粮食安全是一个至关重要的全球性问题,需要应对耕地撂荒带来的挑战。作为中国农业生产的重要组成部分,耕地的利用受到机械化条件和农户作物种植决策的影响。随着中国山区耕地的经济可行性不断降低,机械化条件和非粮食作物生产对耕地撂荒的影响仍存在争议。本研究建立了一个理论框架,并使用来自中国山区2400个农户的独特调查数据,通过多种模型、异质性分析和事实特征分析,分析了机械化条件、非粮食作物生产和耕地抛荒之间的关系。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抛荒。非粮食作物生产可通过增加农业劳动力投入来缓解耕地抛荒,而改善机械化条件则可抑制非粮食作物生产。此外,改善机械化条件对教育水平较高和收入较低的家庭影响更大,而鼓励非粮食作物生产则呈现出相反的趋势。这两项措施对西部和低海拔地区的影响更大。因此,为了保护耕地和确保山区粮食安全,有必要继续适当进行土地整理,积极鼓励非粮食作物生产,并综合平衡不同管理目标的需求。
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。农田是粮食生产的重要资源,其使用的变化会对粮食供应和安全产生重大影响。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。农田撂荒指的是在以前的农田(不包括休耕、闲置和季节性闲置土地)上停止耕作,从而减少了农业可用空间,造成粮食产量损失。1992年至2020年间,全球有1.01亿公顷农田被撂荒,造成的粮食损失每年至少可养活2.92亿人。在中国快速的城市化进程中,大规模的农村劳动力迁移和农业利润的持续下降,导致了因缺乏管理和盈利能力而造成的耕地撂荒面积的扩大。1995-2020年间,中国农户的耕地抛荒率从0.52%上升到10.36%,2020年造成粮食损失4923万吨。农田撂荒往往与低收益、劳动力短缺或不利的耕作条件有关,这些因素已成为制定缓解农田撂荒战略的关键因素。然而,对缓解策略效果的研究仍然不足,阻碍了耕地撂荒问题综合解决方案的制定。因此,分析缓解耕地撂荒的策略至关重要。
中国政府越来越重视耕地撂荒对粮食安全的潜在威胁,并实施了各种政策来解决这一问题。2021年,农业农村部《关于统筹利用撂荒耕地促进农业生产发展的指导意见》提出,要以改善耕作条件和推进机械化为重点,遏制耕地撂荒。2023年中国《粮食安全保障法》提出对撂荒耕地实行分类管理,优化种植结构。2023年和2024年的中央一号文件(中国共产党和国务院的年度政策指示,主要关注与农村、农业和农民相关的问题,是中国农业和农村发展战略的重要指南;https://www.gov.cn/)都强调了恢复撂荒耕地用于农业生产的必要性。最新的中央一号文件指出,要通过改善耕作条件、适当调整种植结构,有组织地引导废弃耕地恢复农业生产。与此同时,政府还实施了休耕、绿色粮食等一系列耕地退耕政策,并采取分区管理、生态补偿、占补平衡等措施,协调平衡不同策略。
改善机械化条件和种植非粮食作物可以增加农业利润,从而在解决农田经济不可行方面发挥关键作用。目前有关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。其中,改善机械化条件是应用农业机械化的基础。研究表明,机械化正朝着更智能、更精准的方向发展,极大地替代了劳动力,降低了生产成本,促进了农业发展。关于非粮食作物的研究主要调查时空变化、原因、作物布局优化及其对资源和环境的影响。虽然大多数研究表明,非粮作物生产可能会影响粮食供应,但适当种植非粮作物有可能对增加收益和农业可持续性做出积极贡献。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、发展非粮作物生产能否缓解山区耕地撂荒问题仍存在争议。一般来说,条件优越的农田可以在农业生产中使用机械替代劳动力,从而减少对劳动力的需求,降低农业生产成本。因此,改善机械化条件可以缓解劳动力短缺造成的农田撂荒。在山区,许多农田可使用小型机械耕种,或不适合机械化。因此,这些农田可能会因劳动力严重短缺而荒废。此外,目前关于机械化条件与弃耕之间关系的研究大多是简单的定性描述,缺乏对相关机制的定量和详细解释。农村家庭倾向于在市场需求的诱导下种植经济作物,以获得生计收入,从而抵消农田经济活力下降的影响。森林过渡理论认为,通过不断学习新技术,农村家庭倾向于将农业活动集中在有利的耕地上,从而导致放弃不利的耕地。非粮食作物生产对耕地撂荒的影响仍不明确。随着越来越多的政策倡导在山区发展机械化和种植经济作物,一系列问题亟待解决:机械化条件和非粮食作物生产如何影响中国山区的耕地撂荒?两者之间的关系是什么?哪种策略更能有效解决耕地撂荒问题?
