基于机器学习的中国农业新质生产力：区域比较、驱动因素与动态演进

New quality productive forces of agriculture in China based on machine learning: Regional comparison, driving factors and dynamic evolution

摘要

为探究中国农业新质生产力的区域分异格局、核心驱动机制与时空动态演进规律，基于农业功能区划视角，构建包含农业劳动者、劳动资料与劳动对象三维度的农业新质生产力综合评价体系，运用熵值法对2013—2023年全国及三大农业功能区（主产区、主销区、产销平衡区）的农业新质生产力发展水平进行测度，融合方差分析、皮尔逊相关分析、随机森林模型和SHAP可解释机器学习方法，揭示农业新质生产力的区域分异特征、关键驱动因素及其作用机制，并进一步借助空间自相关分析探究其动态演进规律。结果表明：1）全国农业新质生产力总体呈持续增长态势，但增速趋缓，区域间差距逐步收敛；2）驱动机制方面，农业科技活动人员数、农业科技活动经费和网络普及率构成核心正向驱动因素，而单位农药、化肥和农膜消耗量则形成显著负向约束，体现出“创新-数字”双轮驱动与绿色转型的协同需求；3）空间关联性呈现功能区异质性，产销平衡区表现出显著正向空间自相关，存在明显空间溢出效应，主产区与主销区则未形成显著空间集聚，发展更多依赖于内生动力。因此，政府在培育农业新质生产力、推动农业高质量发展的同时，有必要结合三大农业功能区的发展分异特征，分类施策，实施因地制宜的差异化培育策略，强化农业科技创新与数字要素赋能，筑牢农业绿色发展底线，充分发挥区域间正向空间溢出效应，促进全国农业新质生产力协调提质与整体跃升。

Abstract

To explore the regional differentiation patterns， core driving mechanisms and spatiotemporal evolutionary dynamics of new quality productive forces in agriculture in China， this study constructs a three-dimensional comprehensive evaluation system covering agricultural laborers， means of labor and object of labor from the perspective of agricultural functional zoning. The entropy method is used to measure the development level of new quality productive forces in agriculture nationwide and across three major agricultural functional zones （major producing areas， major marketing areas， and production and marketing balance areas） from 2013 to 2023. Combined with variance analysis， Pearson correlation analysis， random forest modeling and SHAP interpretable machine learning method， the characteristics of regional differentiation， key driving factors and their action mechanism of new quality productive forces in agriculture were investigated， and the dynamic evolution law with spatial autocorrelation analysis was explored. The results show that： 1） Overall new quality productive forces in agriculture in China maintain a sustained growth trend with a slowing growth rate， and the inter-regional gaps are gradually narrowing. 2） In terms of driving mechanism， agricultural scientific and technological （S&T） activity personnel， agricultural S&T activity expenditure， and internet penetration rate constitute the core positive driving factors， while per unit consumption of pesticides， chemical fertilizers and agricultural films forms a significant negative constraint， which reflects the collaborative demand of the “innovation-digital” two-wheel drive and green transformation of agriculture. 3） The spatial correlation presents significant heterogeneity among functional zones： production and marketing balance areas show significant positive spatial autocorrelation with an obvious spatial spillover effect， while major producing areas and major marketing areas have not formed significant spatial agglomeration， and their development relies more on endogenous momentum. Therefore， while cultivating new quality productive forces in agriculture and promoting high-quality agricultural development， the government should formulate classified policies based on the development and differentiation characteristics of the three major agricultural functional zones， implement differentiated cultivation strategies adapted to local conditions， strengthen agricultural scientific and technological innovation and digital element empowerment， consolidate the bottom line of agricultural green development， give full play to the positive spatial spillover effect among regions， and boost the coordinated quality improvement and overall leap of new quality productive forces in agriculture across the country.

Graphical abstract

关键词

农业新质生产力 / 机器学习 / 区域比较 / SHAP解释方法 / 动态演进

Key words

new quality productive forces in agriculture / machine learning / regional comparison / SHAP interpretation method / dynamic evolution

2024年政府工作报告明确提出“加快发展新质生产力”^［1］，2025年中央一号文件首次提出“以科技创新引领要素集聚，因地制宜发展农业新质生产力”^［2］，随后《加快建设农业强国规划（2024—2035年）》^［3］进一步将“突破关键核心技术、发展新质生产力”确立为农业强国建设的核心路径。这些递进式政策安排，既凸显出发展农业新质生产力的现实紧迫性与战略重要性，也明确了其在推动农业现代化进程中的核心地位。

农业新质生产力的现有研究主要集中于三大领域，即内涵特征阐释、发展水平测度与区域分异分析。首先，在内涵特征方面，已有研究多以马克思主义生产力理论为分析框架，从劳动者、劳动对象与劳动资料三要素的质变与重构入手。部分学者提出，农业新质生产力的核心是科技创新与要素重组^［4-5］，本质是生产力要素“优化”与“突变”的辩证统一^［6］。亦有学者从系统论视角切入，将其界定为以现代科技为支撑、以系统性变革为路径的复杂系统^［7］。上述研究为理解农业新质生产力奠定了概念基础，但大多侧重于理论推演与特征归纳，尚未结合不同农业区域的功能定位、资源禀赋与发展阶段，开展更具情景化的内涵阐释。其次，在发展水平测度层面，现有研究主要分为2种思路：一种遵循生产力要素构成论，从农业劳动者素养、劳动对象的优化程度以及劳动资料智能化水平等维度设立指标^［8］；另一种立足新质生产力的时代特征，构建包括科技力、绿色力、数字力等维度的综合评价框架^［9-11］。但既有指标体系普遍存在“重共性、轻差异”的问题，未能充分考虑主产区、主销区和产销平衡区在核心功能、政策导向与发展约束上的根本性差异，采用同一套指标“一刀切”进行衡量，其结果的现实针对性与政策涵义可能因此受限。最后，在区域分异研究方面，现有成果多基于全国四大地理分区1

1 根据国家统计局划分方式，东部包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南；中部包括山西、安徽、江西、河南、湖北和湖南；西部包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆；东北包括辽宁、吉林和黑龙江。

展开，在研究方法上主要采用基尼系数分解与核密度函数等传统计量经济学方法^［12-13］。此类研究虽勾勒出农业新质生产力的宏观地理格局，但“地理分区”本质上是一种均质化视角，未能突破行政区划的表象，触及基于农业资源禀赋、主体功能与粮食安全责任的“功能区”内核。值得肯定的是，已有学者从农业功能分区视角切入，聚焦粮食主产区这一核心功能单元^［14］，虽在视角上有所突破，方法论上仍主要依赖传统计量经济模型，对变量间复杂的非线性关系、交互作用以及关键驱动因素的辨识能力存在局限。

