Analysis of Dynamic Correlation between Agricultural Economic Growth and Input Elements in Shandong Province
-
摘要: 基于2000—2017年山东省时间序列数据,运用向量自回归模型(VAR)分析了农业经济增长与农业投入要素之间的动态关联。研究表明:(1)农业劳动力投入量的增加,对农业经济增长产生了动态促进作用,但是其影响程度逐渐减弱;(2)长期来看,农业机械总动力的增加,对农业经济增长产生了促进作用但存在滞后效应;(3)涉农领域的固定资产投入增加存在滞后效应,但是长期来看对农业经济增长产生了促进作用。Abstract: This paper establishes a vector autoregressive model (VAR) to explore the dynamic relationship between agricultural economic growth and agricultural input factors, using time series data of Shandong Province from 2000 to 2017. The conclusions are as follows: (1) the increase of agricultural labor input has a dynamic promoting effect on agricultural economic growth, but its influence is gradually weakened. (2) in the long run, the increase of the total power of agricultural machinery has a promoting effect on agricultural economic growth, but there is a lagging effect. (3) the increase of fixed assets investment in agriculture-related fields has a lagging effect, but it has a long-term promoting effect on agricultural economic growth.
-
2020年是我国全面建成小康社会与实现脱贫攻坚的收官之年,习近平总书记在党的十九大报告中提出:确保到 2020 年中国现行标准下农村贫困人口实现脱贫。长久以来,中国在扶贫事业上取得了举世瞩目的成绩,从2012年到2018年底,我国实现了现行标准下8200多万贫困人口的脱贫,贫困发生率从2012年的10.2%下降到了2018年底的1.7%[1]。这既是我国所取得的显著成就,同时也是为全球减贫与发展事业做出的巨大贡献[2]。
在已有成绩的基础上,中国的减贫工作不会停止,而是将进入一个新的阶段:从重点解决绝对贫困问题向解决相对贫困问题转变[3],同时在测度标准上,逐步建立起收入贫困与多维贫困的联系[4]。本文从多维贫困的角度出发,利用主成分分析、系统聚类、空间自相关Moran’ s I值测算等方法分别对2010、2012、2014、2016、2018年全国31个省市自治区(不包括港澳台地区)进行空间上的聚类与分析,从而对我国不同区域的多维贫困程度进行划分,以期在一定层面为中国2020年后的反贫困事业做出新的理论支持与决策参考。
一、 文献回顾
本文的研究主题主要与两个方面的文献有关,一是多维贫困的相关理论,二是贫困的空间表现与区域差别。
多维贫困理论首先由经济学家阿玛蒂亚·森提出,他认为贫困包括收入、健康、教育、住房及公共物品的可获得性等多个维度的缺失[5]。这一理念打破了传统的以经济水平来作为衡量贫富的标准,使得全世界的反贫困斗争变得更加深刻与全面。在测度方法上,多维贫困的测度标准相较于单一的标准更为复杂,目前多维贫困指数测度方法主要可分为公理化方法和非公理化方法,具体有人类贫困指数方法、完全模糊集和相对方法和Sabina Alkire与James Foster提出的双临界值AF方法等[6],其中尤以AF方法被国内外学者广泛应用。AF方法是由上述两位学者率先提出,通过对每个维度内的贫困指标设定阈值以及跨维度设定多维度的贫困阈值来判定贫困状况[4]。