www.366.net

基于VAR模型的广东农民收入影响因素研究

2020-05-21 16:25:18 《南方农村》 2020年2期

张建武 张蔼容 李楠

摘? ?要:农民收入增长是三农问题的核心。目前广东农民增收处于瓶颈状态,找到影响农民增收的关键因素具有重要的现实意义。本文基于1992-2017年广东省时间序列数据,运用因子分析法筛选出影响广东农民增收的三个公共因子,并构建VAR模型对三个因子如何影响农民收入进行具体分析。发现农业发展内部因子长期内对广东农民收入具有较大的正向影响,但影响力逐渐减弱,农业发展外部因子短期内对农民收入具有正向影响,农业发展科技因子短期内对农民收入的促进作用非常明显,但这种正向效应会不断减弱。本文建议,为促进广东农民增收,应该加大政府对农业的投资,积极引进人才,并创新农业发展模式以适应农业科技变革。

关键词:农民增收;影响因素;因子分析;VAR模型

中图分类号:F323.8 文献标志码:A 文章编号:1008-2697(2020)02-0004-07

农民增收问题是推进“扶贫”工作的重中之重。改革开放以来,广东省农民人均可支配收入从1978年的193.25元增长到2017年的15779.74元,约为1978年的81.65倍,年均增长率达到12.18%。但在2000年后,广东农民人均可支配收入增速放缓,2000-2017年均增长率仅为8.59%,小于城镇居民可支配收入年均增长率8.75%,城乡收入差距的绝对数也在扩大,由2000年的6107.1元,扩大到2017年的25195.4元,并且城镇居民人均可支配收入基数较大,增长比较明显,而农民薄弱的增收基础使得城乡差距越来越大,由此引发了收入不平等等社会问题。因而找到制约农民增收的影响因素并提出相应的解决对策显得十分必要,具有重要的理论和现实意义。

一、文献综述

首先,关于影响农民收入增长因素的研究,郭燕支和刘旭(2011)提出了影响农民收入的七个重要指标,发现非农产业劳动力、农业用电量、农村固定资产投资以及有效灌溉面积等影响因素与农民收入之间具有比较密切的关系,其中农业用电量是影响农民收入的第一相关关系变量。穆红梅(2016)以福建地区为例,研究认为城镇化、学问素质等人力资本因素的提升是农民人均纯收入增加的最重要的驱动力,同时固定资产投资、三产占比以及农业内部的结构也在不同程度上影响了当地的农民收入。康江江等(2017)发现在中国集中特困地区,自然环境对农民增收的制约作用较强,耕地数量、粮食

生产率、城镇化水平以及固定资产投资均会对农民收入产生较为显著的正向作用,但包括生育状况在内的人力资本以及交通因子对农民收入的影响效应并不显著。

其次,不少学者探究了农业政策对农民收入的影响。Brian C Briggeman(2007)认为政府增加对农业的补贴不仅可以显著提高农场收益,而且能够吸引到更多劳动力在农村就业,降低原有劳动力离开农村的可能性,整体上提高了农业收入。相对于农业收入,非农业收入的增加对农民收入的拉动效果可能更为显著,因此政府应通过增加农业转移性支出增加农民的工資性收入,并提供更多的非农就业机会,保证农民的非农业收入(Lu Qian,2006)。也有学者对政府农业补贴可以提升农民收入持不同观点。方桂堂(2014)以北京昌平农村地区的农民增收问题为例,通过分析实例数据发现,财政投入力度、转移就业等方面存在的制度和政策的扭曲导致了农村地区农民收入结构不合理。

在人力资本层面,辛岭、王艳华(2007)的研究显示,农民受教育水平是农民收入变动的格兰杰原因,二者之间存在着长期且稳定的均衡关系。Iddo,Ayal和Zvi(2006)通过对格鲁吉亚的微观研究,发现农民受教育程度越高,非农收入增长越明显,尤其是高等教育对非农收入具有很高的正向作用。Kashiwa Chiba(2013)则通过建立一所农民的田间学校来对部分农民进行培训,结果发现参与了农民田间学校培训的农户的基本素质得到提升,进而大大提高了农业的生产效率和农户的农业收入。