综合现有研究，其不足主要体现在3个层面：一是研究视角多囿于传统地理分区，未能紧密对接国家主体功能区战略与农业区域功能定位，导致研究结论的政策适配性不足；二是研究方法普遍依赖于线性假设为主的传统计量模型，对农业新质生产力这一复杂系统存在非线性、高维度互动关系解析不够充分；三是研究内容对驱动因素的作用机制多停留在整体或宏观区域层面，缺乏基于功能异质性视角的比较与剖析，更鲜有对其演进路径开展动态模拟的相关研究。为弥补上述研究缺口，本研究以农业功能区为研究单元，尝试构建符合农业多维复合特征的农业新质生产力评价体系，引入机器学习方法突破传统模型的局限，旨在实现对不同功能区农业新质生产力发展水平的精准测度、区域比较与驱动因素识别，以期为实施差异化农业区域发展政策、推动农业科技创新与生产要素优化配置，提供基于数据与智能方法的决策依据。

1　评价指标体系构建与研究方法

1.1　理论内涵

农业新质生产力的理论内核源于马克思主义生产力三要素理论的时代化拓展，其本质是在科技创新引领下，通过劳动者、劳动资料、劳动对象三大生产力要素的质态升级，以及要素组合模式的系统性重构，推动农业农村向智慧化、高效化与质优化方向实现根本性跃迁，核心目标是突破传统农业“自然禀赋依赖+要素密集投入”的路径锁定^［15］，形成以“技术创新为核心、数字赋能为支撑、绿色低碳为底色”的现代农业生产力形态。这一理念并非对传统农业生产力的简单替代，而是基于农业现代化发展规律的范式革新，呈现出动态性（随技术迭代与政策导向持续演进）、系统性（要素融合与产业链协同联动）、可持续性（兼顾生产效率与生态安全）与开放性（跨领域技术渗透与跨区域资源整合）等鲜明特征^［16］，其理论根基既延续了生产力发展的本质逻辑，又回应了新时代农业强国建设对“质效并重”的现实诉求。

从理论构成来看，农业新质生产力是生产力基本要素与现代技术、制度环境深度耦合的产物，三大生产要素的内涵与特征均发生了时代性重塑：

在劳动者维度，新型农业劳动者突破了传统“体力型” “经验型”的角色定位，其核心特征体现为人力资本高级化^［6］，需兼具知识素养、专业技能与创新能力^［17］，由传统农业劳动者向掌握数字技术、智能装备操作与市场运营能力的复合型农业科技人才转型^［18］。这一转型不仅是应对我国“大国小农”经营格局与“未富先老”人口结构挑战的现实需要^［19］，更是人力资本理论在农业领域的具体实践——通过教育培育、技能培训等方式提升劳动者素质，使其成为技术转化、模式创新的核心载体，而非单纯的生产执行者。

在劳动资料维度，新质劳动资料的核心变革是“技术赋能下的效能跃升”，深刻体现了技术创新理论中“技术范式迭代”对生产工具的重塑作用^［22］。与传统农业劳动资料（犁、耙、普通农机等）相比，新质劳动资料以智能装备、数字基础设施、绿色生产技术为核心，通过物联网、大数据、人工智能等新兴技术全面渗透农业生产、加工、流通全产业链，催生了无人机植保、北斗导航耕种、智能温室调控等新型生产工具与工艺^［20］。其关键价值在于打破了体力劳动对生产效率的束缚，实现了“从经验驱动到数据驱动、从粗放使用到精准适配”的转变，成为破解农业“小生产与大市场”矛盾、推动发展方式转型的关键杠杆。

在劳动对象维度，新质劳动对象的突破源于资源环境经济学的“约束突破”逻辑，即借助新材料、新技术打破传统耕地资源的物理边界与利用局限。一方面，通过品种改良、生态种养技术优化传统劳动对象（农作物、畜禽等）的品质与产能，实现“提质增产”与“生态保护”的协同；另一方面，拓展劳动对象的内涵与外延，将垂直农业、设施农业、林下经济等新生产空间纳入农业生产范畴^［21］，同时将“生态价值”纳入劳动对象的价值核算体系，使耕地保护、水土涵养等生态行为成为生产力提升的重要组成部分，形成“生产与生态互促、经济与生态双赢”的新型劳动对象格局。

需要明确的是，农业新质生产力的三要素并非孤立存在，其核心优势在于通过深度融合与有机协同，实现组合空间的系统性拓展与边际效率的持续提升^［6］。其中，数字智能技术凭借其高度渗透性、快速迭代性与全域覆盖性^［22］，成为要素融合的关键纽带——依托数据驱动的感知机制、算法优化的决策系统与自主协同的执行能力，数字技术重构了“劳动者-劳动资料-劳动对象”的互动关系，使技术创新对全要素生产率的乘数效应显著增强^［23］。例如，智能装备（劳动资料）的应用需以复合型劳动者（新型劳动者）为操作主体，其作用效果又依赖于数字化改造后的劳动对象（如精准种植的农作物），三者形成“技术-人-生产对象”的闭环协同体系。这种以数据要素与智能算法为核心的技术集群，不仅推动了单一要素效率的提升，更实现了产业链、供应链、价值链的全维度优化，最终促成农业高质量发展新范式的形成，为农业新质生产力提供了坚实的理论支撑与实践逻辑。

1.2　评价指标体系构建

基于上述理论内涵，本研究借鉴贾康等^［8］所提出的评价框架，通过系统筛选与重构，优化形成农业新质生产力评价指标体系。在劳动者维度，剔除“非农就业比重”指标，主要依据3点：1）该指标依赖于就业统计口径，实践中存在兼业农民、季节性务工等复杂情况，数据获取与界定困难，易导致测量误差，影响评价准确性；2）本研究保留的劳动者相关指标（如农村人均受教育年限、教育经费强度等）已聚焦于劳动者素质提升、技能升级与新型主体培育，可精准反映“新质劳动者”的核心特质——即具备现代农业生产技能、适配农业科技创新与绿色发展的新型劳动者，而“非农就业比重”侧重反映就业结构的非农化转型，核心指向是就业领域的转移，与“新质劳动者”“素质提升、能力适配”的核心评价指向存在本质差异，其删除不会导致该维度刻画缺失；3）该指标与保留的部分劳动者指标存在潜在概念重叠与共线性，例如其与“农村人均受教育年限”在反映劳动者转型方向上存在部分重叠，若予以保留，不仅会加剧指标冗余，还可能干扰评价结果的客观性。在劳动资料维度，删除若干偏离农业新质生产力核心内涵或存在冗余的指标。具体而言：1）“农村办水电站水平”侧重于特定基础设施且区域普适性较弱，难以有效反映机械化与数字化升级的主线；2）“生产设备投资力度”“单位耕地面积农机总动力”与“农业机械化水平”等更直接的技术效能指标重复，存在明显共线性，剔除后可避免重复评价；3）“节水灌溉面积比重”仅反映基础设施覆盖规模，未能直接衡量水资源利用的效率提升或科技含量，且易与“绿色生产”项下更综合的资源效率指标重叠，弱化评价体系的创新指向性；4）“农业财政投入力度”仅衡量政府投入规模，不能有效反映资金使用效率、创新产出或实际生产率提升，且易与“农业科技活动经费”存在概念重叠与评价冗余，剔除后可强化评价体系的针对性与精准度。通过剔除上述指标，有效避免了指标重复、区域适用性局限与目标偏离等问题，进一步提升了指标筛选的严谨性，确保评价体系更贴合农业新质生产力的核心内涵。具体指标调整见表1。

