主题：农村人口外流（Rural depopulation）、农业土地利用效率（Agricultural land use efficiency）、耕地撂荒（Cropland abandonment）
文章发表于国际期刊Land Use Policy，2025年159期，通讯作者为北京师范大学地理科学学部自然资源学院的姜广辉教授。
（图片来自原文）
科学问题：
全球城市化进程的加速正在重塑人口的空间分布，与此同时，农村人口减少（RDP）加剧了人口老龄化，对农业生产构成严重威胁。在城市扩张与农村衰退的双重驱动下，农村人口迁移正成为土地利用模式转型的关键因素。
理解农村土地利用变化的关键在于“人地”关系的动态演变作为农业体系的核心要素，人口流动与结构转型深刻影响着土地利用效率。一方面，随着土地权属制度改革的推进和农村土地流转政策的放宽，因农村劳动力迁移而闲置的土地正经历制度性重新配置；另一方面，RDP引发的劳动力短缺促使土地利用方式发生调整。因此，农村人口迁移与土地ALUE之间可能存在复杂互动，这要求研究有必要从RDP视角重新审视土地利用效率问题。
值得注意的是，农村人口外流不仅直接影响土地耕作行为，还可能通过耕地撂荒、规模经营、种植结构等中介变量间接影响土地利用效率。随着劳动力的大量流失，耕地闲置现象日益普遍，耕地撂荒问题也愈发严重。与此同时，土地流转与整合的推进导致部分地区出现大规模连片耕作趋势，为规模经营提供了实际条件。在农业投入结构调整的背景下，不同作物类型的构成与比例也在演变，直接影响土地利用的产出效率。作为农业生产体系的重要组成部分，这三个方面不仅受人口因素驱动，也塑造着土地的有效利用。因此，将RDP纳入ALUE研究框架有助于阐明农村“人地”系统演进的内在逻辑，从而为提升农业可持续性和资源配置效率提供科学依据。
研究方法：
1.研究理论及假设
研究构建了如图1所示的理论框架，提出农村人口减少通过直接效应和中介效应双重路径影响农业用地利用效率。
基于上述理论，研究提出以下假设：
假设1：农村人口减少会降低农业用地利用效率；
假设2：农村人口减少通过中介效应影响农业用地利用效率；
假设2a：农村人口减少可能引发耕地撂荒，进而降低农业用地利用效率；
假设2b：农村人口减少可能促进规模化经营，进而提升农业用地利用效率；
假设2c：农村人口减少可能导致种植结构向非粮食作物偏离，进而降低农业用地利用效率。
（图片来自原文）
2.变量与指标
2.1农业用地利用效率的量化
研究构建了一个包含三个维度的指标体系：投入要素、预期产出和不良产出，并采用该模型计算农业综合效率（ALUE）。ALUE测算体系详见表1。具体计算公式如下：
（公式来自原文）
其中，ρ*代表农业用地利用效率值，该数值越高，表明农业用地利用效率越好。变量x、yg和yb分别对应投入、期望产出和非期望产出。λ为权重系数。λj表示第j个决策单元的权重系数，反映该决策单元对目标单元效率优化的贡献程度；n代表决策单元的总数量（研究共220个地级市）；下标“0”特指当前被评价的决策单元。
（表格来自原文）
2.2量化农村人口减少
人口密度结合了人口基数规模和土地面积，能更准确地反映区域人口变化。鉴于基于遥感的农业人口估计可能存在某些不准确性，研究采用等式(3)中提出的方法计算农业人口密度：
（公式来自原文）
其中，APD代表农业人口密度，AP代表农业人口，AL代表农村地区。需要说明的是，研究中所有样本在研究期间均呈现农业人口密度下降趋势，因此未计算人口密度下降程度。在相关性模型中，若观察到农业人口密度与ALUE呈正相关，则表明RDP与ALUE呈负相关，反之亦然。
2.3量化耕地荒废
根据现行中国法规，连续两年以上处于闲置状态的土地将被认定为废弃土地（依据《中华人民共和国土地管理法》）。研究采用该定义标准。如图3所示，通过分析土地利用数据，首先识别出每个样本单元中连续两年处于闲置状态的农业用地，进而计算出该单元内的农业用地废弃面积（CAA）。
（图片来自原文）
2.4量化规模操作
研究计算了每个样本单位中每户平均承包的耕地面积。计算方法如下：
