粮食产量的影响因素分析

梁娟

[摘要]本文通过《中国统计年鉴》收集了1993至2018年的农业数据，并以这些数据为样本运用统计学知识对粮食产量的影响因素进行分析。在分析过程中，首先用最小二乘法估计得出初始的模型，之后再对模型进行检验及修正获得最终模型，对模型的检验包括多重共线性、异方差性、自相关性和残差正态性。本文通过一系列分析得出了与实际意义相符合的回归模型，结果说明对粮食产量影响最大的因素是粮食播种面积。

[关键词]粮食产量;最小二乘法;多重共线性;异方差性

中图分类号：F326.11 文献标识码：A DOI：10.16465/j.gste.cn431252ts.202002

1 研究背景

近年来，我国在经济、文化等各个方面的水平不断发展，给人们带来的实惠体现在日常生活的方方面面。与此同时，随之而来的各种问题不断出现，雾霾引发的环境问题、资源短缺问题、贫富差距问题等，不断冲击着人们的生活，而其中最值得我们关注的莫过于粮食短缺问题。生活环境的变化和大众生活观念的改变，越来越多的农民不再将种地作为自己的主要工作，大部分农村劳动力都选择进城打工，不再将土地作为家庭的主要经济来源。更令人担忧的是，许多家庭将原有的种植土地改为其他用地，用以修盖房屋等，这一改变带来的问题是我国许多土地的荒废，有效土地面积的不断减少，进而引发了严重的粮食短缺问题。此外，许多地区的水资源不断减少，而留给土地的灌溉用水少之又少，导致原本就减少的种植粮食的土地由于得不到足够的水，产量缩减。再者，自然灾害的发生，许多粮食受到天气、害虫等的侵害导致粮食的减产;由于土地管理不善，化肥的过度使用等导致土地质量下降，这些问题也都会在一定程度上影响粮食产量。对于人类的生存来说，“吃穿住行”中“吃”占据首位，可见其对我们的重要性，因此近年来粮食产量的不断减少已经严重影响我们的生活，而这一问题的解决迫在眉睫。

粮食产量的高低不仅取决于农业生产要素的投入和农业科技的发展水平，还受到政策、自然环境等诸多因素的影响，是诸多因素综合作用的结果。现有文献[1-6]关于粮食产量影响因素的分析大多集中于实证分析部分，主要是通过不同的方法构建不同的模型来解释影响粮食产量的相关因素。

2 实证分析

2.1 变量和模型选取

2.1.1 变量说明

粮食生产是个繁杂的生产过程，影响其产量的因素很多，一般分为五大类：自然要素、资本要素、人力要素、科技要素和政策要素[7]。并且粮食生产还是种经济行为，经济行为就有固定的经济规律。自然要素是很难计算和统计的，但是可以根据成灾面积来表示。资本要素是通过在粮食生产上资本投入的多少来评估的，其中种植范围和肥料的投入占重要地位。人力因素主要指从事农业劳动的人口，并且数据可根据各种数据资料获得，所以相对来说该变量较容易获取。科技因素是指农产品种中的科技含量，但它用定量描述很困难。政策因素有很多，但由于我国的情况较复杂，因此政策因素对粮食产量的影响不太显著。根据理论和实际，本文选择的五个因素具体如下：农业化肥施用量、有效灌溉面积、成灾面积、农业劳动力、粮食播种面积。

2.1.2 模型选取

粮食生产是一种比较典型的经济投入产出行为，可以用Douglas[8]提出的CD函数来表示。CD函数的形式为：Q=AKαLβ，式中Q为产量，L为劳力投入量，K为资本投入量;A、α、β为参数，0<α，β<1。进行线性化得：

转化为单位下的资本投入量并不会影响参数估计和实证分析结果，因此本文用农业总体数据拟合模型，令Y代表中国粮食产量，单位是万t;X1代表农业化肥施用量，单位是万t;X2代表粮食播种面积，单位是千公顷;X3是成灾面积，单位是千公顷;X4是农业劳动力，单位是万人;X5是有效灌溉面积，单位是千公顷。

由模型的估计结果可以看出，R2=0.989 575，可决系数很高，说明模型拟合很好;F=360.701检验值相对较大，对应的P=0，表明方程显著，就是Y与X1，X2，X3，X4，X5的关系显著。但是很明显，X4和X5的t值均小于t0.05（19）=1.729，说明变量不显著。并且变量X5与被解释变量Y之间成负相关这与现实情况不符，也通不过经济意义检验。此时，应该考虑模型可能存在多重共线性。

2.2.2 多重共线性的验证

2.2.2.1 简单相关系数

计算变量X1，X2，X3，X4，X5的简单相关系数矩阵，见表2。

相关系数的定义为，由表二可以看出变量之间ρ的均较大，尤其是X1和X4的ρ=0.987此时应该考虑模型可能存在多重共线性。

2.2.2.2 方差扩大因子法

方差扩大因子见表3，X1，X4和X5的VIF大于10，VIF可以很准确地确定多重共线性，所以认为该模型存在多重共线性，下面将采用逐步回归法解决。

2.2.2.3 逐步回归

通过分析可知，粮食生产受有效灌溉面积X5的影响最大，与实际经验相一致，因此选X5作为初始的回归模型。

将剩余变量分别引进原模型，进行多方比较，得到最合适的回归方程，结果如下所示：

第一步，引入X2 ，发现模型R2变大，参数符号符合实际意义，并且变量的t值均大于临界值，通过检验;