1.3　数据来源

本研究使用的数据源于《中国农村统计年鉴》^［24］《中国科技统计年鉴》^［25］《中国人口和就业统计年鉴》^［26］以及《绿色食品统计年报》^［27］，涵盖2013—2023年全国30个省、自治区和直辖市（不含西藏及港澳台地区）的相关数据。针对指标中存在的部分缺失值，综合采用简单移动平均法、前向填充法与线性插值法进行处理，以保障数据连续性与完整性。

1.4　研究方法

1.4.1　熵值法

采用熵值法对农业新质生产力发展水平进行综合测度。该方法基于数据自身的变异程度确定各指标权重，具有客观性强、受主观因素干扰小的优点，能够有效处理指标间相关性，并对数据变动表现出较高敏感性，从而准确反映不同指标在综合评价中的重要性变化。其核心原理在于通过信息熵评估指标的不确定性：某项指标值的变化越无序（即熵值越大），其所提供的信息量越小，在综合评价中所赋予的权重也越低；反之，熵值越小，则信息量越大，权重越高。具体计算步骤参见朱迪等^［4］研究。

1.4.2　单因素方差分析法

单因素方差分析是仅含一个分类自变量的统计方法，用于比较3组及以上独立样本的总体均值是否有显著差异。它将数据总变异拆分为“组间变异”（可能由自变量引起）和“组内变异”（随机误差），通过计算F统计量（组间与组内变异的比值），结合F分布判断：若F值足够大且P<0.05（常用显著性水平），则说明至少2组均值存在显著差异。分析前需满足数据正态分布、各组方差齐性等前提。具体步骤和详细推导公式参见傅莺莺等^［28］研究。

1.4.3　皮尔逊相关分析

统计学上，衡量数据相关性的核心相关系数共有3种，分别是Pearson（皮尔逊）、Spearman（斯皮尔曼）、Kendall（肯德尔）。这3种相关性系数适用于研究不同性质的数据集，其中Pearson相关系数（即积差相关系数）适用于连续型变量的相关性分析，Spearman（斯皮尔曼）和Kendall（肯德尔）相关系数适用于分类变量或分布明显非正态或分布不明变量的相关性分析。Pearson相关系数最早是统计学家卡尔·皮尔逊设计的统计指标，研究变量之间的线性相关程度，并由-1~1进行度量，反映2个变量之间变化趋势的方向以及程度，0表示2个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强^［29］。

1.4.4　随机森林模型

随机森林是一种集成的机器学习方法，通过集成多个决策树进行预测和分类，能高效处理高维数据和缺失值。其强大的泛化能力和抗过拟合特性使其广泛应用于回归、分类、特征选择和异常值检测等领域。具体步骤参见陈明圣等^［30］研究。

1.4.5　可解释机器学习（SHAP）方法

近年来，Lundberg提出了一类统一的可解释机器学习（SHAP）方法，通过计算每一个特征加入到模型时的贡献进行模型解释。SHAP的来源是博弈论，是一类加性解释模型，将每个特征都视为贡献者，用SHAP方法来计算其具体的贡献值，所有特征的贡献值之和即为模型的最终预测，可以表示为：

g\left(x^{\text{'}}\right)={\phi }_{\mathrm{0}}+{\sum }_{j=\mathrm{1}}^M{\phi }_j{x^{\text{'}}}_j=f\left(x\right)（1）

式中：g(·)为解释模型；f(·)为机器学习方法；x\mathrm{\text{'}}为简化输入，和输入x存在映射关系，取值为1或0，1表示该特征值与本解释案例中的值相同，0表示该特征值缺失；{\phi }_{\mathrm{0}}为机器学习方法在数据集上的预测均值；{\phi }_j为第j个特征的贡献值（即SHAP值）；M为特征总数。

根据式（1）可以发现，模型在数据集上的预测均值{\phi }_{\mathrm{0}}为基线值，即若不知道任何特征，则模型的输出可以解释为数据集上的平均预测；之后，每个特征均有对应的贡献值{\phi }_j，解释模型如何从基线到新的预测值；所有特征的贡献值的和，解释了模型如何从基线值到最终的预测值。一个三特征的样本预测示意见图1，红色表示特征贡献是正的，蓝色则表示特征的贡献是负的。显然，SHAP方法的最大优势在于可以反映出每一个样本中各个特征的影响力以及影响的正负性，有效地统一了机器学习方法的全局解释性和局部解释性。

与传统的机器学习解释方法（如特征重要性分析等）相比，SHAP方法不仅能给出每个特征的重要性排序，还能给出特征对预测结果的具体影响规律。同时，对于每一个样本，采用SHAP方法均能详细地分析特征的影响力和影响的正负性，即该特征与预测结果是正相关还是负相关^［31］。

1.4.6　全局空间自相关

全局空间自相关用于判断整个研究区域内某一属性的整体空间分布模式。最常用的指标是全局莫兰指数（I），其计算公式为：

I=\frac{n}{{\sum }_{i=\mathrm{1}}^n{\sum }_{j=\mathrm{1}}^n{\mathit{\omega }}_{ij}}\bullet \frac{{\sum }_{i=\mathrm{1}}^n{\sum }_{j=\mathrm{1}}^n{\mathit{\omega }}_{ij}\left(x_i-\overline{x}\right)\left(x_j-\overline{x}\right)}{{\sum }_{i=\mathrm{1}}^n{\left(x_i-\overline{x}\right)}^{\mathrm{2}}}（2）

式中：x_i和x_j分别为空间单元i和j的观测值；\overline{x}为所有单元观测值的均值；{\mathit{\omega }}_{ij}为空间权重矩阵，定义单元i与j之间的空间关系；n为空间单元总数。

I的取值范围一般为［-\mathrm{1,1}］，I>\mathrm{0}，表示空间正相关（高值聚集或低值聚集）；，表示空间负相关（高低相异分布）；I\approx \mathrm{0}，表示空间分布趋于随机。

