彭繼權, 吳海濤, 宋嘉豪, 李孟丁
?
農(nóng)業(yè)機械化水平對湖北農(nóng)戶耕地復種指數(shù)的影響*
彭繼權, 吳海濤**, 宋嘉豪, 李孟丁
(中南財經(jīng)政法大學工商管理學院 武漢 430073)
耕地復種指數(shù)的提升對我國糧食安全戰(zhàn)略實施和三農(nóng)問題解決意義重大。為了考察農(nóng)業(yè)機械化水平對湖北農(nóng)戶耕地復種指數(shù)的影響, 以1 682份湖北農(nóng)戶調(diào)查數(shù)據(jù)為基礎, 通過運用IVTobit和IVProbit回歸模型, 探討農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)的影響及其在不同類型農(nóng)作物耕地間的差異性。研究結果表明: 1)農(nóng)業(yè)機械化水平每提升1%, 耕地復種指數(shù)提高1.393%, 糧食作物耕地復種指數(shù)提高0.988%, 經(jīng)濟作物耕地復種指數(shù)提高2.160%。2)從不同類型農(nóng)作物耕地復種意愿來看, 農(nóng)業(yè)機械化水平每提升1%, 農(nóng)戶對糧食作物耕地復種意愿的概率提高3.100%, 對經(jīng)濟作物耕地復種意愿的概率提高5.361%。從其他控制變量來看, 戶主教育、戶主年齡、家庭非農(nóng)收入占比、家庭轉出土地、氣溫變化對農(nóng)戶耕地復種指數(shù)存在顯著的負向影響; 家庭規(guī)模、農(nóng)作物品種數(shù)量、地區(qū)類型對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響。總之, 農(nóng)戶農(nóng)業(yè)機械化水平的提升對耕地復種有積極作用, 特別對經(jīng)濟作物耕地復種指數(shù)的提升作用尤為明顯。
農(nóng)業(yè)機械化水平; 農(nóng)戶行為; 耕地; 復種指數(shù); IVTobit; IVProbit
中國人均耕地面積比較匱乏, 城鎮(zhèn)化發(fā)展擠占了大量農(nóng)業(yè)用地, 加劇了人地矛盾, 嚴重危及國家糧食安全[1-2]。在耕地資源有限的背景下保障國家的糧食安全, 還需要不斷提高耕地集約化程度, 耕地復種是在時間和空間上加強耕地集約化利用最簡單有效的措施之一[3-4]。據(jù)統(tǒng)計, 我國農(nóng)業(yè)增收的1/3由耕地復種所貢獻[5-6], 耕地復種可以通過提高糧食產(chǎn)量進而保障國家糧食安全, 同時還能一定程度上緩解糧食作物與經(jīng)濟作物之間的爭地矛盾[7-8]。目前一些研究表明, 中國部分糧食主產(chǎn)區(qū)的單產(chǎn)增速逐步放緩, 甚至出現(xiàn)下降趨勢[9-10]。其原因是隨著耕地資源利用程度和農(nóng)業(yè)技術采用程度的提高, 糧食單產(chǎn)水平出現(xiàn)了“天花板效應”[11]。因此, 在中國當前耕地難以外延擴展, 糧食單產(chǎn)增長困難的情況下[12], 研究耕地復種對國家糧食安全戰(zhàn)略具有重要的現(xiàn)實意義。
復種指數(shù)作為衡量復種效率的重要指標, 反映了農(nóng)業(yè)生產(chǎn)在時間尺度上利用農(nóng)業(yè)生產(chǎn)資源的程度[13]。復種指數(shù)不僅受到光、水、熱資源等自然因素的影響, 還受到經(jīng)濟、政策、人力、技術條件等社會因素的影響。目前, 世界上關于耕地復種指數(shù)的研究主要集中在人均耕地較少的地區(qū), 采用復種模式最為普遍的是亞非地區(qū)[14], 尤其是亞洲地區(qū)[15]。國內(nèi)眾多學者圍繞復種指數(shù)及其影響因素進行了大量研究, 復種指數(shù)的影響因素可以總結為以下4類: 第一, 農(nóng)業(yè)生產(chǎn)要素層面。有學者[16]認為肥料、水利、勞動力和技術條件是提高復種指數(shù)的重要因素。第二, 自然因素層面??登辶值萚17]發(fā)現(xiàn)積溫波動是造成江蘇省復種指數(shù)偏低的主要原因。李闊等[18]發(fā)現(xiàn)氣候異常變化會影響耕地的復種指數(shù)。農(nóng)作物間的選擇搭配以及農(nóng)作物生產(chǎn)的季節(jié)性是影響耕地復種指數(shù)的重要因素[19]。也有部分學者發(fā)現(xiàn)耕地復種指數(shù)變化的空間格局與地形密切相關[20-21]。第三, 國家政策層面。國家政策一般會通過和勞動集約度或者資本集約度的交互效應來影響耕地的復種指數(shù)[22]。農(nóng)業(yè)補貼政策會提高農(nóng)戶務農(nóng)積極性, 從而提高耕地的利用程度[23]。而耕地輪作休耕政策會降低耕地的復種程度[24]。城鎮(zhèn)化的擴張導致大量耕地被占用[25], 為保證農(nóng)作物的播種面積, 城鎮(zhèn)化反向促進耕地復種指數(shù)的提高[26-27]。第四, 農(nóng)業(yè)市場層面。種糧比較利益偏低會降低農(nóng)戶的種糧積極性, 導致農(nóng)戶對耕地的利用程度下降[5]。也有學者從市場交易的角度發(fā)現(xiàn)土地市場發(fā)育的程度會直接影響耕地的復種指數(shù)[28-29]。
綜上所述, 目前關于復種指數(shù)的研究較為豐富, 但大部分研究都是基于國家統(tǒng)計數(shù)據(jù), 鮮有從農(nóng)戶層面研究耕地的復種指數(shù)。耕地復種是單個農(nóng)戶自身的生產(chǎn)行為, 使用宏觀統(tǒng)計數(shù)據(jù)分析會掩蓋地區(qū)內(nèi)農(nóng)戶的異質(zhì)性, 且只能從宏觀層面探究影響復種指數(shù)的因素, 難以精準找出影響農(nóng)戶耕地復種指數(shù)的微觀因素。隨著農(nóng)業(yè)機械的普及和農(nóng)業(yè)基礎設施的完善, 傳統(tǒng)農(nóng)業(yè)的作業(yè)方式得到較大改善, 農(nóng)業(yè)生產(chǎn)效率得到較大提升, 那么, 農(nóng)業(yè)機械化水平的提高會影響農(nóng)戶耕地的復種指數(shù)嗎?
