基于典范對應分析的郴州市農業機械化發展研究*

劉志麗，周鐵軍

(湖南農業大學信息與智能科學技術學院，長沙市，410128)

0 引言

我國是一個農業大國，農業在國民經濟發展中占據非常重要的地位。步入21世紀之后，隨著經濟的高速增長和科學技術水平的持續提升，農業機械化已成為我國現代農業發展的必然趨勢[1]。我國農業機械在研發、設計等領域的發展過程中逐漸形成了較為成熟的體系，但還存在農業機械化總體水平不高、發展不均衡、農機品類不完善和農機費用高等問題。

近些年來，許多學者對農業機械化的發展水平進行了大量研究[2-5]。在分析農業機械化發展以及與其驅動因素的關系時，多數采用層次分析法、灰色關聯分析法等分析方法，大部分基于變量之間的線性關系來進行探討。當有變量之間的交互作用時，線性分析將變得十分局限[6]。典范對應分析(Canonical Correspondence Analysis，CCA)是基于單峰模型的非線性排序方法，它將樣方排序與對象排序對應分析，然后將樣方排序的值與環境因子的值用回歸分析的方法結合起來，典范對應分析可將樣方排序、對象排序及環境因子排序表示在一個圖上，從而能夠直觀地看出它們之間的關系。

目前，國內外學者主要運用典范對應分析來分析物種與環境變量的關系[7-10]，主要研究動植物與水土營養物質、地理位置等環境因子的關系。部分學者用典范對應分析來研究土地利用與社會經濟投入的關系[11-12]，另有少量學者用典范對應分析來研究旅游從業者與其旅游環境認知水平以及旅游影響認知水平的關系[13-14]，但鮮有學者用典范對應分析來進行農業機械化水平與影響農業機械化發展因子之間關系的研究。本文基于典范對應分析基本原理，選取郴州市2017年農機發展數據，探索性地采用典范對應分析方法研究郴州市農業機械化發展的空間差異，選取郴州市各縣(市、區)作為研究樣方，把影響農業機械化發展的相關因子作為解釋變量，農業機械化發展水平作為響應變量，分析郴州市農業機械化發展格局及驅動因素，結合分析結果對郴州市農業機械化發展現狀做出綜合評價并提出相關建議。

1 研究區概況和數據來源

1.1 研究區概況

郴州市位于湖南省東南部，地理坐標東經112°13′～114°14′，北緯24°53′～26°50′，占地總面積為1 938.8 khm2，地處南嶺山脈與羅霄山脈交錯、長江水系與珠江水系分流的地帶，境內地貌以山地、丘陵為主，約占總面積的四分之三。氣候為典型的亞熱帶季風濕潤氣候，表現出向南亞熱帶、熱帶過渡的特征。下設北湖區、蘇仙區、桂陽縣和宜章縣等11個縣級行政區。全市的糧食播種面積為323.5 khm2，農產品以稻米、蔬菜、水果、茶葉和油茶等為主。

1.2 數據來源與指標選取

本研究所采用的數據來自2018年《郴州統計年鑒》以及郴州市農業局。在前人研究的基礎上，確保綜合評價的有效性，并堅持系統性、綜合性等原則，選取該市11個縣(市、區)與農業機械化相關的數據作為研究出發點。主要考慮反映農業機械化發展水平和影響農業機械化發展的相關指標，表1中列出了9個變量用于評價郴州市農業機械化發展水平，其中機耕水平、機播水平、機收水平反映了農機作業化水平，單位播種面積農機總動力和農機維修廠及維修點數體現了農機綜合保障能力，單位耕地面積的農業機械數是農業機械化發展水平的直接體現。

表1 農業機械化發展水平變量Tab. 1 Variables of agricultural mechanization development level

影響農業機械化發展的相關指標(以下稱為影響因子)如表2所示。其中，耕地類型的計算方式為：水田面積/旱田面積，農業種植結構的計算方式為：最大農作物(水稻)播種面積/農作物播種面積，農村勞動力轉移率的計算方式為：(農村從業人員數-農業從業人員數)/農村從業人員數，農機人員受教育程度的計算方式為：鄉村農機從業人員數/鄉村農機從業人員初中以上學歷人數。

