基于面板數據的江西省農業機械總動力影響因素研究

張麗娜，曹建斌，劉建村，徐 鄭，趙慶亮，王 艷，李道義

(1.中國農業機械化科學研究院，北京100083； 2.廣東省現代農業裝備研究所，廣東 廣州510635； 3.重慶市潼南區農業科技投資(集團)有限公司，重慶402679)

0 引言

農業機械化是工業化和城市化進程下農業轉型的重要推動力，是現代農業發展的重要標志。農業機械總動力指主要用于農、林、牧、漁業的各種動力機械的動力總和[1-2]。農業機械總動力能夠在一定程度上反映地區水稻生產機械化發展現狀，是實現水稻生產由人畜力向機械化生產方式轉變、有序推進農業生產現代化的物質載體，是體現區域農機裝備水平高低的一個重要指標，在一定程度上也能體現出農機裝備結構的合理性[3]。

農業機械總動力是提高農業勞動生產率和農業競爭能力的主要影響因素，其發展受多因素(如工業化發展水平、自然條件、社會和經濟發展水平)的影響。如何定量分析各種影響因素對農業機械總動力發展的作用，并把重要的因素轉化為可量化的經濟指標，是現代農業生產系統分析的重要內容。科學準確地對江西省農業機械總動力進行分析并對影響因素進行剖析，不僅可以為政府部門制定農業機械化發展規劃提供理論依據，還可以為江西省農業機械化產業發展提供一定的參考信息，為江西省農機市場發展指明方向。本研究選擇江西省農業機械總動力為主要研究對象，從人口發展、經濟效益等方面入手，分析其主要影響因素并對其未來增長趨勢進行預測，旨在對江西省農業機械產業發展決策制定提供理論依據。

1 研究方法與數據來源

1.1研究方法

在統計學中，線性回歸方程是利用最小二乘函數對一個或多個自變量之間關系進行建模的一種回歸分析。本研究擬采用多元線性回歸算法建立農業機械總動力與影響因素之間的相關關系，力求找到機械化裝備結構的主導因素，以便從主要矛盾抓起，有重點、分步驟地解決裝備結構存在的相關問題[4]。回歸分析是經濟計量分析中使用最多的方法，多元回歸分析預測法，是指通過對2個或2個以上的自變量與一個因變量的相關分析，建立預測模型進行預測的方法。當自變量與因變量之間存在線性關系時，稱為多元線性回歸分析。多元線性回歸模型的一般形式為

Yi=β0+β1X1i+β2X2i+…+βkXki+ui(i=1，2，…n)

式中k——解釋變量的數目

β0，β1…βk——未知參數，稱為回歸系數

Yi——被解釋變量

X1i，X2i，…Xki——k個可以精確測量并可控制的一般變量，稱為解釋變量

ui——隨機誤差

1.2指標選擇及數據來源

1.2.1現狀研究及指標選擇

農業機械化是農業技術進步的重要手段，是農業技術水平的反映，是農業現代化的重要標志，農業機械總動力是農業機械化的具體表現。據統計，2004—2018年中央和省財政共投入江西農機購機補貼資金超過68億元，共補貼各類農機具約1.2×106萬臺(套)，有力調動了農民購機用機的積極性。參照國家投入農機購置補貼前，江西省農機總動力只有1.22×107kW(2003年)，2018年總動力達到2.38×107kW，年均增速為4.5%，顯著推動了江西省現代農業的發展。

農業機械總動力的提升是受政策、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。農業機械化對城鎮化的推進具有促進和支撐作用，反過來城鎮化為農業機械總動力的提升提供技術支持和需求動力。就農業機械總動力影響因素而言，社會經濟發展、土地規模、地形條件、農村人口和宏觀政策等均是影響農業機械總動力的主要因素。從經濟發展水平看，本文選取農村居民人均可支配收入(購機主體)和江西省財政總收入(財政投入主體)為衡量指標。土地規模選取糧食作物播種面積占總農作物播種面積比值為衡量指標；農村人口選擇第一產業就業人員占比為衡量指標；地形條件以糧食作物總產量為衡量指標，暫不考慮文化程度及人口分布的影響，以上數據均從江西省農業機械統計年鑒獲得。設江西農業機械總動力為Y，種植結構為X1，糧食產量為X2，農村居民家庭人均可支配收入為X3，第一產業就業人員占比為X4，江西省財政總收入為X5。各數列時間序列如表1所示。

