農機總動力增長波動影響因素分析

鞠金艷，趙　林，王金峰（. 黑龍江科技大學機械工程學院，哈爾濱 500；　. 東北農業大學工程學院，哈爾濱 50030）

?

農機總動力增長波動影響因素分析

鞠金艷1，趙林1，王金峰2
（1. 黑龍江科技大學機械工程學院，哈爾濱 150022；2. 東北農業大學工程學院，哈爾濱 150030）

摘要：為了明確農機總動力增長波動變化的特征，分析不同因素對農機總動力增長波動影響的大小，進而采取有效的措施來穩定和加快農機總動力增長。針對農機總動力增長波動的復雜性與非線性的特點，采用經驗模態分解法對1986－2013年農機總動力增長及其影響因素進行多層次、多尺度分解，得到各本征模態函數分量和趨勢量，并采用集對分析理論分析農機總動力增長各本征模態函數分量與其相對應影響因素之間的聯系度，進而計算得到各影響因素對農機總動力增長波動的綜合影響率。結果表明，政府投入、勞均（每個勞動力）播種面積、燃料價格指數、糧食單產、非農產業的發展和第一產業從業人員數對農機總動力增長波動的綜合影響率分別為23.89%、23.73%、23.67%、7.13%、7.41%和14.17%，農民人均純收入、農業勞均產值、機械化農具價格指數、初中文化以上農村勞動力比例4個影響因素對農機總動力增長波動不產生影響，只對增長趨勢量有影響。該研究成果為農業機械化發展政策的調整和制定提供了參考。

關鍵詞：農業機械；信號分析；糧食；農機總動力；經驗模態分解法；集對分析；影響因素；綜合影響率

鞠金艷，趙林，王金峰. 農機總動力增長波動影響因素分析[J]. 農業工程學報，2016，32（2）：84－91.

Ju Jinyan， Zhao Lin， Wang Jinfeng. Fluctuations influence factors analysis of growth of agricultural machinery total power[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 84－91. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.013http://www.tcsae.org

0　引　言

農機總動力是指用于農、林、牧、漁業的各種動力機械的動力總和[1-2]。農機總動力作為衡量農業機械化發展水平的主要指標，是有關決策部門制定農業機械化發展政策、規劃的重要參考依據。農機總動力的增長對加速發展農業機械化，實現農業現代化，全面建設社會主義新農村，保證糧食生產和糧食安全等有重要意義。因此，研究農機總動力增長波動變化的特征及其主要影響因素，對采取有效的措施保障其穩定和快速的增長具有重要的意義。中國農機總動力總量增長速度很快，由1986年的22 950萬kW增長到2013年的103 906.8萬kW，但與實現農業現代化的發展要求還有一定差距。目前學者主要對農機總動力總量及其主要影響因素進行研究，集中于研究農機總動力總量發展的變化規律預測、空間區域差異及影響因素等[3-6]，采用的方法主要有數據包絡分析、灰色預測、小波分析、神經網絡及其改進算法等[7-9]。目前尚未有針對農機總動力增長波動的特征，應用經驗模態分解法和集對分析法進行增長波動特征及其主要影響因素研究的報道。

農機總動力增長的波動是受政策、自然條件、經濟和社會發展等多方面因素共同作用的結果，具有一定的復雜性，波動呈非線性和非平穩性的特點，包含多種時間尺度的變化和局部特征。Huang N.E.提出的經驗模態分解法（empirical mode decomposition，EMD）[10-13]，是一種能處理非線性、非平穩信號的諧波分析方法，該方法依據信號的特點逐級進行線性化和平穩化處理，分離出包含原信號不同時間尺度特征信息的波動分量，其中，多個單一時間尺度的波動分量被定義為本征模態函數（intrinsic mode function，IMF），而殘余項被定義為趨勢量R。與傳統的波動測定方法相比，EMD分解法對信號的分解具有客觀性和穩定性，既能有效的分解出信號不同的波動特征即本征模態函數，又能真實的提取出信號的發展趨勢量，具有明顯優勢[14-15]。

采用EMD分解法提取1986－2013年農機總動力增長及其影響因素各時間序列不同的IMF分量和趨勢量，并確定農機總動力增長各IMF波動分量相對應的影響因素，然后采用集對分析理論（set pair analysis method，SPA）[16-18]，對農機總動力增長波動分量IMF及其相對應的影響因素的不同IMF分量進行同、異、反分析，進而求得在不同時間尺度上各影響因素對農機總動力增長波動的影響程度，得到農機總動力增長波動發展的某些規律和主要影響因素，以期為農業機械化管理部門有針對性的調整和制定農業機械化發展政策、措施等提供參考。

