我國農業機械化對種植業全要素生產率的影響*
——基于農村人口老齡化的面板門檻模型

唐小平，蔣健，李雙雙

(貴州大學經濟學院，貴陽市，550025)

0 引言

農業作為我國第一產業，是國民經濟的基礎。然而，隨著新冠疫情在全球的蔓延以及經濟全球化所遭遇到的抵制，農業進出口貿易受到嚴重影響。在國內農業生產面臨增產后勁不足、農業生產結構短時間內難以迅速調整的背景下，我國農業領域中的糧食安全問題面臨著新的挑戰。因此，在有限的農業生產資源條件下，提高我國農業生產效率，成為確保我國糧食安全的關鍵因素。

農業機械化不僅是現代農業的重要組成部分，也是農業科技進步重要的實現途徑之一[1]。自1978年以來，我國機械投入農業生產領域的數量越來越多，農業機械總動力從1978年的117 499 MW，到2019年的1 006 000 MW。41年內提高了7.56倍，農業機械資金投入在農業生產支出的比重也越來越重。截至2017年。我國農業機械化作業水平達到69.8%，農業科技進步貢獻率為57.5%，但貢獻率相較發達國家仍然低20%[2]，因此農業機械化在提高農業科技進步方面有著較大的上升空間。農業技術進步對經濟增長貢獻程度的衡量往往是通過測算農業全要素生產率的方法[3]。因此通過種植業全要素生產率來衡量農業機械化對種植業生產的影響是一個比較合適的方法和途徑。隨著我國人口老齡化程度的不斷加深[4]，以及大量青壯年勞動力向城市的轉移，老年群體將成為農業生產的主力軍[5]。因此研究分析在不同農村人口老齡化程度下，農業機械化對種植業全要素生產率的影響，對于未來農業機械在農業生產領域的推廣與使用具有重要的參考價值。

1 文獻綜述

農業機械化技術是用農業機械代替人畜力,進行土地整理、播種等工作,能夠有效減輕勞動強度,提升農業生產能力和專業化水平[6]。農業機械對農業生產的影響主要體現在兩方面：一方面，農業機械對農業勞動力存在著較為明顯的替代作用[7]。另一方面，農業機械化也能提高種植業的生產技術，這主要表現在機械化的種植方式能夠實現傳統種植方式所不能實現的一些對糧食生產有促進作用的操作，例如通過“深松翻”和“少免耕”技術，不僅能減輕對土壤的壓實，還能減少土壤水分蒸發和水土流失，提高土壤蓄水和保墑能力，改善土壤結構，增加有機質含量，從而起到提高單產水平的作用[8]。

全要素生產率(Total Factor Productivity)是經濟增長的動力源泉，而其增長又可以分為兩部分，一部分是技術進步的變化，另一部分是技術效率的改善[9]。從現有文獻看，關于全要素生產率的研究主要集中在測算方法與指標選取上。其中，測算方法主要包括C-D 生產函數回歸法、增長核算法、隨機前沿分析法(SFA)以及基于數據包絡分析(DEA)的Malmquist生產率指數法[10]。相比較于其他三種方法，基于數據包括分析(DEA)的Malmquist生產率指數法，該方法對數據的限制較少，為全要素生產率提供了較好的參考。羅春嬋等[11]利用Malmquist全要素生產率指數法，以非導向超效率EBM模型為基礎，測算了全局參比下商業銀行動態效率的全要素生產率指數。韓海彬等[12]則采用Malmquist-Luenberger生產率指數模型測算了農業全要素生產率。

而關于農業機械對農業方面的全要素生產效率的影響，有相當一部分的國內外學者認為，農業機械化能夠提高農業種植的生產效率[13-14]，這主要表現在以下幾點：一是使用農業機械可以有效節約勞動力且不會影響到農業產出；二是農業機械的使用會提高作業效率，避免工時延誤給作物生長帶來的影響，進而間接增加產出。總而言之，農業機械化水平的提高能顯著提高農作物生產的技術水平，即農業機械化發展水平通過提高農業生產的技術水平來促進種植業全要素生產率的增長。王新利[15]等通過對黑龍江農業機械化水平與農業經濟增長關系進行的實證研究，分析得到黑龍江農業機械化發展對黑龍江農業經濟增長存在長期促進作用。另一部分學者則持相反觀點，認為農業機械化并不能明顯的保障農業生產效率的提高。Binswanger[16]通過系統總結了日本、美國、法國等發達國家和菲律賓、印度等發展中國家的歷史經驗，研究發現機械化對糧食的增產效應僅僅發生在特定的環境下，即機械化的同時需要伴隨著高性能種子、化肥的投入。Ito[17]發現我國農業機械的發展水平對農業生產并沒有產生較多影響。

