基于因子分析的粮食收购政策执行效果评价

王楚楚+李林++万晨洁++许琰

摘要依据现有研究，通过归纳分析影响粮食收购政策执行效果的因素，构建评价其执行效果的模型.确定衡量粮食收购政策执行效果的指标因子，运用因子分析技术，对政策的执行效果进行分析，进而得到因子综合得分并用于对粮食收购政策执行效果进行评价.运用本文的因子综合得分法对部分示例省份粮食收购政策的执行效果进行评价和分析，在此基础上进一步提出完善建议.

关键词因子分析；粮食收购政策；执行效果

中图分类号O212.4文献标识码A

1引言

粮食，不仅是维持人们日常生活的必需食品，而且还是维护国家经济发展和政治稳定的战略物资，具有不可替代的特性.国家自2005年起开始对粮食主产区实行了粮食收购政策.在粮食集中上市期间，当市场粮价低于最低收购价时，由国有粮食购销企业按照最低收购价挂牌敞开收粮，调节市场供求关系，引导其他市场主体收购行为，实现支撑市场粮价、保护农民收益的目的；当市场粮价高于最低收购价时，则不启动粮食收购政策.政策总体目的在于对市场粮价形成托底效应，并通过稳定粮价来保护农民种粮收益[1].

粮食收购政策已经成为了国家保护粮食生产的最为重要的举措之一.但是不同时期在不同的省区，政策执行的效果却不尽相同.对于粮食收购政策的执行效果的评价，兰录平[2，3]运用固定影响变截距模型，对粮食收购政策的执行效果及影响进行实证分析；作者还分析了政策在设计方面存在的缺陷，并从优化政策设计、提高执行效果、完善配套措施三个方面，对粮食收购政策提出完善建议.张建杰[4]以小麦为例对执行省区与非执行省区产出的粮食总量、结构与效率进行动态及静态比较，表明小麦收购政策的托市效应较为明显.沈旭东[5]以江苏东台为例，阐述了粮食收购政策执行的情况，分析了执行粮食收购政策中存在的问题并提出了完善粮食收购政策的建议.徐欣[6]以小麦为例分析粮食收购政策的效果及执行情况，并进一步分析了政策执行效果对各利益主体的影响.如何客观评价粮食收购政策的执行效果依然是一个亟待解决的问题.

将因子分析法运用于综合评价方法，克服了传统评价方法在处理指标高度相关和权重设定上的缺陷，所构造的因子得分模型适用于对评价对象的静态比较[7].张原[8]以区域信用环境评价为研究对象，以构建区域信用环境评价指标体系为核心，运用因子分析法对区域信用环境进行深入分析.本文构建粮食收购政策执行效果的评价模型，并用因子分析法对政策的执行效果进行评价.

2评价模型构建

2.1评价指标体系的构建

现根据各因素对粮食收购政策执行效果的影响，对评价粮食收购政策的影响因子进行系统分析及整合.国家实行粮食收购政策的目的就在于保护农民利益、促进农民种粮积极性以及保障粮食市场供应.人口平均的粮食产量及粮食种植面积越大说明农民种粮积极性越高，则进一步说明粮食收购政策的执行效果越好.机械化水平（如：农业机械总动力、大中型拖拉机、农用排灌柴油机、拖拉机配套农具）越高，说明农民在粮食种植方面的投入越大，也说明政策的执行发挥了效果，所以本文认为也可以将机械化因素作为衡量政策执行效果的评价因素.同时本文认为第一产业生产总值以及农村居民人均纯收入的高低也会受到粮食收购政策执行效果的影响，并且认为其影响是积极的.综上所述，本文以农业产量、机械化和经济效益3个维度的相关指标作为评价粮食收购政策执行效果的因素.基于数据的可得性原则，为方便计算，结合已有指标体系中的各指标选取额度，筛选以后，本文从上文指出的几个方面，构建粮食收购政策执行效果的评价指标体系.（如表1所示）本文指标体系中的相关数据均来源于《中国农村统计年鉴》和《中国统计年鉴》.2.2评价方法—因子分析法

根据本文所构建的评价指标体系，影响执行效果的因素较多，为体现不同影响因素对政策执行效果的影响程度，需要对每个影响因素的相关指标进行权重划分，得到影响政策执行效果的主要因素及其指标.为增强评价结果的客观性，本文采用因子分析法对粮食收购政策的执行效果进行评价.