表1 各數列時間序列

對以上數據，運用多元回歸分析進行參數估計，得到模型如下

Y=-4 787.872+18 787.538X1+0.787X2-1.066X3-107.888X4+2.848X5

(-0.604)(1.995)(0.534)(-1.85)(-1.534)(1.653)

R=0.856a，R2=0.732，F=10.402，p=0.000a。

回歸結果顯示，整體回歸結果p<0.01，說明差異極顯著。這里樣本回歸模型中R2和F統計量較大，說明預測效果較好。t0.05(21)=1.721，除了X1和X3的t值>1.721，其余參數估計值均不能通過顯著性檢驗，表明模型中解釋變量存在多重共線性，需要進一步采用逐步引入法選擇解釋變量。

1.2.2相關系數法檢驗

從表2可以看出，解釋變量之間的相關系數并不一致，相關系數較大的達到0.997，接近1。其中，變量X3和X4、X5之間存在明顯相關性，相關系數高達0.909和0.997，說明存在明顯的相關性，進一步證實了解釋變量之間存在多重共線性問題。

表2 相關系數矩陣

1.2.3逐步引入法選擇解釋變量

對Y分別關于X1、X2、X3、X4、X5作線性回歸，回歸分析的結果匯總如表3所示。

從回歸的結果可以看出，只引進一個解釋變量X1時，變量X1的F值與R2和調整R2是5個變量中最大的，各項統計檢驗結果最好，符合江西雙季稻大省的實際情況。除X1外，其余方程的F值大小排序依次為X4>X2>X3>X5。

表3 線性回歸分析結果匯總

進一步采用逐步多元回歸分析方法，加入X4，對Y關于X1、X4作最小二乘回歸，得

Y=-13 730.9+24 738.15X1-2.609 5X4

(-2.293 67)(3.327 601)(-0.074 29)

R2=0.672 3， 調整R2=0.642 5，F=22.570 35，p=0.000a。

可以看出，加入X4后，可決系數R2略有增加，但調整R2有減少，且F值為22.57>F0.05(2，23)=3.422，應拒絕原假設β1=β2=0，說明回歸方程顯著，能通過置信水平為95%的F檢驗，即“種植結構”“第一產業就業人員占比”變量聯合起來確實對“農業機械總動力”有顯著影響，所以在模型中保留X4。

加入X2，對Y關于X1、X2、X4作最小二乘回歸，得

Y=-12 526.6+25 421.14X1-0.574 03X2-16.695 6X4

(-1.911 03)(3.306 4)(-0.497 5)(-0.366 14)

R2=0.676， 調整R2=0.629，F=14.614 73，p=0.000a。

可以看出，加入X2(糧食產量)后，可決系數R2有所增加，調整R2略有下降，雖然F值可以通過置信水平為95%的F檢驗(F0.05(3，22)=3.049)，但X2的參數估計值與表2中的不符，所以在模型中略去X2。

繼續加入X3，并重復上述過程，得

Y=-7 798.89+20 501.73X1-0.106 5X3-69.705 6X4

(-0.996 9)(2.493 3)(-1.164 78)

(-1.035 39)

R2=0.692 2， 調整R2=0.648，F=15.743 12，p=0.000a。

可以看出，在加入X3后，可決系數R2有所增加，調整R2略有減少，雖然F值可以通過置信水平為95%的F檢驗(F0.05(3，22)=3.049)，但同樣X3參數估計值的符號不正確，所以在模型中略去X3。

繼續加入X5，并重復上述過程，得

Y=-9 422.84+21 436.16X1-50.917 1X4-0.251 41X5

(-1.218 21)(2.567 6)(-0.783 95)

(-0.886 1)