1　農機總動力增長影響因素的選取與數據獲得

1.1影響因素的選取

農機總動力增長影響因素的選取直接影響分析結果的準確性，考慮農機總動力增長受政策、自然條件、經濟和社會發展水平等多方面因素的影響[6，19-21]，通過調研分析和征詢專家意見歸納出以下6個方面的農業生產對農機總動力增長的需求動因，在充分考慮需求動因和指標的可獲得性的基礎上，提煉出具體指標來分析影響農機總動力增長的主要因素：1）農機總動力的發展變化受政府政策的影響較大，農機購置補貼政策的實施調動了農民購置農業機械的積極性，使農機總動力快速增長，因此政府對購置農業機械的宏觀調控引導作用，是農機總動力增長的主要影響因素之一，該因素可通過政府的財政投入指標反映；2）改革開放以來農民的人均純收入一直呈現增長的趨勢，農民收入的增長促進了農民對農業機械的投入不斷增加，因此，農民年純收入是農機總動力增長的主要影響因素之一；3）農村勞動力的大量轉移、土地的流轉以及現代農業的發展使農業生產進入適度擴大規模階段，因此，滿足農民擴大生產規模、提高生產能力的需求是農機總動力增長的一個重要的影響因素，該因素可通過勞均（每個勞動力）播種面積和第一產業從業人員數2項指標反映；4）農機總動力的增長是提高糧食數量和質量的有效手段，為滿足提高糧食數量和質量的需求，保障糧食安全，應加速發展農機總動力，因此，其是影響農機總動力增長的主要影響因素，考慮糧食生產的數量和質量2個方面，該因素可通過糧食單產和農業勞均產值2項指標反映；5）降低農業生產成本的需求，是影響農機總動力增長的一個重要因素，該因素可通過燃料價格指數和機械化農具價格指數2項指標反映；6）改善農民的生活和勞動條件、創造更多的發展機會，使農民對農業機械的需求加大，該因素可通過初中文化以上農村勞動力比例和非農產業的發展2項指標反映。其中，勞均代表每個勞動力；燃料價格指數和機械化農具價格指數分別是指反映燃料價格和機械化農具價格變動趨勢的一種相對數，為了研究價格變動長期趨勢及其規律，對價格指數統計數據以1985年為基期進行計算得到定基價格指數；非農產業的發展用第二、三產業總產值與地區生產總值的比值來表示。

1.2數據的獲得

本文主要使用1986－2013年農機總動力增長及其主要影響因素的相關數據。數據來源為《中國農村統計年鑒》、《中國統計年鑒》、《中國農業發展報告》和《中國農業機械年鑒》等國家相關部門的統計數據及計算得到。

2　農機總動力增長及其影響因素的EMD分解分析

2.1EMD分解方法

EMD分解法的基本原理和計算過程在文獻[10]中有詳細介紹。EMD分解的基本思想是對非線性波動的數據信號不斷的分離出高頻分量，直到所有頻率成分都被分離出來，得到不同時間尺度的波動分量，即本征模態函數IMF，分解后的剩余項就是信號的趨勢量R。每個IMF分量需滿足2個條件：1）在整個時間數據序列內，過零點數目與極值點數目相等或至多相差1個；2）由局部極大值和局部極小值分別擬合的上下2條包絡線在任意時間點平均值為0。EMD分解法本質是逐級分解數據信號的高頻分量，得到滿足條件的IMF分量，分解過程如下：

1）找出原始數據信號序列x（t）所有的局部極值點，并用三次樣條插值函數分別對局部極大值和局部極小值數據序列進行擬合，形成原始數據信號序列的上包絡線eu（t）和下包絡線ed（t），上下包絡線的均值記為

2）將原始數據信號序列x（t）減去平均包絡值ml（t），得到一個新的數據信號序列，記為

3）新的數據信號序列hl，若還存在正的局部極小值和負的局部極大值，則不滿足IMF分量的條件，說明新的數據信號序列hl不是一個IMF分量，需要重復步驟1）～3）的篩分過程，直到滿足條件為止，最終獲得一個IMF分量，該IMF分量的數據序列記為c1（t）。

4）用原始數據信號序列x（t）減去該IMF分量數值c1（t）得到新的數據信號序列r1（t），重復步驟1）～3），篩分出其他的IMF分量，直到殘余數值ri（t）是一個趨勢量或比預定值小，算法停止。

