首页 > 论文范文 > 社会科学论文 > 经济学论文 > 农业经济论文 > 基于VAR模型的县域农业机械化与农民工资性收入关系研究

基于VAR模型的县域农业机械化与农民工资性收入关系研究

2023-11-29 129 上传者：管理员

摘要：笔者利用郑州市郊六县1998—2021年农业机械化与农民工资性收入的数据构建VAR模型。分析在不同经济发展程度及不同水田与旱地比例的视角下，农业机械化与农民工资性收入之间的动态关系。结果表明：1）不论在何种经济发展程度及水田与旱地比例下，农业机械化程度的提高都可以长期稳定地提高农民工资性收入；2）不同地区农业机械化对农民工资性收入的贡献程度不同；3）农业机械化对农民工资性收入的贡献度，在水田与旱地比例以及经济发展程度上都未呈现出明显的变化趋势。

关键词：
VAR模型
农业机械化
农民工资性收入
水田与旱地比例
经济发展程度
加入收藏

2023年中央一号文件指出“要坚持把解决好‘三农’问题作为全党工作重中之重，举全党全社会之力全面推动乡村振兴，加快农业农村现代化”。而“三农”问题中，农民问题是核心，主要在于提高农民收入。

李温馨等[1]通过VAR模型对河南省数据进行分析发现，农民工资性收入增加是促进农业机械化的重要因素。林慧等[2]通过对黑龙江省进行实证分析发现，农业机械化与农民非农收入互为格兰杰原因，且农业机械化的发展对非农收入有着稳定的促进作用，而非农收入增加却会强烈抑制农业机械化的发展。辛冲冲等[3]分析发现新疆农业机械化与农民增收之间相互促进。陈蕾等[4]发现新疆农业机械化与农民工资性收入不存在因果关系。可见不同的地区农机化与农民收入之间的互动关系并不相同。不同地区之间的水田与旱地比例不同，经济发展程度不同，乡土观念不同，农业农机补贴政策不同，农村剩余劳动力转移出口不同，农机跨区化服务不同，在以上因素影响下，农业机械化与农民收入之间的互动关系到底如何？

郑州市郊六县的乡土观念、农业农机补贴政策、农村劳动力转移出口、农机跨区化服务等大致相同。登封与中牟、新密与新郑经济发展状况接近，而水田与旱地比例不同；中牟与新郑、巩义与登封水田与旱地比例接近，而经济发展状况不同。为研究不同水田与旱地比例、不同经济发展程度条件下，农业机械化与农民收入之间的相互关系，提供了良好的样本。

1、理论模型与数据来源

1.1 VAR模型

考虑到没有公认的经济理论来说明农业机械化与农民收入之间的因果关系，而向量自回归（Vector Auto-regression Mode，简称VAR模型）依据数据本身的性质而不是经济理论来确定经济系统之间的动态结构，具有建模时无需提出假设的优势。因此VAR模型经常被用来预测相互联系的时间序列变量和分析随机扰动因素对系统的冲击效果，已经成为分析与预测多个相关经济变量最常用的模型。VAR模型的建模思想是把系统中每一个内生变量作为所有变量滞后项的函数来构造回归模型，其一般形式为：

其中：

式中，Yt表示k维的内生变量矢量；Yt-i(i=1,2,···,ρ)为滞后的内生变量；Φi即Φ1,Φ2,···,Φρ为k×k维的待估矩阵；T表示样本数量；ρ为内生变量滞后的介数；εt～N(0,∑)为k维白噪声向量，它们相互之间可以同期相关，但不与自己的滞后项相关，也不与上式中右边的变量相关。∑是εt的协方差矩阵，是一个k×k的正定矩阵。

1.2 变量选取

在充分借鉴前人研究成果的基础上，同时考虑到数据的可获得性，笔者选用农业机械总动力来衡量我国农业机械化水平，这是目前文献中使用频率最高的指标[5]。农业机械化通过替代农业劳动，使农民有更多时间从事非农工作，获得工资性收入[6]，进而提高总收入。采用农民工资性收入作为评价农民收入水平的指标。

1.3 数据来源

选取郑州市郊六县1998—2021年共24年的时间序列数据进行分析，为了防止实证分析中的异方差和指数趋势的影响，对选取的指标取其自然对数，分别记为lnjxh（农业机械总动力对数）、lngzx（农民工资性收入对数），数据均来源于《郑州统计年鉴》。

2、研究结果与分析

2.1 序列平稳性检验

由于VAR建模的前提是保证时间序列的平稳性，若由时间序列不平稳导致“伪回归”，则不能进行VAR分析。笔者利用ADF对各序列的平稳性进行检验，若序列不平稳，则进行差分处理，登封市检验结果如表1所示。

表1 登封市各变量序列平稳性检验结果

表1显示，登封市lnjxh为平稳变量，lngzx为非平稳变量，对变量进行一阶差分处理后通过检验，Dlngzx为平稳变量。对其他城市进行同样的检验，发现中牟、新密、新郑、荥阳、巩义的lnjxh、lngzx都为非平稳序列，对各序列进行一阶差分后，均通过检验。依据协方差理论，非平稳的序列只要通过协方差检验，依旧可以用原序列构建VAR模型[7]，避免了使用差分后的数据构建VAR模型所造成的信息损失[8]。