綜上所述，有關農村老齡化對農業機械和農業生產的影響研究，一方面，絕大多數學者都只是從技術選擇的角度來研究分析老齡化對農業機械化發展和推廣的影響，郭曉鳴等[18]認為當前在農業勞動力老齡化和農業機械作業社會化服務應運而生并快速發展的背景下，小農出于節約家庭勞動力和彌補自身勞動力不足的選擇下，會選取和購買農業機械。另一方面，絕大多數學者都認為農村老齡化程度的加深并不利于農業生產[19]，一方面，勞動力老齡化使得農業生產單一化、粗放化，長遠看會影響到農業產出，危及我國的糧食安全[20]。另一方面，勞動力進入老年之后，其勞動者勞動能力衰退較快，從而影響勞動生產率提高[21]。

綜上所述，雖然有關農業機械、農業生產效率、農村老齡化之間的關系研究有很多，例如：彭超等[22]運用隨機前沿生產函數模型，研究了農業機械化對農戶“加總”糧食生產技術效率的作用效果。但是仍存在一些進一步研究和探索的空間。首先，在研究內容上，有關研究方法大都局限于農業機械化與種植業全要素生產率的線性關系。其次，農業種植是一個十分重視技術和經驗的生產活動，不同年齡段的農村勞動力對于農業機械使用有著較為明顯的差異，在傳統種植技術方面，年長者比年輕者要更有經驗，而在以機械化作業為前提的現代農業生產中，年輕者則能夠更快地熟悉和熟練地使用農業機械。因此，研究在不同年齡段的農業生產主體下，農業機械對種植業全要素生產率的影響研究，具有一定的現實意義。最后，本文將通過引入工具變量的方式，解決農業機械和種植業全要素生產率之間可能存在的內生性問題。農業機械與種植業全要素生產效率之間存在著相互決定、相互影響的關系，即農業機械化能夠通過技術進步的方式影響種植業全要素生產率，而隨著種植業全要素生產率的提高以及農戶收入的增加，農戶作為種植業全要素生產率提高的既得利益者，勢必會產生推動農業機械化的內生動力。因此對農業機械化以及種植業全要素生產率直接回歸必然存在內生性的問題，而如果不考慮農業機械化的內生性問題，那么估計出來結果不一定能說明農業機械化會促進種植業全要素生產率的提高，因此有必要對農業機械與種植業全要素生產率之間的關系進行再深入的研究。綜上所述，本文運用面板門檻模型，以農村人口老齡化率為門檻變量，研究分析農業機械化對種植業全要素生產率的影響，最后通過引入工具變量地形，探討分析農業機械化與種植業全要素生產率之間的內生性問題。

2 理論分析

目前，學界對于全要素生產率的概念的界定仍未達成共識，因此，本文借鑒孫曉華等[23]對全要素生產率下的定義。對種植業全要素生產率進行如下定義：種植業全要素生產率是一種能夠反映種植業生產過程中各種投入要素的平均產出水平，即投入轉化為最終產出的總體效率，能夠體現種植業生產率本質的評價指標。