式中x（t）為原始數據信號序列；eu（t）為上包絡線，ed（t）為下包絡線，ml（t）為上下包絡線的均值；hl（t）為分離各IMF分量過程中產生的新的數據信號序列；ci（t）為分離出的第i個IMF分量的數據序列；ri（t）為分離出i個IMF分量后原始數據的殘余數值。

2.2農機總動力增長的EMD分解分析

農機總動力增長受多種因素的共同影響，其增長波動含有多種時間尺度的復雜變化和局部化特征。采用EMD法，應用Matlab軟件編程[22-23]，對1986－2013年農機總動力增長時間數據序列進行分解，逐級對其進行線性化和平穩化處理，最終，分離出2個不同時間尺度的波動分量IMF1和IMF2，及1個趨勢量R。波動分量IMF反映了農機總動力增長波動的多層次時間尺度和局部化特征，趨勢量R反映了各種影響因素所引起的農機總動力增長的長期趨勢，分解結果如圖1所示。

圖1　農機總動力增長及其經驗模態分解結果Fig.1　Growth of agricultural machinery total power and its empirical mode decomposition

農機總動力增長EMD分解結果說明：1）IMF1在整個時間尺度波動中波峰波谷均勻出現，是一個時間尺度為4～6 a的波動項，方差貢獻率為23.65%，說明該尺度波動帶來的農機總動力增減周期性明顯，短周期的農機總動力增長波動較普遍發生；2）IMF2分量波動振幅較大，是一個時間尺度為10 a左右的波動，波動時間尺度長，方差貢獻率為76.35%，說明該時間尺度的農機總動力增長波動強度較大，但波動不常發生；3）趨勢量R的整體發展趨勢是不斷增長的而且增速很快，但2011年以后增長幅度明顯降低，增速放緩，主要與政府土地流轉政策改革和農業生產資料價格上漲等關系密切。

2.3農機總動力增長各影響因素的EMD分解分析

采用EMD方法，對1986－2013年農機總動力增長各影響因素時間序列數據進行分解，分別得到各影響因素的經驗模態分解結果，如圖2～圖9所示。

圖2　政府財政投入經驗模態分解法分解結果Fig.2　Empirical mode decomposition results of government finance investment

圖3　糧食單產經驗模態分解法分解結果Fig.3　Empirical mode decomposition results of grain yield per hectare

圖4　農民人均純收入和農業勞均產值經驗模態分解法分解結果Fig.4　Empirical mode decomposition results of rural per capita net income and agricultural output value per labor

圖5　勞均播種面積經驗模態分解法分解結果Fig.5　Empirical mode decomposition results of planting area per labor

圖6　燃料價格指數經驗模態分解法分解結果Fig.6　Empirical mode decomposition results of fuel price index

圖7　機械化農具價格指數和初中文化以上農村勞動力比例經驗模態分解法分解結果Fig.7　Empirical mode decomposition results of mechanized farming tools price index and proportion of rural labor above junior middle school degree

圖8　非農產業的發展經驗模態分解法分解結果Fig.8　Empirical mode decomposition results of development of non-agricultural industry

圖9　第一產業從業人員數經驗模態分解法分解結果Fig.9　Empirical mode decomposition results of first industry practitioners

表1　農機總動力增長各影響因素經驗模態分解法分解結果Table 1　Empirical mode decomposition results of influence factors of growth of agricultural machinery total power

由圖2～圖9可知各影響因素的不同IMF波動分量的波動時間尺度，并計算得到各IMF波動分量的方差貢獻率，見表1。

由圖2～圖9和表1可知，勞均播種面積IMF1、糧食單產IMF1、燃料價格指數IMF1、非農產業的發展IMF1的波動時間尺度均為4～6 a，這與農機總動力增長的波動分量IMF1的時間尺度相同，可認為是影響農機總動力增長波動周期為4～6 a的影響因素；政府投入IMF1、勞均播種面積IMF2、燃料價格指數IMF2及第一產業從業人員數IMF1的波動時間尺度均為10 a左右，與農機總動力增長IMF2的時間尺度相同，可認為是影響農機總動力增長波動周期為10 a左右的影響因素；而農民人均純收入、農業勞均產值、機械化農具價格指數、初中文化以上農村勞動力比例4項指標1986－2013年數據序列無明顯波動現象，基本呈增長趨勢，EMD分解后只有趨勢量R，沒有產生本征模態函數IMF，說明這4個因素不會對農機總動力增長波動產生影響只會對其增長趨勢有影響。因此，農機總動力增長趨勢量的發展受這4個因素和前述6個因素的趨勢量共同影響。