基于此标准,联合国开发计划署(The United Nations Development Programme,UNDP)从2010 年开始,在每年的《人类发展报告》中对全球多维贫困状况进行公布。Santos使用AF方法,对不丹2007年收入、健康、教育、居住、用电、用水等6个方面的城乡的多维贫困程度进行了测度[7]。Bader等使用AF方法,对老挝国家的健康、教育、生活三个维度进行了架构与分析,进而测度出多维贫困指数[8]。在国内,王博等运用AF指数及反向传播神经网络法对秦巴山集中连片深度贫困区农户家庭的多维贫困状况进行了测度与分析[9]。张昭等利用AF方法测算了农村老年人的多维贫困,并进一步通过贫困分解的方式考察了人口老龄化对农村多维贫困的影响[10]。另外,在多维贫困的包含层面也逐步拓展,UNDP《2010年人类发展报告》将健康、教育、生活三个维度纳入贫困测度标准。王素霞等在这三个维度的基础上,引入资产变量,分析了我国贫困人口福利被剥夺的情况[11]。师荣蓉使用主成分分析方法,对包括经济贫困、住房贫困、医疗贫困、教育贫困、交通贫困、生态贫困、信息贫困进行分析整合进而构建出多维贫困综合指数[12]。周云波等构建了收入、教育、社会保障、就业、住房、社会融入等6个维度的多维贫困指标,同时指出收入贫困和多维贫困对农民工贫困状态的识别存在显著差异,当前以收入水平作为主要衡量标准的贫困识别无法替代多维贫困的识别功能[13]。
在贫困的空间表现与区域差别方面,多维性、区域性和动态性是贫困具有的特征[14]。我国的贫困区域连片,贫困人口集中,特别是深度贫困地区贫困人口高度集中[15]。李寻欢等通过构建多维贫困指数,指出青藏高原是区域多维贫困指数“高—高集聚”的“热点地区”[16]。李世祥等基于农村能源的视角,探讨了我国农村能源贫困的地区差异[17]。另外部分学者从空间计量角度出发,探讨贫困在空间上的表现。张跃等研究了人口和就业城镇化不仅具有直接的减贫效应,还通过空间溢出效应对周边省份发挥间接减贫作用[18]。谭昶等对于产业结构升级减贫效应的研究结果与其大致相同,产业结构升级不仅对于本地区有较强的减贫效应,还能够通过空间溢出带动周围的农村地区减贫[19]。可以看出,贫困既具有区域相关的特征,又能通过良好的减贫手段达到整体减贫的效果。在贫困的聚类分析上,有些学者从相对微观的角度出发,利用聚类方法对贫困县(区)和农村贫困人口的贫困程度和结构进行了精准地分析[20-22]。
通过文献梳理发现,相较于对多维贫困和相对贫困的研究,目前我国针对贫困的区域和空间表现的研究还相对较少,关于省际地区的多维贫困程度的差异也鲜有研究。同时,目前有些学者常将一些减贫措施当作普适性的方法,而忽略了省际区域的异质性所带来的不同成效。这些理论上的缺乏或空白显然不利于为我国2020年后精准扶贫和反相对贫困政策的实施提供完整的理论依据。本文正是在这样的研究背景下,从多维贫困的角度出发,对于省际地区不同的多维贫困程度进行空间聚类,从而将不同地区划分为相应类别,更好地展现区域间的差异性与相关性,为我国2020年的后减贫政策提供一定的理论依据和决策支持。
二、 多维贫困指标体系构建与结果分析
(一) 多维贫困体系的构建
目前我国关于多维贫困的研究已经较多,本文在相关研究的基础之上[23-24],进行了一定的拓展,最终选定包含经济水平、教育水平、医疗水平、文化科技水平、交通水平和能源水平在内的6个项目层。其中经济、教育、医疗作为最常见的多维贫困指标,能够反映人民现实生活的最基本需求,交通以及能源水平能够体现人民的生活状态,文化科技水平能够反映人民的精神文化生活。因而文章选取的6个项目层可以在物质和文化水平两个方面共同体现贫困的多维性。更进一步,需要通过相应的二级指标对项目层进行表征,具体的指标及其解释如表1所示。本文的数据来自2011、2013、2015、2017、2019年的《中国统计年鉴》,部分数据是经过笔者计算和整理后得到的结果,包括用地区一般公共预算支出比上生产总值来代表财政在民生生活上的支持水平,用原始的绝对数量比上人口或万级人口来代表人均的水平。以上的处理方式能够剔除地域体量不同的差别,更好反映人民个体的生活和贫困状态。参考吴小节等[25]、师荣蓉[12]的思路,本文用主成分分析法对多维度的数据进行整理分析,并且在使用主成分分析方法之前,对相应的数据进行标准化处理,使用的方法是Z-score标准化方法。
