基于VAR模型的安徽省粮食产量影响因素的实证研究＊

孙 红，卜乐乐，姚佐文

（安徽农业大学经济管理学院，安徽合肥230036）

基于VAR模型的安徽省粮食产量影响因素的实证研究＊

孙 红，卜乐乐，姚佐文

（安徽农业大学经济管理学院，安徽合肥230036）

自然条件、政策环境、经济因素、技术进步等因素都会影响粮食产量。选取安徽省1990—2012年影响粮食生产的7个因素，最初，使用前向逐步回归分析的方法研究发现，对粮食产量影响较大的因素有粮食成灾面积、有效灌溉面积、化肥施用量3个变量。其次，Johansen协整检验阐释了这3个变量与粮食总产量之间的关系，并构造脉冲响应函数及进行方差分解得出这3个变量对总产量的贡献度为：粮食成灾面积＞化肥施用量＞有效灌溉面积。所以，增强农业工程的防灾减灾效果，提升农田水利基础设施的使用效率，科学控制化肥施用量对提高安徽省粮食综合生产能力具有重大作用。

粮食产量；Johansen检验；脉冲响应函数；方差分解

一、引言

近年来安徽省粮食总产量从2003年的2 214．8万吨增长到2012年的3 289．1万吨，连续10年实现增产，年均增长率达4．56%。作为我国13个粮食主产省之一的安徽省在维护国家粮食安全中的作用不可估量。因此，研究安徽省粮食产量及其影响因素无疑具有重要的现实意义。针对粮食生产的影响因素，国外学者从不同角度进行了研究。一是从自然环境因素角度研究，如Roger、Samapundo、Aggarwal等分别讨论了气候因素、阳光温度及水资源因素、自然灾害因素等因素对粮食产量的不同程度的影响［1－3］。二是从土壤因素角度考虑，如Dobermann通过测算，得出了土壤肥力等因素对大米产量的贡献率［4］。Lal、Mokma、Lowery研究认为，土壤营养成分的流失会影响玉米和大豆的产量［5］。三是从施肥因素角度考虑，如Ladha、Dawe、Pathak在实验研究中发现，仅施用一种肥料会导致农作物减产，但配施氮磷钾有机肥却能保证作物稳产甚至提升产量，且在亚洲稻麦轮作实验中得出，因施肥不当，农作物产量减产严重［6］。四是综合自然、土壤、施肥及其他因素进行研究，如Timsina、Connor分析了土壤肥沃程度、水量、自然灾害等变量对小麦和水稻产量造成的影响［7］。Vyn、Hooker使用定量的方法研究了多种因素和单一因素分别对谷物产量的影响程度［8］。

上世纪90年代以来，国内学者借鉴了国外多种研究方法如柯布－道格拉斯（C—D）生产函数、灰色关联分析法、主成分分析法、因子分析法、协整分析方法、数据包络（DEA）分析法等对粮食产量及其影响因素进行了探究。例如肖海峰、王姣通过构建C—D生产函数，分析得出播种面积、化肥施用量、其他物质投入对粮食综合生产能力的贡献最大［9］。梁子谦、李小军利用SSPS软件，选用因子分析方法，研究分析了各影响因素对我国粮食单位面积产量及粮食总播种面积的影响程度［10］。王赞、李松臣利用主成分分析方法得出影响粮食产量的基础因素，采用协整分析方法发现基础因素及附加因素存在着长期均衡的关系，并通过回归分析认为各因素对粮食生产的影响是相互关联的，唯有把各因素充分利用起来才可保证粮食增产顺利实现［11］。马惠兰等运用灰色关联模型分析了影响粮食产量的主要因素，认为耕地面积、有效灌溉面积、粮食播种面积、耕地质量和粮食单产是粮食生产关联度最大的几个变量，也是维护新疆粮食生产安全的重要前提和基础［12］。肖红波，王济民采用数据包络分析（DEA）方法研究了我国粮食全要素生产率的发展变化，认为保障粮食生产持续增产的关键是加大粮食主产区科技创新强度、促进非粮食主产区粮食科技成果转化、改善全国粮食生产效率［13］。