基于此, 本文嘗試運用1 682個農(nóng)戶實地調(diào)查數(shù)據(jù), 探究農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)的影響, 厘清農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)影響的程度和方式, 并分析其影響機制。特別強調(diào)的是, 直接把農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)進行回歸, 模型可能會存在內(nèi)生性(endogeneity)和樣本選擇偏誤(sample selection bias)問題, 本文將選取合適的工具變量和計量模型, 準確地估計出農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)的凈效應, 為促進我國耕地復種指數(shù)的提升和國家糧食安全戰(zhàn)略的發(fā)展提供政策依據(jù)。
本文運用湖北省的1 682個農(nóng)戶實地調(diào)查數(shù)據(jù)作為研究樣本, 為考察農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)的影響, 構建如式(1)所示的計量回歸模型。
式中: 下標表示單個農(nóng)戶;為農(nóng)戶耕種的復種指數(shù);為農(nóng)業(yè)機械化水平, 以農(nóng)作物耕、種、收綜合機械化率為主要指標, 另外選取農(nóng)業(yè)機械數(shù)量、農(nóng)業(yè)機械投資和灌溉面積占比作為模型穩(wěn)健性檢驗指標;為其他控制變量, 包括戶主受教育水平、戶主年齡、家庭規(guī)模、家庭非農(nóng)收入占比、家庭土地流轉面積、農(nóng)作物種植品種數(shù)量、氣溫變化和地形特征;是隨機擾動項;0、0和為待估參數(shù), 其中0是本文感興趣的參數(shù)。由于本文的主要因變量“復種指數(shù)”為連續(xù)變量, 式(1)為多元線性模型, 所以本文采用的基準回歸方法為普通最小二乘法(OLS)。在運用OLS方法進行回歸時, 回歸模型必須滿足最優(yōu)線性無偏性(BULE)假定。但一般樣本基本不可能完全滿足, 為了獲得0的無偏估計量, 必須解決式(1)中的兩個計量難題——內(nèi)生性問題和樣本選擇問題。為解決內(nèi)生性影響模型估計結果的有效性問題, 本文采用工具變量法(2SLS)和工具變量GMM模型(即IVGMM)來解決模型估計上的內(nèi)生性問題; 為解決樣本選擇偏誤問題, 本文使用Tobit模型進行估計, 同時解決以上兩個問題則采用工具變量Tobit模型(即IVTobit)方法。IVTobit的計量模型為式(2)-式(4):
式中: 變量Y為潛變量,Y為可以觀測到的變量(耕地復種指數(shù)),Z為本文所用的工具變量,m為內(nèi)生變量, 上述問題的內(nèi)生性源于和Z、v的相關性。另外, 本文也想進一步考察農(nóng)業(yè)機械化水平對農(nóng)戶復種意愿的影響, 考慮到意愿的取值為0或1, 故選取工具變量Probit模型(IVProbit)進行估計, IVProbit和IVTobit的區(qū)別在于Y的取值不同, IVProbit的計量模型見式(2)、式(3)和式(5)。
1.2.1 數(shù)據(jù)來源
本文研究數(shù)據(jù)來自于課題組2016年在湖北省的農(nóng)戶實地調(diào)查數(shù)據(jù), 此次調(diào)查的內(nèi)容涵蓋家庭人口基本信息、家庭資本信息、家庭生產(chǎn)經(jīng)營情況和農(nóng)業(yè)機械使用情況等。為保證樣本選取具有代表性, 調(diào)研地點選取了湖北省英山縣、蘄春縣、沙市區(qū)、陽新縣和老河口市等5個縣市區(qū), 在一定程度上可以代表湖北省的東、中、西部。采用隨機抽樣的方法, 在每個縣市區(qū)抽取5個鄉(xiāng)鎮(zhèn), 每個鄉(xiāng)鎮(zhèn)抽取2個村, 每個村抽取35戶農(nóng)戶, 共調(diào)查1 750戶農(nóng)戶, 剔除無效樣本68份, 共獲得有效樣本1 682份。
1.2.2 變量選取
表1為本文變量的描述性統(tǒng)計結果, 主要包括各變量定義、均值和標準差。
1)農(nóng)業(yè)機械化水平。主要采用農(nóng)業(yè)農(nóng)村部對農(nóng)業(yè)機械化水平的衡量指標, 即農(nóng)作物耕、種、收綜合機械化率。其測算方法是機耕率、機播率和機收率的加權平均值(根據(jù)農(nóng)業(yè)農(nóng)村部的賦值方法權重分別為0.4、0.3、0.3)。機耕率等于機耕面積除以應耕作面積, 機播率等于機播面積除以農(nóng)作物播種面積, 機收率等于機收面積除以實際收獲面積。選用農(nóng)業(yè)作物耕、種、收綜合機械化率能夠直接反映農(nóng)戶的實際機械化作業(yè)水平, 相比農(nóng)機總動力更容易觀測。
2)農(nóng)戶耕地復種指數(shù)。復種是指一年內(nèi), 在同一田塊連續(xù)種植(收獲)2季或者2季以上作物的種植方式。連作、套作、移栽、再生等都是實現(xiàn)復種的具體技術措施。復種有兩個本質(zhì)特征: 一是通過多種一季或若干季作物提高對耕地資源的利用程度, 即在時間維度增加對耕地的利用強度; 二是通過多收一季或若干季作物提高對耕地資源的利用效果, 即增加耕地產(chǎn)出。復種指數(shù)是耕作制度研究中衡量耕地資源集約化利用程度的基礎性指標, 也是國家宏觀評價資源利用基本狀況的重要技術指標。復種指數(shù)的計算方法為: 耕地復種指數(shù)=(全年農(nóng)作物總收獲面積/耕地面積)×100%, 這種計算方法能夠準確簡單地表達出連作復種方式對耕地資源的利用程度[13]。
3)其他變量。戶主教育水平: 戶主是家庭的主要決策者, 戶主教育水平將直接影響農(nóng)戶對土地配置的決策[30]; 戶主年齡: 戶主年齡能夠在一定程度上反映家庭結構, 家庭結構會影響家庭生計策略的選擇; 家庭規(guī)模: 家庭規(guī)模的大小會影響到家庭的生產(chǎn)和消費行為; 家庭非農(nóng)收入占比: 家庭非農(nóng)收入占比可以來衡量家庭的非農(nóng)化程度, 農(nóng)戶的非農(nóng)化程度越高, 農(nóng)戶對土地的耕種意愿和資本投入就會越低; 家庭土地流轉面積: 農(nóng)戶的土地流轉面積越大, 表明農(nóng)戶的土地經(jīng)營意愿越低, 對于土地復種的意愿就會越低; 農(nóng)作物品種數(shù)量: 農(nóng)作物生長周期和季節(jié)性的差異會影響土地的復種程度; 氣溫變化: 適宜的溫度是農(nóng)作物生長的必要條件, 土地復種也需要考慮到自然氣候的變化; 地區(qū)類型: 土地類型必然是影響農(nóng)業(yè)機械使用的決定因素。
表1 研究區(qū)農(nóng)業(yè)機械化水平對樣本農(nóng)戶耕地復種指數(shù)影響的變量說明和統(tǒng)計
