式，采用一般表達式，通過數學推導，最終得出增長速度方程，因而測算結果更符合客觀實際[14]。索洛余值法避開了具體生產函數形式的約束，但需要“希克斯中性”、“規模收益不變”的假設前提，條件苛刻。超越對數生產函數是對C-D生產函數的擴展，除了包含中性技術進步項、要素進步項以外，還包含要素交互項[15-16]。除以上方法外，孫福田和王福林[17]研究用數據包絡分析法[18]的兩種方法：C2R與C2GS2模型測算農業機械化對農業產出的貢獻率，在考慮科技進步的情況下進行測算，使測算結果更趨于合理；王福林等[19]提出了一種基于增長速度方程的有約束農業機械化貢獻率的測算方法。

已有關于農業機械化貢獻率的測算，對象是中國整體或某一省份，時間為1～5年，缺乏農業機械發展進程中時間和空間上對比分析。中國幅員遼闊，各省之間地理情況、氣候特征、經濟條件有著較大差異，農機裝備的分布、農業機械利用率、農機化發展質量不同[20]，改革開放至今，農業政策變化較大，用時間序列數據測算近幾年某一省份的貢獻率，不能體現變革對農業機械發展的影響。因此，本文利用省際面板數據，采用C-D生產函數法，運用變系數固定效應模型，測算各省和全國1979—2018年總體農業機械化對中國種植業貢獻率，相對時間序列數據省際面板數據包含更多的個體行為信息，能夠更精確測量各省份之間的差距，更能體現各省份不同時期貢獻率變動情況。

1 研究方法

1.1 方法選擇

本文運用C-D生產函數法測算農業機械化貢獻率。C-D生產函數法是一種間接測算貢獻率的方法，假設生產函數為柯布道格拉斯生產函數，通過取自然對數、回歸求得各生產要素彈性，用彈性求解貢獻率[21-22]。C-D生產函數法形式簡單、便于計算，所以被廣泛運用，并常用于測量科技進步率。

C-D生產函數在近年來遭受不少批評，認為該方法是一種“專橫”的方法，且在測算農業機械化貢獻率時，農機總動力構成復雜，無法分割，會產生誤差[1]。但是，該方法的理論性質基本正確，因而是可以接受的[23]。另一方面，我國各省統計數據缺乏，其他模型需要的統計數據沒有可靠的來源，所以用該方法測算農業機械化貢獻率是合理的。

1.2 模型設置

影響種植業產出（Y）的生產要素主要有勞動力投入（L）、資本投入（K）、土地投入（D）等，其中資本投入用化肥施用量（F）與農業機械總動力（M）表示，則產出函數可以表示為：

式中：A為未體現在其他投入要素的綜合技術水平，α、β、θ、γ分別為勞動力投入、化肥施用量（折純量）、農業機械總動力、土地投入的產出彈性系數。μi和λt分別為個體效應與時點效應，εit為隨機誤差項。對生產函數兩邊取對數得：

通過線性回歸可以求出各投入要素的產出彈性系數，其中第i省份農業機械化產出彈性系數為θi。若使用全國匯總數據進行回歸，可以去掉時間效應和個體效應直接回歸。

第i省份農業機械化對該省種植業的平均貢獻率（δi）為：

式中：mi代表農業機械總動力年均相對增長，yi代表種植業總產出年均相對增長。年均相對增長用幾何平均法得到。

全國農業機械化對種植業的總貢獻率為：

其中，Yi(t-1)為t-1年第i省份種植業總產出，Mi(t-1)為t-1年第i省份農業機械總動力，ΔYit為t年第i省份種植業總產出與t-1年數值之差，ΔMit為t年第i省份農業機械總動力與t-1年數值之差。若要計算一段時間的貢獻率，則將t-1中的1改為這一段時間的總年數，如計算1979—2018年這一段時間累計的貢獻率，則t=2018，1改為39即算得1979—2018年累計的農業機械化貢獻率。其他要素貢獻率計算方法同。

1.3 變量選擇與計算方法

根據以往研究，選取下列指標作為模型變量。

1）種植業總產出（Y）：設置種植業總產出為被解釋變量，本文種植業產出用農業總產值（不含林業、牧業、漁業）來衡量。為使數據具有可比性，以 1978年為基期，通過農業總產值指數計算農業總產值。

2）資本投入：資本投入通常用物質消耗來表示，但是各省種植業物質消耗的統計數據較少，根據已有的研究以及數據的可得性，本文用化肥施用量（折純量）（F）、農業機械總動力（M）作為資本投入的量化指標[24]。

