人工智能使用对农户耕地利用绿色转型的影响

Impact of artificial intelligence adoption on the green transformation of farmers’ farmland utilization

摘要

为厘清人工智能使用对农户耕地利用绿色转型的影响，基于西南财经大学中国家庭金融调查（CHFS）2023年数据，采用Probit模型系统考察人工智能使用对农户施用有机肥的影响效应与作用机制。结果表明：1）人工智能显著促进农户耕地利用绿色转型，基准回归显示使用人工智能辅助决策的农户采纳有机肥的概率提高14.5%，该结果经替换被解释变量、改变聚类标准误和工具变量估计后依然稳健。2）机制检验表明人工智能通过2条路径发挥作用：一是削弱农户时间偏好，将远期收益可视化以降低贴现率；二是提升农业信贷可得性，缓解绿色生产的资金约束。3）异质性分析揭示人工智能在技术培训薄弱地区和距离农事服务中心较远的农户中边际效应更强，表明其能够有效弥补传统农业技术推广服务的不足。本研究为理解数字技术赋能农业绿色转型提供了微观证据，政策上应优先在农技推广薄弱地区推动人工智能应用，并注重发挥其改善农户时间偏好和信贷约束的机制作用。

Abstract

To clarify how artificial intelligence （AI） adoption shapes the green transition in farmland utilization， based on the 2023 China Household Finance Survey （CHFS） conducted by Southwestern University of Finance and Economics， this study employs a Probit model to empirically investigate the impact and transmission mechanisms of AI on farmer organic fertilizer adoption. The findings are as follows： 1） AI significantly promotes the green transformation of farmland utilization. Baseline regression results show that： Farmers using AI-assisted decision-making exhibit a 14.5% higher probability of adopting organic fertilizer. This conclusion remains robust after replacing the dependent variable， altering clustered standard errors， and employing instrumental variable estimation. 2） Mechanism analysis reveals that AI operates through two pathways： first， by mitigating farmers’ time preferences through the visualization of long-term benefits， thereby reducing discount rates； second， by enhancing the accessibility of agricultural credit， alleviating financial constraints associated with green production. 3） Heterogeneity analysis indicates that AI exhibits stronger marginal effects among farmers in regions with weak technical training infrastructure and those located far from agricultural service centers， suggesting its potential to compensate for deficiencies in traditional agricultural extension services. This study provides micro-level evidence for understanding how digital technologies empower agricultural green transformation. From a policy perspective， priority should be given to promoting AI applications in regions with weak agricultural extension services， with emphasis on leveraging its mechanisms to improve farmers’ time preferences and credit constraints.

Graphical abstract

关键词

人工智能 / 耕地利用绿色转型 / 有机肥施用 / 时间偏好 / 农业信贷 / 中国家庭金融调查

Key words

artificial intelligence / green transformation of farmland utilization / organic fertilizer adoption / time preference / agricultural credit / China Household Finance Survey （CHFS）

我国高度重视“人工智能+”行动，尤其注重推动人工智能与农业深度融合。2025年国务院印发《关于深入实施“人工智能+”行动的意见》^［1］，明确提出“加强人工智能在农业生产管理、风险防范等领域应用，帮助农民提升生产经营能力和水平”。2026年中央一号文件强调“促进人工智能与农业发展相结合” “加强耕地保护和质量提升”^［2］。2026年5月国务院印发《加快农业农村现代化“十五五”规划》^［3］，进一步明确提出开展“‘人工智能+’农业行动” “提升耕地有机质含量”。这些政策部署表明，推动人工智能与农业绿色发展深度融合已成为国家战略层面的重要着力点。

尽管政策层面对人工智能赋能农业寄予厚望，但从现实来看，人工智能助力耕地利用绿色转型尚处于探索阶段，面临诸多现实挑战。一方面，当前我国农户层面人工智能使用率极低，本研究所使用的2023年中国家庭金融调查数据显示，仅有1.6%的农户在农业生产经营中使用人工智能辅助决策，技术普及远未形成规模效应；另一方面，人工智能的高技术门槛与初期投入成本，可能加剧小农户与规模经营主体之间的“数字鸿沟”，部分农户对人工智能建议的信任度不足，且缺乏配套的数据基础设施与后续服务支持。这些现实问题使得人工智能究竟能否以及如何促进农户绿色转型，成为一个亟需实证回答的学术问题，也构成了本研究的核心出发点。