表2 影響農業機械化發展的因子及其膨脹因子Tab. 2 Indicators affecting the development of agricultural mechanization and their inflation factors

在所有影響因子指標中，耕地面積為農業機械化[15]的必要條件；農機人員受教育程度是農業機械化的發展條件；經濟為農業機械化發展的原動力[16]；勞動力為農業機械化發展起推動作用。將農業機械化發展水平變量作為物種變量，影響農業機械化發展的因子作為環境變量，應用國際標準軟件CANOCO4.5對農業機械化指標數據與相關影響因子指標數據進行分析，并采用CANOCODRAW4.5繪出典范對應分析排序圖，以分析農業機械化指標數據與相關影響因子指標間的關系。

2 研究方法

典范對應分析是在對應分析(Correspondence analysis，CA)的基礎上發展而來的。在典范對應分析中，通常需要兩種數據，一組稱為環境數據(解釋變量)，另一組稱為物種數據(響應變量)。它通過將樣方排序與物種排序對應分析，在排序的過程中結合多個環境因子，把樣方、物種與環境因子的排序結果表示在同一排序圖上，來直觀地分析樣方之間、物種之間及樣方與環境因子之間的關系，用數學公式表達為

(1)

式中:xi——第i個樣方的得分；

b0——截距；

bj——樣方與第j個環境因子之間的回歸系數；

q——環境因子數；

zi j——第j個環境因子在i個樣方中的觀測值。

具體算法過程如下。

假設物種矩陣Y={yi k}，大小為n×m，yi k為物種k在樣方i處的值，y+k為物種總數，yi+為樣方總數。

1) 給定一組任意但不相等的初始樣方得分xi。

2) 通過樣方得分的加權平均來計算物種得分uk

(2)

式中：λ——特征值，在此步驟中λ=1；

uk——物種最優值。

3) 通過物種得分的加權平均來計算新的樣方得分。

(3)

4) 通過對環境變量與樣方得分的加權多元回歸來獲得回歸系數，其中權重為樣方總數yi+。

b=(ZTRZ)-1ZTRx*

(4)

式中：b——回歸系數，b=(b0，b1，…，bq)T；

R——以yi+為對角元素的n×n對角矩陣；

Z——n×(q+1)的包含環境數據和一列1的數據矩陣，Z={zi j}。

5) 通過式(1)來計算新的樣方得分，新的樣方得分實際上是前一步回歸的擬合值。

6) 中心化并標準化樣方得分，即使樣方得分xi滿足

(5)

當新的樣方得分和前一次迭代的樣方得分足夠接近時，停止迭代，否則回到步驟2。在求第二排序軸時，大部分步驟與求第一排序軸的步驟相同，只是存在些許差異，具體過程參考文獻[17]。

3 結果分析

3.1 影響因子間相關分析

影響因子的方差膨脹因子(表2)最大只有2.181 1，遠遠小于10，反映它們之間不存在多重共線性現象。

另外6個影響因子的相關系數如表3所示，除了影響因子X5與X6之間相關系數弱微大于臨界值外，其它相關關系都不顯著。因此本文選取的影響因子是適宜做典范對應分析的。

表3 影響因子加權相關矩陣Tab. 3 Weighted correlation matrix of affecting indicators

3.2 影響因子與排序軸的相關分析

根據典范對應分析結果，選取前4個排序軸來進行分析，前4個排序軸的排序總慣量為0.544，每個軸的特征值及其在農業機械化發展指標與影響因子關系的累計方差貢獻率如表4所示。前4個排序軸累計方差貢獻率為64.1%，且前兩個排序軸累計方差貢獻率也有50.8%，表明前兩個排序軸聚集了排序軸所反映的農業機械化發展指標與影響因子之間相關關系的一半以上的信息。因此可以判定，典范對應分析結果能較好地解釋農業機械化發展與相關影響因子之間的關系。

表4 排序軸的特征值及累計方差貢獻率Tab. 4 Eigenvalues and cumulative variance contribution rates of the ordination axes

選取前兩個排序軸作排序圖，具體結果如圖1所示，它以二維平面圖的形式直觀地展示了郴州市各縣(市、區)(圓點“○”)、農業機械化發展指標(三角形“△”)和相關影響因子(箭頭)之間的對應關系。

