導語：FASOM神經(jīng)網(wǎng)絡農(nóng)業(yè)技術水平差距分析一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

農(nóng)業(yè)技術是促進農(nóng)業(yè)綜合生產(chǎn)力和競爭力的戰(zhàn)略因素,是提高農(nóng)業(yè)生產(chǎn)力和實現(xiàn)農(nóng)民生活富裕的重要保證。通過對我國省際農(nóng)業(yè)技術水平差異的定量評價,不僅可以把握我國農(nóng)業(yè)技術水平的空間格局及區(qū)域差異,還可以正確理解農(nóng)業(yè)技術水平區(qū)域差異的內(nèi)在機理及成因,從而為指導區(qū)域農(nóng)業(yè)優(yōu)化發(fā)展提供現(xiàn)實依據(jù)。

1農(nóng)業(yè)技術水平及其評價方法

1.1農(nóng)業(yè)技術水平

關于農(nóng)業(yè)技術水平,廣大學者從不同領域、不同角度進行了理論和實踐探討[1-3,5]。陳天佑、王紅伶等認為,農(nóng)業(yè)技術水平存在廣義和狹義之分,是農(nóng)業(yè)內(nèi)部各要素如固定資產(chǎn)、流動資金、勞動力投入的集中體現(xiàn),但是區(qū)域自然條件、農(nóng)業(yè)基建投資對區(qū)域農(nóng)業(yè)技術水平也有一定的影響。黃曉潮、程為國認為,農(nóng)業(yè)技術水平是反映一個地區(qū)或者區(qū)域利用自然和社會條件創(chuàng)造財富能力的綜合效應,是可以度量的。徐慧娜認為,農(nóng)業(yè)技術進步水平受各種因素的影響,但社會經(jīng)濟因素起主要作用。王武科、李同升等認為,農(nóng)業(yè)技術水平是地區(qū)農(nóng)業(yè)發(fā)展的綜合反映,集中體現(xiàn)在技術投入水平、基礎水平、外部影響力、技術產(chǎn)出水平、技術效率水平5個方面。綜上所述,農(nóng)業(yè)技術水平是區(qū)域農(nóng)業(yè)發(fā)展的綜合體現(xiàn),是區(qū)域內(nèi)外各要素共同作用的結果。它既是一個時間的概念,又是一個動態(tài)變化的概念,并直接影響區(qū)域農(nóng)業(yè)發(fā)展和農(nóng)業(yè)綜合生產(chǎn)能力。

1.2農(nóng)業(yè)技術水平評價方法

目前,國內(nèi)關于農(nóng)業(yè)技術水平測度的方法主要有以下幾種:①生產(chǎn)模型。這類方法依據(jù)技術進步、技術水平提高與經(jīng)濟增長的關系,從生產(chǎn)模型出發(fā),推導出廣義技術水平的實用測度模型[2-3];②超函數(shù)技術模型。這類方法運用描述超技術的超函數(shù)的概念,并把各個地區(qū)的技術與超技術作對比,具體反映各個地區(qū)與超技術的差距及各個地區(qū)之間的差距[4];③多指標綜合評價模型。這種方法主要采用主成分分析法、因子分析法、聚類分析法、綜合指標體系法,對描述對象的多項指標、信息加以匯集,用數(shù)學方法處理后,從整體上評測區(qū)域的農(nóng)業(yè)技術水平[1,5,6]。從現(xiàn)有的研究來看,生產(chǎn)模型和超函數(shù)技術模型等的定量分析限于農(nóng)業(yè)內(nèi)部諸要素,而對影響農(nóng)業(yè)技術水平的社會經(jīng)濟因素則缺乏嚴格的計量檢驗;多指標綜合評價模型固然是一種較好的評價方法,但是其在評價區(qū)域農(nóng)業(yè)技術水平時也存在一些問題,如需要行業(yè)專家對問題的各層權重賦值,因而不同程度地存在人為干擾。此外,距離法得出的分類結果也有可能存在局部差異。基于上述原因,本文引入FA-SOM神經(jīng)網(wǎng)絡模型,其不僅很好地集成了因子分析法可對多指標進行簡約化處理,消除原始數(shù)據(jù)信息冗余的特性,而且繼承了自適應神經(jīng)網(wǎng)絡非線性、無教師自組織、自學習的特點,較好地避免了主觀性和局部分類偏差。