農業種植是一個十分重視技術和經驗的生產活動，不同年齡段的農村勞動力對于農業機械使用有著較為明顯的差異，在傳統種植技術方面，年長者比年輕者要更有經驗，而在以機械化作業為前提的現代農業生產下，年輕者則能夠更快地熟悉和熟練地使用農業機械。與此同時，袁文勝等[24]認為對農業機械的熟悉和操作的熟練程度會對農作物的生長發育產生影響，進而影響到全要素生產率。因此，在不同的老齡化程度下，農業機械化率對種植業的全要素生產率影響也不同。即農業機械化率與種植業全要素生產率是一種非線性關系。在我國由于生育率降低、預期壽命延長所造成的人口老齡化程度不斷加深，以及農村勞動力轉移所帶來的農村老齡化、空心化問題的現實大背景下，農村人口老齡化問題將變得尤為嚴重。因此，研究分析在不同農村人口老齡化程度下，農業機械化對種植業全要素生產率的影響研究，具有一定的現實意義。本文選擇農村人口老齡化率為門檻變量。

地形是制約農業機械化生產的重要因素。雖然農業機械化的發展可以通過促進農業技術進步的方式來提高種植業全要素生產率，但由于不同地區存在的地形異質性，地形較為復雜的地區，農機難以進入，坡度較高地區的耕地也難以使用大型農機，這些地區往往采用人工勞動方式，因此在地形坡度較高的地區，農業機械化水平普遍較低，即地區地形坡度與其農業機械化水平高度相關。

圖1 農業機械化對種植業全要素生產率影響的機制分析圖Fig.1 Mechanism analysis chart of agricultural mechanization’s influence on total factor productivity of planting industry

3 模型設定與變量選取

3.1 面板門檻模型設定

由上文可知，農業機械化率與種植業全要素生產率是非線性關系。目前，針對變量非線性關系的研究主要有3種方法，即交叉項模型，先驗的分組檢驗，基于Hansen提出的門檻回歸模型。而三者中，Hansen提出的門檻模型結果更加客觀科學[25]，因此本文采用門檻模型進行相關的研究分析。根據所要研究核心變量，本文構建面板門檻數據模型如式(1)所示。

Y=C+α1X×I(qit

α3Zit+uit+eit

(1)

式中：I——省份；

t——年度；

Y——種植業全要素生產率(被解釋變量)；

X——農業機械化發展水平綜合變動指數(核心解釋變量)；

q——老齡化率(門檻變量)；

r——特定的門檻值；

Z——指控制變量；

I(·)——指標函數；

uit——個體固定效應；

eit——隨機擾動項。

3.2 變量選取和數據來源

3.2.1 變量選取

被解釋變量：種植業全要素生產率測算值，根據種植業全要素生產率的已下定義以及參考過往學者的研究成果[26]，本文構建了如表1所示的種植業全要素生產率測算指標體系。

表1 種植業全要素生產率測算指標體系Tab.1 Index system for measuring total factor productivity of planting industry

解釋變量：農業機械化發展水平綜合指數，過往常常采用農業機械總動力表征的農業機械化水平對種植業的生產影響，可能低估了農業機械化對種植業生產的貢獻，因此本文參考已有文獻[27]，參照中華人民共和國農業行業標準NY/T1408.1-2007《農業機械化水平評價第1部分:種植業》的行業標準評定指標和相應的指標權重，借鑒史雪陽等[28]的做法:構建了機械化水平評價指標體系。最后，由于主成分分析法需要各變量相互獨立，而機械化水平的部分測量指標信息有重疊和交叉，難以保證相互獨立。因此，本文選取熵值法測算各指標的權重系數，農業機械化綜合發展水平評價指標及相應的權重如表2所示，其中：Sja表示機耕面積，hm2；Sza表示應耕面積，hm2；Sjb表示機播面積，hm2；Szb表示農作物總播種面積；hm2；Sjc表示機械收獲面積，hm2；Szc表示總收獲面積，hm2；Sjd表示機械植保面積，hm2；Szd表示總植保面積，hm2；Sje表示機電灌溉面積，hm2；Sze表示總灌溉面積，hm2；R表示農機服務收入，元；Zny表示農業總產值，元；Pnj表示農機總動力，kW；Lpx表示受專業培訓的農機人員，人；Lnj表示鄉村農機人員總數，人；Lny表示農業勞動力人數，人；Rnj表示農機經營利潤總額，元；Ynj表示農業機械原值，元；L表示全社會從業人員數，人。

表2 機械化水平評價指標及相應的權重Tab.2 Mechanization level evaluation index and corresponding weight