如果回歸模型中變量之間存在嚴重的多重共線性問題, 那么回歸結果可能存在問題。本研究選取多重共線性的診斷方法對各變量之間的多重共線性問題進行檢驗。判斷模型變量間是否存在嚴重多重共線性主要是根據(jù)容差和方差膨脹因子, 當變量容差的值為0.1~1.0, 方差膨脹因子小于10, 則認為該變量的多重共線性不嚴重。表2是以農(nóng)業(yè)機械化水平為因變量的多重共線性檢驗結果, 各變量的容差均為0.1~1.0, 且方差膨脹因子都小于10, 檢驗結果表明各變量間的多重共線性不嚴重, 基本滿足回歸模型的要求。
表2 以農(nóng)業(yè)機械化水平為因變量的樣本農(nóng)戶耕復種指數(shù)回歸模型多重共線性檢驗結果
表3主要是考量農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)的影響, 方程1中的關鍵解釋變量為農(nóng)作物耕、種、收綜合機械化水平, 為本文最關注的變量; 方程2中關鍵解釋變量為家庭農(nóng)業(yè)機械數(shù)量; 方程3中的關鍵解釋變量為家庭農(nóng)業(yè)機械投資; 方程4中的關鍵解釋變量為灌溉面積占比。方程2-方程4都是為了檢驗方程1的穩(wěn)健性。在方程1中, 回歸結果顯示, 農(nóng)業(yè)機械化水平通過了1%置信水平的顯著性檢驗, 除戶主教育水平外, 其他控制變量都通過了顯著性檢驗。方程2-方程4, 回歸結果依次顯示, 農(nóng)業(yè)機械數(shù)量對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響, 農(nóng)業(yè)機械投資對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響, 灌溉面積占比對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響。這表明, 不論選用何種農(nóng)業(yè)機械化水平指標, 農(nóng)業(yè)機械化水平依然對農(nóng)戶耕地復種指數(shù)存在穩(wěn)健的正向影響, 從而進一步驗證了農(nóng)業(yè)機械化水平確實會影響農(nóng)戶的耕地復種指數(shù)。
2.2.1 農(nóng)業(yè)機械化水平的影響
農(nóng)業(yè)機械化水平的OLS回歸系數(shù)是0.114 0, 且該變量在1%置信水平上顯著。這表明農(nóng)業(yè)機械化水平每提升1%, 則農(nóng)戶的耕地復種指數(shù)會提高0.11%。可能原因是農(nóng)業(yè)生產(chǎn)具有明顯的地域性、季節(jié)性與周期性。一般而言, 農(nóng)業(yè)的地域性和季節(jié)性雖然無法通過農(nóng)業(yè)機械來克服和改變, 但農(nóng)業(yè)機械可以縮短農(nóng)業(yè)生產(chǎn)作業(yè)周期。農(nóng)業(yè)生產(chǎn)作業(yè)主要包括土地翻整、播種和收割等關鍵環(huán)節(jié), 農(nóng)業(yè)機械使用正好可以有效縮短這些生產(chǎn)環(huán)節(jié)的時間, 特別是在輪作作物區(qū), 只有順利完成上一輪農(nóng)作物的“搶收”工作, 才有可能及時播種下一輪農(nóng)作物。因此, 農(nóng)業(yè)機械能夠通過縮短農(nóng)業(yè)生產(chǎn)作業(yè)時間, 進而保證復種農(nóng)作物種植的季節(jié)性, 提高土地利用率, 增加耕地復種程度。
2.2.2 農(nóng)戶個體特征的影響
戶主年齡對農(nóng)戶耕地復種指數(shù)的回歸系數(shù)是-0.009 4, 且該變量在1%置信水平上顯著。這表明, 戶主年齡每增加1歲, 農(nóng)戶耕地復種指數(shù)就會降低0.94%??赡茉蚴歉貜头N是對土地集約化利用的表現(xiàn), 只有在符合農(nóng)作物生長的季節(jié)內(nèi)快速完成兩次或兩次以上相同的農(nóng)業(yè)生產(chǎn)操作才有可能實現(xiàn)耕地復種。因此, 耕地復種需要較大的勞動力投入量, 戶主的年齡越大, 戶主的體力難以維持高強度的農(nóng)業(yè)生產(chǎn)活動, 對耕地復種的意愿就會降低。戶主教育水平對農(nóng)戶耕地復種指數(shù)有正向影響, 但結果并不顯著。
2.2.3 農(nóng)戶家庭特征的影響
農(nóng)戶家庭規(guī)模與耕地復種指數(shù)存在顯著的正向影響, 可能原因是家庭規(guī)模越大, 從事農(nóng)業(yè)生產(chǎn)活動的人數(shù)就越多, 農(nóng)戶耕地復種的可能性就越大。家庭非農(nóng)收入占比對農(nóng)戶耕地復種指數(shù)存在顯著的負向影響, 可能原因是農(nóng)戶的非農(nóng)收入占比越大, 農(nóng)戶對土地的依賴就會越小, 對土地的投入也就會越小。轉出土地面積對農(nóng)戶耕地復種指數(shù)存在顯著的負向影響, 可能原因是土地轉出的規(guī)模越大, 農(nóng)戶從事農(nóng)業(yè)生產(chǎn)活動的意愿就越小, 對耕地復種的意愿也會越小。種植農(nóng)作物品種數(shù)量對農(nóng)戶耕地復種指數(shù)有顯著的正向影響, 可能原因是農(nóng)戶種植農(nóng)作物的品種越多, 農(nóng)戶對土地的利用程度可能就越大, 耕地的復種程度也就越高。
2.2.4 自然特征的影響
氣溫變化對耕地復種指數(shù)存在顯著的負向影響, 回歸系數(shù)為-0.097 3, 表明氣溫變化異常地區(qū)耕地的復種指數(shù)要比氣溫變化不異常地區(qū)低9.73%。可能原因是, 氣溫是農(nóng)作物生長的重要因素, 特別是對于耕地復種尤其重要, 氣溫變化異常的地區(qū)缺乏良好的復種條件, 因此耕地復種指數(shù)低。地區(qū)類型對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響, 回歸系數(shù)為0.505 0, 表明平原地區(qū)的復種指數(shù)要比非平原地區(qū)的高50.5%, 可能原因是, 平原地區(qū)的地理環(huán)境更具優(yōu)勢, 在農(nóng)作物生產(chǎn)方面可以節(jié)省大量的時間和勞動, 所以平原地區(qū)耕地的復種程度會更高。
表3 農(nóng)業(yè)機械化水平對樣本農(nóng)戶耕地復種指數(shù)影響的普通最小二乘法估計結果
***、**、*分別表示自變量在1%、5%、10%的置信水平上顯著。括號內(nèi)數(shù)據(jù)為標準誤。*, **, *** mean that explanatory variables have significant influences on levels of 10%, 5%, and 1%. Data in parenthesis is the standard error.
