粮食主产区县域农业机械动力投入时空演变分析——以河南省108个县(县级市)为例

农业机械化是农业现代化建设的重要内容。为此,以县域为基本研究单元,利用变异系数与艾肯森指数等区域差异研究方法对河南省2004-2013年近10年的农业机械动力投入进行动态差异分析,并采用探索性空间分析方法(ESDA),在Arc GIS与Deo Da095i软件的支持下,分析近10年来河南省农业机械动力投入的时空格局与时空演变特征。结果表明:2004-2013年,河南省县域农业机械动力投入均值呈显著的增长趋势,但整体区域差异呈现出逐渐缩小的态势;2004-2013年河南省县域农业机械动力投入之间存在显著的空间正相关,表现出明显的空间集聚现象,但农业机械动力投入水平相似的县域在空间上的集聚态势会逐渐降低;局部空间集聚格局,总体呈现出东北部较高而西南与东南部较低的特征;2004-2013年整体空间分布位置变化不大,数量上有明显变化,高高集聚与低低集聚型县域数量总体呈现出明显减少的趋势,各县(县级市)趋向于平衡化的发展。

中国农业机械动力空间格局分析

以全国省级行政区为基本研究单元,利用基尼系数与ESDA空间分析技术,分析了近10年全国农机总动力的区域差异时空特征。结果表明:全国省域平均单位农机动力投入存在明显的空间差异,整体呈现东部大于西部、北部大于南部、由东部沿海向西递减的空间分布格局,但这种区域差异在研究期内呈现明显缩小趋势。近10年,全国省域农机动力投入在全局水平表现出显著的空间正相关性,同时又存在明显的局域空间自相关特征。其中,高高聚集区主要分布于京津冀地区,而低低聚集则分布于西南地区,并且随着时间的推移其空间聚集程度在不断减弱,各省域农机动力投入趋向均衡发展。

基于支持向量机的中国农业机械总动力预测

为更好地预测中国农业机械总动力的发展趋势,引入了基于支持向量机的预测方法.以1979—2008年中国农业机械总动力的统计数据为训练样本,以2009年和2010年的统计数据为检验样本,采用新陈代谢法建立了基于支持向量机的我国农业机械总动力预测模型.为了验证该方法的有效性和优越性,同时采用新陈代谢法分别建立了基于普通BP神经网络和改进的BP神经网络的预测模型.仿真预测与检验样本预测的结果表明,基于支持向量机的预测精度明显高于普通BP神经网络和改进的BP神经网络预测模型.在此基础上,计算出2011年至2015年中国农业机械总动力的预测值分别为97 859.1,103 053.7,108 480.7,112 794.7,115 096.8万kW,指出了其具有增长趋缓的变化趋势.

我国电动力农业机械发展现状与趋势

电动力农业机械具有结构简洁紧凑、控制灵活、低碳高效、无尾气噪音污染和维护成本低等特点。根据能源发展方向、市场需求和技术条件,在目前国家给予的政策指导和扶植下,采用电动力是农业机械化的发展趋势之一。为此,分析了近几十年来我国农村用电规模、动力电功率情况和主要用电生产机械的情况,并分类论述了我国电动力农业机械的最新技术应用情况;最后,指出了电动力农业机械存在的主要问题和今后发展趋势。

黑龙江省农业机械总动力预测分析——基于ARIMA模型

运用黑龙江省1980-2011年的统计数据,建立了黑龙江省农业机械总动力的ARIMA模型,并进行了预测分析。结果表明:黑龙江省农业机械总动力是非平稳的时间序列,ARIMA模型的拟合效果良好;应用ARIMA(0,2,1)模型进行预测,1980-2011年预测值与实际值之间的平均相对误差为2.87%,可用于今后黑龙江省农业机械总动力的预测与分析。

中国农业机械总动力预测分析——基于ARIMA模型

运用我国1978-2005年的统计资料,建立了中国农业机械总动力的ARIMA模型,并进行了预测分析。结果表明:ARIMA模型不但适合于中国农业机械总动力的非平稳时间序列特点,且预测效果比较理想;ARIMA(2,2,2)模型预测1982-2005年数值与实际数值之间的平均相对误差仅为1.009%,可用于中国农业机械总动力的预测与分析。

无偏灰色预测模型在农业机械总动力预测中的应用

以我国1997-2005年农业机械总动力数据为基础,将无偏灰色预测模型应用到农业机械总动力预测中,并与传统灰色预测模型进行比较,结果反映了无偏灰色预测模型的优越性,最后预测数据显示2009年我国农业机械总动力将达到85 262.54万kW。

我国农业机械总动力对农产品出口的动态效应——基于VAR模型的分析

在1981—2013年相关经济数据的基础上,运用向量回归(VAR)模型方法,从实证角度分析了我国农业机械总动力和农产品出口之间的动态关系。各项检验结果表明,我国农业机械总动力和农产品出口之间存在双向因果关系,适合建立向量回归模型。采用VAR模型、脉冲响应分析和方差分析方法,对农业机械总动力和农产品出口之间的动态响应关系进行计量研究,结果表明我国农业机械总动力对我国农产品出口具有长期的正影响。

基于灰色模型的农业机械总动力预测

农业机械总动力是评价一个国家农业现代化程度的重要指标。根据2003-2007年我国农业机械总动力的历史数据,采用基于灰预测的指数增长模型对农业机械总动力进行了预测。在模型建立前,进行了级比平滑检验,认为数据具有建立灰预测模型的基础;模型建立后,又进行了相对误差检验、后验差检验和残差检验。检验结果表明,模型具有较高的精度,适合中长期预测。最后,根据该模型给出了2010-2012年我国农业机械总动力的预测结果,认为我国农业机械总动力将于2012年达到103 222亿kW。