門檻變量：農村人口老齡化率q，以農村人口老齡化率度量。農村人口老齡化率與從事農業生產的老齡化現象高度一致[29]，因此，本文選取農村人口老齡化率作為門檻變量。由于大量農村戶籍人口遷移到城市，其中尤以青壯年勞動力為主，因此通過統計以戶籍所在地的農村人口老齡化率作為解釋變量，將與實際的農村人口老齡化率不符，使得測算數據比真實數據偏小，難以真實反應從事農業人口的老齡化程度對農業機械的影響。因此，本文的農村人口老齡化率的數據為通過對各地區農村內抽樣調查的方法計算得出，農村人口老齡化的測算公式為：農村人口老齡化率=農村老年人口/農村人口總數，農村老年人口與農村人口總數均由抽樣調查所得。

控制變量：農村人力資本水平(Capital)、政府財政支農強度(Finance)、產業結構(Industry)。本文參考過往學者的研究成果：從教育、政策和結構三個角度來選取影響種植業全要素生產率的因素，其中教育方面用農村人力資本水平來衡量，具體操作為將學歷情況與受教育年限一一對應，即將文盲、小學、初中、高中、中專、大專、本科、研究生及以上實際受教育年限分別設置為0、6、9、12、12、15、16和18.5年。政策方面則用政府財政支農強度度量，具體表示為農林水事務支出占總支出比重。產業方面則用第一產業就業人口占總人口比重來度量農業外部結構因素[30]。

工具變量：地形(Terrain)=坡度≤6°的耕地面積/總耕地面積。好的工具變量應該同時具備與被替換變量高度相關、被解釋變量不相關以及外生的特征[31]。首先，分析地形與農業機械化和種植業全要素生產率的相關性。農業機械化與地形坡度相關是因為地勢相對平坦的地區農業機械大規模作業相對容易，而地形坡度較高的地區農業機械作業相對困難。因此本文借鑒付華等[32]的研究成果，選取坡度小于6°耕地面積在總的耕地面積中的比例作為工具變量。其次，雖然有大量文獻研究得到耕地對種植業全要素生產率會產生直接影響，但是更多的是從耕地的土壤和土地流轉等方面。現階段尚未看到有文獻證實耕地的坡度會直接影響種植業全要素生產率。最后，分析地形的外生性。地形屬于自然地理變量。至今還沒有看到相關文獻證實種植業全要素生產率的提高或減少會造成當地的地形改變。

3.2.2 數據來源

數據來源于2004—2018年相關統計年鑒，包括《中國統計年鑒》《中國農村統計年鑒》《全國農產品成本收益匯編》《中國勞動統計年鑒》《中國農業機械工業年鑒》《國內外農業機械化統計資料1949—2004》《全國農業機械化統計資料匯編2005—2013》《數據禾基礎地理數據》《地理國情檢測云平臺》《人地系統主題數據庫》《中國勞動統計年鑒》《中國人口和就業統計年鑒》(曾用名：《中國人口統計年鑒》)及各省相關統計年鑒與統計資料。

4 實證結果與分析

4.1 農業機械化水平測算結果分析

由表3～表6數據可以發現：除北京、天津外，其他各省市的農業機械化綜合發展水平總體上呈現上升的趨勢。西部地區尤其是西南地區，農業機械化綜合發展水平始終處在一個較低區間。截止2018年年底，云貴川三省的農業機械化綜合發展水平均處在22以下，東部地區除北京、上海以外，絕大部分地區的農業機械化綜合發展水平處在一個較高的水平上(30以上)。東北地區，地勢平坦，自然條件優越，十分適合大規模農業機械的使用，因此黑吉遼的農業機械化綜合發展水平始終位居全國前列，尤其是黑龍江和吉林兩省的農業機械化綜合發展水平，從2014年起，就一直處在50以上的水平。相比較于其他地區，中部地區各省市的農業機械化綜合發展水平總體來看處于中間地帶。截止2018年年底，在傳統的12個農業大省(包括：河北、江蘇、山東、浙江、安徽、湖南、湖北、江西、四川、黑龍江、吉林、河南)中，除河南、四川以外，剩余的10個傳統農業大省的農業機械化綜合發展水平均處在30以上。截至2018年底，農業機械化綜合發展水平較低(30以下)的省市有(由低到高)：貴州(4.23)、北京(14.53)、云南(14.70)、甘肅(16.25)、河南(19.25)、上海(19.87)、重慶(20.70)、青海(21.12)、四川(21.71)、陜西(22.11)、山西(22.84)以及廣東(25.23)。農業機械化綜合發展水平位于中間部分(30～50)的省市有(由低到高)：河北(30.08)、福建(32.42)、寧夏(34.74)、遼寧(36.90)、海南(37.23)、天津(38.03)、新疆(39.99)、湖北(45.84)、廣西(46.08)、湖南(47.56)以及江西(49.81)。發展水平較高(50以上)的省市有(由低到高)：山東(56.52)、黑龍江(59.33)、內蒙古(59.40)、浙江(64.39)、吉林(72.82)、安徽(81.72)以及江蘇(81.85)。

