導(dǎo)語(yǔ)：FASOM神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)技術(shù)水平差距分析一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

農(nóng)業(yè)技術(shù)是促進(jìn)農(nóng)業(yè)綜合生產(chǎn)力和競(jìng)爭(zhēng)力的戰(zhàn)略因素,是提高農(nóng)業(yè)生產(chǎn)力和實(shí)現(xiàn)農(nóng)民生活富裕的重要保證。通過(guò)對(duì)我國(guó)省際農(nóng)業(yè)技術(shù)水平差異的定量評(píng)價(jià),不僅可以把握我國(guó)農(nóng)業(yè)技術(shù)水平的空間格局及區(qū)域差異,還可以正確理解農(nóng)業(yè)技術(shù)水平區(qū)域差異的內(nèi)在機(jī)理及成因,從而為指導(dǎo)區(qū)域農(nóng)業(yè)優(yōu)化發(fā)展提供現(xiàn)實(shí)依據(jù)。

1農(nóng)業(yè)技術(shù)水平及其評(píng)價(jià)方法

1.1農(nóng)業(yè)技術(shù)水平

關(guān)于農(nóng)業(yè)技術(shù)水平,廣大學(xué)者從不同領(lǐng)域、不同角度進(jìn)行了理論和實(shí)踐探討[1-3,5]。陳天佑、王紅伶等認(rèn)為,農(nóng)業(yè)技術(shù)水平存在廣義和狹義之分,是農(nóng)業(yè)內(nèi)部各要素如固定資產(chǎn)、流動(dòng)資金、勞動(dòng)力投入的集中體現(xiàn),但是區(qū)域自然條件、農(nóng)業(yè)基建投資對(duì)區(qū)域農(nóng)業(yè)技術(shù)水平也有一定的影響。黃曉潮、程為國(guó)認(rèn)為,農(nóng)業(yè)技術(shù)水平是反映一個(gè)地區(qū)或者區(qū)域利用自然和社會(huì)條件創(chuàng)造財(cái)富能力的綜合效應(yīng),是可以度量的。徐慧娜認(rèn)為,農(nóng)業(yè)技術(shù)進(jìn)步水平受各種因素的影響,但社會(huì)經(jīng)濟(jì)因素起主要作用。王武科、李同升等認(rèn)為,農(nóng)業(yè)技術(shù)水平是地區(qū)農(nóng)業(yè)發(fā)展的綜合反映,集中體現(xiàn)在技術(shù)投入水平、基礎(chǔ)水平、外部影響力、技術(shù)產(chǎn)出水平、技術(shù)效率水平5個(gè)方面。綜上所述,農(nóng)業(yè)技術(shù)水平是區(qū)域農(nóng)業(yè)發(fā)展的綜合體現(xiàn),是區(qū)域內(nèi)外各要素共同作用的結(jié)果。它既是一個(gè)時(shí)間的概念,又是一個(gè)動(dòng)態(tài)變化的概念,并直接影響區(qū)域農(nóng)業(yè)發(fā)展和農(nóng)業(yè)綜合生產(chǎn)能力。

