安徽省农民收入的空间演变规律及其影响因素

金燕芝， 张克荣，姜亮宇，侯有信

(阜阳师范大学 商学院，安徽 阜阳 236000)

一、研究背景

乡村振兴是党在十九大报告中提出的重要发展战略。在乡村振兴战略背景下，解决好“三农”问题才能更有效地实现乡村振兴。根据乡村振兴战略“二十字”方针的要求，只有不断提高农民收入水平，才能更好地提高他们的生活质量，减小城乡收入差距，促进新农村的建设。

围绕农民增收的相关因素研究，学界取得了丰富的研究成果。张淑华等人基于灰色关联法对山西、河南和江西3个省份2009—2017年农民收入及其构成进行分析，发现农民工资性收入和家庭经营性收入所占农民收入的比重不断下降，农民收入结构发生改变[1]；蒲艳等人用主成分分析法提取了影响农民收入的相关因素，对比精准扶贫战略实施前后农民收入，发现农民收入显著提高[2]；孙伟仁等人建立多元线性回归模型探究农产品流通体系对农民收入产生的影响，发现农产品流通体系发展水平和基础设施的完善程度对农民收入起到显著促进作用[3]；王丽英等人采用空间计量模型和门槛模型分析中国农村产业融合对农民收入的影响，发现农村产业融合水平对农民收入有显著的促进作用[4]；丁瑶瑶等人利用耦合协调模型和主成分分析方法探究了农民增收和土地流转的时空关系，发现农用地流转和农民收入的关系总体耦合度较低，机械化水平对农民收入耦合度整体性较高[5]；梁天丽等人通过柯布-道格拉斯生产函数建立数学模型，探究广西农业机械化水平和农民收入的影响关系，发现广西农业机械发展对农民收入的贡献率较低，建议加强当地农业机械化发展水平，以使其更好地对农民收入的提高起到促进作用[6]；秦静等人通过因子分析法和回归模型对1978—2018年影响天津农民收入的相关影响因素进行分析，发现当地经济发展情况对提高农民收入水平有显著的促进作用，农业科技和生态保护也对农民收入起到一定的促进作用[7]；王永仓等人通过2000—2017年省级面板数据的收集和分析，发现财政金融支农对农民收入的增加起到中介效应的作用，财政支农和农业保险的协调发展有助于农民收入的提高[8]；祁海佳等人建立固定效应面板回归模型和分区域的面板回归模型对鸡西市2004—2017年农业补贴和农民收入的关系进行探究，发现农业补贴对农民收入有显著的促进作用，但城乡收入差异依然巨大[9]；李玉波等人构建VAR模型探讨了吉林省农业机械化和农民增收之间的关系，发现农业机械化和农民收入具有双向因果关系，农业机械化对农民收入影响更大[10]；张恒等人将技术进步作为农业生产性服务和农民收入的中介变量，并将人均经营土地规模作为门槛变量，发现技术进步对增加农民收入具有显著的促进作用[11]。

综上，关于农民增收相关因素的研究较多集中在农业机械化、土地流转率和农业补贴等农业要素上，较少有学者从当地产业结构的视角对农民增收进行分析，而农民增收的相关路径与地域有着密切的联系。笔者通过选取安徽省2010—2019年各地级市面板数据，通过全局的和局部的莫兰指数对安徽省农民收入空间分布情况进行探究。同时，利用主成分分析法提取了农民增收影响因素的13个相关指标，通过固定效应模型将农民收入和4个主成分因子进行回归分析，以发现影响农民收入的主要因素。

二、研究方法

空间自相关分析是分析空间数据关联程度的一种计量方法，其探究相邻地区是否发生关联及其相关程度的大小，主要包括全局自相关、局部自相关和Moran散点图等方法。空间自相关分析可以探究同一区域不同地区的空间分布演变规律。

(一)全局空间自相关分析

全局空间自相关分析主要是用来研究变量在整个区域内的分布特征。当变量在空间上处于非随机分布时则表明他们存在空间相关性。全局莫兰指数(Global Moran’s I)是判断变量是否存在全局空间自相关的测算方法，它的取值范围为[-1,1]，其值大于0表明存在空间正相关，小于0则表明存在空间负相关，计算如下：

(1)

(二)局部空间自相关分析

局部自相关分析是用来进一步考察局域互相临近的观察值，判断其是否存在空间相关关系。局部莫兰指数ZL(Local Moran’s I)是判断是否存在局部自相关关系的方法,计算见公式如下：

(2)

通过莫兰散点图可将局部莫兰指数可视化，四个象限分别对应区域单元与其邻居之间四种类型的局部空间联系形式。IL>0，表示一个高值被高值所包围或者是一个低值被低值所包围，对应第一象限及第三象限两种分布方式，第一象限代表高高集聚，第三象限代表低低集聚；IL<0，表示一个低值被高值所包围或者是一个高值被低值所包围，对应第二象限及第四象限两种分布方式，第二象限代表低高集聚，第四象限代表高低集聚。

