基于充分降维方法的河南省农业综合竞争力研究

2020-12-29 08:10王慧聪费宇
河南农业大学学报 2020年6期
关键词:降维竞争力聚类

王慧聪,费宇

(云南财经大学统计与数学学院,云南 昆明 650221)

2015年的中央一号文件指出,“国内农业生产成本快速攀升,大宗农产品价格普遍高于国际市场,如何在‘双重挤压’下创新农业支持保护政策、提高农业竞争力,是必须面对的一个重大考验[1]。”一个地区的农业综合竞争力是指该地区的农业作为一个整体产业能在激烈的市场竞争中不断获利、保持产量增长、提高附加值的能力[2],研究或评价一个地区农业综合竞争力的目的是为了了解该地区农业产业各项资源整合情况,洞悉农业科技水平、生产效率及竞争优势,并在此基础上补短板、固优势,在实现地区农业竞争力提升的同时能够促进国家形成现代农业发展的新局面。

当前河南省农业发展属于高投入、高产出模式[3],农业技术水平整体不够高,农产品结构不合理等问题仍然存在,如何更好地发挥自身比较优势,提升农业竞争力成为当前河南省农业发展需要关注的问题。

近年来,中国关于农业综合竞争力的研究较为丰富,并主要集中在农业竞争力指标体系构建与影响因素分析2个方面。在指标构建中,孙能利[4]从影响农业竞争力的生态资源禀赋、农村公共基础设施投入、农业科技水平、农业产业集群和农业市场环境等5类因素构建1套完整的区域农业竞争力评价指标体系。姚爱萍[5]从农业生产要素、农业生活条件和教育、科技发展3个角度建立了1套省域农业竞争力测度指标体系。张丽娥[6]在对农业竞争力影响因素分析的基础上将区域农业竞争力这个一级指标,分为了由农业基础竞争力、农业科技机械化竞争力、农化资本竞争为、农业产业竞争力、农化生态与环境竞争力、农业发展竞争力、农业外向度竞争力和农业投入竞争力8个2级指标和60个3级指标组成的评化体系。在影响因素分析中,苏航[7]认为,区域农业竞争力的影响因素包含自然环境、生态环境、农业基础设施与装备、农业生产技术、农业发展的市场环境以及制度,政策和管理共六个方面。阳杨[2]在分析四川省农业竞争力影响因素时认为,突然发生的偶然事件会打破行业中原先存在的竞争状态,例如地震洪水或战争等。孙能利[4]认为,除了自然环境生产技术外,农业工业化及城镇化程度对区域农业竞争力有很大的影响。王琦等[8]则从农产品贸易出口规模以及涉农企业在世界五百强中的排名作为依据分析中国的农业国际竞争力。木伶俐[9]认为,社会网络通过网络规模,网络强度和网络中心度三方面来影响农业企业竞争力。

在分析方法选取上,巩一飞[10]利用主成分分析方法分析山西省农业综合竞争力,胡玉成[11]利用因子分析法,熵权法以及组合评价法对湖北省农业竞争力进行了分析,吴雪丽[12]将定性分析与定量分析相结合,利用综合评价方法对关中-天水经济区农业综合竞争力进行评价分析。刘守威等[13]通过动态Esteban - Marquillas 拓展模型分析法,讨论了新疆整体农业结构及各农业部门结构优势与竞争力情况。崔宏芳[14]从贸易增加值视角出发计算显示性比较优势指数用来比较金砖国家农业出口竞争力。张丽君等[15]通过动态面板数据分析,比较了丝绸之路沿线国家的农产品国际竞争力。类似主成分分析这种传统的降维分析方法通常会存在“解释难”的问题,即降维后的主成分解释含义会带有模糊性,不像原始变量的含义那样清楚;且当主成分的因子负荷的符号有正有负时,综合评价函数意义就不明确。因此,本研究考虑选择更有效率的充分降维方法进行分析,一方面可以使所选指标数据的信息做到理论上的无损失,提高信息使用效率,另一方面也可以提高分析结果的精度,使结果更加完整科学。