1.2農(nóng)業(yè)技術(shù)水平評(píng)價(jià)方法

目前,國(guó)內(nèi)關(guān)于農(nóng)業(yè)技術(shù)水平測(cè)度的方法主要有以下幾種:①生產(chǎn)模型。這類方法依據(jù)技術(shù)進(jìn)步、技術(shù)水平提高與經(jīng)濟(jì)增長(zhǎng)的關(guān)系,從生產(chǎn)模型出發(fā),推導(dǎo)出廣義技術(shù)水平的實(shí)用測(cè)度模型[2-3];②超函數(shù)技術(shù)模型。這類方法運(yùn)用描述超技術(shù)的超函數(shù)的概念,并把各個(gè)地區(qū)的技術(shù)與超技術(shù)作對(duì)比,具體反映各個(gè)地區(qū)與超技術(shù)的差距及各個(gè)地區(qū)之間的差距[4];③多指標(biāo)綜合評(píng)價(jià)模型。這種方法主要采用主成分分析法、因子分析法、聚類分析法、綜合指標(biāo)體系法,對(duì)描述對(duì)象的多項(xiàng)指標(biāo)、信息加以匯集,用數(shù)學(xué)方法處理后,從整體上評(píng)測(cè)區(qū)域的農(nóng)業(yè)技術(shù)水平[1,5,6]。從現(xiàn)有的研究來(lái)看,生產(chǎn)模型和超函數(shù)技術(shù)模型等的定量分析限于農(nóng)業(yè)內(nèi)部諸要素,而對(duì)影響農(nóng)業(yè)技術(shù)水平的社會(huì)經(jīng)濟(jì)因素則缺乏嚴(yán)格的計(jì)量檢驗(yàn);多指標(biāo)綜合評(píng)價(jià)模型固然是一種較好的評(píng)價(jià)方法,但是其在評(píng)價(jià)區(qū)域農(nóng)業(yè)技術(shù)水平時(shí)也存在一些問(wèn)題,如需要行業(yè)專家對(duì)問(wèn)題的各層權(quán)重賦值,因而不同程度地存在人為干擾。此外,距離法得出的分類結(jié)果也有可能存在局部差異?；谏鲜鲈?本文引入FA-SOM神經(jīng)網(wǎng)絡(luò)模型,其不僅很好地集成了因子分析法可對(duì)多指標(biāo)進(jìn)行簡(jiǎn)約化處理,消除原始數(shù)據(jù)信息冗余的特性,而且繼承了自適應(yīng)神經(jīng)網(wǎng)絡(luò)非線性、無(wú)教師自組織、自學(xué)習(xí)的特點(diǎn),較好地避免了主觀性和局部分類偏差。

2農(nóng)業(yè)技術(shù)水平評(píng)價(jià)指標(biāo)體系

對(duì)農(nóng)業(yè)技術(shù)水平評(píng)價(jià)指標(biāo)體系,不同的學(xué)者從各自不同的研究視角進(jìn)行了探討[1-7]。在已有研究的基礎(chǔ)上,本文依據(jù)科學(xué)性、系統(tǒng)優(yōu)化、通用性、實(shí)用性的原則,綜合分析及取舍,選取農(nóng)業(yè)技術(shù)投入水平、產(chǎn)出效率、產(chǎn)出水平、基礎(chǔ)水平及外部整體支農(nóng)環(huán)境5個(gè)方面來(lái)構(gòu)建農(nóng)業(yè)技術(shù)水平綜合評(píng)價(jià)指標(biāo)體系,見(jiàn)圖1,且各個(gè)原始量化指標(biāo)在同類評(píng)價(jià)體系中采用頻度均達(dá)3次以上,使得該綜合評(píng)價(jià)體系具有較好的典型性和代表性。

(1)農(nóng)業(yè)技術(shù)投入水平。農(nóng)業(yè)技術(shù)水平的高低與區(qū)域農(nóng)業(yè)技術(shù)的投入大小密切相關(guān),是區(qū)域內(nèi)外各農(nóng)業(yè)生產(chǎn)要素投入的結(jié)果。一般而言,農(nóng)業(yè)技術(shù)的投入愈大,農(nóng)業(yè)技術(shù)水平的增幅就越高。這里用電力投入指數(shù)、非農(nóng)固定資產(chǎn)投資指數(shù)、中高級(jí)勞動(dòng)力指數(shù)來(lái)衡量。

(2)整體支農(nóng)環(huán)境。良好的支農(nóng)環(huán)境是促進(jìn)農(nóng)業(yè)技術(shù)水平提高的有力保障,其集中體現(xiàn)在區(qū)域支農(nóng)政策、農(nóng)業(yè)投資等幾個(gè)方面。這里采用農(nóng)業(yè)投資指數(shù)、農(nóng)戶投資指數(shù)、固定資產(chǎn)投資指數(shù)3個(gè)指標(biāo)來(lái)刻畫(huà)。

(3)產(chǎn)出效率。農(nóng)業(yè)產(chǎn)出效率是區(qū)域農(nóng)業(yè)技術(shù)水平的重要體現(xiàn)。通常,農(nóng)業(yè)技術(shù)水平越高,各要素投入產(chǎn)出的效率就越高。該指標(biāo)通過(guò)機(jī)械化效率、土地產(chǎn)出效率、勞動(dòng)力產(chǎn)出效率、柴油使用指數(shù)4個(gè)小指標(biāo)來(lái)綜合衡量。