除了政策和资本等因素外,自然条件和农业发展模式也是农民收入问题的研究热点,如Robert(2007)在美国和巴西的农村地区进行研究,发现无论在发达国家还是发展中国家,自然条件都会对农民收入产生极大影响,其主要影响的是农业生产率,进而导致农村的人均收入受到影响。从实际情况来看,对比那些农业支撑度高、农业种植气候相对较好的地区,气候条件不佳的地区的农民的收入较少,农村贫困人口也更多。Huiqing Liu(2014)通过构建结构方程模型对农业的发展模式进行了深入研究,发现发展生态旅游、规划可持续农业等创新农业发展模式对农业综合价值以及促进农民收入增加有正向影响。

通过对文献的回顾可以发现,多数的研究考虑将政府扶持、土地制度、人力资本、生产资源以及生产模式等因素纳入影响农民收入因素的范畴,对于影响农民增收的因素的大范围基本判定是统一的。但是许多学者侧重于从某一角度出发,研究某一方面因素对于农民收入的影响,即使综合筛选了各项指标,也缺乏各指标之间的横向对比和主次之分,导致学者们在某一因素的具体影响效应方面存在分歧,得出相悖结论,而对广东地区的农民增收问题的研究也比较少。本文将结合广东农村实际情况,综合考虑各方面因素,从多角度出发选取指标,并区分出各指标之间的主次关系,从而深入分析影响广东地区农民增收的具体因素。

二、研究设计

(一)模型构建

在农业生产中,农民收入受多种因素共同影响,各因素间不可避免会出现多重共线性。因子分析则利用降维的思想,把存在共线性且关系错综复杂的变量转变为几个公共因子,形成几类假想变量,且假想变量间相互独立。

设有n个样本,每个样本观测k个变量,且这k个变量间存在较强相关性,则因子分析的一般模型为:

X=AF+ε

其中,(1) X=(X1,X2,…,Xk)'为标准化后的变量,此时xi(i=1,2,…,k)均值E(xi)=0,标准差σ=1。(2)F=(F1,F2,…,Fm)'(m≤k)为公因子向量,是不可观测的m维列向量,向量均值E(F)=0,协方差矩阵cov(F)=Im。(3)A=(aij)k×m为因子载荷矩阵,aij绝对值越大,因子载荷越大,即Fj对Xi载荷越大。(4)ε=(ε1,ε2,…,εk)'是特殊因子向量,是不被前m个公共因子包含的部分,E(ε)=0,cov(ε)=Φ=diag(Φ1,Φ2,…,Φk),且cov(Fi,εj)=0(i≠j),即公共因子与特殊因子间也是相互独立的。

在运用因子分析得到互相独立的时间序列变量 Fi(i=1,2,…,m)之后,设定如下VAR模型对被说明变量农民收入FY进行回归,模型中j为滞后期数:■

(二)指标选取与计算方法

基于现有的研究成果,本文将从以下五个方面选取可能对农民收入造成影响的指标。

(1)生产因素。一方面,农业产值很大程度上受到有效灌溉面积以及年降雨量等自然因素的影响,从而正向影响农民收入。另一方面,农业机械总动力和农产品生产价格指数从非自然条件的角度反映了农业生产情况。农业机械总动力越大,一定程度上说明农业机械化水平越高,机械化水平的上升能够大幅提高农业生产效率与农产品产出量,而农产品生产价格与市场情况相关,可以从销售渠道上增加农民收入。从理论上看,这两个指标均应与农民人均收入呈现正向关系。

(2)产业结构因素。根据配第-克拉克定律,产业结构优化升级将会使得产业发展的重心由第一逐步向第二、三产业转移,随之而来的是劳动力在产业间的不断变迁,第一产业释放出大量劳动力向其他产业转移,拓展了农民的就业渠道,优化了农村劳动力的收入结构,从而提高其收入水平。因此,从理论角度来看,第一产业增加值占农村GDP的比例越低,农民的收入就越高。

(3)人力资本因素。人力状况主要从乡镇人口中具有劳动能力的人数占比以及农村劳动者受到教育及其质量情况来衡量。乡镇人口中农村劳动力越多越多,农业资源竞争越激烈,农民人均收入越低。劳动者受到教育程度越高,生产效率与产出水平越高,劳动成本越低,农村劳动力人均收入将越高。

(4)科技因素。科技进步因素是除土地资源、劳动力资源以及投资影响之外的主要增加农民收入的因素,农业科技的进步和发展会对农民收入产生正向影响,因此本文计算了广东农业科技进步贡献率,通过该指标来衡量农业科技因素对农民收入的影响。

