农机总动力增长波动影响因素分析

鞠金艳，赵　林，王金峰（. 黑龙江科技大学机械工程学院，哈尔滨 500；　. 东北农业大学工程学院，哈尔滨 50030）



农机总动力增长波动影响因素分析

鞠金艳1，赵林1，王金峰2
（1. 黑龙江科技大学机械工程学院，哈尔滨 150022；2. 东北农业大学工程学院，哈尔滨 150030）

摘要：为了明确农机总动力增长波动变化的特征，分析不同因素对农机总动力增长波动影响的大小，进而采取有效的措施来稳定和加快农机总动力增长。针对农机总动力增长波动的复杂性与非线性的特点，采用经验模态分解法对1986－2013年农机总动力增长及其影响因素进行多层次、多尺度分解，得到各本征模态函数分量和趋势量，并采用集对分析理论分析农机总动力增长各本征模态函数分量与其相对应影响因素之间的联系度，进而计算得到各影响因素对农机总动力增长波动的综合影响率。结果表明，政府投入、劳均（每个劳动力）播种面积、燃料价格指数、粮食单产、非农产业的发展和第一产业从业人员数对农机总动力增长波动的综合影响率分别为23.89%、23.73%、23.67%、7.13%、7.41%和14.17%，农民人均纯收入、农业劳均产值、机械化农具价格指数、初中文化以上农村劳动力比例4个影响因素对农机总动力增长波动不产生影响，只对增长趋势量有影响。该研究成果为农业机械化发展政策的调整和制定提供了参考。

关键词：农业机械；信号分析；粮食；农机总动力；经验模态分解法；集对分析；影响因素；综合影响率

鞠金艳，赵林，王金峰. 农机总动力增长波动影响因素分析[J]. 农业工程学报，2016，32（2）：84－91.

Ju Jinyan， Zhao Lin， Wang Jinfeng. Fluctuations influence factors analysis of growth of agricultural machinery total power[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 84－91. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.013http://www.tcsae.org

0　引　言

农机总动力是指用于农、林、牧、渔业的各种动力机械的动力总和[1-2]。农机总动力作为衡量农业机械化发展水平的主要指标，是有关决策部门制定农业机械化发展政策、规划的重要参考依据。农机总动力的增长对加速发展农业机械化，实现农业现代化，全面建设社会主义新农村，保证粮食生产和粮食安全等有重要意义。因此，研究农机总动力增长波动变化的特征及其主要影响因素，对采取有效的措施保障其稳定和快速的增长具有重要的意义。中国农机总动力总量增长速度很快，由1986年的22 950万kW增长到2013年的103 906.8万kW，但与实现农业现代化的发展要求还有一定差距。目前学者主要对农机总动力总量及其主要影响因素进行研究，集中于研究农机总动力总量发展的变化规律预测、空间区域差异及影响因素等[3-6]，采用的方法主要有数据包络分析、灰色预测、小波分析、神经网络及其改进算法等[7-9]。目前尚未有针对农机总动力增长波动的特征，应用经验模态分解法和集对分析法进行增长波动特征及其主要影响因素研究的报道。

农机总动力增长的波动是受政策、自然条件、经济和社会发展等多方面因素共同作用的结果，具有一定的复杂性，波动呈非线性和非平稳性的特点，包含多种时间尺度的变化和局部特征。Huang N.E.提出的经验模态分解法（empirical mode decomposition，EMD）[10-13]，是一种能处理非线性、非平稳信号的谐波分析方法，该方法依据信号的特点逐级进行线性化和平稳化处理，分离出包含原信号不同时间尺度特征信息的波动分量，其中，多个单一时间尺度的波动分量被定义为本征模态函数（intrinsic mode function，IMF），而残余项被定义为趋势量R。与传统的波动测定方法相比，EMD分解法对信号的分解具有客观性和稳定性，既能有效的分解出信号不同的波动特征即本征模态函数，又能真实的提取出信号的发展趋势量，具有明显优势[14-15]。

采用EMD分解法提取1986－2013年农机总动力增长及其影响因素各时间序列不同的IMF分量和趋势量，并确定农机总动力增长各IMF波动分量相对应的影响因素，然后采用集对分析理论（set pair analysis method，SPA）[16-18]，对农机总动力增长波动分量IMF及其相对应的影响因素的不同IMF分量进行同、异、反分析，进而求得在不同时间尺度上各影响因素对农机总动力增长波动的影响程度，得到农机总动力增长波动发展的某些规律和主要影响因素，以期为农业机械化管理部门有针对性的调整和制定农业机械化发展政策、措施等提供参考。

