乡村振兴进程中耕地撂荒问题实证研究

    

    

    

    摘 要：优化配置农业要素资源，首要是促进农业各要素资源有效利用。基于1994—2017年中国7个省级面板数据，研究东中西部具有代表性的三大区域农村耕地利用情况，并根据调研设计指标构建计量模型，实证检验主要影响因子的实际效应。结果显示，非农收入相关指标的增长显著地促进了农村耕地撂荒，且东部地区的效应远大于中部和西部地区，农业收入的增长对耕地撂荒的影响不确定。在此基础上，提出不同区域规制耕地撂荒，促进土地资源有效利用的相关政策建议。

    关键词：乡村振兴;资源禀赋;优化配置

    中图分类号：F321.1? ? ? ?文献标志码：A? ? ? 文章编号：1673-291X（2019）30-0026-07

    引言

    党的十九大报告以及2018年中央一號文件提出和部署实施乡村振兴战略，2019年中央中央一号文件进一步强调，在全面建成小康社会的决胜期，夯实农业基础是重要任务，保障重要农产品有效供给是重中之重。更明确要求，“稳定粮食产量。毫不放松抓好粮食生产，推动藏粮于地、藏粮于技落实落地，确保粮食播种面积稳定在16.5亿亩。”（2019年《中共中央国务院关于坚持农业农村优先发展做好三农工作的若干意见》）立足国家的战略部署，结合我国人均耕地少、耕地质量总体不高、耕地后备资源不足的耕地国情，审视我国耕地资源状况：1998—2008年的二十年间，我国耕地面积锐减，耕地从19.45亿亩减少到18.26亿亩，每年平均减少约1 000万亩。2009—2014年每年平均减少约0.01亿亩。耕地资源形势严峻，但其状况还在继续恶化。张琦（2012）对我国的人口增长趋势和土地面积进行预测，其通过模型估计到2020年我国耕地面积将减少到17.86亿亩，将会严重突破国务院18亿亩耕地保护目标至少2 000万亩以上。

    严峻的耕地资源形势下，农村还普遍存在耕地撂荒的现象。20世纪80年以来，耕地撂荒问题就进入学界和政府的视野，尤其是政府不断通过各种手段意图解决问题。可直到今天，耕地撂荒并没有明显改善。为了了解耕地撂荒的严重性，本文以2011年以来各地县、市级以上提及耕地撂荒的政协提案，共53个。其中，全国政协提案3个，省级政协、提案3个，区、县级政协提案47个，所提问题涵盖的区域覆盖四川、重庆、广西、江苏、云南、浙江、山东、贵州、河南、甘肃、湖北、湖南、江西、内蒙、宁夏、陕西、山西、福建、海南、广东20省，提案出现的高峰期在2014年、2015年和2016年，充分反映了耕地撂荒问题广度。很多学者也专门对耕地撂荒问题进行了研究，杨国永等（2015）以2014年有关耕地撂荒的论文和报道的截面数据为样本，通过文献出现频率和研究覆盖地域视角，所检索的29篇文章中有17篇论文或报道整理了县、乡镇或村耕地撂荒的数据，整理这些数据并做简单加权平均，发现撂荒耕地平均比例达到11.12%。史铁丑（2013）等将二十年来我国耕地撂荒调查报道的区域，加总起来发现涉及21个省市区，遍布107个县（市）、161个乡镇或村社。虽然这样的归纳方法科学性值得怀疑，但确也可从中看出耕地撂荒的严重性。赵子亮（2014）整理1992—2013年耕地撂荒问题相关文章共557篇，发现这些研究中304篇通过农户主观动机研究撂荒问题，86篇通过客观原因研究撂荒问题，120篇从政策和制度层面研究耕地撂荒问题，但是这些研究中基于大范围实地调研的实证研究少见。因此，本文以调研数据为基础对耕地撂荒问题进行实证分析具有重要意义。基于此，本文采取以重庆为调研重点，样本点包括山东、湖北、重庆、贵州、四川、甘肃、陕西7省的大面积调研，时间跨度从1994—2017年，调研内容包括样本点土地资源、环境状况、经济发展、人口形势、政策支持和公共服务等多方面的因素，调研对象包括基层公务员、村（社区）干部和村民。基于调研数据设计评价指标、构建计量模型，用面板数据检验耕地撂荒影响因素，并对区域之间的差异进行比较。

    一、调研情况

    1.调研方法。通过进村入户走访座谈的方式，组织本科学生利用假期回乡的机会，对相关情况进行实地走访，笔者本人牵头重庆潼南区、綦江区的调研工作。具体操作中点面结合，以重庆为主要调研区域，对重庆1994年以来样本区县村级耕地撂荒的面板数据和面上其余6省的数据。调研范围覆盖30个县60个村，时间序列包括1994—2017年，调研农户300户。

