“互联网+”与精准农业相互影响的实证研究

胡世霞 沈祥成 易妍睿 邢美华 张 超

（1.湖北省农业科学院农业经济技术研究所/湖北省农业科技创新中心农业经济技术研究分中心/湖北省乡村振兴研究院，湖北 武汉，430064；2.湖北省耕肥总站，湖北 武汉，430070；3.中国电信安徽分公司智慧营销事业部，安徽 合肥，230001）

一、引言

随着互联网的普及，互联网技术在现代农业经济发展中的应用越来越广泛，精准农业已成为当今世界现代农业发展的大趋势[1]。利用互联网技术改造传统农业，能够优化农业生产要素组合，形成精准生产和产出，提高农业的创新力和生产力。研究“互联网+”与精准农业的相互影响和作用，对于保障农产品有效供给，提高农产品质量，改善农业生态环境具有重要意义。

当前理论界对“互联网+”与精准农业研究的文献很多，可集中归纳为以下四个方面：一是关于“互联网+”与精准农业的发展现状、影响因素、关键技术[2][3][4]；二是关于“互联网+”与精准农业的发展模式、生产方式[5][6][7]；三是关于“互联网+”与精准农业发展环节和发展路径[8][9][10]；四是关于“互联网+”与精准农业的发展经验和支持政策[4][11]。从已有的研究文献看，针对“互联网+”与精准农业相互影响的定量研究相对较少，深入研究不多；对“互联网+”和“精准农业”各要素之间进行定量研究的更是鲜见。为此，本研究以湖北省2005—2018年“互联网+”和精准农业相关指标数据为基础，利用典型相关分析（CCA）模型定量分析“互联网+”与精准农业的相互影响，探索“互联网+”与精准农业相互影响的机理，寻找“互联网+”与精准农业融合发展的路径，推动现代农业的发展。

二、研究方法和模型

（一）研究方法

本文主要选择典型相关分析法（CanonicalCorrelation Analysis）进行实证研究。它是将变量分成两组，从两组变量的整体性出发，把两组变量分别作为一个整体，并在此基础上研究两个整体间的相互关系。两组变量中的一组变量是独立变量，而另一组是因变量。典型相关分析使用主成分分析法为每组变量找到最佳线性组合，以使新的集成变量可以涵盖原始变量的大部分信息，构成典型相关变量。其中第一对典型相关变量是由两系统对应典型变量间的相关性最大的一组构成。类似得到第二对、第三对……典型相关变量，且变量间相互独立，典型相关变量间的简单相关系数称为典型相关系数。一般两组变量间的相关性用两组典型相关变量的相关系数体现。

（二）模型介绍

一般设 X=（X1，X2，…，Xp）'、Y=（Y1，Y2，…，Yq）'是两个相互关联的随机向量，这里分别代表“互联网+”和“精准农业”两大系统。典型相关分析方法基于主成分分析的原理，分别在两组变量中选取若干有代表性的集成变量Ui、Vi，使每一综合变量都是原始变量的一个线性组合，即：

式中，Ai=（ai1，ai2，…，aip）'、Bi=（bi1，bi2，…，biq）'是任意非0常数向量。Ui、Vi表示原变量X、Y的第i对综合变量，按Ui、Vi之间相关系数大小排序，相关系数最大的线性组合作为第一对典型相关变量U1、V1，类似得到第二对、第三对……，且各对典型相关变量之间互不相关。进而“互联网+”与“精准农业”两对原始变量X、Y的线性相关情况可由这些典型相关变量反映。“互联网+”与“精准农业”的第一对典型相关变量U1、V1可由以下优化约束模型得到：

其中，A'X=a1X1+a2X2+…+apXp，B'Y=b1Y1+b2Y2+…+bqYq。这里 A1'X、B1'Y是“互联网+”和“精准农业”的第一对典型相关变量，类似得到第二对、第三对……典型相关变量，这里记 Ui、Vi的典型相关系数为：（rUi，V）i=λi。

典型相关分析的显著性检验方法如下：

首先，对第一对典型相关变量U1、V1作显著性检验，假设如下：

模型似然比统计量为：

假设检验统计量为：

检验统计量在给定显著性水平为α（一般取5%）的基础上，若 F1＞Fα，即 P（F1）＜P（Fα）=5%时，则否定原假设H0，即第一对典型变量具有相关性，否则两变量不相关。若第一对典型变量相关，同理，继续检验下一对典型变量，直到某一对典型变量不相关为止。

典型相关分析具体步骤为：①计算原始变量间相关系数，进行简单相关分析；②计算典型变量及对应典型相关系数，进行统计检验，确定典型变量对数（多变量统计检验P值应小于5%），分析典型变量间的相关系数，判定典型变量对模型的贡献度；③计算典型变量系数，得出典型相关模型；④计算典型载荷系数，进行典型结构分析，判断典型变量代表性的强弱，载荷系数在0.9左右表示关联性很强；⑤计算典型相关分析模型的冗余度，验证模型解释能力，模型冗余度越接近于1，解释能力越强。

