农民数字能力对低碳农业采用的影响:机器学习视角

《Sustainability》:The Impact of the Digital Capability of Farmers on Low-Carbon Agriculture Adoption: A Machine Learning Perspective

【字体: 大 中 小 】 时间:2026年08月10日 来源:Sustainability 4.1

编辑推荐:

  基于中国陕西、贵州和四川三省10,057名猕猴桃种植户的微观调查数据,本研究以农户对低碳农业技术的初始采用和持续采用作为因变量,构建了基于农户数字能力的综合评价体系,涵盖数字接入、数字获取、数字处理和数字共享四个维度。采用包括Lasso回归、极限梯度提升、随机

  
基于中国陕西、贵州和四川三省10,057名猕猴桃种植户的微观调查数据,本研究以农户对低碳农业技术的初始采用和持续采用作为因变量,构建了基于农户数字能力的综合评价体系,涵盖数字接入、数字获取、数字处理和数字共享四个维度。采用包括Lasso回归、极限梯度提升、随机森林和反向传播神经网络在内的多种实证模型,比较不同方法的拟合和预测性能。模型比较结果表明,随机森林模型在所有备选方案中呈现最优拟合性能。为识别核心影响因素并探究潜在机制,本研究运用SHAP方法定量评估各变量的边际贡献。实证发现表明,农户数字能力对低碳农业技术的初始和持续采用均具有显著正向促进作用,且存在明显维度异质性。具体而言,数字接入和数字获取能力是农户初始采用技术的核心驱动因素,而数字处理和数字共享能力在促进低碳技术持续应用中发挥决定性作用。此外,农户受教育程度、健康状况、家庭收入、合作社参与和家庭劳动力规模是影响农户不同阶段低碳技术采用行为的关键特征变量。据此,本研究提出了针对低碳农业发展的政策建议,在推进数字乡村建设、完善数字技能培训和数字农业技术服务体系的基础上,必须加强农户动态跟踪调查,准确识别其技术采用阶段,并实施差异化支持政策。这些针对性措施能够有效巩固和评估农户低碳生产行为,促进低碳农业的长期可持续发展。
基于农户数字能力视角的低碳农业技术采用研究解读

一、研究背景与问题提出

在全球气候变化与生态环境持续恶化的背景下,低碳发展已成为应对环境挑战的重要路径。中国于2020年正式提出“双碳”目标,即二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和。农业作为温室气体排放的重要来源,其低碳转型对实现双碳目标具有关键作用。然而,传统农业生产中过度使用农药和化肥等资源,导致高碳排放和生态破坏问题日益凸显。低碳农业技术(如节水灌溉、绿色防控和有机肥替代)的推广与应用是降低农业碳排放的核心手段,但农户作为农业生产的基本决策单元,其技术采用行为往往存在初始采用与持续采用之间的显著差距。多数现有研究聚焦于初始采用决策,忽视了持续采用行为及其动态特征,且常将两者混为一谈。此外,数字经济的发展为农业低碳转型提供了新机遇,但农户数字能力水平差异可能导致数字鸿沟,影响技术采用。因此,开展本研究旨在探究农户数字能力对低碳农业技术初始和持续采用的影响机制,并利用机器学习方法提升分析精度,为制定差异化政策提供科学依据。

二、研究内容与结论

研究人员基于陕西、贵州和四川三省10,057名猕猴桃种植户的微观调查数据,以农户低碳农业技术的初始和持续采用为因变量,构建了包含数字接入、数字获取、数字处理和数字共享四个维度的数字能力评价体系。通过因子分析测量数字能力指数,并采用有序Logit模型、Lasso回归、极端梯度提升(XGBoost)、随机森林和反向传播(BP)神经网络等模型进行实证分析。研究发现,农户数字能力显著正向促进低碳农业技术的初始和持续采用,但存在维度异质性:数字接入和数字获取能力是初始采用的核心驱动力,而数字处理和数字共享能力对持续采用起决定性作用。此外,农户受教育程度、健康状况、家庭收入、合作社参与和家庭劳动力规模等特征变量在不同阶段发挥差异化影响。该研究为理解数字赋能低碳农业提供了新视角,并强调阶段差异化政策的重要性。

三、主要技术方法

本研究在数据收集上,采用分层多阶段抽样与随机抽样结合的方法,于2025年4月至8月对陕西、四川和贵州三个核心猕猴桃产区的农户进行面对面访谈,共发放问卷11,000份,经筛选后获得有效样本10,057份,有效率为91.4%。在技术分析上,首先运用因子分析构建数字能力指标,其次采用有序Logit模型作为基准回归,然后引入Lasso回归、随机森林、XGBoost和BP神经网络等机器学习模型进行比较,最后利用SHAP(Shapley Additive Explanations)方法量化各变量的边际贡献,以识别核心影响因素。

四、研究结果

1. 基准回归结果:有序Logit模型显示,数字能力对初始和持续采用的回归系数分别为0.503和0.462,均在1%水平上显著,表明数字能力正向促进两个阶段的采用行为,但初始阶段的促进效应略强。

2. 异质性分析:维度异质性分析表明,数字接入能力对初始采用(系数0.423)的促进效应高于持续采用(系数0.295);数字获取能力对初始采用(系数0.398)的效应也强于持续采用(系数0.337);数字处理能力对持续采用(系数0.424)的效应显著高于初始采用(系数0.256);数字分享能力对持续采用(系数0.411)的效应也强于初始采用(系数0.240)。区域异质性分析显示,四川的数字赋能效应最强,陕西次之,贵州最弱,且阶段效应因区域而异。

3. 机制分析:中介效应检验表明,数字能力通过提升技术认知水平、技术应用适应性和技术扩散效率三条路径,显著促进初始和持续采用,但各路径的效应强度在不同阶段存在差异。

4. 机器学习模型比较:模型比较结果指出,随机森林模型在拟合性能上优于XGBoost和BP神经网络,且SHAP值排序显示,综合数字能力及其子维度在初始和持续采用中均排名靠前。

5. 核心影响因素识别:基于随机森林的SHAP分析显示,初始采用的核心因素是综合数字能力、数字接入能力、数字分享能力、受教育年限和数字获取能力;持续采用的核心因素则变为受教育年限、综合数字能力、健康状况、数字接入能力和合作社参与。

五、讨论与结论

本研究填补了现有文献中对持续采用行为关注的不足,并整合传统计量与机器学习方法的优势,提高了分析精度。基于研究发现,研究人员提出阶段差异化政策建议,包括按区域修复数字基础设施短板、实施分层数字技能培训、构建全周期技术推广体系,以及联动多维资源禀赋。这些措施旨在巩固农户低碳生产行为,促进低碳农业的长期发展。研究结论强调,数字能力是驱动低碳技术采用的核心因素,但不同阶段的核心驱动机制不同,政策需针对性地支持初始试用到持续应用转化。未来研究可扩展至多种作物和区域,整合多源数据,并采用更严格的计量方法以缓解内生性问题。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号