农业机械化对安徽省农民增收贡献率实证分析

胡汪洋 刘东林 刘涛 曹成茂 程银彬 李诚 张勇 常志强

摘要：【目的】定量分析安徽省农业机械化对农民收入增长的贡献率，为农业机械化发展和决策提供科学依据。【方法】归纳得出安徽省2005～2015年影响农民收入增长的11项指标，并查阅统计年鉴得到与指标相对应的时间序列数据，利用有无比较法和柯布—道格拉斯生产函数法分别测算农业机械化为农民增收的直接贡献率和综合贡献率，同时引入因子分析和逐步回归方法，运用SPSS 22.0和Eviews 8.0具体分析2005～2015年安徽省影响农民收入增长的时间序列数据，并确定生产函数模型。【结果】2005～2015年安徽省农业机械化对农民人均纯收入的直接贡献率稳定在9.50%左右，最高年份贡献率达10.25%，2010～2015年和2006～2015年的综合贡献率分别为25.22%和29.40%，证明农业机械化对农民增收具有显著正相关作用。【建议】发挥购机补贴政策的引导推动作用，同时建立新型农业机械维修体系，并加大新型职业农民培训力度，以进一步促进农民增收。

关键词： 农业机械化；农民增收；柯布—道格拉斯生产函数；贡献率；安徽省

中图分类号： S23-9；F323.3 文献标志码：A 文章编号：2095-1191（2018）02-0403-08

0 引言

【研究意义】农民收入问题一直是我国政府关注的重要问题之一，2017年中央一号文件中再次突出强调增加农民收入的重要性和紧迫性，指出推进农业供给侧结构性改革要以增加农民收入、保障有效供给为主要目标（传云，2017）。随着时代发展与科技进步，农业机械化对现代农业发展和农村经济增长做出了巨大贡献（白人朴，2004）。首先，农业机械化的发展直接促进了农业生产方式的转变，加速了农业科技成果的规模化、标准化应用；其次，农业机械化的节本增效能力与替代效应，极大提高了劳动生产率、土地产出率和资源利用率，促进劳动力向其他产业转移，带来更多的家庭收益（冯启高和毛罕平，2010；杨敏丽等，2010；罗锡文等，2016）。目前对农业机械化为农民增收作用多体现在定性表述，没有具体到何种程度，因此深入量化分析农业机械化对农民收入增长的促进作用，有助于人们更精准地认识其贡献份额（张睿和高焕文，2008），对政府相关部门决策具有一定参考价值。【前人研究进展】已有很多学者在农业机械化对农业生产或经济的贡献率及影响农民收入增长主要因素两个方向做了大量研究。杨邦杰等（2000）指出，农业机械化对农业贡献率的测算方法分别是根据贡献率定义直接测算的有无比较法和通过间接计算要素产出弹性的柯布—道格拉斯生产函数模型法；张社梅和蒋远胜（2015）采用改进的柯布—道格拉斯随机前沿模型测算了四川省农业经济增长因素分解，其中机械的贡献率为37.11%。此外，还有学者采用数据包络分析（DEA）、VAR模型等方法（宗晓杰，2006；辛冲冲等，2015）测算农业机械化对农民增收的贡献率，得到的最终结果不尽相同。并且，从已有研究看目前对农民收入影响因素的分解情况也各不相同，没有统一标准。例如，郭燕枝和刘旭（2011）利用格兰杰因果关系检验和典型相关分析确定了农业从业人员、农村非农产业劳动力等7个指标；蔡飞凤和江三良（2015）从农民收入的4个组成部分分类选取了第一产业增量与GDP增量之比、农业机械联合收获机拥有量等9个指标；此外，王佳宁等（2016）根据“十三五”规划反映经济发展的指标明确了国内生产总值、全员劳动生产率、城镇化率、服务业增加比重共4项指标。【本研究切入点】目前安徽省农业机械化已发展到较高水平，但对农民增收贡献一直没有具体定量分析；且前人研究多集中于农业机械化对农业生产的贡献率和影响农民收入因素分析两大方面，而从当前阶段重点探讨农业机械化与农民收入增长之间的量化关系的研究鲜见报道。【拟解决的关键问题】基于影响安徽省农民收入因素的时间序列数据，利用有无比较法和柯布—道格拉斯生产函数法分别测算农业机械化为农民增收的直接贡献率和综合贡献率，引入因子分析和逐步回归方法分析2005～2015年的时间序列数据，确定生产函数模型，并结合安徽省农业机械化发展过程中的问题，提出合理意见建議，为农业机械化有效促进农民增收提供参考。