吉林省农业机械总动力及其影响因素分析

农业机械化是农业现代化的重要标志,吉林省作为粮食大省,农业机械化的发展至关重要。为此,运用吉林省1987-2012年的相关数据,对吉林省农业机械总动力及其影响因素进行多元线性回归分析,建立了回归模型。结果表明:在其他变量保持不变的情况下,农村居民家庭恩格尔系数每降低1%,农机总动力就增加0.5947%;农村劳动力转移率每增加1%,农机总动力就增加0.5155%;农民家庭年纯收入每增加1%,农机总动力就增加0.1248%;农业财政支出每增加1%,农机总动力就增加0.0936%;人均耕地面积每增加1%,农机总动力就增加0.0064%。未来吉林省要充分重视这5个主要因素,从提高农民对农机的内在需求和加强政府扶持等外部环境两大方面促进农业机械化的发展。另外,需要加强对新型职业农民的培育,以适应新时期农机发展对人才与科技的需求。

基于灰色BP神经网络农业机械总动力预测的研究

本文在灰色GM(1,1)模型基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对农业机械总动力进行预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。进而,以郑州市农业机械总动力作为实例进行预测,结果证明了该组合模型的优势,为农业机械总动力预测提供参考依据。

黑龙江垦区农业机械总动力预测与分析

本文对黑龙江垦区农业机械总动力进行了预测分析。利用灰色系统理论,建立了灰色预测GM(1,1)模型,利用历史数据对农业机械总动力进行了预测,并进行了分析,为农业机械化发展规划提供依据。通过定性分析和建立GM(1,1)预测模型进行定量预测,预测结果为黑龙江垦区到2005和2010年末农业机械总动力将达到366.9和404.6万千瓦。认为黑龙江垦区农业机械将向着科技含量高、通用性好、经济性好、高生产率方向发展。

吉林省农业机械总动力发展研究——基于主成分分析

吉林省作为粮食大省,农业机械化的发展对于实现农业现代化至关重要。为此,采用吉林省1994-2013年的相关数据,运用主成分分析法,对吉林省农业机械总动力及其9个影响因素进行相关研究,最终建立因变量ZY与自变量ZX1~ZX9的多元线性回归模型。模型中,只有农村恩格尔系数与农业机械总动力呈负相关,其余自变量均与农业机械总动力呈正相关。粮食单产的系数为0.207;农民受教育程度的系数为0.276,相对较低;其余自变量的系数均在0.34~0.37之间,基本相差不大。最后,提出吉林省要继续加强宏观资本、微观生产资料及科技管理要素的投入,大力培育新型职业农民的建议,以适应新时期农机发展对人才与科技的需求。

中国农业机械总动力与农业劳动生产率关系的研究

从全国农业机械总动力与农业劳动生产率关系的视角进行研究,主要采用实证分析法,以全国1996-2015年的二十组有关农业机械总动力和农业劳动生产率的数据为基础,借助Eviews8.0统计分析软件,通过简单的线性回归、协整、格兰杰检验、VAR分析,得出农业机械总动力提高了农业劳动生产率的结论,并对今后农业机械化的发展提出相关建议。

我国农业机械总动力预测——基于背景值优化的GM(1,1)模型

随着现代科技的不断发展，农业机械化程度不断提高，而农业机械总动力是衡量一个国家农业现代化程度的重要指标。传统的灰色预测方法无法更加准确地进行预测，因此，提出了基于背景值优化的GM（1，1）模型预测，并用2003～2012年的数据对模型进行验证对比，解释了此方法相比单纯的灰色预测精度有所提高，可以预测我国未来数年内农业机械总动力的拥有量，便于国家对农机发展的宏观调控。

2000-2017年中国农业机械总动力水平空间演变特征

运用ArcGIS空间分析探究2000-2017年中国9大农业区农业机械总动力水平的空间分布,从省域层面分析各省(自治区、直辖市)(香港、澳门、台湾除外)地均农业机械总动力空间分布的演变特征,并运用皮尔逊(Pearson)相关性分析探究耕地变化和第一产业增加值变化与农业机械总动力变化的相关性。结果表明:2000-2017年,中国农业机械总动力水平快速提升,整体由"一强多弱"向"多强并存"格局演变,但省域发展不均衡,存在较明显的空间差异。农业机械总动力与第一产业增加值变化的相关系数为0.735,说明农业机械总动力的增长会带动第一产业增加值的提高,与耕地变化的相关系数为0.478。

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。

基于面板数据的江西省农业机械总动力影响因素研究

为明确影响农业机械总动力增长变化的主要原因,根据江西省1994—2018年的相关统计资料,选取种植结构、粮食产量、农民人均可支配收入、第一产业就业人员占比和江西省财政总收入5个影响江西省农机总动力增长的主要指标,采用多元回归分析法,解释影响江西省水稻农业机械化总动力变化的主要因素,包括粮食播种面积占比(即粮食作物播种面积占总农作物播种面积比值)和第一产业就业人员占比。结合江西省的实际情况提出稳定粮食播种面积,创造良好的耕作环境,综合考虑政策因素、技术因素因地制宜制定合理的补贴政策等具体对策及建议。

探究中国农业机械总动力对农业总产值的影响——基于各省份的面板数据的实证研究

本文基于1991~2020年四川、山东、广东、江苏、河南、黑龙江六个省份的面板数据,构建面板回归模型,探究中国农村农业机械总动力对农业总产值的影响,同时将农作物总播种面积作为这一影响过程的中介变量,化肥施用量作为调节变量。结果表明:农业机械总动力对农业总产值的影响是正相关的,并且这一影响是通过中介变量农作物总播种面积来实现的,调节变量化肥施用量也可以对这一过程起到正向促进作用。最后基于此结论提出相应的政策建议。