農業機械化對農戶主糧種植面積的影響

彭繼權 張利國

(江西財經大學 經濟學院，南昌 330013)

糧食安全是影響國計民生、經濟發展和社會穩定的關鍵方面[1]。中國既是農業大國，也是人口大國，是世界上最大的糧食消費國之一。中國政府始終把糧食安全作為治國理政的頭等大事，十九大報告強調“確保國家糧食安全，把中國人的飯碗牢牢端在自己手中”。自2003—2015年，中國糧食產量實現“十二連增”，創造了中國乃至世界糧食生產奇跡。但是，隨著中國工業化和城鎮化進程的推進，耕地面積逐漸減少[2]，加之人口持續增長和人民生活水平不斷提高，中國的糧食安全仍然面臨著巨大壓力。影響糧食產量的首要方面就是糧食種植面積，研究如何穩定和提高糧食種植面積具有非常重要的現實意義[3]。

目前，關于糧食種植面積方面已有大量研究，主要從國家政策、農戶家庭特征、個人特征和市場經濟因素等視角分析。劉克春[4]發現糧食直接補貼和最低收購價政策能顯著提高糧農種植積極性。王莉等[5]發現農戶種糧面積與糧價呈現出非常緊密的關系。洪自同等[6]發現機械購置補貼政策對農戶主糧種植面積有積極影響。陳艷紅等[7]發現家庭特征和個人特征是影響農戶種糧意愿的重要方面。趙玉等[8]認為農戶的市場風險認知和糧食價格預期是影響糧農種植積極性的關鍵因素。王大偉等[9]發現農業結構調整對糧食產量影響重大。金婷等[10]研究了糧食最低收購價政策對小麥主產區生產的影響。

也有部分研究從農業機械角度探討糧食生產的影響因素，王歐等[11]發現農業機械投入增加能夠有效減少農業勞動投入和增加糧食產量，但不同糧食品種的農業機械替代效應會存在時空差異。伍駿騫等[12]發現農業機械化對糧食產量有空間溢出效應。還有學者探討了農業機械對糧食種植面積和種植結構的影響，有一派學者傾向于農業機械能促進糧食種植面積增加的觀點，鄭旭媛等[13]發現平原地區的農業機械對勞動力替代性更強，勞動成本上升會促進農戶種植更多的糧食作物。鐘甫寧等[14]發現在適宜機械作業地區，外出務工會促進農戶增加農業機械投入并提高糧食播種比例。羅必良等[15]發現農機社會化服務會強化農戶種植結構“趨糧化”；而另一派研究傾向于農業機械對糧食種植面積沒有影響的觀點，楊進等[16]發現農業機械化服務不會增加糧食播種面積，上漲的農業機械費用反而會降低糧食播種面積。

由以上可知，研究糧食生產的數據逐步由宏觀省級數據向微觀家戶數據轉變，但研究結論尚不統一。其差異的原因可能如下：一是數據缺失導致已有研究對農業機械化程度的測度不夠精準，目前大多采用農業機械相關指標來代替衡量農業機械化程度，例如，農業機械投入費用代替法[13]、五分類農業機械使用量程度代替法[15]、農戶是否選擇農機服務的代替法[16]，這些指標在一定程度上能夠衡量農戶的農業機械化程度，但與真實值相差甚遠；二是微觀家戶數據更易導致計量模型內生性問題，且農業機械與糧食種植面積的強烈相關關系會加劇模型內生性；三是“馬鈴薯主糧化戰略”剛提出不久，目前鮮有把馬鈴薯納入主糧進行的研究，遺漏或缺失必然也會導致研究結果不精準。

農業機械究竟會如何影響農戶糧食種植面積？其作用機制是什么？這一科學回答對中國農業機械發展和國家糧食安全至關重要。基于此，本研究嘗試運用1 667個農戶實地調查數據，采用農業農村部對農業機械化水平的測度指標和方法，選用兩步最優廣義距模型(IVGMM)和內生變量歸并模型(IVTobit)在消除農業機械化和糧食種植面積之間內生性的基礎上，準確估計農業機械化對農戶主糧種植面積的影響；并進一步運用無條件分位數回歸(UQR)考察農業機械化對不同分位數主糧種植面積的影響，再分主糧類型探究其影響的異質性；最后，從農業機械替代效益角度厘清農業機械化對糧食種植面積的作用機制，以期為提升中國農業機械化水平和保障糧食種植面積提供政策依據。