表3 東部地區2004—2018年農業機械化發展水平綜合變動指數Tab.3 Comprehensive change index of agricultural mechanization development level in Eastern China from 2004 to 2018

表4 中部地區2004—2018年農業機械化發展水平綜合變動指數Tab.4 Comprehensive change index of agricultural mechanization development level in Central China from 2004 to 2018

表5 西部地區2004—2018年農業機械化發展水平綜合變動指數Tab.5 Comprehensive change index of agricultural mechanization development level in Western China from 2004 to 2018

表6 東北地區2004—2018年農業機械化發展水平綜合變動指數Tab.6 Comprehensive change index of agricultural mechanization development level in Northeast China from 2004 to 2018

將東部、中部、西部、東北地區的農業機械化綜合發展水平進行對比可以看出：東北地區的機械化發展水平常年處于領先位置，其次為東部地區、中部地區以及西部地區，結合上述分析可知，造成這一現狀的原因，除了是因為各個省市的自然地理條件外，還與其社會經濟發展水平有關。因此各地區應充分依托自身的資源稟賦優勢，適當調整各地區的農業機械化綜合發展水平，農業大省以及自然條件相對優越的省市應積極推動農業機械化以及推動農業機械專業合作社的成立，使得農業機械能夠得到充分的利用和使用。工業化、城市化率較高地區應將重點放在二、三產業上。

4.2 種植業全要素生產率結果分析

本文將借鑒并參考過往學者的研究成果，采用Malmquist指數法來測算種植業全要素生產率，Malmquist指數法將種植業要素生產率分解為技術進步(TECHCH)、純技術效率(PECH)以及規模效率變化(SECH)三部分，其中純技術效率(PECH)與規模效率變化(SECH)之積為效率指數(EC)根據DEA-Malmquist指數法，t～t+1時期的Malmquist指數分解為

=TECHCH×PECH×SECH

=TECHCH×EC

Malmquist指數最初由Malmquist于1953年提出，指數值的不同意味著不同的生產水平，當指數值小于1時，意味著生產水平正在降低，指數值大于1時，意味著生產水平正在提高，當指數值等于1時，意味著生產水平保持不變。DEAP2.1軟件的操作結果如表7所示。

表7 2004—2018年種各地區種植業全要素生產率指數及其分解Tab.7 Total factor productivity index and its decomposition of planting industry in different regions from 2004 to 2018

由表7可知，各個地區的種植業全要素生產率均大于1，表明全國各地的生產水平均處于提高狀態，這與全國整體種植業TFP的增加是耦合的。除河北、安徽、湖南、江西、山西、甘肅、內蒙古、云南、重慶、吉林以及遼寧十一個省份的純技術效率指數(PECH)小于1，其于省份均大于或者等于1，這表明我國多個省份的純技術效率指數在朝著好轉的方向發展。除山東、河南、內蒙古、青海以及吉林五省的規模效率指數(SECH)小于1，其與各省市的規模效率指數均大于1或者等于1，說明我國大部分地方種植業規模正呈現上升的趨勢。全國30個省份的技術進步指數(TECHCH)均大于1，這意味著這些省份的農業技術水平都有所增強。效率指數(EC)等于純技術效率指數(PECH)與規模效率(SECH)的乘積，由表7可知，30個省市的純技術進步指數(TECHCH)均大于效率指數(EC)，這與我國種植業全要素生產率的增長高度依賴于技術進步的特點高度吻合。

