基于灰色神經(jīng)網(wǎng)絡(luò)和MIV的農(nóng)機(jī)總動力影響因素研究*

吐爾遜·買買提，丁為民，Muhammad Hassan

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇南京 210031.2.新疆農(nóng)業(yè)大學(xué)機(jī)械交通學(xué)院，烏魯木齊 830052)

0 引言

農(nóng)業(yè)機(jī)械作為實(shí)現(xiàn)現(xiàn)代農(nóng)業(yè)的主要工具，其總動力已成為衡量區(qū)域農(nóng)業(yè)機(jī)械化發(fā)展水平的主要指標(biāo)。農(nóng)機(jī)總動力發(fā)展過程中受到區(qū)域經(jīng)濟(jì)水平、自然地理環(huán)境、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)、社會發(fā)展水平和人口等多個因素的影響，并呈現(xiàn)出非線性和非平穩(wěn)性特點(diǎn)。因此研究農(nóng)機(jī)總動力趨勢及影響因素有重要意義[1]。

劉玉梅等[2]利用計量經(jīng)濟(jì)模型，分析了收入水平對農(nóng)戶農(nóng)機(jī)裝備水平的影響。楊敏麗等[3]利用三元logistic 模型對農(nóng)業(yè)機(jī)械總動力進(jìn)行預(yù)測，并影響因素進(jìn)行分析。軒俊偉等[4]應(yīng)用空間分析法和地理加權(quán)回歸模型對新疆縣域農(nóng)機(jī)總動力聚集和影響因素進(jìn)行分析，獲得了農(nóng)機(jī)總動力空間維度上的異質(zhì)性特點(diǎn)，同時挖掘出新疆不同區(qū)域農(nóng)機(jī)總動力主要影響因素。許淑芹[5]基于飽和關(guān)聯(lián)維數(shù)法和灰色關(guān)聯(lián)分析對江蘇省農(nóng)機(jī)總動力14個影響因素的重要度進(jìn)行測度，并獲得主要的8個影響因素，并依據(jù)此結(jié)果提出了相關(guān)農(nóng)機(jī)化發(fā)展建議。何政道等[6]應(yīng)用自相關(guān)時間序列回歸分析法，揭示了對農(nóng)機(jī)總動力影響較大的農(nóng)村剩余勞動力轉(zhuǎn)移率等6個主要因素。吳科樑等[7]應(yīng)用回歸分析法對廣東省農(nóng)機(jī)總動力進(jìn)行預(yù)測，并對影響因素進(jìn)行定量和定性分析。崔紅艷等[8]運(yùn)用多元線性回歸模型對吉林省25年農(nóng)機(jī)總動力進(jìn)行分析，應(yīng)用每個因素分別降低1%、其余變量不變的情況下對農(nóng)機(jī)總動力變化的影響，將各影響因素對農(nóng)機(jī)總動力的影響進(jìn)行量化。程準(zhǔn)等[9]運(yùn)用多元回歸分析法對農(nóng)業(yè)增加值和農(nóng)村居民家庭人均純收與農(nóng)機(jī)總動力之間的關(guān)系進(jìn)行量化。此外，還有學(xué)者分析了播種面積頃均農(nóng)機(jī)動力對區(qū)域農(nóng)業(yè)機(jī)械化發(fā)展水平、糧食產(chǎn)量以及農(nóng)業(yè)經(jīng)濟(jì)的影響[10-11]。

分析以上文獻(xiàn)發(fā)現(xiàn)，目前在農(nóng)機(jī)總動力方面的研究還有一定的改進(jìn)余地：(1)研究內(nèi)容上主要聚集在農(nóng)機(jī)總動力發(fā)展趨勢預(yù)測和農(nóng)機(jī)總動力影響因素分析方面。而頃均農(nóng)機(jī)總動力的影響因素方面的研究尚未見報道；(2)研究方法方面，以往的研究中，主要應(yīng)用主觀分析、統(tǒng)計分析和一些組合分析等方法。