其中農業機械總動力為關鍵解釋變量。農機總動力在2016年統計口徑發生調整，農用運輸車不再作為農業機械納入統計范圍，為保證數據內涵同一，對2016、2017和2018年農機總動力做了修正，MTR表示農用運輸車動力。MF表示未統計農用運輸車動力的農機總動力。

3）勞動力投入（L）：各省種植業勞動力投入用各省第一產業從業人員表示，部分省份統計數據存在缺失，需進行處理：上海市2018年第一產業從業人員數據缺失，用趨勢遞推法進行處理；黑龍江省在2011—2013年第一產業從業人員數據存在缺失，使用線性插值法進行處理。其他省份、年份缺失值用上述同樣方法處理[25]。

4）土地投入（D）：土地投入指標用農作物播種面積（DA）表示。土地投入還要考慮受氣候條件以及其他資源的影響導致的質量差異[26]，因此本文考慮用有效灌溉面積（IA）、成災面積（CA）對農作物播種面積加權。成災面積的20%左右為絕產，因此播種面積要扣掉成災面積的20%；同時考慮有效灌溉的土地產量要高于不具備灌溉條件的土地，因此給與1∶1的權重將有效灌溉重復計算一次，則土地投入（D）計算方法為：

1.4 模型選擇

面板數據的處理方法一般有混合模型、固定效應模型和隨機效應模型。根據似然比檢驗，固定效應模型比混合模型效果更好，且常數為索洛余值，顯然不是隨機數，故選用固定效應模型對數據進行回歸，測算各生產要素的生產彈性。

固定效應模型根據其系數的變化有可分為變截距固定效應模型與變系數固定效應模型，即截距與系數可隨個體或時點變化。本文研究時間跨度較長，技術進步率在這段時間內可能發生較大變化，各省之間個體差異較大，采用變截距、變系數固定效應模型是可行的。根據索洛余值是否隨時點變化、土地投入是否隨個體變系數、農機總動力是否隨個體、時點變系數，建立模型。

通過似然比檢驗得：索洛余值隨時點變、土地投入個體變系數、農機投入個體變系數的固定效應模型，更適合用于省際面板數據測算中國種植業貢獻率。也即是，全要素生產率隨著時間變化而進步，而非定值；同時，土地和農機兩種要素的產出率在各省之間存在較大差異。

1.5 數據來源

本文數據來源為歷年各省統計年鑒、《中國統計年鑒》《新中國60年統計資料匯編》《新中國農業60年統計資料》《中國農業機械工業年鑒》和國家統計局網站收集28個省份（西藏自治區統計數據不全，港澳臺地區數據口徑不統一，舍去。1988 —2018年海南省數據歸入廣東省， 1997—2018年重慶市數據歸入四川省計算，以保證截面數據前后一致）。通過各渠道數據整理，獲得了1979—2018年模型需要的全國及各省農業總產出、農機總動力、第一產業從業人員、化肥施用量、耕地面積、有效灌溉面積、主要農作物播種面積、成災面積等指標的面板數據。

表1為相關省級數據的描述性統計。

表1 相關數據描述性統計Table 1 Descriptive statistics

2 結果與分析

2.1 農業機械化發展狀況分析

1979—2018年農作物耕種收綜合機械化水平與種植業總產值總體均為上升趨勢（圖1）。1978年以安徽小崗村“大包干”為序幕的農村改革開始后，農村迅速實行了家庭聯產承包制，從集體公社大面積共同作業轉化為家庭聯產承包的小規模作業，1984年年底，包產到戶的生產責任制基本普及開來[27]。農戶家庭聯產承包責任制規模細小，土地零碎，原有的大型農機還沒有適應經營規模的變化，1979—1985年耕種收綜合機械化率稍有下降，而家庭聯產承包責任制解放和發展了生產力，破除高度集中的計劃管理體制的束縛，在這期間種植業總產值保持上漲。1985年隨著農業機械逐漸適應小規模作業狀況，農機社會化服務、跨區服務體系興起，耕種收綜合機械化率停止下降[28]。而同時農村非農產業發展，農民有更多的就業選擇，農業生產產量不穩定，收益率較低，農業機械投資較大，退出農業經營的農戶逐漸增多，在這一階段農業機械化的發展主要依靠小型農機，耕種收綜合機械化水平增長緩慢[29]。隨著國家對農業的重視以及對農業機械補貼力度的增大，2004年以后耕種收綜合機械化水平加速上升。