1 数据来源与研究方法

1. 1 农业机械化对农民增收效益分析

1. 1. 1 直接效益 农业机械化（简称农机化）对农民收入增长的直接效益主要体现在农机化经营收入上，也就是通过农业机械服务带来的收入，包括农业机械代耕作业（包含跨区作业）、农机运输和维修及农副产品初级加工收入。截至2016年底，安徽省农机总动力6867×104 kW，耕种收综合机械化水平73.5%，各类农机社会化服务组织8509家，其中农机合作社3887家，农机经营服务总收入328.7亿元。

1. 1. 2 间接效益 （1）增加产量。以水稻人工插秧和机插秧为例，人工插秧的产量约为7500 kg/ha，而机插秧产量为9000 kg/ha，平均每公顷增产约1500 kg。原因在于机插秧相比于人工插秧倒伏现象和病虫害少，株距整齐，通风透光效果好且秧苗根茎有效分解率高。（2）缩短农时。以安徽北部地区小麦收获为例，按照30年前农机化水平仍普遍较低时的经验，小麦从6月初开始收获到全部收割完毕至少需要1个月时间，但随着当前阶段农机化水平的提高，夏粮收获只需要5～7 d，为下一季的生产赢得了宝贵的农时，从而保证丰产。（3）节本减损。以水稻插秧为例，人工插秧为4800～5000元/ha，机插秧为3900元/ha，节省成本900～1050元/ha；再以烘干机为例，2016年安徽地区遭受严重雨水灾害，收获的小麦湿度大，传统方法晾晒不仅浪费大量土地，成本高且湿度不能保证，而用烘干机烘干的小麦湿度全部保持在13%以下，保证了小麦价格不受影响，解决了“丰产不丰收”问题。（4）加速劳动力转移。农业机械逐渐替代人工完成繁重的农业生产，才使得越来越多的劳动力从土地中解放出来，现代农民与过去的农民相比已产生了翻天覆地的变化，按照就业人口分类统计，20年甚至10年前的农民完全以第一产业为主，而现在越来越多的农业从业者涌向城市，从事加工业和服务业等，拓展其他收入来源，既属于第一产业也包含于第二、第三产业（祝华军，2005）。（5）社会化服务水平提升。农业机械化社会服务水平提升促进农民收入增长主要体现在两个方面，一是合作社的成立组织更多的农户进行专业生产协作，为农民提供各种有偿服务，同时通过扩大作业规模，提高农机利用率，节省农户非必要投资，降低市场竞争和风险；二是农机装备的增加带动了农机手需求的增长，除区域性服务外，跨区作业模式保证了农机手收入的稳定，根据调查，平均专业农机手的年收入为10万元左右。另外，农业机械化对农民收入的间接贡献还体现在解决秸秆禁烧难题、促进土地流转、提高有效耕种面积、改善农业种植结构等方面。

1. 2 指标体系构建

1. 2. 1 理论基础 本研究中影响农民增收贡献值指标体系的建立应用因子分析和逐步回归分析方法。首先通过降维思想分析具有相关性的原始多个变量，找出少数几个对原始变量有潜在支配作用的因子（王春枝，2014）；再通过逐步回归将变量逐个引入模型，不断对方程和各解释变量进行F检验和t检验，剔除使回归方程不再显著的变量，以保证最终得到的解释变量集为最优（吕海燕等，2013）。具体步骤流程如图1所示。

