吉林省农业机械总动力发展研究—基于主成分分析

崔红艳

(白城师范学院 地理科学学院，吉林 白城　137000)



吉林省农业机械总动力发展研究
—基于主成分分析

崔红艳

(白城师范学院 地理科学学院，吉林 白城137000)

摘要：吉林省作为粮食大省，农业机械化的发展对于实现农业现代化至关重要。为此，采用吉林省1994-2013年的相关数据，运用主成分分析法，对吉林省农业机械总动力及其9个影响因素进行相关研究，最终建立因变量ZY与自变量ZX1～ZX9的多元线性回归模型。模型中，只有农村恩格尔系数与农业机械总动力呈负相关，其余自变量均与农业机械总动力呈正相关。粮食单产的系数为0.207；农民受教育程度的系数为0.276，相对较低；其余自变量的系数均在0.34～0.37之间，基本相差不大。最后，提出吉林省要继续加强宏观资本、微观生产资料及科技管理要素的投入，大力培育新型职业农民的建议，以适应新时期农机发展对人才与科技的需求。

关键词：农业机械总动力；主成分分析；回归分析；吉林省

0引言

吉林省作为粮食大省，农业机械化从1995年开始进入较快发展阶段，到2013年底全省农机总动力达2 727万kW，农作物耕种收综合机械化水平达73.6%，上升到全国第8位。但同发达国家相比，吉林省农业机械发展水平还不高，仍然存在许多制约因素。因此，如何更好地分析农业机械化的影响因素及预测农业机械化发展水平，对于吉林省农业机械化的发展至关重要。国内外相关学者对农业机械总动力、东北农业机械总动力进行了相关研究，采用定性和定量分析相结合的方法，得出了很多有益的结论。黄永宝、纪延光(2014)运用主成分分析法对我国农业机械总动力进行分析，并建立回归模型[1]。刘佩军(2007)对东北地区农业机械化发展影响因素及综合评价进行研究[2]。张丽(2007)应用层次分析法和逐步回归方法，得出农民受教育程度是吉林省农业机械化发展的关键影响因素之一，并提出构建中国式可持续农机教育体系[3]。刘立丹(2013)对1996-2011年的吉林省40个市县面板数据进行实证分析，用双随机效应模型分析得出吉林省农业机械化的主要影响因素是政府对农业的投入以及人均耕地规模[4]。何政道、何瑞银(2010)对江苏省农业机械总动力及其影响因素进行了相关性分析分析，并用自相关时间序列回归分析方法建立了模型[5]。代海涛(2014)运用多元回归方法测算了吉林省农业机械化对农业经济增长的贡献度，并分析了农业机械化制约因素和解决对策[6]。本文结合前人的研究，根据吉林省农业机械化发展的特点，运用主成分方法，分析农业机械化发展的主要影响因素，并建立多元线性回归模型，为吉林省农业机械化发展提供一定参考。

1变量的选择和数据的获取

选择农业机械总动力作为模型的因变量Y，代表吉林省农业机械化的发展水平。结合吉林省目前的技术条件和社会经济水平，选择农林牧渔业中农业总产值指数(以1949年为100)X1、人均耕地面积X2、粮食单位面积产量X3、农村劳动力转移率X4、农业固定资产投资X5、政府的农业财政支出X6、农民家庭年纯收入(以1978年为100))X7、农村居民家庭恩格尔系数X8、农民受教育程度X9等9项指标作为自变量。其中，人均耕地面积用耕地总面积与农业人口比重来表示，农村劳动力转移率用农村劳动力中非农业劳动力比重来表示，农民受教育程度用农村劳动力中初中以上学历比例来表示。

根据吉林省统计年鉴[7]、中国农村统计年鉴的数据[8]，选择吉林省1994-2013年的数据进行分析。其中，农业固定资产投资X5、政府的农业财政支出X6为剔除价格因素后数据，2011、2012、2013年的吉林省农村农林牧渔劳动力数据缺失，所以预测得到补充数据，具体原始数据如表1表示。

表1　吉林省农业机械总动力及影响因素的原始数据

2数据分析与处理

2.1相关性分析

运用SPSS20.0软件，根据表1数据进行相关分析，得到各变量间的相关系数。因变量Y与自变量X1～X9的相关系数分别为：0.982、0.967、0.561、0.971、0.944、0.945、0.961、-0.922、0.685。其中，只有X8呈现明显的负相关，变量X3、X9与Y之间的相关系数较低，分别为0.561和0.685；其它自变量与Y之间均呈现明显的正相关，相关系数达到0.9以上。

2.2主成分分析

由于本文采用的是时间序列数据，不免会出现多重共线性、异方差和自相关的统计问题，不适合直接使用普通最小二乘法。为此，本文采用主成分分析法抽取因子，对9大经济指标进行降维处理，如表2所示。