前文采用了OLS回歸方法估計了農(nóng)業(yè)機械化水平對耕地復種指數(shù)的影響, 但估計結果可能會因樣本選擇偏誤和內(nèi)生性問題而產(chǎn)生偏誤, 因此, 還需要進一步驗證以上問題是否存在。表4中的方程1為Tobit模型估計結果, 方程2和方程3為2SLS模型估計結果, 方程4為IVGMM模型估計結果, 方程5和方程6為IVTobit模型估計結果。表4的方程1中農(nóng)業(yè)機械化水平的Tobit回歸系數(shù)比OLS回歸系數(shù)更大, 表明OLS回歸模型中確實存在樣本選擇偏誤問題。從方程2-方程4可知, 不管是2SLS估計結果還是IVGMM結果, 農(nóng)業(yè)機械化水平的估計系數(shù)會因內(nèi)生性問題而被嚴重低估, 說明OLS回歸模型中確實存在內(nèi)生性問題。根據(jù)Stock和Yogo[31]所提出的工具變量弱識別(weak identifacation)檢驗方法, 檢驗結果表明本文所采用的工具變量并非弱工具變量。另外, 工具變量也通過了冗余檢驗。以上一系列有關工具變量的檢驗結果表明, 本文所采用的工具變量較為科學可行。
由此可知, 樣本選擇偏誤和內(nèi)生性都會對模型估計產(chǎn)生干擾, 且內(nèi)生性問題導致模型估計的偏誤會更大。如果僅采用OLS回歸方法可能得不出農(nóng)業(yè)機械化水平對耕地復種指數(shù)的真實估計值, 為此, 本文采用工具變量Tobit模型(即IVTobit)方法同時處理樣本選擇問題和內(nèi)生性問題, IVTobit回歸結果見方程6。就關鍵解釋變量“農(nóng)業(yè)機械化水平”而言, IVTobit估計系數(shù)比2SLS和IVGMM估計系數(shù)更大。農(nóng)業(yè)機械化水平每提高1%, 農(nóng)戶耕地的復種指數(shù)就提高1.393%, 且在1%置信水平上顯著。從控制變量的IVTobit估計系數(shù)可知, 各控制變量的IVTobit估計系數(shù)與OLS、2SLS、IVGMM的估計系數(shù)相差不大, 說明IVTobit模型具有較強的穩(wěn)健性, 估計結果較為可信。至此, 我們可以確定農(nóng)業(yè)機械化水平確實能夠顯著影響農(nóng)戶耕地復種指數(shù), 且農(nóng)業(yè)機械化水平帶動耕地復種指數(shù)提升的幅度要高于自身提升幅度, 這一真實影響效應必須要在解決了回歸模型中樣本選擇偏誤和內(nèi)生性問題之后才能得出。
表4 農(nóng)業(yè)機械化水平對樣本農(nóng)戶耕地復種指數(shù)影響的IVTobit估計結果
***、**、*分別表示自變量在1%、5%、10%的置信水平上顯著。括號內(nèi)數(shù)據(jù)為標準誤。*, **, *** mean that explanatory variables have significant influences on levels of 10%, 5%, and 1%, respectively. Data in parenthesis is the standard error.
前文證實了農(nóng)業(yè)機械化水平確實會對耕地復種指數(shù)產(chǎn)生影響, 但農(nóng)業(yè)機械化水平是如何影響耕地復種指數(shù)的呢? 或者說, 農(nóng)業(yè)機械化水平對不同類型耕地復種指數(shù)的影響是一樣的嗎? 這一問題的解答對厘清耕地復種指數(shù)的影響機制具有重要意義。農(nóng)戶種植農(nóng)作物的類型主要可以分為糧食作物和經(jīng)濟作物, 不同類型農(nóng)作物的復種程度可能會存在差異。本文根據(jù)農(nóng)作物種植類型把耕地分為糧食作物耕地和經(jīng)濟作物耕地, 進而分別考量農(nóng)業(yè)機械化水平對糧食作物耕地和經(jīng)濟作物耕地復種指數(shù)的影響, 然后分別考察農(nóng)業(yè)機械化水平對農(nóng)戶糧食作物耕地復種和經(jīng)濟作物耕地復種意愿的影響。
考慮到內(nèi)生性和樣本選擇偏誤問題, 采用IVTobit模型進行估計。表5的方程1和方程2是農(nóng)業(yè)機械化水平對糧食作物耕地復種指數(shù)的IVTobit的第1階段和第2階段回歸結果?;貧w結果表明, 農(nóng)業(yè)機械化水平每提高1%, 糧食作物耕地復種指數(shù)就提高0.988%, 低于農(nóng)業(yè)機械化水平對全部耕地復種指數(shù)的影響。表5的方程3和方程4是農(nóng)業(yè)機械化水平對經(jīng)濟作物耕地復種指數(shù)的IVTobit的第1階段和第2階段回歸結果。回歸結果表明, 農(nóng)業(yè)機械化水平每提高1%, 經(jīng)濟作物耕地復種指數(shù)就提高2.160%, 高于農(nóng)業(yè)機械化水平對全部耕地復種指數(shù)的影響。由此可知, 農(nóng)業(yè)機械化水平對不同類型農(nóng)作物耕地復種指數(shù)的影響存在顯著差異, 農(nóng)業(yè)機械化水平對經(jīng)濟作物耕地復種指數(shù)的影響遠高于對糧食作物耕地復種指數(shù)的影響。從其他控制變量來看, 戶主教育水平每提高1%, 糧食作物和經(jīng)濟作物耕地復種指數(shù)分別顯著降低0.015%和0.047%。戶主年齡每增加1%, 糧食作物耕地復種指數(shù)顯著降低0.005%, 經(jīng)濟作物耕地復種指數(shù)沒有顯著變化。家庭規(guī)模每增加1%, 糧食作物耕地復種指數(shù)顯著增加0.030%, 經(jīng)濟作物耕地復種指數(shù)沒有顯著變化。家庭非農(nóng)收入占比每增加1%, 經(jīng)濟作物耕地復種指數(shù)顯著降低0.145%, 糧食作物耕地復種指數(shù)沒有顯著變化。家庭土地流轉面積每增加1%, 糧食作物和經(jīng)濟作物耕地的復種指數(shù)分別顯著增加0.030%和0.040%。農(nóng)作物種植種類每增加1%, 糧食作物和經(jīng)濟作物耕地的復種指數(shù)分別顯著增加0.151%和0.230%。氣溫變化對糧食作物和經(jīng)濟作物耕地的復種指數(shù)沒有顯著影響。平原地區(qū)相較于非平原地區(qū)而言, 其糧食作物耕地復種指數(shù)的提升更大。
***、**、*分別表示自變量在1%、5%、10%的置信水平上顯著。*, **, *** mean that explanatory variables have significant influences on levels of 10%, 5%, and 1%, respectively. Data in parenthesis is the standard error.
