中国农业机械总动力预测分析——基于ARIMA模型

运用我国1978-2005年的统计资料,建立了中国农业机械总动力的ARIMA模型,并进行了预测分析.结果表明:ARIMA模型不但适合于中国农业机械总动力的非平稳时间序列特点,且预测效果比较理想;ARIMA(2,2,2)模型预测1982-2005年数值与实际数值之间的平均相对误差仅为1.009%,可用于中国农业机械总动力的预测与分析.     

衡阳农业机械化历程与发展体会

1978年至2008年30年间衡阳地区农业机械化蓬勃发展。目前,全市拥有农机总动力279万kW／383240台套,比1978年增长了8倍;水稻联合收割机保有量达2450台,可机耕面积机耕率逾90％,农业生产综合机械化水平达到50％以上。     

常德农机化发展30年巡礼

1农机总动力三十年增长六倍改革开放30年来，特别是近几年国家一系列支农惠农政策的落实及农机购置补贴的实施。常德市农业机械化得到较快发展，1978年至2008年上半年。农机总动力由67万kW增加到380万kW，增长567％。     

浅谈加快阿勒泰地区农机化发展

<正>1农机化发展状况1.1农业机械总量和装备水平不断提高(1)农机总动力增长显著。到2007年末,阿勒泰地区农机总动力达到41.1万kW,比1978年增长8.32倍。(2)农业机械及配套机具大幅度增加。2007年     

新疆农机化发展与农民增收效应关系研究——基于VAR模型

农机化发展是推动新疆农业发展、农民增收、农业结构调整的基础物质保障和战略支撑,农机总动力是反映和评价农机化发展水平的一个重要指标。为此,通过运用1978—2012年新疆统计数据,采用单位根检验、协整检验、VAR模型、脉冲响应函数和差方分解方法,研究了农机总动力与农民人均纯收入两者关系。研究表明:在农业生产中,农机化的发展对农民增收效应明显,农民增收也有效地推动农机化发展,并根据两者之间的实证结果得出相应结论。最后,对构建新疆地区农机化发展与农民增收良性促进机制提出政策建议。     

关于黑龙江省农机化科技创新的意见

改革开放30多年来,我国农业装备总量持续较快增长,年均增长6.6%,2008年全国农机总动力超过8亿kW,是1978年的5.8倍。农机作业水平大幅度提高,2008年全国耕种收综合机械化水平超过40%。我国农机化发展水平变化如图1所示。     

1978年以来中国农机总动力时空差异和结构变化分析

以1978-2008年全国和各省农机总动力面板数据为依据,通过空间自相关、局部空间自相关和统计分析得出结论:①中国农机发展水平总体处于中级阶段,但发展势头迅猛,预计到2015年全国农业机械总动力将达到233 170.250 7万kW;②区域农机化水平和发展速度差异显著;③研究时段内农机总动力内部结构变化明显,主要表现为小型柴油机动力的显著增加和农用排灌柴油机比例的显著减少。主成分归因分析表明:经济发展水平、自然状况、国家政策、配套措施和农民文化程度等是导致农机总动力时空差异的主要原因,从而为国家制定农业政策提供科学依据。     

发挥政府主导作用提升农机化科技水平

党中央、国务院历来高度重视农业机械化发展，从2004年到2009年的连续6个中央1号文件以及党的十七届三中全会通过的《中共中央关于推进农村改革发展若干重大问题的决定》，多次强调要加快推进农业机械化，并陆续出台了一系列政策措施。我国农机装备总量持续较快增长，改革开放30年，年均增长6．6％，2008年全国农机总动力超过8亿千瓦，是1978年的5．8倍。农机作业水平大幅度提高，     

发挥政府主导作用破解制约农机化发展的科技瓶颈

党中央、国务院历来高度重视农业机械化发展，从2004年到2009年的连续6个中央1号文件以及党的十七届三中全会通过的《中共中央关于推进农村改革发展若干重大问题的决定》，多次强调要加快推进农业机械化，并陆续出台了一系列政策措施。我国农机装备总量持续较快增长，改革开放30年，年均增长6．6％．2008年全国农机总动力超过8亿千瓦，是1978年的5．8倍。农机作业水平大幅度提高，2008年全国耕种收综合机械化水平超过45％。     

推进岑溪市新型农机专业合作社发展的探索

岑溪市地处广西东南，云开大山西南麓，属县级市。全市总面积2783平方公里，山地面积占全市总面积的81．62％，境内四面高山环绕，山岭起伏，丘陵遍布，河溪纵横交织，是一个典型的丘陵山区农业市，由于山脉阻隔，导致大部分田块面积小，因此，适用于机械化耕作面积较小。到2009年底，全市拥有农机总动力达20．42万千瓦，比1978年3．436万千瓦翻了六番多，     