其统计显著性通常通过Z检验进行评估：

Z=I-E(I)\mathrm{V}\mathrm{a}\mathrm{r}(I)（3）

式中：E(I)为全局莫兰指数的理论期望值；\mathrm{V}\mathrm{a}\mathrm{r}(I)为全局莫兰指数的理论方差。若拒绝零假设（空间随机性），则认为存在显著的空间自相关。

2　农业新质生产力水平测度

图2展示了2013—2023年全国农业新质生产力发展水平的动态演变特征：1）全国农业新质生产力中位数从2013年的0.314 6上升至2023年的0.372 5，年均增长率约为1.67%；平均值从0.345 0增至0.378 3，年均增长率约为0.95%，但与2013—2018年相比，增速下降了1.24%，这反映出农业新质生产力发展进程正向提质增效阶段转换。2）在整个研究期间，全国均值始终高于中位数（2023年分别为0.378 3和0.372 5），但二者差距从2013年的0.030 4缩小至2023年的0.005 8，表明区域间发展水平分布的右偏特征持续减弱，农业新质生产力在区域间的均衡性显著提升。从农业功能分区视角来看，主产区、主销区和产销平衡区的发展特征如下：1）发展水平呈现明显梯度差异。2023年主产区均值（0.442 0）高于主销区（0.374 8），主销区又高于产销平衡区（0.298 0），这一层级结构符合《全国农业现代化规划》中对不同功能区的发展定位。2）增速分化较为突出。产销平衡区年均增速达2.90%，分别高于主产区（0.36%）和主销区（0.20%）2.54%和2.70%，显示出明显的后发追赶态势。3）区域演进动能存在显著差异。主产区因长期依赖规模化技术路径，面临创新边际效益递减；主销区受非农产业要素挤占，农业创新动能提升受限；产销平衡区则依托政策倾斜与特色资源开发，持续释放后发优势。这表明，提升农业新质生产力需着力破解路径依赖与要素错配的双重制约，通过推动主产区绿色技术迭代、强化产销平衡区“数字-政策”融合驱动、促进主销区城乡要素协同，形成全域联动与协调发展的新格局。

3　农业新质生产力区域差异

3.1　农业新质生产力区域差异的量化解析

由表2所示的方差分析结果可知，按粮食安全保障功能划分的三大农业功能区（主产区、主销区、产销平衡区），其农业新质生产力水平存在高度显著的差异（F=88.95，P<0.001）。变异分解进一步表明，组间平方和（SS_between=1.960 0）占总变异的35.24%，组内平方和（SS_within=3.602 6）占总变异的64.76%。这意味着三大功能区之间的新质生产力差异具有统计上的高度显著性，先天功能定位差异所引发的结构性分化是其重要来源。具体来看：主产区依托丰富的耕地资源与完善的基础设施，形成了规模化生产优势，并广泛推广机械化与智能化技术，显著提升了生产效率；主销区则凭借发达的经济基础与充足的资金技术条件，重点投入农业科技研发、数字农业建设及农产品高附加值加工，通过创新驱动与产业链延伸不断提升新质生产力水平；相比之下，产销平衡区受限于资源禀赋不足与产业动能较弱，在科技投入与产业升级方面进展相对滞后，因此新质生产力水平显著低于主产区和主销区。

3.2　农业新质生产力驱动因素的多维透视

3.2.1　相关性网络的结构特征

通过皮尔逊相关分析发现，部分指标与农业新质生产力之间存在显著关联性。农业科技活动人员数（r=0.92）、农业科技活动经费（r=0.91）及网络普及率（r=0.84）构成核心驱动层，呈现出“创新-数字”双轮驱动的特征，为农业新质生产力提供了核心动力机制。其中，科技人力与经费投入是创新活动的根基，网络普及则显著推动了农业数字化进程。农业机械化水平（r=0.64）与森林覆盖率（r=0.42）共同组成支撑层，体现了生态保护与农业生产之间的协同效应：机械化直接提升作业效率，森林覆盖为农业系统提供生态保障。单位农药消耗量（r=-0.42）、单位化肥消耗量（r=-0.25）和单位农膜消耗量（r=-0.25）处于约束层，反映出传统要素投入已呈现边际效益递减甚至为负的特征。农民可支配收入（r=0.30）与新质生产力呈正相关，表明农村人力资本积累对生产力提升具有积极作用。

值得注意的是，农业产出率（r=-0.02）与新质生产力呈微弱负相关，与理论预期不符。导致这一结果的可能原因如下：首先，统计口径层面，农业产出统计中“总产值”与“增加值”的涵盖范畴、时间尺度存在差异，且中间投入的核算未充分剥离传统要素与创新要素的贡献占比，进而可能导致相关系数出现偏差；其次，发展模式张力层面，当前部分地区农业产值增长仍未完全摆脱对传统粗放式要素投入（如化肥、农药、农膜的增量投放）的依赖，而农业新质生产力的核心导向是质量效益提升、绿色可持续性与技术创新赋能，这种“数量型增长”与“质效型升级”的内在张力，可能导致以产值为基础的农业产出率与新质生产力呈现弱负相关；最后，评价体系导向层面，本研究构建的评价体系虽包含农业产出相关指标，但更侧重科技创新投入（如科技人员数量、研发经费强度）、数字基建布局（网络普及率）、绿色转型成效（单位资源消耗量）等投入端与过程性指标，对产出效率的直接度量（如全要素生产率、农产品价值增值效率）相对不足，导致农业产出率这一偏“数量导向”的指标与新质生产力的“质效导向”未能形成预期的正向关联，反而因传统产出模式与新质生产力发展路径的差异，呈现微弱负相关。

3.2.2　随机森林模型的深度解析

首先，采用网格搜索法对随机森林模型进行超参数寻优，最终确定的最优参数组合为：决策树最大深度（max_depth）为10，最大特征选取比例（max_features）为0.7，叶子节点最少样本数（min_samples_leaf）为1，节点分裂所需最少样本数（min_samples_split）为2，森林中决策树的数量（n_estimators）为200。

在最优超参数组合下，模型在训练集上拟合优度极高（R²=0.995 8），测试集上R²也达到0.977 2，同时训练集与测试集的均方根误差（RMSE）分别低至0.008 4和0.019 6。以上结果表明，该模型不仅对训练数据具有极强的解释能力，同时具备出色的泛化性能，预测精度高且稳定性良好。

为进一步探究不同样本规模下模型的泛化能力与收敛特性，本研究引入学习曲线进行动态性能分析。该曲线通过可视化训练集与测试集的性能指标（如决定系数R²与RMSE）随训练样本量增加的变化趋势，可有效识别模型是否存在过拟合，并评估已有数据规模对模型训练需求的满足程度，分析结果见表3和图3。结果表明，当训练样本量>126个时，测试集R²始终>0.95，表明模型性能趋于饱和，不再随样本量增加而发生显著变化。这说明当前样本规模已能够充分满足模型训练需求，模型已达到收敛状态，其性能表现具有较好的可靠性与稳定性。

