农业光伏创新指数：一种用于追踪全球研究准备水平的综合科学计量工具

《Engineering Science and Technology, an International Journal》：Agrivoltaic innovation index: A composite scientometric tool for tracking global research readiness

　　马苏德·卡比尔 | 萨米·埃基奇
能源系统工程系，菲拉特大学，23119 埃拉齐格，土耳其

**摘要**
农业光伏技术迅速成为能源与农业领域中的关键解决方案，但现有的综述和文献计量研究大多关注发表数量、系统类型或局部技术经济绩效，而没有提供评估全球研究领域创新准备度的量化框架。为填补这一空白，本研究提出了农业光伏创新指数（AII），这是一个综合性的科学计量指标，旨在超越发表量和引用次数，反映农业光伏研究的多维结构。AII由七个子指标组成，包括概念新颖性、跨学科性和技术成熟度，并使用基于熵的加权方法来对论文、机构和国家进行比较评估。研究结果表明，全球农业光伏创新在结构上存在不平衡；高发表量并不总是对应高创新准备度。值得注意的是，一些低产出的国家仍获得了较高的AII值，这可能反映了它们在该领域的专注研究，但由于低产出国家的得分对国际合作论文的依赖性较高，因此需要谨慎解读。鲁棒性测试（包括皮尔逊相关性和机器学习内部一致性检查）支持AII作为诊断框架的有效性。通过超越描述性综述，AII提供了区分研究成熟度和地区创新路径的定量视角，为能源与农业领域的基于证据的规划和政策优先级制定提供了方法论支持。

**1. 引言**
在过去十年中，农业光伏技术已成为解决与气候韧性、粮食安全、可再生能源生产和农村社会经济发展相关全球问题最具前景的多维土地利用方法之一[1]、[2]。通过将光伏（PV）系统与农业生产相结合，农业光伏技术旨在平衡能源转型与农业用地保护这两个通常被认为是相互矛盾的目标[3]，从而处于能源与农业关系的核心[4]。大量研究表明，农业光伏系统具有自然和社会经济的协同效应，如减少植物热应激的微气候调节、提高土地利用效率、改善环境条件以及增加农民收入来源[5]、[6]、[7]。由于这些发展，农业光伏相关的研究在工程学[8]、农学[9]、环境科学[10]、经济学[11]和可持续发展研究[12]等领域呈指数级增长。此外，新的实验地点、建模技术和系统设计在欧洲[13]、亚洲[14]、北美[15]，以及最近在非洲[16]、[17]、[18]和中东[19]、[20]出现，推动了全球文献的快速扩展。尽管该领域的研究增长显著，但目前仍缺乏一个全面的、多维的框架来评估其科学原创性、成熟度和整体发展轨迹。

现有的农业光伏文献计量研究记录了发表趋势、关键词共现网络和国际合作模式[21]，为该领域提供了有价值的结构图谱。然而，这些方法有一个根本局限：传统的衡量标准（如发表数量和原始引用次数）无法捕捉概念新颖性、跨学科性、方法论复杂性或技术成熟度，而这些维度是定义复杂且快速发展的领域中的科学进步的关键[22]、[23]、[24]、[25]。农业光伏文献在这方面特别多样化，涵盖社会经济可行性研究、立法分析、基于模拟的能量优化、特定作物的实验以及全新的系统配置[4]、[22]、[23]、[24]、[25]。使用单一指标评估这些多样性是不够的；没有统一的、多维的评估框架，就无法区分真正的创新与单纯的数量增长，也无法识别哪些研究方向正在推动领域发展，哪些正在停滞。

此外，农业光伏知识的区域分布非常不均衡。大多数研究成果来自法国、日本、德国、意大利、美国和中国等国家，这些国家拥有健全的可再生能源立法和技术能力[26]、[27]、[28]。与此同时，一些最易受气候变化和粮食不安全影响的地区（如撒哈拉以南非洲、南亚和拉丁美洲）在研究中的代表性明显不足，尽管它们最有可能从农业光伏技术中受益[29]。尽管现有文献计量研究指出了这些不平等现象，但它们未能实际量化创新在全球的传播程度、哪些国家或机构处于领先地位，或者合作网络如何影响知识传播。这类知识对于制定国际发展政策、研究资金分配和能力建设计划至关重要，以确保农业光伏技术的进步不会局限于某些地区。

现有研究的另一个概念缺陷是缺乏纵向创新指标。早期的高影响力开创性努力、巩固阶段、逐步优化时期以及由技术、政策或社会经济发展驱动的间歇性突破，是发展领域研究进展的典型时间模式。然而，据我们所知，尚未有研究跟踪概念多样性、跨学科性或动力的结构性变化，或全面评估农业光伏创新的时间演变。这种缺乏时间敏感性的问题阻碍了我们对该领域当前发展轨迹的理解，无论是仍处于实验阶段、向技术集成过渡，还是达到市场成熟的阶段。更重要的是，农业光伏技术缺乏一个可信的、全面的创新衡量标准，能够将各种科学贡献要素整合为一个单一的、可解释的指标。在其他领域，如技术成熟度框架[30]和经济学中的多维创新指数[31]已被证明对于监测研究准备度、识别突破性工作和指导科学研究投资至关重要。这种缺失阻碍了研究社区和相关利益相关者识别哪些科学方向正在推动领域发展，哪些正在停滞，从而限制了逻辑上合理、技术上可靠的战略决策。

为解决这些不足，本研究引入了农业光伏创新指数（AII），这是第一个针对农业光伏研究的科学计量工具和综合指标。AII基于七个衍生子指标，捕捉了当前农业光伏研究论点的概念新颖性、跨学科性质、全球扩散模式和可持续性方向。这将为科学界提供一个研究质量基准工具，帮助识别创新热点，并为未来的进展提供见解。在这方面，本研究通过将一个快速增长但在分析上分散的领域转变为一个可量化、可理解和战略上可导航的科学领域，填补了农业光伏研究的一个根本性空白。除了描述性功能外，AII还作为一个评估框架，可以指导未来的研究，加速农业光伏技术作为可持续能源与农业领域关键组成部分的全球采纳，并为可再生能源和可持续农业领域的新一代创新分析奠定基础。

**2. 方法论**
**2.1. 数据收集与协调**
2025年11月26日，使用查询“农业光伏 OR 农业光伏 OR 农业光伏 OR 农业光伏系统 OR 农业光伏系统 OR 农业光伏”从Scopus、Web of Science（WoS）和MDPI检索了文献记录。所有数据集（Scopus = 822条；Web of Science = 922条；MDPI = 452条）在去重前的总记录数为2,196条。所有数据集均以CSV格式导出，并通过表1中描述的统一解析脚本进行处理。最终的主数据集包含1,365篇独特的农业光伏研究论文。

**表1. 解析脚本的超参数**

- **处理流程**
- **编码处理**：自动从UTF-8切换到latin1以避免读取错误。
- **字段协调**：将异构字段（如隶属关系、地址、研究领域、关键词、年份、被引用情况）映射到统一的模式中。
- **国家识别**：从混合格式的隶属关系字符串中提取国家信息。
- **标准化主题领域分配**：将所有记录归类到20个Scopus顶级主题类别（能源、工程、环境科学等）。
- **去重**：使用DOI → EID → 标题 + 年份进行分层匹配。
- **时间范围**：将最终分析限制在2000–2026年，包括新索引的2026年作品。

MDPI是一家出版商而非文献数据库，将其纳入研究需要明确理由。Scopus和WoS虽然覆盖面广，但对农业光伏等快速发展的领域的开放获取出版物的索引可能存在几个月到一年的滞后。因此直接检索MDPI数据，以确保涵盖可能在检索时尚未出现在任一数据库中的最新开放获取出版物，特别是MDPI期刊《Energies》、《Sustainability》和《Agronomy》中的2024–2025年出版物。为控制来源偏差，使用分层匹配协议识别并移除了所有三个来源中的重复记录：首先通过DOI进行初级去重，然后对没有DOI的记录进行标题+年份匹配。此过程移除了831条重复记录，占原始总数的37.8%，证实了MDPI索引内容与Scopus/WoS数据库之间的显著重叠，并表明MDPI的贡献在数量上相对有限。最终的去重主数据集包含2011–2026年的1,365篇独特农业光伏研究论文。为了评估MDPI的纳入是否会在AII得分中引入系统性偏差，我们比较了带有MDPI标签的论文（最终数据集中的115篇）与非MDPI标签论文的平均AII值。MDPI标签论文的平均AII为33.75（中位数为30.81），而非MDPI论文的平均AII为27.24（中位数为23.63）。这种差异并不表明MDPI的加入导致了偏低偏差；事实上，MDPI来源的论文得分略高，这可能反映了它们的新颖性和开放获取的跨学科特性。时间范围设定为2000–2026年，以适应正式的文献计量搜索范围，尽管农业光伏文献实际上始于2011年的Dupraz等人[32]的研究。2011年的唯一一条记录在该年的每篇论文统计中产生了膨胀效应，这一点在时间分析中已予以说明。