表 1 多维贫困程度综合评价指标体系项目层 指标层 指标解释(单位) 经济水平 X1 人均消费支出 元/人 X2 人均可支配收入 元/人 X3 人均GDP 元/人,地区生产总值/人口 X4 财政支持 %,地区一般公共预算支出/生产总值 教育水平 X5 文盲人口占15岁及以上人口的比重 % X6 每十万人平均在校接受高等教育人数 人 医疗水平 X8 每万人医疗卫生机构床位数 张/万人 文化科技水平 X9 电视覆盖率 % X10 每万人R&D项目数 项/万人 X11 每万人专利申请数 件/万人 交通水平 X12 铁路营运里程 km X13 客运量水平 人次/人口 能源水平 X14 电力消费水平 (亿kW·h)/万人 (二) 主成分分析方法结果
运用SPSS25对数据进行标准化处理后,进行主成分分析。分别提取特征值大于1的主成分,各年分别选取到4个主成分,相应的累计贡献率分别达到88.214%、82.546%、85.081%、84.261%和85.42%,皆大于75%。主成分分析的相应结果如表2。
表 2 部分主成分特征值(大于1)和方差贡献率年份 主成分
因子特征根 因子贡献
率/%累积因子贡
献率/%2010 F11 7.879 56.277 56.277 F12 2.038 14.555 70.832 F13 1.34 9.571 80.403 F14 1.094 7.811 88.214 2012 F21 6.712 47.945 47.945 F22 2.553 18.234 66.179 F23 1.187 8.478 74.657 F24 1.105 7.89 82.546 2014 F31 6.926 49.47 49.47 F32 2.345 16.749 66.219 F33 1.619 11.566 77.785 F34 1.022 7.297 85.081 2016 F41 6.703 47.876 47.876 F42 2.161 15.439 63.315 F43 1.837 13.124 76.438 F44 1.095 7.822 84.261 2018 F51 6.571 46.938 46.938 F52 2.547 18.189 65.128 F53 1.728 12.346 77.473 F54 1.113 7.947 85.42 (三) 系统聚类方法结果
系统聚类法是在样品距离的基础上定义类间距离的最常用聚类分析法[26]。在提取了主成分之后,对于各年的主成分进行系统聚类分析。在系统聚类分析的过程中,选取欧氏距离为个体间的距离类型,平均距离为类间的聚类方法。主要的步骤是利用欧式距离测算31个地区的样本间距离并生成距离矩阵,其后以31个类别为基础将距离最近的地区聚为小类,再将已聚合的小类依据类平均距离所度量的相似性程度进行再聚合,重复这样的步骤,随着类别之间相似性的减弱,会最终生成一个大类,并在此过程中得到一个按相似性大小聚合起来的谱系图(图1)。根据生成的聚类谱系图结果与贫困的空间表现可将31个省际地区划分为五个类别。
总体来看,北京由于经济和政治优势,始终处在第一类别,因而在多维贫困的评价体系中可将其定义为无多维贫困地区。天津、上海、江苏、浙江、广东等地由于区位优势和经济的迅速发展,带动了多维贫困的减除,在聚类结果中处于第二类,可将其定义为脱离多维贫困地区。内蒙古、青海、宁夏、新疆等地的地理位置处于我国的边疆地区,在经济文化等领域都要落后于沿海和内陆的发达和中等发达城市,在聚类结果中属于第四类,可将其定义为中度多维贫困地区。西藏在各年的聚类结果中始终位于第五类别,是中国多维贫困中最为集聚的地区,也是多维贫困程度最深的地区,这与相关学者研究的结果达成了一致[16],可将其定义为重度多维贫困地区。剩余地区是我国中等发达的城市和省域,在多维贫困的测度上也属于中等水平,位于第三类别,可将其定义为轻度多维贫困地区。
同时从时间演进的角度来看,除了山东省在2012年被划定为第四类地区,各地区的系统聚类结果随着时间的推移并没有发生太大的变化,整体上呈现稳定集中的趋势。这表明我国各省际地区的多维贫困程度是具有相对稳定性的,同时在治理贫困的事业中呈现的也是一种整体性的发展和进步。
(四) 基于Moran’ s I值测算的空间自相关分析
