主题：机械化条件（Mechanization conditions）、农田撂荒（Farmland abandonment）、非粮食作物生产（Non-grain crop production）
文章发表在国际期刊Land Use Policy，2025年第149卷上，第一作者是中国科学院地理科学与自然资源研究所陆地表层与模拟院重点实验室的Song Hengfei，通讯作者是中国科学院地理科学与自然资源研究所陆地表层与模拟院重点实验室的王学副研究员。
（图片来自原文）
科学问题：
由于人口增长、饮食模式改变和生物燃料消费增加，全球粮食需求不断增长。在经历工业化和城市化的国家，农田的经济可行性越来越低。在这一过程中，特定农田用途的净收入不断减少，导致农田撂荒，从而减少了农业可用空间，造成粮食产量损失。中国政府越来越重视耕地撂荒对粮食安全的潜在威胁，并针对这一问题实施了各种政策。改善机械化条件和种植非粮食作物可以增加农业利润，目前对农业机械化的研究主要集中在技术进步、采用机械化技术的因素、建立机械化社会服务体系以及改善机械化条件等方面。目前，中国正在积极推进农业机械化，促进农业规模化发展，同时努力确保粮食生产，保障农户收入。改善机械化条件和发展非粮作物生产能否缓解山区农田撂荒问题仍存在争议。由于中国是一个多山的国家，耕地使用受到很多限制，导致山区耕地在经济上无法生存的风险较高。该研究建立了一个包括劳动力、土地和资本的理论框架，旨在从农户的视角揭示机械化条件、非粮食作物生产与耕地撂荒之间的关系，以分析机械化和非粮食作物生产对农田撂荒的影响。
中国幅员辽阔，丘陵和山地占国土面积的三分之二。文章选用的农户数据来自其课题组于 2020 年至 2021 年采用分层随机抽样方法开展的中国山区农田调查，样本量以省为单位进行分层，然后在每个省内进行随机抽取。调查主要包括两个层面的数据：村庄和家庭。家庭调查主要针对户主或主要决策者，其他成员提供补充回答，重点关注农村人口、耕地资源、收入和农业生产等主题。村级调查主要针对村干部，重点是人口、基本经济指标和耕地资源。图 2 显示，调查覆盖了 25 个省，包括 2960 户家庭和 598 个村庄，最终样本量包含 2440 份家庭问卷。
（图片来自原文）
文章选用“是否拥有废弃农田（是/否）和废弃农田的比例（%）”作为因变量。研究根据机械在整地、播种和收获阶段的使用情况来确定耕地机械化条件的特征值。将农户种植非粮作物的面积比例作为核心自变量。为检验其中的作用机制，在中介变量和交互变量的作用下，使用农业劳动力投入天数作为劳动力投入的指标。农村家庭在决定是否放弃耕地时通常会考虑家庭人口特征、资源条件和外部环境，因此文章添加了相关指标作为控制变量，如表2。根据同伴效应理论，农户的非粮食作物生产可能会受到同村其他农户的影响。选取了村中同龄人用于种植非粮食作物的平均比例作为工具变量（IV），以显示村中居民的一般非粮食作物生产行动，机械化条件是农田属性，被视为外生变量。
（表格来自原文）
研究采用 Probit 和 Tobit 模型来估计机械化条件和非粮食作物生产对耕地撂荒的影响。模型如下：
添加交互变量后的模型如下：
为解决内生性问题，研究将 IV 纳入模型，并将其扩展为 IV-Probit 模型和 IV-Tobit 模型，具体如下：
考虑到机械化条件和非粮食作物生产对耕地撂荒的影响可能因家庭特征和地区差异而不同，文章使用 Probit 和 Tobit 模型对家庭收入、户主受教育程度以及不同地理和海拔地区的差异进行了分组回归分析。
研究结果：
表 1 列出了自变量和因变量的基本统计结果。研究利用各省的平均机械化条件、非粮作物种植面积的平均比例和耕地撂荒情况来确定其空间分布（图 3）。如图 3a 所示，北方省份的机械化条件较好，但东南沿海省份的机械化条件最差。非粮生产主要集中在西南和沿海省份（如四川、云南和福建），如图 3b 所示，四川用于种植非粮作物的耕地面积比例最高（59.74%）。西部和沿海省份的耕地撂荒现象更为突出（如重庆、广东和浙江，图 3c 和 d），其中广东的耕地撂荒户比例最高（54.21%），耕地撂荒率为 24.52%。
（图表来自原文）
