吉林省農業機械總動力發展研究—基于主成分分析

崔紅艷

(白城師范學院 地理科學學院，吉林 白城　137000)

?

吉林省農業機械總動力發展研究
—基于主成分分析

崔紅艷

(白城師范學院 地理科學學院，吉林 白城137000)

摘要：吉林省作為糧食大省，農業機械化的發展對于實現農業現代化至關重要。為此，采用吉林省1994-2013年的相關數據，運用主成分分析法，對吉林省農業機械總動力及其9個影響因素進行相關研究，最終建立因變量ZY與自變量ZX1～ZX9的多元線性回歸模型。模型中，只有農村恩格爾系數與農業機械總動力呈負相關，其余自變量均與農業機械總動力呈正相關。糧食單產的系數為0.207；農民受教育程度的系數為0.276，相對較低；其余自變量的系數均在0.34～0.37之間，基本相差不大。最后，提出吉林省要繼續加強宏觀資本、微觀生產資料及科技管理要素的投入，大力培育新型職業農民的建議，以適應新時期農機發展對人才與科技的需求。

關鍵詞：農業機械總動力；主成分分析；回歸分析；吉林省

0引言

吉林省作為糧食大省，農業機械化從1995年開始進入較快發展階段，到2013年底全省農機總動力達2 727萬kW，農作物耕種收綜合機械化水平達73.6%，上升到全國第8位。但同發達國家相比，吉林省農業機械發展水平還不高，仍然存在許多制約因素。因此，如何更好地分析農業機械化的影響因素及預測農業機械化發展水平，對于吉林省農業機械化的發展至關重要。國內外相關學者對農業機械總動力、東北農業機械總動力進行了相關研究，采用定性和定量分析相結合的方法，得出了很多有益的結論。黃永寶、紀延光(2014)運用主成分分析法對我國農業機械總動力進行分析，并建立回歸模型[1]。劉佩軍(2007)對東北地區農業機械化發展影響因素及綜合評價進行研究[2]。張麗(2007)應用層次分析法和逐步回歸方法，得出農民受教育程度是吉林省農業機械化發展的關鍵影響因素之一，并提出構建中國式可持續農機教育體系[3]。劉立丹(2013)對1996-2011年的吉林省40個市縣面板數據進行實證分析，用雙隨機效應模型分析得出吉林省農業機械化的主要影響因素是政府對農業的投入以及人均耕地規模[4]。何政道、何瑞銀(2010)對江蘇省農業機械總動力及其影響因素進行了相關性分析分析，并用自相關時間序列回歸分析方法建立了模型[5]。代海濤(2014)運用多元回歸方法測算了吉林省農業機械化對農業經濟增長的貢獻度，并分析了農業機械化制約因素和解決對策[6]。本文結合前人的研究，根據吉林省農業機械化發展的特點，運用主成分方法，分析農業機械化發展的主要影響因素，并建立多元線性回歸模型，為吉林省農業機械化發展提供一定參考。

1變量的選擇和數據的獲取

選擇農業機械總動力作為模型的因變量Y，代表吉林省農業機械化的發展水平。結合吉林省目前的技術條件和社會經濟水平，選擇農林牧漁業中農業總產值指數(以1949年為100)X1、人均耕地面積X2、糧食單位面積產量X3、農村勞動力轉移率X4、農業固定資產投資X5、政府的農業財政支出X6、農民家庭年純收入(以1978年為100))X7、農村居民家庭恩格爾系數X8、農民受教育程度X9等9項指標作為自變量。其中，人均耕地面積用耕地總面積與農業人口比重來表示，農村勞動力轉移率用農村勞動力中非農業勞動力比重來表示，農民受教育程度用農村勞動力中初中以上學歷比例來表示。

根據吉林省統計年鑒[7]、中國農村統計年鑒的數據[8]，選擇吉林省1994-2013年的數據進行分析。其中，農業固定資產投資X5、政府的農業財政支出X6為剔除價格因素后數據，2011、2012、2013年的吉林省農村農林牧漁勞動力數據缺失，所以預測得到補充數據，具體原始數據如表1表示。

表1　吉林省農業機械總動力及影響因素的原始數據

2數據分析與處理

2.1相關性分析

運用SPSS20.0軟件，根據表1數據進行相關分析，得到各變量間的相關系數。因變量Y與自變量X1～X9的相關系數分別為：0.982、0.967、0.561、0.971、0.944、0.945、0.961、-0.922、0.685。其中，只有X8呈現明顯的負相關，變量X3、X9與Y之間的相關系數較低，分別為0.561和0.685；其它自變量與Y之間均呈現明顯的正相關，相關系數達到0.9以上。

2.2主成分分析

由于本文采用的是時間序列數據，不免會出現多重共線性、異方差和自相關的統計問題，不適合直接使用普通最小二乘法。為此，本文采用主成分分析法抽取因子，對9大經濟指標進行降維處理，如表2所示。