(5)投资因素。资本的投入是影响生产的一大重要因素,本文选取农户固定资产投资、政府拨款支撑农业科研和技术经费总额以及农业实际利用外资额三个指标来衡量广东地区农业的整体投资情况和政府干预力度。这些指标数值越大,则表明相应投入的资本要素越多,其理论上应与农民收入呈正向关系。

(6)对外贸易因素。广东省农产品贸易的发展情况在我国农产品进出口贸易中占据主要地位,进出口总额位于全国前列。农产品对外贸易的发展是从需求侧层面来推进农业的发展,影响农业产值以及农民收入,因而本文选取了广东农产品净出口作为一个指标。根据GDP=C+I+G+NE,净出口与收入呈正相关关系。

以上选取的十二个变量具有既反映农业生产环节内容也反映商品流通环节内容、既含有微观经济变量也含有宏观经济变量的特点,其包含内容广泛,因此可以借助于它对广东农民收入增长及其影响因素进行多角度分析。各项指标的具体内容与计算方法如表1所示。

(三)数据来源与处理

本研究所涉及的数据来源于《中国统计年鉴》(1985-2018)、《广东统计年鉴》(1990-2018)、《广东

农村统计年鉴》(1993-2018)以及广东统计信息网公布的统计报告、Wind资讯等网络资源。考虑到数据可得性和分析的合理性,本文选取时间跨度为1992-2017年,經过相关计算并进行技术处理后,得出原始的指标数据②。其中农产品生产价格指数、农户固定资产投资、农业科研技术开发政府拨款、实际利用外资以及净出口均以1994年为基期剔除价格因素。因子分析前,对实证数据进行标准化处理以消除量纲影响,标准化公式为:。

三、实证分析与讨论

为了横向对比影响广东农民收入的各个因素,并且分清各个因素之间的主次关系,本文运用因子分析方法对影响因子进行降维,提炼出公共影响因子并得到公共影响因子的时间序列。然后用ADF单位根检验法检验该时间序列的平稳性,若序列是非平稳的,则运用差分处理使之变为单整序列。得到同阶单整序列后判断序列是否协整,确定广东农民收入增长与公共影响因子之间是否存在长期均衡关系,若存在,则构建VAR模型,通过脉冲响应和方差分解对影响农民收入的因素进行具体分析。

(一)因子分析

1. 检验

在实证分析前,需要判断样本是否适合进行因子分析。一般认为样本的KMO值越接近1越适合,而当KMO值小于0.5时则不适合,Bartlett球形检验中的卡方统计量越大,变量间的相关性越强,并且其p值小于0.05时更加适合做因子分析。本文的分析结果显示,样本KMO值为0.755,Bartlett球形检验中的卡方统计量为496.956且其p值为0.000,说明样本比较适合进行因子分析。

2. 主成分分析

本文综合考量主成分分析的特征值和碎石图,对样本指标设定三个公共因子,得到分析结果如表2所示。第一主成分特征值为7.67,贡献率为63.88%;第二主成分特征值为1.68,贡献率为14.03%;第三主成分特征值为0.83,贡献率为6.92%。并且三个主成分的累计贡献率达到了84.83%,说明三个主成分能够表达原来12个指标样本中84.83%的信息,接近85%水平,原样本信息损失较少。

为了更好的说明和命名提取出的三个主成分,本文采用正交旋转法对因子载荷矩阵进行旋转,结果见表3。可以看出,第一主成分在X9、X3、X4、X12、X10、X6、X7、X5、X2指标上具有较大的载荷,这些指标主要反映出农业发展的投资、人力、价格、外贸等内部因素情况;第二主成分在X11、X1指标上具有较大的载荷值,这些指标反映了农业发展的外部因素情况;而第三主成分在X8指标上载荷值较大,反映了农业科技情况。依据因子载荷量大的指标进行主成分命名的原则,可以将第一主成分命名为农业发展外部因子,第二主成分命名为农业发展内部因子,第三主成分命名为农业发展科技因子。进一步地,计算得到三个主成分中每个指标的系数,

如表4。

此时主成分1、主成分2 和主成分3与原始变量的关系线性表达式为:

