全国粮食种植面积影响因素分析

孙小军

(云南财经大学 云南 昆明 650221)

全国粮食种植面积影响因素分析

孙小军

(云南财经大学 云南 昆明 650221)

本文首先通过空间统计方法说明粮食种植面积存在区域差异，然后通过多元线性回归方法对10个指标进行建模。结果表明：可选择农业机械总动力、化肥施用量、农业固定资产投资、城乡人均收入差距、农村用电量、第二产业比重和乡村人口比重等7个变量来构建模型，通过这7个变量，可以对今后粮食种植面积进行预测，使得粮食种植生产能稳定发展。

粮食种植面积；空间统计；多元线性回归；逐步回归

一、引言

国以民为本，民以食为天，粮食种植面积是保证国家粮食供给安全的重要前提，研究粮食种植面积是十分有意义的。决定粮食的种植面积的原因有非常多，不同的学者对粮食种植面积的影响因素提出了不同的看法。叶丽丽、王少敏等[1]综合应用灰色关联和多元回归方法得出农民受教育程度、农产品生产价格指数、化肥的施用量、农业劳动力人口、农村机械化程度等对粮食的种植面积有明显的影响；王春华[2]认为粮食补贴能更好地发展农业生产，对粮食种植面积具有一定的影响；王莉、苏祯等[3]认为农户粮食种植面积变化与粮价波动相关,政府应该采用多种政策措施来稳定粮价的波动确保粮食生产的稳步增长；

本文结合粮食区域差异，对于粮食种植面积的影响因素分析，为了更好地研究各因素之间的关系，采用多元线性回归模型对影响因素进行分析，以期得到最有效的结论。

二、粮食种植面积的区域差异分析

在我国粮食生产不断变化的过程中，逐步形成了粮食主产区、产销平衡区和粮食主销区的生产格局。根据《国家粮食规划纲要(2008-2020年)》的划分标准，河南、内蒙古、湖南、河北、四川、吉林、辽宁、江西、山东、江苏、安徽、湖北、黒龙江等13个省区为我国粮食生产的主产区；陕西、广西、云南、新疆、甘肃、重庆、山西、贵州、青海、宁夏、西藏等11个省区为我国粮食生产的产销平衡区；浙江、北京、福建、上海、广东、天津、海南等7个省区为我国粮食生产的主销区。为了解粮食种植面积的区域差异，本文利用1991-2015年中国31个省市自治区(不包括港澳台)的粮食种植面积数据，对其进行空间统计，可知我国粮食种植面积存在着显著的区域差异，其中粮食种植面积的上下差距接近于59倍，具体结果如图1所示。

图1 粮食种植面积区域差异的空间统计图

粮食种植面积最大的是黑龙江省，其次分别是河南、山东、四川、安徽、河北、江苏、内蒙古，这些省份均为我国粮食生产的主产区；粮食种植面积最小的是上海，其次是西藏、北京、青海、天津、海南，这些省份中上海、北京、天津与海南均为我国粮食生产的主销区，而西藏与青海由于人口较少因此为我国粮食生产的产销平衡区。

三、数据来源与指标选取分析

选取1991—2015年粮食种植面积的相关数据，主要自于国家统计局[4]、中国农业统计资料、国家粮食局[5]，并根据问题对数据进行整合和预处理。

对于粮食种植面积的影响因素，主要可以从投入要素论、制度创新论、技术进步论三个角度出发，本文将三方面因素进行综合考虑，科学合理地选取可能会影响粮食种植面积的10个指标进行建模分析。具体指标为如表1所示。

表1 各变量含义

四、粮食种植面积模型构建

多元线性回归分析[6]是处理变量之间关系的一种统计方法。其一般形式为：

设随机变量y与一般变量x1,x2,…,xp的线性回归模型为：

y=β0+β1x1+β2x2+…βpxp+ε

其中，β0,β1,…,βp是p+1个未知参数，β0成为回归常数，β1,…,βp称为回归系数。y称为被解释变量，x1,x2,…,xp是p个可以精确测量并控制的一般变量，称为解释变量，ε是随机误差。该模型的理论回归方程为：