1 理論分析

眾多農業發達國家的經驗表明農業機械是實現現代農業的重要生產要素之一，也是傳統農業向現代農業轉變的主要標志。農業機械對農業生產最直接的作用在于通過替代農業勞動力投入來提高農業生產效率，而農戶是否選擇使用農業機械需要滿足一定的前提條件。一是農戶為不耽誤農業生產季節，在農忙時節使用機械替代勞動的可能性更大，且這種替代關系更多體現在運輸和機耕等方面；二是當農業勞動力成本上漲和農業勞動力外流增加時，農業機械對農業勞動力的替代需求更加明顯[17]；三是農戶是否決定采用農業機械替代勞動力，并不僅僅是基于其替代的可行性，而是更多考慮替代的生產效益，即農業機械替代農業勞動力是否會降低農業生產成本。一般而言，農戶采用農業機械會影響農業機械費用和農業勞動力雇工費用，較少影響其他農業生產成本。因此，只有當農業機械費用低于農業勞動雇工費用時，農戶才會選擇使用農業機械替代農業勞動力[18]。

由于不同種類農作物的農業機械作業條件不同，農業機械對不同農作物生產的影響勢必有所差異。農作物一般可以分為土地密集型的糧食作物和勞動密集型的經濟作物。經濟作物要比糧食作物的種類更多，生產規模小、分布零散，且生產過程繁復、技術要求較高，對應的專業農機發展較為緩慢。目前大多數經濟作物僅在整地、植保和灌溉環節能夠實現機械操作，但其機具的性能和質量還有待提升[19]。勞動強度較大的播種、中耕管理和收獲等環節的農業機械發展較不充分，且經濟作物的農機使用成本一般較高，以上問題都制約農戶在經濟作物生產方面對農業機械的使用[15]。與經濟作物相比，糧食種植品種較少、種植規模大和農藝“標準化”等特點都適宜糧食作物采用機械作業，在糧食生產過程中使用農業機械有利于抗旱排澇、搶收搶種和病蟲草害防治等工作[19]。農業機械深松整地功能也能較大程度提高土壤蓄水保墑能力，達到糧食作物保產增產效果。同時，農業機械能有效降低糧食生產后在脫粒、運輸、烘干、貯存等環節的損失率，提高糧食作物的收益率[20]。因此，糧食作物比經濟作物在耕作上是更易被農戶用機械替代勞動的農作物品種。

2 數據來源與研究方法

2.1 數據來源

本研究數據來自于課題組2016年在湖北省的農戶實地調查數據，調研地點包括英山縣、蘄春縣、沙市區、陽新縣和老河口市等5個縣(市、區)。采用隨機抽樣的方法，共調查1 750戶農戶，剔除無效和未參與農業經營樣本83份，本研究樣本為 1 667份。

2.2 模型選擇

2.2.1基準模型構建

構建模型考察農業機械化對農戶主糧種植面積的影響，式(1)：

Yi=α0+β0xi+∑γiZi+μi

(1)

式中：i表示單個農戶；Yi為農戶主糧種植面積；xi為農業機械化，再選取農戶農業機械投入額作為模型穩健性檢驗指標；Z為控制變量；μi是隨機擾動項；α0、β0、γi為待估參數。為了獲得β0的無偏估計量，必須解決式(1)估計中可能存在的內生性問題和樣本選擇偏誤問題。

農業機械化與農戶主糧種植面積之間可能存在互為因果的內生性關系。農業機械使用程度提高可能會促進農戶主糧種植面積，但也可能正是因為糧食種植面積提高迫使農戶增加農業機械使用；再則，一些不可觀測的村級社會經濟特征也可能會影響到農戶主糧種植面積，從而導致遺漏變量偏誤。為解決內生性問題，擬采用工具變量法。式(1)中的內生性變量為mechanizationi，兩步最優廣義距模型(IVGMM)估計的第一階段回歸如式(2)所示：

mechanizationi=δ1Wi+δ2Zi+εi

(2)