圖1 典范對應分析排序結果Fig. 1 Ordination diagram of canonical correspondence analysis

影響因子與排序軸之間的夾角代表它們之間的相關性，一般認為小于90°為正相關，大于90°為負相關。從圖1可以知道，第一軸與X3(耕地面積)、X4(農業種植結構)及X5(農村勞動力轉移率)正相關，而第二軸與X3(耕地面積)、X4(農業種植結構)及X6(農機人員受教育程度)正相關。因此，圖1直觀地反映了影響因子與排序軸之間的相關性。

所有影響因子與前4個排序軸的相關性大小如表5所示。從表5中可以看出，第一排序軸與X4(農業種植結構)的正相關性最大，相關系數為0.649 5，其次是X3(耕地面積)。第二排序軸和X6(農機人員受教育程度)呈現最大正相關性，與X4的相關系數也達到了0.458 0，但小于第一排序軸與X4的相關系數。第三排序軸和X5(農村勞動力轉移率)具有最大正相關關系。第四排序軸和X2(耕地類型)正相關性最大。所以可以把第一排序軸解釋為農業基礎條件，第二排序軸解釋成農機人員受教育程度，第三排序軸可解釋為農村勞動力轉移，而第四排序軸主要反映耕地類型。

表5 影響因子與排序軸的相關系數Tab. 5 Correlation between the influence factors and the ordination axes

3.3 各縣(市、區)農業機械化發展水平分析

根據9個農業機械化指標的分布，從圖1可以直觀地看出11個縣(市、區)可以分為外圍和中心兩組，外圍組有北湖區、桂東縣、安仁縣、資興縣、永興縣和汝城縣6個縣，這6個縣(區)附近沒有分布農業機械化指標點，表明它們的農業機械化綜合發展水平比較低，而其它5個縣(市、區)周圍分布了所有的農業機械化指標點，表明它們的農業機械化綜合發展水平比較靠前。離嘉禾縣最近的農業機械化指標是Y6(單位耕地面積擁有農機人員數)與Y7(單位耕地面積擁有小型拖拉機數)，而農業機械化指標Y2(機播水平)、Y8(單位耕地面積擁有大中型拖拉機數)離它最遠，表明嘉禾縣在單位耕地面積擁有農機人員數和小型拖拉機數上數量最多，但在機播水平及大型拖拉機發展不足。離臨武縣最近的農業機械化指標是Y4(單位播種面積農機總動力)，其次是Y6(單位耕地面積擁有農機人員數)與Y7(單位耕地面積擁有小型拖拉機數)，說明該縣擁有單位播種面積最高農機動力。離宜章縣最近的農業機械化指標是Y5(農機維修廠及維修點數)，其次是Y1(機耕水平)、Y3(機收水平)與Y2(機播水平)，說明該縣擁有最多的農機維修廠及維修點數，同時在機耕、機收、機播水平方面也發展最好。蘇仙區與桂陽縣這兩個地區周圍分布的農業機械化指標點相對遠一些，在中心組5個縣中發展水平低一些。農業機械化發展指標Y8(單位耕地面積擁有大中型拖拉機數)及Y9(單位耕地面積擁有耕整機數)離各個縣(市、區)都比較遠，反映了整個郴州市在單位耕地面積上擁有的大中型拖拉機數及耕整機數都低，這與大型拖拉機及耕整機在該市的適應性及當地經濟發展水平有關。