（三）变量选择

分析湖北省“互联网+”与精准农业相互影响过程中，根据研究需要和变量指标的可获取性，在“互联网+”方面选取湖北省2005—2018年农民家庭每百户家用计算机拥有量（x1）、农民家庭每百户彩色电视机拥有量（x2）、农村互联网宽带接入用户数量（x3）、农民家庭每百户移动电话拥有量（x4）、农村长途光缆长度（x5）五个指标；在精准农业方面选取湖北省2005—2018年机械植保面积（y1）、农作物测土配方施肥面积（y2）、化肥深施面积（y3）、使用微量元素肥料面积（y4）、化学调控面积（y5）五个指标。

（四）数据来源

本文研究分析中所运用的数据，主要来自《湖北统计年鉴》（2006—2019年）和《湖北农村统计年鉴》（2006—2019年），以及湖北省耕肥总站、湖北省植保总站2006—2019年相关抽样调查数据。

三、结果与分析

（一）“互联网+”与精准农业指标简单相关性

根据前文介绍的典型相关分析模型思想，结合搜集到的各变量研究数据，借助SAS 9.4统计分析软件进行数据处理，分析出湖北省“互联网+”与精准农业发展的典型相关关系。首先从两系统间的相关性出发，初步得到湖北省“互联网+”与精准农业各对应指标间的简单相关分析结果，如表1所示：

表1 “互联网+”与精准农业指标间相关系数

从表1指标间相关系数可知，在“互联网+”指标相关性方面，农民家庭每百户家用计算机拥有量（x1）与农民家庭每百户彩色电视机拥有量（x2）、农村互联网宽带接入用户数量（x3）、农民家庭每百户移动电话拥有量（x4）间的相关系数分别为 0.90 、0.97、0.97，农民家庭每百户彩色电视机拥有量（x2）与农村互联网宽带接入用户数量（x3）、农民家庭每百户移动电话拥有量（x4）以及农村长途光缆长度（x5）间的相关系数分别是0.88、0.96 、0.91，农村互联网宽带接入用户（x3）与农民家庭每百户移动电话拥有量（x4）、农村长途光缆长度（x5）间的相关系数分别为0.95、0.88，农民家庭每百户移动电话拥有量（x4）与农村长途光缆长度（x5）间的相关系数为0.88，它们间的相关系数均在0.90左右，表明 x1与 x2、x3、x4，x2与 x3、x4、x5，x3与 x4、x5，x4与 x5间的相关性很强。

在“精准农业”指标相关性方面，机械植保面积（y1）与农作物测土配方施肥面积（y2）和使用微量元素肥料面积（y4）间的相关系数是0.92、0.88，农作物测土配方施肥面积（y2）与使用微量元素肥料面积（y4）间的相关系数是0.93，表明y1与y2、y4，y2与y4间的相关性很强。

“互联网+”与“精准农业”指标间，农民家庭每百户家用计算机拥有量（x1）与机械植保面积（y1）、农作物测土配方施肥面积（y2）、使用微量元素肥料面积（y4）间的相关系数分别为0.91、0.97、0.90，农民家庭每百户彩色电视机拥有量（x2）与机械植保面积（y1）、农作物测土配方施肥面积（y2）、使用微量元素肥料面积（y4）间的相关系数分别为0.95、0.90、0.88，农村互联网宽带接入用户数量（x3）与机械植保面积（y1）、农作物测土配方施肥面积（y2）间的相关系数分别为0.89、0.98，农民家庭每百户移动电话拥有量（x4）与机械植保面积（y1）、农作物测土配方施肥面积（y2）、使用微量元素肥料面积（y4）间的相关系数分别为 0.95、0.96、0.91，农村长途光缆长度（x5）与机械植保面积（y1）、农作物测土配方施肥面积（y2）间的相关系数为0.94、0.89，它们间的相关系数均超过 0.90，表明 x1与 y1、y2、y4，x2与 y1、y2、y4，x3与y1、y2，x4与 y1、y2、y4，x5与 y1、y2间的相关性很强。

（二）典型相关模型实证检验

在两系统组内、组间相关性分析的基础上，进一步使用SAS9.4软件计算两组指标，综合得到典型变量间典型相关系数和显著性检验分析结果（见下页表2）。

表2 典型相关模型实证检验

按照前文研究方法中的假设检验模型理论，将表2中的“互联网+”与精准农业的典型相关系数和特征值有关数据代入似然比统计量和近似F值的计算公式，通过SAS软件得到其似然比统计量和近似F值，并查得对应的检验P值，在α=5%显著水平下，第一对典型变量U1-V1的P值小于5%，即第一对典型变量显著，而剩下四对典型变量均大于5%，不显著，故只有第一对典型变量具有相关性，剩下四对典型变量不相关。故选取“互联网+”与精准农业第一对典型变量（U1-V1）进行典型相关分析。为了研究方便，将U1、V1记作 U、V。