(4)基礎(chǔ)水平。區(qū)域農(nóng)業(yè)技術(shù)水平在某一時(shí)間段上是恒定的,但在時(shí)間序列上則是動(dòng)態(tài)的。它反映了過(guò)去一個(gè)時(shí)期區(qū)域農(nóng)業(yè)的生產(chǎn)基礎(chǔ)累積情況,也是體現(xiàn)農(nóng)業(yè)技術(shù)水平的一個(gè)重要方面。這里用農(nóng)業(yè)勞動(dòng)力指數(shù)和生產(chǎn)性固定資產(chǎn)擁有量來(lái)表示。

(5)產(chǎn)出水平。農(nóng)業(yè)產(chǎn)出水平是農(nóng)業(yè)技術(shù)水平提高的最終體現(xiàn),用于衡量農(nóng)業(yè)技術(shù)的產(chǎn)出能力。本文采用產(chǎn)量增幅指數(shù)來(lái)衡量區(qū)域農(nóng)業(yè)產(chǎn)出水平。

3FA-SOM神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

3.1FA-SOM神經(jīng)網(wǎng)絡(luò)模型構(gòu)建原理

因子分析作為一種常用的多元統(tǒng)計(jì)分析方法,可以從眾多可觀測(cè)的“變量”中,概括和推論出少數(shù)不可觀測(cè)的“潛變量”,目的在于用少量的因子去概括和解釋大量的觀測(cè)事實(shí),并建立起最簡(jiǎn)潔、基本的概念系統(tǒng),以揭示事物之間的本質(zhì)聯(lián)系[8]。神經(jīng)網(wǎng)絡(luò)的全稱是人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN),它由大量簡(jiǎn)單的基本元件———神經(jīng)元相互連接,通過(guò)模擬人類大腦神經(jīng)處理信息的方式,進(jìn)行信息并行處理和非線性轉(zhuǎn)換。由于其具有獨(dú)特的類似于人腦的學(xué)習(xí)和識(shí)別能力,因而在社會(huì)生活的許多領(lǐng)域得到了廣泛的應(yīng)用。FA-SOM神經(jīng)網(wǎng)絡(luò)模型集成了因子分析和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn),其網(wǎng)絡(luò)結(jié)構(gòu)由一個(gè)輸入層和一個(gè)競(jìng)爭(zhēng)層構(gòu)成,輸入層與競(jìng)爭(zhēng)層之間實(shí)現(xiàn)全互連接,有時(shí)競(jìng)爭(zhēng)層各神經(jīng)元之間還實(shí)行側(cè)抑制連接(見(jiàn)圖2)。它以無(wú)教師教學(xué)的方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練,具有自組織的特性。在訓(xùn)練過(guò)程中,它不需要期望值,而是根據(jù)輸入數(shù)據(jù)的屬性來(lái)調(diào)整權(quán)重,進(jìn)而完成向環(huán)境學(xué)習(xí)、自動(dòng)分類和聚類等任務(wù)。目前,相關(guān)改進(jìn)的模型已經(jīng)被成功引入到農(nóng)業(yè)研究領(lǐng)域,并取得了一定的實(shí)效[10-12]。但即便如此,因子分析和自適應(yīng)特征映射神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于農(nóng)業(yè)技術(shù)水平評(píng)價(jià)仍未見(jiàn)有報(bào)道。自組織特征映射網(wǎng)絡(luò)的基本原理、學(xué)習(xí)算法、計(jì)算步驟可參見(jiàn)文獻(xiàn)[9],在此不作贅述。

圖2自組織特征映射網(wǎng)絡(luò)結(jié)構(gòu)

3.2FA-SOM模型構(gòu)建步驟

3.2.1數(shù)據(jù)來(lái)源及標(biāo)準(zhǔn)化

數(shù)據(jù)來(lái)源于2003—2008年歷年《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》、《2008中國(guó)統(tǒng)計(jì)年鑒》以及《2008中國(guó)農(nóng)業(yè)統(tǒng)計(jì)年鑒》,數(shù)據(jù)具有真實(shí)性和可靠性。由于西藏地區(qū)的部分?jǐn)?shù)據(jù)缺失,為不影響最終分析結(jié)果,故將西藏作為特殊區(qū)域?qū)Υ?暫不進(jìn)行統(tǒng)計(jì)分析。此外,臺(tái)灣、香港、澳門(mén)等地區(qū)也未在統(tǒng)計(jì)之列。依照前述指標(biāo)體系,采集相關(guān)數(shù)據(jù),對(duì)原始數(shù)據(jù)樣本集作標(biāo)準(zhǔn)化處理,標(biāo)準(zhǔn)化公式如下:χ*ij=χij-χjsj其中χj和sj(j=1,2…11,12,13)為j項(xiàng)指標(biāo)觀測(cè)值(樣本)的均值和(樣本)標(biāo)準(zhǔn)差。