为了进一步探讨多维贫困在空间上的相关与差异性,本文引入空间自相关指数Moran’ s I值进行测度,Moran’ s I值可反映地理邻接的省际区域之间是否具有相关的多维贫困属性。Moran’ s I值的取值范围在[−1, 1]之间,越接近于1,则越具有正向的相关关系,越接近于−1,则越具有负向的相关关系,若值等于0,则不具有相关关系。本文借鉴蒋振威等的研究,具体的Moran’ s I值的测算方法可参见其做法[27]。在基于主成分分析之后,利用提取的各个主成分的贡献率比上累积贡献率作为权重,与对应的主成分相乘获得各地区的综合得分。考虑到我国相邻地区往往存在着相似的社会经济状况,且多维贫困在我国落后区域成片出现,而发达区域集中消除的空间现象,故运用GeoDa软件生成空间邻接权重矩阵,进而测算全局Moran’ s I值,得到的结果以及显著性水平如表3。
表 3 2010、2012、2014、2016、2018年Moran’ s I值年份 2010年 2012年 2014年 2016年 2018年 Moran’ s I值 0.431*** 0.447*** 0.327*** 0.262** 0.415*** Z-value 4.093 4.3282 3.2052 2.6913 3.9948 注:***P<0.01,**P<0.05。 通过表3可以看出各年的Moran’ s I值分布在0.262~0.447之间,表明多维贫困在空间上具有正向的相关性。但是整体而言Moran’ s I值的数值不高,且在各个年份之间具有不稳定的波动。这一结果表明多维贫困在空间上具有相关性,基于省际的地理区域的多维贫困程度会相互影响,进一步地,国家以及地区的减贫措施会在一定程度上产生空间上的溢出和蔓延,不过这种相关性不强,会受到外部环境的干扰和冲击。因而在进行具体的减贫措施上,要充分考虑到地区之间的相关性与差异性,合理利用好多维贫困的空间特征。
三、 结论和建议
本文通过运用主成分分析、系统聚类、空间自相关的Moran’ s I值测算等方法,对于我国31个省市自治区的2010、2012、2014、2016、2018年的多维贫困进行了实证性的研究和分析,基于此研究,可得出如下的相关结论。
第一,2020年后我国的减贫工作将从重点解决绝对贫困问题向解决相对贫困问题进行转变,对于多维贫困的系统聚类分析结果显示:从整体的角度而言,我国31个省市自治区在多维贫困的水平上可分为五个等级,其中北京作为首都具有政治经济文化等多方面的资源和优势,可以判定为无多维贫困的地区。天津、上海、江苏、浙江、广东等地区经济优势明显,可判定为脱离维贫困地区。内蒙古、青海、宁夏、新疆等地较为落后,可判定为中等多维贫困地区。西藏相比其他地区而言经济欠发达,可判定为重度多维贫困地区。剩余的其他地区处于中等发展水平,可判定为中等多维贫困地区。从时间演进的角度来看,各地区在研究年限中减贫事业虽然取得了较大的成效,但是在中国整体的相对贫困和多维贫困体系中,所处的等级并没有发生较大变化,因而系统聚类的划分结果比较相近。
第二,进一步分析表明各省际地区的多维贫困表现在空间上具有相关性,这种相关性虽然不强,但是也体现出我国部分邻近地区的多维贫困水平呈现相关相近的现象。各地区的多维贫困程度会互相影响,在此基础上,多维贫困的治理也会在一定程度上展现出空间的溢出和蔓延作用。
基于如上的实证分析以及相关结论,本文提出如下的建议。
第一,多维贫困是一个具有综合性的概念,也是2020年后我国扶贫工作的重要导向。在消除了绝对贫困的历史功绩之上,相对贫困以及多维贫困的确定标准都需要进行深刻地研究。全国应制定统一的多维指标测度贫困,以便可以比较精准地测度贫困情况,但贫困标准的确定不宜一刀切,应综合考虑本地区经济社会发展情况确定一个合理标准。同时应当设立动态的调整机制,兼顾社会发展的进步性以及贫困的变化性。
第二,各地区的多维贫困程度具有差异性,因而相应的扶贫政策需要从各地实际情况出发,因地制宜,针对突出的贫困领域进行重点突破。国家政府在制定相对贫困的减贫政策上要避免笼统地将各类减贫措施当作普适性的方法,从而忽略了区域之间的异质性。政府应该充分考虑省际地区发展速度的差别以及多维贫困的程度,将相同地区进行归类,内蒙古、青海、宁夏、新疆、西藏等地是多维贫困最为严重的地区,在经济医疗教育等方面都要落后于其他地区,这是国家扶贫政策需要重点倾斜的区域。同时在基于国家整体政策方针的基础之上,各个地区应当重点审视自身的相对贫困和多维贫困水平,进而采取相应的措施减除贫困。