由于中国是一个多山的国家,耕地利用存在许多限制因素,导致山区耕地无法实现经济效益的风险较高。因此,解决山区因经济可行性丧失和劳动力短缺造成的农田撂荒问题至关重要。机械化和非粮食作物生产分别是节约成本和提高产量的重要手段。因此,本研究建立了一个包括劳动力、土地和资本在内的理论框架,以分析机械化和非粮食作物生产对农田撂荒的影响。此外,耕地抛荒、采用机械化农业生产和非粮食作物生产都是农村家庭做出的决策。由于同时决策中内生性问题的影响,直接估计采用机械化农业生产和非粮食作物生产对耕地放弃的影响可能会带来偏差。为了解决这些问题,本研究采用了外生替代变量、工具变量(IV)方法和内生转换回归(ESR)模型。本研究采用多种模型实证估计了机械化条件和非粮食作物生产对耕地抛荒的影响,并对中国山区2400户农户进行了抽样调查。这些结果为耕地撂荒和农业发展的相关政策制定提供了参考。
1.描述性统计分析结果
表1列出了自变量和因变量的基本统计结果。耕地撂荒户比例为16.54%,标准差为0.37,耕地撂荒率均值为6.08%,标准差为17.58,二者相对于均值均表现出较高的变异性;机械化条件均值为1.76,变异性中等(标准差为0.59),农作物种植面积用于种植非粮作物的比例均值为29.96%,离散性较大(标准差为35.12)。
中国山区分布广泛,不同地区在机械化条件、非粮食作物生产和耕地撂荒方面存在明显差异。本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农作物面积比例最高(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%。相比之下,陕西的撂荒耕地比例最高(28.35%),撂荒农户比例为15.57%。然而,很难通过省际比较来评估机械化条件、非粮食作物生产和耕地抛荒之间的关系。
2.机械化条件和非粮食作物产量对耕地撂荒的影响
表3列出了机械化条件和非粮食作物产量对耕地撂荒影响的Probit和Tobit模型估计值。这些模型的Waldχ2和LR检验在1%的水平上显著,表明这些模型具有出色的整体拟合能力和较强的解释力。模型1显示了基准Probit回归结果。在模型1中,核心变量的系数在1%的水平上显著为负,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。此外,模型1中农业劳动力投入的系数不显著。这可能是因为劣质农田已无利可图,容易被强制放弃。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的结果呈现出一致的结论,表明机械化条件和非粮食作物生产与耕地撂荒显著负相关,从而支持了H1和H3。
3.作用机制分析
第2节的结果证实,机械化条件和非粮食作物生产与耕地撂荒呈显著负相关。理论框架假设,机械化条件可以缓和农业劳动力投入对耕地抛荒的影响,非粮食作物生产可以缓和机械化条件对耕地抛荒的影响。使用交互项对这些关系进行了检验。此外,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抛荒,而机械化条件可以抑制非粮食作物生产,这些都使用中介模型进行了检验。表4和表5列出了结果。
表4显示了机械化条件和非粮食作物生产对耕地抛荒的调节作用。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抛荒的影响,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。因此,H2和H5没有得到支持。这可能是由于山区农户依赖机械,需要高强度的劳动力投入,而社会化服务相对不发达。此外,为了获得更多收入,农户可能倾向于在机械化条件较好的农田上种植非粮食作物。这可能导致模型3-6中的交互项不显著。
为进一步分析机械化条件对耕地弃耕的影响,使用模型7、模型8和模型2检验了中介效应;结果见表5。模型7采用了不以农业劳动力投入为控制变量的模型2,结果表明非粮食作物生产与耕地抛荒显著负相关。模型8是一个以农业劳动力投入为因变量的Tobit模型,它表明非谷物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。根据公式(9)-(11),农业劳动力投入的中介效应表现为部分中介效应。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抛荒率显著下降,因此H4得到证实。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。因此,H6得到证实。