1　农机总动力增长影响因素的选取与数据获得

1.1影响因素的选取

农机总动力增长影响因素的选取直接影响分析结果的准确性，考虑农机总动力增长受政策、自然条件、经济和社会发展水平等多方面因素的影响[6，19-21]，通过调研分析和征询专家意见归纳出以下6个方面的农业生产对农机总动力增长的需求动因，在充分考虑需求动因和指标的可获得性的基础上，提炼出具体指标来分析影响农机总动力增长的主要因素：1）农机总动力的发展变化受政府政策的影响较大，农机购置补贴政策的实施调动了农民购置农业机械的积极性，使农机总动力快速增长，因此政府对购置农业机械的宏观调控引导作用，是农机总动力增长的主要影响因素之一，该因素可通过政府的财政投入指标反映；2）改革开放以来农民的人均纯收入一直呈现增长的趋势，农民收入的增长促进了农民对农业机械的投入不断增加，因此，农民年纯收入是农机总动力增长的主要影响因素之一；3）农村劳动力的大量转移、土地的流转以及现代农业的发展使农业生产进入适度扩大规模阶段，因此，满足农民扩大生产规模、提高生产能力的需求是农机总动力增长的一个重要的影响因素，该因素可通过劳均（每个劳动力）播种面积和第一产业从业人员数2项指标反映；4）农机总动力的增长是提高粮食数量和质量的有效手段，为满足提高粮食数量和质量的需求，保障粮食安全，应加速发展农机总动力，因此，其是影响农机总动力增长的主要影响因素，考虑粮食生产的数量和质量2个方面，该因素可通过粮食单产和农业劳均产值2项指标反映；5）降低农业生产成本的需求，是影响农机总动力增长的一个重要因素，该因素可通过燃料价格指数和机械化农具价格指数2项指标反映；6）改善农民的生活和劳动条件、创造更多的发展机会，使农民对农业机械的需求加大，该因素可通过初中文化以上农村劳动力比例和非农产业的发展2项指标反映。其中，劳均代表每个劳动力；燃料价格指数和机械化农具价格指数分别是指反映燃料价格和机械化农具价格变动趋势的一种相对数，为了研究价格变动长期趋势及其规律，对价格指数统计数据以1985年为基期进行计算得到定基价格指数；非农产业的发展用第二、三产业总产值与地区生产总值的比值来表示。

1.2数据的获得

本文主要使用1986－2013年农机总动力增长及其主要影响因素的相关数据。数据来源为《中国农村统计年鉴》、《中国统计年鉴》、《中国农业发展报告》和《中国农业机械年鉴》等国家相关部门的统计数据及计算得到。

2　农机总动力增长及其影响因素的EMD分解分析

2.1EMD分解方法

EMD分解法的基本原理和计算过程在文献[10]中有详细介绍。EMD分解的基本思想是对非线性波动的数据信号不断的分离出高频分量，直到所有频率成分都被分离出来，得到不同时间尺度的波动分量，即本征模态函数IMF，分解后的剩余项就是信号的趋势量R。每个IMF分量需满足2个条件：1）在整个时间数据序列内，过零点数目与极值点数目相等或至多相差1个；2）由局部极大值和局部极小值分别拟合的上下2条包络线在任意时间点平均值为0。EMD分解法本质是逐级分解数据信号的高频分量，得到满足条件的IMF分量，分解过程如下：

1）找出原始数据信号序列x（t）所有的局部极值点，并用三次样条插值函数分别对局部极大值和局部极小值数据序列进行拟合，形成原始数据信号序列的上包络线eu（t）和下包络线ed（t），上下包络线的均值记为

2）将原始数据信号序列x（t）减去平均包络值ml（t），得到一个新的数据信号序列，记为

3）新的数据信号序列hl，若还存在正的局部极小值和负的局部极大值，则不满足IMF分量的条件，说明新的数据信号序列hl不是一个IMF分量，需要重复步骤1）～3）的筛分过程，直到满足条件为止，最终获得一个IMF分量，该IMF分量的数据序列记为c1（t）。

4）用原始数据信号序列x（t）减去该IMF分量数值c1（t）得到新的数据信号序列r1（t），重复步骤1）～3），筛分出其他的IMF分量，直到残余数值ri（t）是一个趋势量或比预定值小，算法停止。