表2　解釋的總方差

由表2可知：按照特征值累計貢獻率大于等于85%原則，抽取兩個因子作為主成分，共解釋了92. 84%以上的方差信息；第1主成分的方差是7.276，第2主成分的方差為1.079。主成分特征向量如表3所示。由表3可以看出：X1、X2、X4、X5、X6、X7、X8與第1主成分高度相關，負載率分別達到0.993、0.969、0.967、0.947、0.946、0.964、-0.914；X3、X9與第2主成分高度相關，負載率達到0.625和-0.637。因此，將農業機械發展的相關變量歸納為資本支持因素、生產資料因素及科技管理因素三大類[1]。

表3　主成分特征向量

1)資本支持因素。農業總產值指數、農業固定資產投資及農業財政支出是構成第1主成分的重要因素，主要是宏觀影響。首先，農業總產值指數代表農業生產水平，而農業生產水平是農業機械化發展的重要基礎。其次，農業固定資產投資和政府農業財政支出是農業機械化發展的有力保障。農業固定資產投資、農業財政支出數額越高，對農業機械的購買支持力度越大，農民購買農機的積極性越高。

2)生產資料因素。人均耕地面積、農村勞動力轉移率、農民家庭年均收入和農村居民家庭恩格爾系數也是構成第1主成分的重要因素，主要是微觀影響。首先，耕地經營規模是農業機械化的必要條件，也是農業機械發展的前提。人均耕地面積越大，農民對機械的需求越強烈，越有利于農業機械化的推進[5]。其次，農村剩余勞動力轉移是農業機械化的基本前提。農業機械化發展實際上是機械對人力和畜力的替代，也是資本對勞動力的替代。只有當勞動力成為相對稀缺要素而資本成為相對富裕要素時，才會有效促進農業機械化的發展[2]。另外，農民家庭年均收入是農業機械化的資金基礎。農業機械需要投入較大資金購買、使用和維護，因此農民家庭年均收入決定了農民是否有能力購買農機。最后，農村居民家庭恩格爾系數表示農民消費支出情況[5]，代表農民的生活水平和消費水平，也是影響農業機械化的重要因素。生活和消費水平越高，用于食品等消費的支出比例越小，用于購買農機的投資消費支出就可能越多。

3)科技管理因素。糧食單產和農民受教育程度是構成第2主成分的因素，反映了現代農業要素投入轉向高層次的科技與管理要素的趨勢。糧食單產是農業機械化發展的重要因素，糧食生產水平的提高，與農業科技水平密切相關；單產越高，農戶對農機的投入熱情也就越高，農機使用率就可能越大；同時，農業機械化也會促進糧食生產水平的提高[5]。另外，農民受教育程度是農業機械化發展的科技文化基礎。農民素質高將有利于農村剩余勞動力轉移向二、三產業的轉移，也將有利促進對農機的需求與使用[3]。

2.3主成分特征向量

通過對兩大主成分和3類影響因素的經濟意義解釋，明確了吉林省農業機械化發展中的關鍵因素。設兩個主成分為Z1和Z2，運用SPSS20.0進行因子分析，得到因子載荷量，除以主成份特征值的算術平方根，計算出相應的主成份特征向量(見表3)，并將主成分表示為各個變量的線性組合，則

(1)

2.4主成分得分

運用SPSS20.0因子分析法得到因子得分，并乘以主成分特征值的算術平方根，計算出主成分Z1和主成分Z2得分，如表4所示。

表4　主成分得分

續表4

3模型建立與檢驗

3.1模型建立

農業機械總動力Y的標準化數據ZY作為因變量，主成分Z1和Z2作為自變量，運用SPSS20.0軟件建立二元線性回歸方程，具體回歸結果如表5所示。從表5可知：模型R方值為0.988，調整R方值為0.987，F值為721.81，容差和VIF值均為1，模型整體較優。主成分Z1的回歸系數為0.994，對因變量Y的影響顯著；主成分Z2的回歸系數為-0.035，但是偏相關系數為-0.308，說明科技管理因素對農業機械化也有一定的影響。主成分Z2的回歸系數為負，是由于各變量間相互影響的結果，則

ZY=0.994Z1-0.035Z2

將式(1)代入式(2)，得到因變量ZY與自變量ZX1～ZX9的多元回歸方程。由式(3)可知：只有農村恩格爾系數與農業機械總動力呈負相關，其余因子均與農業機械總動力呈正相關。糧食單產的系數為0.207,農民受教育程度的系數為0.276，相對較低，其余因子的變量系數均在0.34～0.37之間，基本相差不大。式(3)為

ZY=0.365ZX1+0.358ZX2+0.207ZX3+

0.362ZX4+0.341ZX5+0.343ZX6+(3)

0.348ZX7-0.349ZX8+0.276ZX9

表5　模型匯總

3.2模型檢驗

為進一步驗證模型，運用Eviews7.0軟件對殘差系列進行ADF檢驗(見表6)，ADF值為-6.349 284，小于1%水平下臨界值-3.831 511，證明殘差序列為白噪聲序列，模型較優。