4.异质性分析
4.1.不同家庭的结果
机械化条件和非粮食作物生产与资本和劳动力高度相关,需要调整劳动力和物质投入。农村家庭的异质性很强,不同特征的家庭有不同的目标和制约因素。本研究根据户主的收入和受教育程度对农户进行分组,进一步分析机械化条件和非粮食作物生产对不同特征农户耕地放弃的影响。户主教育程度根据是否完成高中或高中以上教育分为两组,而家庭收入则分为高组和低组(低于或高于平均值)。不同组别的估计结果见图4和图5。
图4显示,机械化条件和非粮食作物生产对高收入组和低收入组以及户主受教育程度的农户是否放弃耕地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。这可能是由于高学历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品。如图4b所示,非粮食作物生产的系数在低收入组和低教育程度组较高且显著。这是因为低收入和低教育水平的农户更依赖农业,倾向于增加非粮食作物产量以获得最大收入。同样,机械化条件和非粮食作物生产对耕地抛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不同收入和教育特征的农户的耕地弃耕率具有不同的影响。
4.2.不同地区的结果
机械化条件和非粮食作物生产对耕地抛荒的影响可能会因山区的地区差异而有所缓和。考虑到中国东部、中部和西部地区经济发展水平和地理环境的差异,本研究按照国家统计局的划分,对三个地区进行了异质性分析。此外,由于海拔高度的变化对山区农业生产影响较大,因此将样本分为低海拔组(低于样本平均海拔)和高海拔组进行子样本分析,如图6和图7所示。
图6和图7显示,中国中西部地区的机械化条件估计系数显著,而东部地区的系数不显著。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。一个可能的原因是,中部地区缺乏生产高价值作物的气候条件和相应的政策支持。按海拔高度划分,本研究可以发现,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了改善,但在高海拔地区提高农业利润仍然困难重重。
5.内生性处理和稳健性分析
农田机械化条件是外生变量,因为它们是农田的固有特征,不受农户决策的影响。鉴于非粮食作物生产和农田撂荒的潜在内生性,本研究采用IV-Probit、IV-Tobit和ESR模型来处理可能的内生性。从理论上讲,回归模型中合适的IV与内生解释变量高度相关,而与模型的随机误差项不相关。如表6所示,EndogenousWaldχ2、Weakiv-Wald和Weakiv-AR在1%的水平上显著,说明核心变量是内生变量,IV不“弱”。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农田放弃有显著的负面影响,这与之前的结果一致。
为了检验估计结果的稳健性,本研究比较了多个替代模型(表7)。模型13采用了Logit回归。按照Xu等人(2019年)的方法,模型14是用农村家庭耕地放弃量表代替因变量的Tobit估计结果。使用箱形图来识别潜在的异常值,在自变量中没有发现异常值,但在家庭耕地面积中发现了相对极端值,使用Z值法将其剔除。模型15和16表明,在剔除这些极端值后,结果的显著性保持不变。由于土地流转和开垦导致部分家庭的耕地面积扩大,因此基准回归样本与实际情况相符。此外,这些比较模型的结果与模型1和模型2的结果一致,表明这些模型结果是稳健可靠的。机械化条件和非粮食作物生产均与耕地撂荒呈显著负相关。
6.对事实特征的进一步分析
2-4节主要通过计量经济模型分析了机械化条件、非粮食作物生产与耕地撂荒之间的相关性。在此基础上,本研究对调查中的某些事实特征进行了统计分析,以便更全面、整体地解释机械化条件、非粮食作物生产与耕地抛荒之间的关系。其中包括对村干部感性答案的统计、非粮食作物产量变化与耕地撂荒的关系、机械化与非粮食产量对成本收益关系的影响等。
首先,在实地调查中征求村干部的意见,全面调查耕地抛荒的原因。本研究选取了了解本村农业生产情况的村干部,调查本村耕地抛荒不严重的原因(353个样本),如图8所示。根据村干部的感性回答,117名村干部表达了非粮食作物生产可以缓解撂荒的观点,102名村干部认为有利的机械化条件可以缓解撂荒。