    2.问卷设计。根据调研省份的分布，将样本点分为东、中、西三部：贵州、重庆、四川、甘肃和陕西为西部，山东定为东部，湖北代表中部。调查问卷分两类：一类针对村“两委”干部，另一类针对农户，村“两委”干部主要梳理相关村耕地利用演化情况进行梳理，以从整村了解耕地利用状况。时间跨度中涉及撤并村，村级数据基于撤并村前的村级单位，以确保数据的信度和效度。农户层面则立足农户家庭经济、资源和公共服务等层面构建指标，指标结构（见表1）。

    3.样本点情况分析。本次调研共收集到有效问卷401份，其中镇村干部问卷118份、村民问卷283份。通过整理分析发现，所有调研点人口变化比较明显，主要“农民荒”问题比较严重，大量青壮年劳动力，有一定文化技术的劳动力大量外流。山东省调研点在家人口比例约为50%，其余6省在家人口比例基本30%～40%之间。各调研点耕地总量有所下降（不考虑统计口径或技术引起的土地数据变化），人均耕地急剧减少，造成农村的人地关系发紧张的主要原因是人口增长、宅基地用地增加和退耕还林等。在2000年左右，耕地撂荒出现“井喷式”的发展（见表2）。

    从表2中数据可以看出，耕地撂荒问题从东往西逐渐加重。在2012年，中部地区的湖北也达到了20.12%，西部地区的甘肃更是达到了46.1%，在2011年、2012年各地区差不多达到峰值，之后有下降趋势，但是并不稳定，处于波动状态。调研同时发现，近年来，国家加大对农业的支持力度对非农的其他社会主体参与农业产业的情况。国家出台的各类农业补贴政策和刺激措施，一定程度上吸引了不少人投入农业产业，提高了土地的利用率。但是，这些新加入的经营主体，普遍技术含量不高，大多道听途说就贸然参与，并且资本不雄厚，很多经营未超过三年就破产，耕地又重新撂荒。

    二、耕地撂荒主要影响因子的实证分析

    1.模型设定。为了检验耕地撂荒主要影响因子的具体贡献，模型构建中参考Keithetal（2012）提出的研究模型，建立以下模型进行检验：

    RAi=？姿RWit+？滋RFit+？准1MSit+？准2SPit+？准3ALit+？准4FSit+？准5FLit+？着it+？覣（1）

    式中，i和t分别表示数据范围中第i个省份和第t年，？覣、？着it表示个体效应和随机扰动项，RAit表示农户耕地撂荒比率，RWit为非农收入比率，RFit为务农收入比率，MSit表示政府惠农政策支持，SPit表示农业技术进步，ALit表示土地自然资源禀赋，FSit表示金融支持力度，FLit表示农村劳动力丰裕程度。

    2.数据来源及变量说明。本研究所用数据均取自于调研材料整理，为保证数据真实有效可信，虽然本次调研时间段为1994—2017年，但调研人员反馈该时段存在婚迁嫁人员较多的情况，不了解前期情况，有数据失真的可能。所以在具体运用中，结合样本点的情况将数据时段限定为2007—2017年，故最终总样本时间序列为11年。以下是本文模型中所涉及变量的解释。

    首先，被解释变量。RAit为i省t时期农户耕地撂荒比率，计算方法是将农户撂耕地面积除以农户家庭耕地面积，省（直辖市）农户耕地撂荒比率将该样本点的撂荒比率加总求算术平均数。公式为：

    RAit=∑■+■+…+■n（2）

    其中，ASit为i省t时期农户耕地撂荒面积，Sit为农户耕地面积，1，2，…n为农户数，ASit≤Sit。

    其次，解释变量。RFit为i省t时期务农收入比率，RWit为i省t时期非农收入比率。根据生产函数等理论，我们可以推知各种因素的影响最终都会体现在农户家庭的收入上。通过对农户种植、养殖收入和其他行业收入的估算，计算农户家庭年总收入、农业收入和非农收入。省级非农收入比率和农业收入比率为受调查农户相应比率的算术平均数，公式如下：

    RWit=■=∑■+■+…+■n（3）

    RFit=1-RWit=1-■=1-∑■+■+…+■n（4）

    其中，Tit代表为i省t时期农户家庭总收入，UIit代表为i省t时期农户非农收入，1，2，…n为农户数，UIit≤Tit。

    最后，控制变量。ALit为i省t时期土地资源禀赋，以土地的可耕种比率表示，用村耕地面积除以村域总面积求得;MSit为i省t时期政府补贴比率，以相应种类补贴金额除以产出;SPit为i省t时期农业技术进步比率，以单位亩耕地采用机械的劳动时间与未用机械的劳动时间的比率计算;FLit为i省t时期农村劳动力丰裕率，为从全村事农业生产的劳动力与劳动力总数的比率;FSit为i省t时期金融支持强度，用农户农业贷款金额除以农业总投入。各控制变量的省级数据，均为村级数据的算数平均数，描述性统计结果（见下页表3）。