基于SHAP值的特征归因分析，本研究进一步量化了各特征变量对农业新质生产力预测结果的边际贡献，分析结果见图4。可知：农业科技活动人员数（SHAP=0.065 7）、农业科技活动经费（SHAP=0.031 3）、森林覆盖率（SHAP=0.014 4）及网络普及率（SHAP=0.011 5）是农业新质生产力的关键驱动因素，其SHAP值累计贡献占总解释力的62.3%，表明这些变量在模型预测中起主导作用。

从正向驱动效应来看，农业科技活动人员数的SHAP值最为显著，表明在其他变量保持不变的条件下，科技人员数量每增加1%，平均可推动农业新质生产力水平提升0.065 7个单位。该结果支持了“人才是核心资源”的理论观点，进一步证实科技创新人才在农业现代化进程中发挥着核心驱动作用。农业科技活动经费的边际贡献居于次要地位，凸显出持续而稳定的研发资金投入对技术开发与成果转化具有不可替代的支撑功能。森林覆盖率作为生态环境质量的代表性指标，其显著的正向效应反映出绿色生态与农业生产力之间存在协同促进机制。网络普及率的显著贡献则进一步证实了数字技术在推动农业生产方式革新方面的赋能价值。

相比之下，在负向抑制效应中，单位农药消耗量（SHAP=-0.003 1）表现出最强的抑制作用，表明农药施用强度的降低对农业新质生产力提升具有直接促进作用。这一发现与农业绿色低碳转型的战略导向相一致，也为推行化肥农药减量增效政策提供了实证支持与量化依据。单位化肥消耗量（SHAP=-0.000 7）与单位农膜消耗量（SHAP=-0.001 5）同样呈现显著的负向边际效应，进一步印证了传统高投入农业生产模式所面临的边际效益递减问题，凸显出从依赖要素扩张转向资源节约型、环境友好型发展模式的迫切性与必要性。

4　农业新质生产力动态演变

4.1　随机森林模型的建立与评估

采用随机森林模型，对农业新质生产力的动态演化过程进行模拟与预测分析。在模型构建过程中，通过多轮交叉验证与参数敏感性分析，确定了最优超参数组合：叶子节点最小样本数（min_samples_leaf）为1，节点分裂所需最小样本数（min_samples_split）为5，决策树数量（n_estimators）为100。

在此基础上，采用交叉验证与学习曲线分析相结合的方法，对随机森林模型的拟合优度及泛化能力进行系统评估。结果显示，模型均方误差（MSE）为0.001 5，预测值与实际值偏差较小，拟合效果优异；RMSE均值为0.036 2，整体预测精度较高；RMSE标准差为0.015 1，模型在不同验证子集上的误差波动较小，性能稳定；RMSE在95%置信水平下的区间为［0.005 9，0.066 5］，波动范围相对集中，进一步表明模型具有良好的泛化稳定性。综合各项指标，该模型在交叉验证中表现出较高的预测精度、稳定性与泛化一致性。

由图5所示的随机森林模型学习曲线可知，随着训练样本数增加，模型训练集与测试集RMSE均呈下降并趋于收敛的趋势。训练误差稳定在较低水平，测试误差同步下降且无明显反弹，两者差距始终保持稳定，表明模型未出现过拟合问题，泛化性能良好。综上所述，该模型表现出可靠的预测稳定性与泛化一致性，预测结果具备较高的可信度。

4.2　全国农业新质生产力水平的时间演变趋势

由图6所示全国农业新质生产力水平历史及预测趋势可知，2013—2023年，该指标总体呈现波动上升、长期向好的态势，由期初的0.345 0稳步提升至0.378 5，累计增幅达9.65%。

分阶段来看，2013—2018年处于快速增长阶段，年均增长率达1.67%。这一时期恰与农业供给侧结构性改革政策的初期实施阶段相吻合，制度红利的集中释放显著提高了农业科技研发投入，科研项目也高度聚焦于农业生产效率提升与农产品质量改进等关键领域。典型案例包括农作物种植技术的系统性创新与高效节水灌溉体系的研发应用，这些举措不仅大幅提高了水资源利用效率，还有效控制了病虫害发生，共同构成了该时期农业新质生产力跃升的核心驱动机制。

然而，2018年之后增速呈现显著放缓趋势，年均增长率下降至0.18%。这一转变主要源于双重因素的制约：一方面，前期技术推广与应用遭遇边际效应，传统农业科技的提质增效空间逐渐收窄；另一方面，2020—2021年的疫情冲击也对农业产业链造成了短期扰动，导致指标出现阶段性回调。

基于上述已完成参数优化与训练的随机森林模型，融合长时序历史数据，对全国农业新质生产力水平开展了预测分析。预测结果显示，2024—2026年全国农业新质生产力平均水平将保持稳健增长，由2024年的0.393 4逐步提升至2025年的0.399 5，并在2026年达到0.404 2，整体呈现平稳向好的发展趋势。该结果反映出农业新质生产力在未来一段时期内仍具备持续增长潜力。然而，结合前期增速已呈放缓态势以及当前仍面临显著的技术瓶颈与资源环境约束，预计未来增长速率将趋于中低位区间。为实现农业新质生产力的跨越式发展，亟待突破农业生物技术、智能农机装备等关键核心技术，并积极推进制度创新与政策体系优化，以重构农业发展动能，释放持续增长潜力。

4.3　三大农业功能区农业新质生产力水平的时空分布特征

4.3.1　三大农业功能区农业新质生产力水平的增长差异

为对比不同农业功能区农业新质生产力的演变特征，本研究绘制了三大功能区历年农业新质生产力水平变化趋势对比图，结果如图7所示。可知：作为我国粮食生产的核心区域，主产区农业新质生产力水平保持在三大功能区中的领先地位，体现出其在规模化经营与农业基础设施方面的显著优势。然而，2013—2023年该区域增长率仅为3.66%，整体增速较为缓慢，反映出其进一步发展面临持续性挑战；2013—2023年，主销区的农业新质生产力年均增长缓慢，10年累计增长率仅为2.24%，整体增速处于较低水平；2013—2023年，产销平衡区的农业新质生产力实现显著提升，其水平由0.224 2稳步增长至0.298 0，累计增幅达32.94%。该增速显著超越主产区与主销区，表明产销平衡区已成为农业新质生产力增长的重要引领区域。

整体来看，三大农业功能分区在农业新质生产力平均水平上呈现出显著的梯次差异：主产区凭借其资源与基础设施优势始终保持领先地位，主销区次之，而产销平衡区则发展水平相对滞后。