1. 2. 2 指标选取 影响农民收入增长的因素包括内因、外因、直接影响和间接影响等，参考战英杰和申秋红（2010）、张永礼等（2015）的研究结果，本研究根据劳动、资本和土地等3个方面不同因素对农民收入增长的影响，选择农民人均纯收入（Y）作为反映农民收入的因变量，自变量包括农村固定资产投资占比（X1）、耕种收综合机械化水平（X2）、化肥施用量（X3）、农作物播种面积（X4）、有效灌溉面积（X5）、农林水支出占财政支出比重（X6）、城镇化率（X7）、农村居民人均居住面积（X8）、第一产业占GDP比重（X9）、第一产业就业人口（X10）及农业从业人员占全社会从业人员比重（X11）等11项指标。根据量化分析得到相关变量数据如表1所示。

1. 3 数学模型确定

1. 3. 1 直接贡献率测算模型 根据有无比较法利用农机经营收入计算农机化直接贡献率，其優点是计算过程简单，但结果不能体现农业机械化的间接效益。贡献率指有效或有用成果数量与资源消耗及占用量之比，也用于分析经济增长中各因素作用大小的程度，实际上是计算某因素的增长量（程度）占总增长量（程度）的比重。根据上述贡献率定义，农机化对农民增收的直接贡献率计算公式为：

1. 3. 2 柯布—道格拉斯生产函数测算模型 利用Cobb-Douglas生产函数模型计算要素弹性系数间接测算贡献率，其优点是从宏观角度进行全面考虑，能测算出农机化为农民增收的综合贡献率，而不仅体现于直接贡献。根据因子分析和逐步回归分析结果，选取影响农民收入增长的n个变量（X1，X2，…，Xn）建立最终的柯布—道格拉斯生产函数模型（石磊等，2013），表达式如下：

1. 4 数据来源

表1数据来源于2005～2016年《安徽省统计年鉴》。其中，农业机械化水平（X2）的数据由安徽省农业机械管理局管理处提供（在统计年鉴和农机领域，一般用耕种收综合机械化水平来表示农业机械化水平），但该指标是2007年开始公开统计，因此2005和2006年的指标数据为农业机械管理局根据当年相关数据的计算值。农林水支出占财政支出比重（X6）根据历年农林水财政支出除以财政支出所得；农业从业人员占全社会从业人员比重（X11）根据历年统计数据农业从业人员除以全社会从业人员比重所得。需要强调的是，影响农民收入的因素很多，例如劳动力教育水平、灌溉水平等，但经参考相关文献得出其均不是影响农民收入的主要指标，而本研究的主要目的是建立恰当的生产函数模型来反映农业机械化水平对农民收入增长的综合贡献份额，因此，选取上述11项指标作为测算依据能够较全面地反映影响农民收入增长的因素集合。

1. 5 统计分析

运用SPSS 22.0和Eviews 8.0分别对表1中2005～2015年影响安徽省农民收入增长的11项指标对应的时间序列数据进行主成分分析和因子分析，以确定生产函数模型。

2 结果与分析

2. 1 构建柯布—道格拉斯生产函数

对表1中的11个变量进行主成分分析，由表2可知，前2个主成分的特征值大于1，且其累积贡献率达到87.2%，超过85.0%，说明可以取前2个主成分来综合反映原有指标。在因子分析主对话框中输入Scores命令，得到所有变量的因子得分系数矩阵表。

从第一主成分中选取因子权重较高的5个影响因子（X2、X3、X5、X7、X8），从第二主成分中选取因子权重较高的2个影响因子（X4、X6），将其代入公式（2）和（3）后建立以下影响农民收入增长的初步模型：

X2～X8涵盖土地、资金和劳动三大要素，符合柯布—道格拉斯生产函数的基本构建原理；α2～α8分别表示对应要素的产出弹性系数，定义为当其他投入要素不变时，该要素增加1%所引起的产出量变化率。