4.3 面板門檻結果分析

4.3.1 多重共線性檢驗

為防止回歸模型中的解釋變量之間由于存在精確相關關系或高度相關關系而使模型估計失真或難以估計準確。本文對解釋變量以及控制變量之間進行了Pearson相關系數以及VIF檢驗如表8所示。

表8 變量多重共線性檢驗的Pearson相關系數Tab.8 Pearson correlation coefficient of multicollinearity test

首先，除農村人力資本水平(Capital)與產業結構(Industry)之間的Pearson相關系數絕對值大于0.6外，其他各變量間的Pearson相關系數絕對值均小于0.6。其次，各變量的VIF值的最大值3.561<10，VIF的平均值為2.330，根據判斷多重共線性的兩個標準：(1)VIF平均值大于1，(2)最大VIF值大于10。只有兩個同時滿足才能得到各變量之間存在嚴重多重共線性這一結論。很顯然，本文中的各變量之間不存在嚴重的多重共線性。

4.3.2 單位根檢驗與協整檢驗

由于判斷各變量間是否存在長期的均衡關系，會對回歸結果產生重要影響。因此，本文需要進行單位根檢驗以及協整檢驗，檢驗結果如表9、表10所示。

由表9、表10可知，檢驗結果均顯著通過，說明變量間存在長期均衡關系，此時回歸結果有效。

表9 單位根檢驗Tab.9 Unit root test

表10 協整檢驗Tab.10 Cointegration test

4.3.3 門檻效應檢驗

在進行門檻模型回歸之前，首先，對面板數據需要通過Hausman檢驗進行固定效應模型與隨機效應模型的選擇，Hausman檢驗P值為0.000 0，即采用固定效應模型需要對面板數據進行門檻值個數檢驗判斷得到的門檻值是否真實的顯著性檢驗。其次，需要對面板數據進行門檻值個數檢驗，判斷得到的門檻值是否真實的顯著性檢驗。本文通過stata軟件對模型(1)進行了xthreg門限回歸檢驗，結果如表11所示。

由表11可知模型在單一門檻下通過5%的顯著性檢驗，在雙重門檻下并未通過10%的顯著性檢驗，由此可知，農業機械化種植業全要素生產率之間存在單門檻效應。

表11 門檻個數檢驗Tab.11 Threshold number test

4.3.4 門檻回歸結果分析

由表11的門檻個數檢驗可知，本文采用單門檻回歸模型，模型估計結果如表12所示。

通過對表12的模型結果分析可知：當農村人口老齡化率低于13.45%時，農業機械化程度的提高會有利于種植業全要素生產率的提高，影響系數顯著為0.000 4，即當農村人口老齡化率低于13.45%時，農業機械化綜合發展水平每增長1個單位，種植業全要素生產率將增加0.000 4。當跨過這一門檻值之后，農業機械化就會對種植業生產造成不利影響，影響系數顯著為-0.002，即當老齡化率高于13.45%時，農業機械化綜合發展水平每增長1個單位。種植業全要素生產率將減少0.002。出現這樣的原因是：農業種植是一個十分重視技術和經驗的生產活動，不同年齡段的農村勞動力群體對于農業機械使用有著較為明顯的差異，在傳統種植技術方面，年長者比年輕者要更有經驗，而在以機械化作業為前提的現代農業生產中，年輕者則能夠更快地熟悉和熟練地使用農業機械。進而會對農業生產的結果影響，最終影響種植業全要素生產率。

表12 農業機械化對種植業全要素生產率的面板門檻效應估計結果Tab.12 Estimation of panel threshold effect of agricultural mechanization on total factor productivity of planting industry