式中x（t）为原始数据信号序列；eu（t）为上包络线，ed（t）为下包络线，ml（t）为上下包络线的均值；hl（t）为分离各IMF分量过程中产生的新的数据信号序列；ci（t）为分离出的第i个IMF分量的数据序列；ri（t）为分离出i个IMF分量后原始数据的残余数值。

2.2农机总动力增长的EMD分解分析

农机总动力增长受多种因素的共同影响，其增长波动含有多种时间尺度的复杂变化和局部化特征。采用EMD法，应用Matlab软件编程[22-23]，对1986－2013年农机总动力增长时间数据序列进行分解，逐级对其进行线性化和平稳化处理，最终，分离出2个不同时间尺度的波动分量IMF1和IMF2，及1个趋势量R。波动分量IMF反映了农机总动力增长波动的多层次时间尺度和局部化特征，趋势量R反映了各种影响因素所引起的农机总动力增长的长期趋势，分解结果如图1所示。

图1　农机总动力增长及其经验模态分解结果Fig.1　Growth of agricultural machinery total power and its empirical mode decomposition

农机总动力增长EMD分解结果说明：1）IMF1在整个时间尺度波动中波峰波谷均匀出现，是一个时间尺度为4～6 a的波动项，方差贡献率为23.65%，说明该尺度波动带来的农机总动力增减周期性明显，短周期的农机总动力增长波动较普遍发生；2）IMF2分量波动振幅较大，是一个时间尺度为10 a左右的波动，波动时间尺度长，方差贡献率为76.35%，说明该时间尺度的农机总动力增长波动强度较大，但波动不常发生；3）趋势量R的整体发展趋势是不断增长的而且增速很快，但2011年以后增长幅度明显降低，增速放缓，主要与政府土地流转政策改革和农业生产资料价格上涨等关系密切。

2.3农机总动力增长各影响因素的EMD分解分析

采用EMD方法，对1986－2013年农机总动力增长各影响因素时间序列数据进行分解，分别得到各影响因素的经验模态分解结果，如图2～图9所示。

图2　政府财政投入经验模态分解法分解结果Fig.2　Empirical mode decomposition results of government finance investment

图3　粮食单产经验模态分解法分解结果Fig.3　Empirical mode decomposition results of grain yield per hectare

图4　农民人均纯收入和农业劳均产值经验模态分解法分解结果Fig.4　Empirical mode decomposition results of rural per capita net income and agricultural output value per labor

图5　劳均播种面积经验模态分解法分解结果Fig.5　Empirical mode decomposition results of planting area per labor

图6　燃料价格指数经验模态分解法分解结果Fig.6　Empirical mode decomposition results of fuel price index

图7　机械化农具价格指数和初中文化以上农村劳动力比例经验模态分解法分解结果Fig.7　Empirical mode decomposition results of mechanized farming tools price index and proportion of rural labor above junior middle school degree

图8　非农产业的发展经验模态分解法分解结果Fig.8　Empirical mode decomposition results of development of non-agricultural industry

图9　第一产业从业人员数经验模态分解法分解结果Fig.9　Empirical mode decomposition results of first industry practitioners

表1　农机总动力增长各影响因素经验模态分解法分解结果Table 1　Empirical mode decomposition results of influence factors of growth of agricultural machinery total power

由图2～图9可知各影响因素的不同IMF波动分量的波动时间尺度，并计算得到各IMF波动分量的方差贡献率，见表1。

由图2～图9和表1可知，劳均播种面积IMF1、粮食单产IMF1、燃料价格指数IMF1、非农产业的发展IMF1的波动时间尺度均为4～6 a，这与农机总动力增长的波动分量IMF1的时间尺度相同，可认为是影响农机总动力增长波动周期为4～6 a的影响因素；政府投入IMF1、劳均播种面积IMF2、燃料价格指数IMF2及第一产业从业人员数IMF1的波动时间尺度均为10 a左右，与农机总动力增长IMF2的时间尺度相同，可认为是影响农机总动力增长波动周期为10 a左右的影响因素；而农民人均纯收入、农业劳均产值、机械化农具价格指数、初中文化以上农村劳动力比例4项指标1986－2013年数据序列无明显波动现象，基本呈增长趋势，EMD分解后只有趋势量R，没有产生本征模态函数IMF，说明这4个因素不会对农机总动力增长波动产生影响只会对其增长趋势有影响。因此，农机总动力增长趋势量的发展受这4个因素和前述6个因素的趋势量共同影响。