2農(nóng)業(yè)技術水平評價指標體系

對農(nóng)業(yè)技術水平評價指標體系,不同的學者從各自不同的研究視角進行了探討[1-7]。在已有研究的基礎上,本文依據(jù)科學性、系統(tǒng)優(yōu)化、通用性、實用性的原則,綜合分析及取舍,選取農(nóng)業(yè)技術投入水平、產(chǎn)出效率、產(chǎn)出水平、基礎水平及外部整體支農(nóng)環(huán)境5個方面來構建農(nóng)業(yè)技術水平綜合評價指標體系,見圖1,且各個原始量化指標在同類評價體系中采用頻度均達3次以上,使得該綜合評價體系具有較好的典型性和代表性。

(1)農(nóng)業(yè)技術投入水平。農(nóng)業(yè)技術水平的高低與區(qū)域農(nóng)業(yè)技術的投入大小密切相關,是區(qū)域內(nèi)外各農(nóng)業(yè)生產(chǎn)要素投入的結果。一般而言,農(nóng)業(yè)技術的投入愈大,農(nóng)業(yè)技術水平的增幅就越高。這里用電力投入指數(shù)、非農(nóng)固定資產(chǎn)投資指數(shù)、中高級勞動力指數(shù)來衡量。

(2)整體支農(nóng)環(huán)境。良好的支農(nóng)環(huán)境是促進農(nóng)業(yè)技術水平提高的有力保障,其集中體現(xiàn)在區(qū)域支農(nóng)政策、農(nóng)業(yè)投資等幾個方面。這里采用農(nóng)業(yè)投資指數(shù)、農(nóng)戶投資指數(shù)、固定資產(chǎn)投資指數(shù)3個指標來刻畫。

(3)產(chǎn)出效率。農(nóng)業(yè)產(chǎn)出效率是區(qū)域農(nóng)業(yè)技術水平的重要體現(xiàn)。通常,農(nóng)業(yè)技術水平越高,各要素投入產(chǎn)出的效率就越高。該指標通過機械化效率、土地產(chǎn)出效率、勞動力產(chǎn)出效率、柴油使用指數(shù)4個小指標來綜合衡量。

(4)基礎水平。區(qū)域農(nóng)業(yè)技術水平在某一時間段上是恒定的,但在時間序列上則是動態(tài)的。它反映了過去一個時期區(qū)域農(nóng)業(yè)的生產(chǎn)基礎累積情況,也是體現(xiàn)農(nóng)業(yè)技術水平的一個重要方面。這里用農(nóng)業(yè)勞動力指數(shù)和生產(chǎn)性固定資產(chǎn)擁有量來表示。

(5)產(chǎn)出水平。農(nóng)業(yè)產(chǎn)出水平是農(nóng)業(yè)技術水平提高的最終體現(xiàn),用于衡量農(nóng)業(yè)技術的產(chǎn)出能力。本文采用產(chǎn)量增幅指數(shù)來衡量區(qū)域農(nóng)業(yè)產(chǎn)出水平。

