《Frontiers in Sustainable Food Systems》：Artificial intelligence and sustainable consumption efficiency in Chinese agriculture: evidence from SDG 12
编辑推荐：
摘要
引言： 农业人工智能（Agricultural AI）创新为实现农业生产转型和提高资源利用效率提供了新的机遇，然而关于技术创新如何高效地转化为可持续生产和消费成果的研究尚不充分。
方法： 本研究利用中国30个省级地区2019年至2024年的面板数据，构建
摘要
引言： 农业人工智能（Agricultural AI）创新为实现农业生产转型和提高资源利用效率提供了新的机遇，然而关于技术创新如何高效地转化为可持续生产和消费成果的研究尚不充分。
方法： 本研究利用中国30个省级地区2019年至2024年的面板数据，构建了一个包含农业AI技术创新、可持续农业生产和可持续农业消费的动态三阶段网络方向性距离函数-数据包络分析（dynamic three-stage network DDF-DEA）模型。该模型估算了整体效率和分阶段效率。
结果： 结果表明，研究期间的平均整体效率为0.7284，并呈波动上升趋势，但仍存在较大改进空间。东部地区的区域效率最高，其次是西部和中部地区，而省份间的差异依然显著。三个阶段（Stage 1, 2, 3）的平均效率分别为0.4177、0.9053和0.8880。第一阶段是大多数省份的主要效率瓶颈，而第二、三阶段的低效率则集中在少数省份，表明三个阶段之间存在不同程度的不平衡。平均达古姆基尼系数（Dagum Gini coefficient）为0.1097，交叉密度（transvariation density）平均占总差异的46.56%，这表明区域效率分布之间的重叠是不平等的重要来源。在指标替换、移动窗口宽度变化、剔除直辖市、替代阶段权重以及使用基于松弛的测度数据包络分析（slacks-based measure data envelopment analysis, SBM-DEA）模型后，主要发现仍保持广泛稳定。
讨论： 这些发现表明，效率提升策略应根据各省的阶段特定瓶颈量身定制，尤其需关注加强农业AI创新能力，以及改善技术创新向可持续生产成果和生产成果向可持续消费成果的转化。
中国农业人工智能与可持续消费效率研究解读
研究背景与现存问题
在全球人口持续增长、消费模式不断演变以及耕地和水资源约束日益严峻的背景下，全球农食系统不仅需要提高生产能力，还必须减少从生产到消费各环节的食物损失与浪费。联合国《2030年可持续发展议程》中的可持续发展目标12（Sustainable Development Goal 12, SDG 12）旨在确保可持续消费和生产模式，其具体目标12.3呼吁到2030年将零售和消费层面的全球人均粮食浪费减半，并减少生产和供应链上的粮食损失。农业人工智能（Agricultural AI）创新通过整合多源数据，为优化资源配置、推动农业可持续转型提供了新机遇。然而，现有研究主要聚焦于AI的具体技术、农场应用或单一环节，较少关注省级层面的AI创新能力及其产出转化为可持续生产结果的效率。同时，农业AI创新、可持续生产和可持续消费这三个环节通常被分开研究，忽略了它们之间的顺序联系。此外，传统的单阶段数据包络分析（Data Envelopment Analysis, DEA）模型将初始投入转化为最终产出的过程视为一个“黑箱”，无法识别效率损失发生在哪个阶段。因此，亟需一项研究来打通这三个环节，识别效率瓶颈，为制定精准的提升策略提供实证依据。
研究概述与核心结论
为填补上述研究空白，研究人员利用中国30个省级地区（不含港澳台及西藏）2019年至2024年的面板数据，构建了一个连接农业AI技术创新、可持续农业生产和可持续农业消费的三阶段分析框架。他们采用动态三阶段网络方向性距离函数-数据包络分析（dynamic three-stage network DDF-DEA）模型，同时评估了整体效率和分阶段效率。研究发现，研究期间的整体平均效率为0.7284，呈波动上升趋势，表明仍有约27%的效率提升空间。区域层面，东部地区效率最高，西部和中部地区次之，且省份间差异显著。三个阶段的平均效率分别为0.4177、0.9053和0.8880，其中第一阶段（农业AI技术创新阶段）是多数省份最主要的效率瓶颈。此外，区域效率分布的重叠是造成区域不平等的重要原因。该研究的核心意义在于，它首次将AI技术创新、农业生产和消费纳入一个统一的三阶段效率评价体系，打开了传统效率评价的“黑箱”，精准识别了各省份在不同阶段的具体短板，为地方政府制定因地制宜的农业可持续发展政策提供了关键的实证支持。
主要关键技术方法
研究人员主要采用了以下关键技术方法：
- 1.
动态三阶段网络DDF-DEA模型：这是本研究的核心方法。它将农业生产过程解构为三个相互关联的子阶段（农业AI技术创新、可持续农业生产、可持续农业消费），并使用方向性距离函数（Directional Distance Function, DDF）同时处理投入缩减、期望产出扩张和非期望产出缩减。网络结构允许中间产品在阶段间传递，从而打开“黑箱”，识别各阶段的效率。
- 2.
达古姆基尼系数（Dagum Gini Coefficient）及其分解：用于测算和分析东、中、西三大区域间及区域内效率差异的来源，并将其分解为区域内差异、区域间净差异和超变密度（transvariation density）。
- 3.
核密度估计（Kernel Density Estimation）：用于描绘各省份效率分布的动态演进特征。
- 4.