3　农机总动力增长波动影响的SPA分析

运用SPA方法分别对农机总动力增长的2个IMF波动分量及与其相对应的各影响因素不同IMF分量进行同、异、反定量分析，进而求得各影响因素对农机总动力增长波动的综合影响率。SPA方法的基本原理是已知有一定联系的2个集合A和B，对其建立集对，记为H（A，B），并对集对的特性进行同、异、反定量比较分析，得到集合A和B在所论问题背景下的联系度为[16-18，24-26]

式中μA-B为集合A和B的联系度；I为差异度系数，体现了确定性与不确定性之间的相互转换，在区间[−1，1]内取值；J为对立度系数，一般取值为−1；N为集合A和B特性的总个数；S为共有的特性个数；F为有差异性的特性个数；P为相对立的特性个数。

农机总动力增长波动影响的SPA分析步骤如下：

步骤1：将农机总动力增长及其影响因素的各IMF分量按式（5）作无量纲化处理，以消除单位量纲的影响。

式中xkt和Xkt分别为无量纲化前、后的第k条IMF波动分量的第t年值；t为1986到2013年。

步骤2：对无量纲化后各IMF波动分量值Xkt，用第（t＋1）年值减去第t年值可得逐年变化量值

式中∆Xkt为IMF波动分量逐年变化量值

步骤3：对式（6）所得的逐年变化量值ΔXkt，分析可知其均值为0，方差在[−2，2]内取值。将所有IMF波动分量逐年变化量值依据分布均匀原则划分为5个等级，使k·l个数在5个等级分布基本均匀，计算得到5个等级区间值依次分别为[−2， −0.297]、[−0.296， −0.066]、[−0.065，0.119]、[0.120，0.330]和[0.331，2]。

步骤4：根据5个等级区间划分值，计算农机总动力增长2个IMF分量的逐年变化量等级区间值，并将等级值构成集合Ai（i＝1，2），计算农机总动力增长各IMF分量相对应的影响因素的逐年变化量等级区间值，并将等级值构成集合Bij（i＝1，2， j＝1，2，3，4），其中，i为农机总动力增长IMF波动分量数目，j为对应农机总动力增长第i 个IMF波动分量的影响因素波动分量IMF数目。将2个集合 A和B组成集对H（A， B），在集对H（A，B）中称处于同一等级值的为相同，其个数记为S；称相差一个等级值的为差异一，如Ⅰ与Ⅱ、Ⅲ与Ⅱ等，其个数记为F1；称相差 2个等级值的为差异二，如Ⅰ与Ⅲ、Ⅴ与Ⅲ等，其个数记为F2；称相差3个等级值及以上的为对立，如Ⅰ与Ⅳ、Ⅰ与Ⅴ等，其个数记为P。因此，得到集对的联系度

式中μij为集合Ai和集合Bij的联系度；F1为差异一的个数；F2为差异二的个数；I1和I2分别为差异一、差异二的系数；N＝S＋F1＋F2＋P。

根据农机总动力增长各IMF分量及其相对应影响因素的IMF分量等级值，分别找出特性相同、有差异和相对立的数目，通过式（7）的计算，可得农机总动力增长各IMF与相应影响因素IMF分量之间的联系度为

对联系度表达式（8），根据均分原则[24-26]，取I1＝0.5，I2＝−0.5，J＝−1，则可得相应的联系度值为

步骤5：联系度μij的取值范围为[-1，1]，为了规范化计算，对联系度μij的值按式（9）作线性变换，得到相对隶属度值

式中Uij为μij的相对隶属度值，其取值范围为[0，1]。

根据式（9）得到相对隶属度

步骤6：对相对隶属度值Uij，按式（10）进行归一化处理。

式中ηij为影响农机总动力增长第i个IMF波动分量的第 j个影响因素的影响率；n为影响因素的数目。

由式（10）得到农机总动力增长2个IMF分量对应的各影响因素IMF的影响率

步骤7：计算农机总动力增长2个IMF分量分别对应的影响因素各IMF分量的综合影响率βij，求和并规一化处理后，可求得各影响因素对农机总动力增长波动的综合影响率。

为说明βij的计算方法，以劳均播种面积IMF1 的综合影响率计算为例，劳均播种面积IMF1的综合影响率＝劳均播种面积IMF1的影响率×劳均播种面积IMF1的方差贡献率×农机总动力增长IMF1的方差贡献率，同理，可计算得到农机总动力增长2个IMF波动分量对应的各影响因素IMF的综合影响率βij，计算结果见表2。

表2　农机总动力增长各IMF波动分量对应影响因素IMF分量的综合影响率Table 2　Comprehensive effect rates between fluctuation component IMF of growth of agricultural machinery total power and its influence factors