典型相关系数解释的是典型变量之间的相关性问题，典型相关系数越大，表明典型变量间的相关性越强。从表2可看出，第一对典型变量间典型相关系数高达0.997，说明两组变量之间存在很强的相关关系。同时还发现第一对典型变量的特征比例为0.943，说明第一对典型变量包含了“互联网+精准农业”系统中94.3%的信息，具有很强的代表性。

（三）湖北省“互联网+精准农业”典型相关分析

典型变量系数是原始变量转化为典型变量的权数，所反映的是组内变量在形成典型函数模型时的相对作用。前文选取典型变量U、V作为分析对象，通过SAS 9.4软件对“互联网+”、精准农业两组变量进行典型相关分析得到典型变量系数，结果如表3所示。

表3 “互联网+”与精准农业典型变量系数

从表3典型变量系数可知，“互联网+”与精准农业典型相关模型表达式为：

由典型变量U、V可以发现，“互联网+”、精准农业各要素的投入量不同，会对典型变量产生不同程度的影响，U主要体现在农村互联网接入用户数量（x3）和农民家庭每百户移动电话拥有量（x4）的发展水平，其中农村互联网接入用户数量、农民家庭每百户移动电话拥有量每增长1%，“互联网+”典型变量分别平均增长0.96%和1.45%；V是对“精准农业”系统中各因素的线性组合，同样V主要体现在机械植保面积（y1）和农作物测土配方施肥面积（y2）等指标的发展情况，其中机械植保面积和农作物测土配方施肥面积每增长1%，精准农业典型变量将平均增加0.02%和1.42%。

（四）湖北省“互联网+”与精准农业典型结构分析

典型结构分析是研究两原始系统变量与典型变量的关联程度的。首先通过模型计算出“互联网+”与精准农业的典型载荷系数，并以此衡量各典型变量对原始变量的代表性。其中典型载荷系数表示一组原始变量与其典型变量间的相关程度，交叉载荷系数则体现该组原始变量与对应组典型变量的关联程度。一般典型变量的优劣由其对原始变量的代表性强弱判定得到，载荷系数绝对值越大越接近于1，典型变量的代表性越强，典型变量性能越好。通过SAS9.4软件分析得出“互联网+”与精准农业原始变量与典型变量之间相关系数的结果，具体如表4所示：

表4 “互联网+”与精准农业典型结构分析（典型载荷）

由表4可以看到，农民家庭每百户家用计算机拥有量（x1）、农民家庭每百户彩色电视机拥有量（x2）、农村互联网接入用户数量（x3）、农民家庭每百户移动电话拥有量（x4）、农村长途光缆长度（x5）与“互联网 +”指标组典型变量U的典型载荷系数分别是0.95、0.92、0.98、0.96、0.90，均达到或超过 0.90，说明典型变量 U对 x1、x2、x3、x4、x5这 5 项“互联网 +”原始变量代表性很强。同时 x1、x2、x3、x4、x5这 5 项指标与精准农业指标组典型变量V的典型载荷系数分别是0.94、0.91、0.98、0.96、0.90，均达到或超过 0.90，说明 x1、x2、x3、x4、x5等“互联网+”原始变量与精准农业组典型变量高度相关。

精准农业指标组中，机械植保面积（y1）、农作物测土配方施肥面积（y2）及使用微量元素肥料面积（y4）与精准农业指标的典型变量V的典型载荷系数分别是0.92、0.97、0.87，均在0.90左右，说明典型变量V较好地反映了 y1、y2、y4的发展水平。同时 y1、y2这两项指标与“互联网+”变量指标组典型变量U的典型载荷系数分别是 0.91、0.97，说明 y1、y2与“互联网 +”组典型变量高度相关。综合分析看，“互联网+”变量组与精准农业变量组显著互动影响，两者间存在一定的交互解释能力，系统反映了“互联网+”与精准农业发展水平。

（五）冗余度分析和解释能力

与一般多元回归R2统计量类似，典型相关分析模型的冗余度（典型R2）能较好地衡量一组自变量对另一组因变量的解释能力，模型冗余度越接近于1，解释能力越强。本研究从模型冗余度出发，通过SAS9.4软件对“互联网+精准农业”典型相关分析模型进行冗余度分析，得到表5、表6所示结果：

