《Scientific Reports》：Determinants of adoption of climate-smart agriculture (CSA) practices in mushroom farming in Bangladesh
编辑推荐：
本研究探讨孟加拉国蘑菇农场采纳气候智能型农业（CSA）实践的关键影响因素，旨在解决气候变化背景下农业生产适应能力不足的问题。研究人员通过问卷调查收集了150名蘑菇农户的数据，并综合运用贝叶斯分析（Bayesian analysis）与机器学习（ML）算法（如支持向量机-SVM、梯度提升机-GBM）进行建模分析。结果表明，48%的受访农户已采纳至少一项CSA实践；具有中等教育水平、CSA先验知识、栽培培训、气候信息与信贷获取渠道以及新入行者更倾向于采纳CSA。SVM模型在预测采纳行为上表现出较高准确率（87.3%）。研究揭示了通过针对性培训、提供气候信息与信贷支持可有效提升CSA在蘑菇种植中的采纳率，对制定区域性农业适应政策具有重要参考意义。
在全球气候变化对农业生产构成持续威胁的背景下，寻求既能提升生产力又能增强气候韧性的农业实践，成为各国农业可持续发展的核心议题。气候智能型农业（Climate-Smart Agriculture， CSA）正是为此应运而生的一套综合性解决方案。然而，尽管CSA被寄予厚望，其在具体农业生产环节，尤其是在发展中国家的特定作物系统中的实际采纳情况却并不均衡。以孟加拉国为例，这个南亚国家极易受到气候变化带来的极端天气事件影响，其农业部门面临着严峻挑战。蘑菇种植作为该国一项重要的高价值、资源高效型农业活动，为小农户提供了重要的生计来源和营养补充途径。那么，一个关键问题随之浮现：究竟是哪些因素在推动或阻碍孟加拉国的蘑菇种植户们采纳这些理论上更优的气候智能型技术呢？理解这些“采纳密码”，对于将CSA从政策蓝图转化为田间地头的实际行动，从而切实增强农业系统的气候适应能力至关重要。
为了破解这一谜题，一项发表在《Scientific Reports》上的研究展开了深入的探索。研究人员没有停留在传统的统计分析层面，而是创新性地将经典的频率学派方法与前沿的机器学习算法相结合，以期更全面、更精准地捕捉影响农户决策的复杂因素。他们的主要研究方法是，首先在孟加拉国的萨瓦尔地区（Savar upazila）精心选取了150名蘑菇种植户作为研究样本。通过结构化的问卷调查，研究人员系统收集了这些农户的社会经济特征、经营状况、知识水平、资源获取渠道以及CSA实践采纳情况等多维度数据。在数据分析阶段，团队采用了双管齐下的策略：一方面运用贝叶斯统计方法（Bayesian analysis）来估计各因素与CSA采纳可能性之间的关联强度；另一方面，则引入了多种机器学习算法，包括支持向量机（Support Vector Machine， SVM）、梯度提升机（Gradient Boosting Machine， GBM）等，来构建预测模型，并比较不同模型在识别CSA采纳者方面的性能。
研究结果清晰地揭示了一系列影响蘑菇农户采纳CSA实践的关键驱动力。首先，从采纳现状来看，样本中已有48%的农户迈出了第一步，采纳了至少一项CSA实践，这表明CSA理念已获得一定程度的认可，但仍有巨大的推广空间。
贝叶斯分析揭示的关键因素
通过贝叶斯分析，研究人员量化了不同特征农户的采纳倾向。结果显示，以下几类农户采纳CSA实践的可能性显著更高：
- •
拥有中等教育水平的农户。
- •
在参与调查前就已经对CSA有所了解的农户。
- •
接受过蘑菇栽培相关培训的农户。
- •
能够便捷获取气候信息和天气预报的农户。
- •
拥有信贷或贷款获取渠道的农户。
- •
相较于经营多年的农户，新入行的蘑菇种植户反而表现出更高的采纳意愿。
机器学习模型的预测性能
在利用机器学习预测农户是否会采纳CSA的模型中，支持向量机（SVM）算法整体表现略胜一筹，其准确率（Accuracy）达到87.3%，召回率（Recall）为92%，F值（F-score）为87.9%，G均值（g-mean）为87.7%，科恩卡帕系数（Cohen’s Kappa）为74.6%，马修斯相关系数（Matthews correlation coefficient）为74.7%。然而，在衡量模型区分能力的曲线下面积（Area Under the Curve， AUC）和精确率-召回率曲线（Precision Recall Curve）指标上，梯度提升机（GBM）则展现了更好的性能。
影响采纳的核心变量排序
无论是传统的贝叶斯分析还是机器学习模型的特征重要性评估，都一致指向了几个核心影响因素。其中，对CSA的先验知识被确定为推动采纳的最强有力因素。紧随其后的重要因素依次是：气候信息的获取、农场所有权（拥有自己农场的农户）、蘑菇种植相关培训、信贷获取以及互联网接入。这一排序为政策干预的优先级提供了实证依据。
综上所述，这项研究通过实证分析明确指出，在孟加拉国蘑菇种植系统中，农户对气候智能型农业实践的采纳并非随机，而是受到其知识背景、培训经历、信息资源及经济条件等一系列可识别因素的显著影响。其中，农户是否事先了解CSA，以及能否获得关键的气候信息和金融支持，构成了决定其是否迈出采纳第一步的最核心关卡。基于这些发现，研究人员提出了一个明确的政策假设：有针对性地开展CSA知识普及与技能培训，同时系统性改善农户获取气候预报信息和农业信贷的渠道，将能有效撬动更大范围的CSA实践在孟加拉国蘑菇产业乃至类似农业体系中落地生根。这项研究不仅为理解农业技术创新采纳行为提供了方法上的融合范例（贝叶斯与机器学习结合），更重要的是，它产出了可用于指导实践的、具体且可操作的决策依据，对于在全球南方国家推广气候适应型农业具有重要的现实意义。