表6　殘差序列ADF檢驗

4結論與建議

4.1結論

1)通過SPSS20.0主成分分析方法提取了影響吉林省農業機械總動力的2個主成分，并總結出3大影響因素—資本支持因素、生產資料因素與科技管理因素。其中，宏觀資本支持因素包括農業總產值指數X1、農業固定資產投資X5及農業財政支出X6，微觀生產資料因素包括人均耕地面積X2、農村勞動力轉移率X4、農民家庭年均收入X7及農村居民家庭恩格爾系數X8，構成第1主成分Z1；科技管理因素包括糧食單產X3和農民受教育程度X9，構成第2主成分Z2。

2)運用SPSS20.0軟件進行分析，首先用因子分析法得到因子載荷量，并計算得到主成分特征向量，建立主成分Z1、Z2和ZX1～ZX9的線性方程見式(1)。ZY作為因變量，Z1和Z2作為自變量，建立二元線性回歸方程，調整R2為0.987，并通過模型檢驗，模型整體較優。最后，將式(1)代入式(2)得到因變量ZY與自變量ZX1～ZX9的多元回歸方程，見式(3)。從式(3)中可以看出：只有農村恩格爾系數與農業機械總動力呈負相關，其余自變量均與農業機械總動力呈正相關。自變量糧食單產的系數為0.207，農民受教育程度的系數為0.276，相對較低；其余因子變量系數在0.34～0.37間，基本相差不大。

4.2建議

1)吉林省在發展農業機械化過程中，首先要進一步加強宏觀資本支持力度。這就需要繼續加強農業基礎地位，大力發展現代農業，為農業機械化創造基礎條件；增加農業資本投入，尤其是加大對農業固定資產、農業財政支出的投入，促進現代農業向資金密集型的轉型。

2)同時，要充分重視微觀農業生產要素的投入。①吉林省要繼續通過土地入股、托管、包租等多種形式實現土地規模經營和集約化生產，完善土地流轉制度改革[9]。②要促進產業結構的調整升級，帶動農村勞動力向二三產業轉移；通過農業產業化發展來增加農民家庭人均收入，提升農民生活水平與消費水平，進而促進農業機械化的發展。

3)另外，新時期科技管理因素對農業機械化的發展至關重要，新型農民素質的提高將起關鍵性作用，發展現代化農業、推進農業機械化、培育新型職業農民是一個重要而緊迫的任務[10]。因此，建議吉林省充分發揮教育大省優勢，加強對新型職業農民的教育與培訓，使之成為農業機械化發展的強大推動力。

參考文獻：

[1]黃永寶,紀延光.基于因子分析的我國農業機械發展分析研究[J].中國農業科技導報,2014,16(4):95-101.

[2]劉佩軍.東北地區農業機械化發展研究[D].長春:吉林大學,2007.

[3]張麗.東北地區農業機械化發展影響因素分析及對策研究[D].長春:吉林大學,2007.

[4]劉立丹.吉林省農業機械化發展研究[D].長春:吉林農業大學,2010.

[5]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-以江蘇省為例[J].中國農機化,2010(1):20-24.

[6]代海濤.吉林省農業機械化對農業生產貢獻率及發展對策研究[J].中國農機化,2014(6):300-303.

[7]吉林省統計局.吉林統計年鑒(1993-2013)[M].北京:中國統計出版社,1995-2014.

[8]國家統計局.中國農村統計年鑒(1993-2013)[M].北京:中國統計出版社,1995-2014.

[9]馬江,張亞梅.吉林省農業機械化影響因素與發展思路[J].吉林農業,2014(16):39.

[10]白人樸.對“十三五”我國農業機械化發展的思考[J].農村牧區機械化,2014(4):12.

[11]李嫣怡,劉榮,丁維岱.EViews統計分析與應用[M].北京:電子工業出版社,2013.

Study on the Development of Total Power of Agricultural Machinery in Jilin Province—Based on Principal Component Analysis

Cui Hongyan

(Baicheng Normal College, College of Geographical Sciences, Baicheng 137000,China)

Abstract：As the food great province, it is very crucial to the development of agricultural mechanization in Jilin Province. This paper analyzes the total power of agricultural machinery and the influence factors by principal component analysis method using the relevant data of Jilin Province during 1994-2013. The multi linear regression model is established for variable ZY and independent variables by ZX1-ZX9. In the model, only the rural Engel coefficient and the total power of agricultural machinery is negatively correlated, the rest of the independent variables are positively correlated. The coefficient of per unit area yield of grain is 0.207, and the coefficient of farmers' education level is 0.276, relatively low. And the coefficients of the other independent variables have little difference between 0.34～0.37. Finally, it put forward to strengthen the elements of macro capital support, micro production and technology input in the future in Jilin Province. In addition, it need to strengthen the cultivation of new peasants occupation, to meet the demand for talent and technology of agricultural development in the new period.

Key words：total power of agricultural machinery; principal component analysis; regression analysis; Jilin Province

文章編號：1003-188X(2016)06-0093-05

中圖分類號：S210.6

文獻標識碼：A

作者簡介：崔紅艷(1975-)，女，吉林白城人，副教授，碩士研究生，(E-mail)hongyancui@163.com。

基金項目：吉林省教育廳“十二五”社會科學研究重點項目(吉教科文合字[2013]第335號)

收稿日期：2015-06-01