表5 “互联网+”原始变量冗余分析

表6 精准农业原始变量冗余分析

从原始变量典型冗余分析结果看，对于“互联网+”指标组，典型变量U和V分别解释了本组变量的96.7%和96.1%，解释效果很好；对于精准农业指标组，典型变量U和V分别解释了变量组的87.0%和86.5%，解释效果好。两组典型相关分析模型的冗余度典型R2均为0.994，即变量解释度高达99.4%，进一步证明了“互联网+”与精准农业二者间存在显著的统计相关性。

四、结论与对策建议

（一）结论

1.2005—2018年间，湖北省“互联网+”水平提升与精准农业发展两系统整体间存在互相影响、互相促进的强关联关系。互联网的发展有助于精准农业智能化及网络体系建设，同时标准化、科学化的精准农业建设也能极大地促进互联网的普及。因此，积极发展家用计算机、移动电话、农作物机械植保、测土配方施肥、微量元素肥料等相关产业，对于促进“互联网+”与精准农业融合发展具有重要的意义。

2.“互联网+”与精准农业各组指标对本组发展水平的提高有着显著的正相关关系，对对应组发展水平的提高也有着间接影响。湖北省农村家庭每百户家用计算机拥有量、农民家庭每百户移动电话拥有量[12]等互联网指标的发展对精准农业建设具有促进作用。同时，农作物机械植保面积、农作物测土配方施肥面积及使用微量元素肥料面积等精准农业指标的发展也能促进“互联网+”能力的提升。但各要素的投入量不同，对“互联网+”与精准农业的影响程度也不相同。这就启示我们，科学配置“互联网+”与精准农业各要素的投入量，才能取得投入的最佳效果。

（二）对策建议

根据以上结论，建议完善政策机制、加强农业科技研发和应用、强化农机农艺融合等措施，促进“互联网+”和精准农业相互渗透，交织给力，持续递增发展。

1.完善政策机制，建立“互联网+”与精准农业投入的保障体系。积极制定、完善“互联网+精准农业”发展的政策措施，加大财政资金向“互联网+”、精准农业基础设施建设的投入力度。科学配置“互联网+”与精准农业各生产要素的投入比例，提高投资效益。积极推动农村家用彩电、电脑、移动电话更新换代，提升农民互联网信息接收能力。积极开发农业信息化平台，形成广大农民有网上、会上网、善于利用互联网信息的新局面。加强进口技术设备的消化吸收，积极推广全球定位系统（GPS）、遥感监测系统（RS）、农田信息采集与环境监测系统、地理信息系统（GIS）、决策支持系统和智能化农机具系统。重点开展水稻等精准农业试验示范基地建设，探索因地制宜的精准农业技术发展模式。积极支持丘陵地区“稻草易地还土”，精准提高土壤固碳减排能力。积极鼓励土地流向种田大户，充分发挥规模集约经营效益。积极推广畜禽粪污自动干湿分离技术，着力做好畜禽养殖废弃物资源化综合利用。引导社会各界加大对“互联网+精准农业”的关注度和支持度，促进“互联网+精准农业”健康快速发展。

2.加强农业科技研发和应用，保障对“互联网+”与精准农业的技术支持。“互联网+”与精准农业的发展离不开科学技术的进步。一方面，加强农村互联网基础设施建设，着力实施农村宽带村村通政策。充分利用移动电话开展农业科技短信互动，有效解决农业生产中的技术难题。加强涉农部门信息资源整合，完善农村信息服务系统[13]；积极建立农业大数据研究与应用中心，完善农业大数据采集、存储、处理和分析的全产业信息链。积极开发适应农民低成本需求的智能终端，促进互联网技术在农业生产中的应用。另一方面，加强新型职业农民教育培训体系建设，构建基于“互联网+”的新型职业农民专业培训虚拟网络教学环境，支持更多农民将精准农业技术应用于农业生产。积极推进智能农民云平台建设，研发基于智能终端在线教室、互动教室和认证考试的新型职业农民培训教育平台[14]，实现新型职业农民培育的移动化和智能化，为加快现代精准农业发展提供人才支持。

3.强化农机农艺融合，提升精准农业作业水平。积极抓好土地平整，推广农机精准作业播种；积极利用互联网持续开展县域耕地质量等级调查评价，科学应用测土配方、土壤改良、地力培肥、治理修复等综合技术模式；建立田间定位查询土壤养分数据库，科学平衡土壤中碳素与其他养分元素；精准调控土壤碳固持，有效提高土壤有机质含量；合理补充土壤微量元素，提高农产品产量和品质；加快选育精准收获时间的农作物新品种，满足农作物机械收割要求；推广农业规模化经营，提高农机精准作业效率和效益；大力发展温室育秧，有效培育适应机插秧苗；积极推广水稻机插秧侧深施肥技术，促进水稻早期生育优质高产；探索“互联网+”对农作物病虫害的监测，积极推广无人植保机精准配施农药；利用云技术对农户生产、流通、销售的信息进行感知、传输、融合和处理，实现农产品“从田间到餐桌”的全程信息可追溯管理。