经上述文献研究发现，国内外相关学者对粮食产量影响因素这一问题的考察因采取的数据及口径有所差别，所以分析的结果存在一定差异。本文在综合分析上述研究成果的基础上，主要选取的是安徽地区粮食产量及其影响因素的样本数据作为考察对象，在数据处理方法上采取的是二次指数平滑法，这样既重视了近期数据的影响又不忽视远期数据的作用，消除时间序列数据的趋势波动和追踪数据的变化，提高了建模精度，从而克服了传统取对数模型的方法对数据放大或缩小带来的误差。在进行自变量选择时运用的是逐步回归法，避免了最小二乘法（OLS）可能带来的数据的多重共线性问题。在建立计量模型时，采用Granger检验，得出各变量具有双向因果关系，而单方程的线性回归无法体现此种联系，因此选择向量自回归（VAR）模型，以减小传统线性回归模型带来的分析偏差，更好的分析影响机理。最后，本文通过构造脉冲响应函数并进行方差分解分析，揭示不同影响因素对粮食产量的贡献度，并提出相关政策建议。

二、数据的收集与变量的选取

影响粮食产量的因素大致可以归结为四个方面：自然条件（气候、土壤、生物因素及播种面积等），政策环境（政策导向、教育宣传、产业扶持和价格支持制度等），经济因素（农业生产资料、劳动力等），科技进步（粮食种植的品种、灌溉条件、栽培技术等）［14］。鉴于粮食产量是由粮食播种面积和粮食单位面积产量决定的，本文旨在分析研究的是影响粮食产量的间接因素，也即是通过影响粮食播种面积和粮食单位面积产量而最终影响粮食产量的因素。因此本文根据各因素对粮食产量影响的程度以及资料的可获得性，结合安徽省粮食生产实际情况，选择可能影响粮食生产的7种因素作为分析对象：X1：粮食成灾面积（千公顷）、X2：农业机械总动力（万千瓦）、X3：农村用电量（亿千瓦时）、X4：粮食生产劳动力人数（万人）、X5：有效灌溉面积（千公顷）、X6：化肥施用量（万吨）、X7：农业产品生产价格指数（上年为100）。我们把上述各影响因素定义为自变量，把粮食产量Y定义为因变量。通过查阅资料收集了安徽省1990—2012年的相关数据，数据统计描述见表1。

表1 农业生产要素指标数据

三、实证检验及结果分析

（一）逐步回归分析

利用Eviews6．0软件，发现这7个因素的相关系数比较高，考虑到它们之间可能存在多重共线性，因此采用单向前进逐步回归法对数据进行处理。首先，在对模型进行逐步回归之前，考虑到数据存在线性趋势，为消除时间序列数据的趋势波动和追踪数据的变化，所以本文选用二次指数平滑法对上述7个自变量进行调整。经调整后的序列用X1sm、X2sm、X3sm、X4sm、X5sm、X6sm、X7sm、Ysm表示。其次，通过单向前进逐步回归法，剔除对粮食产量影响不显著的因素。因此，回归后进入模型的变量包括：粮食成灾面积X1sm、有效灌溉面积X5sm、化肥施用量X6sm，回归方程为：

Ysm＝5049．07－2．177 X1sm＋0．032 X5sm＋0．024 X6sm＋ε

R2＝0．999991，F＝282236．9，DW＝1．93，检验水平都通过了1%的显著性水平检验。从回归结果看，X2sm、X3sm、X4sm、X7sm这几个变量未通过经济意义的检验，因此在回归分析中予以剔除。回归模型表明：粮食产量Y是随着粮食成灾面积X1sm的增加而降低，且随着有效灌溉面积X5sm和化肥施用量X6sm的增加而提高。

（二）序列平稳性检验

由于样本数据是时间序列的数据，为避免模型出现伪回归现象，需对时间序列数据进行平稳性检验。本文选用ADF单位根检验方法对数据进行平稳性检验，根据模型数据的序列形态，这里采取包含截距项与趋势项的检验方式。经检验，时间序列X1sm、X5sm、X6sm、Ysm水平值皆不可拒绝存在单位根的零假设，则它们都是非平稳的，即含有单位根。那么对上述各变量进行一阶差分，发现各变量在1%的显著性水平下拒绝原假设，则所有变量均为一阶单整I（1）数列，符合协整检验的要求。