為了更加細致地區分郴州市各縣(市、區)農業機械化發展差異，下面基于距離利用系統聚類分析方法進一步細化。考慮到圓點之間的距離表示農業機械化發展的相似程度，這種距離可以通過典范對應分析計算得到的每個縣(市、區)在多個排序軸上的坐標來計算。本文選取前4個坐標軸數據作為特征數據，并以每個軸的方差貢獻率作為權，對11個縣(市、區)進行加權距離聚類分析，獲得系統聚類結果如圖2所示。從圖2可以看出，如果取分類標準在0.85附近，可以將11個縣(市、區)分成6組，第一組有北湖區，第二組含桂東縣，第三組是安仁縣，第四組是宜章縣，第五組含資興市和永興縣，其余5個縣(市、區)為第六組。同時從圖2也可以發現蘇仙區與桂陽縣，嘉禾縣與臨武縣在農業機械化發展水平上非常接近。注意到這里是以四個排序軸的方差貢獻率為權進行加權距離分類的，所以這種聚類結果更多地反映了在水平方向軸上的梯度差異，這點可以通過比較圖1與圖2直觀地發現。如果圖2中取分類標準為1，在圖1水平方向上北湖區與安仁縣位于最左最右，它們在圖2中各為一類，但同在外圍的汝城縣、資興市和永興縣并沒有單獨分組。但如果在圖2中取分類標準為0.85，則原在外圍的資興縣和永興縣合為一組，而圖1中最上方的汝城縣和桂陽縣、蘇仙區合為一組。這表明相較于其它三個發展較好的縣區，蘇仙區、桂陽縣農業機械化發展水平還是靠后，這與圖1中它們附近沒有比較接近的農業機械化發展指標是一致的。這種系統聚類和前面依據圖1的分類有一個不一致的結果是它把宜章縣單列出來，這與系統聚類基于加權距離有關

上面兩種分類結果，第一種主要分類依據是農業機械化發展指標，而第二種主要分類依據是加權排序軸坐標。綜合上述兩種分類結果，本文可以將11個縣(市、區)按農業機械化發展水平高低分為6組：第一組北湖區，第二組桂東縣，第三組安仁縣，第四組資興市、永興縣，第五組汝城縣、桂陽縣、蘇仙區，第六組宜章縣、臨武縣、嘉禾縣。這樣就將由第一種分類方法得到的外圍組中的6個縣(區)再按第一、二排序軸梯度排成5組。

圖2 基于前4個排序軸的縣(市、區)系統聚類Fig. 2 System clustering for counties (cities, districts) based on the first four ordination axes

同時可以發現農業機械化發展水平與地方GDP關系不顯著。像北湖區盡管2018年GDP全市排名第一，但由于其城鎮化率80.67%，第一產業只占2.6%，其農業機械化發展水平處在最后。而像臨武、嘉禾盡管GDP排名靠后(位列第7和第8)但其農業機械化發展水平最好。

對比郴州市行政區劃，可以發現農業機械化發展水平較高的地區集中在郴州市的西北部，而發展水平較低的地區集中在郴州市的東南部，這與郴州境內地勢自東南向西北傾斜有關，其西部山勢較矮，便于農業機械操作。

3.4 影響因子與農業機械化指標的相關分析

圖1中用來表示影響因子的箭頭長短代表它們對農業機械化發展指標影響的重要性。從圖1可以看出，對農業機械化發展影響最大的因子是X6(農機人員受教育程度)、其次依次為X4(農業種植結構)、X5(農村勞動力轉移率)、X1(農民可支配收入)與X3(耕地面積)，影響最小是X2(耕地類型)。因此耕地類型、耕地面積及農民可支配收入并不是決定因素。從各農業機械化發展指標(“△”)做垂線到代表某一影響因子的帶箭頭的直線，其交點順序表明該因子對各個農業機械化發展指標的影響大小順序，或更準確地說，它們以直觀的方式表示農業機械化發展指標的加權平均值與該因子的相對值。例如，在X6(農機人員受教育程度)這一影響因子上，對各農業機械化指標的影響順序是Y7>Y6>Y4>Y8>Y9>Y3>Y2>Y1>Y5，這表明農機人員受教育程度對農民購買小型拖拉機影響最大，從事農業機械操作的人員數與他們受教育的程度正相關。在X4(農業種植結構)這一影響因子上，對各農業機械化指標的影響順序是Y2>Y1>Y5>Y3>Y6>Y7>Y4>Y9>Y8，這表明機播、機耕及機收水平受農業種植結構影響最大，而大中型拖拉機數受此因素影響最小。在X5(農村勞動力轉移率)影響因子上，對各農業機械化指標的影響順序是Y5>Y9>Y1>Y8>Y2>Y3>Y4>Y7>Y6，這表明農機維修廠及維修點數及單位耕地面積擁有耕整機數受農村勞動力轉移影響最大，這是因為隨著農村勞動力離開農村，農業生產需要更多的農業機械服務，從而促進了農機維修廠及維修點數及單位耕地面積擁有耕整機數的增加。而在X1(農民可支配收入)這一影響因子上，對各農業機械化指標的影響順序是Y8>Y9>Y4>Y3>Y5>Y7>Y1>Y6>Y2，當中Y8(單位耕地面積擁有大中型拖拉機數)的加權平均值相對最高，其次是Y9(單位耕地面積擁有耕整機數)與Y4(單位播種面積農機總動力)，但Y2(機播水平)的加權平均值最低，說明農民可支配收入對購買大中型拖拉機、耕整機等的影響最大。