方程5和方程6是農(nóng)業(yè)機械化水平對農(nóng)戶糧食作物耕地復種意愿和經(jīng)濟作物耕地復種意愿的IVProbit估計結果。回歸結果表明, 農(nóng)業(yè)機械化水平每增加1%, 農(nóng)戶對糧食作物和經(jīng)濟作物耕地復種意愿的概率分別提高3.100%和5.361%, 這也進一步說明農(nóng)業(yè)機械化水平更能促進經(jīng)濟作物耕地的復種程度, 佐證了以上的觀點。從其他控制變量來看, IVProbit估計結果的系數(shù)和IVTobit估計結果的系數(shù)基本一致, 表明模型具有良好的穩(wěn)健性。從其他控制變量來看, 戶主教育水平、家庭非農(nóng)收入占比、家庭土地流轉面積對農(nóng)戶糧食作物耕地復種指數(shù)的提升有顯著的負向影響, 農(nóng)作物種植種類和地區(qū)類型對農(nóng)戶糧食作物耕地復種指數(shù)的提升有顯著的正向影響。農(nóng)作物種植種類對農(nóng)戶經(jīng)濟作物耕地復種指數(shù)的提升有顯著的正向影響。
糧食安全關系到社會穩(wěn)定、國民經(jīng)濟建設等一系列問題。在當前, 我國糧食產(chǎn)量雖然已經(jīng)實現(xiàn)了連續(xù)“十四年增”, 但隨著城鎮(zhèn)化和工業(yè)化的進程, 我國的耕地資源日趨緊張, 農(nóng)村勞動力外流嚴重, “谷賤傷農(nóng)”又進一步挫傷農(nóng)民的種糧積極性, 我國的糧食安全問題仍不可掉以輕心。以往研究表明, 農(nóng)業(yè)增產(chǎn)很大一部分是由耕地資源集約化利用所貢獻的[26]。農(nóng)業(yè)機械使用是耕地集約化的重要途徑之一, 耕地復種指數(shù)又是耕地集約化的表現(xiàn)形式之一。所以, 探究農(nóng)業(yè)機械化水平對耕地復種指數(shù)的影響, 也就是在梳理農(nóng)業(yè)增產(chǎn)的內(nèi)在邏輯, 這對于我國糧食安全戰(zhàn)略有重要的現(xiàn)實意義。
目前, 學者大多從區(qū)域或者全國層面來測度耕地的復種指數(shù)[6,17,20], 所用的數(shù)據(jù)主要來源于國家統(tǒng)計局公布的省級面板數(shù)據(jù), 采用這一層級數(shù)據(jù)測度出來的結果能夠準確把握區(qū)域?qū)用娓貜头N指數(shù)的變動趨勢, 但無法掌握農(nóng)戶層面耕地復種指數(shù)的變化趨勢, 較易忽視農(nóng)戶個體的異質(zhì)性[24,29], 這主要是由于農(nóng)戶層級數(shù)據(jù)缺失所致。事實上, 農(nóng)業(yè)生產(chǎn)活動最后需要落實到具體的單個農(nóng)戶, 農(nóng)戶選擇何種生計決策是由家庭稟賦和外部社會環(huán)境共同作用的結果[32], 僅僅從宏觀層面考察區(qū)域復種指數(shù)的影響因素顯得略有不足, 難以得出直接適用于微觀農(nóng)戶生產(chǎn)的指導意見。與以往研究有所不同的是, 本文是從農(nóng)戶層面來衡量耕地復種指數(shù), 從農(nóng)戶微觀層面研究得出, 農(nóng)業(yè)機械化水平確實可以提高耕地的復種指數(shù)。再則, 以往農(nóng)業(yè)機械化水平的研究更多的是立足于宏觀層面, 本文從農(nóng)戶層面度量單個家庭的農(nóng)業(yè)機械化水平, 這一衡量方法不僅是為了確保與農(nóng)戶耕地復種指數(shù)微觀層面的數(shù)據(jù)維度相匹配, 也是為了更好地探討農(nóng)戶微觀層面農(nóng)業(yè)機械使用對農(nóng)戶生產(chǎn)的影響。為了消除農(nóng)業(yè)機械化水平與耕地復種指數(shù)可能存在互為因果的問題, 本文采用了工具變量法處理了潛在的內(nèi)生性問題, 這也是本文與以往研究的不同之處, 本文在計量的運用和模型選取上更為規(guī)范準確。
以往學者在探究復種指數(shù)差異時, 一般會從地形特征[26-27]、政策補貼[23]、土地市場發(fā)展[28-29]來展開研究, 最為普遍的則是從區(qū)域類型的角度來探究[6,17,20], 從區(qū)域?qū)用嫣接懜嗟氖怯^察不同區(qū)域之間耕地復種指數(shù)的差異變化, 區(qū)域差異是影響耕地復種指數(shù)的外在自然條件, 這一點毋庸置疑。但以上這些研究視角基本上都可以歸納為影響復種指數(shù)的外部沖擊因素, 對復種指數(shù)差異的內(nèi)部致因分析不夠。實際上, 耕地復種的農(nóng)業(yè)生產(chǎn)經(jīng)營方式最根本是源于農(nóng)戶自身的生產(chǎn)經(jīng)營決策, 農(nóng)戶的農(nóng)業(yè)生產(chǎn)決策主要體現(xiàn)為農(nóng)戶種植品種的差異, 從農(nóng)戶內(nèi)生性視角探究不同農(nóng)作物類型耕地復種指數(shù)更具合理性。因此, 本文把農(nóng)戶耕地類型劃分為糧食作物耕地和經(jīng)濟作物耕地, 以期從農(nóng)戶角度探究農(nóng)業(yè)機械化水平對耕地復種指數(shù)的影響機制。當然, 本文也存在進一步提升深化的空間, 由于本文所采用的是農(nóng)戶微觀調(diào)查的截面數(shù)據(jù), 不能考量農(nóng)戶農(nóng)業(yè)機械化水平和耕地復種指數(shù)跨年度的變化情況。農(nóng)業(yè)生產(chǎn)活動具有連續(xù)性的特征, 如果使用動態(tài)面板數(shù)據(jù)來分析, 結論可能會更有說服力。本文并不是研究農(nóng)戶耕地復種指數(shù)的變動趨勢, 而是旨在從農(nóng)業(yè)機械化水平的角度分析農(nóng)戶耕地復種的影響因素, 因此農(nóng)戶層級的截面數(shù)據(jù)也足以支撐本研究。
本文以1 682份微觀農(nóng)戶調(diào)查數(shù)據(jù)為基礎, 實證研究了農(nóng)戶農(nóng)業(yè)機械化水平對耕地復種指數(shù)的影響, 結果表明: 1)在沒有處理樣本選擇偏誤和內(nèi)生性的情況下進行回歸, OLS估計結果和處理后的估計結果相差較大, 說明直接用OLS回歸會嚴重干擾農(nóng)業(yè)機械化水平對耕地復種指數(shù)的真實影響。處理后的回歸系數(shù)表明, 農(nóng)業(yè)機械化水平對農(nóng)戶耕地復種指數(shù)存在顯著的正向影響, 農(nóng)業(yè)機械化水平每增加1%, 農(nóng)戶的耕地復種指數(shù)就增加1.393%。提高農(nóng)業(yè)機械化水平能夠有效降低農(nóng)業(yè)生產(chǎn)作業(yè)時間, 保障復種農(nóng)作物種植的季節(jié)性, 最大化提高土地利用率, 增加耕地復種程度。除了農(nóng)業(yè)機械化水平會對耕地復種指數(shù)有影響外, 戶主教育、戶主年齡、家庭非農(nóng)收入占比、家庭轉出土地、氣溫變化對農(nóng)戶耕地復種指數(shù)存在負向影響, 家庭規(guī)模、農(nóng)作物品種數(shù)量、地區(qū)類型對農(nóng)戶耕地復種指數(shù)存在正向影響。2)對耕地復種指數(shù)的作用機制分析得出, 農(nóng)業(yè)機械化水平對不同類型農(nóng)作物耕地復種指數(shù)和意愿的影響存在顯著差異, 農(nóng)業(yè)機械化水平對經(jīng)濟作物復種指數(shù)的影響要高于對糧食作物復種指數(shù)的影響, 農(nóng)業(yè)機械化水平提高農(nóng)戶經(jīng)濟作物耕地復種意愿的程度要高于提高農(nóng)戶糧食作物耕地復種意愿的程度。這主要因為經(jīng)濟作物的經(jīng)濟效應更高, 其復種可能性較糧食作物更大, 糧食作物不僅具有較強的季節(jié)性還不能反季節(jié)種植, 而經(jīng)濟作物生長周期較短且生產(chǎn)過程可操作。
綜上所述, 本文認為農(nóng)戶農(nóng)業(yè)機械化水平的提升對耕地復種發(fā)揮著積極作用, 特別對經(jīng)濟作物耕地復種指數(shù)的提升尤為明顯。為進一步提高農(nóng)戶耕地復種程度, 保障國內(nèi)糧食安全, 政府可以大力推廣農(nóng)業(yè)機械使用, 加強對平原地區(qū)種糧農(nóng)戶的政策幫扶, 改革糧食收儲制度。
[1] 吳大放, 劉艷艷, 董玉祥, 等. 我國耕地數(shù)量、質(zhì)量與空間變化研究綜述[J]. 熱帶地理, 2010, 30(2): 108–113 WU D F, LIU Y Y, DONG Y X, et al. Review on the research of quantity, quality and spatial change of cultivated land in China[J]. Tropical Geography, 2010, 30(2): 108–113
[2] DENG X Z, HUANG J K, ROZELLE S, et al. Impact of urbanization on cultivated land changes in China[J]. Land Use Policy, 2015, 45: 1–7