已有研究从不同的角度分析了农业综合竞争力相关问题,但缺少从各省市发展侧重点及发展结构出发进行分析。因此,本研究考虑结合各省市发展结构,利用充分降维方法对农业综合竞争力这一个问题从发展总量与发展结构两个不同的角度进行分析,对比不同发展侧重点的省市与河南省农业发展之间的差别,找出河南省农业发展的优势和不足所在,进而提出相应的意见建议。

1 指标选取、数据收集与方法选择

1.1 指标选取

关于指标选取,本研究遵循动态性,科学性和可操作性原则来构建农业综合竞争力的评价指标体系。其中“动态性”体现在选择了不同年份的数据进行分析;“科学性”体现在所选指标要符合农业综合竞争力评价的实际需求,同时不能过多过细也不能过少过简,避免指标繁琐与指标信息遗漏;“可操作性”要求所选取的指标应简单明了,便于收集。结合上述原则以及国内外就关于农业竞争力方面的研究文献,确定了3个一级指标和18个二级指标,其中X1至X8为农业综合指标,X9至X15为农业基础条件指标,X16至X18为农村基础设施指标。具体指标及解释见表1。

1.2 数据收集与处理

根据表1中的指标,本研究选取除港澳台以外的31个省份2008年、2013年及2018年的数据作为样本,数据来源于国家统计局网站、中国农村统计年鉴及各省市统计年鉴。其中,中国在2013年开始城乡一体化住户收支与生活状况调查,农村地区纯收入调查变成了可支配收入,故2008年的农村居民人均可支配收入指标由农村居民人均纯收入替代。

1.3 分析方法

表1 数据指标及相应解释

LI给出了切片逆回归降维方法的步骤:

由于切片逆回归沿用了主成分的基本思想,可以看作是主成分方法在回归背景下的改进,自提出以来就被广泛使用。该方法优点是不需要对回归函数做任何形式的假定,对非线性模型的降维比主成分分析方法效果好,且在原则上不损失变量信息,同时在实际问题的分析中,如果对一个问题的多个方面进行分析,可以选择不同的Y变量,这也是比传统降维方法更有优势的地方。

2 河南省农业综合竞争力分析

2.1 降维分析

本研究使用充分降维方法来分析农业综合竞争力,重点在于需要选择一个合适的指标作为Y变量,而以上选取的指标中,农业总产值(X2)可以直观反映一个国家或地区在一定时期内农业生产的总规模和总成果,且其他指标均属于农业总产值的影响因素,因此选取了指标中的农业总产值(X2)作为Y,其他17个变量作为X是合适的。降维过程使用MATLAB实现,固定切片数H=5,所降维数K采用BIC准则自动选择。

同时由于每个省市有其发展的结构与侧重点,本研究从这个角度出发,另选取指标中的第一产业增加值占地区生产总值比重(X6)作为Y进行降维分析后聚类,可以将相同发展侧重点的省份聚为一类,便于将各省市农业发展状况与实际发展结构结合进行分析。

2.2 聚类分析

本研究分析的是河南省农业综合竞争力在全国各省市中所处的位置,且全国的分类并无具体的标准,需要分别对2次充分降维后的结果进行聚类分析,聚类方法选择系统聚类法中的类平均法,运用R语言得到的聚类结果分别如表2和表3所示。

由表2可知,31个省市3年数据聚类结果均为4类,从第1类至第4类农业竞争力从强至弱,且每类省份均有相似的特点,类与类之前有较大的差别,符合聚类结果的分布,具有一定合理性。其中河南省一直位于第1类之中,表明从农业发展的总量上看河南省始终位于全国前列,同在第1类的还有江苏省、山东省和四川省。第2、3类的省份之间随时间变化也有些许变化,而第4类省份相对固定,主要包括几个城市规模较大的直辖市和受制于区位因素和自然资源条件导致农业发展落后的省份。

