基于主成分分析的我国农业产业化发展水平的研究.docx
《基于主成分分析的我国农业产业化发展水平的研究.docx》由会员分享，可在线阅读，更多相关《基于主成分分析的我国农业产业化发展水平的研究.docx（17页珍藏版）》请在冰豆网上搜索。
基于主成分分析的我国农业产业化发展水平的研究
基于主成分分析的我国农业产业化发展水平的评价研究
摘要
农业是我国三大产业中的第一大产业,但是它并没有在我国经济发展良好局面的大背景下形成绝对的产业优势,要想改革我国的农业,发展我国的农村经济,就一定要进行农业和农村的经济结构调整。
农业产业化的提出是结合我国农业发展新形势的总方向,对今后农业发展的趋势做出的一项重要的战略判断,也是在市场经济大背景下对农村经济进行改革的必然抉择。
本文选用主成分分析法对2005-2014年间31个省市及自治区的样本数据对其农业产业化发展水平进行评价研究，得到：
（1）农业机械化程度、农业生产效率是影响农业产业化水平的主要因素；
（2）发达省市的农业产业化发展水平综合排名落后于不发达省市的排名。
关键词：
农业产业化；主成分分析；指标；评价
1．引言
研宄背景及意义
我国是农业大国，农业的发展程度直接制约着我国的第二、第三产业的发展是工业品市场农业的发展能为国民经济其他部门发展提供劳动力阵地。
农产品是轻工业的重要原料、重要的出口商品。
农业产业化经营是发展现代农业，促进农民持续增收的必由之路。
在传统农业转型、现代农业构成的转折时刻，必须要大力发展农业产业化，这也是国际农业发达国家与地区的必经之路。
在传统农业进程中，农民很难直接与市场联系起来，不能进行规模化经营生产，而农业产业化的目的是将农业生产与市场对接，实现农业生产的现代化和规模化。
研究方法与数据来源
研究方法
本文选用主成分分析法对2005-2014年间各省市及自治区的样本数据对其农业产业化发展水平进行评价研究。
（1）主成分的定义
设
为一个p维随机向量，样本标准差记为
，考率如下的线性变换：
，若
，而且V（y1）为最大值，则称y1为第一主成分。
以此类推，至多有p个主成分。
（2）主成分分析法的一般计算步骤
a.对原始数据指标的标准化。
设p维向量
，n个样本
，进行标准化变换：
其中
，得到标准化阵Z。
b.标准化阵Z求相关系数矩阵
c.解样本相关矩阵的特征方程
，可以得到p个特征根，从而确定主成分。
按照
来确定m值，再对每个
解方程
，得到单位特征向量
。
d.将指标变量转换为主成分
，其中
称为第p主成分。
e.综合评价m个主成分
通过对m个主成分加权求和可以得到最终的评价值，其中，权数是每个主成分的方差贡献率。
数据来源
数据来源于国家统计局。
（见附录）
相关文献综述
胡钰（2011）在充分研究现今农业产业化发展评价方法的基础上,建立了较为合理的农业产业化发展水平评价指标体系,并运用主成分分析方法,选取我国个省市地区的样本指标,对我国的农业产业化发展水平进行评价和实证分析,并将我国的个省市地区划分为三个发展梯度区域且有分别的进行详细的利弊和影响因素探讨。
胡学锋,徐伟（2008）两人以广州市为例，运用农业总产值、耕地面积、农业从业人员数、农业固定资产投资额、索洛余值（描述科技进步和制度等的结合效应）指标构建农业综合生产能力影响因素分析指标体系并进行因素分析。
王爱群（2008）针对农业产业化龙头企业与一般企业相比所具有的特性，建立了由五大类指标构成的农业产业化龙头企业竞争力评价指标体系：
发展竞争力、综合经济效益竞争力、市场营销竞争力、技术创新竞争力、资源禀赋及产加一体化程度竞争力，并运用主成分分析法对全国个省区、市农业产业化龙头企业的竞争力进行总体排序，得出经济发达省（区、市）以及传统农业大省（区）的农业产业化龙头企业竞争力较强、反之则较弱的结论。
刘文（2005）根据农业产业化的发展需要，提出要扶持农业龙头企业的发展，打造一批农产品基地，提高农业生产的科技化水平和生产经营水平，按照现代企业模式来规范农业生产。
丁力（1999）对不同类型的农业产业化加以区分，将产业化分为“农民的产业化”与“政府的产业化”，并深入分析两类农业产业化产生过程与各自发展趋势中的异同。
龙方（1996）提出了农业产业化规模指标、农业产业化一体化指标、农业产业化产业链
指标、产业化产品增值力指标、农业产业化产值（或产量）与收入指标、农业产业化市场指标、农业产业化技术指标、农业产业化的就业指标、农业产业化的组织服务指标、农业产业化整体指标。
2．以全国31个省市及自治区为例的农业产业化发展水平实证研究
指标的选取
本文将农业产业化的主要指标归纳为：
农业操作机械化、农业生产效率、农业一体化、农业科技等四个一级指标。
在这四个一级指标下又设置了二级指标将农业产业化状况进行量化。
（1）农业操作机械化。
农业生产手段的机械化有助于农业基础条件改善、农产品商品基地的形成以及农副产品的转化、加工、增值。