4.4 內生性檢驗

為核心解釋變量選取合適的工具變量，是解決內生性的主要辦法。

參考過往學者有關內生性問題的研究分析[34]，在運用工具變量(地形)對農業機械化與種植業全要素生產率之間的關系進行分析時，通常使用工具變量兩階段最小二乘法(IV-2SLS)的方法進行實證檢驗，以控制模型中的內生性問題。在使用工具變量法之前，為了確保工具變量有效性，需要進行過度識別檢驗與弱工具變量檢驗，這里采用Sargen檢驗和Basmann進行過度識別檢驗，證明所有工具變量為外生，由于C-DW檢驗的F統計量216.597>10，說明弱工具變量問題得到有效控制。

表13 IV-2SLS模型的相關檢驗Tab.13 Correlation test of IV-2SLS model

表14展示了模型的IV-2SLS估計結果，采用單一門檻效應模型，將表12和表14的結果進行對比，本文所關注的關鍵變量和顯著性水平基本保持一致，進一步驗證了本文結果的可靠。

表14 IV-2SLS估計結果Tab.14 IV-2SLS estimation results

4.5 穩健性檢驗

為了進一步檢驗本文結論的可靠性，本文從兩方面進行了穩健性檢驗，首先，本文選取農業全要素生產率作為被解釋變量進行回歸。其次，將控制變量去掉，直接讓農業機械化綜合發展水平與種植業全要素生產率之間進行門檻回歸。

檢驗結果如表16和表17所示，檢驗結果均顯示：核心解釋變量的系數符號、顯著性以及門檻變量的門檻值并沒有發生太大變化。進一步驗證了本文估計結果的可靠性。

表15 農業全要素生產率測算指標體系Tab.15 Index system of total factor productivity in agriculture

表16 去掉控制變量的穩健性檢驗Tab.16 Robustness test without control variables

表17 置換被解釋變量的穩健性檢驗Tab.17 Robustness test of permutation explanatory variables

5 結論與建議

本文基于我國2004—2018年30個省級行政單位種植業有關的面板數據，分別測算了種植業全要素生產率以及農業機械化綜合發展水平，運用面板模型，以農村人口老齡化率為門檻變量，研究了農業機械化對種植業全要素生產率的非線性關系。最后，通過引入工具變量地形，探究了農業機械化與種植業全要素生產率之間的內生性問題。(1)農業機械化程度與種植業全要素生產率之間存在單門檻效應。(2)農村較高的老齡化水平，不利于農業機械化對種植業全要素生產率的提高。當農村人口老齡化率低于13.45%時，農業機械化綜合發展水平每提高1個單位，則種植業全要素生產率提高0.000 4，當老齡化率高于13.45%時，農業機械化綜合發展水平每提高1個單位，則種植業全要素生產率下降0.002。出現這樣的主要原因是由于老年群體難以熟悉和熟練的操作農業機械，使得農業機械難以發揮其通過提高農業生產的技術水平來促進種植業全要素生產率的增長優勢。(3)地形會通過影響農業機械化水平，進而影響到種植業全要素生產率。(4)通過對各個省市農業機械化綜合發展水平的測算，可以發現：東北地區的機械化發展水平常年處于領先位置，其次為東部地區、中部地區以及西部地區。地勢平坦地區(新疆、黑龍江、吉林等)的農業機械化綜合發展水平大都較高。部分省市(北京、上海、廣東)由于其高度的城市化和工業化水平，使得這些地區即使擁有著非常好的發展農業機械化的自然條件稟賦，但其農業機械化綜合發展水平始終處于一個較低水平上。(5)通過對各個省市種植業全要素生產率的測算，發現全國各地的生產水平均處于提高狀態。這與全國整體種植業TFP的增加是耦合的。

基于以上幾點結論，本文提出如下建議：(1)積極推動農業現代化的發展，努力提高農業生產報酬，鼓勵更多的懂農業、愛農村、愛農民的年輕人參與到農業生產過程中來。(2)首先，積極鼓勵傳統農業大省和自然條件稟賦相對優越的省市推動農業機械化的發展。其次，鼓勵農業機械企業發明創造出更多適合地形較為復雜地區的農業機械。(3)在我國老齡化進程不斷加深的大背景下，老年人群體在農業生產群體中的占比不斷增加正在變得越來越難以逆轉。因此，加大力度對農業生產群體進行有關農業機械化與農業現代化的培訓變得越來越緊迫和必要。