对表2中各IMF波动分量的综合影响率βij，求和并规一化处理后，可求得政府投入、劳均播种面积、燃料价格指数对农机总动力增长波动的综合影响率较高，分别为23.89%、23.73%、23.67%，是影响农机总动力增长波动的主要因素；第一产业从业人员数、粮食单产和非农产业的发展对农机总动力增长波动的综合影响率稍低，分别为14.17%、7.13%、7.41%。

分析结果表明：政府财政投入是影响农机总动力增长波动的最主要因素，并且政府财政投入政策对农机总动力增长长期波动的影响较大，可见，积极加大力度推进农机购置补贴政策，实施改革创新，是农业机械化发展最直接的外部推动力，因此，实施的农机购置补贴政策与当前农业机械化发展要求是相符的；劳均播种面积也是影响农机总动力增长波动的重要因素之一，它对农机总动力增长短期波动的影响不明显，主要是长期波动的影响较大，劳均播种面积的增长主要是由于农村劳动力的转移，劳均负担的播种面积扩大，为减轻劳动强度，降低生产成本，就成为农业机械化发展最重要的内生源动力，因此，政府采取的一系列的政策措施，如加强劳务市场管理，大力发展劳务中介组织等，加强农村劳动力转移的引导作用，以促进农村剩余劳动力快速有序流转，是适应当前农业机械化发展的重要举措；第一产业从业人员数的减少是影响农机总动力增长波动性的重要因素，但是综合影响率要远低于劳均播种面积，可知不仅要有效的促进劳动力的转移更重要的是土地经营的规模化和集约化，增大劳均负担的耕地面积，因此提出农村土地流转、农民股份合作等改革政策，促进土地的规模化经营，是有效发展农业机械化的根本。燃料价格指数对农机总动力增长波动性影响较大，主要是因为燃料成本是农业机械成本的重要组成部分，燃料价格的上涨，必然增加农业机械作业的成本，导致农民投资增大，收益变小，为稳定农业机械化的发展，根据2004年开始施行的《中华人民共和国农业机械化促进法》规定，“国家根据农业和农村经济发展的需要，对农业机械的农业生产作业用燃油安排财政补贴”。因此，燃料价格指数是影响农机总动力增长波动性的重要因素与实际是相符的。粮食单产和非农产业的发展对农机总动力增长的波动性影响相对较小，主要是对农机总动力增长短期波动产生影响，因此，粮食单产的提高和非农产业的发展会对短期农民购置农业机械的积极性产生影响。本文的分析结果与农业机械化发展实际情况和相关政策是相符的，研究成果为农机总动力增长的定量分析提供了参考。

为稳定农机总动力增长，减少其波动性，应稳定政府财政投入，并科学确定农机购置补贴资金的投入规模，明确农机产品补贴范围、补贴标准等保持相对稳定，以便更好地发挥购机补贴政策的宏观调控作用；同时稳定燃料价格和提高粮食单产，以保持农民购置农业机械的积极性；加快农村劳动力转移政策和土地流转政策，增加劳动力的人均播种面积，发展农业适度规模经营，以实现农业机械化的可持续发展；加快推进非农产业的发展以改善农民的生活和创造更多的发展就业机会，减少对农机总动力增长短期波动的影响。

4　结　论

1）应用经验模态分解法对1986－2013年农机总动力增长及其影响因素进行分解，分别得到各时间数据序列的波动变化特征。通过分析各本征模态函数（intrinsic mode function，IMF）分量，分别得到影响农机总动力增长波动时间尺度为4～6 a和10 a左右的主要因素，并得到只对农机总动力增长的趋势产生影响，并未对其增长的波动产生影响的因素。农机总动力增长波动分量IMF1的方差贡献率为23.65%，IMF2的方差贡献率为76.35%，可见长时间尺度波动的影响因素对农机总动力增长波动的影响较大。

2）运用集对分析理论，分析了农机总动力增长各IMF分量与其相对应各影响因素之间的联系度，求得各影响因素对农机总动力增长波动的综合影响率，得出政府投入、劳均播种面积、燃料价格指数、粮食单产、非农产业的发展、第一产业从业人员数的综合影响率分别为23.89%、23.73%、23.67%、7.13%、7.41%及14.17%。综合影响率的大小反映各因素对农机总动力增长波动的影响程度。

3）构建的基于经验模态分解和集对分析的农机总动力增长波动影响因素分析模型，可确定农机总动力增长波动的特征及其主要影响因素，为农机总动力增长的定量分析提供了参考。

[参考文献]