**2.2. 概念框架**
农业光伏创新指数（AII）被设计为一个多维的综合科学计量指标，旨在量化农业光伏领域研究成果的创新准备度。AII将焦点从传统的基于数量的证据（如发表数量或原始引用总数）转移到知识转化的角度。它认识到，当研究展现出生成原创知识、跨越学科边界整合并通过协作网络传播的能力时，才具备创新准备度。

AII的概念架构借鉴了两种成熟的分析建模传统：
1. **创新系统理论**：具体而言，功能维度方法[33]认为技术系统的性能由一组相互作用的功能决定，如知识开发和搜索指导。
2. **技术成熟度框架**（TRL）：整合了从基本科学原理到实际应用的进展[30]。通过综合这些框架，AII区分了创新准备度和一般研究性能。我们认为，一项研究可能被大量引用，但并不具有概念上的新颖性，或者技术上成熟，但没有在全球研究社区中传播所需的结构路径。AII通过七个互补的子指标来实现创新，这些子指标组织成四个功能维度，反映了技术变化的共同演变性质：
- **概念维度（INov, IEnt）**：捕捉知识生成的内部特征，特别是其认知新颖性和基础领域的广度。
- **转化与影响维度（IMom, TRI）**：衡量研究从理论探究向应用成熟和实际采纳的证据的垂直进展。
- **网络与扩散维度（CDiv, KDiff_new）**：评估知识在全球科学领域传播的结构路径和协作多样性。
- **社会维度（SRel）**：评估研究成果与可持续性目标和政策相关目标的契合程度。

为了确保指数保持客观性并适应不断发展的农业光伏领域，子指标使用数据驱动的熵加权方法进行聚合。这种方法确保信息变化较大的维度对最终综合得分的贡献更大，防止了简单平均值常见的“掩盖”效应。所得到的指数提供了一个标准化（0–100）的度量，表明农业光伏研究在影响技术发展和政策设计方面的准备程度。从概念上讲，AII认识到，仅具有高新颖性而没有扩散的研究在科学上是孤立的，而缺乏跨学科性的技术成熟度则限制了可扩展性。因此，AII不仅根据新颖性评估研究，还根据其可转移性、影响力和系统准备度进行评估（图1）。

**2.3. 子指标计算**
构建了七个子指标，每个指标代表科学创新的一个不同维度：
- **概念维度（INov, IEnt）**：新颖性按方程（2）计算：
$(INov = 1 - \cos(E_i, E_{- **跨学科性（ient）**：使用香农熵（方程（3）来衡量学科领域的跨学科性：
$(ient = h_apus \cdot h_{max}$ - **跨学科性（ient）**：使用香农熵（方程（3）来衡量学科领域的跨学科性： $(ient=H_Apus \cdot>- **跨学科性（ient）**：使用香农熵（方程（3）来衡量学科领域的跨学科性：
$(ient = h_apus \cdot h_{max}$>**翻译与影响力维度**

**影响力动量（IMom）：** 引用次数根据文章的发表时间进行了标准化处理，如公式（4）所示。此外，缺失或为零的引用被直接视为零，没有进行插补偏差处理。年龄分母（当前年份 - 发表年份 + 1）构成了一阶引用滞后校正：IMom 不是使用原始引用次数，而是测量每年的引用率，从而部分缓解了较旧论文由于曝光时间更长而积累的结构优势。所有计算中使用的参考年份是2026年，对应于检索窗口的外部边界。尽管进行了这种标准化处理，仍存在残余的滞后偏差：2020年之前发表的论文有足够的时间使它们的引用次数稳定在一个每年的水平上，而2024-2026年发表的论文仍处于积累早期阶段，因此系统地获得的 IMom 分数将低于其最终引用轨迹所应有的水平。这种残余偏差及其对解释时间趋势的影响在 limitation 部分（第4节）中有明确讨论。

**技术准备指数（TRI）：** 该指数量化了农光发电研究从概念性或基于仿真的研究向实验验证和实地应用发展的程度。与其依赖正式的工程 TRL 认证或手动编码（在大规模数据集中不切实际且易受编码者影响），TRI 通过应用结构化的、自动化的关键词分类来操作化技术准备情况。这种方法确保了完全的可重复性：给定相同的摘要文本和相同的关键词集，分类结果是确定的，无论谁来执行都会得到相同的结果。每篇文章根据摘要中预定义的方法论指标术语的存在情况，被分配了一个三级技术准备水平代理 TRLi，如表2所示。

**2.3.3 网络与扩散维度**

**合作多样性（CDiv）：** 基于每篇文章涉及的独特国家数量、机构多样性的熵以及国际合作标志，CDiv 按公式（6）计算得出。

**2.4 AII 指数聚合与加权**

七个标准化子指数使用香农熵加权合并为一个单一的综合指数（AII）。每个子指数分布被分成10个区间，然后计算每个子指数的熵，最后根据公式（9）得出权重。

**2.5 先进分析模块**

**2.5.1 国家层面的 AII 聚合与映射**
通过作者隶属数据派生了国家层面的 AII 分析。具体来说，从文献计量记录中提取了与农光发电相关的机构隶属关系，并使用标准化的地缘政治标识符将其映射到对应的国家。这种基于隶属关系的方法确保了国家归属反映了研究的实际机构出处，而不是依赖于可能不完整或不一致的国家元数据。为了确保记录之间的一致性，所有提取的国家名称都使用世界形状文件参考进行了标准化处理。常见的变体和同义词（例如，“UK”、“USA”、“Republic of Korea”、“Korea”）被系统地整合为其规范形式。这一步消除了国家档案的人为碎片化，确保了国家间的稳健可比性。对于每个映射的国家，通过汇总所有隶属机构的 AII 分数计算了与农光发电相关的论文总数（npapers）、平均 AII 分数和中位数 AII 分数。这样得到了国家层面的研究强度（出版数量）和创新准备度（AII 水平）的紧凑表示。此外，为了便于全球比较，平均 AII 值被离散化为五个有序类别（0–25、25–35、35–50、50–65 和 > 65），并可视化为晕染世界地图。没有任何农光发电隶属关系的国家以灰色显示，并标记为“无 AII 数据”，明确表明这些地区缺乏或几乎没有文献计量数据覆盖。