F1 = 0.0306ZX1+ 0.2732ZX2+0.3541ZX3+ 0.3439ZX4-0.3121ZX5+0.3363ZX6

+0.3205ZX7-0.0709ZX8+0.3576ZX9+0.3412ZX10+0.0353ZX11-0.3419ZX12

F2

为得到三个主成分因子的时间序列,将1992-2017年间12个影响因素标准化后的数据代入上述3个表达式中,结果如表5。

(二)VAR模型分析

为了更好地探讨因子分析提炼出的农业发展内部、农业发展外部以及农业发展科技三个公共因子对农民收入的影响,本文采用向量自回归模型(VAR)进行深入分析。被说明变量选取1992-2017年间广东农村居民人均可支配收入时间序列FY③,说明变量为前文计算得到的影响因子时间序列F1、F2、F3。

1. 平稳性检验

本文采用ADF单位根检验序列平稳性,用Eviews9.0軟件实现,结果如表6所示。在5%的显著性水平下,F1、F2、F3以及FY时间序列都是非平稳的,而四个变量一阶差分后的序列都是平稳的,即四个变量都是I (1)变量,满足协整检验的条件。

2. Johanson协整检验

没有协整关系的单整变量的回归仍然是伪回归,当有两个及以上的说明变量时一般采用Johanson系统协整检验,运用Eviews9.0App实现。结果发现迹统计量为67.14, 统计量为32.06,均大于在5%显著水平下的临界值54.08和28.59,说明F1、F2、F3和FY四个变量存在协整关系,即农民可支配收入FY与F1、F2以及F3三个公共因子之间具有长期均衡关系,此时建立的回归方程不是伪回归,满足建立向量误差修正(VEC)模型的条件。

3. VEC模型的估计

由于变量为具有协整关系的非平稳时间序列,本文选择构建VEC模型来进一步探讨变量的长期均衡和短期波动的关系。采用OLS法估计误差修正项 的系数,通过Eviews9.0App实现,得到误差修正模型如下:

其中,误差修正项

上述VEC模型中,差分后说明变量的系数反映了短期内,各说明变量的波动对被说明变量的影响,即农业发展内部因子和农业发展科技因子的短期波动对广东农民人均可支配收入有负向影响,而农业发展外部因子的短期变动则对其有正向影响。误差修正项系数为负,表明该模型符合反向调整机制,且当短期波动偏离长期均衡时,将以0.2250的调整力度将非均衡状态拉回到均衡状态。

4. 脉冲响应函数

为了更好地衡量随机干扰项一个单位的冲击对目标项当期值或者未来值的影响,本文使用脉冲响应函数进行分析。但在对模型的随机误差项施加冲击前,需要确定模型的稳定性。当最优滞后阶数为1时,AIC和SC信息准则最小,且AR根图显示为图1,此时模型所有根模的倒数都小于1,模型稳定。进一步地,构建变量间的VAR模型进行一般冲击,探讨提炼出的三个公共影响因素随机扰动对农民收入的动态影响,结果如图2。

图2显示的结果说明:①广东农村居民人均可支配收入对由农业发展内部因子产生的冲击一直呈现正效应,滞后6期时达到顶峰,但随着滞后期的延长,正效应逐渐下降,趋于零水平;②农业生产发展外部因子的冲击会在短期内对广东农村居民人均可支配收入产生正向效应并在滞后2期达到顶点,滞后4期结束,正效应转为负效应,广东农村人均

可支配收入情况出现恶化,但负效应逐渐趋于零,变得越来越不明显;③农业科技因子的冲击对广东农民可支配收入一直呈正向效应,在最初的滞后2期内效应明显,迅速拉动了广东农民人均可支配收入增长,在滞后4期时正向效应逐渐下降,于滞后8期开始趋于平稳,最后也逐渐收敛于零。

5. 方差分解

图5给出了农业发展内部因子、农业发展外部因子以及农业发展科技因子对广东农民人均可支配收入的方差分解图。可以看出,FY自身的贡献率随着滞后期的延长逐渐下降,且前期下降速度很快,在4期内迅速降到40%以下,滞后16期时降到10%以下;F1的贡献率呈现出增加的趋势,但增加速度略有不同,开始2期内较为缓慢,2至4期内上升速度加快,在滞后10期时开始趋于平稳,逐渐稳定在20%左右;F2的贡献率前期平稳上升,滞后6期时达到顶峰,后逐渐稳定在18%左右;F3与F2在最初4期内趋势相似,在滞后4期时达到第一个顶峰,但上升速度明显更快,在滞后5期时达到40%水平,并有继续上升的趋势。