R2=0.684 1， 調整R2=0.639，F=15.161 6，p=0.000a。

可以看出，在加入X5后，可決系數R2有所增加，調整R2有所減少，雖然F值可以通過置信水平為95%的F檢驗(F0.05(3，22)=3.049)，但同樣X5參數估計值的符號不正確，所以在模型中略去X5。

綜上所述，得到Y的最終回歸方程為

Y=-13 730.9+24 738.15X1-2.609 5X4

2 結果與分析

目前以影響因素為對象的研究方法主要有灰色預測模型、地理加權回歸模型和多元回歸分析等方法[5-10]。圍繞農業機械總動力增長影響因素，前人開展了許多研究，鞠金艷等[11]針對農機總動力增長影響因素進行分析得出，政府投入、勞均(每個勞動力)播種面積、燃料價格指數對農機總動力增長影響因素最大，農民人均純收入、農業人均產值和文化程度比例對農機總動力增長波動不產生影響。張雄一等[12]以2000—2017年中國9大農業區農業機械總動力為研究對象，得出農業機械總動力與第一產業增加值變化的相關系數為0.735。進一步說明不同分析方法下，農業機械總動力的變化主要影響因素各不同。

本文從計量的角度對農業機械總動力影響因素進行分析，確定了農業機械總動力與農業機械總動力影響因素之間的相關關系。結果顯示，影響農業機械總動力的主導因素有2個，即種植結構和第一產業就業人員占比。X1和X4通過了顯著性檢驗，模型的修正擬合優度調整R2=0.642 5。說明X1(種植結構)、X4(第一產業就業人員占比)對農業機械總動力的解釋程度為64.25%。其中X1與農業機械總動力的相關系數為24 738.15，說明糧食作物種植面積占總播種面積的比例越大，農業機械總動力值越增加，符合江西省水稻種植大省的實際發展需求。X4與農業機械總動力的相關系數為-2.609 5，說明第一產業就業人員占比越小，農業機械總動力值反而增加，第一產業就業人員占比反映的是從事農業生產勞動人數占社會總人數的比例，占比越低，整個社會經濟水平越發達，要求人們用更少的勞動力投入去養活更多的人口，這就要求投入更多的農機裝備、先進技術去替代勞動力，進而支撐整個國民經濟發展。進一步驗證了農業機械化發展釋放農村勞動力，提高勞動生產率，促進了第一產業人員向第二三產業轉移。

糧食產量與糧食播種面積成正比，表2結果顯示X2與X3的相關性為0.802，與X1的相互影響程度較明顯，說明存在多重共線性，逐步多元回歸分析結果顯示X1(種植結構)對Y的影響更大。農村居民人均可支配收入反映了當地農村家庭的經濟基礎，及對農業生產資料的購買能力。農業正處于生產方式加速轉變的關鍵時期，在國家支農惠農強農政策的引導下，農村居民人均可支配收入越高，理論上越容易釋放農村家庭對農業機械的需求動力，極大地提升農機裝備水平，促進農業機械化發展。回歸分析的結果顯示，X3與Y呈正比，驗證了理論結果，但逐步回歸分析的結果顯示，略去X3對模型的結果影響不大，說明農村居民可支配收入增高，并不絕對影響農業機械總動力。江西省財政總收入的逐年增加反應了江西省近25年經濟發展水平，但財政總收入水平的提升對農業機械總動力的影響程度一般。

3 結論

(1)經過25年的發展，江西省農業機械化水平不斷提高，農業機械總動力自2003年后也成顯著增長趨勢。逐步多元回歸結果顯示，種植結構和第一產業就業人員占比是影響江西省農業機械總動力變化的主要因素。江西省農業機械總動力變化與農民人均可支配收入及省財政收入的相關性一般，線性分析結果顯示可能會影響農業機械總動力的變化，但影響程度不明顯。

(2)雖然農業機械總動力是衡量農業機械化水平的重要組成部分，但其不能完全代表地方農業機械化水平。其影響因素眾多，在江西省“雙改單”情況下，應持續關注糧食種植面積占總農作物播種面積的比值，穩定糧食播種面積。同時，下一步還應綜合考慮政策因素、技術因素對農業機械總動力的影響，從而為進一步因地制宜制定合理的補貼政策、創造良好的耕作環境等提供科學依據。