FASOM神經網絡農業技術水平差距分析

導語：FASOM神經網絡農業技術水平差距分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

農業技術是促進農業綜合生產力和競爭力的戰略因素,是提高農業生產力和實現農民生活富裕的重要保證。通過對我國省際農業技術水平差異的定量評價,不僅可以把握我國農業技術水平的空間格局及區域差異,還可以正確理解農業技術水平區域差異的內在機理及成因,從而為指導區域農業優化發展提供現實依據。

1農業技術水平及其評價方法

1.1農業技術水平

關于農業技術水平,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,農業技術水平存在廣義和狹義之分,是農業內部各要素如固定資產、流動資金、勞動力投入的集中體現,但是區域自然條件、農業基建投資對區域農業技術水平也有一定的影響。黃曉潮、程為國認為,農業技術水平是反映一個地區或者區域利用自然和社會條件創造財富能力的綜合效應,是可以度量的。徐慧娜認為,農業技術進步水平受各種因素的影響,但社會經濟因素起主要作用。王武科、李同升等認為,農業技術水平是地區農業發展的綜合反映,集中體現在技術投入水平、基礎水平、外部影響力、技術產出水平、技術效率水平5個方面。綜上所述,農業技術水平是區域農業發展的綜合體現,是區域內外各要素共同作用的結果。它既是一個時間的概念,又是一個動態變化的概念,并直接影響區域農業發展和農業綜合生產能力。

1.2農業技術水平評價方法

目前,國內關于農業技術水平測度的方法主要有以下幾種:①生產模型。這類方法依據技術進步、技術水平提高與經濟增長的關系,從生產模型出發,推導出廣義技術水平的實用測度模型[2-3];②超函數技術模型。這類方法運用描述超技術的超函數的概念,并把各個地區的技術與超技術作對比,具體反映各個地區與超技術的差距及各個地區之間的差距[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,用數學方法處理后,從整體上評測區域的農業技術水平[1,5,6]。從現有的研究來看,生產模型和超函數技術模型等的定量分析限于農業內部諸要素,而對影響農業技術水平的社會經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,但是其在評價區域農業技術水平時也存在一些問題,如需要行業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?；谏鲜鲈?本文引入FA-SOM神經網絡模型,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,消除原始數據信息冗余的特性,而且繼承了自適應神經網絡非線性、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農業技術水平評價指標體系

對農業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,本文依據科學性、系統優化、通用性、實用性的原則,綜合分析及取舍,選取農業技術投入水平、產出效率、產出水平、基礎水平及外部整體支農環境5個方面來構建農業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)農業技術投入水平。農業技術水平的高低與區域農業技術的投入大小密切相關,是區域內外各農業生產要素投入的結果。一般而言,農業技術的投入愈大,農業技術水平的增幅就越高。這里用電力投入指數、非農固定資產投資指數、中高級勞動力指數來衡量。

(2)整體支農環境。良好的支農環境是促進農業技術水平提高的有力保障,其集中體現在區域支農政策、農業投資等幾個方面。這里采用農業投資指數、農戶投資指數、固定資產投資指數3個指標來刻畫。

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

(4)基礎水平。區域農業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的。它反映了過去一個時期區域農業的生產基礎累積情況,也是體現農業技術水平的一個重要方面。這里用農業勞動力指數和生產性固定資產擁有量來表示。

(5)產出水平。農業產出水平是農業技術水平提高的最終體現,用于衡量農業技術的產出能力。本文采用產量增幅指數來衡量區域農業產出水平。

3FA-SOM神經網絡模型的構建

3.1FA-SOM神經網絡模型構建原理

因子分析作為一種常用的多元統計分析方法,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,以揭示事物之間的本質聯系[8]。神經網絡的全稱是人工神經網絡(ArtificialNeuralNetwork,ANN),它由大量簡單的基本元件———神經元相互連接,通過模擬人類大腦神經處理信息的方式,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神經網絡模型集成了因子分析和自適應神經網絡模型的優點,其網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全互連接,有時競爭層各神經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,而是根據輸入數據的屬性來調整權重,進而完成向環境學習、自動分類和聚類等任務。目前,相關改進的模型已經被成功引入到農業研究領域,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網絡相結合應用于農業技術水平評價仍未見有報道。自組織特征映射網絡的基本原理、學習算法、計算步驟可參見文獻[9],在此不作贅述。

