Empirical analysis of the influencing factors of grain yield based on panel data

LIU Yalin; LI Xiaodong

doi:10.16377/j.cnki.issn1007-7731.2024.22.032

Anhui Agricultural Science Bulletin >

2024 , Vol. 30 >Issue 22: 141 - 144

DOI: https://doi.org/10.16377/j.cnki.issn1007-7731.2024.22.032

Empirical analysis of the influencing factors of grain yield based on panel data

LIU Yalin ¹ ,
LI Xiaodong ²

Expand

^1. School of Management, Anhui Science and Technology University, Bengbu 233000, China
^2. School of Humanities, Anhui Science and Technology University, Chuzhou 231000, China

Received date: 2024-09-23

Online published: 2024-11-27

Fold

Abstract

The grain sowing area(X ₁), total power of agricultural machinery(X ₂), effective irrigation area(X ₃), net amount of agricultural fertilizer application(X ₄) and disaster prone area(X ₅) in A Province from 1993 to 2022 were selected as explanatory variables, and conducted empirical research using a multiple linear regression equation with the dependent variable of grain yield(Y) utilization. The results indicated that the relevant formulas for grain yield and its influencing factors in the study area were as follows: $l n Y = - 4.298 + 0.903 l n X 1 + 0.565 l n X 3 - 0.034 l n X 5 + μ$ , the main factors affecting grain yield include grain sowing area（X ₁), effective irrigation area（X ₃), and disaster prone area（X ₅), with impact degrees of 90.3%, 56.5%, and -3.4%, respectively. Based on this, countermeasures and suggestions were proposed for improving grain production, including ensure arable land area, construct high standard farmland, expand effective irrigation area, improve water use efficiency, enhance disaster warning capability, and reduce the area of grain production affected by disasters. Provided references for enhancing grain production in the research area.

Key words： grain yield; food security; Eviews software; panel date

Cite this article

LIU Yalin , LI Xiaodong . Empirical analysis of the influencing factors of grain yield based on panel data[J]. Anhui Agricultural Science Bulletin, 2024 , 30(22) : 141 -144 . DOI: 10.16377/j.cnki.issn1007-7731.2024.22.032

保障粮食安全有助于改善农业生产环境，降低农林资源损耗，是农业可持续发展的必由之路^[1]。A省作为种粮面积较大的地区之一，其地理环境和气候条件带来了粮食品质和产量双优的发展形势。探索影响粮食产量的因素对粮食安全生产有重要的现实意义。郭耀辉等^[2]研究指出，复种指数、机械化程度和科学施肥等与粮食增产呈正相关；耿娟等^[3]研究表明，粮食产量与种植面积、有效灌溉面积、农业机械总动力和化肥施用折纯量呈正相关；王翰林^[4]研究指出，粮食播种面积、有效灌溉面积和农业机械总动力与粮食产量呈正相关，受灾面积与粮食产量呈负相关；裘晓锋^[5]利用多元线性回归模型，研究得出粮食作物播种面积、农用机械总动力、有效灌溉面积和农用化肥施用量与粮食总产量呈正相关；王洪平^[6]基于岭回归研究得出，农业机械总动力、化肥施用量、农田有效灌溉面积和粮食作物播种面积明显影响黑龙江粮食产量；张红军^[7]利用探索性数据空间分析法等方法，研究得出土地投入、农业技术、自然灾害与劳动力投入对粮食生产有较大影响。

相关学者对粮食产量的研究因地域不同、方法多样，且各区域可获得数据年限与研究侧重点不尽相同，所得结论也不尽相同。本研究根据已有文献指导及A省统计局网站中的面板数据，选取1993—2022年的粮食作物播种面积、农业机械总动力、有效灌溉面积、化肥施用折纯量与成灾面积数据，代入以粮食产量为被解释变量的柯布—道格拉斯生产函数，进行粮食产量影响因素实证研究，探索研究区粮食产量的部分影响因素，并进一步调查其影响程度。