式中：Wi是一組工具變量；εi是隨機誤差項。模型中有2個工具變量，其一是家庭收入水平，農業機械使用需要一定的經濟成本，家庭收入水平與農業機械使用有著較為密切的聯系，而家庭收入水平一般不會直接影響農戶種植糧食作物的決策，此變量滿足工具變量外生性的基本條件；其二為家庭所在村是否有通組公路，農業機械能否進入村莊為農戶使用農業機械的前提，且農戶的田地一般分布在村民小組內，良好的通組公路更便于農戶采用農業機械，而通組公路基本上是不會對農戶種植糧食作物產生影響，本研究認為用是否有通組公路作為工具變量具有較強的可行性[21]。由于工具變量數大于內生變量數，需要進行過度識別檢驗和弱工具變量檢驗。

本研究對象為有種植糧食作物的農戶，理論上農戶都有自己的承包土地，選擇是否耕種土地、種植何種農作物主要取決于農戶生計策略的選擇類型。因此，如果僅用那些種植糧食作物的農戶作為樣本進行回歸，會出現樣本選擇偏誤問題。可以使用Tobit模型來解決以上問題，可以表示為：

(3)

(4)

為獲得主模型式(1)中系數的無偏估計量，必須同時解決內生性問題和樣本選擇偏誤問題，最終選擇內生變量歸并模型(IVTobit)，估計步驟和方法如下：

(5)

第二步，利用被解釋變量為非零值的農戶樣本，以Wi為工具變量對式(5)進行2SLS回歸，由此可以得到想要估計的參數。

2.2.2機制檢驗模型構建

構建模型檢驗農業機械化對農戶主糧種植面積的作用機制。從2個方面進行檢驗，一是檢驗農業機械化對農戶主糧生產成本的影響，二是檢驗農業機械化對農戶主糧生產時間的影響。

Ci=α1+β1xi+∑φiHi+θi

(6)

Ti=α2+β2xi+∑τiHi+εi

(7)

式(6)和(7)中：Ci為農戶各類主糧種植成本；Ti為農戶各類主糧種植時間；xi為農業機械化；Hi為控制變量；θi和εi分別為2個模型的誤差項。

2.3 變量選取

1)農業機械化。主要采用農業農村部對農業機械化水平的衡量標準，即農耕種收綜合機械化率。測算方法是農戶層面機耕率、機播率和機收率的加權平均值(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播種面積，機收率等于機收面積除以實際收獲面積，此指標更能反映農戶層面的實際農業機械作業水平[22]。

2)主糧種植面積。主糧包括小麥、水稻、玉米和馬鈴薯，主糧種植面積也就是這些作物種植面積的總和。主糧種植面積占比，即主糧作物種植面積與總種植面積的比值，選取各類主糧面積占比來驗證農業機械化對主糧種植面積的異質性。各類農業生產成本，主要包括單位面積平均農業總成本、單位面積平均主糧成本、單位面積平均經濟作物成本和單位面積平均主糧雇工成本。

3)各類農業生產時間。主要包括單位面積平均農業種植投入天數、單位面積平均主糧種植投入天數、單位面積平均經濟作物種植投入天數和單位面積平均主糧種植雇工投入天數。

4)其他變量。模型中選取的控制變量有戶主教育水平、勞動力占比、糧食價格、非農收入占比、土地流轉、水源污染、地形特征、有效灌溉率、種植種類、復種指數、人均承包面積和氣候極端變化，各變量的描述統計見表1。

3 實證檢驗與結果分析

3.1 農業機械化對農戶主糧種植面積的模型估計

表2為農業機械化對農戶主糧種植面積的估計結果，模型1～4分別采用的估計方法為OLS、Tobit、2SLS、IVGMM，模型5～7采用的估計方法為IVTobit。各估計結果均顯示農業機械化對農戶主糧種植面積有顯著的正向影響，使用農業機械投入額作為農業機械化的代理變量進行回歸，結果依然穩健。農業機械化的OLS回歸系數是0.116，且在1%的水平上顯著。對模型中樣本選擇偏誤修正后進行回歸，農業機械化回歸系數是0.189。對模型中內生性問題處理后進行回歸，農業機械化的2SLS估計系數為0.342。工具變量冗余檢驗的結果顯示家庭收入水平和是否有通組公路的P值分別為0.002和0.000，說明強烈拒絕原假設。弱工具變量檢驗的F統計值是115.63，完全滿足Staiger等[23]所建議的工具變量F檢驗統計值>10的經驗規則。對工具變量更不敏感的“有限信息最大似然估計法”估計結果顯示，農業機械化的系數估計值為0.341(P=0.000)，與表2中模型3的估計結果基本一致，說明工具變量并非弱工具變量。