（公式来自原文）
其中，AHCA代表平均家庭耕地面积，CL代表样本单位的承包耕地面积，NAH代表样本单位的农业家庭数量。
2.5量化培养结构
根据用途，农作物可分为粮食作物和经济作物。经济作物种植面积的变化反映了经营者对人类活动的响应。研究记录了每个样本单元中非粮食作物（ACC）的种植面积。
2.6控制变量
研究选取的控制变量均为处理前变量，这些变量在耕地撂荒、规模化经营和耕作结构变化之前就已存在，且对上述三个变量及ALUE均产生影响。基于这一原则，控制变量从社会经济和自然环境两个维度进行筛选。城镇化可能影响农村人口流动和土地利用结构，是影响ALUE的关键背景因素。经济水平这反映了各地区的经济发展水平：收入较高的地区通常拥有更完善的农业基础设施和技术能力，有助于提升土地利用效率。交通条件既影响农产品运输成本，也决定土地资源的市场可及性，因此在农业与市场对接中起着关键作用。此外，农业生产高度依赖自然条件，故将温度和降水纳入控制变量，以消除气候波动对ALUE的潜在影响。
3.相关性与机制分析方法
由于ALUE是受限数据（范围限定在[0，+∞)区间内），研究采用面板Tobit模型进行变量间相关性分析。该模型适用于处理截尾因变量，能更准确反映变量间的关联关系。根据文献综述，构建了面板Tobit模型，用于分析农业人口密度与ALUE之间的关系，以及农业人口密度与耕地荒废面积、平均家庭承包面积和非粮食作物面积之间的关系。模型设定见公式(5)至(8)：
（公式来自原文）
其中，ALUE_valueit、CAAit、AHCAit和ACCit分别表示农业用地利用效率、耕地撂荒面积、户均耕种面积和非粮食作物种植面积；APDit代表农业人口密度；control表示控制变量；ut为时间固定效应；λt为个体固定效应；εit为随机扰动项。
研究结果：
1.农业用地效率时空格局研究
研究计算了2000年至2020年间220个RDP样本单位的ALUE值（ALUE_value），采用五年为间隔。通过核密度分布法对这些样本进行了估算（图4）。如图4a所示，平均ALUE值从2000年的0.769下降至2020年的0.610。最高平均ALUE值出现在2007年（0.774），而最低值则出现在2018年（0.565）。为量化ALUE值的整体时间趋势，研究对年份（X轴）与ALUE值（Y轴）进行了线性拟合。拟合方程的斜率为−0.0055，表明研究期间平均ALUE值呈现下降趋势。
图4b展示了核密度估计结果，呈现两个峰值：一个位于0.3至0.7区间（左偏态），另一个位于0.9至1.1区间（右偏态）。这些峰值的时间位移表明，右偏态峰值仅数值减小而略有移动，左偏态峰值则向左偏移并增大。这表明ALUE_值在样本单元中呈现整体下降趋势。
图5进一步可视化了ALUE。东北地区效率较低，而东南地区效率较高。
2000年、2010年和2020年的Moran’sI指数分别为0.075533、0.037841和0.043144，均在0.01水平上具有统计学显著性，表明ALUE 存在正空间自相关性。冷热点分析显示，冷点位于东北部，而热点位于南部地区，这与实际情况相符。尽管东北部地形平坦且土壤肥沃，但由于近年来严重的人力流失，农业用地利用不足。此外，人口老龄化带来的负面影响进一步降低了该地区的ALUE。（图片来自原文）
2.基准回归
如前所述，研究采用面板Tobit模型来检验农业人口密度（APD）与ALUE（ALUE_value）之间的关系。如表3所示，在控制固定效应并应用聚类稳健标准误后，APD的回归系数仍具有统计学显著性。其符号APD系数的显著性在引入控制变量前后保持一致。具体而言，在加入控制变量后，APD系数为0.0006787，该值在1%显著性水平上具有统计学意义。这表明农业人口密度与ALUE呈正相关。鉴于研究样本中农业人口密度持续下降，可以推断RDP导致ALUE减少，从而验证了假设1。
（表格来自原文）
3.稳健性试验