1 材料与方法

1.1 变量与数据分析

根据农业种植客观状况以及A省统计局网站中省级数据收集种类，选取了A省1993—2022年的有关变量数据，以粮食作物播种面积、农业机械总动力、有效灌溉面积、农用化肥施用折纯量与成灾面积数据作为解释变量，与被解释变量粮食产量的数据代入多元线性回归方程进行实证研究^[8]。

1.1.1 变量分析

参考文献[9]对获取的具体数据进行初步分析。变量定义如表1所示。

表1 变量定义

变量名称	计量单位	变量符号	对粮食产量的预期影响
粮食产量	万t	Y
粮食作物播种面积	khm²	X ₁	+
农业机械总动力	万kw	X ₂	+
有效灌溉面积	khm²	X ₃	+
农用化肥施用折纯量	万t	X ₄	+
成灾面积	khm²	X ₅	-

注：+表示正相关，-表示负相关。

1.1.2 数据分析

根据数据变化可知，各变量变化趋势及解释变量与被解释变量变化方向具有一致性，且数据整体离散程度较为理想，基本呈线性变化，可进行下一步实证分析。

1.2 模型建立

基于数据分析与各指标间正负相关性的明确，以及国家统计局网站中数据皆源于实际统计这一基本原则，选取柯布—道格拉斯生产函数（C—D生产函数）建立回归模型。

首先建立非线性回归模型，对粮食产量与所选取的5个影响因素间的关系进行分析。C—D生产函数基本形式如式（1）所示。

Y = A K α L β A > 0, 0 < α, β < 1

（1）

式（1）中，Y表示总产出，A表示综合技术水平，K和L分别表示投入的资本和劳动力，α和β分别表示资本和劳动力的弹性系数^[10]。

根据农业指标特性与本文研究变量，建立基本扩展模型，如式（2）所示。

Y = A X 1 α X 2 β X 3 γ X 4 δ X 5 ε

（2）

式（2）中，Y为被解释变量粮食产量；A为常数项，体现技术进步与研究外变量影响；α、β、γ、δ和ε为粮食投入各影响因素的弹性系数。为了更好地符合模型假设要求、避免个别极值、消除异方差，对各变量取对数形式，形成多元回归模型，如式（3）所示。

l n Y = A + α l n X 1 + β l n X 2 + γ l n X 3 + δ l n X 4 + ε l n X 5

（3）

运用Eviews 10软件对粮食产量影响因素进行多元线性回归分析。

2 结果与分析

2.1 模型回归

2.1.1 模型初步回归

通过Eviews 10软件对所选取的指标进行多元线性回归后，得到的结果如表2所示。从回归结果来看，修正后的样本可决系数为0.927，说明模型拟合优度较高，可以较好地解释粮食产量与各影响因素间的关系。F=0，说明5个解释变量联合起来对被解释变量的影响较明显，但变量X ₂、X ₄的t检验未通过，且X ₂系数符号与生产实际相反，遂考虑所选取变量间存在多重共线性；通过建立辅助回归模型来检验多重共线性，以lnX ₁作为被解释变量，lnX ₂、lnX ₃、lnX ₄和lnX ₅作为解释变量进行回归，得出F=0，通过检验，即lnX ₂、lnX ₃、lnX ₄和lnX ₅联合起来对lnX ₁的影响明显，可以确定各解释变量间存在多重共线性关系。

表2 模型回归结果

变量	系数	标准误差	统计量	P值	可决系数	F检验	DW统计量
常量	-10.413	3.326	-3.131	0.004	0.927	0	2.145
lnX ₁	1.519	0.444	3.426	0.002
lnX ₂	-0.241	0.119	-2.028	0.054
lnX ₃	0.755	0.191	3.955	0.001
lnX ₄	0.202	0.179	1.127	0.271
lnX ₅	-0.034	0.016	-2.183	0.039