3.2.2公共因子提取

對(duì)處理后的變量進(jìn)行因子分析,由于前5個(gè)公共因子的累積方差貢獻(xiàn)率達(dá)到88.491%,基本包含了所有變量的信息,故提取前5個(gè)公共因子。從表1可以看出,第一因子對(duì)電力投入水平、非農(nóng)投資指數(shù)、中高級(jí)勞動(dòng)力負(fù)荷較大;第二因子對(duì)農(nóng)業(yè)投資水平、固定資產(chǎn)累積指數(shù)負(fù)荷較大;第三因子對(duì)勞動(dòng)力產(chǎn)出效率、機(jī)械化投入水平負(fù)荷較大;第四因子對(duì)勞動(dòng)力投入水平、生產(chǎn)性固定資產(chǎn)擁有指數(shù)負(fù)荷較大;第五因子對(duì)產(chǎn)量增幅指數(shù)負(fù)荷較大。因此,可以定義5個(gè)因子為農(nóng)業(yè)技術(shù)投入水平、農(nóng)業(yè)技術(shù)外部支農(nóng)環(huán)境、農(nóng)業(yè)技術(shù)產(chǎn)出效率、農(nóng)業(yè)技術(shù)基礎(chǔ)水平、農(nóng)業(yè)技術(shù)產(chǎn)出水平。

3.2.3自組織特征映射網(wǎng)絡(luò)數(shù)據(jù)樣本

由因子載荷矩陣和因子權(quán)重計(jì)算出全國(guó)各省區(qū)的各因子得分和綜合得分(見(jiàn)表2),并把這6個(gè)指標(biāo)的數(shù)據(jù)集作為自適應(yīng)特征映射神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)樣本。

3.2.4自組織特征映射網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

首先,利用函數(shù)newsom導(dǎo)入標(biāo)準(zhǔn)化之后的數(shù)據(jù),創(chuàng)建一個(gè)自適應(yīng)特征映射網(wǎng)絡(luò),確定網(wǎng)絡(luò)的輸入模式為:pk=(pk1,pk2,…,pkn)k=1,2,…30,n=6即共有30組樣本向量,每個(gè)樣本向量包含6個(gè)元素。輸入層的神經(jīng)元個(gè)數(shù)為6個(gè),而競(jìng)爭(zhēng)層神經(jīng)元的個(gè)數(shù)取決于30個(gè)地區(qū)最終被分為幾類。為使最終分類結(jié)果盡量接近客觀事實(shí),故分別取3類、4類、5類進(jìn)行學(xué)習(xí),并選取較優(yōu)者。然后利用訓(xùn)練函數(shù)Train和仿真函數(shù)sim對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并仿真。在MATLAB7.0軟件中應(yīng)用神經(jīng)網(wǎng)絡(luò)工具箱(NNTool),選取網(wǎng)絡(luò)類型Self-organizingmap,通過(guò)排列訓(xùn)練學(xué)習(xí)速率取默認(rèn)值0.1,拓?fù)浜瘮?shù)設(shè)置為hex-top,距離函數(shù)設(shè)置為link-disk,調(diào)整階段的學(xué)習(xí)速率取默認(rèn)值0.02,排列階段的學(xué)習(xí)次數(shù)設(shè)為1000次,調(diào)整階段的學(xué)習(xí)速率為0.02,調(diào)整階段鄰域半徑取默認(rèn)值1.0,訓(xùn)練誤差為0.001,設(shè)置訓(xùn)練次數(shù)為10、100、500、1000次,觀察其分類性能。結(jié)果顯示,經(jīng)過(guò)100次的訓(xùn)練以后,網(wǎng)絡(luò)誤差達(dá)到設(shè)定的精度,分類已比較穩(wěn)定。經(jīng)過(guò)比較分析,當(dāng)結(jié)果分為5類時(shí)網(wǎng)絡(luò)分類結(jié)果最接近實(shí)際情況,故將其作為最終采納結(jié)果并通過(guò)ARCGIS9.2將分類結(jié)果以圖的形式表現(xiàn)出來(lái)(見(jiàn)圖3)。