表 3 列出了机械化条件和非粮食作物生产对耕地撂荒影响的 Probit 和 Tobit 模型估计值。在模型 1 中，核心变量的系数在 1%的水平上显着为负，表明机械化条件好、种植更多非粮作物的农田被农户放弃的概率更低。模型 2 显示了 Tobit 模型的基准回归结果。机械化条件和非粮食作物产量的系数在 1 % 的水平上显著为负。模型 1 和模型 2 的结果得出了一致的结论，表明机械化条件和非粮食作物产量与耕地撂荒呈负相关，且相关性明显。
（表格来自原文）
交互项的结果显示，机械化条件可以缓和农业劳动力投入对耕地撂荒的影响，而非粮食作物生产可以缓和机械化条件对耕地撂荒的影响。中介模型显示非粮食作物生产可以通过改变农业劳动力投入来影响耕地撂荒，而机械化条件可以抑制非粮食作物生产。（表4、表5）
表 4 显示了机械化条件和非粮食作物生产对耕地撂荒的调节作用。模型 3 和 4 显示了 Probit 模型的结果，模型 5 和 6 显示了 Tobit 模型的结果。根据 Probit 模型和 Tobit 模型交互项的结果，机械化条件可以部分缓解劳动力短缺对耕地撂荒的影响，而机械化条件的影响则受到非粮食作物产量的负向调节。然而，这两个交互系数均不显著。
为进一步分析机械化条件对耕地撂荒的影响，使用模型 7、模型 8 和模型 2 检验了中介效应；结果如表 5 所示。模型 7 采用不含农业劳动力投入作为控制变量的模型 2，结果表明非粮食作物生产与耕地撂荒显著负相关。模型 8 是一个以农业劳动力投入为因变量的 Tobit 模型，它表明非粮食作物生产会导致农业劳动力投入的显著增加。表 5 第 4 列（模型 2）显示，非粮食作物生产和农业劳动力投入分别在 1 % 和 10 % 的水平上有显著影响。具体而言，农户的农业劳动力投入随着非粮食作物种植面积比例的增加而增加，劳动力的增加导致耕地撂荒率显著下降。此外，以非粮食作物产量为因变量的 Tobit 模型 9 显示，机械化条件对非粮食作物产量有显著的负向影响。这表明，有利的机械化条件可以阻止农村家庭种植非粮食作物。
（表格来自原文）
图 4 显示，机械化条件和非粮食作物生产对高收入组与低收入组、户主受教育程度不同的农户是否弃耕具有不同的抑制作用。低收 入组和高收入组之间的机械化条件系数是连续的，高收入组的系数略高（图 4a）。此外，高教育程度组的机械化条件系数高于低教育程度组，且高教育程度组的系数在 1 % 的水平上显著。这可能是由于高教育水平家庭的劳动力潜在机会成本较高，因此他们更有可能采用机械化作为替代。如图 4b 所示，低收入组和低教育程度组的非粮食作物生产系数较高且显著。这是因为低收入和低教育程度的农户更依赖农业，倾向于增加非粮食作物产量，以实现收入最大化。同样，机械化条件和非粮食作物生产对耕地撂荒率的抑制作用也存在高低组差异（图 5）。因此，机械化条件和非粮食作物生产对具有不同收入和教育特征的农村家庭的耕地弃耕率具有不同的影响。
图 6 和图 7 显示，中国中西部地区机械化条件的估计系数显著，而东部地区则不显著。这可能是由于东部地区较为发达，农村劳动力大量转移，机械化条件改善，导致边际效应递减。中部地区非粮食作物生产的影响不显著。按海拔高度划分，机械化条件和非粮食作物生产对低海拔地区耕地撂荒的缓解作用更为明显，因为高海拔地区面临的限制因素更多，农业生存能力更低。尽管机械化和非粮食作物种植得到改善，但在高海拔地区增加农业利润仍然困难。
如表 6 所示，Endogenous Wald χ2、Weakiv-Wald 和 Weakiv-AR 在 1%的水平上显著，说明核心变量是内生变量。模型 10 和 11 分别为 IV-Probit 模型和 IV-Tobit 模型。所有 IV 回归模型的结果与基准回归结果相似。模型 12 是 ESR 对农民是否放弃耕地的 ATT 结果。从 ATT 角度看，实验组农户放弃耕地的概率比反事实情况下低 11.7%。这表明，非粮食作物产量高对耕地放弃有显著的负面影响。
（图表来自原文）
推荐人点评：
研究建立了一个理论框架，通过多重模型、异质性分析和实证分析，分析了机械化条件、非粮食作物生产和耕地撂荒之间的关系。这些研究结果表明，改善机械化条件和鼓励非粮食作物生产可以缓解耕地撂荒。但由于数据限制，无法对近期的长期序列进行广泛分析，缺乏进一步研究探讨非粮食作物生产与耕地撂荒之间可能存在的因果关系。
声明
本推送内容仅代表课题组对文章的理解，不是对原文的翻译，请有兴趣的同学阅读原文。课题组水平有限，难免出现错讹，也请各位专家、同学批评指正。如有转载，请与我们联系。
编辑｜朱海华
审核｜王雅婧