[3] 劉?;? 陳新平, 崔振嶺, 等. 三大糧食作物產(chǎn)量潛力與產(chǎn)量差研究進展[J]. 中國生態(tài)農(nóng)業(yè)學報, 2015, 23(5): 525–534 LIU B H, CHEN X P, CUI Z L, et al. Research advance in yield potential and yield gap of three major cereal crops[J]. Chinese Journal of Eco-Agriculture, 2015, 23(5): 525–534
[4] KRAVCHENKO A N, SNAPP S S, ROBERTSON G P. Field-scale experiments reveal persistent yield gaps in low-input and organic cropping systems[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(5): 926–931
[5] 李琳鳳, 李孟剛. 提高復種指數(shù)是保障我國糧食安全的有效途徑[J]. 管理現(xiàn)代化, 2012, (3): 26–28 LI L F, LI M G. Improving the multiple cropping index is an effective way to ensure food security in China[J]. Modernization of Management, 2012, (3): 26–28
[6] 何文斯, 吳文斌, 余強毅, 等. 1980~2010年中國耕地復種可提升潛力空間格局變化[J]. 中國農(nóng)業(yè)資源與區(qū)劃, 2016, 37(11): 7–14 HE W S, WU W B, YU Q Y, et al. Changes in spatio-temporal distribution of potential increment multiple cropping in China during 1980~2010[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(11): 7–14
[7] WU W B, YU Q Y, VERBURG P H, et al. How could agricultural land systems contribute to raise food production under global change?[J]. Journal of Integrative Agriculture, 2014, 13(7): 1432–1442
[8] 唐華俊, 吳文斌, 余強毅, 等. 農(nóng)業(yè)土地系統(tǒng)研究及其關鍵科學問題[J]. 中國農(nóng)業(yè)科學, 2015, 48(5): 900–910 TANG H J, WU W B, YU Q Y, et al. Key research priorities for agricultural land system studies[J]. Scientia Agricultura Sinica, 2015, 48(5): 900–910
[9] GRASSINI P, ESKRIDGE K M, CASSMAN K G. Distinguishing between yield advances and yield plateaus in historical crop production trends[J]. Nature Communications, 2013, 4: 2918
[10] PUGH T A M, MüLLER C, ELLIOTT J, et al. Climate analogues suggest limited potential for intensification of production on current croplands under climate change[J]. Nature Communications, 2016, 7: 12608
[11] 吳文斌, 唐華俊, 楊鵬, 等. 基于空間模型的全球糧食安全評價[J]. 地理學報, 2010, 65(8): 907–918 WU W B, TANG H J, YANG P, et al. Model-based assessment of food security at a global scale[J]. Acta Geographica Sinica, 2010, 65(8): 907–918
[12] 吳文斌, 余強毅, 陸苗, 等. 耕地復種指數(shù)研究的關鍵科學問題[J]. 中國農(nóng)業(yè)科學, 2018, 51(9): 1681–1694 WU W B, YU Q Y, LU M, et al. Key research priorities for multiple cropping systems[J]. Scientia Agricultura Sinica, 2018, 51(9): 1681–1694
[13] 卞新民, 馮金俠. 多元多熟種植制度復種指數(shù)計算方法探討[J]. 南京農(nóng)業(yè)大學學報, 1999, 22(1): 11–15 BIAN X M, FENG J X. Method of calculating cropping system index of diversified multiple cropping system[J]. Journal of Nanjing Agricultural University, 1999, 22(1): 11–15
[14] 左麗君, 張増祥, 董婷婷, 等. 耕地復種指數(shù)研究的國內(nèi)外進展[J]. 自然資源學報, 2009, 24(3): 553–560 ZUO L J, ZHANG Z X, DONG T T, et al. Progress in the research on the multiple cropping index[J]. Journal of Natural Resources, 2009, 24(3): 553–560
[15] Devendra C, Thomas D. Smallholder farming systems in Asia[J]. Agricultural Systems, 2002, 71(1/2): 17–25
[16] 中華人民共和國農(nóng)業(yè)部糧食作物生產(chǎn)局. 改變耕作制度、擴大復種面積[M]. 北京: 農(nóng)業(yè)出版社, 1958 Department of Food Crop Production, Ministry of Agriculture of the People’s Republic of China. Changing Farming System and Expanding Multiple Cropping Area[M]. Beijing: Agricultural Press, 1958
[17] 康清林, 李春蕾, 張玉虎. 2001—2010年江蘇省復種指數(shù)變化及其影響因子分析[J]. 首都師范大學學報: 自然科學版, 2017, 38(5): 86–94 KANG Q L, LI C L, ZHANG Y H. The cropping index change and impact factor analysis in Jiangsu Province between 2001 and 2010[J]. Journal of Capital Normal University: Natural Science Edition, 2017, 38(5): 86–94
[18] 李闊, 許吟隆. 適應氣候變化的中國農(nóng)業(yè)種植結構調(diào)整研究[J]. 中國農(nóng)業(yè)科技導報, 2017, 19(1): 8–17 LI K, XU Y L. Study on adjustment of agricultural planting structures in China for adapting to climate change[J]. Journal of Agricultural Science and Technology, 2017, 19(1): 8–17
[19] 劉巽浩. 耕作學[M]. 北京: 中國農(nóng)業(yè)出版社, 1994 LIU X H. Farming Science[M]. Beijing: China Agriculture Press, 1994
[20] 李晶, 任志遠. 基于SPOTNDVI的陜西省耕地復種指數(shù)時空變化[J]. 干旱區(qū)資源與環(huán)境, 2011, 25(10): 86–91 LI J, REN Z Y. The monitoring for cropping index of arable land in northwest region using SPOTNDVI — A case of Shaanxi Province[J]. Journal of Arid Land Resources and Environment, 2011, 25(10): 86–91