其次,考虑到农户农作物调整的动态特征,本研究利用浙江大学中国家庭数据库的调查数据来描述非粮作物生产和农田撂荒的变化。如表8所示,2015-2017年间,非粮食作物产量增加的村庄,耕地撂荒率从9.449%-9.421%下降。相反,其他村庄的耕地撂荒率有所上升。总体而言,适当提高非粮食作物产量可以缓解耕地撂荒。
第三,农业机械和作物调整会改变耕作的成本效益动态,从而影响耕地撂荒。为进一步解释上述机制,本研究利用公式(18)和(19)计算了不同机械化条件和作物类型下农业收入弹性和劳动力投入影子工资。如图9a和b所示,劳动力投入的农业收入弹性随着不能使用机械、小型机械和大中型机械的减少而降低,而影子工资则呈现相反的趋势。对不同机械类型的劳动力和机械成本的统计表明,大中型机械所需的成本较高,但可以替代更多的劳动力投入(图9c和d)。这表明,较好的机械化条件可以降低农业生产对劳动力的依赖程度和劳动力成本,从而提高劳动生产率,缓解耕地抛荒。
非粮食作物的弹性系数和影子工资均大于粮食作物(图9a和e)。此外,劳动力投入和农业收入的统计结果显示,非粮食作物生产每公顷需要47.292天,产量为9188.964美元,高于粮食作物生产的25.615天和2794.002美元(图9f、g)。由此可见,种植非粮食作物需要更多的劳动力投入,但产量和劳动生产率却更高,这有助于缓解农田撂荒现象。
以往关于耕地撂荒的研究主要集中在分析耕地撂荒的原因、土地损失估计和生态影响。然而,由于耕地撂荒是以农村家庭决策为基础的,因此预计耕地撂荒会受到农业生产条件和其他家庭决策的影响,如作物种植安排。改善农业生产条件和优化种植结构是中国管理部门控制耕地抛荒的主要措施。然而,在耕地撂荒严重的山区,机械化条件和非粮食作物生产的影响还存在争议。因此,本研究利用独特的调查数据,从农村家庭决策的角度研究了机械化条件、非粮食作物生产和耕地撂荒之间的关系,并使用计量经济模型进行了实证估计,为粮食安全管理和耕地保护提供了新的见解。本研究重点研究了机械化条件、非粮食作物生产和耕地撂荒之间的关系,但有几个问题需要进一步探讨。首先,样本家庭主要集中在中国的山区,如果将平原地区也包括在内,研究结果将更有用、更具代表性。其次,虽然本研究比较了不同年份的非粮食作物生产和耕地撂荒情况,但由于数据限制,无法对近期的长期序列进行广泛分析,这对未来的研究很有必要。第三,没有分析农户采用机械与社会化服务对耕地撂荒的影响关系。第四,需要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。由于研究篇幅所限,本研究只介绍了机械化条件和非粮食作物生产对耕地抛荒的影响;如上所述,耕地抛荒是农户根据家庭资源禀赋做出的应对耕地边缘化的决策。由于农业成本上升,劣质农田可能变得无利可图,容易被迫放弃。当耕地被放弃时,农村家庭可能会将作物生产模式重新分配到额外的土地上,以实现利润最大化。确定农田撂荒是否会对非粮食作物生产产生相互影响,并揭示其中的机制,可能有助于制定解决粮食不安全问题的战略方案。第五,还应调查作物多样性对耕地撂荒的影响,因为这些结果可与本研究的结果相结合,以更准确地估计作物模式变化对耕地撂荒的影响。最后,具有良好机械化条件的农田较少出现撂荒,但改善这些条件对缓解劳动力短缺对撂荒的影响作用有限。因此,今后需要解决劳动力投入的适当平衡和分配问题。
初审:严 露
审核:徐彩瑶
排版编辑:任 燕
文献推荐人:任 燕
参考文献:Song H, Li X, Xin L, et al. Improving mechanization conditions or encouraging non-grain crop production? Strategies for mitigating farmland abandonment in China’s mountainous areas. Land Use Policy, 2025, 149, 107421.
以上内容仅代表个人对文章的理解,详情请点击阅读原文。
【数字生态与绿色发展学术团队】Improving mechanization conditions or encouraging non-grain crop production? Strategies for mitigating farmland abandonment in China’s mountainous areas.pdf推荐阅读
探索基于自然的生态文明解决方案,助力实现“双碳”战略目标,协同推进人与自然和谐共生与全体人民共同富裕的中国式现代化建设,让我们一起加油!