对表1中的数据进行回归分析，结果如表3所示。

根据回归结果可以确定初步模型：lnY=34.608+0.5723lnX2+0.5292lnX3+1.2322lnX4+0.2564lnX5+0.3767lnX6+2.9444lnX7+0.2555lnX8 （8）

从分析结果可看出，初步模型的R2近似于1，说明拟合效果很好，且F=1346.232>F0.05，表示农民人均纯收入增长与所选择的各变量因素之间存在显著线性关系，但实际上，该模型所有参数中除X8农村居住面积的t检验P为0.0228<0.05外，其他参数均未通过t检验，原因可能在于至少有两个或两个以上的变量之间还存在多重共线性关系，因此，需要进行逐步回归，筛选并剔除引起多重共线性的变量。如表4所示，首先引入X2作为初始因子，引入变量后X2对应的P=0，显然通过t检验；再引入X3变量，得到P=0.174>0.05，未通过t检验，故排除该因子；接着分别引入X4、X5和X6变量，结果P分别为0.064、0.151和0.0005，仅有X6变量通过t检验，且D.W.值1.909>1.52（0.05显著性水平下对应值），通过检验，故排除X4和X5变量；同理，分别再引入X7和X8变量，结果显示X7和X8变量均通过t检验，且此时R2=0.999，表明拟合非常好，D.W.值2.441，说明不存在残差序列自相关性。所以选取X2、X6和X7和X8 4个变量建立最终模型，得到公式（9），在此基础上进一步分析影响农业机械化对农民收入增长的贡献份额。

2. 2 农业机械化对农民增收贡献率测算

2. 2. 1 直接贡献率测算 根据公式（1）代入2008～2016年安徽省农业机械化经营收入和农村居民可支配总收入，计算得出农业机械化对农民增收的直接贡献率。从表5可看出，安徽省农业机械化经营纯利润逐年增长，2008年为126.69亿元，到2016年已达到328.74亿元，平均年增长率12.66%，2008～2016年农业机械化对农民增收的直接贡献率稳定在9.50%左右，其中最高年份贡献率达10.25%。

2. 2. 2 综合贡献率测算 如表6所示，考虑年度之间农民收入增长受短期内政策、气候、灾害等因素的影响，分别以3年（2012～2015年）、5年（2010～2015年）和10年（2006～2015年）为时间段测算不同时期各要素的平均增长率和贡献率。根据公式（4）和（5），代入表1中相关数据后计算结果。由表6和图2可得：

（1）2010～2015年农业机械化水平（耕种收综合机械化水平）对农民收入增长的贡献率为25.22%，在所有要素中的贡献仅次于城镇化率X7；其次2006～2015年农业机械化水平对农民收入增长的贡献率为29.40%，相比较2010～2015年的贡献率增长了4.18个百分点，说明随着全省范围内耕种收综合机械化水平的不断提高，在迈进中高级阶段后，对农民收入增长的促进作用逐渐趋缓。

（2）对农民收入增长贡献比值最大的为城镇化率（X7），2012～2015、2010～2015及2006～2015年期間贡献率计算值分别为56.15%、61.79%和67.68%，说明城镇化率的不断提高对农民增收具有显著的作用。

（3）2012～2015、2010～2015及2006～2015年期间农林水支出占财政支出比重（X6）所占的贡献份额分别为-1.53、1.46和-8.79，其原因可能在于政府对农林水支出规模出现拐点，整体上呈现下降的趋势，所以出现边际效益递减情况，且增加农民收入并不一定要求财政农林水支出金额越多越好，而是提高整体的支出效率更有益于发挥最大效益。

（4）结合表3数据来看，化肥施用量（X3）、农作物播种面积（X4）和有效灌溉面积（X5）3个变量也呈现出与农民增收的正相关关系，间接反映了土地贡献率，主要与近10多年来中央一号文件不断提出的鼓励和支持承包土地向专业大户、家庭农场、农民合作社流转政策有着密切关系。