另外，根據Stock等[24]的方法，檢驗了工具變量的弱識別問題，Cragg-Donald WaldF統計值為89.57，遠遠大于統計檢驗的臨界值19.93。對模型中樣本選擇偏誤和內生性問題同時處理后回歸，農業機械化的IVTobit估計系數為0.429，且在1%水平上顯著。由模型1～5可知，采用OLS回歸不能準確估計農業機械化對農戶種植糧食面積的影響，對模型中樣本選擇偏誤和內生性問題處理后回歸，發現農業機械化每提高1%，農戶主糧種植面積就提高0.429%。從其他變量的IVTobit回歸結果可知，糧食價格對農戶主糧種植面積會產生顯著的正向影響，說明糧食市場價格會促進農戶生產的積極性。非農收入占比對農戶主糧種植面積會產生顯著的負向影響，可能是家庭非農經營程度越高的農戶，對土地的依賴性和投入意愿就越低。轉出土地對農戶主糧種植面積會產生顯著的負向影響，這一回歸結果與常識基本一致。

利用UQR回歸對不同分位數上農戶主糧種植面積的決定因素進行分析，結果見表3。農業機械化對農戶主糧種植面積有顯著的正向作用，且都在1%水平上顯著。在5分位點上的估計系數最小，在95分位點上的估計系數最大，表明農業機械化對農戶主糧種植面積的影響隨著分位點的提高在不斷增加。可能原因是農業機械能夠有效縮短農業生產作業時間，降低雇工成本和其他農業種植成本，從而增

表1 變量定義與描述統計Table 1 Variable definition and description statistics

表2 農業機械化對農戶主糧種植面積的估計結果Table 2 Estimated results of agricultural mechanization on the main grain planting area of farmers

加農戶主糧種植的積極性，且這種影響隨著種植面積的不斷擴大而呈現出規模報酬遞增效應。戶主教育水平對農戶主糧種植面積有正向影響，且影響大小從低分位數到高分位數逐步提高，但基本都不顯著。

勞動力占比對農戶主糧種植面積有顯著的正向影響，并且從低分位數向高分位數逐步提高，說明在主糧種植面積分布的高端，家庭勞動力占比越多，越能增加農戶種糧積極性。糧食價格對農戶主糧種植面積有顯著的正向影響，且從低分位數向高分位數逐步提高，說明價格對種植面積較大農戶的主糧種植面積增幅更大，可能是種植面積較大農戶的市場化程度越高，糧食價格提升對農戶收益增加更為明顯，而種植面積較小農戶生產的糧食只能自給自足，故提升幅度不明顯。非農收入占比對農戶主糧種植面積有顯著的負向影響，且隨著分位數的增加而逐步提高，說明家庭非農收入比重越高，農戶主糧種植面積就會越小，可能是農戶基于比較利益選擇的結果。與水源無污染相比，水源污染對農戶主糧種植面積有負向影響，但都不顯著。土地轉出對農戶主糧種植面積有負向影響，其影響隨著分位點的提高而下降，可能原因是盡管土地轉出會減少農戶種植主糧作物的可能性，但農戶出于自身基本口糧的需求，都會種植一定規模的主糧作物來滿足家庭基本需求。與非平原地區相比，平原地區對主糧種植面積有顯著正向影響，且隨著分位數的增加而遞增，可能是種植規模越大，平原的優勢更易突顯。

表3 農業機械化對農戶主糧種植面積的無條件分位數回歸(UQR)的估計結果Table 3 Estimated results of unconditional quantile regression (UQR) of agricultural machinery on the main grain crop area