3FA-SOM神經(jīng)網(wǎng)絡模型的構建

3.1FA-SOM神經(jīng)網(wǎng)絡模型構建原理

因子分析作為一種常用的多元統(tǒng)計分析方法,可以從眾多可觀測的“變量”中,概括和推論出少數(shù)不可觀測的“潛變量”,目的在于用少量的因子去概括和解釋大量的觀測事實,并建立起最簡潔、基本的概念系統(tǒng),以揭示事物之間的本質(zhì)聯(lián)系[8]。神經(jīng)網(wǎng)絡的全稱是人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork,ANN),它由大量簡單的基本元件———神經(jīng)元相互連接,通過模擬人類大腦神經(jīng)處理信息的方式,進行信息并行處理和非線性轉換。由于其具有獨特的類似于人腦的學習和識別能力,因而在社會生活的許多領域得到了廣泛的應用。FA-SOM神經(jīng)網(wǎng)絡模型集成了因子分析和自適應神經(jīng)網(wǎng)絡模型的優(yōu)點,其網(wǎng)絡結構由一個輸入層和一個競爭層構成,輸入層與競爭層之間實現(xiàn)全互連接,有時競爭層各神經(jīng)元之間還實行側抑制連接(見圖2)。它以無教師教學的方式進行網(wǎng)絡訓練,具有自組織的特性。在訓練過程中,它不需要期望值,而是根據(jù)輸入數(shù)據(jù)的屬性來調(diào)整權重,進而完成向環(huán)境學習、自動分類和聚類等任務。目前,相關改進的模型已經(jīng)被成功引入到農(nóng)業(yè)研究領域,并取得了一定的實效[10-12]。但即便如此,因子分析和自適應特征映射神經(jīng)網(wǎng)絡相結合應用于農(nóng)業(yè)技術水平評價仍未見有報道。自組織特征映射網(wǎng)絡的基本原理、學習算法、計算步驟可參見文獻[9],在此不作贅述。

圖2自組織特征映射網(wǎng)絡結構

3.2FA-SOM模型構建步驟

3.2.1數(shù)據(jù)來源及標準化

數(shù)據(jù)來源于2003—2008年歷年《中國農(nóng)村統(tǒng)計年鑒》、《2008中國統(tǒng)計年鑒》以及《2008中國農(nóng)業(yè)統(tǒng)計年鑒》,數(shù)據(jù)具有真實性和可靠性。由于西藏地區(qū)的部分數(shù)據(jù)缺失,為不影響最終分析結果,故將西藏作為特殊區(qū)域?qū)Υ?暫不進行統(tǒng)計分析。此外,臺灣、香港、澳門等地區(qū)也未在統(tǒng)計之列。依照前述指標體系,采集相關數(shù)據(jù),對原始數(shù)據(jù)樣本集作標準化處理,標準化公式如下:χ*ij=χij-χjsj其中χj和sj(j=1,2…11,12,13)為j項指標觀測值(樣本)的均值和(樣本)標準差。

3.2.2公共因子提取

對處理后的變量進行因子分析,由于前5個公共因子的累積方差貢獻率達到88.491%,基本包含了所有變量的信息,故提取前5個公共因子。從表1可以看出,第一因子對電力投入水平、非農(nóng)投資指數(shù)、中高級勞動力負荷較大;第二因子對農(nóng)業(yè)投資水平、固定資產(chǎn)累積指數(shù)負荷較大;第三因子對勞動力產(chǎn)出效率、機械化投入水平負荷較大;第四因子對勞動力投入水平、生產(chǎn)性固定資產(chǎn)擁有指數(shù)負荷較大;第五因子對產(chǎn)量增幅指數(shù)負荷較大。因此,可以定義5個因子為農(nóng)業(yè)技術投入水平、農(nóng)業(yè)技術外部支農(nóng)環(huán)境、農(nóng)業(yè)技術產(chǎn)出效率、農(nóng)業(yè)技術基礎水平、農(nóng)業(yè)技術產(chǎn)出水平。

3.2.3自組織特征映射網(wǎng)絡數(shù)據(jù)樣本

由因子載荷矩陣和因子權重計算出全國各省區(qū)的各因子得分和綜合得分(見表2),并把這6個指標的數(shù)據(jù)集作為自適應特征映射神經(jīng)網(wǎng)絡的數(shù)據(jù)樣本。