3 讨论

本研究根据2005～2016年安徽省有关农业机械化和农村经济发展的11项指标数据，分析了安徽省农业机械化对农民收入增长的直接贡献率为9.50%左右。张睿和高焕文（2008）在研究中分析全国农业机械化经营收入对农民增收贡献率为6.51%，本研究结论基本符合实际，因为安徽省农业机械化水平在全国一直处于靠前水平，且统计时间截至2016年，所以贡献率相应的高出3个百分点。另外，本研究根据柯布—道格拉斯生产函数模型测算的安徽省农业机械化综合贡献率为29.40%，张社梅和蒋远胜（2015）依据农业技术效率、农业规模报酬等因素测算了1998～2012年四川省农业经济增长结构各要素贡献率，其中机械部分占全要素的37.11%，虽然研究方法和选取指标不尽一致，但得出的结论相差不大，均表明农业机械技术进步对农业经济增长的贡献十分显著，且农业机械投入贡献远高于劳动力与土地，但也说明应当合理化分配农林水投入，减少出现边际效益递减情况。

对于影响农业机械化增收和对农民收入贡献值的因素不同学者有各自的看法，李金良（2008）认为农业机械化的发展在一定程度上完成了对劳动力的替代，但并不是影响农业产值增加和主要粮食增产的主要因素，起决定作用的是耕地面积、化肥和农药的使用；王志章和孙晗霖（2015）则认为农民是农机最重要的投资和经营运作主体，两者之间存在螺旋式上升趋势，且农机总动力是农民收入的影响因素之一。但上述文献中均提到了关于农业机械维修、保养和燃油的问题，这些因素在一定程度上加重了农民负担，降低了农民收入。综合来说，本研究认为除以上文献中提到的影响因素外还应包括以下3个方面：一是农业机械化从业者的年龄偏高，影响了农业机械的作业效率和综合利用率，其增收作用的广度发挥不充分；二是农业机械化从业者的学历结构偏低，限制了对新机械、新技术的学习使用；三是机库棚建设用地政策落实难，农机具露天存放，风吹雨淋，加剧金属零部件的锈蚀和故障的概率，缩短机具使用寿命，降低经济收益。

此外，针对田间机耕道路建设涉及到用地政策，“路难行”对发展大中型机械和规模经营构成了一定的现实障碍；且安徽省土地流转规模已接近50%，农村空心化、老龄化严重，新一代农民不想种田，也不愿种田，加之劳动强度大，效益低，直接从事农业生产的人员越来越少，所以随着城镇化率的逐年加快，更加需要推动农业机械化水平进一步提高。

4 建议

4. 1 进一步发挥购机补贴政策的推动作用

购机补贴依然是增加机械总量，提升装备结构的主要动力。但经过10多年的实施，常规机械的补贴需求降低，购机补贴政策实施进入新的转折期，农民和合作经济组织强烈要求将新型农业机械纳入补贴范畴，解决农民购买力不足与新型机械价格高的矛盾。建议有关部门抓紧研究新的补贴实施办法，完善农机购置补贴政策，充分发挥农业补贴政策的惠农增收效应，加大主要农作物生产全程机械化所需机具的补贴力度，对于主要农作物薄弱环节所需机具做到敞开补贴，应补尽补；认真落实深松作业补助，在适宜地区加快农机深松技术的推广应用，争取地方财政资金投入，开展水稻机插秧、油菜机收等薄弱环节机械化作业补贴；探索农机燃油补贴，进一步降低生产成本，提高机手使用农机的积极性，增加农民收入。

4. 2 建立新型农业机械维修体系

以社会化、专业化、产业化为目标，使农业机械维修业成为农业机械化（农村经济）发展新的增长点。一是建立对购置维修设备的补贴政策，支持农业机械维修户和维修企业设备的升级改造，提高维修质量。二是加强对维修人员的技能培训，提高维修技能和职业道德，尤其是帮助其掌握新型农业机械的维修技能。三是支持生产企业在基层建立维修站点。四是制定维修质量标准。五是农机、工商、质监、劳动等部门有机配合，加大协调监管力度，各行其责，以新思维新理念，合力解决维修难、维修贵的问题。