为确保回归结果的稳健性，研究采用变量替换、滞后变量回归及离群值剔除等方法进行了一系列稳健性检验，结果详见表4。首先，研究用替代指标替换了核心解释变量（RDP）和因变量（ALUE）。其次，研究引入核心解释变量（RDP）的一期滞后项以解决潜在的内生性问题。结果显示，无论是系数方向还是显著性水平均未发生实质性变化。最后，研究剔除了主要变量中前1%和后1%的极端值以降低离群值的影响。在剔除这些极端观测值后，回归结果仍表现出稳健性。这三项稳健性检验共同证实了研究结论的可靠性和稳定性。
（表格来自原文）
4.内生性检验
为解决RDP与ALUE之间的潜在内生性问题，研究采用‘城市雇员平均工资’作为工具变量（IV）。首先，该变量反映了城市对农村劳动力的吸引力，与RDP高度相关。其次，城市工资水平主要受产业结构和城市经济因素影响这些变量不太可能直接影响ALUE，因此满足外生性要求。在控制固定效应后，该工具变量通过“人口流动性”渠道间接影响ALUE，从而满足适当工具变量的相关性和外生性条件。
如表5所示，工具变量的有效性得到了充分验证。LM统计量为17.167，在1%显著性水平下拒绝了弱工具变量的零假设。此外，第一阶段F统计量达到20.203，超过16.38的临界值，证实了工具变量与内生解释变量之间存在强相关性。第一阶段回归结果显示，工具变量对核心解释变量的影响方向符合预期。在第二阶段回归中，通过工具变量方法估计的系数仍具有统计显著性，且符号与基线回归结果一致。这些结果表明，在解决内生性问题后，RDP与ALUE之间的关系依然稳健。
（表格来自原文）
5.中介机制检验
基于上述研究结果，研究进一步采用随机效应Tobit模型，深入探究耕地撂荒（CAA）、规模经营（AHCA）和耕作结构（ACC）的中介效应。回归分析结果详见表6。CAA、AHCA和ACC的系数均具有统计学显著性，这与理论框架一致，证实了中介效应的存在，并支持假设2。
APD系数为-0.0029893，表明农业人口密度与撂荒面积呈负相关，农村人口减少加剧耕地撂荒，进而降低农业用地利用效率，假设2a成立；APD系数为-0.0016477，表明农业人口密度与户均耕地面积呈负相关，农村人口减少促进土地整合与规模化经营，进而提升农业用地利用效率，假设2b成立；APD系数为0.0055557，表明农业人口密度与非粮食作物种植面积呈正相关，农村人口减少导致非粮食作物种植面积下降，进而降低农业用地利用效率，假设2c成立。
（表格来自原文）
6.结论：
2000年至2020年间，中国220个样本单位的ALUE 呈现整体下降趋势。平均ALUE从2000年的0.769降至2020年的0.610。从空间分布来看，中国东北部ALUE相对较低，形成冷区；而南部地区ALUE较高，形成热区。直接效应分析结果表明，RDP显著抑制了ALUE的提升。为确保这一发现的稳健性，研究进行了系列稳健性检验，包括替换关键变量、引入滞后解释变量以及剔除极端值。此外，通过将城市雇员平均工资作为工具变量，解决了潜在的内生性问题，从而验证了研究结果的可靠性。机制分析揭示了RDP影响ALUE 的三条具体路径。首先，RDP加剧了耕地撂荒现象，进而导致农业用地利用率（ALUE）下降。其次，RDP推动了农田规模化经营，这对提升ALUE具有积极意义。第三，RDP促使种植结构从非粮食作物转向其他作物，进一步降低了ALUE。
推荐人点评：
研究分析了2000至2020年间经历显著农村人口外流的中国220个地级市。采用考虑非理想产出的超效率SBM模型测量ALUE，并分析其时空分布特征。随后运用面板Tobit模型检验RDP与ALUE的关系。最后探讨了耕地撂荒、规模经营和耕作结构的中介作用。
研究的核心边际贡献在于系统考察了RDP对ALUE的直接影响，阐明了在农村人口减少背景下劳动力、资本和技术的作用。研究结果为在持续RDP背景下提高土地资源配置效率、实现农业可持续发展提供了理论基础。此外，通过将耕地撂荒、规模经营和种植结构纳入分析框架，揭示了RDP影响ALUE的多维机制。这不仅拓展了现有ALUE研究的解释范围，也为耕地资源高效利用和农业结构调整提供了实证支持与实践启示。
10个月宝宝每天需要喝多少奶粉？