文章應(yīng)用神經(jīng)網(wǎng)絡(luò)在模式發(fā)現(xiàn)以及知識挖掘方面優(yōu)勢，首先基于嵌入式灰色神經(jīng)網(wǎng)絡(luò)和MIV方法實(shí)現(xiàn)了影響因素量化模型；然后應(yīng)用該模型定量分析了頃均農(nóng)業(yè)機(jī)械總動力影響因素；最后結(jié)合實(shí)例，分析了模型性能，同時對新疆頃均總動力的影響因素進(jìn)行定量分析。

1 影響因素重要度分析方法

1.1 影響因素確定

該文結(jié)合文獻(xiàn)[1-11]提出的方法和專家咨詢建立了由頃均農(nóng)業(yè)機(jī)械總動力(W/hm2)[農(nóng)機(jī)總動力(W)/耕地面積](Y)、耕地均頃GDP(元/hm2)[地區(qū)生產(chǎn)總值(元)/地區(qū)耕地面積](F1)、農(nóng)民人均純收入(元/人)(F2)、機(jī)械化農(nóng)具定基價格指數(shù)(MIP)(%)(F3)、農(nóng)村勞動力轉(zhuǎn)移率(%)[(鄉(xiāng)村從業(yè)人員-農(nóng)業(yè)從業(yè)人員)/鄉(xiāng)村從業(yè)人員](F4)、農(nóng)業(yè)比較勞動生產(chǎn)率(%)[第一產(chǎn)業(yè)增加值/GDP)/(農(nóng)業(yè)勞動力/全部勞動力，即農(nóng)業(yè)增加值在地區(qū)GDP的比重與農(nóng)業(yè)勞動力在全部勞動力的比重的比率)](F5)、農(nóng)民人均受教育程度(年/人)[文盲半文盲比例×1+小學(xué)比例×6+初中比例×9+高中比例×12+中專比例×12+大專以上比例×15.5](F6)、勞均土地面積(hm2/人)[耕地面積/農(nóng)業(yè)勞動力](F7)、最大種植面積農(nóng)作物比重(%)[糧食種植面積/農(nóng)作物總播種面積](F8)等9個指標(biāo)組成的頃均總動力及影響因素指標(biāo)體系。

1.2 基于GNN-MIV影響因素重要度計算步驟

1.2.1 神經(jīng)網(wǎng)絡(luò)模型選擇

時間序列發(fā)展趨勢研究表明，組合預(yù)測方法和單一模型預(yù)測相比，在有效提取序列的變化趨勢、所含的信息量和預(yù)測精度方面有較好的優(yōu)勢[12]。理論上可以證明組合預(yù)測模型屬于非劣性模型，即任何由多個單一模型組成的組合預(yù)測模型的預(yù)測結(jié)果優(yōu)于其包含的單一模型。

灰色理論與神經(jīng)網(wǎng)絡(luò)構(gòu)成灰色神經(jīng)網(wǎng)絡(luò)(Grey neural network，GNN)，根據(jù)組合的方式和結(jié)構(gòu)，目前可以將灰色神經(jīng)網(wǎng)絡(luò)分成串行灰色神經(jīng)網(wǎng)絡(luò)(Series grey neural network，SGNN)，并行灰色神經(jīng)網(wǎng)絡(luò)(parallel grey neural network，PGNN)、嵌入性灰色神經(jīng)網(wǎng)絡(luò)(Embed grey neural network，EGNN)[13]等3種類型。

SGNN中，灰色模型的結(jié)果作為神經(jīng)網(wǎng)絡(luò)輸入，從而構(gòu)成串行結(jié)構(gòu)。PGNN中，除了單一模型精度外，權(quán)重也是影響模型精度的重要因素。在組合預(yù)測方法中有算數(shù)平均組合、幾何平均組合和調(diào)和平均組合等方法。具體見下面公式。

(1)

(2)

(3)

式(1)～(3)中，n為樣本容量大小，k為各預(yù)測模型權(quán)重。

每一種灰色神經(jīng)網(wǎng)絡(luò)有其特點(diǎn)及側(cè)重點(diǎn)，具體使用需要根據(jù)研究對象的特征、各子模型的特點(diǎn)、預(yù)測序列的趨勢靈活選擇。EGNN中，首先在神經(jīng)網(wǎng)絡(luò)的輸入層對輸入樣本進(jìn)行灰化，實(shí)踐中根據(jù)樣本序列的隨機(jī)特性強(qiáng)度選擇1次或多次累加，從而弱化序列的隨機(jī)特征，使得神經(jīng)網(wǎng)絡(luò)激勵函數(shù)能夠更好的識別其非線性特征。經(jīng)神經(jīng)網(wǎng)絡(luò)處理后在輸出層對輸出數(shù)據(jù)白化，還原輸出結(jié)果。其結(jié)構(gòu)見圖1。