4. 3 加大新型职业农民培训力度

发展现代农业，实现农民职业体面化，以解决好地怎么种为导向，加快构建新型农业经营体系，加大对新型职业农民的培训力度，结合农业发展的新形势、新任务，培养既懂农业技术又善于经营的高素质新型农民队伍，确保农业后继有人；加大技术先进、安全可靠的农机装备与技术推广力度，提高农民用机致富本领。多途径实现农民职业体面化，培养新型职业农民，有助于在大范围内对劳动力、资金、技术等资源进行合理优化配置，充分调动农民积极性和创造性，间接地帮助农民增收。

参考文献：

白人朴. 2004. 农业机械化与农民增收[J]. 农业机械学报， 35（4）： 179-182. [Bai R P. 2004. Agricultural mechanization and increase in farmersincome[J]. Transactions of the Chinese Society for Agricultural Machinery， 35（4）： 179-182.]

蔡飞凤， 江三良. 2015. 我国农民收入影响因素的实证分析[J]. 安徽农业科学， 43（1）： 365-368. [Cai F F， Jiang S L. 2015. Empirical analysis on the influencing factors of farmers income in China[J]. Journal of Anhui Agricultural Science， 43（1）： 365-368.]

传云. 2017. 2017年中央1号文件解读[J]. 农机科技推广，（2）：10. [Chuan Y. 2017. Interpretation of document No.1 of the central government in 2017[J]. Agriculture Machinery Technology Extension，（2）： 10.]

冯启高， 毛罕平. 2010. 我国农业机械化发展现状及对策[J]. 农机化研究，32（2）： 245-248. [Feng Q G，Mao H P. 2010. The development present situation and countermeasure on agricultural mechanization in China[J]. Journal of Agricultural Mechanization Research，32（2）： 245-248.]

郭燕枝， 劉旭. 2011. 基于格兰杰因果检验和典型相关的农民收入影响因素研究[J]. 农业技术经济，（10）： 92-97. [Guo Y Z， Liu X. 2011. Research on the influencing factors of farmers income based on Grainger causality test and canonical correlation[J]. Journal of Agrotechnical Economics， （10）： 92-97.]

李金良. 2008. 农业机械化、农业增产与农民增收——基于河南省南阳市面板数据的实证研究[J]. 湖湘三农论坛， （4）： 918-926. [Li J L. 2008. Agricultural mechanization， increasing agricultural production and increasing farmers income—Empirical study based on panel data of Nanyang City in Henan Province[J]. Huxiang Forum on Rural Issues，（4）： 918-926.]

罗锡文， 廖娟， 胡炼， 臧英， 周志艳. 2016. 提高农业机械化水平促进农业可持续发展[J]. 农业工程学报，32（1）： 1-11. [Luo X W，Liao J，Hu L，Zang Y，Zhou Z Y. 2016. Improving agricultural mechanization level to promote agricultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering， 32（1）： 1-11.]

吕海燕， 李海旺， 李武林. 2013. 基于逐步回归分析的河南粮食产量因素研究[J]. 河南科学， 31（12）： 2133-2136. [Lü H Y，Li H W，Li W L. 2013. The factors of grain production based on the stepwise regression in Henan Province[J]. Henan Science， 31（12）： 2133-2136.]

石磊，向其凤，陈飞. 2013. 多水平模型及其在经济领域中的应用[M]. 北京：科学出版社： 137-140. [Shi L， Xiang Q F， Chen F. 2013. Multilevel Model and Its Application in the Economic Field[M]. Beijing： Science Press： 137-140.]

王春枝. 2014. 因子分析中公因子提取方法的比较与选择[J]. 内蒙古财经大学学报， 12（1）： 90-94. [Wang C Z. 2014. The comparison and selection of the common factors extraction method in factor analysis[J]. Journal of Inner Mongolia University of Finance and Economics， 12（1）： 90-94.]