3　農機總動力增長波動影響的SPA分析

運用SPA方法分別對農機總動力增長的2個IMF波動分量及與其相對應的各影響因素不同IMF分量進行同、異、反定量分析，進而求得各影響因素對農機總動力增長波動的綜合影響率。SPA方法的基本原理是已知有一定聯系的2個集合A和B，對其建立集對，記為H（A，B），并對集對的特性進行同、異、反定量比較分析，得到集合A和B在所論問題背景下的聯系度為[16-18，24-26]

式中μA-B為集合A和B的聯系度；I為差異度系數，體現了確定性與不確定性之間的相互轉換，在區間[?1，1]內取值；J為對立度系數，一般取值為?1；N為集合A和B特性的總個數；S為共有的特性個數；F為有差異性的特性個數；P為相對立的特性個數。

農機總動力增長波動影響的SPA分析步驟如下：

步驟1：將農機總動力增長及其影響因素的各IMF分量按式（5）作無量綱化處理，以消除單位量綱的影響。

式中xkt和Xkt分別為無量綱化前、后的第k條IMF波動分量的第t年值；t為1986到2013年。

步驟2：對無量綱化后各IMF波動分量值Xkt，用第（t＋1）年值減去第t年值可得逐年變化量值

式中?Xkt為IMF波動分量逐年變化量值

步驟3：對式（6）所得的逐年變化量值ΔXkt，分析可知其均值為0，方差在[?2，2]內取值。將所有IMF波動分量逐年變化量值依據分布均勻原則劃分為5個等級，使k·l個數在5個等級分布基本均勻，計算得到5個等級區間值依次分別為[?2， ?0.297]、[?0.296， ?0.066]、[?0.065，0.119]、[0.120，0.330]和[0.331，2]。

步驟4：根據5個等級區間劃分值，計算農機總動力增長2個IMF分量的逐年變化量等級區間值，并將等級值構成集合Ai（i＝1，2），計算農機總動力增長各IMF分量相對應的影響因素的逐年變化量等級區間值，并將等級值構成集合Bij（i＝1，2， j＝1，2，3，4），其中，i為農機總動力增長IMF波動分量數目，j為對應農機總動力增長第i 個IMF波動分量的影響因素波動分量IMF數目。將2個集合 A和B組成集對H（A， B），在集對H（A，B）中稱處于同一等級值的為相同，其個數記為S；稱相差一個等級值的為差異一，如Ⅰ與Ⅱ、Ⅲ與Ⅱ等，其個數記為F1；稱相差 2個等級值的為差異二，如Ⅰ與Ⅲ、Ⅴ與Ⅲ等，其個數記為F2；稱相差3個等級值及以上的為對立，如Ⅰ與Ⅳ、Ⅰ與Ⅴ等，其個數記為P。因此，得到集對的聯系度

式中μij為集合Ai和集合Bij的聯系度；F1為差異一的個數；F2為差異二的個數；I1和I2分別為差異一、差異二的系數；N＝S＋F1＋F2＋P。

根據農機總動力增長各IMF分量及其相對應影響因素的IMF分量等級值，分別找出特性相同、有差異和相對立的數目，通過式（7）的計算，可得農機總動力增長各IMF與相應影響因素IMF分量之間的聯系度為

對聯系度表達式（8），根據均分原則[24-26]，取I1＝0.5，I2＝?0.5，J＝?1，則可得相應的聯系度值為

步驟5：聯系度μij的取值范圍為[-1，1]，為了規范化計算，對聯系度μij的值按式（9）作線性變換，得到相對隸屬度值

式中Uij為μij的相對隸屬度值，其取值范圍為[0，1]。

根據式（9）得到相對隸屬度

步驟6：對相對隸屬度值Uij，按式（10）進行歸一化處理。

式中ηij為影響農機總動力增長第i個IMF波動分量的第 j個影響因素的影響率；n為影響因素的數目。

由式（10）得到農機總動力增長2個IMF分量對應的各影響因素IMF的影響率

步驟7：計算農機總動力增長2個IMF分量分別對應的影響因素各IMF分量的綜合影響率βij，求和并規一化處理后，可求得各影響因素對農機總動力增長波動的綜合影響率。

為說明βij的計算方法，以勞均播種面積IMF1 的綜合影響率計算為例，勞均播種面積IMF1的綜合影響率＝勞均播種面積IMF1的影響率×勞均播種面積IMF1的方差貢獻率×農機總動力增長IMF1的方差貢獻率，同理，可計算得到農機總動力增長2個IMF波動分量對應的各影響因素IMF的綜合影響率βij，計算結果見表2。