四、结论与对策建议

本文主要结论为:1. 1992-2017年间广东农民人均可支配收入受多个因素影响,这些高度相关的因素可以提炼为农业发展内部因子、农业发展外部因子和农业发展科技因子三个公共影响因子。2. 广东农民人均可支配收入与这三个公共影响因子之间存在着长期均衡关系:(1) 农业发展内部因子对广东农民人均可支配收入具有持续且较明显的正向影响,但随着时间的推移,正向影响力逐渐减弱;(2) 农业发展外部因子在对农民人均可支配收入产生短暂的正向冲击后,出现负效应,逐渐抑制农民收入的增长,但影响力也随着时间推移而减弱;(3) 农业发展科技因子在前期对农民收入的正向效应非常明显,短期内可以迅速拉动农民收入增长,但同样随着时间的推移,影响力逐渐减弱,并趋向于稳定在一定的水平。这可能是因为科技的发展在短时间内可以迅速引起农业生产方式的变革,但农村地区在短期内无法构建起科学的经营模式,没有使农业科技成果顺利的转变为持久的农业生产实际力,导致科技效应随着时间而减弱;(4) 三个公共影响因子对农民收入增长的贡献率都比较明显,农业发展内、外部因子的贡献率相差不大,对农民收入影响的趋势也相似,而农业发展科技因子对农民收入增长具有的作用显著大于农业发展内、外部因子。总的来说,各公共影响因子可以通过反向修复机制达到长期均衡。

基于以上研究结论,本文对如何促进广东农民增加收入提出如下对策建议:

第一,加大政府对农业的投资力度。政府对农业的投资对农民收入增长在短期内会产生强大的拉动作用,并间接促进人力资本的提升和科技的发展,所以可以从加大对农村地区生产设备、教育以及科技方面的投资入手,促进农民增收。

第二,鼓励科技创新,引进人才。农业科技发展对农民收入的拉动作用是持久的,而科技的本质是人才,将科技创新和人才引进策略贯穿到农业生产的各个阶段,有助于提高农业产业的综合效益,进而促进农民增收。

第三,创新农业发展模式。科技的创新要落到实处,就必须有相应的制度“土壤”提供营养,创新农业发展模式有助于将农业科技成果转化为实际的持久农业生产力,消化科技创新对传统农业的冲击,扩大农业科技进步对农民增收的正向效应。

参考文献:

[1] Brian C Briggeman, Allan W Gray, et al. A New U.S. Farm Household Typology: Implications for Agricultural Policy[ J ]. Review of Agricultural Economics, 2007(04):765-782.

[2] Huiqing Liu. Increased Farmer Income Evidenced by a New Multifunctional Actor Network in China[ J ]. Agronomy for Sustainable Development , 2014(34): 515-523.

[3] Iddo Kan, Ayal Kimhi, Zvi Lerman. Farm Output, Non-farm Income and Commercialization in Rural Georgia[ J ]. Journal of Agricultural and Development Economic, 2006(03):276-286.

[4] Kashiwa. Chiba. Impact of Farmer Field Schools on Agricultural Income and Skills[ J ]. Journal of International ,2013(25):362-381.

[5] LU Qian. Farmer Income Differential in Regions[ J ]. Chinese Geographical Science, 2006 (03):199-202.

[6] Robert. Mendelsohn. Climate and Rural Income[ J ]. Climatic Change, 2007,81(01):101-118.

[7] 方桂堂.農民增收的多维路径及当下选择:北京个案[ J ].三农新解,2014(03):96-104.

[8] 郭燕枝,刘旭.基于格兰杰因果检验和典型相关的农民收入影响因素研究[ J ].农业技术经济,2011(10):92-97.

[9] 康江江,宁越敏,等.中国集中连片特困地区农民收入的时空演变及影响因素[ J ].中国人口·资源与环境,2017,27(11):86-94.

[10] 穆红梅.论农民收入及其影响因素——以福建省为例[ J ].人口与发展, 2016,22,125(02):66-73.

[11] 辛岭,王艳华.农民受教育水平与农民收入关系的实证研究[ J ].中国农村经济,2007(01):93-100.

(责任编辑:李韵婷)

XML 地图 | Sitemap 地图