1980—2018年全國種植業總產值增長率與農業機械總動率增長率關系見圖2，可以看出：1980—1985年期間，種植業總產值增長率較大，最高達到11.5%，顯然土地分包到戶極大釋放了農戶的生產熱情，勞動生產率和土地產出率都出現了大幅度提升導致種植業總產值快速增長。但在1985開始出現了增速放緩并趨于4%上下波動的情況。農業機械總動力增長率在1990年之前整體處于下降趨勢，農機發展呈現低迷狀態，增長率最低曾經僅為2.28%。但之后開始恢復，到1997年最高達9%，后面開始下降但也維持在5%左右波動。整體來看，農業機械總動力增長率和種植業總產值增長率之間呈現出一定相關性，比如1991—1995年期間，農業機械總動力增長率呈上升趨勢，而種植業總產值增長率趨勢相同；1996—2003年之間農業機械總動力增長率整體呈下降趨勢，同期種植業總產值增長率也呈下降趨勢。當然，是否真的有顯著關聯，還需要在下一節內容中進行進一步的定量研究。

2.2 各省平均貢獻率分析

運用stata15軟件對模型進行估計，面板數據存在異方差和自相關，所以這里使用聚類穩健標準誤修正后的t值。擬合優度為0.99，擬合效果較好。再根據公式（3），算得農業機械化對各地區種植業的貢獻率，結果見表2。

表2 1979—2018年系數估計量及農機化貢獻率Table 2 Coefficient estimation and agricultural mechanization contribution rates in 1979-2018

從關鍵解釋變量農機貢獻率看，1979—2018年間農業機械化在中國大部分地區的農業生產中發揮著較大的作用，繼續增加農業機械的投入仍舊可以推動種植業的發展。其中，貢獻率超過30%的有天津、上海、浙江、甘肅和新疆。特別是新疆，農業機械總動力對種植業總產值的彈性系數為0.63，貢獻率為57.26%。貴州、湖南和青海等省份農機總動力對種植業總產值的影響均在10%水平下顯著為負，可能原因是貴州、湖南和青海等省耕地中丘陵山區占比較高的省份由于地貌限制，無法使用大中型農機作業而只能使用微耕機等小型農業機械，而這些機械的效率遠遠低于大中型農業機械，因此存在投入增速高但對應產出增速水平卻偏低，使得彈性為負。此外，還看到安徽和上海等平原省份貢獻率也為負，表明這些省份存在這可能存在農機保有量過剩的情況，但考慮到跨區作業的溢出效益[30]，并不能直接證明這些農機在全國范圍內就一定算過剩的。

從土地投入的彈性看，由于1979—2018年各省土地投入面積變動不大或有減少，同時其他如種子、化肥等土地替代性要素的廣泛使用使得土地產出率不斷提升，低產土地即使大幅度退出亦不會影響種植業產出，導致土地資源變動對種植業的影響相對較小，甚至個別省份彈性為負（此處涉及另一問題，“占補平衡”的嚴格土地政策，是否讓各省將優質耕地轉化為建設用地而用劣質的荒地復墾，進而導致了這一現象？本處不做深入討論）。天津、浙江、上海和河南土地投入對種植業總產值的彈性系數大于1，即土地投入增加1%則種植業總產出增加1%以上，土地資源在這些地區尤為重要。可能解釋是，這些省市優質的水澆地占比和增速較高。

從勞動投入要素看，第一產業從業人員對種植業產出彈性為0.002，在10%水平下不顯著（表2），表明第一產業從業人員對種植業的影響很小。其原因在于，農業勞動力雖然在大幅度下降，但替代農業勞動力的農業機械也在快速增長，所以表現為農業勞動力下降對農業產出的影響并不顯著。若參照美國等主要農業出口國的勞動生產效率，我國農業勞動力還有非常大的下降空間。

從化肥投入要素看，化肥施用量對種植業產出彈性為0.124，在10%水平下顯著（表2），對種植業總產值有著正向的影響，化肥施用量每增加1%，種植業總產值增加0.12%，化肥在1979—2018年之間，對種植業總產值有明顯的正向推動作用。

圖3為模型計算得到的1979—2018年每年的綜合技術水平，代表了該年種植業總產值增長中不能歸因于模型中其他生產要素的增長的部分，包括勞動力素質、引進先進技術等。1979—2018年間，綜合技術水平逐年增長，增長了近3倍，表明產出增長中，由技術進步帶來的增長不斷上升。