表2　農機總動力增長各IMF波動分量對應影響因素IMF分量的綜合影響率Table 2　Comprehensive effect rates between fluctuation component IMF of growth of agricultural machinery total power and its influence factors

對表2中各IMF波動分量的綜合影響率βij，求和并規一化處理后，可求得政府投入、勞均播種面積、燃料價格指數對農機總動力增長波動的綜合影響率較高，分別為23.89%、23.73%、23.67%，是影響農機總動力增長波動的主要因素；第一產業從業人員數、糧食單產和非農產業的發展對農機總動力增長波動的綜合影響率稍低，分別為14.17%、7.13%、7.41%。

分析結果表明：政府財政投入是影響農機總動力增長波動的最主要因素，并且政府財政投入政策對農機總動力增長長期波動的影響較大，可見，積極加大力度推進農機購置補貼政策，實施改革創新，是農業機械化發展最直接的外部推動力，因此，實施的農機購置補貼政策與當前農業機械化發展要求是相符的；勞均播種面積也是影響農機總動力增長波動的重要因素之一，它對農機總動力增長短期波動的影響不明顯，主要是長期波動的影響較大，勞均播種面積的增長主要是由于農村勞動力的轉移，勞均負擔的播種面積擴大，為減輕勞動強度，降低生產成本，就成為農業機械化發展最重要的內生源動力，因此，政府采取的一系列的政策措施，如加強勞務市場管理，大力發展勞務中介組織等，加強農村勞動力轉移的引導作用，以促進農村剩余勞動力快速有序流轉，是適應當前農業機械化發展的重要舉措；第一產業從業人員數的減少是影響農機總動力增長波動性的重要因素，但是綜合影響率要遠低于勞均播種面積，可知不僅要有效的促進勞動力的轉移更重要的是土地經營的規模化和集約化，增大勞均負擔的耕地面積，因此提出農村土地流轉、農民股份合作等改革政策，促進土地的規模化經營，是有效發展農業機械化的根本。燃料價格指數對農機總動力增長波動性影響較大，主要是因為燃料成本是農業機械成本的重要組成部分，燃料價格的上漲，必然增加農業機械作業的成本，導致農民投資增大，收益變小，為穩定農業機械化的發展，根據2004年開始施行的《中華人民共和國農業機械化促進法》規定，“國家根據農業和農村經濟發展的需要，對農業機械的農業生產作業用燃油安排財政補貼”。因此，燃料價格指數是影響農機總動力增長波動性的重要因素與實際是相符的。糧食單產和非農產業的發展對農機總動力增長的波動性影響相對較小，主要是對農機總動力增長短期波動產生影響，因此，糧食單產的提高和非農產業的發展會對短期農民購置農業機械的積極性產生影響。本文的分析結果與農業機械化發展實際情況和相關政策是相符的，研究成果為農機總動力增長的定量分析提供了參考。

為穩定農機總動力增長，減少其波動性，應穩定政府財政投入，并科學確定農機購置補貼資金的投入規模，明確農機產品補貼范圍、補貼標準等保持相對穩定，以便更好地發揮購機補貼政策的宏觀調控作用；同時穩定燃料價格和提高糧食單產，以保持農民購置農業機械的積極性；加快農村勞動力轉移政策和土地流轉政策，增加勞動力的人均播種面積，發展農業適度規模經營，以實現農業機械化的可持續發展；加快推進非農產業的發展以改善農民的生活和創造更多的發展就業機會，減少對農機總動力增長短期波動的影響。

4　結　論

1）應用經驗模態分解法對1986－2013年農機總動力增長及其影響因素進行分解，分別得到各時間數據序列的波動變化特征。通過分析各本征模態函數（intrinsic mode function，IMF）分量，分別得到影響農機總動力增長波動時間尺度為4～6 a和10 a左右的主要因素，并得到只對農機總動力增長的趨勢產生影響，并未對其增長的波動產生影響的因素。農機總動力增長波動分量IMF1的方差貢獻率為23.65%，IMF2的方差貢獻率為76.35%，可見長時間尺度波動的影響因素對農機總動力增長波動的影響較大。

2）運用集對分析理論，分析了農機總動力增長各IMF分量與其相對應各影響因素之間的聯系度，求得各影響因素對農機總動力增長波動的綜合影響率，得出政府投入、勞均播種面積、燃料價格指數、糧食單產、非農產業的發展、第一產業從業人員數的綜合影響率分別為23.89%、23.73%、23.67%、7.13%、7.41%及14.17%。綜合影響率的大小反映各因素對農機總動力增長波動的影響程度。