第二步，引入X3，发现模型的R2比原來的更大，参数符号符合实际意义，并且变量的t值均大于临界值，通过检验;

第三步，引入X1，R2比原来的减小，同时的t值小于临界值，通不过检验;

第四步，去掉X1，引入X4，R2虽然有所提高，但是X4的参数不能通过t检。

第三步和第四步说明，X1和X4是影响可以忽略的。因此，最终的模型应以y=f（X1，X3，X5）为最优。

2.3 模型检验

2.3.1 异方差检验

运用White检验模型中是否存在异方差，得到结果：

异方差检验中：H0：模型中不存在异方差;H1：模型中存在异方差。

可知，R2=0.244，White统计量nR2=25×0.244=6.096<11.07，接受原假设。即模型不存在异方差性。

2.3.2 自相关性检验

采用LM检验，由结果可知，nR2的伴随概率为0.4544，比α大，接受原假设。所以，我们可以认为此模型不存在自相关性。

2.3.3 残差正态性检验

残差的正态性检验中原假设H0：残差服从正态分布;H1：残差不服从正态分布。

对本文最小二乘估计后的残差进行正态性检验见图1。

由图1可知，Jarque-Bera统计量的伴随概率为0.709大于0.05，且偏度值（0.395）和峰度值（3.182）也表明残差服从正态分布。

2.4 模型结果

通过以上检验模型最终确定为：

LnY=-6.777+1.342lnX2-0.075lnX3+0.33lnX5   （2）

由式（2）可得，当有效灌溉面积增加1%时，粮食产量增加0.334%;当粮食播种面积增加1%时，粮食产量增加1.342%;而当成灾面积增加1%时，粮食产量减少0.075%。综上，粮食播种面积对其产量具有强有力的影响。

3 结论和政策建议

通过上面的分析，化肥施用量和农业劳动力两个变量无法通过检验，于是剔除。对其他三个变量分析，得出粮食播种面积是其最主要的影响因素，其次是有效灌溉面積，而成灾面积则对其具有不利影响。随着城镇化水平的提高和技术的进步，农业劳动力对粮食生产的影响基本可以忽略。通过调查研究，得出可以从以下几方面提高粮食产量。

3.1 扩大种植面积，合理利用土地

播种面积是评估生产的重点，因此扩大粮食播种面积是我们当前不得不面对的问题。首先，农民要遵守耕地保护制度，不要随意非法占用耕地，保证耕地的面积不减少;其次，要经常翻新耕地，以便使耕地的土质有不错的养分，保障质量;再次，合理利用土地，合理搭配农业品种，充分利用土地。最后，增加耕地种植的多样性，使粮食的品种更加丰富，需求少的粮食品种要减少其种植面积，相反，需求大的品种要扩大其种植面积，从而间接地对粮食的产量起到促进作用。

3.2 充分利用水资源，促进粮食生产

由于水资源的缺乏，要想使庄稼得到充沛的水分，必须充分利用现有的资源，既要合理利用生活用水，如修建地下管道，将城市中可再次利用的水输送到农村、灌溉农田，又要充分利用雨水，如将雨水聚集在一个可循环的水池中，以便更容易将其引入农田中，使庄稼更好地生长，从而使粮食得到更高的产量。并且灌溉的方法也要变化，使用旋转灌溉就是一个比较好的方法，还可以兴修水利，注重水源的质量保证。

3.3 注重生态文明，减少成灾面积

要想在优美的自然环境中生活，必须以保护环境作为首要的责任。首先，应减少成灾面积，要在灾难到来之前消灭它，以免造成不必要的损失;其次，每当收割完农作物时，不要焚烧秸秆，要对农作物的秸秆进行合理的利用，例如作为肥料埋在地下，以使得来年的土地质量更好;最后，将农作物的秸秆回收至沼气池作为燃料。

参考文献

[1] 尚锐，董雪.黑龙江省粮食产量影响因素分析：1998—2002 [J].现代农业科技，2013（8）：292-294.

[2] 赵慧江.基于回归分析的粮食产量影响因素分析[J].内蒙古农业科技，2009（2）：31-35.

[3] 范东京，朱有志.粮食产量影响因素的实证分析与贡献度测算[J].内蒙古财经学院，2011（3）：81-87

[4] 杨聪敏，马长海.粮食产量影响因素研究[J].对策研究， 2013（6）：34-36.

[5] 吕爱清，杜国平，卞新民，等.中国粮食产量虚拟变量模型研[J].安农业科技，2005（11）：2136-2137.2155.

[6] 谢杰.中国粮食生产影响因素研究[J].经济问题探索， 2007（9）：36-40.

[7] 许光宇，李阳阳，毛成龙.影响我国粮食产量因素的计量经济学研究[J].集体经济;学术探讨，2011（5）：87-88.

[8] Rathowsky D.Handbook of nonlinear regression models[M].Marcel Dekker：New York and Basel，1990.