Grey Correlation Analysis of the Influence Factors of Grain Yield in Shaanxi: Empirical Research Based on Panel Data

doi:10.11924/j.issn.1000-6850.casb20191100858

Abstract

Abstract:

The grain yield from 1999 to 2017 in Shaanxi was divided into two stages and 10 influence factors of grain yield were analyzed dynamically with grey correlation analysis method, and the data processing was realized by SAS statistical software, aiming to provide data support for improving grain productivity and enhancing grain security in Shaanxi. The results showed that the most important factor affecting the grain yield in Shaanxi was the grain planting area. The effect of effective irrigation area and rural employment on grain yield was gradually enhanced. It was imperative to reduce the amount of pesticides and fertilizers and increase their efficiency. On the macro level, natural factors were still the first to influence grain output, the impact of scientific and technological factors was increased, and the last was policy factor. The important measures to ensure food security in Shaanxi are improving the quality of cultivated land, stabilizing the sown area of grain crops, reducing the amount and increasing the efficiency of pesticides and fertilizers, and promoting green grain production.

Key words: gain yield, influence factors, grey correlation analysis, Shaanxi Province, SAS

CLC Number:

Song Xifang, Yao Hairong, Zhang Xiaofei, Zhang Jianguo, Chen Ni, Chang Xiaojian, Zhang Chenyang. Grey Correlation Analysis of the Influence Factors of Grain Yield in Shaanxi: Empirical Research Based on Panel Data[J]. Chinese Agricultural Science Bulletin, 2020, 36(28): 158-164.