**2.5.2 创新象限与不平等分析**
为了描述农光发电文献中的创新行为，我们使用概念新颖性（INov）和 KDiff_new 强度构建了一个二维创新地图。INov 衡量了与现有知识库的概念偏差程度，而 KDiff_new 反映了文章在科学网络中传播、整合或强化农光发电知识的广度。使用的象限分类如表3所示。最后，使用基尼系数评估了创新不平等，该系数量化了在有限子集的出版物、机构或国家中创新准备度的集中程度。用于机器学习验证的超参数。模型类型模型名称关键超参数及其理由分类逻辑回归• solver = lbfgs• max_iter = 500• class_weight = balanced• L2正则化 (C = 0.5)逻辑回归提供了一个透明的线性基线，用于测试AII类别是否与其子指数线性可分离。其性能直接反映了索引的内部一致性[35]XGBoost分类器• n_estimators = 400• max_depth = 6• learning_rate = 0.05• objective = multi:softprob• eval_metric = mloglossXGBoost代表了一种先进的非线性集成方法，能够捕捉子指数之间的交互效应和非线性阈值[36]。回归线性回归• 普通最小二乘法• 无正则化线性回归用于测试AII是否按理论定义的方式作为其组成部分的确定性加权聚合[37]。CatBoost回归器• loss_function = RMSE• 自动深度• 自动学习率• 自动迭代CatBoost回归器在处理相关输入时保持稳定性，并对非线性连接和特征交互具有鲁棒性[38]。3. 结果3.1. AII及其子指数的分布农业光伏文献中七个AII子指数的分布行为表现出强烈的结构性异质性（图2），这反映了该领域在概念多样性、研究投入和成熟度方面的不平衡。INov的分布高度右偏，意味着虽然许多研究提供了增量性见解，但只有极少数显示出显著的新颖性。这意味着尽管概念性增长正在发生，但尚未普及，创新主要集中在少数突破性工作上。下载：下载高分辨率图像（745KB）下载：下载全尺寸图像图2. 数据集中AII及其子指数的分布。CDiv的质量接近零且右偏较大，表明大多数论文的跨学科性有限或概念基础狭窄。随着农业光伏研究向多学科研究的多元化发展，中值范围内的第二个峰值表明某些研究领域出现了跨学科整合。此外，IMom和TRI的分布高度偏斜且接近零膨胀。这些形式表明大多数研究仍处于概念性、设计阶段或建模阶段，只有少数研究显示出高级技术成熟度或长期影响。TRI在高值处显示出明显的跳跃，这对应于少数推动领域向应用准备的工程驱动的原型验证项目。SRel是INov的平滑但右偏的延续，表明尽管在整个研究中认识到了社会环境相关性，但利益相关者、政策或社区因素的深度整合仍然很少。尽管尚未广泛使用，但较高值的一小部分表明真正的全面可持续性评估开始出现。IEnt的双峰倾向表明单一机构产出和多机构合作是两种类型的研究文化，峰值出现在中值附近和更高值处。合作研究的普遍性与农业光伏的国际多学科性质一致，并表明机构网络变得越来越重要。到目前为止，KDiff_new是分布最均匀的子指数，其分布接近正态，集中在中等值附近。这表明各种研究都经历了曝光度、引用量和跨社区传播。KDiff_new在整个领域内表现出一致且多样的知识传播，与其他子指数相比，后者表现出严重的偏斜。最后，整个AII显示出以低至中等值为中心的单峰分布，这与农业光伏作为一个相对较新的研究领域一致。在长尾部分，有少量但数量显著的高性能文章，它们推动了该领域的大部分创新能力。这种形态证实了AII能够区分基础性、增量性和前沿性的研究贡献，这是诊断指数的关键设计要求，因为均匀或双峰分布将表明综合指标无法在文献中有效区分（图2）。因此，右偏的单峰形式提供了实证证据，证明熵加权聚合产生了一个渐进的、连续的创新尺度，而不是二进制分类器。3.2. 最高影响AII论文的相关结构进行全面的相关性分析，以了解七个AII子指数之间的结构联系，并调查这些关联在整个数据集、最具影响力的前十篇出版物以及最具影响力的前五十篇论文中的变化情况。皮尔逊相关矩阵如图3（a-d面板）所示。下载：下载高分辨率图像（387KB）下载：下载全尺寸图像图3. AII及其子指数的相关矩阵。在全数据集相关矩阵（图3-a）中描绘了一个连贯且有些结构化的创新格局，其中几个子指数形成了显著的聚类。IEnt和KDiff_new显示出显著的正相关（r = 0.69）。在将其解释为一个完全独立的实证发现之前，需要注意的是，IEnt按设计贡献了KDiff_new权重的20%，这意味着这部分相关性是结构上预期的。其余部分反映了跨学科论文嵌入在更广泛的地理和机构网络中的真实趋势，这些是KDiff_new中完全独立于IEnt的部分。IMom和KDiff_new都显示出正相关（r = 0.64）。此外，还有一个结构上的说明：这两种度量都包含了基于引用的成分，IMom为每年引用次数，KDiff_new为log(1 + 引用次数)，权重为30%，这意味着它们的共同变化部分是由共享输入驱动的。实质性的解释是，引用势头更强的论文往往来自更广泛的合作网络，这一发现得到了KDiff_new的地理和机构成分的支持，与引用重叠无关。另一方面，INov与大多数其他度量显示出较弱或负相关，表明概念原创性不受合作结构或更广泛影响的影响。与顶级出版物的聚焦影响一致，前十篇论文的相关矩阵显示出更尖锐和更极化的相关性。IMom和KDiff_new在前十篇论文中显示出最强的相关性（r = 0.84）。如全数据集分析中所指出的，这两种度量都包含基于引用的成分，这种结构耦合在引用数量最极端的高端得到了放大。实质性的解释是，在引用最多的作品中，引用势头与广泛的地理和机构影响力同时出现，这与KDiff_new的网络基础成分一致，并与具有里程碑意义的农业光伏出版物的合作特征一致。此外，IMom与TRI显示出显著负相关（r = -0.80），表明早期概念或方法论出版物往往比高度发展的技术工作获得更多的动力。重要贡献的多维度性质在几个中等关系中显而易见，包括CDiv-SRel（r = 0.34）和CDiv-IEnt（r = 0.38）。当研究扩展到前五十篇出版物时，相关结构变得更加稳定，并且与全球模式更吻合（图3-c），但幅度显著增大。技术成熟度与引用势头之间的摩擦在一个更有影响力的子集中仍然存在，如IMom-TRI的相关性所示，它仍然显著为负（r = -0.84）。同样，IEnt和KDiff_new继续保持正相关（r = 0.50+），支持跨学科性促进农业光伏中更广泛的知识共享的观点。图3-D突出了顶级出版物与更广泛的高影响力群体之间的最大偏差，这种比较对指数解释具有直接意义：前十名中合作多样性、跨学科性和可持续性相关性的更强耦合表明，最高的AII得分不是由任何单一子指数驱动的，而是由多个维度的共同提升所驱动。在前十名中，cdiv-ient（+0.39）、SRel-KDiff_new（+0.32）和TRI-INov（+0.17）的相关性增益最为明显。这些变化表明，与大量高影响力论文不同，高影响力出版物通常更加强调合作多样性、跨学科性和可持续性相关性。另一方面，SRel-IMom显示出显著下降（-0.39），表明在享有盛誉的出版物中，引用势头对可持续性相关性的影响较小。3.3. 按四分位数划分的结构演变通过AII分布的四分位数分析进一步解释了当整体创新上升时子指数如何共同演变。表5展示了AII得分的第25、50和75百分位数。表5. AII作品的分位数边界。百分位数边界得分第25百分位数Q1边界0.15第50百分位数Q2/Q3边界0.24第75百分位数Q3/Q4边界0.3504从表6中使用AII四分位数（Q1-Q4）的描述性统计数据显示，大多数结构子指数（CDiv、IMom、TRI、SRel、IEnt和KDiff_new）从Q1（最低AII）到Q4（最高AII）单调上升。虽然SRel从0.05增加到0.18，但合作多样性从Q1的几乎为零（平均0.02）增加到Q3-Q4的超过0.23，表明高AII出版物一致地结合了更多样化的合作和更大的可持续性框架。TRI表现出最大的梯度，从Q1-Q2的几乎为零增加到Q4的0.49，而IMom在Q1（0.0005）和Q4（0.0817）之间增长了两个数量级以上，证实了高AII与引用势头和先进的技术准备状态密切相关。INov是一个例外，其平均值在Q1最高（0.43），然后在Q2-Q4下降到约0.26–0.27。这种反向趋势反映了INov与更多网络化子指数之间的负相关，表明极端新颖性通常出现在尚未积累高影响势头、跨学科性或扩散分数的论文中。换句话说，高度新颖的想法最初集中在较低AII四分位数中，只有少数后来转变为更高影响力的高TRI轨迹，因为它们被纳入更广泛的合作和跨学科项目中。因此，AII作为一个平衡的度量，不将新颖性单独等同于创新领导力，而是奖励那些将新颖性与扩散、跨学科性和准备状态结合的配置。表6. AII各四分位数的子指数统计数据（均值、中位数、标准差）。子指数统计Q1Q2Q3Q4INov均值0.43220.26390.26840.2684中位数0.46060.27150.27490.2685标准差0.2560.21190.16620.1417CDiv均值0.02330.12870.22970.2327中位数0.01480.10340.19210.1921标准差0.03480.13610.16320.1768IMom均值0.00050.01020.04060.0817中位数0.0002160.0285标准差0.0030.02160.05330.1333TRI均值0.00220.04950.4897中位数0.0000.375标准差0.02870.12710.3819SRel均值0.04890.10490.15410.1752中位数0.04550.09090.13640.1364标准差0.05490.08510.10710.133IEnt均值0.39860.67730.74020.7642中位数0.47710.6990.77820.7782标准差0.21440.13130.13460.1271KDiff_new均值0.12690.27130.38370.4272中位数0.14670.25980.38930.4183标准差0.0690.0760.10280.1409图4中的雷达图直观揭示了子指数创新概况从Q1到Q4的逐步扩展。Q4的多边形比Q1更宽且更对称，反映了高AII论文在多个子指数上的一致得分趋势。四分位数概况解释如下：•Q1概况显示出狭窄且不对称的行为，表明高度新颖性（INov）、非常低的TRI和IMom、KDiff_new，表明处于早期阶段或范围有限的研究，也反映了概念建模、单点案例研究或学科孤岛。•Q2概况显示出逐渐扩大，CDiv、IEnt、SRel有显著增长，但TRI和IMom的增长有限。这可能代表了过渡性研究，通常是应用方法的第一次整合，但尚未具有广泛影响。•Q3概况显示出平衡且强劲的扩展，反映了IMom、CDiv和SRel的显著增加。尽管TRI仍然适中但存在，但它表明技术验证和合作多样性的增加。因此，这些论文展示了日益增长的成熟度和利益相关者相关性。•Q4概况显示了最广泛的子指数覆盖范围，TRI是最明显的区分因素。IEnt、CDiv、SRel和KDiff_new的相对较高值表明，高AII论文倾向于结合技术成熟度与跨学科影响力和可持续性相关性，尽管这种整合的程度在各个四分位数中的论文中有所不同。下载：下载高分辨率图像（141KB）下载：下载全尺寸图像图4. 各四分位数中AII概况的雷达图。IMom、TRI和KDiff_new的标准差在更高四分位数中上升，表明尽管顶级研究更为稳健，但其通往研究卓越的道路往往更为广泛。此外，Q1出版物围绕低TRI和IMom的紧密聚集显示出不成熟技术或早期探索的一致趋势。然而，Q4出版物具有更广泛的分布范围，表明更跨学科和全球性的研究生态系统、技术配置的多样性以及众多创新模型。这些模式与高AII论文倾向于结合更高技术成熟度与更广泛的合作和学科影响力的解释一致，尽管这只是对四分位数平均值的描述性观察，而非因果关系。3.4. 基于熵的AI为了计算AII，首先将七个子指数标准化到[1]区间，然后应用基于熵的权重，将结果组合成一个0-100的复合分数。这些权重旨在突出农业光伏创新的互补方面。熵加权赋予了在文献中展示更多信息内容（即更高分散度和更低冗余度）的子指数更高的重要性。因此，IMom获得了最高的权重（0.272），其次是TRI（0.234）和SRel（0.164）（见表7）。虽然IEnt（0.082）、KDiff_new（0.069）和INov（0.052）对复合指数的贡献较小但仍然显著，CDiv保持了中等权重（0.128）。表7. 基于熵获得的权重。子指数权重相对重要性IMom0.272最高TRI0.234非常高SRel0.164重要CDiv0.128中等IEnt0.082较低中等KDiff_new0.069较低INov0.052最低这些权重表明，文献的动态和转化特性（引用势头和与领域部署的接近度）是AII的主要驱动因素，而新颖性和扩散更多地作为微调因素，而非主导支柱。这是熵加权方法的一个公认的权衡：由于权重是根据经验分布的变异性分配的，而不是基于理论优先级，因此在这个语料库中那些在跨论文对比中显示出更大差异的维度会得到更高的权重，无论研究者是否认为它们在科学上最为基础。因此，这里计算的AII更像是一个研究成熟度和影响力指数，而不是一个纯粹的新颖性检测器。特别感兴趣于识别最具概念原创性的贡献的的利益相关者可能会发现，一个更强调新颖性的加权变体更为合适。为了评估论文排名对这种加权选择的敏感性，评估了两种替代方案：相等权重（每个子指数为1/7 = 14.3%）和一个强调新颖性的方案（INov = 0.25, IEnt = 0.20, KDiff_new = 0.15, CDiv = 0.15, SRel = 0.10, IMom = 0.10, TRI = 0.05）。这三种方案在表8中进行了比较。熵加权AII排名与相等权重AII排名之间的Spearman等级相关性为ρ = 0.96，前10篇论文中有7篇在两种方案中都有出现，证实了整体排名对这种变化具有很高的稳定性。强调新颖性的方案会产生更大的重新排序（ρ = 0.79，前10篇论文的重叠率为2/10），这表明在熵方案下排名最高的论文不一定是概念上最原创的。根据分析目的的不同，这两种框架都是有效的；当目标是评估跨异构语料库的整体创新准备度时，建议使用熵加权的AII，而当需要识别前沿概念性贡献时，使用强调新颖性的变体更为合适。表8显示了三种加权方案下的子指数权重以及AII的排名敏感性。