圖1 嵌入性灰色神經(jīng)網(wǎng)絡(luò)

綜合比較以上3種方法可以發(fā)現(xiàn)，SGNN因其結(jié)構(gòu)簡單，單一模型之間的融合程度不高，適合預(yù)測變化趨勢比較單一、波動幅度不大的時間序列，但對復(fù)雜的隨機(jī)時間序列，預(yù)測性能較差。PGNN雖然一定程度上優(yōu)于SGNN，但因需要額外增加權(quán)重計算模塊，故很容易受到權(quán)重計算算法的影響，增加算法的復(fù)雜度。EGNN方法在輸入神經(jīng)元和輸出神經(jīng)元部分引入灰色模型方法，并有效地把灰色模型和BPNN相互嵌入，使得BPNN的擬合復(fù)雜曲線函數(shù)的特征和灰色模型的弱化序列的隨機(jī)特性得以有效應(yīng)用，從而構(gòu)成了嵌入式組合預(yù)測神經(jīng)網(wǎng)絡(luò)。該文依據(jù)上述分析選取EGNN模型。

1.2.2 基于神經(jīng)網(wǎng)絡(luò)的MIV計算過程

平均影響值(Mean impact value，MIV)是由Dombi等提出。在神經(jīng)網(wǎng)絡(luò)中用于定量分析輸入神經(jīng)元對輸出神經(jīng)元的影響，MIV絕對值大小代表影響的相對重要性，符號代表其影響方向[14]。基于神經(jīng)網(wǎng)絡(luò)的MIV計算過程如下。

(1)將樣本集D分為M×N的訓(xùn)練集矩陣S和Mt×Nt測試集矩陣T，其中M和Mt分別為訓(xùn)練樣本和測試樣本的個數(shù)，N和Nt分別為訓(xùn)練集和測試集列數(shù)。確定訓(xùn)練集矩陣S的自變量個數(shù)(即輸入神經(jīng)元)和因變量個數(shù)(即輸出神經(jīng)元)。

(2)初始化網(wǎng)絡(luò)參數(shù)，在訓(xùn)練集S中訓(xùn)練網(wǎng)絡(luò)，并結(jié)合網(wǎng)絡(luò)在測試集T中的預(yù)測精度不斷的優(yōu)化網(wǎng)絡(luò)參數(shù)，從而確定最終神經(jīng)網(wǎng)絡(luò)NNET,將由樣本集D中所有自變量組成矩陣M。

(3)將自變量矩陣M的某一列值分別加減10%構(gòu)成兩個新的矩陣M1和M2，再將M1、M2分別作為新的仿真輸入集，輸入到建好的神經(jīng)網(wǎng)絡(luò)NNET，并得出網(wǎng)絡(luò)輸出向量V1和V2。

(4)計算輸出向量V1和V2之差，獲得向量V，其值能反映每個樣本的當(dāng)前自變量(輸入神經(jīng)元)對因變量(輸出神經(jīng)元)的影響程度，即Impact value。

(5)求向量V的均值，得出當(dāng)前自變量對因變量即神經(jīng)網(wǎng)絡(luò)輸出的MIV。

(6)重復(fù)步驟(3)～(5)，分別計算剩余自變量的MIV，最后排序所有自變量MIV，得出各個自變量(輸入神經(jīng)元)對因變量(輸出神經(jīng)元)影響程度以及相對重要性的位次表，從而判斷眾多輸入中對網(wǎng)絡(luò)影響最大的輸入以及影響程度，同時也可以進(jìn)行變量篩選。

從MIV方法和步驟中可以看出，應(yīng)用MIV測度輸入向量對輸出向量(該文中輸入向量為F1～F8，Y為輸出向量)的影響程度時，具體神經(jīng)網(wǎng)絡(luò)算法的選取和數(shù)據(jù)集的劃分(即訓(xùn)練集和測試集的劃分規(guī)則)對MIV方法的最終結(jié)果影響較大。考慮到該文中數(shù)據(jù)樣本較少，在建立EGNN模型時應(yīng)用前23個樣本為訓(xùn)練集，后2個樣本為測試集。