[21] 田羅, 周文佐, 何萬華, 等. 2000—2016年四川省耕地種植指數(shù)時空變化及其自然潛力分析[J]. 中國生態(tài)農(nóng)業(yè)學報, 2018, 26(8): 1206–1216 TIAN L, ZHOU W Z, HE W H, et al. Spatio-temporal evolution and potential analysis of cropping index in Sichuan Province during 2000–2016[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1206–1216
[22] 徐國鑫, 金曉斌, 宋佳楠, 等. 耕地集約利用對糧食產(chǎn)量變化影響的定量分析——以江蘇省為例[J]. 地理研究, 2012, 31(9): 1621–1630 XU G X, JIN X B, SONG J N, et al. The impact of intensive use of agricultural land on grain yields: A case study of Jiangsu Province[J]. Geographical Research, 2012, 31(9): 1621–1630
[23] 張倩, 許泉, 王全忠, 等. 補貼政策與農(nóng)戶稻作制度選擇——基于湖南省微觀調(diào)研的證據(jù)[J]. 產(chǎn)業(yè)經(jīng)濟研究, 2016, (6): 89–99 ZHANG Q, XU Q, WANG Q Z, et al. The effect of subsidy policy on rice planting pattern choices of peasant households: Evidence from micro-investigation in Hunan Province[J]. Industrial Economics Research, 2016, (6): 89–99
[24] 閆慧敏, 劉紀遠, 曹明奎. 近20年中國耕地復種指數(shù)的時空變化[J]. 地理學報, 2005, 60(4): 559–566 YAN H M, LIU J Y, CAO M K. Remotely sensed multiple cropping index variations in China during 1981-2000[J]. Acta Geographica Sinica, 2005, 60(4): 559–566
[25] 張樂勤, 陳素平, 陳發(fā)奎. 基于邊際模型的中國城鎮(zhèn)化演進對耕地影響極限研究[J]. 中國生態(tài)農(nóng)業(yè)學報, 2014, 22(7): 837–842 ZHANG L Q, CHEN S P, CHEN F K. A marginal model-based study of the ultimate influence of China’s urbanization evolution on cropland[J]. Chinese Journal of Eco-Agriculture, 2014, 22(7): 837–842
[26] 梁守真, 馬萬棟, 施平, 等. 基于MODIS NDVI數(shù)據(jù)的復種指數(shù)監(jiān)測——以環(huán)渤海地區(qū)為例[J]. 中國生態(tài)農(nóng)業(yè)學報, 2012, 20(12): 1657–1663 LIANG S Z, MA W D, SHI P, et al. Monitoring multiple cropping index using MODIS NDVI data: A case study of Bohai Rim[J]. Chinese Journal of Eco-Agriculture, 2012, 20(12): 1657–1663
[27] 梁書民. 我國各地區(qū)復種發(fā)展?jié)摿εc復種行為研究[J]. 農(nóng)業(yè)經(jīng)濟問題, 2007, 28(5): 85–90 LIANG S M. Probing potentials of multiple cropping in the selected provinces in China[J]. Issues in Agricultural Economy, 2007, 28(5): 85–90
[28] 曲福田, 吳郁玲. 土地市場發(fā)育與土地利用集約度的理論與實證研究——以江蘇省開發(fā)區(qū)為例[J]. 自然資源學報, 2007, 22(3): 445–454 QU F T, WU Y L. Theoretical and empirical study on the land market and land use intensity: A case of the development zones in Jiangsu Province[J]. Journal of Natural Resources, 2007, 22(3): 445–454
[29] 楊紅梅, 劉衛(wèi)東, 劉紅光. 土地市場發(fā)展對土地集約利用的影響[J]. 中國人口·資源與環(huán)境, 2011, 21(12): 129–133 YANG H M, LIU W D, LIU H G. Effects of land market development on land use intensity[J]. China Population, Resources and Environment, 2011, 21(12): 129–133
[30] 崔寧波, 張正巖. 臨儲政策取消下玉米種植結構調(diào)整的影響因素與收入效應——基于黑龍江省鐮刀彎地區(qū)調(diào)查數(shù)據(jù)的分析[J]. 商業(yè)研究, 2017, 59(11): 153–163 CUI N B, ZHANG Z Y. Influence factors and income effects of the adjustment of corn planting structure under the abolition of temporary storage policy: An analysis based on the survey data of sickle bend area in Heilongjiang Province[J]. Commercial Research, 2017, 59(11): 153–163
[31] STOCK J H, YOGO M. Testing for weak instruments in linear IV regression[M]//ANDREWS D W K, STOCK J H. Identification and Inference for Econometric Models Essays in Honor of Thomas Rothenberg. Cambridge: Cambridge University Press, 2002
[32] 彭繼權, 吳海濤, 孟權. 家庭生命周期、社會資本與農(nóng)戶生計策略研究[J]. 中國農(nóng)業(yè)大學學報, 2018, 23(9): 196–217 PENG J Q, WU H T, MENG Q. Study on family life cycle, social capital and rural households’ livelihood strategy[J]. Journal of China Agricultural University, 2018, 23(9): 196–217
Impact of agricultural mechanization level on farmers’ cropping index in Hubei Province*
PENG Jiquan, WU Haitao**, SONG Jiahao, LI Mengding
(School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China)
Increased multi-cropping index in cultivated lands is critical for food security strategies and issues concerning in agriculture, countryside and peasant communities in China. Presently, many studies exist on multiple cropping index. However, most of these studies are based on national statistics, with fewer studies on peasant household conditions. Multiple cropping of cultivated lands is the production activities of individual rural households. Therefore, the use of macro-statistical data had failed to adequately capture inherent heterogeneities in peasant conditions in different regions. Furthermore, it has limited research analysis to only the factors that affect