圖2自組織特征映射網絡結構

3.2FA-SOM模型構建步驟

3.2.1數據來源及標準化

數據來源于2003—2008年歷年《中國農村統計年鑒》、《2008中國統計年鑒》以及《2008中國農業統計年鑒》,數據具有真實性和可靠性。由于西藏地區的部分數據缺失,為不影響最終分析結果,故將西藏作為特殊區域對待,暫不進行統計分析。此外,臺灣、香港、澳門等地區也未在統計之列。依照前述指標體系,采集相關數據,對原始數據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、非農投資指數、中高級勞動力負荷較大;第二因子對農業投資水平、固定資產累積指數負荷較大;第三因子對勞動力產出效率、機械化投入水平負荷較大;第四因子對勞動力投入水平、生產性固定資產擁有指數負荷較大;第五因子對產量增幅指數負荷較大。因此,可以定義5個因子為農業技術投入水平、農業技術外部支農環境、農業技術產出效率、農業技術基礎水平、農業技術產出水平。

3.2.3自組織特征映射網絡數據樣本

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

3.2.4自組織特征映射網絡結構設計

首先,利用函數newsom導入標準化之后的數據,創建一個自適應特征映射網絡,確定網絡的輸入模式為: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。輸入層的神經元個數為6個,而競爭層神經元的個數取決于30個地區最終被分為幾類。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,并選取較優者。然后利用訓練函數Train和仿真函數sim對網絡進行訓練并仿真。在MATLAB7.0軟件中應用神經網絡工具箱(NNTool),選取網絡類型Self-organizingmap,通過排列訓練學習速率取默認值0.1,拓撲函數設置為hex-top,距離函數設置為link-disk,調整階段的學習速率取默認值0.02,排列階段的學習次數設為1000次,調整階段的學習速率為0.02,調整階段鄰域半徑取默認值1.0,訓練誤差為0.001,設置訓練次數為10、100、500、1000次,觀察其分類性能。結果顯示,經過100次的訓練以后,網絡誤差達到設定的精度,分類已比較穩定。經過比較分析,當結果分為5類時網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出來(見圖3)。

圖3農業技術水平省際差異

4農業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,中國農業技術水平呈現“少數領先、多數集中、整體偏低且內部差異較大”的特征。就全國范圍而言,除北京、浙江、天津、上海、山東、廣東等少數地區綜合得分較高外,其它省區的綜合得分都較低,且有18個省區的綜合得分為負值,反映出我國農業技術進步水平整體偏低且內部差異較大,廣大中西部地區農業技術水平亟待提高。五類結果分別集中了2、3、5、7、13個地區,尤其是三、四、五類分別集中了5、7、13個地區且同類間區域相對集中,說明三、四、五類地區農業技術水平集中且共性較大,內部差異性較小。

(2)從圖3還不難看出,中國農業技術水平的另一特點是:農業技術水平的區域差異在空間格局上具有較強的梯度性,大體呈現為“中西部地區—北部干旱與半干旱地區—東部沿海地區—東部特大城市區域”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濟因素引起的。

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

4.2局域特征分析

為了詳細探討各類地區之間農業技術水平的差異,根據表3將我國30個地區分為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域之間存在明顯的差異。

(1)第一類地區包括北京、上海兩個地區,其共同特征是我國最發達的區域,在技術投入、外部影響力、產出水平和綜合得分4個方面,均超過全國其它區域。這兩個區域經濟高度發達,基礎好、底子厚,社會經濟活動的聯動性很強,區內中高級勞動力、非農投資等都能維持在較高的水平,因而使其農業技術呈現出較高的產出水平。

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

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

(4)第四類地區包括內蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個區域,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,相比其它區域而言,它們擁有較高的農業生產性固定資產。寧夏、新疆等地雖然地域遼闊,擁有較多的耕地資源,但是受區域農業人口素質等各方面的影響,其農業技術水平較為落后。

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

5結語

(1)應用FA-SOM神經網絡模型對我國30個省區的農業技術水平進行了聚類分析,并將其分成五類,第一類地區包括北京、上海兩個地區;第二類地區包括江蘇、浙江、廣東3個地區;第三類地區包括天津、河北、遼寧、福建、山東5個地區;第四類地區包括內蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個區域;第五類地區包括山西、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。

(2)應用FA-SOM神經網絡對我國農業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,并充分利用網絡的自適應、自學習特點,既克服了傳統評價的主觀隨意性,又較好地反映了系統的非線性特點,使得網絡具有較強的泛化能力,不失為一種有效的評價方法。