因子分析在農產品物流能力評價中的應用

周曉鳴，葉春明 （上海理工大學 管理學院，上海 200093）

0 引言

作為第一產業，農業是國民經濟的基礎，農業和農村經濟的健康發展事關國民經濟發展的全局[1]。然而我國農業發展相對滯后，農產品流通效率低、成本高、損耗大。電子商務的發展，給農產品物流的發展帶來了新的動力。農產品物流在電子商務平臺的引導下實現協調整合，將使農產品生產者根據消費者的需求合理安排生產，減少因中間環節過多，市場需求失真而帶來的農產品損耗，提高農產品物流運作的效率，有效降低農產品損耗，為提高農民收入水平奠定堅實的基礎[2]。為此，大力發展農產品物流勢在必行。科學地評價農產品物流的發展水平，有助于政府相關部門制定相關科學決策、改善農業經濟發展環境、促進農產品物流的健康發展。

因子分析法是一種降維的技術，能夠在多種具有相關性的指標中找出幾個主因子，用主因子來代替評價指標，簡化對農產品物流發展水平的評價，縮小工作量[3]。因此本文采用因子分析法來研究我國農產品物流的發展水平。

1 理論基礎

1.1 農產品物流

農產品物流是物流業的一個分支，指的是為了物流業的一個分支從生產者到消費者之間的物理性流動。就是以農業產出物為對象，通過農產品產后加工、包裝、儲存、運輸和配送等物流環節，做到農產品保值增值，最終送到消費者手中的活動。農產品物流除了數量大、品種多的特點之外還具有以下特點：農產品物流要求高。一是由于農產品與工業品不同，它是有生命的動物性與植物性產品。所以，農產品的物流特別要求“綠色物流”，在物流過程中做到不污染、不變質。二是由于農產品價格較低，一定要做到低成本運行。三是由于農產品流通涉及到保證與提高農民的收入。因此，在物流過程中，一定要做到服務增值，即農產品加工轉化，農產品加工配送。農產品物流難度大。體現在包裝難、運輸難、倉儲難。雖然我國農產品物流活動出現得比較早，但無論是在農產品物流理論研究還是在實際操作上，我國農產品物流的發展都很緩慢。

1.2 因子分析模型

因子分析的概念最初起源于關于智力測驗的探討，其作出突出貢獻的是20世紀初的心理學家Charles Spearman等。因子分析（Factor Analysis）作為多元統計分析技術的一個分支，用于處理多變量問題，是一種降維、簡化數據的技術[7]。因子分析的基本思想是肯定變量之間具有相關性，可以根據這種相關性進行不同的分組組合，這樣，同一組的變量之間的相關性就比較高，不同組的變量相關性就較低，每一組的變量都代表不同的基本結構。

將這一思想用數學模型表示為：

假設從原始變量集X=｛X1,X2,…,Xn｝T中，提取出m個公共因子F=｛F1,F2,…,Fm｝T，則每一個變量都可以表示成公共因子的線性函數與特殊因子之和，即：Xi=ai1Fi+ai2F2+…+aimFm+εi,i=1,2,…,n。

該模型用矩陣表示為：X=AF+ε

且滿足：①m＜n；②Cov（ F,ε ）=0，即公共因子與特殊因子是不相關的；即各個公共因子不相關，且方差為1即各個特殊因子不相關，方差不要求相等。

模型中矩陣A稱為因子負載矩陣，aij稱為因子負載，是指第i個變量在第j個因子上的負荷。

用因子所能夠解釋的總方差來衡量每個公共因子對變量的解釋能力，通常稱為因子的貢獻（Contributions），記為Vi。它等于和該因子有關的因子負載的平方和，即：

如果一個變量在多個公共因子上有較大的負荷，或者多個變量在同一個公共因子上有較大的負荷，則說明因子對多個變量都有較明顯的影響作用。為了更合理地對因子的實際背景解釋，可以通過因子旋轉使每個變量僅在一個公共因子上有較大的負載，即讓同一個因子在各個變量上的負載盡可能的向靠近1和靠近0的兩極分離。

在因子分析模型X=AF+ε中，如果不考慮其特殊因子的影響，當m=n且A可逆時，所抽取的樣本在因子F上的得分可以表示為：F=A-1X。

但是，因子分析模型在實際中要求m＜n，因此，不能精確計算出因子的得分情況，只能對因子得分進行估計。

2 我國農產品物流發展能力的實證研究

2.1 樣本及指標選取

本文在查閱了大量的國內外研究文獻的基礎上，通過德爾菲法與相關領域專家充分溝通的基礎上，最終選出了8個指標，來代表農產品物流能力的評價指標。它們是地區生產總值X1（）、農林牧漁業總產值X2（）、人均生產總值X3（）、社會消費品零售總額X4（）、貨物周轉量X5（）、民用汽車擁有量X6（）、國際互聯網用戶數X7（）、公路里程數X8（）。數據來自2014年《中國統計年鑒》，選取我國31個省、市、自治區為研究對象。原始數據如表1所示：

2.2 我國農產品物流發展能力的因子分析

將原始數據放入SPSS 22.0軟件中對我國31個省、市、自治區的8個指標進行因子分析。

2.2.1 數據標準化處理

由于經濟意義和表現形式不同，各個定量指標之間并不具有可比性，因此，為了對指標進行科學的綜合評價，必須對各個指標予以標準化處理。本文采用Zore法將指標數據標準化。

2.2.2 因子分析

2.2.2.1 相關系數矩陣和變量共同度分析

對標準化數據進行實證分析，通過計算得出8個指標的相關系數矩陣及變量共同度表。從表2的相關系數矩陣中可以看到，矩陣中的變量存在較高的相關系數，且相關系數顯著性檢驗的p值存在大量的小于0.05的值，這表明原始指標之間存在較強的相關性，具有進行因子分析的必要性。從表3中可以看出，KMO=0.816，Bartlett球形檢驗的p值為0.000，這也都說明數據適合進行因子分析。