第三,各地区的多维贫困表现具有相关性,政府要关注到多维贫困在区域之间的关联,进而在制定相对贫困和多维贫困的减贫政策时,能够充分发挥其空间溢出与蔓延的作用。重度贫困地区集中在传统的西部地区,其展现的多维贫困和相对贫困也主要是区域发展不平衡所带来的。为解决这个问题,需要顶层设计,实行区域经济发展战略,或者通过重点支持某个中心城市来带动周围省市发展,从而引导各类发展要素在区域之间流动。政府尤其是中央政府要对重度多维贫困和中等多维贫困地区加大支持力度,鼓励东部经济发达省份参与贫困省市的结对帮扶,用对口支援的方式实现扶贫路上的携手并进。解决相对贫困是一项更加长期的系统的社会工程,无论任何贫困终究要靠经济社会发展来消除,因此减贫也是发展问题,需要政府主导,社会、企业协同,发动各种力量参与,尽快缩短差距。
-
表 1 变量的描述性统计
指标选取 LNAGDP LNINV LNLABOR LNTAMP 均值 7.923541 5.957206 7.741322 9.221316 中值 8.035019 6.296191 7.734217 9.213364 最大值 8.497566 6.936935 7.968216 9.499498 最小值 7.145646 4.345622 7.526502 8.857265 标准差 0.496771 0.79727 0.13195 0.19327 偏度 −0.300369 −0.693937 0.249767 −0.197747 峰度 1.563023 2.32066 2.179649 1.997184 表 2 单位根检验
变量序列 ADF检验值 5%显著性水平 结论 LNAGDP −4.696321 −3.098896 趋势平稳过程 LNLABOR −4.834391 −3.759743 趋势平稳过程 LNTAMP −2.069311 −3.052169 非平稳过程 ΔLNTAMP −3.726168 −1.964418 趋势平稳过程 LNINV −2.002493 −3.759743 非平稳过程 ΔLNINV −4.468099 −3.759743 趋势平稳过程 表 3 格兰杰因果关系检验
原假设 Chi-sq统计量 自由度 P值 LNLABOR不能Granger引起LNAGDP 0.979875 2 0.6127 LNTAMP不能Granger引起LNAGDP 2.94128 2 0.2298 LNINV不能Granger引起LNAGDP 21.3624 1 0.0453 LNLABOR、LNTAMP不能Granger引起LNAGDP 3.946705 3 0.4133 LNLABOR、LNINV不能Granger引起LNAGDP 6.15911 4 0.1876 LNTAMP、LNINV不能Granger引起LNAGDP 10.61486 4 0.0313 LNLABOR、LNTAMP、LNINV不能Granger引起LNAGDP 10.0614 6 0.1221 LNAGDP不能 Granger引起LNLABOR 1.557474 2 0.459 LNTAMP不能Grange引起LNLABOR 5.91666 2 0.0519 LNINV不能Granger引起LNLABOR 1.77544 1 0.3983 LNAGDP、LNINV不能Granger引起LNLABOR 7.556723 4 0.1092 LNAGDP、LNTAMP不能Granger引起LNLABOR 1.311551 4 0.8594 LNINV、LNTAMP不能Granger引起LNLABOR 5.586084 4 0.2323 LNAGDP、LNTAMP、LNINV不能Granger引起LNLABOR 6.155471 6 0.406 LNAGDP不能Granger引起LNTAMP 1.374057 2 0.5031 LNLABOR不能Granger引起LNTAMP 1.062007 2 0.588 LNINV不能Granger引起LNTAMP 1.38412 1 0.4699 LNAGDP、LNLABOR不能Granger不能LNTAMP 2.084832 4 0.7202 LNAGDP、LNINV不能Granger引起LNTAMP 3.086531 4 0.5435 LNLABOR、LNINV不能Granger不能LNTAMP 3.607572 4 0.4617 LNAGDP、LNINV、LNLABOR不能Granger引起LNTAMP 4.536036 6 0.6045 LNAGDP不能Granger引起LNINV 0.4299 1 0.8069 LNLABOR不能Granger引起LNINV 