圖3農(nóng)業(yè)技術(shù)水平省際差異

4農(nóng)業(yè)技術(shù)水平省際差異及其特征分析

4.1總體特征分析

(1)由圖3不難看出,中國(guó)農(nóng)業(yè)技術(shù)水平呈現(xiàn)“少數(shù)領(lǐng)先、多數(shù)集中、整體偏低且內(nèi)部差異較大”的特征。就全國(guó)范圍而言,除北京、浙江、天津、上海、山東、廣東等少數(shù)地區(qū)綜合得分較高外,其它省區(qū)的綜合得分都較低,且有18個(gè)省區(qū)的綜合得分為負(fù)值,反映出我國(guó)農(nóng)業(yè)技術(shù)進(jìn)步水平整體偏低且內(nèi)部差異較大,廣大中西部地區(qū)農(nóng)業(yè)技術(shù)水平亟待提高。五類結(jié)果分別集中了2、3、5、7、13個(gè)地區(qū),尤其是三、四、五類分別集中了5、7、13個(gè)地區(qū)且同類間區(qū)域相對(duì)集中,說(shuō)明三、四、五類地區(qū)農(nóng)業(yè)技術(shù)水平集中且共性較大,內(nèi)部差異性較小。

(2)從圖3還不難看出,中國(guó)農(nóng)業(yè)技術(shù)水平的另一特點(diǎn)是:農(nóng)業(yè)技術(shù)水平的區(qū)域差異在空間格局上具有較強(qiáng)的梯度性,大體呈現(xiàn)為“中西部地區(qū)—北部干旱與半干旱地區(qū)—東部沿海地區(qū)—東部特大城市區(qū)域”梯度逐步提高的趨勢(shì)。這與既往的研究結(jié)論相類似,又表現(xiàn)出部分差異。這一特征的形成機(jī)理雖然有其有固有的地理因素,但是更主要的還是由社會(huì)經(jīng)濟(jì)因素引起的。

(3)同理,位于相似區(qū)位的區(qū)域具有一定的相似性,反之則表現(xiàn)出一定的差異性。從聚類結(jié)果來(lái)看,各類型區(qū)域具有明顯的區(qū)位趨同性,且相鄰類別區(qū)域具有較強(qiáng)的地理鄰近性。一、二、三類地區(qū)無(wú)一例外地分布在經(jīng)濟(jì)較為發(fā)達(dá)的東部地區(qū),而其它類別則廣泛分布在經(jīng)濟(jì)較為落后的中西部地區(qū)。

4.2局域特征分析

為了詳細(xì)探討各類地區(qū)之間農(nóng)業(yè)技術(shù)水平的差異,根據(jù)表3將我國(guó)30個(gè)地區(qū)分為5類,結(jié)合表2,表3所示的各類別城市的6項(xiàng)綜合指標(biāo)平均值即反映各類別區(qū)域之間存在明顯的差異。

(1)第一類地區(qū)包括北京、上海兩個(gè)地區(qū),其共同特征是我國(guó)最發(fā)達(dá)的區(qū)域,在技術(shù)投入、外部影響力、產(chǎn)出水平和綜合得分4個(gè)方面,均超過(guò)全國(guó)其它區(qū)域。這兩個(gè)區(qū)域經(jīng)濟(jì)高度發(fā)達(dá),基礎(chǔ)好、底子厚,社會(huì)經(jīng)濟(jì)活動(dòng)的聯(lián)動(dòng)性很強(qiáng),區(qū)內(nèi)中高級(jí)勞動(dòng)力、非農(nóng)投資等都能維持在較高的水平,因而使其農(nóng)業(yè)技術(shù)呈現(xiàn)出較高的產(chǎn)出水平。