2.2.2.2 提取特征向量和特征值

根據變量特征值大于1的原則，獲得兩個公因子F1、F2，且其累積方差貢獻率為87.734%（如表4所示）。說明兩個公因子保留了原始數據的大部分信息，以此評價我國農產品物流發展水平相當大程度上減少了原始數據的復雜性。

2.2.2.3 建立因子載荷矩陣

因子載荷矩陣體現了原始變量與各因子之間的相關程度。為了更為準確地解釋命名各個主因子，采用方差最大法對原始因子載荷矩陣（表5）進行旋轉，得出方差最大正交旋轉矩陣，如表6所示。

表1 原始數據

根據因子正交旋轉矩陣，可以將評價指標分成兩個公因子并進行命名。第一個公因子F1在X1、X2、X4、X5、X6、X7上有較大的載荷，公因子F2在X3、X8上有較大的載荷。

2.2.2.4 計算各因子得分與綜合評價得分并排序

表2 相關系數矩陣及相關顯著性檢驗（Correlation Matrix）

表3KMO檢驗與Bartlett球形檢驗（KMO and Bartlett's Test）

表4 特征根與方差貢獻率表（Total Variance Explaied）

采用回歸法和SPSS 22.0自動生成各主因子得分（表7），利用各主因子方差貢獻率占總方差貢獻率的百分比作為權重，然后與各主因子得分加權求和，得到我國31個省、市、自治區農產品物流發展水平的綜合得分及排序。

用F1、F2分別表示各省、市、自治區農產品物流發展水平在各個因子上的得分，則有：

2.2.2.5 結果分析

表5 旋轉前的因子載荷矩陣

表6 旋轉后的因子載荷矩陣

表7 因子得分矩陣

（1）排名結果總體分析。從綜合排名上看，廣東、山東、江蘇、河南、河北、浙江、四川是我國農產品物流發展水平高的省市；湖北、遼寧、湖南、安徽的農產品物流發展水平較高；福建、黑龍江、云南、陜西、廣西、內蒙古、上海、江西、山西、北京、吉林、新疆、重慶的農產品物流發展水平較低；貴州、甘肅、天津、海南、青海、寧夏、西藏的農產品物流發展水平低。山西省的農產品物流發展水平處于中等偏下水平，主要與山西山區及農村的道路交通設施落后、農產品運輸企業的運輸網絡不完善、缺乏冷凍冷藏設備和技術等方面有關。

但是，不同省份對應的各因子排名與其最后的綜合排名并不完全一致，有些省份各因子的單項排名與最后的綜合排名存在很大的差距，說明各省農產品物流在各因子代表的因素上發展不平衡，進而影響了綜合排名。

（2）從因子排名上分析。在因子F1上，廣東、山東、江蘇、浙江、河南、河北、遼寧的因子得分遠遠領先于其他省份，并借此提升了綜合排名。山西、吉林、江西、云南、重慶、新疆、貴州、甘肅、海南、寧夏、青海、西藏得分較低，排名靠后。

在因子F2上，四川、河南、云南、湖南、山東、湖北、貴州、黑龍江、新疆、河北的因子得分較高，而北京、天津、上海在因子F2上的得分遠遠低于其他省份，這說明在因子F2上，北京、天津、上海不占優勢。

各省份農產品物流發展水平因子分析及排名如表8所示：

3 結論

隨著我國經濟近二三十年的持續增長，物流業也逐漸成為一個新的經濟增長點，并在整個經濟社會活動中起到了越來越重要的作用。農產品物流作為物流業的一條重要分支，對其發展水平進行一個系統的研究，能夠為我國制定不同省份農產品物流政策時提供一個基礎。在明確各個省份發展水平良莠不齊的基礎上，了解各省份目前的農產品物流發展水平，為下一步制定針對性的戰略性政策提供參考。

當然，本文也存在以下不足，首先農產品物流發展水平指標選取不夠全面，導致只提取到兩個因子，代表性較低。其次對31個省份研究，最終只算出一個農產品物流發展水平排序，參考性不夠。因此，針對性的研究某一省份、某一地市的農產品物流，探索適合本地區、本市的運作模式是下一步的工作。

[1] 楊光華，林朝朋，謝小良.生鮮農產品冷鏈物流模式與對策研究[J].廣東農業科學，2009(6):97-103.

[2]王道平，李鋒，程蕾.我國農產品物流模式的實證研究——基于各省市的聚類分析法[J].財經問題研究，2011(2):108-113.

[3] 張艷新，趙慧峰,等.河北省農產品物流對接京津的綜合發展水平評價[J].黑龍江畜牧獸醫，2016(4):63-70.

[4] 王蕾，張紅麗.基于FAM—TOPSIS法農產品物流發展水平評價[J].蘭州學刊，2014(5):140-145.

[5]董紅艷，楊曉艷.基于熵權灰色關聯法的農產品物流能力研究——以山西省為例[J].價格月刊，2015(11):72-76.

[6] 曹小華.我國物流業市場績效實證研究[D].北京：北京交通大學（博士學位論文），2012.

表8 各省份農產品物流發展水平因子得分及排名

[7] 嚴敏如.基于因子分析的我國電子商務物流配送模式選擇[J].商業經濟研究，2015(21):36-38.

[8] 王雪華,等.管理統計學：基于SPSS軟件應用[M].北京：電子工業出版社，2014.

[9] 方凱，鐘漲寶,等.基于綠色供應鏈的我國冷鏈物流企業效率分析[J].農業技術經濟，2014(6):45-53.