12.0967 1 0.0781 LNTAMP不能Granger引起LNINV 12.0191 1 0.0786 LNLABOR、LNAGDP不能Granger引起LNINV 9.363855 4 0.0526 LNAGDP、LNTAMP不能Granger引起LNINV 7.421349 4 0.1152 LNLABOR、LNTAMP不能Granger引起LNINV 6.541151 4 0.1622 LNAGDP、LNTAMP、LNLABOR不能Granger引起LNINV 11.22023 6 0.0818 表 4 山东省农业经济增长各要素的向量自回归模型参数估计结果
变量序列 LNAGDP LNINV LNLABOR LNTAMP LNAGDP(−1) 0.681355(0.11892) −0.122914(0.35212) −0.017015(0.06048) 0.119081(0.20585) LNINV(−1) 0.079273(0.06677) 0.607897(0.19771) −0.012451(0.03396) 0.103477(0.11558) LNLABOR(−1) −0.227139(0.39113) −1.908233(1.15815) 0.882766(0.19891) 0.904369(0.67705) LNTAMP(−1) 0.254770(0.16679) 0.282955(0.49387) 0.035039(0.08482) 0.646408(0.28871) C 1.537269(3.50785) 15.62274(10.3869) 0.767659(1.78395) −5.280411(6.07220) R-squared 0.992306 0.970234 0.970707 0.834335 注:括号内变量为标准误差取值。 表 5 山东省农业经济增长与各因素方差分解
滞后期 Variance Decomposition of LNAGDP (S.E.) LNLABOR LNINV LNAGDP LNTAMP 1 0.043139 33.3492 20.9102 45.74061 0 2 0.066292 34.25899 11.3088 49.62072 4.811493 3 0.139172 10.17666 6.067595 45.63535 38.12039 4 0.17556 14.64654 6.951952 46.13033 32.27118 5 0.220902 20.6654 7.91536 40.74902 30.67022 6 0.269312 22.80837 8.959266 38.33275 29.89962 7 0.292853 27.78544 9.69886 35.83789 26.67781 8 0.310175 29.67986 10.70167 33.73741 25.88105 9 0.317382 30.42261 11.56357 32.84036 25.17346 10 0.31863 30.60311 11.83019 32.58356 24.98314 -
[1] 宋淑丽, 王新利. 新常态下我国农业经济增长动力影响分析: 基于1990—2015年黑龙江省统计数据[J]. 农业技术经济, 2017(7): 102. DOI: 10.13246/j.cnki.jae.2017.07.010. [2] 楼俊超, 刘钊. 人力资本对农业经济影响的实证分析[J]. 统计与决策, 2020, 36(6): 67. DOI: 10.13546/j.cnki.tjyjc.2020.06.014. [3] 董奋义, 李梦婷. 人力资本对1990—2017年安徽省农业经济增长的贡献研究[J]. 河南农业大学学报, 2020, 54(1): 155. DOI: 10.16445/j.cnki.1000-2340.20200213.001. [4] 李兆亮, 罗小锋, 张俊飚, 等. 农业R& D投入、空间溢出与中国农业经济增长[J]. 科研管理, 2020, 41(9): 268. DOI: 10.19571/j.cnki.1000-2995.2020.09.027. [5] 袁芳, 张红丽, 陈文新. 西北地区农业投资与经济增长的非均衡关系实证[J]. 统计与决策, 2020, 36(18): 123. DOI: 10.13546/j.cnki.tjyjc.2020.18.028. [6] 于扬, 吴鸣然, 吴兆丹. 