(2)第二類地區(qū)包括江蘇、浙江、廣東3個(gè)地區(qū),其共同特征是均位于經(jīng)濟(jì)發(fā)達(dá)的東部,具有較高的農(nóng)業(yè)技術(shù)投入水平,農(nóng)業(yè)技術(shù)綜合得分、農(nóng)業(yè)技術(shù)產(chǎn)出效率和基礎(chǔ)水平的得分也較高,雖然與第一類地區(qū)相比有一定的差距,但是與其它地區(qū)相比,卻有相對(duì)明顯的優(yōu)勢(shì)。這3個(gè)省區(qū)均是沿海開(kāi)放地區(qū),市場(chǎng)機(jī)制比較成熟和完善,擁有較高的中高級(jí)勞動(dòng)力水平,雖然外部的支農(nóng)水平較低,但是依舊能維持較高的農(nóng)業(yè)技術(shù)效率。

(3)第三類地區(qū)包括天津、河北、遼寧、福建、山東5個(gè)地區(qū),其共同特征是均位于經(jīng)濟(jì)較為發(fā)達(dá)的東部,具有良好的區(qū)位優(yōu)勢(shì),農(nóng)業(yè)的產(chǎn)出效率和外部整體支農(nóng)環(huán)境也較好,但是在技術(shù)投入、基礎(chǔ)水平、產(chǎn)出水平和農(nóng)業(yè)技術(shù)綜合得分方面卻沒(méi)有比較優(yōu)勢(shì)。其中遼寧、天津等地雖然具有較好的整體支農(nóng)環(huán)境,但是其優(yōu)勢(shì)并沒(méi)有很好地顯現(xiàn)出來(lái),因而,與前兩類相比依舊有一定的差距。

(4)第四類地區(qū)包括內(nèi)蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個(gè)區(qū)域,其共同的特征是均位于我國(guó)的北方,擁有豐富的耕地資源,且地勢(shì)平坦開(kāi)闊,相比其它區(qū)域而言,它們擁有較高的農(nóng)業(yè)生產(chǎn)性固定資產(chǎn)。寧夏、新疆等地雖然地域遼闊,擁有較多的耕地資源,但是受區(qū)域農(nóng)業(yè)人口素質(zhì)等各方面的影響,其農(nóng)業(yè)技術(shù)水平較為落后。

(5)第五類地區(qū)包括山西、安徽、江西、河南、湖北、湖南、廣西、重慶、四川、貴州、云南、陜西、甘肅13個(gè)地區(qū),其共同特點(diǎn)是都位于相對(duì)落后的中西部地區(qū),在技術(shù)投入、支農(nóng)環(huán)境、農(nóng)業(yè)技術(shù)綜合得分上明顯落后于全國(guó)其它地區(qū),在產(chǎn)出效率、基礎(chǔ)水平和產(chǎn)出水平上也處于劣勢(shì)。其中,湖南、廣西、云南等地雖然農(nóng)業(yè)勞動(dòng)力的投入水平較高,但是其生產(chǎn)性固定資產(chǎn)的擁有水平卻不甚理想,相對(duì)較差的自然地形條件,難以為區(qū)域農(nóng)業(yè)技術(shù)水平的提升提供必要的支持。

5結(jié)語(yǔ)

(1)應(yīng)用FA-SOM神經(jīng)網(wǎng)絡(luò)模型對(duì)我國(guó)30個(gè)省區(qū)的農(nóng)業(yè)技術(shù)水平進(jìn)行了聚類分析,并將其分成五類,第一類地區(qū)包括北京、上海兩個(gè)地區(qū);第二類地區(qū)包括江蘇、浙江、廣東3個(gè)地區(qū);第三類地區(qū)包括天津、河北、遼寧、福建、山東5個(gè)地區(qū);第四類地區(qū)包括內(nèi)蒙古、吉林、黑龍江、海南、青海、寧夏、新疆7個(gè)區(qū)域;第五類地區(qū)包括山西、安徽、江西、河南、湖北、湖南、廣西、重慶、四川、貴州、云南、陜西、甘肅13個(gè)地區(qū)。

(2)應(yīng)用FA-SOM神經(jīng)網(wǎng)絡(luò)對(duì)我國(guó)農(nóng)業(yè)技術(shù)水平省域差異進(jìn)行了評(píng)價(jià),利用因子分析法對(duì)多指標(biāo)進(jìn)行了簡(jiǎn)約化處理,并充分利用網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)特點(diǎn),既克服了傳統(tǒng)評(píng)價(jià)的主觀隨意性,又較好地反映了系統(tǒng)的非線性特點(diǎn),使得網(wǎng)絡(luò)具有較強(qiáng)的泛化能力,不失為一種有效的評(píng)價(jià)方法。