[1] 刘静，朱达荣. 考虑自变及因变影响的农机总动力组合预测模型[J]. 农机化研究，2015，37（4）：230－236. Liu Jing， Zhu Darong. Combined prediction model of agricultural machinery total power based on independent and dependent variables[J]. Journal of Agricultural Mechanization Research， 2015， 37（4）: 230－236. （in Chinese with English abstract）

[2] 鞠金艳，王金武，王金峰. 基于BP神经网络的农机总动力组合预测方法[J]. 农业机械学报，2010，41（6）：87－92. Ju Jinyan， Wang Jinwu， Wang Jinfeng. Combined prediction method of total power of agricultural machinery based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（6）: 87－92. （in Chinese with English abstract）

[3] 朱荣胜，王福林. 黑龙江省农机总动力趋势包络预测与分析[J]. 东北农业大学学报，2006，37（4）：512－515. Zhu Rongsheng， Wang Fulin. Trend envelopes predict and analysis of Heilongjiang province agriculture machinery total power[J]. Journal of Northeast Agricultural University， 2006，37（4）: 512－515. （in Chinese with English abstract）

[4] 朱瑞祥，黄玉祥，杨晓辉. 用灰色神经网络组合模型预测农机总动力发展[J]. 农业工程学报，2006，22（2）：107－110. Zhu Ruixiang， Huang Yuxiang， Yang Xiaohui. Method for estimating total power of agricultural machinery based on mixed grey neural network[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE），2006， 22 （2）: 107 －110. （in Chinese with English abstract）

[5] 孙云鹏. 1978年以来中国农机总动力时空差异和结构变化分析[J]. 农机化研究，2011，33（5）：1－5. SunYunpeng. Regional and timing disparity and structural change analysis of Chinese agricultural machinery total power since 1978[J]. Journal of Agricultural Mechanization Research， 2011， 33（5）: 1－5. （in Chinese with English abstract）

[6] 鞠金艳，王金武. 黑龙江省农业机械化发展关键影响因素分析[J]. 农机化研究，2014，36（2）：60－63. Ju Jinyan， Wang Jinwu. Analysis of key influencing factors for Heilongjiang agricultural mechanization development[J]. Journal of Agricultural Mechanization Research， 2014， 36（2）: 60－63. （in Chinese with English abstract）

[7] 戴立勋，魏宏安. 甘肃省农业机械化影响因素的量化分析[J].中国农机化，2010（4）：24－28，32. Dai Lixun，Wei Hong′an. Analysis on influencing factors of Gansu agricultural mechanization[J].Chinese Agricultural Mechanization， 2010（4）: 24－28， 32. （in Chinese with English abstract）

[8] 李红，周浩. 农机购置投入结构与农机总动力增长的关系分析[J]. 中国农机化学报，2013，34（3）：30－37，41. Li Hong， Zhou Hao. Analysis on the relation between input structure for purchasing agricultural machines and agricultural machines power[J]. Journal of Chinese Agricultural Mechanization，2013， 34（3）: 30－37， 41. （in Chinese with English abstract）

[9] 张淑娟，赵飞. 基于Shapley值的农机总动力组合预测方法[J]. 农业机械学报，2008，39（5）：60－64. Zhang Shujuan， Zhao Fei. Combinatorial forecast of agricultural machinery total power based on Shapley value[J]. Transactions of the Chinese Society for Agricultural Machinery， 2008， 39（5）: 60－64. （in Chinese with English abstract）

[10] Huang N E， Shen Z， Long S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proc R Soc Land A，1998， 454: 899－955.

[11] Lei Polei ， Shang Lizen ， Wu Yute ， et al. Single-trial analysis of cortical oscillatory activities during voluntary movements using empirical mode decomposition （EMD）-based spatiotemporal approach[J]. Annals of Biomedical Engineering， 2009， 37（8）: 1683－1700.

[12] Huang N E， Wu M C， Long S R， et al. A confidence limit for the empirical mode decomposition and Hilbert spectral analysis[J]. Proceedings of the Royal Society of London，Series A， 2003， 459: 2317－2354.

