因子分析在农产品物流能力评价中的应用

周晓鸣，叶春明 （上海理工大学 管理学院，上海 200093）

0 引言

作为第一产业，农业是国民经济的基础，农业和农村经济的健康发展事关国民经济发展的全局[1]。然而我国农业发展相对滞后，农产品流通效率低、成本高、损耗大。电子商务的发展，给农产品物流的发展带来了新的动力。农产品物流在电子商务平台的引导下实现协调整合，将使农产品生产者根据消费者的需求合理安排生产，减少因中间环节过多，市场需求失真而带来的农产品损耗，提高农产品物流运作的效率，有效降低农产品损耗，为提高农民收入水平奠定坚实的基础[2]。为此，大力发展农产品物流势在必行。科学地评价农产品物流的发展水平，有助于政府相关部门制定相关科学决策、改善农业经济发展环境、促进农产品物流的健康发展。

因子分析法是一种降维的技术，能够在多种具有相关性的指标中找出几个主因子，用主因子来代替评价指标，简化对农产品物流发展水平的评价，缩小工作量[3]。因此本文采用因子分析法来研究我国农产品物流的发展水平。

1 理论基础

1.1 农产品物流

农产品物流是物流业的一个分支，指的是为了物流业的一个分支从生产者到消费者之间的物理性流动。就是以农业产出物为对象，通过农产品产后加工、包装、储存、运输和配送等物流环节，做到农产品保值增值，最终送到消费者手中的活动。农产品物流除了数量大、品种多的特点之外还具有以下特点：农产品物流要求高。一是由于农产品与工业品不同，它是有生命的动物性与植物性产品。所以，农产品的物流特别要求“绿色物流”，在物流过程中做到不污染、不变质。二是由于农产品价格较低，一定要做到低成本运行。三是由于农产品流通涉及到保证与提高农民的收入。因此，在物流过程中，一定要做到服务增值，即农产品加工转化，农产品加工配送。农产品物流难度大。体现在包装难、运输难、仓储难。虽然我国农产品物流活动出现得比较早，但无论是在农产品物流理论研究还是在实际操作上，我国农产品物流的发展都很缓慢。

1.2 因子分析模型

因子分析的概念最初起源于关于智力测验的探讨，其作出突出贡献的是20世纪初的心理学家Charles Spearman等。因子分析（Factor Analysis）作为多元统计分析技术的一个分支，用于处理多变量问题，是一种降维、简化数据的技术[7]。因子分析的基本思想是肯定变量之间具有相关性，可以根据这种相关性进行不同的分组组合，这样，同一组的变量之间的相关性就比较高，不同组的变量相关性就较低，每一组的变量都代表不同的基本结构。

将这一思想用数学模型表示为：

假设从原始变量集X=｛X1,X2,…,Xn｝T中，提取出m个公共因子F=｛F1,F2,…,Fm｝T，则每一个变量都可以表示成公共因子的线性函数与特殊因子之和，即：Xi=ai1Fi+ai2F2+…+aimFm+εi,i=1,2,…,n。

该模型用矩阵表示为：X=AF+ε

且满足：①m＜n；②Cov（ F,ε ）=0，即公共因子与特殊因子是不相关的；即各个公共因子不相关，且方差为1即各个特殊因子不相关，方差不要求相等。

模型中矩阵A称为因子负载矩阵，aij称为因子负载，是指第i个变量在第j个因子上的负荷。

用因子所能够解释的总方差来衡量每个公共因子对变量的解释能力，通常称为因子的贡献（Contributions），记为Vi。它等于和该因子有关的因子负载的平方和，即：

如果一个变量在多个公共因子上有较大的负荷，或者多个变量在同一个公共因子上有较大的负荷，则说明因子对多个变量都有较明显的影响作用。为了更合理地对因子的实际背景解释，可以通过因子旋转使每个变量仅在一个公共因子上有较大的负载，即让同一个因子在各个变量上的负载尽可能的向靠近1和靠近0的两极分离。

在因子分析模型X=AF+ε中，如果不考虑其特殊因子的影响，当m=n且A可逆时，所抽取的样本在因子F上的得分可以表示为：F=A-1X。

但是，因子分析模型在实际中要求m＜n，因此，不能精确计算出因子的得分情况，只能对因子得分进行估计。

2 我国农产品物流发展能力的实证研究

2.1 样本及指标选取

本文在查阅了大量的国内外研究文献的基础上，通过德尔菲法与相关领域专家充分沟通的基础上，最终选出了8个指标，来代表农产品物流能力的评价指标。它们是地区生产总值X1（）、农林牧渔业总产值X2（）、人均生产总值X3（）、社会消费品零售总额X4（）、货物周转量X5（）、民用汽车拥有量X6（）、国际互联网用户数X7（）、公路里程数X8（）。数据来自2014年《中国统计年鉴》，选取我国31个省、市、自治区为研究对象。原始数据如表1所示：

2.2 我国农产品物流发展能力的因子分析

将原始数据放入SPSS 22.0软件中对我国31个省、市、自治区的8个指标进行因子分析。

2.2.1 数据标准化处理

由于经济意义和表现形式不同，各个定量指标之间并不具有可比性，因此，为了对指标进行科学的综合评价，必须对各个指标予以标准化处理。本文采用Zore法将指标数据标准化。

2.2.2 因子分析

2.2.2.1 相关系数矩阵和变量共同度分析

对标准化数据进行实证分析，通过计算得出8个指标的相关系数矩阵及变量共同度表。从表2的相关系数矩阵中可以看到，矩阵中的变量存在较高的相关系数，且相关系数显著性检验的p值存在大量的小于0.05的值，这表明原始指标之间存在较强的相关性，具有进行因子分析的必要性。从表3中可以看出，KMO=0.816，Bartlett球形检验的p值为0.000，这也都说明数据适合进行因子分析。