該文中將EGNN嵌入式灰色神經(jīng)網(wǎng)絡(luò)作為基本模型，將在其輸入和輸出端增加輸入神經(jīng)元值變化(即輸入神經(jīng)元±10%)和輸出神經(jīng)元值的計算(測度輸入神經(jīng)元±10%后輸出變化情況)模塊，從而構(gòu)成EGNN-MIV組合模型。

2 應(yīng)用實(shí)例——以新疆為例

2.1 數(shù)據(jù)來源

該文所涉及的農(nóng)業(yè)機(jī)械頃均總動力及其影響因素相關(guān)的原始數(shù)據(jù)來自于1990～2014年《新疆統(tǒng)計年鑒》《新疆調(diào)查年鑒》。依據(jù)1.1建立的指標(biāo)體系，構(gòu)建了新疆頃均總動力及影響因素關(guān)系數(shù)據(jù)模型。并根據(jù)統(tǒng)計數(shù)據(jù)源對新疆各年度相關(guān)指標(biāo)值進(jìn)行計算。1990～2014年各指標(biāo)值如表1所示。

表1 1990～2014年新疆頃均農(nóng)業(yè)機(jī)械總動力影響因素值

年份耕地均頃GDP(元)農(nóng)民人均純收入(元)MIP(%)農(nóng)業(yè)勞動力轉(zhuǎn)移率(%)農(nóng)業(yè)比較勞動生產(chǎn)率(%)農(nóng)民人均受教育程度(年/人)勞均土地面積(hm2/人)最大種植面積農(nóng)作物比重(%)頃均農(nóng)業(yè)機(jī)械總動力(W/hm2) 1990121 65622 45100 007 3242 965 890 8063 481876 06 1991136 77651 69104 407 1837 696 340 7964 272005 54 1992151 29645 99107 858 0232 566 410 7961 632118 20 1993146 95604 50109 797 8432 996 510 7759 472190 26 1994185 04579 02129 779 6131 356 560 7952 422258 15 1995135 06574 18158 7112 0233 586 701 1455 451613 97 1996194 64589 30179 8113 7532 086 790 8058 952490 31 1997217 13661 46186 6517 7232 696 840 8158 192570 57 1998227 16697 96182 7320 0932 906 950 8354 772663 54 1999243 93663 82173 7722 9929 987 040 8551 842769 22 2000287 98747 04169 7829 8530 137 170 9549 482853 61 2001305 48760 77166 5529 1327 267 350 9147 362922 43 2002346 01821 35158 5629 7126 917 390 8849 783105 43 2003413 16926 59154 7529 6631 127 430 8544 143298 74 2004471 19945 09154 6030 0928 897 450 8444 883502 96 2005539 431032 57158 4628 4727 387 780 7851 703603 51 2006577 001116 38165 9128 7724 337 750 8243 993558 28 2007605 861210 96164 2529 3025 247 790 8438 623602 53 2008435 391217 05183 1429 4023 407 921 2541 972560 31 2009443 421322 70170 6930 5125 567 991 2248 203710 32 2010538 891494 74162 6631 3428 898 031 1849 873831 33 2011623 251640 57178 0329 6324 498 291 2645 384354 25 2012644 981739 93181 3829 5723 868 411 3245 454475 86 2013660 061840 98184 6529 7223 368 501 4044 564600 49 2014671 921944 49187 3329 8623 228 611 4844 644749 37

2.2 頃均總動力影響因素量化模型

首先基于表1數(shù)據(jù)建立嵌入式灰色神經(jīng)網(wǎng)絡(luò)，并根據(jù)模型性能對參數(shù)進(jìn)行優(yōu)化和調(diào)整，進(jìn)而建立最終EGNN模型，然后將該EGNN模型與MIV方法相結(jié)合提出頃均總動力影響因素量化方法。最后將應(yīng)用該方法定量分析F1～F8對新疆農(nóng)業(yè)機(jī)械頃均總動力的影響程度。