故选取了农业机械总动力、农用大中型拖拉机数量来体现这一指标。
（2）农业生产效率。
农林牧渔业的增加值是农业生产的直接结果，产业化水平的提高可以增加农林牧渔业增加值，提高每份劳动力的单位产出，因此选取农林牧渔业增加值及人均粮食产量作为二级指标。
（3）农业一体化。
农业生产的产、供、销一体化水平是产业化水平提高的重要标志，下设二级指标为农村发电量。
（4）农业科技。
科技是第一生产力，农业科技水平的提高和科技手段的统一运用是农业产业化的重要标志，而科技水平的提高主要表现之一就是粮食单位面积产量的提高，故下设二级指标为粮食单位面积产量。
数据处理
根据国家统计局，时间跨度自2005年至2014年。
考虑到农业产业化发展水平样本数据在10年中存在连贯性及平稳增长性，所以将这10年的数据统一进行了平均值处理，即选取10年样本各指标值的平均值进行研究。
（见附录表1）
主成分分析模型的建立
在选取了具体的指标体系之后，首先本文对各指标进行命名。
如下表所示：
表2各变量名称
X1
农林牧渔业增加值（亿元）
X2
人均粮食产量（公斤）
X3
农业机械总动力（万千瓦）
X4
农用大中型拖拉机数量（台）
X5
农村发电量（万千瓦时）
X6
粮食单位面积产量（公斤/公顷）
在运用主成分分析模型之前，本文对样本数据进行了进行统计量和球形检验，以验证样本数据的有效性。
假定显著性水平为，利用spss软件对31个省市及自治区的数据进行处理，得到如表3所示：
KMO值为，Bartlett球形检验的近似卡方为，sig值为，比较显著，因此可以进行主成分分析的相关数据处理工作。
表3KMOandBartlett'sTest
Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.
.422
Bartlett'sTestofSphericity
Approx.Chi-Square
df
15
Sig.
.000
第一步：
将原始数据进行标准化处理，即无量纲化过程。
标准化后的数据见附录：
表4标准化后的样本数据
第二步：
计算样本相关系数矩阵，求相关系数矩阵的特征值。
将标准化后的数据导入SPSS软件，根据SPSS软件的相关操作，得到相关系数矩阵和相关系数矩阵的特征值，如表5、表6所示：
表5相关系数矩阵
CorrelationMatrix
农林牧渔业增加值
人均粮食产量
农业机械总动力
农用大中型拖拉机数量
农村发电量
粮食单位面积产量
Correlation
农林牧渔业增加值
.232
.824
.382
.281
.356
人均粮食产量
.232
.290
.831
农业机械总动力
.824
.290
.492
.184
农用大中型拖拉机数量
.382
.831
.492
.017
农村发电量
.281
粮食单位面积产量
.356
.184
.017
Sig.（1-tailed）
农林牧渔业增加值
.105
.000
.017
.063
.025
人均粮食产量
.105
.057
.000
.122
.471
农业机械总动力
.000
.057
.002
.307
.161
农用大中型拖拉机数量
.017
.000
.002
.117
.463
农村发电量
.063
.122
.307
.117
.378
粮食单位面积产量
.025
.471
.161
.463
.378
表6解释的总方差
TotalVarianceExplained
Component
InitialEigenvalues
ExtractionSumsofSquaredLoadings
Total
%ofVariance
Cumulative%
Total
%ofVariance
Cumulative%
1
2
3
4
.682
5
.146
6
.069
ExtractionMethod:
PrincipalComponentAnalysis.
由表6可以看出，前面3个主成分
，
，
的方差和占全部方差的比例为%。
因此，我们就选取
作为第一主成分，
作为第二主成分，
作为第三主成分，且这三个主成分的方差和占全部方差的%，即基本保留了原来指标的信息，这样由原来的6个指标转化为两个新指标，起到了降维的作用。
由SPSS软件得到的碎石图及因子载荷矩阵如图1及表7所示：
图1碎石图
表7因子载荷矩阵
ComponentMatrixa
Component
1
2
3
农林牧渔业增加值
.772
.589
.097
人均粮食产量
.716
.158
农业机械总动力
.829
.292
农用大中型拖拉机数量
.837
.140
农村发电量
.637
.656
粮食单位面积产量
.276
.450
ExtractionMethod:
PrincipalComponentAnalysis.
a.3componentsextracted.