[13] 冯平，丁志宏，韩瑞光. 基于 EMD 的洮河年径流量变化多时间尺度分析[J]. 干旱区资源与环境，2008，22（12）：73－76. Feng Ping， Ding Zhihong， Han Ruiguang. Time-scale analysis on annual runoff time series of the Taohe river based on EMD[J]. Journal of Arid Land Resources and Environment， 2008， 22（12）: 73－76. （in Chinese with English abstract）

[14] 蒋尚明，金菊良，许 浒，等. 基于经验模态分解和集对分析的粮食单产波动影响分析[J]. 农业工程学报，2013，29（4）：213－221. Jiang Shangming， Jin Juliang， Xu Hu， et al. Fluctuations effect analysis of grain yield per hectare based on empirical mode decomposition and set pair analysis[J]. Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）， 2013， 29（4）: 213－221. （in Chinese with English abstract）

[15] 刘忠，黄峰，李保国. 基于经验模态分解的中国粮食单产波动特征及影响因素[J]. 农业工程学报，2015，31（2）：7－13. Liu Zhong， Huang Feng， Li Baoguo. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode decomposition[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2015， 31（2）: 7－13. （in Chinese with English abstract）

[16] 张金萍，丁志宏. 基于集对分析的泾河河川径流多时间尺度变化研究[J]. 干旱区资源与环境，2014，28（5）：176－179. Zhang Jinping， Ding Zhihong. Fluctuations of runoff in multi-time scales based on set pair analysis[J]. Journal of Arid Land Resources and Environment， 2014， 28（5）: 176－179. （in Chinese with English abstract）

[17] Wang Wensheng， Jin Juliang， Ding Jing， et al. A new approach to water resources system assessment-set pair analysis method[J]. Science China Technological Sciences，2009， 52（10）: 3017－3023.

[18] 白桦，杨筱筱，鲁向晖，等. 基于集对分析的赣江中上游流域汛、枯水期分期研究[J]. 水文，2014，34（3）：43－47. Bai Hua， Yang Xiaoxiao， Lu Xianghui， et al. Flood and drought season division based on set pair analysis for middle and upper reaches of Ganjiang river[J]. Journal of China Hydrology， 2014， 34（3）: 43－47. （in Chinese with English abstract）

[19] 杨敏丽，白人朴. 农业机械总动力与影响因素关系分析[J].农机化研究，2004，26（6）：45－47. Yang Minli， Bai Renpu. Analysis on the relationship between agricultural machinery gross power and influence factors[J]. Journal of Agricultural Mechanization Research， 2004， 26（6）: 45－47. （in Chinese with English abstract）

[20] 何政道，何瑞银. 农业机械总动力及其影响因素的时间序列分析[J]. 中国农机化，2010（1）：20－24. He Zhengdao， He Ruiyin. Analysis on the relationship between gross power of agricultural machinery and key influencing factors based on time series analysis[J]. Chinese Agricultural Mechanization， 2010（1）: 20－24. （in Chinese with English abstract）

[21] 卢秉福，张祖立，朱明，等. 农业机械化发展关键影响因素的辨识与分析[J]. 农业工程学报，2008，24（11）：114－117. Lu Bingfu， Zhang Zuli， Zhu Ming， et al. Discrimination and analysis of key influencing factors for agricultural mechanization development[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2008， 24（11）: 114－117. （in Chinese with English abstract）

[22] 陈艳艳，朱跃华，王振报，等. 基于MATLAB神经网络工具箱的公交出行比例预测[J]. 北京工业大学学报，2008，34（2）：173－177. Chen Yanyan， Zhu Yuehua， Wang Zhenbao， et al. Forecasting the proportion of transit trips based on neural network toolbox in matlab[J]. Journal of Beijing University of Technology， 2008， 34（2）: 173－177. （in Chinese with English abstract）

[23] 付瑶，王红军，吴国新. EMD信号处理方法在LabVIEW 和MATLAB中的实现[J]. 北京机械工业学院学报，2008，23（2）：23－27.Fu Yao， Wang Hongjun， Wu Guoxin. Realization of EMD signal processing method in LabVIEW and MATLAB[J]. Journal of Beijing Institute of Machinery， 2008， 23（2）: 23－27. （in Chinese with English abstract）

[24] 朱兵，王文圣，王红芳，等. 集对分析中差异不确定系数i的探讨[J]. 四川大学学报：工程科学版，2008，40（1）：5－9. Zhu Bing， Wang Wensheng， Wang Hongfang， et al. Probe on variation uncertainty coefficient i in set pair analysis[J]. Journal of Sichuan University: Engineering Science， 2008，40（1）: 5－9. （in Chinese with English abstract）

[25] Klionsky D M， Oreshko N I， Geppener V V. Empirical mode decomposition in segmentation and clustering of slowly and fast changing non- stationary signals[J]. Pattern Recognition and Image Analysis， 2009， 19（1）: 14－29.