三、实证分析

(一) 农民收入的空间相关分析

由地理学第一定律可知，任何事物都存在相关性，临近的事物相关程度更高。通过全局自相关可以对同一区域不同研究对象的某一共同属性进行空间自相关分析，进而判断是否该属性受到所处地理位置的影响，并可对其空间演变规律和空间聚集状况进行进一步探究。本研究利用全局莫兰指数和局部莫兰指数、莫兰散点图对安徽省2010—2019年各市农民收入水平进行空间相关性分析，结果见表1、图1。

表1 2010—2019年安徽农民收入自相关分析结果

由表1可知：2010—2019年安徽省农民收入呈现空间正相关，其在显著性1%和5%的水平下通过假设检验，IG指标为正值，代表安徽省农民收入在空间分布上呈现集聚的状态。

由图1可见:从2010—2019年安徽省农民收入大多都分布在第一象限和第三象限，在空间上呈现出高高集聚和低低集聚两种分布方式。结合表1的空间自相关分析可以发现：高高集聚的地区一般分布在皖南一带，以马鞍山、芜湖和宣城为主；2015年马鞍山暂时退出高高聚集区，合肥进入高高集聚区，这表明合肥经济圈影响力在不断增强；低低集聚主要聚集在皖北一带，2010年以阜阳和淮南为主，到2013年淮南退出低低聚集区，一定程度上标志着原先皖南一带的农民高收入区域在逐渐向北转移；2015年合肥进入高高聚集区，蚌埠出现在低低区域，说明合肥经济圈有效带动了周边地区经济的发展，但皖北仍然处在农民收入低低集聚的区域；2019年蚌埠变为高低集聚和滁州市变为低高集聚说明高高聚集区域逐渐向安徽东北部转移。

(二) 相关因素的指标选取

为了更好地对安徽省农民收入的相关影响因素进行分析，结合相关学者的研究成果和安徽省的实际情况，选出以下13个指标，如表2所示。

表2 指标体系

表2中：单位机械投入反映当地机械投入程度，具体使用农业机械总动力与总播种面积的比值来表示；农民收入、财政支农、人均GDP以2010年为基期，对各年使用居民消费指数CPI进行价格平减；人均经营土地规模用农作物播种面积除以第一产业从业人员得到的的比值来表示；第一产业增加比重代表当地农业发展情况，用第一产业增加值和当地GDP的比值来计算；第二、第三产业占GDP的比重反映当地产业结构；城镇化发展用城镇化率来计算。

(三) 因子分析

通过使用SPSS25.0软件对标准化后的数据进行KMO检验以及Bartlett球形检验，发现KMO统计量为0.604，适合进行检验；Bartlett球形检验p=0.000，拒绝原假设，说明选取的数据满足整体的正态分布，适合因子分析，结果见表3。

表3 KMO和巴特利特检验结果

使用提取主成分的方法，得到累计方差贡献率达到78.994%。所提取的4个公因子可以反映13个指标78.994%以上的信息，具有较强的代表性，结果见表4。

表4 特征值及主成分贡献率

为了使提取出来的4个主成分意义更加显著，采用方差极大旋转对初始因子进行旋转，将提取的4个主成分分别设定为F1、F2、F3、F4，得到旋转后的成分矩阵见表5。

表5 旋转后的成分矩阵

由表5可知，在第一个主成分中农民收入、人均地区生产总值和城镇化发展3个指标载荷较大，且在一定程度上反映了当地经济发展情况，所以将第一个主成分因子F1定义为地区经济发展因子；在第二个主成分中化肥施用量、农村用电量和财政支农3个指标载荷较大，在一定程度上反映了当地基础建设和对农业的支持水平，所以将第二个因子F2定义为当地基建和农业支持因子；在第三个主成分中第三产业占GDP的比重指标载荷最大，反映了当地服务业的发展水平，所以将第三个因子定义为F3第三产业发展因子；在第四个主成分中单位机械投入、人均经营土地规模和农用柴油3个指标载荷较大，反映了当地的农业机械化水平程度，所以将第四个主成分F4定义为农业机械发展均衡因子。