3）構建的基于經驗模態分解和集對分析的農機總動力增長波動影響因素分析模型，可確定農機總動力增長波動的特征及其主要影響因素，為農機總動力增長的定量分析提供了參考。

[參考文獻]

[1] 劉靜，朱達榮. 考慮自變及因變影響的農機總動力組合預測模型[J]. 農機化研究，2015，37（4）：230－236. Liu Jing， Zhu Darong. Combined prediction model of agricultural machinery total power based on independent and dependent variables[J]. Journal of Agricultural Mechanization Research， 2015， 37（4）: 230－236. （in Chinese with English abstract）

[2] 鞠金艷，王金武，王金峰. 基于BP神經網絡的農機總動力組合預測方法[J]. 農業機械學報，2010，41（6）：87－92. Ju Jinyan， Wang Jinwu， Wang Jinfeng. Combined prediction method of total power of agricultural machinery based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（6）: 87－92. （in Chinese with English abstract）

[3] 朱榮勝，王福林. 黑龍江省農機總動力趨勢包絡預測與分析[J]. 東北農業大學學報，2006，37（4）：512－515. Zhu Rongsheng， Wang Fulin. Trend envelopes predict and analysis of Heilongjiang province agriculture machinery total power[J]. Journal of Northeast Agricultural University， 2006，37（4）: 512－515. （in Chinese with English abstract）

[4] 朱瑞祥，黃玉祥，楊曉輝. 用灰色神經網絡組合模型預測農機總動力發展[J]. 農業工程學報，2006，22（2）：107－110. Zhu Ruixiang， Huang Yuxiang， Yang Xiaohui. Method for estimating total power of agricultural machinery based on mixed grey neural network[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE），2006， 22 （2）: 107 －110. （in Chinese with English abstract）

[5] 孫云鵬. 1978年以來中國農機總動力時空差異和結構變化分析[J]. 農機化研究，2011，33（5）：1－5. SunYunpeng. Regional and timing disparity and structural change analysis of Chinese agricultural machinery total power since 1978[J]. Journal of Agricultural Mechanization Research， 2011， 33（5）: 1－5. （in Chinese with English abstract）

[6] 鞠金艷，王金武. 黑龍江省農業機械化發展關鍵影響因素分析[J]. 農機化研究，2014，36（2）：60－63. Ju Jinyan， Wang Jinwu. Analysis of key influencing factors for Heilongjiang agricultural mechanization development[J]. Journal of Agricultural Mechanization Research， 2014， 36（2）: 60－63. （in Chinese with English abstract）

[7] 戴立勛，魏宏安. 甘肅省農業機械化影響因素的量化分析[J].中國農機化，2010（4）：24－28，32. Dai Lixun，Wei Hong′an. Analysis on influencing factors of Gansu agricultural mechanization[J].Chinese Agricultural Mechanization， 2010（4）: 24－28， 32. （in Chinese with English abstract）

[8] 李紅，周浩. 農機購置投入結構與農機總動力增長的關系分析[J]. 中國農機化學報，2013，34（3）：30－37，41. Li Hong， Zhou Hao. Analysis on the relation between input structure for purchasing agricultural machines and agricultural machines power[J]. Journal of Chinese Agricultural Mechanization，2013， 34（3）: 30－37， 41. （in Chinese with English abstract）

[9] 張淑娟，趙飛. 基于Shapley值的農機總動力組合預測方法[J]. 農業機械學報，2008，39（5）：60－64. Zhang Shujuan， Zhao Fei. Combinatorial forecast of agricultural machinery total power based on Shapley value[J]. Transactions of the Chinese Society for Agricultural Machinery， 2008， 39（5）: 60－64. （in Chinese with English abstract）

[10] Huang N E， Shen Z， Long S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proc R Soc Land A，1998， 454: 899－955.

[11] Lei Polei ， Shang Lizen ， Wu Yute ， et al. Single-trial analysis of cortical oscillatory activities during voluntary movements using empirical mode decomposition （EMD）-based spatiotemporal approach[J]. Annals of Biomedical Engineering， 2009， 37（8）: 1683－1700.

[12] Huang N E， Wu M C， Long S R， et al. A confidence limit for the empirical mode decomposition and Hilbert spectral analysis[J]. Proceedings of the Royal Society of London，Series A， 2003， 459: 2317－2354.