3.2.4自組織特征映射網(wǎng)絡結構設計

首先,利用函數(shù)newsom導入標準化之后的數(shù)據(jù),創(chuàng)建一個自適應特征映射網(wǎng)絡,確定網(wǎng)絡的輸入模式為:pk=(pk1,pk2,…,pkn)k=1,2,…30,n=6即共有30組樣本向量,每個樣本向量包含6個元素。輸入層的神經(jīng)元個數(shù)為6個,而競爭層神經(jīng)元的個數(shù)取決于30個地區(qū)最終被分為幾類。為使最終分類結果盡量接近客觀事實,故分別取3類、4類、5類進行學習,并選取較優(yōu)者。然后利用訓練函數(shù)Train和仿真函數(shù)sim對網(wǎng)絡進行訓練并仿真。在MATLAB7.0軟件中應用神經(jīng)網(wǎng)絡工具箱(NNTool),選取網(wǎng)絡類型Self-organizingmap,通過排列訓練學習速率取默認值0.1,拓撲函數(shù)設置為hex-top,距離函數(shù)設置為link-disk,調(diào)整階段的學習速率取默認值0.02,排列階段的學習次數(shù)設為1000次,調(diào)整階段的學習速率為0.02,調(diào)整階段鄰域半徑取默認值1.0,訓練誤差為0.001,設置訓練次數(shù)為10、100、500、1000次,觀察其分類性能。結果顯示,經(jīng)過100次的訓練以后,網(wǎng)絡誤差達到設定的精度,分類已比較穩(wěn)定。經(jīng)過比較分析,當結果分為5類時網(wǎng)絡分類結果最接近實際情況,故將其作為最終采納結果并通過ARCGIS9.2將分類結果以圖的形式表現(xiàn)出來(見圖3)。

圖3農(nóng)業(yè)技術水平省際差異

4農(nóng)業(yè)技術水平省際差異及其特征分析

4.1總體特征分析

(1)由圖3不難看出,中國農(nóng)業(yè)技術水平呈現(xiàn)“少數(shù)領先、多數(shù)集中、整體偏低且內(nèi)部差異較大”的特征。就全國范圍而言,除北京、浙江、天津、上海、山東、廣東等少數(shù)地區(qū)綜合得分較高外,其它省區(qū)的綜合得分都較低,且有18個省區(qū)的綜合得分為負值,反映出我國農(nóng)業(yè)技術進步水平整體偏低且內(nèi)部差異較大,廣大中西部地區(qū)農(nóng)業(yè)技術水平亟待提高。五類結果分別集中了2、3、5、7、13個地區(qū),尤其是三、四、五類分別集中了5、7、13個地區(qū)且同類間區(qū)域相對集中,說明三、四、五類地區(qū)農(nóng)業(yè)技術水平集中且共性較大,內(nèi)部差異性較小。

(2)從圖3還不難看出,中國農(nóng)業(yè)技術水平的另一特點是:農(nóng)業(yè)技術水平的區(qū)域差異在空間格局上具有較強的梯度性,大體呈現(xiàn)為“中西部地區(qū)—北部干旱與半干旱地區(qū)—東部沿海地區(qū)—東部特大城市區(qū)域”梯度逐步提高的趨勢。這與既往的研究結論相類似,又表現(xiàn)出部分差異。這一特征的形成機理雖然有其有固有的地理因素,但是更主要的還是由社會經(jīng)濟因素引起的。

(3)同理,位于相似區(qū)位的區(qū)域具有一定的相似性,反之則表現(xiàn)出一定的差異性。從聚類結果來看,各類型區(qū)域具有明顯的區(qū)位趨同性,且相鄰類別區(qū)域具有較強的地理鄰近性。一、二、三類地區(qū)無一例外地分布在經(jīng)濟較為發(fā)達的東部地區(qū),而其它類別則廣泛分布在經(jīng)濟較為落后的中西部地區(qū)。

4.2局域特征分析

為了詳細探討各類地區(qū)之間農(nóng)業(yè)技術水平的差異,根據(jù)表3將我國30個地區(qū)分為5類,結合表2,表3所示的各類別城市的6項綜合指標平均值即反映各類別區(qū)域之間存在明顯的差異。

(1)第一類地區(qū)包括北京、上海兩個地區(qū),其共同特征是我國最發(fā)達的區(qū)域,在技術投入、外部影響力、產(chǎn)出水平和綜合得分4個方面,均超過全國其它區(qū)域。這兩個區(qū)域經(jīng)濟高度發(fā)達,基礎好、底子厚,社會經(jīng)濟活動的聯(lián)動性很強,區(qū)內(nèi)中高級勞動力、非農(nóng)投資等都能維持在較高的水平,因而使其農(nóng)業(yè)技術呈現(xiàn)出較高的產(chǎn)出水平。