E(y)=β0+β1x1+β2x2+…βpxp

多元线性回归分析的一般步骤：

1.求参数y=β0+β1x+β2x2+ε估计值β0，β1，β2，建立回归模型β0；

2.对回归方程的效果及各自变量的贡献率做显著性检验。

为贯彻落实财政部《行政事业单位内部控制规范（试行）》精神，高校对内部控制建设日益重视。大多数高校从整体上对内部控制制度及流程重新进行了梳理和规范，根据各自特点与发展方向，改进内控体系建设，提高精细化管理水平。

根据以上建立的粮食种植面积与影响因素指标体系，建立以下多元线性回归模型，运用R软件对模型进行估计，结果如表2所示。

表2 模型估计结果

由表2模型的估计结果可以看出，F统计量的P值为7.282e-06，在0.05的显著水平下显著，说明回归模型显著。调整的R2为0.8557，说明模型的拟合效果较好。而解释变量x1、x4、x5、x8、x9的回归系数的P值均较大，说明这些变量对被解释变量y的线性回归效果不显著，需进行逐步回归来将这些变量剔除。进行逐步回归估计结果如表3所示。

表3 逐步回归估计结果

由表3模型的估计结果可以看出，F统计量的P值为7.619e-08，在0.05的显著水平下显著，说明回归模型显著。调整的R2为0.8778，说明模型的拟合效果较好。因此回归方程为：

y=-3.476×105+1.584x2+16.12x3+0.9158x4-4.277x6

+6.006x7-1.035×103x8+5.582×103x10

通过利用逐步回归，可以选择农业机械总动力、化肥施用量、农业固定资产投资、城乡人均收入差距、农村用电量、第二产业比重和乡村人口比重等7个变量来构建模型，通过这7个变量，可以对今后粮食种植面积进行预测，使得粮食种植生产能稳定发展。

五、结论与建议

为了找出影响粮食种植面积的因素，本文首先通过空间统计的方法说明粮食种植面积存在区域差异，然后选取影响粮食种植面积的10个指标，建立了多元线性回归模型和逐步回归模型。结果表明，可以选择农业机械总动力、化肥施用量、农业固定资产投资、城乡人均收入差距、农村用电量、第二产业比重和乡村人口比重等7个变量来构建模型，通过这7个变量，可以对今后粮食种植面积进行预测，从而来提高粮农种植的积极性，扩大粮食的种植面积。

从本文粮食种植面积的影响因素分析中，给出如下建议：

1.从多角度出发调控粮食种植面积。影响粮食种植的因素众多，包括投入要素、技术进步、政策支持等因素。因此若有效地调控粮食种植面积，应从三者的角度出发，比如调整农业生产要素的投入、促进技术进步、出台相应的农业政策。

2.适时调整粮食最低收购价以调控粮食种植面积。为了调控粮食的种植面积，国家可以适当调整粮食最低收购价，同时可以提供给粮农其他的一些优惠政策，从而来提高粮农种植的积极性，扩大粮食的种植面积。

[1]叶丽丽，王少敏.基于灰色关联和线性规划的粮食种植面积影响因素分析[J].理论探讨，2017，5：69-71.

[2]王春华.国外粮食补贴政策对我国粮食生产的启示[J].粮食问题研究，2016，5：51-53.

[3]王莉，苏祯.农户粮食种植面积与粮价的相关性研究——基于全国农村固定观察点的农户调查数据[J].农业技术经济，2010，9：90-96.

[4]中华人民共和国国家统计局：http://www.stats.gov.cn/tjsj/ndsj/

[5]国家粮食局：http://www.chinagrain.gov.cn/index.html

[6]吴喜之.应用回归及分类——基于R[M]，北京：中国人民大学出版社，2016：14-150.

孙小军(1992.7-)，男，汉族，研究生，云南财经大学，研究方向：应用统计。