4 結論與建議

4.1 結論

本文運用典范對應分析方法，基于郴州市2017年農機發展數據，分析了郴州市農業機械化發展格局及驅動因素。

1) 典范對應分析中的前4個排序軸的排序總慣量為0.544，且前兩個排序軸累計方差貢獻率有50.8%，前兩個排序軸聚集了排序軸所反映的農業機械化發展指標與影響因子之間相關關系的一半以上的信息，說明典范對應分析能較好地應用于農業機械化發展的研究中，CCA排序分析結果清晰展現了在農業機械化相關影響因素的約束下，郴州市農業機械化發展狀況的分布。

2) 綜合分析結果表明，郴州市各縣(市、區)的農業機械化發展狀況不均衡，北湖區、桂東縣、安仁縣、資興市、永興縣和汝城縣發展相對落后，而宜章縣、臨武縣、嘉禾縣、桂陽縣、蘇仙區發展較好。結合基于加權距離的系統聚類方法，可以對各縣市農業機械化發展水平進行排序，排序結果發現處于東部地勢較高的地區農機發展水平不高，而處于西北部的地勢較低的地區農機發展水平相對靠前。這是在沒有考慮地理因子情形下的排序結果，說明CCA排序結果是可信的。

4.2 建議

1) 因地制宜發展農業機械化。地理因素對農業機械化的發展影響一般難以改善，應該因地制宜開展農業機械化工作，根據當地環境采取適合的措施。例如，郴州市西北部地區應把握好地理優勢，加大農機投入，改進相關政策以吸引農機人才；而受地理因素影響較大的東部地區可從優化產業結構方面入手，優先種植便于機械化作業的農作物，同時改善農村基礎作業環境，修整馬路，為農業機械化發展創造良好條件。

2) 進一步加強經濟發展，增加農民收入。經濟發展狀況對農業機械化發展具有重要影響。因此為了發展農業機械化，無疑應該發展經濟。需要思考的問題是如何通過發展經濟切實增加農民收入，比如在經濟發展的條件下，通過制定合理的農機補貼政策[18]、增強農民購買農業機械的補貼力度等措施，刺激農民購買大中型農業機械的欲望。政府有關部門應該認識到，發展農業機械化，不是一種負擔，它可以促進GDP的提升[19-21]。

3) 優化種植結構，充分利用農村剩余勞動力。耕地面積、農業種植結構、農村勞動力轉移率均對機耕水平、機播水平具有很大影響。說明如果要提高機耕、機播水平，可以從擴大耕地面積、優化農業種植結構這些措施入手。同時在保證農業必需勞動力的同時適當鼓勵農村剩余勞動力從事非農業工作，保持合理的農村勞動力轉移率，能夠深層次地促進農業機械化的發展。文獻[12]同樣也認為農業勞動力轉移對農業機械化進程有顯著促進作用。

4) 提高農村勞動力的教育水平。與文獻[22]認為勞動力受教育程度對農機總動力增長未產生顯著影響結論不同，本文針對郴州市的研究結果表明，農機總動力除了受農民可支配收入影響最大外，也受到勞動力受教育程度的影響。因此在農業機械化發展的過程中，要重視農業人員文化素質的提升，通過完善人才引進制度，吸引更多的優秀青年從事農業機械操作與服務，并定期開展農業從業人員理論知識培訓。

5) 此外，全市都應增強鄉村基礎設施建設；大力發展工業產業，為農機制造奠定堅實基礎，提升農業機械質量；設立高水平的農機服務機構，加強農業機械的宣傳力度，提升農業機械售后服務水平。