表2　解释的总方差

由表2可知：按照特征值累计贡献率大于等于85%原则，抽取两个因子作为主成分，共解释了92. 84%以上的方差信息；第1主成分的方差是7.276，第2主成分的方差为1.079。主成分特征向量如表3所示。由表3可以看出：X1、X2、X4、X5、X6、X7、X8与第1主成分高度相关，负载率分别达到0.993、0.969、0.967、0.947、0.946、0.964、-0.914；X3、X9与第2主成分高度相关，负载率达到0.625和-0.637。因此，将农业机械发展的相关变量归纳为资本支持因素、生产资料因素及科技管理因素三大类[1]。

表3　主成分特征向量

1)资本支持因素。农业总产值指数、农业固定资产投资及农业财政支出是构成第1主成分的重要因素，主要是宏观影响。首先，农业总产值指数代表农业生产水平，而农业生产水平是农业机械化发展的重要基础。其次，农业固定资产投资和政府农业财政支出是农业机械化发展的有力保障。农业固定资产投资、农业财政支出数额越高，对农业机械的购买支持力度越大，农民购买农机的积极性越高。

2)生产资料因素。人均耕地面积、农村劳动力转移率、农民家庭年均收入和农村居民家庭恩格尔系数也是构成第1主成分的重要因素，主要是微观影响。首先，耕地经营规模是农业机械化的必要条件，也是农业机械发展的前提。人均耕地面积越大，农民对机械的需求越强烈，越有利于农业机械化的推进[5]。其次，农村剩余劳动力转移是农业机械化的基本前提。农业机械化发展实际上是机械对人力和畜力的替代，也是资本对劳动力的替代。只有当劳动力成为相对稀缺要素而资本成为相对富裕要素时，才会有效促进农业机械化的发展[2]。另外，农民家庭年均收入是农业机械化的资金基础。农业机械需要投入较大资金购买、使用和维护，因此农民家庭年均收入决定了农民是否有能力购买农机。最后，农村居民家庭恩格尔系数表示农民消费支出情况[5]，代表农民的生活水平和消费水平，也是影响农业机械化的重要因素。生活和消费水平越高，用于食品等消费的支出比例越小，用于购买农机的投资消费支出就可能越多。

3)科技管理因素。粮食单产和农民受教育程度是构成第2主成分的因素，反映了现代农业要素投入转向高层次的科技与管理要素的趋势。粮食单产是农业机械化发展的重要因素，粮食生产水平的提高，与农业科技水平密切相关；单产越高，农户对农机的投入热情也就越高，农机使用率就可能越大；同时，农业机械化也会促进粮食生产水平的提高[5]。另外，农民受教育程度是农业机械化发展的科技文化基础。农民素质高将有利于农村剩余劳动力转移向二、三产业的转移，也将有利促进对农机的需求与使用[3]。

2.3主成分特征向量

通过对两大主成分和3类影响因素的经济意义解释，明确了吉林省农业机械化发展中的关键因素。设两个主成分为Z1和Z2，运用SPSS20.0进行因子分析，得到因子载荷量，除以主成份特征值的算术平方根，计算出相应的主成份特征向量(见表3)，并将主成分表示为各个变量的线性组合，则

(1)

2.4主成分得分

运用SPSS20.0因子分析法得到因子得分，并乘以主成分特征值的算术平方根，计算出主成分Z1和主成分Z2得分，如表4所示。

表4　主成分得分

续表4

3模型建立与检验

3.1模型建立

农业机械总动力Y的标准化数据ZY作为因变量，主成分Z1和Z2作为自变量，运用SPSS20.0软件建立二元线性回归方程，具体回归结果如表5所示。从表5可知：模型R方值为0.988，调整R方值为0.987，F值为721.81，容差和VIF值均为1，模型整体较优。主成分Z1的回归系数为0.994，对因变量Y的影响显著；主成分Z2的回归系数为-0.035，但是偏相关系数为-0.308，说明科技管理因素对农业机械化也有一定的影响。主成分Z2的回归系数为负，是由于各变量间相互影响的结果，则

ZY=0.994Z1-0.035Z2

将式(1)代入式(2)，得到因变量ZY与自变量ZX1～ZX9的多元回归方程。由式(3)可知：只有农村恩格尔系数与农业机械总动力呈负相关，其余因子均与农业机械总动力呈正相关。粮食单产的系数为0.207,农民受教育程度的系数为0.276，相对较低，其余因子的变量系数均在0.34～0.37之间，基本相差不大。式(3)为

ZY=0.365ZX1+0.358ZX2+0.207ZX3+

0.362ZX4+0.341ZX5+0.343ZX6+(3)

0.348ZX7-0.349ZX8+0.276ZX9

表5　模型汇总

3.2模型检验

为进一步验证模型，运用Eviews7.0软件对残差系列进行ADF检验(见表6)，ADF值为-6.349 284，小于1%水平下临界值-3.831 511，证明残差序列为白噪声序列，模型较优。