2.2.1 EGNN模型

以新疆1990～2012年頃均農(nóng)機(jī)總動力及其影響因素數(shù)據(jù)為訓(xùn)練集，農(nóng)業(yè)機(jī)械頃均總動力(Y)為網(wǎng)絡(luò)輸出，影響因素F1～F8作為輸入，應(yīng)用Matlab2014a實(shí)現(xiàn)了嵌入式灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并分別在迭代次數(shù)10～100，隱含層為單層(8～10節(jié)點(diǎn))、雙層([6， 6]～[10， 10])、學(xué)習(xí)精度為0.001，學(xué)習(xí)速率為0.01以及在不同的節(jié)點(diǎn)傳遞函數(shù)狀態(tài)下，進(jìn)行建模及預(yù)測實(shí)驗(yàn)。根據(jù)擬合的平均絕對百分誤差(Mean Absolute Percent Error，MAPE)、均方誤差(Mean square error，MSE)、SSE(Sum of Squares for Error，SSE)等指標(biāo)選取最佳網(wǎng)絡(luò)參數(shù)，并生成最終的嵌入式灰色神經(jīng)網(wǎng)絡(luò)，其預(yù)測結(jié)果分布見圖2。

建立預(yù)測模型后，應(yīng)用不同檢驗(yàn)方法其對擬合性能進(jìn)行檢驗(yàn)，如表2所示。

表2 模型擬合性能

MAPE(%)MSESSE9 3771023982366163

圖2 EGNN預(yù)測結(jié)果注：其中最后兩組為測試集中的預(yù)測結(jié)果

用訓(xùn)練集建立模型后，為了檢驗(yàn)網(wǎng)絡(luò)的預(yù)測性能，以2013～2014年數(shù)據(jù)作為測試集，對網(wǎng)絡(luò)性能進(jìn)行測試。以2013～2014年F1～F8值為網(wǎng)絡(luò)輸入對2013～2014年頃均總動力進(jìn)行預(yù)測，根據(jù)其預(yù)測效率進(jìn)一步確定網(wǎng)絡(luò)可用與否，以此為據(jù)選取最終的預(yù)測模型。因該文數(shù)據(jù)量較少，未考慮迭代次數(shù)對網(wǎng)絡(luò)訓(xùn)練時間的影響。模型在測試集中最佳SSE和擬合優(yōu)度為813 437、0.876 1，表明預(yù)測精度較高。

2.2.2 EGNN-MIV模型

依據(jù)2.2提出的方法構(gòu)建EGNN-MIV模型，測度各影響因素的MIV。因該文中要分析各影響因素對新疆頃均農(nóng)業(yè)機(jī)械總動力的影響程度，因此無需將數(shù)據(jù)集分為訓(xùn)練集和測試集，即應(yīng)用新疆1990～2014年頃均總動力為網(wǎng)絡(luò)輸出，相應(yīng)年度F1～F8為網(wǎng)絡(luò)輸入。各影響因素MIV以及其分布情況圖3所示。

圖3 各影響因素MIV結(jié)果

為了便于進(jìn)一步分析MIV值分布，應(yīng)用最大最小化方法對F1～F8的MIV進(jìn)行標(biāo)準(zhǔn)化。結(jié)果如表3所示。

表3 MIV標(biāo)準(zhǔn)化值

指標(biāo)F1F2F3F4F5F6F7F8標(biāo)準(zhǔn)化MIV0 700 390 390 460 200 500 900 74

3 結(jié)果分析

農(nóng)機(jī)總動力作為復(fù)雜的時間序列，其發(fā)展受到區(qū)域經(jīng)濟(jì)水平、農(nóng)業(yè)發(fā)展政策、人口結(jié)構(gòu)、農(nóng)業(yè)種植結(jié)構(gòu)、自然地理條件等多個因素的交叉影響。并且隨著時間推移，其發(fā)展呈現(xiàn)出更多不確定性特征，使得正確預(yù)測及分析其演變趨勢更加困難。