3.2 農業機械化對農戶主糧種植面積的異質性分析

上述實證分析了農業機械化對農戶主糧種植面積的影響，但無法得知農業機械化對農戶不同類型主糧種植面積的影響。農業機械對不同農作物生產力的提升有所不同，進而導致農戶在不同類型主糧生產中農業機械的使用存在差異。因此，分析農業機械化對不同主糧種植面積的影響，有利于厘清農業機械化對主糧種植面積影響的異質性。表4和5分別為農業機械化對各類主糧種植面積占比的UQR估計結果，表中展示了25、50和75分位數的結果，依次代表低、中、高分位數。從表4的估計結果來看，農業機械化對水稻和小麥種植面積占比有顯著的正向影響，在低分位點時的影響較小，在高分位點時的影響更大。在75分位數上，水稻模型中農業機械化的回歸系數是25分位數和50分位數回歸系數的1.91倍和1.07倍；小麥模型中農業機械化的回歸系數是25分位數和50分位數回歸系數的2.76倍和1.72倍，且農業機械化對水稻種植面積的提升作用更大。可以看出，農業機械化對水稻和小麥種植面積占比的影響都隨著分位點提高而呈現出不斷增加的趨勢，這也表明農業機械化對水稻和小麥種植面積的影響存在邊際報酬遞增效應。從控制變量來看，各變量UQR估計結果與表3中各變量UQR中估計結果的規律基本一致，且顯著性差別不大，說明回歸模型具有較強的穩健性。

表4 農業機械化對水稻和小麥種植面積的無條件分位數回歸(UQR)的估計結果Table 4 Estimated results of unconditional quantile regression (UQR) on the planting area of rice and wheat by agricultural machinery

表5為農業機械化對玉米和馬鈴薯種植面積占比的無條件分位數回歸結果，回歸結果表明農業機械化對玉米和馬鈴薯種植面積占比有顯著的正向影響，在70分位數上，農業機械化對玉米和馬鈴薯種植面積占比的邊際影響較大。在70分位數上，玉米模型中農業機械化的回歸系數是25分位數和50分位數回歸系數的2.05倍和1.17倍；馬鈴薯模型中農業機械化的回歸系數是25分位數和50分位數回歸系數的1.27倍和1.17倍，且農業機械化對馬鈴薯種植面積占比的提升作用更大。可以看出，農業機械化對玉米和馬鈴薯種植面積占比的影響都呈現隨著分位點提高而不斷增加的趨勢，這也表明農業機械化對玉米和馬鈴薯種植面積的影響存在邊際報酬遞增效應。從其他控制變量來看，戶主受教育水平對玉米和馬鈴薯種植面積占比有正向影響，但僅在部分分位點上顯著。勞動力占比、糧食價格和地形特征都對玉米和馬鈴薯種植面積占比有顯著的正向影響，且基本上都隨著分位數的提高而增加。非農收入占比、水源污染和土地流轉都對玉米和馬鈴薯種植面積占比有顯著的負向影響，且隨著分位數的提高而增加。

表5 農業機械化對玉米和馬鈴薯種植面積的無條件分位數回歸(UQR)的估計結果Table 5 Estimated results of unconditional quantile regression (UQR) on the planting area of corn and potato by agricultural machinery

3.3 農業機械化對農戶主糧種植面積的作用機制

上述證實了農業機械化會影響農戶不同類型主糧的種植面積，且從表2的模型7可知，農業機械化更能促進農戶種植主糧作物，但仍不清楚農業機械化對農戶主糧種植面積的作用機理，此部分繼續探究農業機械化促進主糧種植的內在邏輯。表6為農業機械化對各類農業生產投入時間的估計結果，表6 中列(1)～(4)的因變量分別為單位面積平均下的農業種植投入總成本、主糧種植投入成本、經濟作物種植投入成本和主糧種植雇工成本。由表7的列(1)～(3)可知，農業機械化對單位面積平均下的農業種植投入天數、主糧種植投入天數、經濟作物種植投入天數都存在顯著的負向影響，且對單位面積平均主糧種植投入天數的影響最大，說明農業機械化最能降低主糧種植勞動投入時間，可能原因是糧食種植農藝的相對“標準化”更適宜于機械作業，也就節省更多的主糧生產時間。表7的列(4)表示農業機械化能顯著降低單位面積平均主糧種植的雇工天數，說明農業機械化能夠極大提高農業生產效率，減少農戶雇工支出。表6的列(4)表示農業機械化能顯著降低主糧種植雇工成本，也回應了表7的列(4)，隨著主糧雇工天數減少，雇工成本也會降低。近年來勞動力成本上漲，雇工成本往往在農業生產成本中占據較大比重，農業機械通過提高農業生產效率，減少主糧雇工天數和雇工成本，進而極大降低農戶主糧生產成本，誘致農戶更多選擇種植主糧作物而非經濟作物。