表6　残差序列ADF检验

4结论与建议

4.1结论

1)通过SPSS20.0主成分分析方法提取了影响吉林省农业机械总动力的2个主成分，并总结出3大影响因素—资本支持因素、生产资料因素与科技管理因素。其中，宏观资本支持因素包括农业总产值指数X1、农业固定资产投资X5及农业财政支出X6，微观生产资料因素包括人均耕地面积X2、农村劳动力转移率X4、农民家庭年均收入X7及农村居民家庭恩格尔系数X8，构成第1主成分Z1；科技管理因素包括粮食单产X3和农民受教育程度X9，构成第2主成分Z2。

2)运用SPSS20.0软件进行分析，首先用因子分析法得到因子载荷量，并计算得到主成分特征向量，建立主成分Z1、Z2和ZX1～ZX9的线性方程见式(1)。ZY作为因变量，Z1和Z2作为自变量，建立二元线性回归方程，调整R2为0.987，并通过模型检验，模型整体较优。最后，将式(1)代入式(2)得到因变量ZY与自变量ZX1～ZX9的多元回归方程，见式(3)。从式(3)中可以看出：只有农村恩格尔系数与农业机械总动力呈负相关，其余自变量均与农业机械总动力呈正相关。自变量粮食单产的系数为0.207，农民受教育程度的系数为0.276，相对较低；其余因子变量系数在0.34～0.37间，基本相差不大。

4.2建议

1)吉林省在发展农业机械化过程中，首先要进一步加强宏观资本支持力度。这就需要继续加强农业基础地位，大力发展现代农业，为农业机械化创造基础条件；增加农业资本投入，尤其是加大对农业固定资产、农业财政支出的投入，促进现代农业向资金密集型的转型。

2)同时，要充分重视微观农业生产要素的投入。①吉林省要继续通过土地入股、托管、包租等多种形式实现土地规模经营和集约化生产，完善土地流转制度改革[9]。②要促进产业结构的调整升级，带动农村劳动力向二三产业转移；通过农业产业化发展来增加农民家庭人均收入，提升农民生活水平与消费水平，进而促进农业机械化的发展。

3)另外，新时期科技管理因素对农业机械化的发展至关重要，新型农民素质的提高将起关键性作用，发展现代化农业、推进农业机械化、培育新型职业农民是一个重要而紧迫的任务[10]。因此，建议吉林省充分发挥教育大省优势，加强对新型职业农民的教育与培训，使之成为农业机械化发展的强大推动力。

参考文献：

[1]黄永宝,纪延光.基于因子分析的我国农业机械发展分析研究[J].中国农业科技导报,2014,16(4):95-101.

[2]刘佩军.东北地区农业机械化发展研究[D].长春:吉林大学,2007.

[3]张丽.东北地区农业机械化发展影响因素分析及对策研究[D].长春:吉林大学,2007.

[4]刘立丹.吉林省农业机械化发展研究[D].长春:吉林农业大学,2010.

[5]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-以江苏省为例[J].中国农机化,2010(1):20-24.

[6]代海涛.吉林省农业机械化对农业生产贡献率及发展对策研究[J].中国农机化,2014(6):300-303.

[7]吉林省统计局.吉林统计年鉴(1993-2013)[M].北京:中国统计出版社,1995-2014.

[8]国家统计局.中国农村统计年鉴(1993-2013)[M].北京:中国统计出版社,1995-2014.

[9]马江,张亚梅.吉林省农业机械化影响因素与发展思路[J].吉林农业,2014(16):39.

[10]白人朴.对“十三五”我国农业机械化发展的思考[J].农村牧区机械化,2014(4):12.

[11]李嫣怡,刘荣,丁维岱.EViews统计分析与应用[M].北京:电子工业出版社,2013.

Study on the Development of Total Power of Agricultural Machinery in Jilin Province—Based on Principal Component Analysis

Cui Hongyan

(Baicheng Normal College, College of Geographical Sciences, Baicheng 137000,China)

Abstract：As the food great province, it is very crucial to the development of agricultural mechanization in Jilin Province. This paper analyzes the total power of agricultural machinery and the influence factors by principal component analysis method using the relevant data of Jilin Province during 1994-2013. The multi linear regression model is established for variable ZY and independent variables by ZX1-ZX9. In the model, only the rural Engel coefficient and the total power of agricultural machinery is negatively correlated, the rest of the independent variables are positively correlated. The coefficient of per unit area yield of grain is 0.207, and the coefficient of farmers' education level is 0.276, relatively low. And the coefficients of the other independent variables have little difference between 0.34～0.37. Finally, it put forward to strengthen the elements of macro capital support, micro production and technology input in the future in Jilin Province. In addition, it need to strengthen the cultivation of new peasants occupation, to meet the demand for talent and technology of agricultural development in the new period.

Key words：total power of agricultural machinery; principal component analysis; regression analysis; Jilin Province

文章编号：1003-188X(2016)06-0093-05

中图分类号：S210.6

文献标识码：A

作者简介：崔红艳(1975-)，女，吉林白城人，副教授，硕士研究生，(E-mail)hongyancui@163.com。

基金项目：吉林省教育厅“十二五”社会科学研究重点项目(吉教科文合字[2013]第335号)

收稿日期：2015-06-01