这种权衡的公认结果是：由于权重是基于经验分布的变异性而不是理论优先级来分配的，因此在这个语料库中，那些在跨论文对比中表现出较大差异的维度会获得更高的权重，无论研究者是否认为它们在科学上最为基础。因此，这里计算的AII更像是一个研究成熟度和影响力指数，而不是一个纯粹的新颖性检测器。对那些特别关注识别最具概念原创性贡献的利害关系者来说，可能更倾向于使用强调新颖性的加权方法。

为了评估论文排名对这种加权选择的敏感性，评估了两种替代方案：等权重（每个子指数为1/7 = 14.3%）和一种强调新颖性的方案（INov = 0.25, IEnt = 0.20, KDiff_new = 0.15, CDiv = 0.15, SRel = 0.10, IMom = 0.10, TRI = 0.05）。这三种方案在表8中进行了比较。熵加权AII排名与等权重AII排名之间的Spearman等级相关性为ρ = 0.96，前10篇论文中有7篇在两种方案中都有出现，证实了总体排名对这种变化具有很高的稳定性。强调新颖性的方案会产生更大的重新排序（ρ = 0.79，前10篇论文的重叠率为2/10），这表明在熵方案下排名最高的论文不一定是概念上最原创的。根据分析目的的不同，这两种框架都是有效的；当目标是评估跨异构语料库的整体创新准备度时，建议使用熵加权的AII，而当需要识别前沿概念性贡献时，使用强调新颖性的变体更为合适。

实际上，这意味着一篇非常新颖但处于早期阶段、影响力不强且技术成熟度较低的论文，其AII评分会较低；而一篇新颖性适中但技术准备度高、可持续性框架明确且影响力迅速增长的论文，其AII评分可能会很高。在文章层面，AII的100分范围很广，从早期或整合度较低的研究（平均分数约为6-10分）到高度成熟、被广泛引用且具有强大网络效应的出版物（接近80分）。之前的四分位数分析显示，原始AII（0-1分）的第25、50和75百分位数分别约为0.1515、0.2420和0.3504，对应的AII阈值分别约为15、24和35。因此，大多数文献集中在15-35分区间（见图5），右侧有一个由更加集成和有影响力的文章组成的长尾巴。此外，熵加权的方法直接转化为AII各四分位数的不同子指数特征。AII较低的Q1类文章的特点是TRI和IMom值几乎为零，合作多样性和可持续性相关性也非常低，尽管有时创新新颖性较高。相反，AII较高的Q4类文章表现出显著更高的TRI（平均0.49）、IMom、SRel、IEnt和KDiff_new，表明它们结合了技术成熟度、持续的应用、强学科交叉性和广泛的传播。这种模式验证了AII作为一个奖励综合性创新而非仅仅新颖性的指数的概念设计。

下载：高分辨率图片（97KB）
下载：全尺寸图片

3.5 农光发电创新的时间演变
3.5.1 年度分布
在过去的十年中，农光发电研究已经从一个鲜为人知的领域发展成为能源、农业和环境交叉领域中增长最快的跨学科话题之一。出版物轨迹（见图6）通过量化每年的论文数量和创新得分来展示了一个明显的三阶段演变：早期探索阶段（2011-2017年）、形成性增长阶段（2018-2020年）以及快速扩张和巩固阶段（2021-2025年）。探索阶段（2011-2017年）的特点是平均创新评级相对较高，但出版物数量非常少。该领域以独立的概念性和实验性研究为主，2011年只有一篇论文（AII = 98.24），2013年、2016年和2017年各有几篇论文。值得注意的是，2012年、2014年和2015年没有任何论文在三个检索数据库中与搜索查询匹配，这表明在这段时间内农光发电研究尚未建立稳定的年度出版物发布模式。这些缺失的年份在图6中表现为空白，反映了该领域的未整合状态，而非任何检索错误。此外，由于样本量小的统计效应，一两个极具创新性的贡献会不成比例地提高年平均值，因此这一时期的平均AII分数被高估了。科学界规模较小，学科界限僵化，农光发电缺乏方法论上的连贯性。然而，这些早期研究为土地和太阳能的协同优化奠定了基础。

下载：高分辨率图片（246KB）
下载：全尺寸图片

3.5.2 主题领域的分布
从主题领域的角度来看，农光发电文献的学科结构显示了一个非常多样化且日益整合的研究格局。根据主题领域分类的分析（见表9），该领域主要根植于农业和生物科学（900篇研究）和能源（1022篇研究），证实农光发电是一种介于作物生产科学和可再生能源工程之间的双用途技术。然而，创新得分在各个主题领域的分布表明，这些核心领域的创新强度并不最高。实际上，创新强度最高的领域是数学（平均AII = 33.86）、工程（32.99）、地球和行星科学（32.65）以及社会科学（32.29），表明方法论上的进步，如优化模型、微气候模拟等，比传统的农学或能源性能研究更能推动智力发展。另一方面，环境科学（29.34）、材料科学（28.85）、商业/管理和农业科学（28.64）的创新得分较低，但仍相当显著，表明这些领域主要通过渐进式扩展、特定地点的试验、环境影响评估和商业模式评估来贡献创新，而不是通过颠覆性的概念转变。值得注意的是，尽管出版物数量相对较少（77篇），但跨领域技术如计算机科学（平均AII = 28.34）表现出适度的创新强度，表明数据驱动的建模和人工智能辅助的产量预测正在日益融合。