王佳宁， 白静， 罗重谱. 2016. 中国经济社会发展主要指标更迭及“十三五”重要指标述评[J]. 改革，（6）： 6-21. [Wang J N， Bai J，Luo C P. 2016. The changes of main indicators of economic and social development and review of major index of the Thirteenth Five-Year Plan in China[J]. Reform，（6）： 6-21.]

王志章， 孫晗霖. 2015. 农业机械化对农民增收效应的实证研究[J]. 中国农机化学报， 36（2）： 310-313. [Wang Z Z， Sun H L. 2015. Empirical research of agricultural mechanization on the effect of increasing famers income[J]. Journal of Chinese Agricultural Mechanization， 36（2）： 310-313]

辛冲冲， 张敏， 宋玉兰. 2015. 新疆农机化发展与农民增收效应关系研究——基于VAR模型[J]. 农机化研究， （8）： 242-248. [Xin C C，Zhang M，Song Y L. 2015. Research on the relationship between Xinjiang agricultural mechanization development and the effect of farmers increasing Income—Based on VAR model[J]. Journal of Agricultural Mechanization Research， （8）： 242-248.]

杨邦杰， 洪仁彪， 贾栓祥. 2000. 农业机械化对农业贡献率测算方法研究[J]. 农业工程学报， 16（3）： 50-53. [Yang B J， Hong R B， Jia S X. 2000. Methods development to estimate the mechanization profit in agricultural industry[J]. Transactions of the Chinese Society for Agricultural Engineering， 16（3）： 50-53.]

杨敏丽， 李世武， 恽竹恬. 2010. 区域农业机械化发展问题研究[J]. 中国农机化，（1）： 8-13. [Yang M L，Li S W，Yun Z T. 2010.Study on regional development of agricultural mechanization in China[J]. Chinese Agricultural Mechanization， （1）： 8-13.]

战英杰， 申秋红. 2010. 影响我国农民收入的因子分析[J]. 东北农业大学学报， 41（4）： 144-150. [Zhan Y J， Shen Q H. 2010. Factor analysis on farmers income in China[J]. Journal of Northeast Agricultural University， 41（4）： 144-150.]

张睿， 高焕文. 2008. 我国农业机械化经营收入对农民增收的贡献[J]. 农机化研究，（8）： 1-5. [Zhang R， Gao H W. 2008. The contribution of agricultural mechanization management to China farmer income[J]. Journal of Agricultural Mechanization Research，（8）： 1-5.]

张社梅， 蒋远胜. 2015. 四川省农业经济增长结构变动分析[J]. 农业技术经济，（2）： 85-94. [Zhang S M， Jiang Y S. 2015. Analysis on the change of agricultural economic growth structure in Sichuan[J]. Journal of Agrotechnical Economics，（2）： 85-94.]

张永礼， 陆刚， 武建章. 2015. 基于MIV和GA-BP模型的农业机械化水平影响因素实证分析[J]. 农业现代化研究， 36（6）：1026-1031. [Zhang Y L， Lu G， Wu J Z. 2015. Empirical analysis on influencing factors of agricultural me-chanization level based on MIV and GA-BP model[J]. Research of Agricultural Modernization，36（1）：1026-1031.]

祝华军. 2005. 农业机械化与农业劳动力转移的协调性研究[J]. 农业现代化研究， 26（3）：190-193. [Zhu H J. 2005. On coordination between agricultural labor transferring and agricultural mechanization[J]. Research of Agricultural Modernization， 26（3）： 190-193.]

宗晓杰. 2006. 用DEA法的两个模型测算农机化贡献率的算法研究[J]. 农业工程学报，22（5）：20-23. [Zong X J. 2006. Approach to estimating the agricultural mechanization contribution rate by two models in the DEA method[J]. Transactions of the Chinese Society for Agricultural Engineering， 22（5）： 20-23.]

（责任编辑 邓慧灵）