（三）Johansen协整检验

Johansen协整检验的前提是模型不存在自相关和异方差。因此，可使用Q检验和LM检验进行模型自相关的检验［15］。本文选用的是LM检验（见表2），通过LM检验可知模型不存在自相关。

表2 LM检验

其次，采用White检验可检验模型是否存在异方差。通过White检验（见表3），可得检验统计量的值为9．252，查询χ分布表，χ0．052（9）＝16．910，由于9．252＜16．910，拒绝原假设，模型不存在异方差。因此，整个模型都通过了计量假设检验的前提。

表3 White检验结果

在进行Johansen协整检验前，为了保持合理的自由度使模型参数具有较强的解释力，同时消除误差项的自相关，需确定VAR模型的最优滞后阶数。因此根据LR、FPE、AIC、SC和HQ准则，滞后期P为3时效果最好，确定VAR（3）为最优模型。因而协整检验的VAR模型滞后期为2期。通过上述ADF平稳性检验，可知所有序列都是I（1）序列，满足进行Johansen协整检验的条件，Johansen协整检验结果见表4。

由于所选变量均含有趋势项和截距项，因此选用Johansen协整检验的第四种协整方程进行检验。通过Johansen协整检验，最大特征值检验

和迹检验均在具有1个协整方程时通过5%的置信水平检验，说明粮食产量和各变量之间的协整关系成立，存在长期均衡关系。故标准化的协整关系如下：

Ysm＝－3．029X1sm＋0．070X5sm－0．118X6sm＋ε（1．231） （0．009） （0．022）

表4 Johansen协整检验结果

协整方程反映了粮食产量与各影响因素之间存在着长期均衡关系。长期来看，粮食产量Y与粮食成灾面积X1sm、化肥施用量X6sm具有负向关系，与有效灌溉面积X5sm具有正向关系。粮食成灾面积每增加1个百分点，相应粮食产量将减少3．029个百分点，这与实际情况相符；有效灌溉面积每增加1%，相应粮食产量将增加7%，因此加强安徽省农田水利基础设施建设对保障粮食生产具有重大效用；然而化肥施用量每增加1%，相应粮食产量却减少11．8%，表明安徽省化肥的边际效应已降为负值，所以提高化肥施用量来增加粮食产量已不是可行的途径，因此要科学合理的施肥，加大配方肥施用面积，提高化肥使用率［16］。

（四）Granger因果检验

Granger因果关系检验可确定各变量之间的相互影响关系，并且可验证Johansen协整检验的正确性，实际上是检验一个变量的滞后变量是不是可以引入到其余变量方程中。通过Granger检验（见表5）发现，模型中每个变量都受到了其他变量的滞后影响，所以它们之间互为Granger因果关系，进一步证实了上述结论符合模型最初的假定和经济意义。

（五）脉冲响应函数及方差分解

为了进一步研究粮食产量与影响因素之间的动态关系，下文将采用西姆斯（C．A．Smis）提出的向量自回归（VAR）技术构造脉冲响应函数并进行方差分解分析［17］。

表5 Granger检验

1．脉冲响应函数

图1是在向量自回归（VAR）技术和渐进分析方法共同作用下模拟出来的脉冲响应函数曲线，该响应函数的横轴为追踪期数，纵轴为因变量对解释变量的影响程度，图中的实线部分为响应函数的计算值，另外，设定此响应函数追踪期数为10年。从图1可以观察到粮食产量Ysm受其自身的一个冲击立刻产生较强的正向冲击反应，并且第5期达到最大值，从第5期往后开始下降，最后保持在0．2附近，说明粮食短期产量对长期粮食产量具有不可忽视的影响。粮食成灾面积X1sm对粮食产量Ysm的脉冲响应在前6期有着较强的负向冲击，并在第5期由负值上升为正值，随后又不断的正负波动，直到第9期趋于0。粮食产量Ysm对来自有效灌溉面积X5sm、化肥施用量X6sm的冲击在第一期即产生较大的正向冲击反应，有效灌溉面积X5sm的冲击第3期达到最大值后逐渐降低，在第9期后变为负值。化肥施用量X6sm的脉冲响应在第2期达到最大，之后缓慢下降，第5期至第8期平稳于1．5附近，第9期往后降为负值。可以看出，有效灌溉面积对粮食产量的影响与化肥施用量相类似，但总体冲击强度大于化肥使用量。