下载：高分辨率图片（269KB）
下载：全尺寸图片

表9显示了按AII分类的主题领域论文数量总结。

3.5.2 主题领域的分布
从主题领域的角度来看，农光发电文献的学科结构显示了一个非常多样化且日益整合的研究格局。根据主题领域分类的分析（见表9），该领域主要根植于农业和生物科学（900篇研究）和能源（1022篇研究），证实农光发电是一种位于作物生产科学和可再生能源工程之间的双用途技术。然而，创新得分在各个主题领域的分布表明，这些核心领域并不包含最高水平的新颖性。相反，创新强度最高的领域是数学（平均AII = 33.86）、工程（32.99）、地球和行星科学（32.65）以及社会科学（32.29），表明方法论上的进步，如优化模型、微气候模拟等，比传统的农学或能源性能研究更能推动智力发展。另一方面，环境科学（29.34）、材料科学（28.85）、商业/管理和农业科学（28.64）的创新得分较低，但仍显著，表明这些领域主要通过渐进式扩展、特定地点的试验、环境影响评估和商业模式评估来贡献创新，而不是通过颠覆性的概念转变。值得注意的是，尽管出版物数量相对较少（77篇），但跨领域技术如计算机科学（平均AII = 28.34）表现出适度的创新强度，表明数据驱动的建模和人工智能辅助的产量预测正在日益融合。

下载：高分辨率图片（330KB）
下载：全尺寸图片

3.6 全球和国家层面的创新准备度
通过按照结果数据集中的国家实体字段对论文进行分组，并计算每个实体的论文数量（n_papers）、平均AII100和中位AII100，进行了国家和机构层面的聚合。AII国家表格表明，农光发电研究在全球范围内都有分布，但出版物数量非常不平衡。为了确保结果的稳健性，对国家实体进行了完全统一（例如，将“Korea”、“South Korea”和“Republic of Korea”合并），从而得到了整合的国家创新概况，并消除了人为的碎片化效应。

从论文数量上看，中国、意大利、德国、美国、西班牙、日本和印度等少数国家在文献中占据主导地位（见图7），这些国家通常拥有大量的论文，反映出成熟的研究生态系统和建立良好的太阳能和农业研究基础设施。相比之下，许多国家，特别是在非洲、拉丁美洲、中东和东南亚，尽管论文数量较少（例如肯尼亚、坦桑尼亚、布基纳法索、贝宁、哥斯达黎加、塞内加尔、尼日尔、乌拉圭等），但其平均AII分数相对较高，表明这些地方存在局部性的高影响力创新节点（如图8所示），这表明在这些地方进行的农光发电研究可以是战略性的创新，而不仅仅是渐进式的。这表明，尽管农光互补技术尚未在其学术体系中广泛传播，但现有的项目通常非常具有针对性，并且经常解决紧迫的当地需求，如农村电气化、水-能源-食物安全以及在资源限制下的土地使用优化。这些高AII（创新指数）低产出的国家拥有特定的、但在战略上重要的创新集群，这些集群最有可能从国际合作和支持中受益。这证实了AII能够捕捉创新密度和结构平衡，区分出成果丰硕但多样化的研究体系以及规模较小、更专注的创新集群。然而，应该注意的是，那些关联链接少于20个的国家对个别出版物的特征特别敏感，它们的高平均AII分数可能反映了单篇国际合著论文的贡献，而非持续的国家研究能力。因此，国家层面的比较仅限于满足n≥20这一阈值的33个国家。

图7和图8中的等高线图具有两种不同的论证功能：图9（所有国家）显示了农光互补研究的地理覆盖范围，而图10（n≥20个国家）则支持更稳健的政策相关比较。两张图之间的差异，特别是图10中几个高AII低产出的国家的消失，直接说明了第2.4节讨论的单篇论文敏感性限制，应将其视为数据质量的指标，而不仅仅是地理发现。

请下载高分辨率图像（216KB）/ 请下载全尺寸图像

图9. 创新象限（INov vs KDiff_new）

请下载高分辨率图像（94KB）/ 请下载全尺寸图像

图10. 论文之间AII的不平等（年度基尼系数）

3.7. 创新象限分析

图9中呈现的“激进突破象限”（红色）显示了在科学界获得广泛采用的出版物，这些出版物通常提出了新的系统概念或综合框架。相反，“第二象限”（橙色）显示了高新颖性但传播有限的出版物，表明它们具有创新性但由于特定情况而没有得到普遍认可。低新颖性但高度传播的出版物通过验证研究或优化设计来增强现有知识，被归类为“第三象限”（绿色）。最后，“第四象限”（蓝色）包含创新和传播都较低的研究出版物，尽管它们提供了有用的发现，但在概念原创性和领域影响方面缺乏显著性。

INov-KDiff_new创新格局揭示了三个主要趋势：
（i）大多数论文属于“渐进式整合”和“扩散整合”象限，表明农光互补技术仍然是一个逐步创新的领域。
（ii）尽管有足够的高新颖性工作，但大多数缺乏传播，这表明该学科可能产生的新概念速度超过了它们被纳入更大研究框架的速度。
（iii）虽然较为罕见，但真正的突破性发现显示出对定向资金、多学科研究和跨机构合作的巨大潜力。

3.8. 创新不平等

为了衡量每年产生的论文中的创新准备度集中情况，计算了每个出版年份的AII基尼系数（图10）。值为0表示完全平等；接近1的值表示创新准备度高度集中在少数论文中。为了从统计上对年度波动进行背景说明，为每个年度的基尼估计值计算了95%置信区间（基于1,000次重采样）。根据年度样本量区分了三个可靠性等级：论文数量少于5篇的年份（2011年、2013年、2016年、2017年）产生的基尼估计在结构上不可靠，因此不用于解释性结论；论文数量在5-19篇之间的年份（2018年、2019年、2026年）需谨慎解读；论文数量达到20篇或更多的年份（2020-2025年）产生的估计在统计上可靠，置信区间较窄。

表10列出了带有自举置信区间的年度AII基尼系数的完整集合。从统计上可靠年份得出的关键发现是结构稳定性，而非生命周期的剧烈波动：2020年至2025年的年度基尼值始终在0.31-0.36之间，所有六年的置信区间都有重叠。这表明，在出版物数量大幅增长的时期，农光互补研究的创新准备度集中程度保持适度，既没有趋于平等，也没有变得越来越头重脚轻。整体论文的基尼系数为0.33 [95% CI: 0.32-0.34]，证实了该领域创新分布的适度不平等但稳定。

表10. 带有自举95%置信区间的年度AII基尼系数（1000次重采样）。论文数量少于5年的年份在结构上不可靠，因此不报告置信区间。可靠解读仅限于论文数量≥20年的年份（2020-2025年）。

年份 Gini 95% CI下限 95% CI上限 可靠性
2011 10 - - 不可靠（n<5）
2013 30.19 40 0.197 不可靠（n<5）
2016 20.36 2 - 不可靠（n<5）
2017 30.18 60 0.236 不可靠（n<5）
2018 10 0.35 70 0.206 谨慎（n<20）
2019 16 0.41 90 0.30.47 谨慎（n<20）
2020 25 0.33 70 0.23 0.41 可靠（n≥20）
2021 91 0.34 0.30 30.38 可靠（n≥20）
2022 14 30.35 0.32 0.38 可靠（n≥20）
2023 18 50.33 0.30 60.36 可靠（n≥20）
2024 26 10.30 90 0.28 0.33 可靠（n≥20）
2025 35 20.32 80 0.30 0.34 可靠（n≥20）

早期年份的明显波动（2016年峰值0.36，2017年低谷0.19）需要谨慎解读：这些数据基于分别只有2篇和3篇论文得出，其置信区间几乎覆盖了整个0-1的范围。它们不能支持有时归因于早期文献计量学研究中基尼模式生命周期的叙述，这里报告只是为了完整性，而不是作为结构动态的证据。

3.9. 基于机器学习的内部一致性分析

表11展示了使用XGBoost和逻辑回归在5折分层交叉验证下的分类性能。使用七个子指标作为特征，目的是区分之前定义的低、中、高AII类别。

表11. 基于机器学习的内部一致性性能
分类模型 XGBoost 逻辑回归
准确性 10.98 10.98
宏观精确度 10.94 10.98
宏观召回率 10.96 10.96
回归模型 CatBoost Regressor 线性回归
RMSE（CV均值） 1.55 87 0.0029
MAE（CV均值） 0.51 0.0025
R2（CV均值） 0.99 0.9907