2.1.2 模型修正

为降低变量间的多重共线性对整体模型的影响，采用逐步回归法对变量进行处理。将变量间相关性作为变量引入顺序依据，由系数数据可得，变量粮食作物播种面积（X ₁）与粮食产量（Y）之间的相关程度较高，因此以粮食产量与粮食作物播种面积的一元回归为基础进行逐步回归。将剩余解释变量分别依次引入初始模型，寻找各变量间的最佳回归模型。在变量引入过程中遵循修正后的R ²数值逐渐增大且通过各项检验，符合实际。其逐步回归的各步参数如表3所示。

表3 逐步回归参数

回归次数	变量	系数	标准误差	t	P	调整R ²	F检验	DW统计量
1	常数	-11.044	1.289	-8.569	0	0.883	219.451	1.508
1	lnX ₁	2.171	0.147	14.814	0	0.883	219.451	1.508

2	常数	-7.181	1.786	-4.021	0.001	0.906	141.233	1.851
	lnX ₁	1.254	0.349	3.592	0.001
	lnX ₃	0.512	0.181	2.831	0.009

3	常数	-4.298	2.110	-2.037	0.052	0.918	109.659	1.467
	lnX ₁	0.903	0.362	2.493	0.019
	lnX ₃	0.565	0.171	3.311	0.003
	lnX ₅	-0.034	0.015	-2.230	0.035

最终进入模型的解释变量包括lnX ₁、lnX ₃和lnX ₅，最优模型如式（4）。

l n Y = - 4.298 + 0.903 l n X 1 + 0.565 l n X 3 - 0.034 l n X 5 + μ

（4）

2.2 模型检验

从逐步回归法得出的最优模型以及实证结果得出，粮食产量与所选择的解释变量间存在一定相关性，粮食产量主要受粮食作物播种面积、农业有效灌溉面积及成灾面积的影响。其中粮食产量与粮食作物播种面积、农业有效灌溉面积之间呈正相关，与成灾面积呈负相关，与生产实际相符合。根据回归模型中各变量的弹性系数可得粮食产量与解释变量间的影响程度。其中粮食作物播种面积的影响程度为90.3%，有效灌溉面积影响程度为56.5%，成灾面积影响程度为-3.4%，以粮食作物播种面积对粮食产量的影响最大。

3 结论与讨论

基于上述实证分析，可以得出粮食作物播种面积、有效灌溉面积及成灾面积对研究区粮食产量的影响较大，而农业机械总动力、农用化肥施用折纯量的影响不明显。针对影响粮食产量的因素，提出如下提高研究区粮食产量的策略。

3.1 保证耕地面积，建设高标准农田

研究表明，粮食产量与耕地面积正相关，故需强化耕地保护与粮食安全认识，统筹耕地使用，增强对耕地重要性与自主保护的责任意识。司伟等^[11]研究指出，不断完善耕地保护制度，提升耕地质量建设工程的实际效果，切实做好耕地质量安全建设，坚守基本农田保护制度，完善耕地保护责任，实现耕地占补平衡，进一步加强耕地用途管理。同时，正确应对农田地区分布不均情况，集中力量建设高标准农田。了解土地资源情况，根据客观条件因地制宜发展。扩大高标准农田建设及维护。不断提升粮食种植中的土地生产率、资源利用率和粮食产出率。叶群慧等^[12]探索研究了高标准农田建设实践举措，对于提升粮食安全保障能力具有积极意义。

3.2 扩大有效灌溉面积，提升水分利用效率

研究表明，扩大耕地有效灌溉面积，提升水分利用效率，有利于提升粮食产量。进一步加大对农田水利基础设施的投入，改善老旧灌溉设施，拓展新的灌溉网络，以确保更多的耕地得到有效灌溉。在粮食生产中，积极引进应用先进水利管理技术，如滴灌、喷灌等节水灌溉方式，以提升粮食生产用水效率；同时通过优化灌溉系统设计，利用信息化手段进行精准调控，进一步提高水分利用效率。吕敬峰^[13]研究指出，农田水利工程建设离不开节水灌溉技术的应用，两者相辅相成，有利于农业节水生产，促进粮食可持续生产。