multiple cropping index at macro scale. This has made it difficult to accurately analyze the driving factors at micro scale. Here, we used survey data from 1 682 peasant households in Hubei Province to investigate the impact of the level of agricultural mechanization on multiple cropping index at microscopic scale. To further avoid the possibility of endogeneity and sample selection bias in the model, we used IVTobit and IVProbit regression models to explore the impact of the level of agricultural mechanization on multiple-cropping index and the differences in various types of crops. The results showed that: 1) ordinary least square (OLS)-estimation result without consideration for sample selection bias and endogeneity and processed result were quite different. This indicated that the original OLS regression model significantly underestimated the effect of the level of agricultural mechanization on peasant household conditions. Regression coefficients pointed out that the level of agricultural mechanization had significant positive impact on multiple cropping index. For every 1% increase in the level of agricultural mechanization, multiple cropping index increased by 1.393%. This confirmed the hypothesis that agricultural mechanization effectively reduced the time of agricultural production, ensured seasonality of multiple crops, maximized utilization of land and increased the degree of cultivation. In addition, education and age of household head, proportion of non-agricultural income, transferred land and temperature change had dramatic negative effect on multiple cropping index of cultivated lands. Family size, number of crop varieties and type of area had significant positive effect on peasant household conditions. 2) Based on the analysis of the action mechanism of multiple cropping index of cultivated lands, there was significant difference in the impact of the level of agricultural mechanization on multiple cropping index and willingness of different types of crops. The level of agricultural mechanization affected cropping index of cash crops more than grain crops. Compared with peasants who grew food crops, those who grew cash crops were more willing to plant more with increasing level of agricultural mechanization. This was mainly because economic effects of cash crops were higher and peasants were more likely to multiply cash crops them than grain crops. The latter not only had strong seasonality, but also was not plantable in off-season periods, while the former had short growth cycle with operable production process. In summary, we argued that improvement of the level of agricultural mechanization by peasants played an active role in multiple cropping index in cultivated lands, especially for increasing cropping index of cash crops. In order to further improve the degree of cultivating land and to ensure domestic food security in peasant communities, government should vigorously promote the use of agricultural mechanization, strengthen policy support for peasants who cultivate grains in plains and reform grain storage systems.
Agricultural mechanization; Peasant behavior; Cultivated land; Multiple cropping index; IVTobit; IVProbit
, E-mail: wuhan_haitao@aliyun.com
Jul. 4, 2018;
Nov. 2, 2018
F323.3
A
2096-6237(2019)03-0380-11
10.13930/j.cnki.cjea.180624
彭繼權, 吳海濤, 宋嘉豪, 李孟丁. 農(nóng)業(yè)機械化水平對湖北農(nóng)戶耕地復種指數(shù)的影響[J]. 中國生態(tài)農(nóng)業(yè)學報(中英文), 2019, 27(3): 380-390
PENG J Q, WU H T, SONG J H, LI M D. Impact of agricultural mechanization level on farmers’ cropping index in Hubei Province[J]. Chinese Journal of Eco-Agriculture, 2019, 27(3): 380-390
* 國家自然科學基金項目(71273281, 71573277)、湖北省人文社科重點研究基地項目(2018K008)、四川省哲學社會科學重點研究基地項目(DYWH1811, SHZLYB1804)資助
吳海濤, 主要研究方向為農(nóng)業(yè)經(jīng)濟。E-mail: wuhan_haitao@aliyun.com
彭繼權, 主要研究方向為農(nóng)業(yè)經(jīng)濟。E-mail: jiquan_wuhan@163.com
2018-07-04
2018-11-02
* This study was supported by the National Natural Science Foundation of China (71273281, 71573277), the Project of Hubei Provincial Humanities and Social Sciences Key Research Base (2018K008), Sichuan Provincial Key Research Base of Philosophy and Social Sciences (DYWH1811, SHZLYB1804).