[13] 馮平，丁志宏，韓瑞光. 基于 EMD 的洮河年徑流量變化多時間尺度分析[J]. 干旱區資源與環境，2008，22（12）：73－76. Feng Ping， Ding Zhihong， Han Ruiguang. Time-scale analysis on annual runoff time series of the Taohe river based on EMD[J]. Journal of Arid Land Resources and Environment， 2008， 22（12）: 73－76. （in Chinese with English abstract）

[14] 蔣尚明，金菊良，許 滸，等. 基于經驗模態分解和集對分析的糧食單產波動影響分析[J]. 農業工程學報，2013，29（4）：213－221. Jiang Shangming， Jin Juliang， Xu Hu， et al. Fluctuations effect analysis of grain yield per hectare based on empirical mode decomposition and set pair analysis[J]. Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）， 2013， 29（4）: 213－221. （in Chinese with English abstract）

[15] 劉忠，黃峰，李保國. 基于經驗模態分解的中國糧食單產波動特征及影響因素[J]. 農業工程學報，2015，31（2）：7－13. Liu Zhong， Huang Feng， Li Baoguo. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2015， 31（2）: 7－13. （in Chinese with English abstract）

[16] 張金萍，丁志宏. 基于集對分析的涇河河川徑流多時間尺度變化研究[J]. 干旱區資源與環境，2014，28（5）：176－179. Zhang Jinping， Ding Zhihong. Fluctuations of runoff in multi-time scales based on set pair analysis[J]. Journal of Arid Land Resources and Environment， 2014， 28（5）: 176－179. （in Chinese with English abstract）

[17] Wang Wensheng， Jin Juliang， Ding Jing， et al. A new approach to water resources system assessment-set pair analysis method[J]. Science China Technological Sciences，2009， 52（10）: 3017－3023.

[18] 白樺，楊筱筱，魯向暉，等. 基于集對分析的贛江中上游流域汛、枯水期分期研究[J]. 水文，2014，34（3）：43－47. Bai Hua， Yang Xiaoxiao， Lu Xianghui， et al. Flood and drought season division based on set pair analysis for middle and upper reaches of Ganjiang river[J]. Journal of China Hydrology， 2014， 34（3）: 43－47. （in Chinese with English abstract）

[19] 楊敏麗，白人樸. 農業機械總動力與影響因素關系分析[J].農機化研究，2004，26（6）：45－47. Yang Minli， Bai Renpu. Analysis on the relationship between agricultural machinery gross power and influence factors[J]. Journal of Agricultural Mechanization Research， 2004， 26（6）: 45－47. （in Chinese with English abstract）

[20] 何政道，何瑞銀. 農業機械總動力及其影響因素的時間序列分析[J]. 中國農機化，2010（1）：20－24. He Zhengdao， He Ruiyin. Analysis on the relationship between gross power of agricultural machinery and key influencing factors based on time series analysis[J]. Chinese Agricultural Mechanization， 2010（1）: 20－24. （in Chinese with English abstract）

[21] 盧秉福，張祖立，朱明，等. 農業機械化發展關鍵影響因素的辨識與分析[J]. 農業工程學報，2008，24（11）：114－117. Lu Bingfu， Zhang Zuli， Zhu Ming， et al. Discrimination and analysis of key influencing factors for agricultural mechanization development[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2008， 24（11）: 114－117. （in Chinese with English abstract）

[22] 陳艷艷，朱躍華，王振報，等. 基于MATLAB神經網絡工具箱的公交出行比例預測[J]. 北京工業大學學報，2008，34（2）：173－177. Chen Yanyan， Zhu Yuehua， Wang Zhenbao， et al. Forecasting the proportion of transit trips based on neural network toolbox in matlab[J]. Journal of Beijing University of Technology， 2008， 34（2）: 173－177. （in Chinese with English abstract）

[23] 付瑤，王紅軍，吳國新. EMD信號處理方法在LabVIEW 和MATLAB中的實現[J]. 北京機械工業學院學報，2008，23（2）：23－27.Fu Yao， Wang Hongjun， Wu Guoxin. Realization of EMD signal processing method in LabVIEW and MATLAB[J]. Journal of Beijing Institute of Machinery， 2008， 23（2）: 23－27. （in Chinese with English abstract）

[24] 朱兵，王文圣，王紅芳，等. 集對分析中差異不確定系數i的探討[J]. 四川大學學報：工程科學版，2008，40（1）：5－9. Zhu Bing， Wang Wensheng， Wang Hongfang， et al. Probe on variation uncertainty coefficient i in set pair analysis[J]. Journal of Sichuan University: Engineering Science， 2008，40（1）: 5－9. （in Chinese with English abstract）

[25] Klionsky D M， Oreshko N I， Geppener V V. Empirical mode decomposition in segmentation and clustering of slowly and fast changing non- stationary signals[J]. Pattern Recognition and Image Analysis， 2009， 19（1）: 14－29.

