摘要：隨著“互聯網+”時代的到來，“互聯網+”精準農業在農業經濟領域的影響日益突出。為探索“互聯網+”精準農業對湖北省農業經濟發展的影響程度，尋找其促進湖北省農業經濟發展的途徑，選取湖北省2006—2015年相關指標建立主成分回歸分析模型，對其進行定量分析。結果表明：互聯網的使用和精準農業技術的推廣對湖北省農業經濟發展起著有益的推動作用。

　　關鍵詞：互聯網+精準農業；農業經濟；主成分回歸分析

　　0引言

　　“互聯網+”精準農業正呈現大發展之勢。當前理論界對“互聯網+”精準農業在農業經濟領域應用的特征、技術、模式、標準、路徑進行了有益探索，也取得了一些成果[1-4]，但對“互聯網+”精準農業與農業經濟相互關系的定量研究較為鮮見。本文以“互聯網+”精準農業對湖北省農業經濟發展影響的定量研究為著力點，探索其對湖北省農業經濟發展的影響程度，揭示互聯網的應用和精準農業技術的普及對湖北省農業經濟發展的作用。

　　1研究設計

　　1.1方法說明

　　主成分回歸分析方法能通過構建原變量的線性組合，產生一系列互不相關的新變量，從中選出少數幾個含有盡可能多的原變量信息的新變量[5]，使得這幾個新變量能夠代替原變量，為分析問題和解決問題創造條件。由于主成分間具有不相關性，且能較好地反映原來眾多相關性指標的綜合信息[6]，用主成分代表這些新的自變量進行回歸分析，能使回歸方程及參數估計更加可靠[7]。因此本文采用主成分分析方法，提取主成分與因變量建立回歸模型，實證研究“互聯網+”精準農業對湖北省農業經濟發展的影響。

　　1.2變量選擇與數據來源

　　本文選取湖北省2006—2015年農業總產值（y）作為因變量，選取電腦普及率（x1）、互聯網寬帶接入用戶數（x2）、長途光纜長度（x3）、信息網站數（x4）、農機總動力（x5）、有效灌溉面積（x6）、單位面積化肥施用量（x7）、單位耕地面積農藥施用量（x8）、機耕面積（x9）、機播面積（x10）、機收面積（x11）、機械植保面積（x12）、化肥深施面積（x13）、微量元素使用面積（x14）、技術措施調控面積（x15）作為自變量。本文分析中所運用的數據，主要來自《湖北統計年鑒》（2007—2016年）、《湖北農村統計年鑒》（2007—2016年）和《湖北調查年鑒》（2011—2016年）。2實證分析2.1相關性分析在研究“互聯網+”精準農業對湖北省農業經濟發展影響之前，為明確各自變量與因變量之間是否存在較高的相關性，是否適合進行回歸分析，首先對變量間的相關性進行分析。利用SPSS21.0中的相關性分析模型計算變量間的相關系數，計算結果如下頁表1所示。一般情況下，當相關系數小于0.3時，變量之間不存在線性相關關系；當相關系數大于0.5時，變量之間存在線性相關關系。由表1可知：因變量農業總產值（y）與單位面積化肥施用量（x7）之間的相關系數為0.074，與機械植保面積（x12）之間的的相關系數為0.077，小于0.3，線性相關性不顯著，在接下來的研究中剔除這兩個自變量。剩余的其他自變量與因變量間的相關系數全部大于0.5，有著比較明顯的相關性，本文擬將其選取進行回歸分析。表1顯示，有的自變量間的相關系數還很高。例如機耕面積（x9）與電腦普及率（x1）、互聯網寬帶接入用戶數（x2）、長途光纜長度（x3）、信息網站數（x4）、農機總動力（x5）、有效灌溉面積（x6）之間的相關系數都在0.9左右，有著極強的相關性，預示自變量間很可能存在著多重共線性，需要對變量多重共線性進行診斷檢驗。

　　2.2自變量間多重共線性診斷

　　由于自變量的數目較多，而且從相關系數結果來看，自變量之間存在顯著相關，建立模型可能會出現嚴重的共線性，這種多重共線性會影響最小二乘估計。為對多重共線性進行檢驗，本文擬采用方差擴大因子法（VIF）進行檢驗。VIF能夠反映某一自變量與其余自變量之間的線性相關程度，同時也能夠反映自變量之間是否存在多重共線性。一般情況下，當VIF時，說明自變量與其余自變量之間存在著嚴重的多重共線性。為驗證是否存在多重共線性問題，利用統計軟件SPSS21.0對因變量與自變量進行多元線性回歸分析。在進行多重共線性檢驗之前，先對原始15個自變量與因變量之間做逐步回歸，最終刪去互聯網寬帶接入用戶數、農機總動力等6個與因變量相關性不明顯的變量，再對剩余9個變量做多重共線性檢驗，共線性檢驗結果見表2。

　　2.3主成分回歸分析

　　2.3.1主成分檢驗

　　首先對湖北省2006—2015年電腦普及率（x1）、互聯網寬帶接入用戶數（x2）、長途光纜長度（x3）、信息網站數（x4）、農機總動力（x5）、有效灌溉面積（x6）、單位耕地面積農藥施用量（x8）、機耕面積（x9）、機播面積（x10）、機收面積（x11）、化肥深施面積（x13）、微量元素使用面積（x14）和技術措施調控面積（x15）13個變量的數據進行標準化處理。然后通過統計軟件SPSS21.0進行KMO檢驗，判斷數據是否適合做主成分分析。KMO檢驗值為0.585，大于0.5，表明數據適合做主成分分析。

　　2.3.2主成分分析

　　利用統計軟件SPSS21.0進行主成分分析，得到主成分特征值及貢獻率如表3所示。一般認為，累積方差貢獻率達到85%的主成分就能夠較理想地反映總體的信息。從表3可知，前兩個主成分的累積方差貢獻率達到了87.95%，大于85%，因此選取前兩個主成分能夠較為準確地反映全部指標信息。

　　3結束語

　　本文運用相關分析以及主成分回歸模型對湖北省2006—2015年的相關數據進行定量分析，結果顯示電腦普及率、互聯網寬帶接入用戶數、農機總動力、有效灌溉面積、技術措施調控面積等指標與農業總產值相關性顯著，而單位面積化肥施用量和機械植保面積與農業總產值相關關系不明顯；進一步由主成分回歸分析得到，電腦普及率、信息網站數、互聯網寬帶接入用戶數和機播面積、機收面積以及機耕面積能夠促進農業總產值的增加，說明互聯網的使用和精準農業技術的推廣對湖北省農業經濟的發展起著有益的推動作用。

　　參考文獻：

　　[1]袁淑娟.淺析“互聯網+”現代農業創新發展[J].集體經濟,2018,(2).

　　[2]戴晉,張運棟,秦素研等.“互聯網+”現代農業關鍵技術展望[J].種業,2017,(10).

　　[3]趙子軍“.互聯網+”現代農業需要支持[J].標準化，2016,(10).

　　[4]周勇“.互聯網+”現代農業的經營思維與創新路徑[J].農業工程技術，2017,(2).

　　[5]李蘿秋.黑龍江省消費需求的主要影響因素分析[J].科學技術創新,2013,(2).

　　[6]涂云燕,彭道黎.基于RS的森林蓄積量主成分回歸估測[J].東北農林大學學報,2012,40(10).

　　[7]何楨,王文佳.確定顧客滿意度重要影響因素的方法[J].天津大學學報（社會科學版）,2004,6(3).

　　胡世霞1，沈祥成1，劉超群2