至此，可以得出本研究的結論與楊進等[16]的觀點相左，主要原因有兩點：一是模型選擇不當，楊進等[16]使用農戶是否選擇農業機械化服務作為傾向得分匹配法的處理變量，此模型只能判斷選擇農業機械化服務的農戶與未選擇農業機械化服務的農戶在糧食種植面積上的差異，但農戶使用農業機械除了來自農業機械化服務，還可以來源于自有農業機械，直接用農業機械化服務替代農業機械使用程度，未免有失偏頗。盡管得分傾向匹配法在一定程度上能夠消除模型的內生性問題，但終究只適應于政策評估研究；二是理論機制誤設，楊進等[16]也從農業機械成本角度解析農業機械化對農戶糧食種植面積的作用機制，假定在其他條件不變情況下，農業機械作業費用上漲將導致農戶減少糧食種植面積，而增加經濟作物種植面積。但此觀點卻忽視了一個重要問題，在既定生產函數中，如果農業機械替代農業勞動力，那么農業生產成本變動需要由農業機械作業費用增加和農業勞動力費用減少2個方面綜合得出，不能只從一個方面就得出農業成本上漲而導致農戶降低糧食種植面積的結論。再則，在理性市場經濟中，農戶使用農業機械的前提一定是農業機械作業費用低于農業勞動力費用，否則農戶也不會使用農業機械[15]。因此，模型中“其他條件不變”的假設前提有待商榷。

表6 農業機械化對農業生產成本的影響Table 6 Impact of agricultural machinery on agricultural production costs

表7 農業機械化對農業投入時間的影響Table 7 Impact of agricultural machinery on agricultural input time

4 結 論

本研究利用1 667個農戶微觀調查數據，采用IVTobit模型和UQR等方法探討農業機械化對農戶主糧種植面積的影響。研究發現：1)農業機械化對農戶主糧種植面積存在顯著的正向影響，農業機械化每增加1%，農戶主糧種植面積就增加0.429%；2)農業機械化對農戶主糧種植面積的影響隨著分位點的提高而不斷增加，說明農業機械化對主糧種植面積存在規模報酬遞增效應；3)農業機械化對農戶不同類型主糧種植面積的影響也隨著分位點的提高而不斷增加，且影響效果從大到小依次是馬鈴薯、水稻、玉米和小麥；4)農業機械化通過提高農業生產效率，減少主糧雇工天數和雇工成本，進而極大降低農戶主糧生產成本，誘使農戶更多選擇種植主糧作物而非經濟作物；5)從其他控制變量來看，勞動力占比、糧食價格和地形特征對農戶主糧種植面積存在顯著的正向影響，非農收入占比、水源污染和土地流轉對農戶主糧種植面積存在顯著的負向影響。

綜上所述，本研究認為農業機械化對農戶主糧種植面積有著重要的積極作用，切實有效地降低了城鎮化后“誰來種地”的糧食安全顧慮，對進一步釋放農村剩余勞動力起到促進作用。以往對農戶主糧種植面積的研究更多從種植結構、農戶家庭特征、個人特征、市場經濟和國家政策因素等方面著手[2,4-5]，但隨著國家農業現代化水平尤其是農業裝備水平的提升，影響主糧種植面積的因素可能需要重新審視。農業生產技術革新往往會對農業生產成本產生重大改變，農產品市場收益進而會影響農戶的種植傾向，最終會倒逼農業生產種植結構調整，農業機械化對農戶主糧種植面積的影響可能也遵循這一邏輯。研究結論也顯示，農業機械化對馬鈴薯種植面積的影響最大，這符合國家當下的“馬鈴薯主糧化”戰略，說明馬鈴薯很有可能成為解決糧食安全問題的重要主糧之一。為提升農戶農業機械化水平和保障糧食種植面積，加快培育一批具有國際競爭力的本國農機裝備生產企業，研發更多生產高效且使用費用低廉的農機產品。在丘陵山區開展地塊“宜機化”改造，推動農田地塊小并大、短并長、陡變平、彎變直和互聯互通，為大中型農機運用創造條件。在條件允許的地區，適度加強土地流轉力度，提高農業機械作業的規模效應。同時，完善農機后期維護市場，形成一套適應新時期發展的新型農業推廣服務體系。提高農業勞動力質量，注重農戶農機專業知識的培養，提升農戶對農業機械的認識和操作水平。