稳健性检验：通过指标替换、改变移动窗口宽度、剔除直辖市、调整阶段权重以及更换为基于松弛的测度数据包络分析（SBM-DEA）模型等多种方式，验证了核心结论的稳定性。
研究结果详述
1. 引言
该部分阐述了研究的现实和政策背景。指出在人口增长和资源约束下，实现SDG 12中关于可持续消费和生产的目标至关重要。农业AI被视为提升资源利用效率和促进农业可持续发展的关键技术。然而，高投资成本、技术和运营障碍以及区域数字基础设施差异可能阻碍其推广。在此背景下，中国政府近年来也出台了一系列政策，如2024年发布的《关于大力发展智慧农业的指导意见》和2025年的《关于深化实施“人工智能+”行动的意见》，强调了加速农业数字化转型的重要性。通过对现有文献的梳理，研究人员发现了三个主要空白：缺乏对省级AI创新能力的关注；AI创新、可持续生产和消费被孤立研究；传统单阶段DEA模型无法识别效率损失的环节。为此，本研究构建了三阶段框架，并运用网络DDF-DEA模型来弥补这些不足。
2. 分析框架与指标设定
研究人员提出了一个由农业AI技术创新（Stage 1）、可持续农业生产（Stage 2）和可持续农业消费（Stage 3）组成的三阶段分析框架。Stage 1的投入是农业研发经费和人员，产出是农业AI发明专利授权数，作为连接Stage 2的纽带。Stage 2的投入包括Stage 1的专利产出、耕地面积和政府农林水事务支出，其期望产出是物种丰富度，而食品供应能力、食品可负担性和粮食总产量则作为中间产品进入Stage 3。Stage 3的投入包括来自Stage 2的三个中间产品和农产品进口额，其期望产出是人均粮食消费量，非期望产出是人均粮食浪费。固定资本形成总额作为跨期变量连接不同时期。研究人员详细说明了各项指标的选取理由、测算方法和数据来源。
3. 方法与数据
此部分详细介绍了所使用的数学模型。首先，解释了为何选择DEA方法以及为何进一步采用DDF来处理多方向调整。随后，给出了三阶段网络DDF-DEA模型的完整数学规划，包括目标函数（最大化各阶段改进距离的平均值）和各阶段的约束条件（如投入、产出和链接变量的不等式约束）。模型假设规模报酬可变（Variable Returns to Scale, VRS）。数据方面，研究使用了2019-2024年中国30个省份的面板数据，数据来源包括《中国统计年鉴》、《中国科技统计年鉴》、国家关键产业专利信息服务平合等。
4. 实证结果
- •
整体效率分析：研究期间全国平均整体效率为0.7284，呈波动上升趋势。东部地区效率最高（0.8323），中部（0.6439）和西部（0.7091）相对较低，区域差异明显。各省份效率排名显示，北京、上海、江苏等经济发达省份效率较高，而山西、吉林、黑龙江等省份效率偏低。
- •
分阶段效率分析：三个阶段的平均效率分别为0.4177、0.9053和0.8880。Stage 1（AI创新）效率最低，是整体效率的主要瓶颈，尤其是在中部和西部地区。Stage 2（生产）和Stage 3（消费）效率普遍较高，但低效率省份集中在中部和西部部分地区。这表明，尽管生产和消费环节效率尚可，但薄弱的AI创新能力严重制约了整体效率的提升。
- •
区域差异分解：总体达古姆基尼系数（Dagum Gini coefficient）均值为0.1097，表明区域间不平等程度不高。超变密度（transvariation density）是区域差异的最大来源，贡献了近一半的差异，说明不同区域的效率分布存在较大重叠，即部分低效省份与高效省份的效率水平相近，导致分类不够清晰。
- •
动态演进：核密度估计显示，全国整体效率分布呈现右移趋势，且主峰高度增加，表明效率在提升的同时，省份间差距有所缩小。但分布形态的变化也暗示了极化现象的存在。
- •
稳健性检验：通过多种方式的检验（如替换指标、改变窗口宽度、剔除直辖市、调整阶段权重、改用SBM-DEA模型），核心结论——Stage 1是主要效率瓶颈、区域差异特征等——均保持稳定，证明了研究结果的可靠性。
讨论与结论
讨论部分总结了研究的主要发现，并与现有文献进行了对话。研究证实了农业AI创新是驱动农业可持续发展的关键，但其自身转化效率低下是当前的主要短板。这与一些研究中提到的AI技术采纳面临的成本、人才和基础设施挑战相一致。研究还发现，即使生产和消费环节效率较高，其优势也难以完全弥补创新环节的低效，凸显了全链条协同发展的重要性。区域差异的分析表明，简单的东中西划分可能不足以揭示问题的复杂性，因为区域内部的异质性同样重要。研究建议，政策应更具针对性，例如，对于AI创新瓶颈明显的省份，应优先加大研发投入和人才培养；而对于生产和消费环节效率较低的省份，则应侧重于优化资源配置和减少食物浪费。
结论部分明确指出，本研究通过构建三阶段网络DDF-DEA模型，揭示了2019-2024年间中国农业在AI创新、可持续生产和消费方面的效率状况。核心结论是：整体效率有待提升，而农业AI技术创新阶段是主要的效率瓶颈。区域间存在显著差异，且区域效率分布的重叠是造成不平等的重要原因。这些发现意味着，未来的效率提升策略必须根据各省在不同阶段的特定瓶颈进行“靶向治疗”，特别是要加强农业AI的创新能力和成果转化效率，才能有效推动整个农业系统向SDG 12所倡导的可持续消费和生产模式转型。