评价过程
从表7：
因子载荷矩阵中得到前3个主成分
，
，
的线性组合为：
主成分的经济意义由各线性组合中权数较大的几个指标的综合意义来确定。
第一主成分
中
、
的系数大于其他变量的系数，代表农业操作机械化程度；第
二主成分
中
、
的系数大于其他变量的系数，代表农业生产效率；第三主成分
中
的系数大于其他变量的系数，代表农业一体化。
因子总得分：
（）
将标准化后的原始数据带入（）、（）、（）、（）式，得到31个省市及自治区农业产业化发展水平的排名情况。
如表8所示：
表8：
各主成分因子及综合因子得分的排名
地区
F
Y1
Y2
Y3
综合排名
北京市
30
天津市
29
河北省
3
山西省
24
内蒙古自治区
9
辽宁省
14
吉林省
8
黑龙江省
4
上海市
28
江苏省
7
浙江省
19
安徽省
11
福建省
18
江西省
17
山东省
1
河南省
2
湖北省
10
湖南省
6
广东省
13
广西壮族自治区
16
海南省
26
重庆市
22
四川省
5
贵州省
23
云南省
12
西藏自治区
27
陕西省
20
甘肃省
21
青海省
31
宁夏回族自治区
25
新疆维吾尔自治区
15
从表中主成分得分可以看出，有部分省市及自治区的得分为负数，但这并不代表这些省市的农业产业化水平为负，这里的正负仅表示部分城市的农业产业与样本的平均水平的位置关系，农业产业化的平均水平算作零点，这是由于在整个过程中将数据标准化的结果。
从表可以看到，综合排名前三位的是山东省、河南省、河北省；综合排名后三位的是天津市、北京市、青海省。
评价结果分析
从整体上看，发达省市的农业产业化发展水平综合排名落后于不发达省市的。
如山东省，其经济发展水平远低于北京市，但它的农业产业化发展水平综合排名却是第一位。
其中，Y1的得分在所有样本中最高，表明山东省的农业操作机械化程度较好。
从各个主成分的得分来看，部分经济较发达的城市农业操作机械化程度及农业生产效率低于平均水平。
如北京市，天津市，这两个城市的Y1,Y2的得分是负值，表明这两个城市并不注重农业发展。
当然，这也是符合我国实情的。
3结论
本文运用2005-2014年间各省市及自治区的样本数据对其农业产业化发展水平进行了实证分析研宄，得出：
农业机械化程度、农业生产效率是影响农业产业化水平的主要成分。
通过对比各个省市及自治区的农业产业化发展水平的综合排名发现：
尽管部分省市经济发展水平较高但是整体上农业产业化排名与其经济发展程度并不一定呈正向相关关系。
例如经济较为发达的北京市，由于农业操作机械化程度、农业生产效率均为负值，从而导致其农业产业化发展水平在全国排名第30位。
反之山东省、河南省等经济发展水平并不突出的城市由于农业操作机械化程度、农业生产效率较高，所以农业产业化发展水平排名较高。
参考文献
[1]赵颖然.河南省农业产业化发展水平的评价研究[D].硕士学位论文.内蒙古大学2013
[2]胡钰.我国农业产业化发展的模式与评价研究[D].硕士学位论文.哈尔滨工程大学2011
[3]胡学锋,徐伟.洛余值法在农业综合生产能力分析中的应用研究[J].统计与决策,2008（23）.
[4]王爱群，郭庆海.中国各地区农业产业化龙头企业竞争力比较分析[J].中国农村经济.2008（4）:
89-92
[5]刘文.我国农业产业化发展的现状与趋势[J]江西农业大学学报（社会科学版）.2005（6）：
59-61
[6]李海燕.我国农业产业化发展的制度障碍及对策研究[D].硕士学位论文.吉林大学2003
[7]龙方.农业产业化指标体系研究[J].农经济问题：
1996（7）:
33-35
[8]余涤非.我国农业产业化龙头企业战略研究[D].博士学位论文.中国海洋大学2012
[9]李萍.农业产业化发展战略研究[D].硕士学位论文.华东师范大学2005
附录
表1样本数据
地区
农林牧渔业增加值
人均粮食产量
农业机械总动力
农用大中型拖拉机数量
农村发电量
粮食单位面积产量
北京市
天津市
河北省
山西省
内蒙古自治区
辽宁省
吉林省
黑龙江省
上海市
江苏省
浙江省
安徽省
福建省
江西省
山东省
河南省
湖北省
湖南省
广东省
广西壮族自治区
海南省
重庆市
四川省
贵州省
云南省
西藏自治区
陕西省
甘肃省
青海省
宁夏回族自治区
新疆维吾尔自治区
表4标准化后的样本数据
地区
农林牧渔业增加值
人均粮食产量
农业机械总动力
农用大中型拖拉机数量
农村发电量
粮食单位面积产量
北京市
天津市
河北省
山西省
内蒙古自治区
辽宁省
吉林省
黑龙江省
上海市
江苏省
浙江省
安徽省
福建省
江西省
山东省
河南省
湖北省
湖南省
广东省
广西壮族自治区
海南省
重庆市
四川省
贵州省
云南省
西藏自治区
陕西省
甘肃省
青海省
宁夏回族自治区
新疆维吾尔自治区
升级会员 