逻辑回归的平均准确率为0.98，特别是在高AII类别（召回率=1.00）上表现出很高的召回率，表明高创新特征的论文可以与其他类别线性区分开来。由于在线性限制下边界设定较为保守，高类别的精确度略低（0.94）。XGBoost在所有折叠中都正确区分了所有三个AII类别，实现了完美的分类性能（准确率=1.00；宏观平均F1=1.00）。这表明，尽管非线性交互作用不是维持区分性的必要条件，但它们显著细化了类别边界。

特征重要性分析一致指出TRI和IMom是分类差异的主要驱动因素，其次是SRel和CDiv（图11）。Inov和KDiff_New仅作出了较小但显著的贡献，尤其是在区分中等和高AII类别方面。对于机器学习回归器，CatBoost的特征重要性评级与基于熵的权重非常吻合，其中TRI和IMom再次是最重要的指标，其次是SRel和CDiv（图12）。这种一致性加强了AII架构的内部有效性。

请下载高分辨率图像（279KB）/ 请下载全尺寸图像

图11. 机器学习分类器的混淆矩阵和特征重要性

请下载高分辨率图像（307KB）/ 请下载全尺寸图像

图12. 机器学习回归图和特征重要性

图11和图12中的基于SHAP的特征重要性图具有特定的论证功能：它们验证了在机器学习分类器决策中起主导作用的子指标TRI和IMom就是获得最高熵权重的子指标，而且这种一致性并非预先确定，而是从两种不同的分析方法独立出现的（基于分布统计的熵加权；基于梯度树的SHAP重要性）。这种一致性支持了AII架构的内部一致性，并确认了熵加权方案没有产生特殊的或任意的权重分配。

4. 讨论

4.1. AII揭示的农光互补研究成熟度

除了传统的文献计量学指标外，AII还提供了一个系统层面的视角来评估农光互补研究的成熟度。所有发现都表明，农光互补研究正从以概念探索为主导的阶段转向越来越多地由工程整合和转化准备度塑造的阶段。与高创新水平下纯粹概念原创性的相对贡献减少相反，这种转变体现在高AII特征中技术准备度相关方面的主导地位。此外，INov在较低的AII四分位数中更为普遍，而TRI、IMom和与传播相关的指标在较高的四分位数中占主导。这种模式与公认的创新生命周期理论一致。成熟的科学学科促进系统整合、验证和可扩展性，而早期阶段领域可能表现出相当大的概念差异，但转化能力较弱。因此，AII并不惩罚创造力；相反，它将创新置于更广泛的准备框架中，表明系统创新成熟度不能仅靠概念创新来维持。重要的是，尽管出版物数量迅速增加，平均AII值的稳定表明农光互补研究正在进入一个整合阶段。整体论文的基尼系数为0.33 [95% CI: 0.32-0.34]，证实了该领域创新的分布适度不平等但稳定。

4.2. 农光互补创新的全球差异

国家层面的聚合AII显示出农光互补创新准备度的显著全球差异，这些差异不能仅仅通过出版率来解释。AII根据各国转化、传播和系统化创新的结构能力进行区分，而传统的文献计量学指标通常更倾向于关注研究产出较多的国家。鉴于此，出版物数量相似的国家往往具有非常不同的创新准备度特征。较高的AII等级通常由欧洲和东亚国家占据，这可以归因于它们在可再生能源研究基础设施上的长期投资、协调良好的国家研究议程以及学术界、工业界和政府政策之间的广泛合作网络。例如，北欧国家（瑞典、丹麦、芬兰和瑞士）即使出版物数量适中，也表现出较高的平均AII。虽然南欧（意大利、西班牙和希腊）出版物数量较多，但AII得分中等且内部方差较大，东欧国家的出版物数量较少，AII模式混合。这意味着欧洲在准备度和跨学科性方面的领导地位，而不仅仅是数量上的优势，从而证明了AII是一个成熟的指标。换句话说，这些地区的农光互补研究可以从实验性演示发展到可扩展且与政策相关的应用，因为它们通常结合了高的技术准备度、高效的知识转移和适度的概念创新。关键在于，他们的创新生态系统的连贯性，其中多学科方法和转化路径已经很好地建立，而不仅仅是新颖性本身，解释了他们的高AII得分。相反，非洲、拉丁美洲、中东以及南亚和东南亚的许多国家尽管有地方性的创新和可持续性研究，但整体AII值较低。限制因素不是缺乏科学能力，而是传播机制薄弱、合作结构碎片化以及应用部署路径受限。在许多情况下，高度的可持续性相关性或情境新颖性并没有伴随着相应的技术准备度或KDiff_new的进步，导致创新特征不平衡。

本质上，AII将这些全球差异重新定义为能力驱动而非绩效驱动。观察到的差异主要是由于获取实验设施、资金连续性和融入国际研究网络的差异，而不是研究质量的内在差异。这种观点具有重大意义；例如，对数据共享、合作平台和转化支持的定向投资可以显著提高代表性不足地区的创新准备度，而不需要相应增加出版物数量。在这种方法中，AII关注的是允许创新生态系统通过系统强化而非仅仅增加产出来发展的战略收敛路径。

4.3. 在创新理论中定位AII

农光互补创新的准备度本质上是多方面的，不能简化为单一主导因素，AII子指标之间的相关性模式证实了这一点。TRI和IMom之间存在强烈的正相关，这表明接近部署的研究 tend 更容易获得关注并经历更快的引用增加，支持转化轨迹。同样，IEnt和KDiff_new之间的相关性强调了跨领域整合如何促进概念在整个科学界的传播。此外，创新发展的非线性特征也体现在概念新颖性与准备度驱动指标的相对独立性上。虽然极其成熟的系统可能依赖于渐进式改进而非根本性的概念变化，但高新颖性可能在没有传播或准备度的情况下存在，特别是在早期或探索性研究中。这种结构分离是AII的优势，而不是缺点，因为它能够区分不同的创新模式，并避免将新颖性与准备度混淆。机器学习内部一致性测试和基于熵的加权进一步支持了这一观点，表明没有单一子指标显著主导AII。相反，AII作为一个综合的、系统层面的指标的概念设计，是由概念、转化、网络和社会元素的平衡互动所强化的。

4.4.AII在现有文献和科学成熟度方面的贡献在于，它为先前报告中提到的定性模式提供了实证验证，将这些模式置于更广泛的农光互补（agrovoltaics）文献背景下进行考察。根据最近的综述，农光互补是一个快速发展的研究领域，全球安装容量从2012年的大约5兆瓦增长到2021年的峰值超过14吉瓦[43]。科学产出也显著增加，尤其是在2020年之后，针对能源-农业关系的主要挑战的出版物大幅增多[44]。然而，该领域被定义为具有巨大工程潜力的分散领域，但在社会经济、环境和农业维度上的整合并不一致。例如，[45]中的作者指出，设计框架、研究方法和绩效指标的缺乏标准化是阻碍广泛商业应用和跨研究可比性的因素。此外，[44]、[46]中的作者共同报告称，农光互补研究领域的分布不均，主要集中在北半球（特别是美国、中国和欧洲）和温带气候区，而在热带和干旱地区，这项技术可以提供关键的水资源保护效益，但这些地区的研究相对不足。由于其强大的工程潜力以及先进的光伏技术，农光互补研究主要集中在通过创新（如双面面板、半透明模块和光谱分割技术）来优化光伏性能[47]、[48]。这些描述得到了AII数据的充分支持，数据显示在概念创新、可持续性框架和转化准备方面存在系统性差异。根据多项研究[46]、[49]、[50]、[51]，农光互补研究仍然主要集中在试点规模的项目上，而不是商业规模的部署，这意味着当前的研究往往无法代表更大规模、由行业主导的项目的实际和运营条件；因此，尽管测试了新概念，但由于这些代表性不足，只有部分能够发展成可扩展的解决方案。此外，该领域仍处于起步阶段，资本价格波动、生产成本高，新型材料（如半透明光伏）的长期稳定性低，这些因素限制了实际应用[43]。创新理论表明，在达到市场渗透和效果之前，早期创新往往会遇到“死亡谷”[39]。这些观察结果与AII报告的新颖性转化为实际创新的不平衡转变相符。

由于农光互补符合土地利用效率（土地当量比率>1）和气候问题（例如，水资源保护、微气候调节），可持续性变得越来越重要[47]。然而，这些好处通常没有包括在标准评估中。平准化电力成本（LCOE）被认为逐渐不够准确，因为它低估了非电力的协同效益，如水资源保护、生态价值和社会经济收益[52]。此外，价格-性能比率模型经常忽略宏观经济效应，如劳动力市场支持[39]。尽管有所改进，跨学科合作仍然是一个瓶颈，阻碍了信息在各个学科之间的传播和整合。此外，[43]中的作者强调了农业部门和能源部门之间的显著知识差距，这成为标准化设计和农光互补广泛采用的障碍。通过衡量可持续性指标和跨学科合作，AII提供了农光互补科学成熟度的比较性和数据驱动的图景，超越了传统研究。研究结果表明，尽管在不同机构和地区的发展速度不同，该领域正从孤立的实验环境转向在气候韧性、水-能源-食物纽带倡议中发挥更综合的作用。