(1)從EGNN組合預(yù)測模型性能方面，模型的擬合MAPE、MSE、SSE分別為9.377、102 398和2 366 163，預(yù)測精度較高。同時可以發(fā)現(xiàn)當(dāng)觀測值出現(xiàn)較大波動時，擬合值的誤差較大，表明EGNN組合預(yù)測模型的對時間序列的波動較敏感。同時圖2表明， 2010年后的頃均農(nóng)機(jī)總動力預(yù)測誤差與之前相比有擴(kuò)大的趨勢，可能的原因有二，其一是EGNN組合預(yù)測算法中激勵函數(shù)選取、訓(xùn)練參數(shù)選擇和訓(xùn)練次數(shù)確定等對預(yù)測結(jié)果的影響較大，因此需要進(jìn)一步的分析和研究。其二是農(nóng)機(jī)頃均總動力變化趨勢以及影響因素隨著區(qū)域經(jīng)濟(jì)、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)和農(nóng)業(yè)政策的變化發(fā)生了較大的變化。從而導(dǎo)致隨著時域尺度的變化誤差擴(kuò)大。

(2)表3表明，EGNN-MIV模型的各個輸入對模型輸出的影響程度不均勻，進(jìn)一步說明該文提出的方法在定量分析研究對象的輸入和輸出之間的非線性關(guān)聯(lián)關(guān)系方面有較好的應(yīng)用價值。同時結(jié)合農(nóng)業(yè)機(jī)械總動力及其發(fā)展趨勢的實(shí)踐發(fā)現(xiàn)，表3得出的結(jié)果較客觀地反映了新疆頃均總動力及其影響因素的變化現(xiàn)狀。

(3)根據(jù)各指標(biāo)MIV值，對各影響因素對頃均農(nóng)機(jī)總動力變化的影響程度進(jìn)行定量分析。MIV結(jié)果表明：①1990～2014年，新疆頃均農(nóng)業(yè)機(jī)械總動力受到該文所確定的所有影響因素的交叉影響，并且影響程度分布不均勻，主要集中在區(qū)域自然資源、農(nóng)業(yè)種植結(jié)構(gòu)和區(qū)域經(jīng)濟(jì)水平等因素有關(guān)的指標(biāo)。②從局部影響因素分析來看，MIV值最大的3個指標(biāo)分別為勞均土地面積、最大種植面積農(nóng)作物比重和耕地均頃GDP，同時在數(shù)值上顯著大于其余的影響因素。說明在研究時域內(nèi)新疆頃均農(nóng)機(jī)總動力主要受勞均土地面積、最大種植面積農(nóng)作物比重和耕地均頃GDP的影響。對頃均農(nóng)機(jī)總動力的影響最小的因素為農(nóng)業(yè)比較勞動生產(chǎn)率。

(4)農(nóng)業(yè)機(jī)械頃均總動力作為農(nóng)業(yè)生產(chǎn)的主要動力來源，對區(qū)域農(nóng)業(yè)機(jī)械化水平以及現(xiàn)代農(nóng)業(yè)的發(fā)展有較大影響。因此在農(nóng)業(yè)機(jī)械化生產(chǎn)、管理和服務(wù)當(dāng)中根據(jù)區(qū)域農(nóng)機(jī)化發(fā)展現(xiàn)狀，結(jié)合經(jīng)濟(jì)發(fā)展水平和土地資源結(jié)構(gòu)合理的調(diào)整和優(yōu)化農(nóng)機(jī)總動力的分布，在提高農(nóng)業(yè)機(jī)械利用效率和農(nóng)機(jī)化發(fā)展水平以及促進(jìn)現(xiàn)代農(nóng)業(yè)方面具有重要意義。

4 結(jié)論

(1)應(yīng)用神經(jīng)網(wǎng)絡(luò)和灰色模型在擬合非線性函數(shù)方面的優(yōu)勢，建立了嵌入式灰色神經(jīng)網(wǎng)絡(luò)。并對新疆1990～2014年頃均農(nóng)機(jī)總動力進(jìn)行預(yù)測分析。結(jié)果顯示，預(yù)測模型的SSE和擬合優(yōu)度為813 437、0.876 1，表明該文提出的方法在農(nóng)機(jī)總動力變化趨勢方面有較好的優(yōu)勢。