为了更好地表示4个主成分和13个指标之间的关系，使用回归函数法得到4个影响因子的回归函数，具体公式如下：

F1=-0.026X1-0.087X2+0.218X3+0.11

X4+0.099X5+0.239X6-0.221X7+0.038X8+

0.061X9+0.016X10+0.111X11+ 0.063X12+

0.226X13；

F2=-0.109X1+0.319X2+0.03X3+0.048

X4+0.311X5+0.038X6+0.034X7+0.044X8+

0.369X9+0.277X10+0.034X11-0.065X12+

0.049X13；

F3=0.129X1-0.111X2+0.238X3-0.019X4-0.174X5+0.001X6+0.025X7+0.008X8-0.032

X9+0.098X10-0.397X11+0.493X12-0.06X13；

F4=0.459X1+0.08X2-0.032X3-0.348X4+0.27X5-0.062X6+0.008X7+0.402X8-0.136X9-0.084X10-0.071X11+ 0.077X12+0.127X13。

主成分得分系数矩阵见表6。

表6 主成分得分系数矩阵

(四) 回归分析

为探讨各因子对农民收入的影响，将地区经济发展因子F1、当地基建和农业支持因子F2、第三产业发展因子F3和农业机械发展均衡因子F4作为自变量，将农民收入作为因变量，运用STATA进行多元回归分析。在进行回归之前，为了判断面板数据中是否存在面板根，防止出现伪回归，对5个变量分别进行面板根检验，结果得出5个变量存在单位根。

为了进一步确定模型的选择，对变量进行F检验，发现F检验的P值为0，故强烈拒绝混合回归是可以接受的原假设，表示固定效应模型明显优于混合回归模型，变量中存在个体效应。对变量继续进行LM检验，发现P值为0，强烈拒绝不存在个体随机效应的原假设，选择随机效应模型。在选择固定效应还是随机效应模型的过程中使用豪斯曼检验，豪斯曼检验结果显示P值为0.036 3，在显著性水平5%下拒绝随机效应模型，选择固定效应模型。为了消除自相关和异方差对回归结果造成的偏差，采用聚类稳健标准误下的固定效应回归系数。回归分析发现拟合优度R2为0.910，取得较好的拟合效果。回归分析结果见表7。

表7 回归分析结果

由表7可知：4个因子中只有2个因子在1%条件下达到显著，分别是地区经济发展因子和第三产业发展因子，表明当地基建、农业支持因子、农业机械发展均衡因子并未对农民收入的提高起到显著的影响；地区经济发展因子的回归系数为正，说明当地经济发展程度、城镇化率对农民收入有提升进作用；地区经济发展因子每增加1个百分点，农民收入增加0.155个百分点，第三产业发展因子每增加1个百分点，农民收入增加0.114个百分点。

(五)稳健性检验

为使结果具备更好的稳定性，采用替代核心变量方法进行稳健性回归。通过将被解释变量农村人均收入替换为农村人均支出，对其进行回归分析。通过比较发现与原有模型较为相似，证明该模型具有一定的稳健性，结果见表8。

表8 回归分析结果

四、结论与建议

(一) 研究结论

经上述分析，本文得出如下结论。第一，安徽省农民收入存在显著的正向空间自相关，呈现高高集聚(皖南一带)和低低集聚(皖北)的空间分布格局。在合肥经济圈的带动下，农民收入高水平集聚逐渐从皖南地区向皖中地区延伸。皖东北地区农民收入发展较快，并逐渐向较高水平发展，这可能是由于合肥经济圈和江苏带动的结果。第二，地区经济发展因子和第三产业发展因子对提高农民收入起到促进作用，农业机械发展均衡因子和当地基建和农业支持因子对农民收入无显著促进作用。第三，城镇化率的提高和第三产业服务业的发展对农民收入有积极促进作用。

(二)对策建议

一是要加强合肥经济圈的建设，带动皖中地区不断向着高高集聚发展，增强合肥在皖中的辐射力。要促进皖东北向江苏地区学习，使皖东北逐渐向着高水平集聚迈进。皖西北地区如阜阳要重点发展当地产业，逐步改变低低聚集的现状。

二是要提高地区间城镇化水平，增加第三产业所占比重。经济发展能有效促进农民收入的增加，而提高地区间的城镇化率则能改善当地的产业结构，使农民在享受城镇化带来生活便利的同时扩宽收入渠道。第三产业的发展可为农业或其他产业提供充足的就业机会，增加农民收入，因此通过促进当地服务业的发展，能够提高当地经济发展水平，为农民增收创造更多条件。例如：皖北地区地势平坦，适合发展大规模机械化种植，所以当地应加强农业相关产业的发展，因地制宜地建立种子基地、化肥基地，实现农业发展生产链一体化；皖南地区丘陵地带众多，农业一体化发展较为有限，考虑到当地植被生态易受破坏，应该以发展农林牧渔服务业为主，通过发展农业第三产业，提高农业产业精加工水平并进一步推动地区间农林牧渔服务业的发展，提高农民收入。

三是要加强就业引导。在农民工进入服务业的过程中，完善创业培训体系，要提高农民工所需的专业化技术培训，使其具备较好的专业技能。政府相关部门应更地有效组织当地富余劳动力进行培训。例如：加强宣传力度，通过在相关地区增加培训班的数量，加大对当地农民就业创业的支持，使其更好的掌握相关技能，为提高农民收入创造更多机会。