在此基础上，本研究进一步运用经训练与验证的随机森林模型，分别对主产区、主销区及产销平衡区的农业新质生产力发展趋势开展分区预测分析。

由表4的预测结果可知，在预测期内，主产区的农业新质生产力水平仍持续领先，2026年预测值达到0.460 8；产销平衡区虽增速有所放缓，但与主产区之间的差距正逐步收窄，2026年预测值为0.353 3；主销区则增长相对停滞，同年预测值为0.378 3。显然，三大功能区的农业新质生产力水平在未来发展态势上存在显著差异。

4.3.2　三大农业功能区农业新质生产力水平的空间自相关性分化

2023年主产区农业新质生产力水平的全局空间自相关分析结果见图8。可知：全局莫兰指数为0.059 2（P=0.186 0），在0.05的显著性水平下，该结果未通过显著性检验，表明主产区农业新质生产力水平未形成显著的空间集聚模式，其空间分布趋于随机。这一特征可能与主产区长期遵循“粮食安全优先”的发展导向密切相关：各省农业政策高度聚焦于保障本地粮食产量，在农业技术研发与推广方面也主要服务于区域内需求，跨省域的协同创新与技术扩散机制尚不健全，从而削弱了区域间空间关联强度。

2023年主销区农业新质生产力水平的全局空间自相关分析结果见图9。可知：全局莫兰指数为-0.057 1（P=0.2780），在0.05的显著性水平下，该结果未通过显著性检验，表明主销区农业新质生产力未表现出显著的空间自相关特征，空间分布呈现随机性格局。这一现象与主销区内农业功能的高度异质性密切相关：不同省市的农业发展方向存在显著差异，例如广东省以果蔬生产为重点，海南省则集中于热带作物，导致区域农业结构呈现明显的碎片化特征。这种功能分散性在一定程度上阻碍了跨区域农业协同规划与一体化机制的形成，削弱了空间联动效应，因此未能产生显著的空间集聚或依赖特征。

2023年产销平衡区农业新质生产力水平的空间自相关分析结果见图10。可知：全局莫兰指数为0.479 6（P=0.012），在0.05的显著性水平上通过检验，说明该区域农业新质生产力存在显著的正向空间自相关，呈现空间集聚特征。进一步分析发现，区域协同机制是形成该格局的重要驱动因素。具体而言，新疆与宁夏通过建立节水农业技术研发与推广联盟，实现了科研合作与关键技术共享，显著提高了农业水资源利用效率，为生产力提升提供了技术支撑；陕甘地区则通过跨区域联合建设特色农产品产业带，整合种植、加工与销售全产业链资源，形成协同发展格局，增强了产业竞争力与区域农业新质生产力的空间联动性。上述协同实践有效促进了技术溢出和资源优化配置，共同推动了产销平衡区农业新质生产力的集聚化发展。

5　结论与建议

5.1　结论

本研究首先系统阐释了农业新质生产力的理论内涵，重构了其综合评价指标体系，并运用熵值法对我国全域及三大农业功能区的农业新质生产力发展水平进行了测度。在此基础上，采用方差分析识别农业新质生产力的区域分异特征，并运用皮尔逊相关分析初步探讨其驱动因素。随后，进一步构建并优化随机森林模型，引入SHAP值进行可解释性分析，深入揭示了不同功能区农业新质生产力发展的关键驱动因素及其作用机制。最后，基于训练完备的模型，系统模拟并刻画了全域及各功能区农业新质生产力的时空动态演变规律。研究主要结论如下：

1）全国农业新质生产力水平整体呈现非均衡发展态势，但区域间差距趋于收敛。与此同时，考察期内其发展水平总体呈上升趋势，但增长过程受政策调整、技术迭代与疫情冲击交织影响，呈现阶段性波动特征。从粮食安全保障功能分区视角观察，三类区域发展水平梯度差异显著，呈现主产区>主销区>产销平衡区的格局，深刻反映了农业资源要素区域配置异质性对农业新质生产力的基础性制约。功能区比较进一步显示：主产区依托资源规模与政策聚焦持续领先，主销区凭借经济实力与市场需求维持中位水平，产销平衡区受限于基础条件与投入能力发展相对滞后；三类区域层级结构在动态演进中保持相对稳定。

2）从驱动三类农业功能分区农业新质生产力系统性差异的关键因素来看，农业科技活动人员数、农业科技活动经费及网络普及率构成核心正向驱动要素；单位农药、化肥及农膜消耗量则呈现显著负向关联。这表明科技创新与数字赋能发挥关键促进作用，而高资源消耗型生产模式形成发展约束。

3）从空间关联性来看，农业新质生产力的空间依赖性呈现显著分区异质性。空间统计分析表明：产销平衡区表现出显著正向空间自相关（I>0），其相邻单元发展水平呈现集聚特征；而主产区与主销区空间依赖性不显著，发展动能呈现离散化分布态势。这一格局印证了不同功能区增长驱动机制的深层差异：产销平衡区发展受邻近区域溢出效应主导，主产区与主销区则更多依赖内生性增长要素。

5.2　建议

根据农业新质生产力发展规律，优化发展路径需聚焦三大方向：一是强化要素适配与区域协同，破解非均衡发展约束；二是深化科技创新与绿色转型，重塑核心驱动机制；三是构建功能区差异化空间治理体系。据此提出如下建议：

1）精准配置农业要素资源。破解“资源-功能”错配矛盾需紧扣“技术、资本、生态”三大核心要素。技术要素方面，按功能区设立专项农业科创基金，主产区侧重智慧农机、规模化种植技术研发，主销区聚焦数字农业技术创新，产销平衡区倾向跨区域适配技术攻关；搭建“农科教+功能区”融合平台，定向培育各区域紧缺农技人才，组建跨功能区“农科人才共享联盟”，促进核心技术人才流动；分层推进数字基建下沉覆盖，主产区重点覆盖产粮大县，主销区完善农产品冷链物流物联网，产销平衡区优先打通空间集聚区域网络通道，保障技术与数据流通。资本要素方面，建立财政补贴与绿色信贷联动机制，对各功能区重点农业创新项目给予信贷倾斜；探索功能区特色碳汇交易模式，引导社会资本投向节水灌溉、精准施肥等绿色技术。生态要素方面，严格实施“单位面积农膜/化肥/农药强度”红线管控，为各功能区设定合理的逐年减量目标；产销平衡区推广有机肥替代补贴，主产区试点耕地质量保护补偿制度，将地力提升纳入政策考核。

