农业机械化如何改善农业劳动力错配

来源:用户上传      作者:

　　摘 要：以农业机械化如何改善农业劳动力错配为研究对象，首先提出了一些具体的研究方法，结合研究实际分详细的析了一些计算模型，通过对这些模型进行计算分析，得出了最终结果并进行了探讨。
　　关键词：农业机械;劳动力错配;改善
　　中图分类号：F323.3文献标识码：A
　　doi：10.14031/j.cnki.njwx.2020.06.113
　　在农业众多资源组成中，农业劳动力占据着举足轻重的地位，通过对农业劳动力错配改善进行探讨分析，不仅有助于农业劳动生产效率提升，还能够从根本上提高农业资源利用率，这对于促进农业实现可持续发展具有重要的意义。
　　1 研究方法
　　1.1 建立计量模型
　　为了解农业机械化如何改善农业劳动力错配问题，建立了如下计算模型
　　|LMISit|=α0+βTEC+∑γjXijt+μi+λt+εit（1）
　　式中，i代表的是身份，t代表的是年份，同时为保证回归方向一致，将|LMISit|设置为农业劳动力错配指数绝对值，从而将实际错配的程度更好的反映出来，一般数值越高，说明农业劳动力错配程度越大。TEC代表的是核心解释变量，主要指的是农业机械的总动力，在实际取值时，应注意要取对数。β则是指农业机械化对农业劳动力错配的影响系数，若这一系数显示为负，则说明农业机械化能够对农业劳动力错配进行显著的改善。xijt代表的是农业劳动力错配的控制变量矩阵，μi代表的是个体效应，εit代表的是随机误差项，并且服从正态分布;γj代表的是各控制变量的系数矩阵。
　　1.2 测量变量
　　在实际进行LMIS指数测量时，可以采用以下计算方法
　　LMIS=iγLi-1（2）
　　γLi=L1L/siβLiβL（3）
　　式中，γLi代表的是不同省份农业劳动力相对价格扭曲系数;L1代表的是该年i省农业劳动力就业人数;L代表的是我国农业劳动力就业人数;L1L代表的是i省使用的农业劳动力占总农业劳动力的实际比例，si代表的是i省农业总产值占全国农业总产值的份额;βLi代表的是i省农业劳动力产出弹性;βL代表的是农业劳动力产出弹性的加权值。siβLiβL代表的是省农业劳动力有效配置使用劳动力的理论比例。γLi则代表的是农业劳动力错配情况，如果γLi>1，且LMIS<0，則说明农业劳动力相对使用成本处于较低的状态，整体呈现出配置过剩的状态;如果γLi<1，且LMIS>0，则说明农业劳动力相对使用成本处于较高的状态。
　　2 研究结果
　　2.1 农业劳动力错配程度分析
　　从全国劳动力错配程度来看，在2003—2017年之间，整体呈现出零值收敛的趋势，这种趋势表明：农业劳动在资源配置方面将越来越合理。在具体地区方面，东部地区近些年在农业劳动力错配方面，有非常高的改善效果，在中西部地区，虽然农业错配效果比较好，但整体改善效果比较弱。
　　2.2 农业机械化对农业劳动力错配的影响
　　通过固定效应模型和系统 GMM 模型计算分析可知，农业工资水平（WAGE）针对于农业劳动力错配（LMIS），在 5% 和 1% 的水平下，整体显著为负。从中我们能够认识到，伴随着农业劳动力岗位收入增加，通常会吸引一些潜在劳动力加入。农业的高薪工作人员，通常都是从事农业研究的技术与管理人员，这些高薪岗位的存在，会吸引一些潜在的劳动力在区域间的流动，促使地域隔阂被打破，使得劳动力配置得到显著改善。
　　通过上述研究可知，农业劳动力在错配方面，有着非常明显的差异性，政府在实际进行改善时，需要充分考虑到这一点，尤其是提高对东部地区劳动力错配情况的重视程度。农业机械化针对于农业劳动力错配改善作用明显，这种作用主要在东部地区所体现，因此需要政府加强农业机械化的推广，促使农民劳动力错配的作用价值得到充分发挥。
　　参考文献：
　　[1] 李娜， 魏铭， 蔡晓颖. 农业机械化对农村劳动力转移贡献的量化研究[J]. 农村科学实验， 2019（21）：120-121.
　　[2] 彭超， 张琛， 李南. 农业机械化、购置补贴扩展与农村劳动力转移——基于全国县级层面时空变化的实证分析[J]. 江苏大学学报（社会科学版）， 2019， 21（4）：49-57.
转载注明来源:https://www.xzbu.com/1/view-15243247.htm