Figures/Tables 8

References 33

[1]	李琳凤, 李孟刚. 当前影响中国粮食生产的主要因素分析[J]. 中国流通经济, 2012(4):109-115.
[2]	陕西省统计局. “稳定器”作用凸显“三农”发展成果丰硕—新中国成立70周年陕西经济社会发展成就系列报告之十四[Z]. 2019.
[3]	李妍. 中国粮食生产影响因素及地区差异分析——基于1990—2006年各省的面板数据[J]. 经济研究导刊, 2009(13):45-46.
[4]	刘利花, 尹昌斌. 中国粮食产量的灰色关联分析[J]. 河南农业大学学报, 2013,47(6):751-755.
[5]	王涛, 宋喜芳, 常小箭, 等. 灰色系统理论在陕西省农作物秸秆可收集量预测中的SAS应用[J]. 安徽农业科学, 2018,46(6):192-195.
[6]	王曙光, 佘义斌, 陈霞, 等. 江苏省粮食产量影响因素的灰色关联分析[J]. 中国农学通报, 2018,34(13):159-164.
[7]	李世涛, 管弘博, 祝健, 等. 基于C-D生产函数对粮食生产影响因素的分析[J]. 高师理科学刊, 2015,35(9):13-17.
[8]	范建刚. 1983—2004年陕西粮食产量与主要投入要素的灰色关联分析[J]. 干旱地区农业研究, 2007,25(3):209-212.
[9]	赵玉姝, 焦源, 高强. 山东省粮食生产影响因素实证分析[J]. 江苏农业科学, 2015,43(7):209-212.
[10]	林志宇, 田贵良. 粮食产量影响因素的动态分析及预测——以福建省1984—2013年数据为例[J]. 湖北农业科学, 2016,55(16):4349-4352.
[11]	王树涛, 李新旺, 门明新, 等. 基于改进灰色关联度法的河北省粮食波动影响因素研究[J]. 中国农业科学, 2011,44(1):176-184.
[12]	王春辉, 周生路, 吴绍华, 等. 基于多元线性回归模型和灰色关联分析的江苏省粮食产量预测[J]. 南京师大学报, 2011,44(1):176-184.
[13]	许朗, 李艳梅, 刘爱军. 江苏省粮食产量主要影响因素分析[J]. 江苏农业科学, 2012,40(5):4-6.
[14]	于楠楠. 中国粮食产量及其影响因素的实在研究[J]. 新经济, 2014,20(5):62.
[15]	顾乐民. 基于最小一乘准则的中国粮食产量与影响因素的相关性分析[J]. 农业工程学报, 2013,29(11):1-10.
[16]	周志刚, 郑明亮. 基于对数均值迪式指数法的中国粮食产量影响因素分解[J]. 农业工程学报, 2015,31(2):1-5.
[17]	李心慧, 朱嘉伟, 王旋, 等. 基于主成分分析的河南省粮食产量影响因素分析[J]. 河南农业大学学报, 2016,50(2):268-274.
[18]	刘思峰, 党耀国, 方志耕, 等. 灰色系统理论及其应用[M]. 北京: 科学出版社, 2010: 122-123.
[19]	吴玉鸣, 李建霞, 徐建华. 中国粮食多因子灰色关联神经网络预测研究[J]. 华中师范大学学报:自然科学版, 2002,36(4):419-423.
[20]	邓聚龙. 灰色系统基本方法[M]. 武汉: 华中理工大学出版社, 1987: 74-106.
[21]	刘思峰, 郭天榜, 党耀国. 灰色系统理论及其应用[M]. 北京: 科学出版社, 1999: 102-155.
[22]	张冲, 王磊, 中国农村人口变动对粮食生产的影响研究[J]. 农村人力资源开发, 2018(6):123-128.
[23]	陕西省统计局. 陕西省统计年鉴[EB/OL]. (2019-11-9)[2019-11-20]. Http://tjj.shaanxi.gov.cn/site/1/html/126/127/233/list.html.
[24]	李嗣同. 我国大气污染的灰色关联分析[J]. 齐鲁工业大学学报, 2014(4):55-58.
[25]	李光泗, 朱丽莉. 农村劳动力流动对中国粮食影响研究——基于省域动态面板数据的实证分析[J]. 统计与信息论坛, 2014(10):24-30.
[26]	袁俊, 吴殿廷, 吴铮争. 中国农村人口老龄化的空间差异及其影响因素分析[J]. 中国人口科学, 2007(3):41-47.
[27]	杨进, 钟甫宁, 陈志钢, 等. 农村劳动力价格、人口结构变化对粮食种植结构的影响[J]. 管理世界, 2016(1):78-87.
[28]	胡雪枝, 钟甫宁. 农村人口老龄化对粮食生产的影响-基于农村固定观察点数据的分析[J]. 中国农村经济, 2012(7):29-39.
[29]	刘景景, 孙赫. 老龄化是否影响我国农业生产?——基于三大粮食品种的观察[J]. 西北人口, 2017(1):71-84.
[30]	成德宁, 杨敏. 农业劳动力结构转变对粮食生产效率的影响[J]. 西北农林科技大学学报:社会科学版, 2015(4):19-26.
[31]	纪志耿. 中国粮食安全问题反思——农村劳动力老龄化与粮食持续增产的悖论[J]. 厦门大学学报:哲学社会科学版, 2013(2):38-46.
[32]	易小兰, 颜琰. 劳动力价格对粮食生产的影响及区域差异[J]. 华南农业大学学报:社会科学版, 2019(6):70-83.
[33]	张宁波. 农村劳动力转移对粮食生产影响研究[D]. 长沙:湖南农业大学, 2014.

年份	粮食产量/万t	总播种面积/×10³ hm²	粮食单产/(kg/hm²)
1999	1081.6	4726.3	2288.5
2000	1089.1	4555.5	2390.7
2001	976.6	4264.8	2289.9
2002	1005.6	4198.4	2395.2
2003	968.4	4090.3	2367.6
2004	1160.4	4303.0	2696.6
2005	1139.5	4391.2	2594.9
2006	1041.9	3983.5	2615.6
2007	1067.9	4044.7	2640.2
2008	1150.9	4274.5	2692.5
2009	1131.4	4154.1	2723.6
2010	1164.9	4185.6	2783.1
2011	1194.7	4181.0	2857.4
2012	1245.1	4190.3	2971.4
2013	1215.8	4183.5	2906.2
2014	1197.8	4262.1	2810.3
2015	1226.8	4284.2	2863.5
2016	1228.3	4276.9	2872.0
2017	1216.2	4286.3	2837.4