2.3 全國農業機械化貢獻率分析

全國歷年農業機械化貢獻率的計算有兩種方式：第一種是運用表2分省計算的農機產出彈性數據，根據公式（4）進行加總計算得到全國歷年農機化貢獻率（圖4：分省加總）。但如前述模型結果分析中提到那樣，由于未考慮跨區作業的溢出效應，因此計算出的各省農機裝備貢獻率可能有所誤差。因此，本研究同時采用了第二種方法，即直接運用全國年度數據，在控制隨時間變化的技術進步基礎上，運用C-D生產函數進行估計各要素的產出彈性（表3）并按照公式（3）計算出全國農機化貢獻率（圖4：全國數據計算）。圖4展示了兩種方法計算出的1979—2018年分年度的全國農業機械化貢獻率結果。加上技術進步貢獻率，各要素貢獻率之和應當為100%，用一個固定彈性估計所有時期的貢獻率，存在一定誤差，故將總貢獻率超過200%的年份結果視為異常值，1980年分省加總結果與1980年、1985年、1988年和1991年全國數據計算結果在圖4中不再展示。1986年種植業總產值增長率為負。根據貢獻率公式可知：如果處于分母位置的產出增長率為負，那么處于分子位置的兩項因子：投入要素的產出彈性為正、要素增長率即使為正，得出來的貢獻率也一定是負的。一般認為種植業總產值增長率為負時，計算出的貢獻率無效，因此對1986年結果不做展示。

從圖4可以看出：1）無論是分省加總結果還是全國數據計算結果，整體趨勢是一致的。全國數據回歸結果波動較大，所有年份貢獻率均大于分省加總結果，是由于在分省計算時，未考慮跨區作業的溢出效應，因此低估了各省農機裝備的貢獻率。2）1979—2018年農機貢獻率總體表現為先增后減，今后應注重農業機械化的效率，對動力機械、谷物收獲機械等存在保有量過剩的農業機械降低補貼額度，并鼓勵社會化服務。

與1979年相比，2018年累計的農業機械貢獻率是多少？表4分別展示了分省加總和全國數據計算得到的各投入要素累計貢獻率。可以看出，與1979年相比，無論是哪種方法計算出的結果，都表明農機是貢獻最大的要素。由于分省加總結果未考慮跨區作業的溢出效應，因此我們采用全國合計數據計算結果，即與1979年相比，2018年的種植業產出增加部分農機貢獻了其中54.196%。換句話說，如果沒有農業機械化，在保持1979年的勞動生產率條件下，2018年的種植業產出將下降54.196%。

表4 1979—2018年各投入要素對中國種植業增長的 累計貢獻率（%）Table 4 Cumulative contribution rates of input factors to the growth of China’s crop industry between 1978 and 2018

3 結論與建議

3.1 結論

研究表明，1979—2018年耕種收綜合機械化水平與種植業總產值總體均為上升趨勢。農業機械化對種植業產值具有較高的貢獻率，分省面板數據表明絕大部分省份農業機械對種植業產值的貢獻率都是正的。同時，分省加總計算出的農機貢獻率和用全國數據回歸計算出的農機貢獻率，除了1986年消除物價指數的種植業總產值負增長導致農機貢獻率為負數以外，其他年份都是正的，且所有要素中無論哪種算法農機的貢獻率都遠高于化肥、勞動力和土地等其他要素。

但注意到，近年來農業機械化對種植業總產值的貢獻率不斷降低，農機總動力增加對種植業總產值增加的貢獻在降低。現階段平原地區耕、種、收階段機械化已經到達較高水平，但丘陵地區的農業機械化發展受到地形等多因素的限制，丘陵山區縣農作物綜合機械化水平遠低于全國平均水平。丘陵地區農業機械化發展具有較大的潛力。農業機械化在經濟作物、林果業、畜禽養殖、水產養殖和設施農業等領域還有諸多不足，未來應當更加重視農業機械化在這些領域的發展，推動農業全程、全面機械化。

3.2 建議

1）繼續加大農業機械化支持力度，豐富支持政策。中國農業要參與國際競爭、要保障農產品供給安全，那么必然要依靠農業機械化，傳統的生產方式支撐不起農業農村現代化。目前農業機械化支持政策過于單一，主要依靠購機補貼政策，而歐美、日韓等國家和地區的燃油補貼或退稅政策、貸款貼息政策等組合政策，我們應借鑒和豐富農業機械化支持政策。

2）提高農業機械化效率，補短板強弱項。當前拖拉機、谷物收割機等傳統農業機械處于過剩狀態，而經濟作物、林果業、畜禽養殖、水產養殖、設施農業等領域和丘陵山區農業機械化水平還較低，因此應將主要資源向薄弱領域和地區傾斜，降低保有量過剩的農機支持力度。

3）加強農田和機耕道等基礎設施建設，促進丘陵山區農業機械化的發展。我國丘陵地區耕地面積、播種面積均占全國三成左右，但由于農田分散、零碎、不平整、缺乏機耕道等原因不適合使用大中型機械，極大的限制了丘陵地區的勞動生產率。應大力推動以地塊“小并大、短并長、坡改平、彎改順、互聯互通”為主要內容的農田宜機化改造工作，為農業機械作業提供基礎條件。