2.2.2.2 提取特征向量和特征值

根据变量特征值大于1的原则，获得两个公因子F1、F2，且其累积方差贡献率为87.734%（如表4所示）。说明两个公因子保留了原始数据的大部分信息，以此评价我国农产品物流发展水平相当大程度上减少了原始数据的复杂性。

2.2.2.3 建立因子载荷矩阵

因子载荷矩阵体现了原始变量与各因子之间的相关程度。为了更为准确地解释命名各个主因子，采用方差最大法对原始因子载荷矩阵（表5）进行旋转，得出方差最大正交旋转矩阵，如表6所示。

表1 原始数据

根据因子正交旋转矩阵，可以将评价指标分成两个公因子并进行命名。第一个公因子F1在X1、X2、X4、X5、X6、X7上有较大的载荷，公因子F2在X3、X8上有较大的载荷。

2.2.2.4 计算各因子得分与综合评价得分并排序

表2 相关系数矩阵及相关显著性检验（Correlation Matrix）

表3KMO检验与Bartlett球形检验（KMO and Bartlett's Test）

表4 特征根与方差贡献率表（Total Variance Explaied）

采用回归法和SPSS 22.0自动生成各主因子得分（表7），利用各主因子方差贡献率占总方差贡献率的百分比作为权重，然后与各主因子得分加权求和，得到我国31个省、市、自治区农产品物流发展水平的综合得分及排序。

用F1、F2分别表示各省、市、自治区农产品物流发展水平在各个因子上的得分，则有：

2.2.2.5 结果分析

表5 旋转前的因子载荷矩阵

表6 旋转后的因子载荷矩阵

表7 因子得分矩阵

（1）排名结果总体分析。从综合排名上看，广东、山东、江苏、河南、河北、浙江、四川是我国农产品物流发展水平高的省市；湖北、辽宁、湖南、安徽的农产品物流发展水平较高；福建、黑龙江、云南、陕西、广西、内蒙古、上海、江西、山西、北京、吉林、新疆、重庆的农产品物流发展水平较低；贵州、甘肃、天津、海南、青海、宁夏、西藏的农产品物流发展水平低。山西省的农产品物流发展水平处于中等偏下水平，主要与山西山区及农村的道路交通设施落后、农产品运输企业的运输网络不完善、缺乏冷冻冷藏设备和技术等方面有关。

但是，不同省份对应的各因子排名与其最后的综合排名并不完全一致，有些省份各因子的单项排名与最后的综合排名存在很大的差距，说明各省农产品物流在各因子代表的因素上发展不平衡，进而影响了综合排名。

（2）从因子排名上分析。在因子F1上，广东、山东、江苏、浙江、河南、河北、辽宁的因子得分远远领先于其他省份，并借此提升了综合排名。山西、吉林、江西、云南、重庆、新疆、贵州、甘肃、海南、宁夏、青海、西藏得分较低，排名靠后。

在因子F2上，四川、河南、云南、湖南、山东、湖北、贵州、黑龙江、新疆、河北的因子得分较高，而北京、天津、上海在因子F2上的得分远远低于其他省份，这说明在因子F2上，北京、天津、上海不占优势。

各省份农产品物流发展水平因子分析及排名如表8所示：

3 结论

随着我国经济近二三十年的持续增长，物流业也逐渐成为一个新的经济增长点，并在整个经济社会活动中起到了越来越重要的作用。农产品物流作为物流业的一条重要分支，对其发展水平进行一个系统的研究，能够为我国制定不同省份农产品物流政策时提供一个基础。在明确各个省份发展水平良莠不齐的基础上，了解各省份目前的农产品物流发展水平，为下一步制定针对性的战略性政策提供参考。

当然，本文也存在以下不足，首先农产品物流发展水平指标选取不够全面，导致只提取到两个因子，代表性较低。其次对31个省份研究，最终只算出一个农产品物流发展水平排序，参考性不够。因此，针对性的研究某一省份、某一地市的农产品物流，探索适合本地区、本市的运作模式是下一步的工作。

[1] 杨光华，林朝朋，谢小良.生鲜农产品冷链物流模式与对策研究[J].广东农业科学，2009(6):97-103.

[2]王道平，李锋，程蕾.我国农产品物流模式的实证研究——基于各省市的聚类分析法[J].财经问题研究，2011(2):108-113.

[3] 张艳新，赵慧峰,等.河北省农产品物流对接京津的综合发展水平评价[J].黑龙江畜牧兽医，2016(4):63-70.

[4] 王蕾，张红丽.基于FAM—TOPSIS法农产品物流发展水平评价[J].兰州学刊，2014(5):140-145.

[5]董红艳，杨晓艳.基于熵权灰色关联法的农产品物流能力研究——以山西省为例[J].价格月刊，2015(11):72-76.

[6] 曹小华.我国物流业市场绩效实证研究[D].北京：北京交通大学（博士学位论文），2012.

表8 各省份农产品物流发展水平因子得分及排名

[7] 严敏如.基于因子分析的我国电子商务物流配送模式选择[J].商业经济研究，2015(21):36-38.

[8] 王雪华,等.管理统计学：基于SPSS软件应用[M].北京：电子工业出版社，2014.

[9] 方凯，钟涨宝,等.基于绿色供应链的我国冷链物流企业效率分析[J].农业技术经济，2014(6):45-53.