2．方差分解

为了更直观具体的研究VAR模型的动态特征，运用方差分解把系统中各内生变量的波动情况按其成因分解为与各方程新息有关的组成部分，模型中内生变量的重要性通过新息体现出来。文章利用Eviews6．0软件获取的方差结果（图2所示）。

可以看出，由于把粮食产量Ysm设为第一因变量，导致其在第1期的贡献率为100%，从第2期开始，粮食产量Ysm对其本身的冲击逐渐下降，第6期后基本稳定在80%左右，说明粮食产量自身的冲击虽逐渐下降，但仍发挥着举足轻重的作用。粮食成灾面积X1sm对粮食产量的贡献率由第2期的3%逐渐上升至第10期的11%左右，可见自然灾害对安徽粮食生产的影响十分显著，所以我们要提高防灾抗灾减灾能力，减少自然灾害对粮食生产的破坏。有效灌溉面积X5sm对粮食产量的贡献率不大，一直保持在2%左右的水平，这是因为受自然灾害和气候变迁等一系列因素的影响，相关的农田水利基础设施未能充分发挥其作用，导致有效灌溉面积的贡献率不高。化肥施用量X6sm的一个结构冲击对粮食总产量的贡献度在第一期上升比较迅速，往后各期渐趋平稳至6%。从目前形势来看，随着化肥工业的发展，农业种植过程中工业化肥施用的量在逐年增加，使得农业生产及种植环境破坏极其严重，从而导致粮食生产减产。因此应大力支持农民施用有机肥料，鼓励政府加大配方肥等的科技投入，着重提高农用化肥的使用效率，进而增加粮食产量。

图1 脉冲响应函数曲线

图2 Ysm的方差分解

四、结论及建议

以上是基于安徽省粮食产量与各影响因素的1990—2012年统计资料的实证分析，检验证明了各变量之间存在相互因果关系，继而构造脉冲响应函数并对影响因素进行方差分解，得出各影响因素对粮食产量的贡献度情况为：粮食成灾面积（X1sm）＞化肥施用量（X6sm）＞有效灌溉面积（X5sm）。当然，影响粮食生产的因素既包括宏观因素又包括微观因素，本文虽分析了影响安徽省粮食产量的主要因素，但制度因素，如政策支持、价格及补贴等因素的影响还需要我们做进一步的深入研究［18］。

针对上述结论，对安徽省粮食生产提出如下建议：

一要进一步加强安徽省农业防灾抗灾减灾工作，保障粮食生产。即进一步加强农业气候变化的监测及科学预测，减少自然灾害对粮食作物的破坏，做好防灾工作；加大农田水渠道管理，增强粮田抗灾害能力，确保农田符合旱涝保收的标准；扩大稳产高产粮田建设面积，加大对中低产田的改造力度，增加单位面积产出率，减少自然灾害对粮田作物的迫害，进而实现粮食稳产增产。

二要进一步加强农田水利基础设施建设，目前，安徽省农田水利基础设施不完善、使用效率低、粮食生产能力弱，因此政府需着重加强农田相关设施的建设，扩大粮田灌溉面积，进而改善农田生产条件。

三要重视科学技术，促使粮食稳产增产。首先针对土地质量，合理施肥，减少化肥的不合理使用对土壤的伤害。其次要加强耕地质量的建设，应鼓励农民发展绿肥、秸秆还田和施用农家肥，扩大土壤有机质。

［1］ROGER W．Implications of Climatic Variability for Food Security in the Southern African Development Community（SADC）［C］．Zimbabwe：Internet Journal for African Studies，1997．

［2］SAMAPUNDO S，DEVLIEGHERE F，MEULENAER B，et al．Predictive Modeling of the Individual and Combined Effect of Water Activity and Temperature on the Radial Growth of Fusarium verticilliodes and proliferatum on Corn［J］．International Journal of Food Microbiology，2005，105：35－52．