[26] 郭燕红，邵东国，刘玉龙，等. 工程建设效果后评价博弈论集对分析模型的建立与应用[J]. 农业工程学报，2015，31（9）：5－12.

·农业水土工程·

Guo Yanhong， Shao Dongguo， Liu Yulong， et al. Establishment and application of set pair analysis model based on game theory for post-assessment of project construction effectiveness[J].Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2015， 31（9）: 5－12. （in Chinese with English abstract）

Fluctuations influence factors analysis of growth of agricultural machinery total power

Ju Jinyan1, Zhao Lin1, Wang Jinfeng2
（1. College of Mechɑnicɑl Engineering， Heilongjiɑng University of Science ɑnd Technology， Hɑrbin 150022， Chinɑ; 2. College of Engineering， Northeɑst Agriculturɑl University， Hɑrbin 150030， Chinɑ）

Abstract:As the main indicator to measure the development level of agricultural mechanization， total power of agricultural machinery provides an important reference basis to formulate the development policy for related department of agricultural mechanization. The growth of agricultural machinery total power has important significance to accelerate the development of agricultural mechanization， realize agricultural modernization， construct the comprehensive socialism new countryside， and guarantee food production and food security. Therefore， it is significant to research the main influence factors of growth fluctuations of agricultural machinery total power， and maintain its steady growth. The growth of China’s agricultural machinery total power is affected by many factors， and its data series have the characteristics of complexity and nonlinearity. Using the empirical mode decomposition （EMD） method， the growth of agricultural machinery total power and its influence factors from 1986 to 2013 were decomposed in multi levels and multi scales， and fluctuation components of intrinsic mode function （IMF） affecting the growth of agricultural machinery total power were obtained. Based on this， set pair analysis （SPA）theory was used to analyze the correlations between each IMF component of the growth of agricultural machinery total power and the corresponding influencing factors， and then the comprehensive influence rate of each factor to the fluctuations of the growth of agricultural machinery total power was calculated. The comprehensive influence rates of government finance investment， planting area per capita， fuel price index， grain yield per unit area， development of non-agricultural industries and number of the first industry professionals were as follows: 23.89%， 23.73%， 23.67%， 7.13%， 7.41% and 14.17% respectively. It showed that the main factors influencing the fluctuations of the growth of agricultural machinery total power were government finance investment， planting area per capita and fuel price index; number of the first industry practitioners followed; and the minimal influence factors were grain yield per unit area and development of non-agricultural industries. There were 4 influence factors which only affected the growth trend of agricultural machinery total power and had no impact on its fluctuation， which were rural net income per capita， agricultural output value per capita， price index of mechanized farm tool and proportion of rural labor with cultural level above junior middle school. Therefore， in order to stabilize the growth of agricultural machinery total power and reduce its fluctuation， government finance investment should be stabilized， and the scale of subsidy fund for agricultural machinery purchase， the subsidy scope and subsidy standard for agricultural machinery product should be determined scientifically and maintained to be relatively stable， so that the subsidy policy of agricultural machinery can better play the role of macroeconomic regulation and control. At the same time， stabilize fuel price and increase grain yield per unit area， so that the enthusiasm of farmers to purchase agricultural machinery can be maintained; speed up the rural labor force transfer policy and land circulation policy， increase the planting area per capita， and develop agriculture moderate scale management so as to realize the sustainable development of agricultural mechanization; accelerate the development of non-agricultural industries so as to improve the farmers' life quality and create more employment opportunities，which can reduce the influence of its short-term fluctuations on the growth of agricultural machinery total power. Research results can provide scientific basis for the adjustment and decision-making of development policy of agricultural mechanization， and promote the healthy and rapid development of agricultural mechanization.

Keywords:agricultural machinery; signal analysis; grain; agricultural machinery total power; empirical mode decomposition; set pair analysis; influence factor; comprehensive influence rate

作者简介：鞠金艳，女，黑龙江哈尔滨人，博士，讲师，从事农业机械化生产管理与系统工程研究。哈尔滨黑龙江科技大学机械工程学院，150022。Email：ju_jinyan@163.com

基金项目：国家自然科学基金项目（51205056）；黑龙江省自然科学基金项目（QC2011C045）

收稿日期：2015-07-18

修订日期：2015-11-14

中图分类号：S23

文献标志码：A

文章编号：1002-6819（2016）-02-0084-08

doi：10.11975/j.issn.1002-6819.2016.02.013 10.11975/j.issn.1002-6819.2016.02.013http://www.tcsae.org