AII的根本贡献在于它能够将创新准备度作为一个量化的、多维度的概念在农光互补研究中加以操作化。AII将概念、转化、网络和社会信号结合到一个统一的、易于理解的框架中，与传统的文献计量指标形成对比。这使得可以系统地比较不同国家、组织和时间段的创新，而不局限于生产数量或引用次数。方法上，该研究提供了一个可重复的流程，可以用于其他捕捉能源-农业关系的研究领域。通过将准备度整合到扩散和跨学科背景中，AII在概念上弥合了创新理论、科学计量指标和可持续性研究之间的差距。实际上，它为研究协调者、资助组织和政策制定者提供了一种方法，以识别农光互补创新生态系统的结构优势和劣势。

由于最近的综述和案例研究，农光互补研究在技术、经济和环境方面取得了进展，尽管其结论大多是描述性的并且分散的。AII通过将常规的定性观察转化为一个统一的、量化的框架，使能够系统地比较不同国家、机构和研究主题的创新准备度（表12）。

表12. AII与文献的比较。

| 研究类型与范围 | 主要创新相关发现 | 强调的局限性 | 相应的AII见解 |
|-----------------|--------------------------------------------|-------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------|
| | | | |
| 文献计量综述（全球，2011–2022） | 农光互补研究的快速增长；欧洲、中国和美国的优势；对技术和农艺主题的重视 | 全球南方代表性不足；对社会、治理和政策维度的关注有限 | AII显示欧洲和东亚得分较高，而非洲和拉丁美洲的得分较低至中等；子指标显示强烈的技术创新（TRI）和实施（IMom），但系统性的社会相关性（SRel）和知识差异（KDiff_new）较弱 |
| | | | |
| | 农光互补作为有前景的WEF纽带解决方案的全球综述 | 缺乏统一的指标和比较评估框架 | AII提供了第一个综合的、协调一致的指标集，使能够系统地比较不同区域和机构的创新准备度 |
| | | | |
| 农光互补的系统综述 | 确认从概念试点到部署阶段的转变；强调整个领域的协同效应和冲突以及生物多样性 | 呼吁综合评估工具和长期监测方法 | 较高的TRI和IMom值在AII的高分四分位数中确认了工程成熟度；中等的SRel和知识差异（CDiv）表明生物多样性和可持续性指标的整合不完整 |
| | | | |
| 关键设计审查和描述性建模 | 识别主导的农光设计模式，并强调需要跨学科设计，整合景观、社会和生态维度 | 设计标准仍然分散；很少有研究整合社会和景观视角 | AII显示许多高AII国家的TRI强烈，但SRel和知识整合（IEnt）仅处于中等水平，实证支持了以技术为中心的设计占主导地位的担忧 |
| | | | |
| 机会、挑战和监测方法的综述 | 强调监测、控制和数据驱动的管理是农光互补创新的下一前沿 | 缺乏标准化的监测协议和开放的数据基础设施 | IMom和IEnt子指标奖励方法论透明度和数据重用；中等评分表明这些实践尚未成为主流 |
| | | | |
| 综合综述（技术、环境、社会） | 认为如果设计得当，农光互补可以支持气候韧性和农村发展 | 关于社会接受度和长期环境影响的实证证据有限 | AII的SRel定量捕捉了环境框架；低至中等的SRel值证实社会环境整合仍处于萌芽阶段 |
| 尼日尔共和国（西非）的技术经济案例研究 | 证明农光互补可以在萨赫勒地区增强食物能源安全并具有经济可行性 | 资金、政策和技术能力障碍限制了规模的扩大 | 尼日尔及其类似情况在低AII地区聚集；较低的TRI、创新（INov）和知识差异（KDiff_new）定量捕捉了教材描述的结构性障碍 |
| 东非区域评估 | 证明很少有协同效益，但强调了治理、公平和土地所有权挑战 | 本地技术能力有限；依赖捐赠者的孤立项目 | 低的国家AII分数，特别是低的知识差异（KDiff_new）反映了机构能力的薄弱和现有试点的传播不足 |
| 美洲农光互补综述 | 文档显示地区发展不平衡：美国和巴西的先进试点与其他地区的活动稀少 | 呼吁协调的政策、融资和知识共享机制 | AII显示美国和选定中心的得分较高，而周边国家的得分较低，表明地区创新不平等 |
| 意大利动态农光互补系统实地试验 | 证明动态跟踪在增加能源产量的同时保持了作物产量和质量 | 单一地点、特定作物的研究；有限的普遍性 | 意大利机构显示出较高的SRel、IMom和知识差异（CDiv）；适度的知识差异（KDiff_new）表明高质量农艺知识的传播有限 |
| 特定作物农光互补实验 | 显示遮荫、亏缺灌溉和作物生长之间的相互作用；强调综合水资源管理 | 本地化案例；少数长期比较数据集 | 支持在水重点农光研究中适度的SRel和知识差异（CDiv）；在应用严格建模框架的情况下，IMom有益 |
| 干旱地区农光互补实验（美国） | 证明很少有协同效益，包括微气候降温、改善水资源利用和增加能源产量 | 早期阶段；主要关注生物物理方面，社会经济分析有限 | 为美国机构的高TRI和SRel做出贡献；IMent和知识差异（KDiff_new）表明在更广泛的语料库中，FEW-纽结框架仍然不均衡 |
| AII综合科学计量指数 | 引入了一个多维的、熵加权的框架来量化农光互补的创新准备度 | 文献计量依赖性：准备度并不直接等于部署成功 | |

4.5. 限制

尽管AII提供了一个全面且经过实证验证的框架来评估创新准备度，但仍需承认几个限制因素，以便对其解释和应用进行 contextualization：
1. 分析主要依赖于文献计量数据库（Scopus、MDPI和WoS），这些数据库可能低估了非英语出版物、地区索引期刊和实践者导向的报告，从而可能偏倚语料库的地理和概念多样性。
2. 几个子指数的计算，特别是知识差异（KDiff_new）和知识整合（IEnt），对数据库分类方案和主题领域分类法敏感，这些分类法会随时间变化，可能无法完全捕捉新兴或跨领域的研究轨迹。IMom的引用特异性敏感性在下面的限制4中单独讨论。
3. 技术创新（TRI）子指数依赖于应用于论文摘要的自动化关键词检测，使用预定义的方法论指标术语集。虽然这保证了完全的可重复性并消除了编码者偏差，但它引入了一种谨慎的分类偏差：例如，描述户外农光互补测量但没有使用“实地试验”、“试点”或“测量产量”这些确切词汇的论文，无论其实际方法如何，都被分配到基线准备度水平（TRI = 0.000）。这可能导致一些实验论文在较高的TRI范围内被低估，从而略微低估了该领域在语料库中的研究份额。未来的AII实施可以通过特定的语料库术语频率分析扩展指标词汇，或在有全文访问权限时结合全文方法论分类来改进这一点。
4. AII包含了基于引用的组件，最直接的是知识整合（IMom），以及间接的通过其对数引用术语的知识差异（KDiff_new），这些在结构上容易受到出版物年龄bias的影响。尽管IMom应用了一阶年龄标准化（每年的引用次数），但仍存在残余的滞后偏差：较旧的论文有更多时间使其年引用率稳定下来，而2024–2026年的论文仍处于引用的早期积累阶段。实证上，这一点在数据集中得到证实：出版年份与IMom之间的皮尔逊相关系数为r = ?0.41，表明较新的论文系统地获得了较低的IMom分数，与其实际科学贡献无关。2025年论文的平均AII分数（平均=26.28）相应低于2022–2024年的论文（平均范围28.61–29.19），这种差异反映了引用不成熟和实质性创新差异。正式的时间序列建模，如基于年龄调整的引用标准化基准，将对此类结构偏差进行更严格的处理，并建议在未来的AII实施中进行。
5. 尽管将MDPI作为检索来源是合理的，因为索引滞后考虑并通过对DOI进行去重进行了控制，但没有进行正式的敏感性分析，将语料库限制在Scopus和WoS记录上。这样的分析将提供额外的保证，确保MDPI的包含不会实质性地改变AII的分布、国家排名或时间趋势，并建议在未来对该框架进行复制。此外，将时间范围限制在2000–2026年，而农光互补文献实际上始于2011年，这导致了2011年的单篇论文代表（Dupraz等人[32]），从而夸大了该年的每篇论文的AII统计。鉴于涉及的年度样本量较小，读者应将早期年份（2016年之前）的结果视为指示性的，而不是统计上稳健的。
6. 国家级别的AII概况是根据作者的隶属关系得出的，而不是根据实际的部署地点、专利记录或国家创新系统指标。因此，一个国家的平均AII反映了其机构隶属作者的研究产出，这可能与其国内农光互补部署的成熟度不同。此外，国家-论文隶属关系计数平均每篇论文2.6个，并不等同于独特的论文计数：一篇由五个国家的研究人员合著的论文为每个国家贡献一个隶属关系链接。低产量的国家（少于20个隶属关系链接）特别容易受到个别国际合著的高AII论文的影响；黑山（n = 1，平均AII = 77.95）和塞内加尔（n = 2，平均AII = 77.31）直接说明了这一点。因此，所有国家级别的政策结论都仅限于有20个或更多隶属关系链接的33个国家。未来的实施将从基于隶属关系的归因中补充部署数据或国家政策指标。
7. 年度基尼系数分析仅在出版数量足够的年份具有统计可靠性。在语料库的13年中，有四年（2011年、2013年、2016年、2017年）的论文少于五篇，使其基尼值在结构上不确定；整个0–1范围与这种大小的置信区间兼容。额外的三年（2018年、2019年、2026年）共有5-19篇论文，这需要我们保持警惕。基于早期基尼系数的波动（如2020年之前的峰值和低谷）来构建的生命周期叙述，应该被视为推测性的，而不是有统计学依据的。这项分析中可靠的发现是：在2020年至2025年出版物大幅增长的时期，基尼系数的稳定性保持在0.31到0.36之间，这一点得到了较窄的自助法置信区间的支持。熵加权方案使得AII对转化成熟度（IMom = 27.2%，TRI = 23.4%）的敏感度高于概念新颖度（INov = 5.2%，IEnt = 8.2%），因为权重反映了实证分布的变异性，而不是理论上的优先级。正如第3.4节中的敏感性分析所示，虽然在平等加权下总体排名非常稳定（ρ = 0.96），但强调新颖度的方案会在分布的高端产生明显的重新排序（ρ = 0.79，前十名重叠率为2/10）。应用AII框架来识别前沿概念贡献的研究人员应该考虑表8.9中记录的强调新颖度的加权方法。