2）强化科技创新与绿色转型。聚焦“科技赋能”和“绿色低碳”双核心，重塑农业新质生产力驱动机制。构建农业科技人才专项激励体系，主产区对基层农技人才给予县域扎根专项激励，主销区对数字农业核心人才给予成果转化激励，产销平衡区为返乡农技人才提供创业支持。将研发经费投入强度纳入地方农业高质量发展考核核心指标，推进农村网络提质升级，保障各区域网络覆盖与使用效能。全面推广测土配方施肥、生物防治、农膜回收利用等绿色技术，主产区推广规模化绿色种养模式，主销区发展低碳设施农业，产销平衡区探索生态循环农业。将单位面积资源消耗强度与农业补贴挂钩，对低耗高效生产主体给予税收减免、信贷优惠等政策，倒逼高资源消耗型生产模式转型。

3）构建功能区差异化跃升路径。针对梯度格局与驱动机制异质性，实施分区精准施策：主产区立足规模优势，聚焦“技术集约化”：依托高标准农田建设，重点建设智慧农业示范园，推广北斗导航播种、无人机植保等智慧农艺；在核心产区设立区域性种业实验室，强化生物育种核心技术攻关；推动“粮头食尾”全产业链开发，支持粮食精深加工产业发展。主销区发挥市场枢纽功能，突出“数字赋能”：在核心城市周边布局区域性农产品电商云仓，为中小农户提供仓储便利；发展订单农业与定制农场，搭建“农消直连”平台；打造农业AI决策服务平台，为种植户提供免费精准种植方案。产销平衡区强化空间溢出承接，着力“绿色转型”：在空间集聚区设立生态农业示范区，推广“稻渔共作”“林药间种”等循环模式；建立跨县域技术扩散网络，选派科技特派团驻点破解技术梗阻；探索“飞地经济”合作机制，规划建设农产品加工产业园，承接主产区加工产能外溢，培育区域农业经济增长极。

参考文献

[1] 国务院. 2024年政府工作报告［EB/OL］. ［--］.

[2] council State. Report on the work of the government （2024） ［EB/OL］. ［--］. in Chinese）

[3] 中共中央， 国务院. 中共中央 国务院关于进一步深化农村改革扎实推进乡村全面振兴的意见［EB/OL］. ［--］.

[4] Central committee of the Communist Party of China， council State. Opinions of the Central Committee of the Communist Party of China and the State Council on further deepening rural reform and solidly advancing the comprehensive revitalization of rural areas ［EB/OL］. ［--］. in Chinese）

[5] 新华社. 中共中央 国务院印发《加快建设农业强国规划（2024-2035年）》［EB/OL］. ［--］.

[6] Xinhua news agency. The central committee of the communist party of China and the state council issue the “Plan for accelerating the building of an agricultural powerhouse （2024-2035）”［EB/OL］. ［--］. in Chinese）

[7] 朱迪， 叶林祥. 中国农业新质生产力： 水平测度与动态演变［J］. 统计与决策， 2024， 40（9）： 24-30

[8] Zhu D， Ye L X. Agricultural new quality productive force in China： Level measurement and dynamic evolution［J］. Statistics and Decision， 2024， 40（9）：24-30 （in Chinese）

[9] 沈坤荣， 金童谣. 以农村全面深化改革发展农业新质生产力［J］. 河北学刊， 2024， 44（6）： 142-154

[10] Shen K R， Jin T Y. Developing new quality agricultural productive forces with comprehensive rural reforms［J］. Hebei Academic Journal， 2024， 44（6）： 142-154 （in Chinese）

[11] 罗光强， 宋新宇. 中国农业新质生产力： 生成机理、时空特征与区域差异［J］. 中国农业资源与区划， 2025， 46（6）： 138-150

[12] Luo G Q， Song X Y. The production mechanisms， spatial and temporal characteristics， and regional differences of agricultural new quality productivity in China ［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2025， 46（6）： 138-150 （in Chinese）

[13] 樊胜根， 龙文进， 孟婷. 加快形成农业新质生产力引领农业强国建设［J］. 中国农业大学学报： 社会科学版， 2025， 42（2）： 168-182

[14] Fan S G， Long W J， Meng T. Accelerating new quality agricultural productive forces to build up China’s Strength in Agriculture ［J］. Journal of China Agricultural University： Social Sciences， 2025， 42（2）： 168-182 （in Chinese）

[15] 贾康， 郭起瑞. 数字普惠金融对农业新质生产力的影响研究［J］. 华中师范大学学报： 人文社会科学版， 2024， 63（4）： 1-13

[16] Jia K， Guo Q R. A study on the impact of digital inclusive finance on new agricultural productive forces［J］. Journal of Central China Normal University： Humanities and Social Sciences， 2024， 63（4）： 1-13 （in Chinese）

[17] 卢江， 郭子昂， 王煜萍. 新质生产力发展水平、区域差异与提升路径［J］. 重庆大学学报： 社会科学版， 2024， 30（3）： 1-17

[18] Lu J， Guo Z A， Wang Y P. Levels of development of new quality productivity， regional differences and paths to enhancement［J］. Journal of Chongqing University： Social Science Edition， 2024， 30（3）： 1-17 （in Chinese）

[19] 宋振江， 冷明妮， 周波， 高雪萍. 中国农业新质生产力： 评价体系构建、动态演进及政策启示［J］. 农林经济管理学报， 2024， 23（4）： 425-434

[20] Song Z J， Leng M N， Zhou B， Gao X P. New quality agricultural productive forces in China： Evaluation system construction， dynamic evolution and policy implications ［J］. Journal of Agro-Forestry Economics and Management， 2024， 23（4）： 425-434 （in Chinese）

[21] 王丽双， 傅新红， 蒋浩， 杨锦秀. 农业新质生产力的水平测度与时空演变特征［J］. 科技管理研究， 2025， 45（9）： 55-63

[22] Wang L S， Fu X H， Jiang H， Yang J X. The horizontal measurement and spatio-temporal evolution characteristics of agricultural new quality productivity［J］. Science and Technology Management Research， 2025， 45（9）： 55-63 （in Chinese）

[23] 宁健康， 王贵荣， 孟晓娴， 张谦. 我国农业新质生产力： 统计测度与时空演进［J］. 调研世界， 2025（7）： 26-39

[24] Ning J K， Wang G R， Meng X X， Zhang Q. Agricultural new-quality productivity in China： Statistical measurement and spatial-temporal evolution ［J］. The World of Survey and Research， 2025（7）： 26-39 （in Chinese）

[25] 张哲， 李季刚， 汤努尔· 哈力克. 中国新质生产力发展水平测度与时空演进［J］. 统计与决策， 2024， 40（9）： 18-23

[26] Zhang Z， Li J G， Tangnur H. Measurement and spatiotemporal evolution of the development level of China’s new quality productive forces ［J］. Statistics and Decision， 2024， 40（9）： 18-23 （in Chinese）