通过相关性分析结果可知指标原始变量间存在着较强的相关性.所以評价指标并不能直接用于对执行效果进行评价分析.

本文运用KMO和Bartlett球形度检验进行因子分析的拟合检验，以确定数据是否适合进行因子分析.KMO统计量用于探查观测变量间的偏相关系数性.Bartlett球形度检验是一种检验变量之间相关程度的检验方法.进行KMO检验的结果显示KMO值为0.785，因此各变量间的相关程度无太大差异，数据适合做因子分析；Bartlett球形度检验的近似卡方为198.180，df为28，sig（球形检验的P值）为0.000.可见球形假设被拒绝，说明指标间并非完全独立，取值是有关系的，适合做因子分析.

本文采用主成分法计算提取公因子前、后各变量的共同度，包括各变量对应的初始共同度和提取因子以后的再生共同度.根据初始解计算出的变量共同度，表示的是将所有变量都作为公共因子时的共同度，所以数值都为1.提取一定公共因子后每个原始变量的共同度数值也都接近于1，说明每个原始变量对提取出的所有公共因子的依赖程度较高，同时也说明提取的成分描述变量的效果让人满意.

表3所示为方差解释表，显示了主成分、初始特征值和方差贡献等信息.该表中，成分表示因子序号；合计为特征值，其大小反映公因子的方差贡献；方差的﹪为特征值占方差的百分数；累计的﹪为特征值占方差百分数的累加值.提取平方和载入列为根据特征值大于1的原则提取的1个因子的特征值、占方差百分数及其累加值.由表可看出2个因子其解释力就能达到99%以上，已经包含了基本所有的信息，说明效果较为理想.

因子载荷矩阵是因子分析中最重要的部分，通过该表可以明晰的看出各变量的因子归属.本文运用主成份提取法和具有 Kaiser 标准化的正交旋转法，旋转在 3 次迭代后收敛.进行了因子旋转后的表4更好地对主因子进行解释.表中给出了旋转后因子（或成分）与原始变量的相关矩阵（按系数由大到小排列），可以看出经过旋转后相关系数已经明显地两极分化了.第一个主成分与指标变量

从因子得分矩阵及主成分得分表达公式可以得出：第一主成分主要包括农村经济效益和农业产业规模两方面.且第一产业生产总值、农村居民人均纯收入和大中型拖拉机对第一主成分得分影响较大.第二主成分主要包括农业机械化方面，且农业排灌柴油机的使用量对第二主成分得分影响较大.

本文选取河北、山东、江苏、黑龙江、湖南、四川、安徽7个省份2014年的数据，对这7个省份进行粮食收购政策执行效果的分析.分析结果如表6所示.根据表中F1得分、F2得分和F得分，可以得出安徽省的F得分最高，F2得分在示例省份中排名第一，而F1得分排名第二，说明安徽省可以从增加第一产业的投入和增加农村居民纯收入两方面提高粮食收购方案的执行效果.而河北省虽然F1得分排名第一，但是F得分却排第五名，究其原因是F2得分较低，运用综合得分法对其进行分析，可得出河北省急需增加农业机械化程度.四川省的F得分在示例省份中排名最后，F1得分也是排名最后，F2得分排名第三.说明四川省亟待提高粮食收购政策的执行效果，并且可以从加大对本省第一产业的投入和增强农业机械化程度这两方面进行改进.

参考文献

[1]黄青青，胡亚光.基于农户视角的粮食最低收购价政策效应研究——以江西为例[J].价格月刊，2016（8）：29-33.

[2]兰录平. 粮食最低收购价政策实施效应的实证分析[J].山东农业大学学报：社会科学版，2013（2）：45-49.

[3]兰录平. 我国粮食最低收购价政策的效应和问题及完善建议[J].农业现代化研究，2013（5）：3-7.

[4]张建杰. 对粮食最低收购价政策效果的评价[J].经济经纬，2013（5）：19-24.

[5]沈旭东. 江苏东台：粮食最低收购价政策执行情况、问题与建议[J].中国粮食经济， 2015（12）：55-57.

[6]徐欣， 陈洁， 张照新.小麦最低收购价政策执行效果、存在问题与对策——对江苏省的调研报告[J].中国粮食经济，2007（11）：15-19.

[7]游家兴. 如何正确运用因子分析法进行综合评价[J]. 统计教育，2003（5）：10-11.

[8]张原，陈玉菲， 高革，等. 基于因子分析的陕