表2 31个省市充分降维后聚类结果(以X2为Y变量)

表3是以第一产业增加值占地区生产总值比重(X6)作为Y变量进行降维后的聚类结果,第1类至第4类代表农业发展在当地经济发展中的重要性程度由高到低,对比表2可知2次聚类结果有很大的不同,河南省在2008年与2013年均处于第2类,在2018年被归为第3类,表示随时间推移河南省三次产业结构发生了一些变化,以农业为主的第一产业发展在河南经济发展中的重要性程度有所降低。结合表2的聚类结果选取2个省份进行对比,江苏省在表2中位于第1类,而在表3中处于第4类,与北京上海等省市同类,属于并不以农业为发展侧重点,但农业发展实力较强的省份,可以选做纵向对比;选取农业发展结构和条件与河南省情况相似的山东省进行横向对比。通过3省的对比分析,找出各自省份的优势与不足支出,为提升河南省农业综合竞争力提供参考。

表3 31个省市充分降维后聚类结果(以X6为Y变量)

2.3 河南省与江苏省和山东省对比分析

上文分析得出江苏省和山东省在农业竞争力水平上与河南省类似,并且3省在地理位置上也相距较近,区位条件相差不大,鉴于当前农业发展越来越与科技水平挂钩,因此将从农业技术水平,抗风险能力,以及绿色农业发展水平3方面分别讨论河南省与江苏省、山东省之间的差异。

2.3.1 农业技术水平 农业技术水平可以体现农业现代化的发展程度,根据《中国农业机械工业年鉴》(2018)中机播面积、节水灌溉面积和农机化培训人次数据计算得出3省农业技术水平的对比分析如表5所示,在机播面积占比上,河南省达到了72.98%,处于较高的水平;而在节水灌溉面积占比上,河南省仅为35.13%,低于江苏省和山东省,河南省与山东省大部分位于华北平原范围内,春季干旱少雨,从全国降雨量分布情况看,2省均位于400~800 mm等降水量线之间,而江苏省大部分地区年降水量在800 mm以上,因此节水灌溉技术的普及对于河南省和山东省的农业发展显得更为重要;在农机化培训人数占比上,河南省为9.63%,低于另外2省一方面与河南省人口基数大,乡村机械从业人员多有关,另一方面也表明河南省在农机规模化应用和专业技术培训方面还有很大上升空间。

表4 河南省、山东省及江苏省农业技术水平对比

2.3.2 抗风险能力 成灾面积占受灾面积比重高低可以衡量一个地区的农业抗风险能力,图1显示3省近10年成灾面积占比的变化情况。可知3省在成灾比重上差距不大,山东省整体表现最为平稳,河南省除在个别年份占比超过了50%,其余年份表现较为平稳,江苏省整体波动较大,计算均值可知,河南省占比均值达到42.42%,略高于另外2省,这表明河南省在抵御自然灾害,降低成灾规模方面有一定的实力,未来可以着重提升应对突发事件冲击的减震能力。

图1 河南省、山东省及江苏省成灾面积占受灾面积比重

2.3.3 绿色农业发展水平 2020年中央一号文件明确提出,“继续调整优化农业结构,加强绿色食品、有机农产品、地理标志农产品认证和管理,打造地方知名农产品品牌,增加优质绿色农产品供给”[17],这表明绿色农业将成为未来农业发展的重点之一。随着人们生活质量的不断提高,对食品的要求更加严格,绿色食品需求将进一步增大,市场占有率将逐步提高,绿色农业生产模式也将逐渐取代现有的 “化肥农药模式”。表5是中国绿色食品发展中心网站上公布的3省关于绿色食品产品、企业和地标农产品的数据,截至2019-09-04,河南省绿色食品获证产品和企业个数均为3省中最低,地理标志农产品个数在3省中处于中间水平,表明河南省未来可以在绿色食品品牌化和规模化上拓展出新的发展空间。