AII代表的是研究驱动的创新准备度，而不是实际应用准备度；因此，高AII分数并不直接反映实地进展、监管环境或市场饱和度。尽管机器学习验证了该指数的内部一致性，但为了建立外部有效性（例如通过与专利申请、现场部署数据或独立专家评估进行对比），仍然是未来工作的重要任务。新颖性和扩散度指标虽然具有一定的稳健性，但受到基于嵌入的语义表示的限制，这可能在跨学科研究中过分简化了概念上的细微差别。静态AII公式没有明确建模时间动态，如创新轨迹的变化、技术成熟度或政策干预，这表明未来迭代需要引入纵向或时间序列扩展。尽管存在这些限制，AII为系统性的创新准备度评估提供了坚实的基础，并为后续改进提供了一个可复制的 metodological 框架。

为了推进该领域的科学、技术和社会环境成熟度，农业光伏研究必须优先考虑几个战略方向，这一点通过AII的合成、子指数的行为以及机器学习验证得到了强调。数据中反复出现的一个主题是概念或社会生态创新与工程驱动的技术进步之间的结构性差异。像KDiff_new、SRel和IEnt这样的指数增长速度慢于TRI和IMom，后两者在AII体系中占主导地位，并显示出在全球范围内对原型开发、系统优化和性能提升的大量投资。这一趋势表明，尽管农业光伏技术在技术上发展迅速，但在社会实施路径、整体系统设计和跨领域学习方面仍相对不成熟。建立全球知识交流网络是一个紧迫的研究领域。AII的结果一致表明，特别是在欧洲、东亚和北美，科学影响力主要集中在少数大学集群中。非洲、拉丁美洲、中东以及南亚和东南亚的部分地区，这些地区在农业光伏方面的潜力正在增长，但在高影响力合作中的代表性不足。需要采取有针对性的措施来缩小知识获取差距，例如国际联盟、开放数据集、农业光伏实验的明确协议以及全球示范平台，以改善KDiff_new的差距。

此外，还需要更深层次的概念创造力。大多数研究并不是开发新的理论框架，而是基于现有的光伏-农学模型进行渐进式发展，这从INov子指数的相对较低值和在各分位数上的稳定性可以看出。未来的研究应该关注以下几个领域：整合生物多样性的农业光伏、创新性的农学-光伏交互模型、超越高架或垂直光伏系统的新型设计配置，以及考虑社会经济和生态限制的人工智能辅助系统优化。增加跨学科性是另一种方法。最重要的研究整合了农学、能源系统、材料科学、气候建模和社会经济学的知识，这从IEnt在高分位数的良好表现中可以看出。农业光伏需要研究框架，将这些物理科学与社会科学、生态监测、行为经济学和农村发展联系起来，因为它本质上位于水、能源、食物和环境的交汇处。尽管跨学科对气候韧性、干旱缓解、土地使用优化和碳智能农业的贡献仍然很少，但文献表明农业光伏可以成为一个战略工具。同样，转向在光伏遮荫下的精准农学、土壤-微气候相互作用以及以生物多样性为中心的农业光伏仍处于早期阶段。机器学习的分析结果表明，AII能够准确地指出这些研究空白所在的领域，为有针对性的科学计划提供了路线图。

除了这些领域层面的方向外，还需要对AII框架本身进行几项方法论改进，这也是未来研究的并行议程。当前的TRI子指数依赖于一组固定的抽象级别关键词指标；通过特定语料库的词频分析扩展这一词汇，或者在条件允许的情况下用全文方法论分类来替代它，可以减少第4.2节中发现的保守分类偏差。影响IMom和KDiff_new的引用滞后问题应该通过针对特定领域的引用积累曲线进行年龄调整的引用标准化来解决，以便更公平地比较新发表的论文和已建立的论文。将语料库限制在Scopus和WoS记录中（排除MDPI），可以独立确认来源包含决策没有实质性改变研究结果，建议作为未来应用该框架时的复制检查。国家层面的AII概况如果补充基于隶属关系的归属信息、国家专利申请或政策实施指标，将大大受益，从而使指数不仅能够捕捉研究能力，还能反映实际的创新生态系统成熟度。AII的静态横截面公式应该扩展为纵向或时间序列版本，明确模拟创新轨迹的变化、技术成熟度的转变以及连续出版群体中的政策干预效应。基于嵌入的新颖性和扩散度指标可以通过超越句子转换器表示，转向在农业光伏和更广泛的可再生能源语料库上训练的领域适应型语言模型来丰富，从而提高INov和IEnt对高度跨学科论文中概念细微差别的敏感度。根据独立的创新基准（如专利活动、商业部署率或结构化专家评估）对AII进行外部验证，仍然是建立其实际效用的重要步骤，这是未来工作的最高优先级方向。

本研究介绍了农业光伏创新指数（AII），这是一个用于评估农业光伏研究驱动创新准备度的综合科学计量框架。AII基于创新准备度的知识转化视角，将七个可量化的子指数组织成四个功能维度：概念（INov、IEnt）、转化和影响（IMom、TRI）、网络和扩散（CDiv、KDiff_new）以及社会（SRel），并通过数据驱动的熵加权方法将它们整合起来。这种理论结构通过要求在所有四个维度上的共同进化进步来区分创新准备度和一般研究表现，而不是孤立地奖励任何单一指标。应用于2011年至2026年间发表的1365篇独特的农业光伏论文，AII揭示了一个技术成熟度和引用势头快速发展的领域，但在概念新颖度、合作广度和跨领域知识扩散方面仍结构性不足。一个一致且与政策相关的发现是，出版物数量与创新准备度脱钩：一些高产出的国家在AII上并不领先，而一些低产出的国家虽然研究具有针对性且国际联系紧密，却获得了相对较高的分数。基尼分析确认，在快速出版增长的整个时期，创新集中度一直保持中等（0.31–0.36），表明前沿贡献的分布稳定但不均衡。机器学习分析证实了AII架构的内部一致性，验证了该综合指数的稳定性、确定性和结构一致性，尽管这只是内部一致性检查，而不是针对实际创新基准的外部验证。熵派生的子指数权重与基于SHAP的特征重要性之间的收敛独立确认了TRI和IMom是当前语料库中AII的主要结构驱动因素，这一发现既适用于统计方法也适用于基于模型的分析方法。

AII为研究人员、机构和政策制定者提供了一个可复制的、基于证据的诊断工具，帮助他们了解农业光伏的科学轨迹，识别区域创新差距，并优先进行有针对性的能力建设投资。除了农业光伏之外，这个四维框架和基于熵加权的综合方法也为技术、农业和环境科学交叉领域的其他可持续性研究中的创新准备度评估提供了一个可转移的模板。在准备这份手稿的过程中，作者使用了ChatGPT-5.2来提高可读性和英语水平。使用该工具/服务后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。