[27] 姜彦坤. 粮食主产区农业新质生产力： 水平测度、区域差异及障碍诊断［J］. 湖北社会科学， 2024（5）： 97-106

[28] Jiang Y K. New agricultural productivity in major grain-producing areas： level measurement， regional differences， and obstacle diagnosis ［J］. Hubei Social Sciences， 2024（5）： 97-106 （in Chinese）

[29] 魏后凯， 吴广昊. 以新质生产力引领现代化大农业发展［J］. 改革， 2024（5）： 1-11

[30] Wei H K， Wu G H. Leading the development of modern agriculture with new quality productivity forces［J］. Reform， 2024（5）： 1-11 （in Chinese）

[31] 黄先海， 黄雨晗， 虞柳明. 人工智能赋能农业新质生产力： 实现逻辑、运行机制与跃升路径［J］. 中国农村经济， 2025（7）： 3-22

[32] Huang X H， Huang Y H， Yu L M. Artificial intelligence empowers new quality productive forces in agriculture： Realization logic， operation mechanism， and leapfrog path ［J］. Chinese Rural Economy， 2025（7）： 3-22 （in Chinese）

[33] 尤亮， 田祥宇. 农业新质生产力： 现实逻辑、内涵解析与生成机理［J］. 经济问题， 2024（6）： 27-35

[34] You L， Tian X Y. New quality agricultural productive force： Realistic logic， connotation analysis and generation mechanism ［J］. Economic Problems， 2024（6）： 27-35 （in Chinese）

[35] 孔祥智， 谢东东. 农业新质生产力的理论内涵、主要特征与培育路径［J］. 中国农业大学学报： 社会科学版， 2024， 41（4）： 29-40

[36] Kong X Z， Xie D D. The theoretical connotation， main characteristics and development path of new quality agricultural productive forces［J］. Journal of China Agricultural University： Social Sciences， 2024， 41（4）： 29-40 （in Chinese）

[37] 蔡昉. 以劳动生产率为抓手推进农业农村现代化［J］. 中国农村经济， 2024（7）： 2-15

[38] Cai F. Using labor productivity as a lever to promote agricultural and rural modernization［J］. Chinese Rural Economy， 2024（7）： 2-15 （in Chinese）

[39] 姚毓春. 以新质生产力引领农业强国建设： 内在要求与实现路径［J］. 人民论坛·学术前沿， 2024（10）： 40-46

[40] Yao Y C. Leading the construction of agricultural powerful country with new quality productive forces： Requirements and path［J］. People’s Tribune： Frontiers， 2024（10）： 40-46 （in Chinese）

[41] 谭淑豪. 以新质生产力拓展农业多功能性［J］. 人民论坛·学术前沿， 2024（10）： 86-93

[42] Tan S H. Expanding agricultural multi-functionality with new quality productive forces［J］. People’s Tribune： Frontiers， 2024（10）： 86-93 （in Chinese）

[43] 宋宪萍. 从赋能到使能： 人工智能驱动下的未来产业培育［J］. 人民论坛·学术前沿， 2024（12）： 80-89

[44] Song X P. From empowering to enabling： Cultivating AI-driven future industries ［J］. People’s Tribune： Frontiers， 2024（12）： 80-89 （in Chinese）

[45] 马晓河， 杨祥雪. 以加快形成新质生产力推动农业高质量发展［J］. 农业经济问题， 2024（4）： 4-12

[46] Ma X H， Yang X X. Promoting high-quality agricultural development by accelerating the formation of new quality productivity［J］. Issues in Agricultural Economy， 2024（4）： 4-12 （in Chinese）

[47] 中华人民共和国国家统计局. 中国农村统计年鉴［M］. 北京： 中国统计出版社， 2013—2023

[48] National Bureau of Statistics of the People’s Republic of China. China Rural Statistical Yearbook ［M］. Beijing： China Statistics Press， 2013-2023 （in Chinese）

[49] 国家统计局社会科技和文化产业统计司， 科学技术部创新发展司. 中国科技统计年鉴［M］. 北京： 中国统计出版社， 2013—2023

[50] Department of Social， Science， Technology and Cultural Industry Statistics， National Bureau of Statistics； Department of Innovation and Development， Ministry of Science and Technology. China Science and Technology Statistical Yearbook［M］. Beijing： China Statistics Press， 2013-2023 （in Chinese）

[51] 国家统计局人口和就业统计司. 中国人口和就业统计年鉴［M］. 北京： 中国统计出版社， 2013—2023

[52] Department of Population and Employment Statistics， National Bureau of Statistics. China Population and Employment Statistics Yearbook ［M］. Beijing： China Statistics Press， 2013-2023 （in Chinese）

[53] 中国绿色食品发展中心. 绿色食品统计年报［M］. 北京： 中国农业出版社， 2013—2023

[54] China Green Food Development Center. Green Food Statistical Yearbook［M］. Beijing： China Agriculture Press， 2013-2023 （in Chinese）

[55] 傅莺莺， 田振坤， 李裕梅. 方差分析的回归解读与假设检验［J］. 统计与决策， 2019， 35（8）： 77-80

[56] Fu Y Y， Tian Z K， Li Y M. Regression interpretation and hypothesis testing of analysis of variance［J］. Statistics and Decision， 2019， 35（8）： 77-80 （in Chinese）

[57] 程娟娟. 高校科研与教学关系实证研究： 基于皮尔逊相关系数的分析［J］. 中国高校科技， 2022（10）： 46-52

[58] Cheng J J. An empirical study on the relationship between scientific research and teaching in colleges and universities： Analysis based on Pearson correlation coefficient［J］. Chinese University Science & Technology， 2022（10）： 46-52 （in Chinese）

[59] 陈明圣， 洪小燕， 彭清霞， 林文雄， 苏凯.基于网格搜索-随机森林算法的农业碳足迹水平及其影响因素： 以福建省为例［J］. 生态学报， 2025， 45（14）： 6871-6885

[60] Chen M S， Hong X Y， Peng Q X， Lin W X， Su K. Agricultural carbon footprint evaluation and its influencing factors based on grid search-random forest algorithm： Taking Fujian Province as an example ［J］. Acta Ecologica Sinica， 2025， 45（14）： 6871-6885 （in Chinese）

[61] 冯德成， 吴刚. 混凝土结构基本性能的可解释机器学习建模方法［J］. 建筑结构学报， 2022， 43（4）： 228-238

[62] Feng D C， Wu G. Interpretable machine learning-based modeling approach for fundamental properties of concrete structures［J］. Journal of Building Structures， 2022， 43（4）： 228-238 （in Chinese）

基金资助

教育部人文社会科学研究规划基金项目(24YJAZH147)

山东省社会科学规划研究一般项目(24CJJJ13)

青岛市哲学社会科学规划研究项目(QDSKL2401143)