表5 河南省、山东省及江苏省绿色农业发展水平对比

3 结论与建议

3.1 主要结论

从上述关于农业发展总量的聚类结果上看,河南省农业综合竞争力在全国所处位置较为靠前,3次聚类结果中河南省均位于第1类,这与河南农业大省的现状相符合。从农业发展结构上来看,河南省2008年、2013年位于第2类,到2018年被归为第3类,一方面体现了河南省农业产值贡献度的下降,另一方面反映出河南省产业结构由第一产业向二、三产业转移是更加科学的转变,三次产业结构更加科学合理才能使地区经济发展更具活力。

从与江苏省和山东省当前农业发展的对比结果看,河南省在农业机械化水平和农业抗风险能力方面表现较强,在农机化培训、节水灌溉推广和绿色农业发展方面表现一般;而江苏省的农业科技水平较高,农机化培训率较高,并且十分注重节水灌溉技术的应用,同时绿色农业发展进程较快,拥有绿色食品品牌意识,一定程度上表现出“低投入-高收益”的发展模式;山东省整体上与河南省农业发展水平和阶段相类似,但在农业抗风险能力表现上要优于其他2省,机械化水平和绿色农业发展方面也展示出较强的实力。因此,未来河南省要以上述各方面为着力点探索出一条绿色高效的新型农业发展道路。

3.2 政策建议

3.2.1 增强农业技术支撑力,充分利用人力资源 先进的农业生产技术在提高生产效率的同时也可以降低自然灾害造成的损失,因此要完善现代农业设施建设,加快节水改造进程,提高防汛抗旱能力,同时因地制宜探索出适合本地区农业发展的智能化新技术。技术支撑力不仅包括机械化资源,也应包括人力资源,要充分发挥河南省人口大省的优势,鼓励民间力量开办农业技能培训班和培训学校,不仅让农民和新型职业农民接受技术和技能培训,返乡就业大学生及大学生村官等也应该在上岗前学习涉农专业课程,使相关从业人员的专业素养可以与不断进步的农业机械化水平和生产技术相适应。

3.2.2 推动农村基础设施建设,夯实农业发展基础 在农业生产中面临的风险既有自然风险也有经营风险[18],因此除了通过提升技术支撑力来提高防灾减灾能力,降低自然风险之外,还需要农村基础设施作为支撑,以应对重大突发事件造成的经营风险。未来河南省要进一步完善农村基础设施建设,推进乡村网络覆盖和物流覆盖范围和质量,利用网络直播拓展农产品销售渠道,将小农户也融入农业产业链中,尝试构建农业生产信息网络,避免因“信息不对称”而出现农产品销售难的困境。

3.2.3 在保生产的前提下,增添绿色农业发展活力 未来河南省在保证正常生产的同时,一方面要合理规划农业土地布局,建立有偿使用自然资源的生态补偿制度[19],对于高端农产品集约化生产要给予扶持。另一方面要提倡绿色消费,推进绿色农产品品牌化地标化,建立健全溯源体系,让更多人了解绿色食品的同时还能享受“舌尖上的安全”。通过扶持本地涉农电商平台建设,打造本地农副产品产业集聚和品牌效应,促进农民增收。还可以借助互联网平台打造绿色生态农庄吸引周边注重生活品质的年轻人,并逐步扩大影响力,形成休闲农业产业的新模式[20],打造河南省农业发展新的增长点。

猜你喜欢
降维竞争力聚类
混动成为降维打击的实力 东风风神皓极
Helicobacter pylori-induced inflammation masks the underlying presence of low-grade dysplasia on gastric lesions
降维打击
蓝青松:让竞争力武装到牙
论外卖品牌的竞争力
基于高斯混合聚类的阵列干涉SAR三维成像
基于Spark平台的K-means聚类算法改进及并行化实现
服务外包提升中国新的竞争力
基于加权模糊聚类的不平衡数据分类方法
一种改进的稀疏保持投影算法在高光谱数据降维中的应用