    3.研究方法。参照张明玖（2017）对耕地撂荒的经济分析方法：“计量中混合运用最小二乘回归模型（POLS）、固定效应模型（FE）和随机效应模型（RE），对之进行静态面板估算，从理论上说具有可行性。对函数（1）模型进行实证检验时，应从以下三個方面选择相应模型：第一，集散F统计量来确定选择固定效应模型，还是POLS模型;第二，用拉格朗日乘数（LM）检验结果判定用随机效应模型，还是POLS模型;第三，以豪斯曼（Hausman）检验结果确定选择固定效应模型，或是随机效应模型。若F检验和LM检验都不显著，则选用POLS模型;若F检验和LM检验有一个显著，则应继续进行Hausman检验模型。如果检验结果显著，则选用固定效应模型，反之则应选随机效应模型。”

    三、实证检验结果与分析

    1.非农收入效应对农户耕地撂荒比率的总体静态模型估计。为了使农户非农收入比和务农收入比对农户耕地撂荒的总体效应得估算更精确，文中特别将农户耕地撂荒比率RA定为被解释变量，以此为基础对相应的解释变量和控制变量分别进行混合模型估计、固定效应模型估计和随机效应模型估计，发现其适合选择固定效应模型，估计结果（见表4）。

    从表4中可以看出，非农收入比率为被解释变量的系数为正且结果显著，说明非农收入增加会加剧耕地撂荒。具体原因，一方面可能是非农行业工资水平高于农业从业工资水平，对农民产生推力;另一方面可能是农业收入水平下降，农户生产的积极性下降而转行。务农收入比率为被解释变量的系数为负且结果显著，说明务农收入提高能有效降低耕地撂荒率。可能是农村基本公共服务改善，耕作条件变好，生产效率提高，务农正向激励增强，也可能是经济形势恶化，农户不得已只能选择从事农业生产。其他控制变量检验结果来看，政策补贴力度对农户耕地撂荒影响不显著，说明政府财政补贴等激励未发挥有效的正向务农激励，也说明惠农政策未能起到平衡产业发展的效应，没有形成有力拉力吸引农业就业。土地资源禀赋对农户耕地撂荒有负向影响，表明自然资源禀赋对耕地撂荒率具有反向影响，禀赋越好撂荒率越低。农业技术进步对农户耕地撂荒反向作用非常显著，表明技术进步对抑制耕地撂荒具有正向激励。金融支持力度对耕地撂荒影响不显著，按照金融与实体经济发展的理论和实践，说明金融服务还未能与农业有效结合。劳动力丰裕率对农户耕地撂荒反向激励效应显著，表明农村劳动力越充裕耕地撂荒率越低。

    2.按务农收入水平分组的静态模型估计。区域经济发展不平衡是我国当前经济发展的现实问题，导致地区间各地在农业收入水平、农业重视程度和政府规制等方面均存在比较明显的差异。基于发展不均衡的现实，实证指标是对各地区农户耕地撂荒的影响的异同也值得关注。为进一步检验非农收入比和务农收入存在较大差异的情况下，对农户耕地撂荒产生的影响，本文先将调研省（直辖市）2017年平均农业收入比划分为两组，务农收平超过50%的定为高农业收入水平地区，农业收入小于或等于50%的则定为低农业收入水平地区。基于此划分，再以农户耕地撂荒率（RA）为被解释变量，对不同类型的样本组进行静态模型参数估计，估计结果（见表5）。

    [14]? Eszter Ruprecht and Marton Z.Enyedi and R.Lutz Eckstein and Tobias W.Donath.Restorative removal of plant litter and vegetation 40 years after abandonent enhances reemergence of steppe grassland vegetation[J].Biological cons-ervation，2010.

    [15]? Oskari Juurikkala.The Behavioral Paradox：Why Investor Irrationality Calls for Lighter and Simpler Financial Regulation.Fordham Journal of Corporate & Financial La，2012.

    An Empirical Study on the Problem of Cultivated Land Reclamation in the Process of Rural Revitalization

    ZHANG Ming-jiu

    （Guizhou University of Traditional Chinese Medicine，Guiyang 550025，China）

    Abstract：Optimizing the allocation of agricultural factor resources is primarily to promote the effective use of agricultural resources.Based on the data of seven provincial-level panels in China from 1994 to 2017，this paper studies the utilization of rural cultivated land in three representative regions in the eastern，central and western regions，and constructs an econometric model based on the survey design indicators to empirically test the actual effects of the main impact factors.The results show that the growth of non-agricultural income-related indicators has significantly promoted rural land reclamation，and the effect of the eastern region is much larger than that of the central and western regions.The impact of agricultural income growth on cultivated land reclamation is uncertain.On this basis，it puts forward relevant policy recommendations for different areas to regulate cultivated land and promote the effective use of land resources.

    Key words：rural revitalization;resource endowment;optimal allocation