贵州省农业机械总动力及拥有量变化研究

利用贵州省2000-2018年农业机械总动力及拥有量指标数据,运用线性趋势分析法、空间插值法、SPSS相关性分析法对农业机械总动力及拥有量变化进行研究。结果表明:(1)贵州省农业机械总动力、大中型拖拉机、小型拖拉机、农用水泵年际变化呈上升趋势;(2)贵州各地农业机械总动力、大中型拖拉机、小型拖拉机、农用水泵变化差异性突出;(3)农业人口、乡村从业人员数量、经济作物播种面积及第一产业GDP对农业机械总动力、大中型拖拉机、小型拖拉机、农用水泵均呈正相关关系,且相关性显著。     

基于灰色模型的农业机械总动力预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.根据2003-2007年我国农业机械总动力的历史数据,采用基于灰预测的指数增长模型对农业机械总动力进行了预测.在模型建立前,进行了级比平滑检验,认为数据具有建立灰预测模型的基础;模型建立后,又进行了相对误差检验、后验差检验和残差检验.检验结果表明,模型具有较高的精度,适合中长期预测.最后,根据该模型给出了2010-2012年我国农业机械总动力的预测结果,认为我国农业机械总动力将于2012年达到103222亿kW.     

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

吉林省农业机械总动力及其影响因素分析

农业机械化是农业现代化的重要标志,吉林省作为粮食大省,农业机械化的发展至关重要。为此,运用吉林省1987-2012年的相关数据,对吉林省农业机械总动力及其影响因素进行多元线性回归分析,建立了回归模型。结果表明:在其他变量保持不变的情况下,农村居民家庭恩格尔系数每降低1%,农机总动力就增加0.5947%;农村劳动力转移率每增加1%,农机总动力就增加0.5155%;农民家庭年纯收入每增加1%,农机总动力就增加0.1248%;农业财政支出每增加1%,农机总动力就增加0.0936%;人均耕地面积每增加1%,农机总动力就增加0.0064%。未来吉林省要充分重视这5个主要因素,从提高农民对农机的内在需求和加强政府扶持等外部环境两大方面促进农业机械化的发展。另外,需要加强对新型职业农民的培育,以适应新时期农机发展对人才与科技的需求。     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础，利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明，BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%，低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测，以期为农业机械化水平的发展提供参考。      

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

江苏省农机化水平与影响因素灰色关联分析

依据江苏省1996～2005年有关统计数据,选择农业劳均产值、农业劳均粮食播种面积、粮食单位面积产量和农民年均纯收入4个指标作为影响农业机械化水平的因素,利用灰色关联法对农机总动力与影响因素进行关联分析,并提出相关建议.     

伊犁州农机安全生产形势浅析

<正>2011年,伊犁州农机总动力为141.78万kW,比政策实施前的2003年增长100.04%。拖拉机保有量为50578台,是2003年的1.74倍,大中型拖拉机的比重达到47,1%,比2003年增加24%。水稻插秧机、玉米收获机分别达到934台、323台。大马力、多功能、高性能及薄弱环节农业机械增长迅速,农机装备结构不断优化。2011年,伊犁州直耕地机械化水平、播种机械化水平和收获机械化水平分别达到     

黑龙江省农业机械总动力预测分析——基于ARIMA模型

运用黑龙江省1980-2011年的统计数据,建立了黑龙江省农业机械总动力的ARIMA模型,并进行了预测分析。结果表明:黑龙江省农业机械总动力是非平稳的时间序列,ARIMA模型的拟合效果良好;应用ARIMA(0,2,1)模型进行预测,1980-2011年预测值与实际值之间的平均相对误差为2.87%,可用于今后黑龙江省农业机械总动力的预测与分析。     

基于BP神经网络的农机总动力组合预测方法

鉴于单一预测模型和线性组合预测模型的局限性,在确定黑龙江省农机总动力单一预测模型的基础上,建立了基于BP神经网络的非线性农机总动力组合预测模型。误差分析表明,该非线性组合预测模型的拟合平均绝对百分误差为3.03%,低于一元线性回归模型、指数函数模型、灰色GM（1,1）模型和三次指数平滑模型的6.26%、4.65%、4.88%和3.72%;稍高于以误差平方和最小为原则构建的线性组合预测模型的2.86%。用2006～2008年黑龙江省农机总动力进行检验预测,结果表明该模型可以有效地提高农机总动力的预测精度,用该模型预测了黑龙江省2009～2015年农机总动力。预测结果表明,在未来几年黑龙江省农机总动力将保持快速增长趋势,到