［3］AGGARWAL，KALRA N，CHANDER S，et al．Info－Crop：A Dynamic Simulation Model for the Assessment of Crop Yields，Losses Due to Pests，Environmental Impact of Agro－ecosystems in Tropical Environments［J］．Performance of the Model J．Agricultural Systems，2006，89：47－67．

［4］DOBERMANN A．Factors Causing Field Variations of Direct－seeded Flooded Rice［J］．Geoderma，1994，62：125－150．

［5］LAL R，MOKMA D，LOWERY B．Relation between Soil Quality and Soil Erosionpp R．Lai［M］．Soil Quality and Soil Erosion．Boca Raton：CRC Press，1999．

［6］LADHA J K，DAWE D，ATHAK H．How Extensive are Yield Declines in Long－term Rice－wheat Experiments in Asia［J］．Field Crops Research，2003，81：159－180．

［7］TIMSINA J，CONNOR D J．Productivity and Management of Rice——wheat Cropping Systems：Issues and Challenges［J］．Field Crops Research，2001，69：93－132．

［8］VYN T J，HOOKER D C．Assessment Multiple and Single－factor Stress Impacts on Corn［J］．Field Crops Research，2002，75：123－137．

［9］肖海峰，王姣．我国粮食综合生产能力影响因素分析［J］．农业技术经济，2004（6）：45－49．

［10］梁子谦，李小军．影响中国粮食生产的因子分析［J］．农业经济问题，2006（11）：19－22．

［11］王赞，李松臣．我国粮食生产影响因素的研究——基于主成分分析和协整分析［J］．天津大学学报：社会科学版，2009，11（9）：338－402．

［12］马惠兰，刘英杰，孙长平．新疆粮食生产与影响因素分析［J］．农业技术经济，2010（11）：96－99．

［13］肖红波，王济民．新世纪以来我国粮食综合技术效率和全要素生产率分析［J］．农业技术经济，2012（1）：36－46．

［14］王雨濛．湖北省粮食生产灰色关联动态分析［J］．农业技术经济，2011（6）：81－86．

［15］高铁梅．计量经济分析方法与建模——Eviews应用及实例［M］．北京：清华大学出版社，2006：150－152．

［16］林源，马骥．农户粮食生产中化肥施用的经济水平测算——以华北平原小麦种植户为例［J］．农业技术经济，2013（1）：25－31．

［17］孙自保，宋连久，李萍．基于VAR模型的西藏粮食增长趋势分析［J］．软科学，2010（6）：80－84．

［18］吕德宏，闫文收，杨希．农业资金投入渠道对粮食生产能力影响差异性及协作性研究［J］．农业技术经济，2013（6）：106－112．

An Empirical Study on Factors Influencing Anhui Grain Output Based on VAR Model

SUN Hong，BU Le－le，YAO Zuo－wen
（School of Economics and Management，Anhui Agricultural University，Hefei 230036，China）

The factors influencing grain output include natural conditions，policy environment，economy factors，technology progress and so on．The paper selects seven factors based on the data from 1990—2012in Anhui Province，and employs forward stepwise regression analysis to study the main factors influencing grain output．The result indicates that the inundated area of grain，the effective irrigation area and the chemical fertilizer significantly affect the grain output，the relationship between the three variables and the grain output is illustrated by Johansen test，and the contribution degrees are explained by constructing the impulse response functions and the variance decomposition methods．Therefore，to strengthen agricultural disaster prevention and reduction，to improve irrigation and water conservancy construction efficiently and to control the amount of chemical fertilizer scientifically have great impact on improving the overall grain production capability of Anhui Province．

grain output；VAR model；impulse response function；variance decomposition

F301．2

A

1009－2463（2014）04－0043－06

2013－12－31

安徽省软科学研究计划项目（项目编号：1302053038《技术创新链视角下新型农业科技服务体系构建研究）

孙 红（1987－），女，山东枣庄人，安徽农业大学经济管理学院，硕士研究生。

卜乐乐（1986－），男，安徽阜阳人，安徽农业大学经济管理学院，硕士研究生。

姚佐文（1963－），男，安徽枞阳人，安徽农业大学科技处处长，教授，博士。