[26] 郭燕紅，邵東國，劉玉龍，等. 工程建設效果后評價博弈論集對分析模型的建立與應用[J]. 農業工程學報，2015，31（9）：5－12.

·農業水土工程·

Guo Yanhong， Shao Dongguo， Liu Yulong， et al. Establishment and application of set pair analysis model based on game theory for post-assessment of project construction effectiveness[J].Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2015， 31（9）: 5－12. （in Chinese with English abstract）

Fluctuations influence factors analysis of growth of agricultural machinery total power

Ju Jinyan1, Zhao Lin1, Wang Jinfeng2
（1. College of Mechɑnicɑl Engineering， Heilongjiɑng University of Science ɑnd Technology， Hɑrbin 150022， Chinɑ; 2. College of Engineering， Northeɑst Agriculturɑl University， Hɑrbin 150030， Chinɑ）

Abstract:As the main indicator to measure the development level of agricultural mechanization， total power of agricultural machinery provides an important reference basis to formulate the development policy for related department of agricultural mechanization. The growth of agricultural machinery total power has important significance to accelerate the development of agricultural mechanization， realize agricultural modernization， construct the comprehensive socialism new countryside， and guarantee food production and food security. Therefore， it is significant to research the main influence factors of growth fluctuations of agricultural machinery total power， and maintain its steady growth. The growth of China’s agricultural machinery total power is affected by many factors， and its data series have the characteristics of complexity and nonlinearity. Using the empirical mode decomposition （EMD） method， the growth of agricultural machinery total power and its influence factors from 1986 to 2013 were decomposed in multi levels and multi scales， and fluctuation components of intrinsic mode function （IMF） affecting the growth of agricultural machinery total power were obtained. Based on this， set pair analysis （SPA）theory was used to analyze the correlations between each IMF component of the growth of agricultural machinery total power and the corresponding influencing factors， and then the comprehensive influence rate of each factor to the fluctuations of the growth of agricultural machinery total power was calculated. The comprehensive influence rates of government finance investment， planting area per capita， fuel price index， grain yield per unit area， development of non-agricultural industries and number of the first industry professionals were as follows: 23.89%， 23.73%， 23.67%， 7.13%， 7.41% and 14.17% respectively. It showed that the main factors influencing the fluctuations of the growth of agricultural machinery total power were government finance investment， planting area per capita and fuel price index; number of the first industry practitioners followed; and the minimal influence factors were grain yield per unit area and development of non-agricultural industries. There were 4 influence factors which only affected the growth trend of agricultural machinery total power and had no impact on its fluctuation， which were rural net income per capita， agricultural output value per capita， price index of mechanized farm tool and proportion of rural labor with cultural level above junior middle school. Therefore， in order to stabilize the growth of agricultural machinery total power and reduce its fluctuation， government finance investment should be stabilized， and the scale of subsidy fund for agricultural machinery purchase， the subsidy scope and subsidy standard for agricultural machinery product should be determined scientifically and maintained to be relatively stable， so that the subsidy policy of agricultural machinery can better play the role of macroeconomic regulation and control. At the same time， stabilize fuel price and increase grain yield per unit area， so that the enthusiasm of farmers to purchase agricultural machinery can be maintained; speed up the rural labor force transfer policy and land circulation policy， increase the planting area per capita， and develop agriculture moderate scale management so as to realize the sustainable development of agricultural mechanization; accelerate the development of non-agricultural industries so as to improve the farmers' life quality and create more employment opportunities，which can reduce the influence of its short-term fluctuations on the growth of agricultural machinery total power. Research results can provide scientific basis for the adjustment and decision-making of development policy of agricultural mechanization， and promote the healthy and rapid development of agricultural mechanization.

Keywords:agricultural machinery; signal analysis; grain; agricultural machinery total power; empirical mode decomposition; set pair analysis; influence factor; comprehensive influence rate

作者簡介：鞠金艷，女，黑龍江哈爾濱人，博士，講師，從事農業機械化生產管理與系統工程研究。哈爾濱黑龍江科技大學機械工程學院，150022。Email：ju_jinyan@163.com

基金項目：國家自然科學基金項目（51205056）；黑龍江省自然科學基金項目（QC2011C045）

收稿日期：2015-07-18

修訂日期：2015-11-14

中圖分類號：S23

文獻標志碼：A

文章編號：1002-6819（2016）-02-0084-08

doi：10.11975/j.issn.1002-6819.2016.02.013 10.11975/j.issn.1002-6819.2016.02.013http://www.tcsae.org