年份	粮食产量/万t	总播种面积/×10³ hm²	粮食单产/(kg/hm²)
1999	1081.6	4726.3	2288.5
2000	1089.1	4555.5	2390.7
2001	976.6	4264.8	2289.9
2002	1005.6	4198.4	2395.2
2003	968.4	4090.3	2367.6
2004	1160.4	4303.0	2696.6
2005	1139.5	4391.2	2594.9
2006	1041.9	3983.5	2615.6
2007	1067.9	4044.7	2640.2
2008	1150.9	4274.5	2692.5
2009	1131.4	4154.1	2723.6
2010	1164.9	4185.6	2783.1
2011	1194.7	4181.0	2857.4
2012	1245.1	4190.3	2971.4
2013	1215.8	4183.5	2906.2
2014	1197.8	4262.1	2810.3
2015	1226.8	4284.2	2863.5
2016	1228.3	4276.9	2872.0
2017	1216.2	4286.3	2837.4

宏观指标	微观指标	单位
自然因素	粮食播种面积(X₁)	×10³ hm²
自然因素	受灾面积(X₂)	×10³ hm²
科技因素	农业机械总动力(X₃)	万kW
	有效灌溉面积(X₄)	×10³ hm²
	农药使用量(X₅)	t
	化肥施用量(X₆)	万t
	农村用电量(X₇)	×10⁸ kWh
经济因素	农村就业人员(X₈)	万人
经济因素	农民人均纯收入(X₉)	元
政策因素	农业投资支出占比(X₁₀)	%

宏观指标	微观指标	单位
自然因素	粮食播种面积(X₁)	×10³ hm²
自然因素	受灾面积(X₂)	×10³ hm²
科技因素	农业机械总动力(X₃)	万kW
	有效灌溉面积(X₄)	×10³ hm²
	农药使用量(X₅)	t
	化肥施用量(X₆)	万t
	农村用电量(X₇)	×10⁸ kWh
经济因素	农村就业人员(X₈)	万人
经济因素	农民人均纯收入(X₉)	元
政策因素	农业投资支出占比(X₁₀)	%

时段	年份	X₀	X₁	X₂	X₃	X₄	X₅	X₆	X₇	X₈	X₉	X₁₀
1999—2003	1999	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00
	2000	1.01	0.96	1.16	1.04	1.00	0.96	0.99	1.20	0.99	1.01	0.93
	2001	0.90	0.90	0.89	1.09	1.00	0.98	0.99	1.18	0.99	1.04	1.10
	2002	0.93	0.89	0.74	1.15	1.00	0.94	1.00	1.35	1.01	1.10	1.31
	2003	0.90	0.87	0.56	1.21	0.97	0.91	1.08	1.53	1.03	1.15	1.38
2004—2017	2004	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00
	2005	0.98	1.02	0.97	1.08	1.00	1.02	1.03	0.22	1.00	1.10	0.79
	2006	0.90	0.93	2.48	1.11	1.01	1.03	1.05	0.25	1.01	1.21	0.94
	2007	0.92	0.94	2.02	1.21	0.99	1.10	1.11	0.27	1.01	1.42	0.69
	2008	0.99	0.99	0.94	1.30	1.00	1.13	1.16	0.32	1.00	1.68	0.86
	2009	0.98	0.97	1.40	1.36	1.02	1.35	1.27	0.42	0.99	1.84	1.08
	2010	1.00	0.97	1.40	1.45	0.99	1.27	1.38	0.54	1.00	2.20	1.81
	2011	1.03	0.97	0.94	1.56	0.98	1.27	1.45	0.62	1.00	2.69	1.08
	2012	1.07	0.97	1.17	1.64	0.98	1.33	1.68	0.72	0.97	3.09	1.94
	2013	1.05	0.97	1.66	1.78	0.78	1.34	1.69	0.81	0.92	3.80	1.74
	2014	1.03	0.99	2.14	1.95	0.95	1.31	1.61	0.84	0.91	4.25	1.75
	2015	1.06	1.00	0.83	2.04	0.95	1.34	1.62	0.87	0.88	4.65	2.13
	2016	1.06	0.99	0.60	1.66	0.96	1.35	1.63	0.95	0.84	5.03	1.81
	2017	1.05	1.00	0.66	1.72	0.80	1.37	1.62	1.06	0.78	5.50	2.13