中国农业经济增长的动力分析[J]. 统计与决策, 2019, 35(16): 120. DOI: 10.13546/j.cnki.tjyjc.2019.16.026. [7] 林海英, 李文龙, 赵元凤. 基于农业科技创新视角的农业信息化水平与农业经济增长关系研究[J]. 科学管理研究, 2018, 36(2): 80. DOI: 10.19445/j.cnki.15-1103/g3.2018.02.021. [8] 刘敦虎, 赖廷谦, 王卿. 农业科技投入与农业经济增长的动态关联关系研究: 基于四川省2000—2015年的经验数据[J]. 农村经济, 2017(10): 118. DOI: CNKI:SUN:NCJJ.0.2017-10-021. [9] 张红丽, 李洁艳. 农业技术进步、农村劳动力转移与城乡收入差距: 基于农业劳动生产率的分组研究[J]. 华东经济管理, 2020, 34(1): 67. DOI: 10.19629/j.cnki.34-1014/f.190621012. [10] 马轶群, 孔婷婷. 农业技术进步、劳动力转移与农民收入差距[J]. 华南农业大学学报(社会科学版), 2019, 18(6): 35. DOI: 10.7671/j.issn.1672-0202.2019.06.004. [11] 莫亚琳, 黄奕涵, 罗培坤. 社会资本、农村劳动力流动与农户收入: 基于CFPS数据的实证研究[J]. 投资研究, 2020, 39(6): 111. [12] 张杰飞. 农村劳动力转移的农户增收效应: 基于区域异质性的视角[J]. 社会科学家, 2020(4): 34. DOI: 10.19863/j.cnki.issn.1002-3240.2020.04.006. [13] 高延雷, 张正岩, 王志刚. 城镇化提高了农业机械化水平吗: 来自中国31个省(区、市)的面板证据[J]. 经济经纬, 2020, 37(3): 37. DOI: 10.15931/j.cnki.1006-1096.1096.20200324.001. [14] 苏荟, 孙毅. 技术进步、产业升级、收入差距与劳动力转移: 基于新疆南疆的实证研究[J]. 科研管理, 2019, 40(12): 182. DOI: 10.19571/j.cnki.1000-2995.2019.12.018. [15] 杨穗, 吴彬彬. 农民工就业地选择和收入差距[J]. 社会发展研究, 2019, 6(4): 112. [16] 陈建伟. 新型职业农民身份对农业经营收入的影响: 基于倾向值匹配方法的分析[J]. 东岳论丛, 2019, 40(11): 162. DOI: 10.15981/j.cnki.dongyueluncong.2019.11.017. [17] 刘晶, 孙亚南. 新常态下农村劳动力转移及其减贫效应分析[J]. 商业经济研究, 2019(18): 186. DOI: 10.3969/j.issn.1002-5863.2019.18.053. [18] 李平, 王蓓, 王维薇. 农业机械化促进美国农业经济增长的实证分析[J]. 中国农机化学报, 2019, 40(4): 195. DOI: 10.13733/j.jcam.issn.2095-5553.2019.04.35. [19] 吴智豪, 党敬淇, 季晨. 农业机械化对粮食生产的空间溢出效应: 基于江苏省13个地级市的空间计量分析[J]. 中国农业大学学报, 2020, 25(12): 184. DOI: 10.11841/j.issn.1007-4333.2020.12.19. [20] 薛超, 史雪阳, 周宏. 农业机械化对种植业全要素生产率提升的影响路径研究[J]. 农业技术经济, 2020(10): 87. DOI: 10.13246/j.cnki.jae.2020.10.007. [21] 黄大勇. 农业机械化服务对家庭农场的作用机理: 一个理论分析框架[J]. 吉首大学学报(社会科学版), 2020, 41(5): 72. DOI: 10.13438/j.cnki.j020xb.205.009. -
期刊类型引用(1)
1. 吴艳蓉,杨虎,李君,马月伟. 黑竹沟自然保护区农户可持续生计研究. 西南林业大学学报(社会科学). 2022(01): 47-53 . 百度学术
其他类型引用(2)