(2)第二類地區(qū)包括江蘇、浙江、廣東3個地區(qū),其共同特征是均位于經(jīng)濟發(fā)達的東部,具有較高的農(nóng)業(yè)技術投入水平,農(nóng)業(yè)技術綜合得分、農(nóng)業(yè)技術產(chǎn)出效率和基礎水平的得分也較高,雖然與第一類地區(qū)相比有一定的差距,但是與其它地區(qū)相比,卻有相對明顯的優(yōu)勢。這3個省區(qū)均是沿海開放地區(qū),市場機制比較成熟和完善,擁有較高的中高級勞動力水平,雖然外部的支農(nóng)水平較低,但是依舊能維持較高的農(nóng)業(yè)技術效率。

(3)第三類地區(qū)包括天津、河北、遼寧、福建、山東5個地區(qū),其共同特征是均位于經(jīng)濟較為發(fā)達的東部,具有良好的區(qū)位優(yōu)勢,農(nóng)業(yè)的產(chǎn)出效率和外部整體支農(nóng)環(huán)境也較好,但是在技術投入、基礎水平、產(chǎn)出水平和農(nóng)業(yè)技術綜合得分方面卻沒有比較優(yōu)勢。其中遼寧、天津等地雖然具有較好的整體支農(nóng)環(huán)境,但是其優(yōu)勢并沒有很好地顯現(xiàn)出來,因而,與前兩類相比依舊有一定的差距。

(4)第四類地區(qū)包括內(nèi)蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個區(qū)域,其共同的特征是均位于我國的北方,擁有豐富的耕地資源,且地勢平坦開闊,相比其它區(qū)域而言,它們擁有較高的農(nóng)業(yè)生產(chǎn)性固定資產(chǎn)。寧夏、新疆等地雖然地域遼闊,擁有較多的耕地資源,但是受區(qū)域農(nóng)業(yè)人口素質(zhì)等各方面的影響,其農(nóng)業(yè)技術水平較為落后。

(5)第五類地區(qū)包括山西、安徽、江西、河南、湖北、湖南、廣西、重慶、四川、貴州、云南、陜西、甘肅13個地區(qū),其共同特點是都位于相對落后的中西部地區(qū),在技術投入、支農(nóng)環(huán)境、農(nóng)業(yè)技術綜合得分上明顯落后于全國其它地區(qū),在產(chǎn)出效率、基礎水平和產(chǎn)出水平上也處于劣勢。其中,湖南、廣西、云南等地雖然農(nóng)業(yè)勞動力的投入水平較高,但是其生產(chǎn)性固定資產(chǎn)的擁有水平卻不甚理想,相對較差的自然地形條件,難以為區(qū)域農(nóng)業(yè)技術水平的提升提供必要的支持。

5結語

(1)應用FA-SOM神經(jīng)網(wǎng)絡模型對我國30個省區(qū)的農(nóng)業(yè)技術水平進行了聚類分析,并將其分成五類,第一類地區(qū)包括北京、上海兩個地區(qū);第二類地區(qū)包括江蘇、浙江、廣東3個地區(qū);第三類地區(qū)包括天津、河北、遼寧、福建、山東5個地區(qū);第四類地區(qū)包括內(nèi)蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個區(qū)域;第五類地區(qū)包括山西、安徽、江西、河南、湖北、湖南、廣西、重慶、四川、貴州、云南、陜西、甘肅13個地區(qū)。

(2)應用FA-SOM神經(jīng)網(wǎng)絡對我國農(nóng)業(yè)技術水平省域差異進行了評價,利用因子分析法對多指標進行了簡約化處理,并充分利用網(wǎng)絡的自適應、自學習特點,既克服了傳統(tǒng)評價的主觀隨意性,又較好地反映了系統(tǒng)的非線性特點,使得網(wǎng)絡具有較強的泛化能力,不失為一種有效的評價方法。