3.3 提高灾害预警能力，降低粮食生产成灾面积

建立有效的灾害预警系统，包括气象灾害和病虫害等预警体系，及时向粮食生产者提供准确的预警信息，有利于降低粮食生产成灾面积。肖振中^[14]研究指出，气象灾害对粮食生产影响较大，建立农业气象灾害监测预警体系有利于保障粮食安全。通过灌溉系统、水库和堤坝等水利设施建设，提升抗灾害能力；通过轮作、深翻等方式，改善土壤结构；通过科技支撑，研发和应用抗逆性强的粮食作物品种；通过应用生物技术和遗传工程，提高粮食作物的抗病虫、抗旱和抗涝能力；通过推广农业保险，减轻自然灾害带来的经济损失，加强对农民的技术培训，提高其应对灾害的能力。

综上，本文基于1993—2022年的粮食产量及粮食作物播种面积、农业机械总动力、有效灌溉面积、农用化肥施用折纯量与成灾面积的面板数据，建立相关回归模型，并进行多元线性回归分析，得出A省粮食产量及其影响因素的相关公式：

l n Y = - 4.298 + 0.903 l n X 1 + 0.565 l n X 3 - 0.034 l n X 5 + μ

，即粮食作物播种面积、有效灌溉面积与成灾面积对研究区粮食产量影响明显。基于此，提出提高粮食产量的对策建议，包括保证耕地面积，建设高标准农田；扩大有效灌溉面积，提升水分利用效率；提高灾害预警能力，降低粮食生产成灾面积等。为研究区进一步提高粮食产量，促进农业可持续发展提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	韩雅雯. 粮食安全对我国农业可持续发展的影响及其策略研究[J]. 陕西农业科学，2024，70（1）：98-101.

2	郭耀辉，况嘉欣，杜兴端，等. 中国西南地区粮食增产潜力、影响因素与策略研究[J]. 资源开发与市场，2024，40（6）：843-850.

3	耿娟，聂文倩. 基于岭回归和LASSO回归浅析河南省粮食产量影响因素[J]. 山西农经，2023（23）：7-10.

4	王翰林. 我国粮食产量影响因素实证分析[J]. 合作经济与科技，2022（3）：12-14.

5	裘晓锋. 江西省粮食产量影响因素分析: 基于多元线性回归模型[J]. 农村实用技术，2020（1）：28-29.

6	王洪平. 基于岭回归浅析黑龙江省粮食产量影响因素[J]. 粮食问题研究，2022（3）：16-20.

7	张红军. 安徽省粮食作物种植结构演变及粮食安全评价[J]. 云南农业大学学报（社会科学版），2021，15（2）：87-93.

8	许光宇，李阳阳，毛成龙. 影响我国粮食产量因素的计量经济学研究[J]. 中国集体经济，2011（15）：87-88.

9	刘东勋. 中国各地区粮食生产的影响因素分析[J]. 河南大学学报（社会科学版），2013，53（5）：35-43.

10	李贝贝，窦学诚. 甘肃省粮食产量影响因素研究: 基于粮食安全视角[J]. 生产力研究，2023（9）：56-59，161.

11	司伟，陈哲. 保障中国粮食安全的多元目标、现实困境与机制构建[J]. 中州学刊，2023（10）：30-38.

12	叶群慧，朱梅，高灿红，等. 安徽合肥: 多举措推动高标准农田高质量建设[J]. 中国农业综合开发，2023（9）：16-18.

13	吕敬峰. 农田水利工程中节水灌溉技术的应用[J]. 中国设备工程，2024（10）：212-214.

14	肖振中. 粮食安全视域下的农业气象灾害监测预警分析[J]. 粮食科技与经济，2018，43（11）：43-45.

Options

Outlines

模态框（Modal）标题