2.2 VAR模型的建立与协方差检验

用lnjxh与lngzx构建VAR模型，依据LR最大，FPE、AIC、SC和HQ最小，按照少数服从多数的原则，进行综合判断。登封市检验结果如表2所示，可知，在5项检验中有3项滞后1阶时最优，因此，登封市lnjxh与lngzx的VAR模型最佳滞后阶数为1阶。

中牟、新密、新郑、巩义、荥阳的VAR模型进行同样的检验，结果显示：lnjxh（农业机械总动力对数）与lngzx（农民工资性收入对数）构建的VAR模型中，中牟、新郑、巩义、荥阳最优滞后阶数为1阶，新密最优滞后阶数为5阶。协方差检验可用于对出现非平稳变量现象的城市进行检验，如果通过即证明模型稳定有效。登封市的协整检验结果如表3所示。

从表3可知，结果均在5%的显著性水平下，拒绝无协整关系的原假设，故变量间存在关系，可建立VAR模型。操作步骤同上，对中牟、新密、新郑、巩义、荥阳的VAR模型进行检验，结果显示变量之间均存在协整关系，可建立VAR模型。

表2 登封市VAR模型滞后阶数检验

表3 登封市lnjxh与lngzx的VAR模型协整检验结果（DJ-FDS)

2.3 格兰杰因果关系检验

格兰杰因果关系检验可以反映变量之间长期状态下均衡因果关系的存在以及因果关系的方向[9]。是建立VAR模型，分析变量之间相互关系的前提。登封市农业机械总动力与农民工资性收入和农民经营性收入之间的格兰杰因果关系如表4所示。

表4 登封市各因素格兰杰因果关系检验结果

从表4可知，农业机械总动力是农民工资性收入的格兰杰原因，但农民工资性收入不是农业机械总动力的格兰杰原因。操作步骤同上，对中牟、新密、新郑、巩义、荥阳的VAR模型进行检验，结果显示：中牟的农业机械总动力是农民工资性收入的格兰杰原因，新密的农业机械总动力和农业工资性收入之间互为格兰杰原因，新郑的农业机械总动力是农业工资性收入的格兰杰原因，巩义的农业机械总动力是农民工资性收入的格兰杰原因，荥阳的农业机械总动力是农民工资性收入的格兰杰原因。

2.4 VAR模型的稳定性检验

AR根全部在单位圆内时，说明VAR模型稳定，可继续进行脉冲响应和方差分析。从图1可知，登封的VAR模型所有的AR根的特征值均在半径为1的单位圆内，说明模型稳定，可进行脉冲响应函数与方差分析[10]。操作步骤同上，对中牟、新密、新郑、登封、巩义、荥阳的VAR模型进行检验，结果显示，模型都通过稳定性检验。

图1 登封lnjxh与lngzx的VAR模型AR根图检验结果

2.5 农业机械化与农民工资性收入的动态关系分析

脉冲响应函数反映的是某个内生变量受到冲击后，对其他内生变量带来的动态影响过程及影响的正负。如图2所示，横轴表示冲击作用的滞后期数，纵轴表示响应变量，实线表示脉冲响应函数，虚线表示正负两倍标准差偏离带[11]。可以看出，在不同的水田与旱地比例及经济发展程度下，农业机械化都会对农民工资性收入产生正向和长期的影响。而水田与旱地比例与经济发展程度不对农业机械化与农民工资性收入之间的关系产生影响。

图2 郑州市郊六县脉冲响应函数图

2.6 方差分析

根据方差分解原理，利用方差分解进行农业机械化对农民工资性收入影响的贡献度分析，结果如表5所示。

表5 各县城农业机械化对农民工资性收入方差分解的贡献度结果

从表5可知，农业机械化对农民工资性收入的贡献度最低为荥阳的9.6%，最高为新密53.86%，以经济发展程度为横坐标，以水浇地占比为纵坐标，构建图3。从图3可以看出，农业机械化对农民工资性收入的贡献度，在水田与旱地比例以及经济发展程度上都未呈现出明显的变化趋势。

图3 郑州县域农业机械化对农民工资性收入分布图

3、结论

笔者通过构建VAR模型，运用脉冲响应函数和方差分析，从水田与旱地比例视角，探讨了农业机械化对农民工资性收入的影响，主要得出以下结论：

1）不论在何种水田与旱地比例及经济发展程度下，农业机械化都可以长期稳定地提高农民的工资性收入。除新密以外，郑州其他郊县的农业机械化对农民工资性收入的影响趋势相同，即在前6期内，影响不断增大，第6期之后影响趋于稳定。

2）不同地区农业机械化对农民工资性收入的贡献程度不同。当经济发展程度相近时，水田与旱地比例的差异并未引起农业机械化对农民工资性收入的贡献度的改变。

参考文献:

[1]李温馨,张万宇,张锟.河南省农业机械化与农民工资性收入关系研究:基于VAR模型[J].南方农机,2023,54(7):34-38.