(2)構(gòu)建了EGNN-MIV影響因素定量分析模型。并對新疆1990～2014年頃均農(nóng)機(jī)總動力影響因素MIV進(jìn)行了測度。各影響因素重要度順序從小到大依次為：勞均土地面積、最大種植面積農(nóng)作物比重、耕地均頃GDP、農(nóng)民人均受教育程度、農(nóng)村勞動力轉(zhuǎn)移率、機(jī)械化農(nóng)具定基價格指數(shù)、農(nóng)民人均純收入、農(nóng)業(yè)比較勞動生產(chǎn)率。

(3)研究時段內(nèi)各影響因素MIV值揭示，勞均土地面積等因素對新疆農(nóng)業(yè)機(jī)械化水平，尤其是頃均農(nóng)業(yè)機(jī)械總動力的影響不容忽視。因此，優(yōu)化勞均土地面積水平、農(nóng)作物種植結(jié)構(gòu)以及提高耕地頃均GDP水平是提高新疆頃均農(nóng)機(jī)總動力以及進(jìn)一步促進(jìn)新疆農(nóng)業(yè)機(jī)械化發(fā)展的關(guān)鍵。

(4)該文為農(nóng)業(yè)機(jī)械總動力以及類似時間序列影響因素的定量分析方面提供了有效和可行的方法和步驟。

[1] 鞠金艷， 趙林，王金峰.農(nóng)機(jī)總動力增長波動影響因素分析.農(nóng)業(yè)工程學(xué)報， 2016, 32(2): 84～91

[2] 劉玉梅， 田志宏.農(nóng)戶收入水平對農(nóng)機(jī)裝備需求的影響分析——以河北省和山東省為例.中國農(nóng)村經(jīng)濟(jì)， 2009，(12)： 44～55

[3] 顏廷武， 李凌超，王瑞雪.現(xiàn)代化進(jìn)程中農(nóng)業(yè)裝備水平影響因素分析.農(nóng)業(yè)技術(shù)經(jīng)濟(jì)， 2010，(12)： 38～43

[4] 軒俊偉， 鄭江華.基于GWR的新疆農(nóng)機(jī)總動力空間異質(zhì)性分析.農(nóng)機(jī)化研究， 2016， 38(5)：36～42

[5] 許淑芹， 周桂霞，于海明，等.農(nóng)機(jī)總動力影響因素的灰色關(guān)聯(lián)分析——基于G-P算法.農(nóng)機(jī)化研究， 2016，38(12):56～60,65

[6] 何政道， 何瑞銀.農(nóng)業(yè)機(jī)械總動力及其影響因素的時間序列分析——以江蘇省為例.中國農(nóng)機(jī)化學(xué)報， 2010，(1)： 20～24

[7] 吳科樑. 關(guān)于廣東省農(nóng)機(jī)總動力需求發(fā)展預(yù)測的探討.預(yù)測， 1988，(3)： 49～51

[8] 崔紅艷. 吉林省農(nóng)業(yè)機(jī)械總動力及其影響因素分析.農(nóng)機(jī)化研究， 2015，37(12)： 43～48

[9] 程準(zhǔn). 農(nóng)用機(jī)械總動力影響因素分析.農(nóng)村經(jīng)濟(jì)與科技， 2013, 24(6): 186～186

[10]吐爾遜·買買提， 謝建華.新疆農(nóng)業(yè)機(jī)械化發(fā)展水平區(qū)劃時空格局.中國農(nóng)業(yè)資源與區(qū)劃， 2017，38(2)： 81～88

[11]萬三敏. 河南糧食總產(chǎn)及農(nóng)業(yè)經(jīng)濟(jì)發(fā)展關(guān)鍵因素分析——基于面板數(shù)據(jù)分析.中國農(nóng)業(yè)資源與區(qū)劃， 2014，35(3)： 78～84

[12]吐爾遜·買買提， 丁為民，謝建華.時間序列組合預(yù)測模型研究：以農(nóng)業(yè)機(jī)械總動力為例.南京農(nóng)業(yè)大學(xué)學(xué)報， 2016，39(4)： 688～695

[13]陳淑燕， 王煒.交通量的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法.東南大學(xué)學(xué)報：自然科學(xué)版， 2004, 34(4): 541～544

[14]Jiang J L，Su X，Zhang H，et al.A novel approach to active compounds identification based on support vector regression model and mean impact value.Chemical Biology & Drug Design， 2013, 81(5): 650～657