摘要:本文以中国31个省市自治区为样本,构建粮食综合生产能力评价指标体系,运用因子分析法对其进行综合评价,并依据K-means聚类分析结果进行空间类型划分。研究结果表明,物质投入产出能力因子是反映粮食综合生产能力的最主要因子,其次是科技能力因子、抵御自然灾害能力因子和政策支持能力因子。中国粮食综合生产能力区域差异显著。根据上述分析结果,从保护耕地资源,加强农业基础设施建设,加快农业科技进步,加大优势商品粮生产基地建设力度,坚持地区协同原则,注重农业组织制度创新等方面提出稳定和提高中国粮食综合生产能力的政策建议。
关键词:粮食综合生产能力 因子分析 聚类分析
1 问题的提出
农业是国民经济的基础,粮食是基础的基础,粮食综合生产能力与粮食安全问题一直是世界性重大问题。中国是世界人口最多的国家,粮食供给必须建立在自给的基础之上。改革开放以来,中国政府取得了用世界上不足9%耕地养活世界上近21%人口的辉煌成就。但是中国的人均粮食占有量一直在390公斤水平上下徘徊,尚未达到世界人均占有400公斤的水平。特别是20世纪80年代以来,中国粮食主产区呈现不断缩小的趋势。培育粮食综合生产能力,
基金项目:本文是吉林省普通高校人文社会科学重点研究基地开放项目《粮食主产区粮食综合生产能力培育机制研究》的阶段性成果,项目编号:2007022
作者简介:顾莉丽(1979-),女,黑龙江省伊春人,讲师,管理学在读博士,研究方向:农业经济理论与政策,
姜会明(1963-),男,吉林公主岭人,教授,管理学博士,博士生导师,研究方向:区域经济与农村发展。通讯作者
遏制粮食主产区缩小的趋势,制定针对性强的区域粮食发展政策,已经成为经济社会发展的重大问题。因此,有必要研究中国粮食综合生产能力分异特征及其空间类型问题,以确保国家的粮食安全。
2 基本模型
因子分析法(Factor Analysis)是探讨在存在相关关系的变量之间是否存在不能直接观
察到但对可观察变量起支配作用的潜在因子的分析方法。具体地说,因子分析就是用较少个数的公共因子的线性函数和特定因子之和来表达原来观测的每个变量,从研究相关矩阵内部的依赖关系出发,把一些具有错综复杂关系的变量归纳为少数几个综合因子的多变量统计分析方法[1]。因子分析法因子模型为:
X1=a11F1+a12F2+…+a1mFm+ε1
X2=a21F1+a22F2+…+a2mFm+ε2
… …
Xp=ap1F1+ap2F2+…+apmFm+εp
其矩阵形式:
X1 a11 a12 … a1m F1 ε1
X2 a21 a22 … a2m F2 ε2
. = . . + .
. . . .
. . . .
Xp ap1 ap2 … apm Fm εp
简记为: X = A × F + ε
(p×1) (p×m) (m×1)(p×1)
其中,X=(X1,X2, …,Xp)是可实测的p个指标所构成的p维随机向量。(F1,F2, …,Fm)叫做公共因子(或称为主因子),它们是在各个原观测变量的表达式中都共同出现的因子,是相互独立不可观测的理论变量。矩阵A=aij称为因子载荷矩阵,其中元素的绝对值越大表明Xi与Fj相依程度越大。ε=(ε1, ε2, …, εp)称为特殊因子,在模型中起着残差的作用。为了使Xi与Fj相关关系更醒目、突出,可进一步进行因子旋转,使Xi与Fj中某些因子相关关系更强,而与Fj中其他因子相关更弱。经过因子旋转后的因子负载阵可以大大提高因子的可解释性。根据与某n个相关关系较强的指标给该因子赋予的综合经济意义,用一定的方法可计算因子得分系数阵和主因子的得分。因子得分值可以用来代替原来的变量用于后续的分析。由于消除了相关性,为后续的统计分析方法的应用提供了较大便利。
3 粮食综合生产能力分异特征分析
粮食生产是自然再生产与经济再生产交织的过程。一方面,不同的农业要素投入搭配可
以产生不同的产出效果;另一方面,农业生产的效果与自然条件的变化密切相关,相同的生产投入并不一定有相同的产出[2]。粮食综合生产能力是指一个国家或地区在一定时期内,由当时的资源状况和经济、技术条件所决定的,以及各种生产要素综合投入所形成的,并且可以相对稳定实现一定产量的粮食产出能力[3]。它主要包括资源保障、物质装备、科技支撑、抵御风险和政策支持等方面的能力。根据粮食综合生产能力的内涵,经过对统计指标的分析和筛选,共选择9个指标构建综合评价的指标体系:粮食产量(Y1)、人均粮食占有量(Y2)、粮食播种面积(Y3)、有效灌溉面积(Y4)、化肥施用量(Y5)、农业机械总动力(Y6)、成灾率(Y7)、农业支出占财政支出比重(Y8)、农业科技三项费用(Y9)。鉴于我国粮食丰歉周期多为3年,以上指标数据均取2006年—2008年的极大值。为了消除由观测量纲的差异所造成的影响,本文对所选指标数据进行标准化,使标准化后的变量均值为0,方差为1,然后对标准化后的数据利用spss统计分析软件进行数据计算,该组数据KMO=0.789,显然适合做因子分析。计算出旋转后的因子载荷矩阵(见表1),最终因子的特征根值和贡献率(见表2)。
表1 旋转后因子载荷矩阵表
Table1 Rotated Component Matrix
1
2
3
4
粮食产量(Y1)
0.964
-0.048
0.07
0.119
化肥施用量(Y5)
0.937
0.198
-0.057
0.067
有效灌溉面积(Y4)
0.934
0.073
0.059
0.132
粮食播种面积(Y3)
0.925
-0.164
0.075
0.112
农业机械总动力(Y6)
0.891
0.152
-0.109
0.019
农业科技三项费用(Y9)
0.220
0.890
0.042
-0.026
人均粮食占有量(Y2)
0.492
-0.555
0.378
0.23
成灾率(Y7)
-0.043
-0.014
0.968
0.043
农业支出占财政支出比重(Y8)
0.144
-0.077
0.057
0.982
进行因子旋转是为了更好地对所选取的公共因子赋予合理的经济解释。由旋转后的因子载荷矩阵可以看出,公因子1在粮食产量(Y1)、化肥施用量(Y5)、有效灌溉面积(Y4)、粮食播种面积(Y3)和农业机械总动力(Y6)上的载荷值很大。公因子1主要反映了中国粮食生产投入产出水平,因此,将公因子1定义为物质投入产出能力因子。公因子2在指标农业科技三项费用(Y9)、人均粮食占有量(Y2)上的载荷值很大。从中国实际情况看,农业科技三项费用投入越高,农业科技成果产出水平越高,技术进步速度越快,人均粮食占有量越多,因此,将其定义为科技能力因子。公因子3在指标成灾率(Y7)上的载荷值很大,公因子3从一定程度上反映了气候与粮食生产的协调状况,可将其定义为抵御自然灾害能力因子。公因子4在指标农业支出占财政支出比重(Y8)上的载荷值很大。公因子4主要反映了财政支农状况,因此,将公因子4定义为政策支持能力因子。