当前我国耕地利用绿色转型仍面临瓶颈。尽管中央政府持续出台化肥减量增效、有机肥替代化肥等扶持政策，农户有机肥采纳率依然偏低，化肥过量施用、土壤板结、面源污染等问题尚未得到根本性扭转。数据显示，2022年我国单位耕地面积化肥施用量为美国的2倍^［4］，这一困境反映出传统农业技术推广模式在微观主体行为干预层面的局限，农户决策受制于信息不对称、认知偏差与风险规避倾向，绿色生产的内生动力尚未充分激活。已有围绕降低农户化肥施用量的研究主要聚焦于以下2个方面：一是在农户方面，研究产权契约稳定性^［5-6］、经营规模^［7-8］、农户风险感知^［9-10］、农户收入水平^［11］等的减量影响；二是在组织方面，研究信息对称性^［12-13］、加入农业组织^［14-15］、技术推广^［16］等的减量影响。已有研究普遍强调传统要素（如产权、规模、组织、推广）对化肥减量的影响，相对忽略人工智能这一特定数字技术在影响农户化肥施用选择中的作用，Zhang等^［17］和吴华瑞等^［18］虽提出人工智能能够通过模型为小农户提供定制化施肥建议，有效弥补科技成果与实地应用之间的断层，但其中的微观行为机制尚未得到清晰阐释。人工智能对农户耕地利用行为的改变并非线性发生，而是一个复杂过程。人工智能的高技术门槛与高初期投入，可能加剧不同农户群体之间的“数字鸿沟”，规模经营主体更容易获取技术红利，而小农户则面临边缘化风险；人工智能建议与农户经验可能发生冲突，技术信任的建立需要时间。更重要的是，人工智能技术与农户长期经验之间，将发生怎样的碰撞与融合？这种碰撞又将如何影响耕地利用的绿色转型路径？这些问题，尚缺乏系统的实证回答。

基于此，本研究利用农户微观调查数据，以“是否使用人工智能辅助决策”为核心解释变量，以“是否施用有机肥”为被解释变量，系统考察人工智能使用对农户耕地利用绿色转型的影响效应与作用机制。相较于已有研究，本研究的边际贡献体现在以下3个方面：第一，从“技术改变行为”的理论视角切入，系统检验人工智能辅助决策通过“时间偏好修正”和“信贷约束缓解”2条路径影响农户有机肥施用的内在机制，而非仅仅验证平均效应。第二，聚焦有机肥施用这一具有长期生态效益与短期经济约束的典型绿色行为，为理解人工智能如何平衡绿色与发展的双重目标提供经验证据。第三，关注小农户在人工智能时代的适应性问题，探讨技术赋能与技术排斥的边界条件，为完善面向小农户的智慧农业政策体系提供决策参考。

1　理论分析与研究假说

1.1　人工智能对耕地利用绿色转型的直接影响

农户是否采纳有机肥，本质上是在有限理性约束下的跨期技术采纳决策^［19］。根据前景理论^［20］，农户面对有机肥“成本当期、收益远期”的特征时，会因损失厌恶与现状偏见而高估短期投入、低估长期收益，从而维持化肥施用的现状均衡。同时，受限于信息搜寻能力与认知资源，农户对有机肥的土壤改良效应处于“模糊厌恶”状态，难以形成稳定的收益预期。人工智能辅助决策的介入，并非简单提供信息，而是作为决策支持系统修正上述行为偏差：一是通过土壤大数据与作物模拟将远期收益可视化，降低跨期决策的心理成本；二是通过个性化配施方案将模糊的技术知识转化为可操作的量化指令，拓展农户理性决策边界；三是通过即时反馈机制重塑农户的风险感知，使其从“损失框架”转向“收益框架”。由此，人工智能推动农户从经验驱动的短视均衡，向数据驱动的绿色技术采纳均衡跃迁。基于此，提出假说1：

H1：农户使用人工智能辅助决策对耕地利用绿色转型具有显著的正向影响。

1.2　人工智能对耕地利用绿色转型的间接影响

1.2.1　人工智能通过农户时间偏好影响耕地利用绿色转型

时间偏好是行为经济学解释农户绿色技术采纳不足的核心变量^［21］。在跨期选择框架下，农户对有机肥的抵制源于现时偏向偏好与双曲线贴现，当期施肥成本被充分感知，而土壤改良的远期收益因心理距离遥远而被过度贴现。人工智能通过“未来收益可视化”机制，本质上是将远期收益从抽象的心理账户中提取出来，以量化图表形式纳入当期决策参照系，从而压缩心理距离、降低有效贴现率，修正时间不一致偏好。此外，人工智能的情景模拟功能降低了农户对未来收益的不确定性感知，根据前景理论，不确定性的下降会减弱损失厌恶程度，进一步提升农户对长期投资的意愿。基于此，提出假说2：

H2：人工智能通过削弱农户的时间偏好间接促进耕地利用绿色转型。

1.2.2　人工智能通过农业信贷影响耕地利用绿色转型

绿色技术采纳不仅受心理偏好约束，还面临严峻的流动性约束与信贷配给。在信息不对称条件下，金融机构难以观测农户的真实生产能力与道德风险行为，导致农业信贷市场存在普遍的供给端配给不足^［22］。即使农户愿意支付更高利率，仍无法获得足额贷款。人工智能在农户生产经营中的嵌入，客观上生成了生产过程的“数字足迹”，例如，土壤信息、投入产出记录、生产过程数据，这些结构化数据降低了农户与金融机构之间的信息不对称程度，缓解了逆向选择与道德风险，从而缓解信贷配给约束。从需求端看，人工智能对有机肥长期效益的揭示，激活了农户被压抑的绿色信贷需求，使其从“无需求”或“自我配给”状态进入正规金融市场。因此，人工智能通过信息生产功能，同时作用于信贷市场的供给端与需求端，为绿色技术采纳提供资金保障。基于此，提出假说3：

H3：人工智能通过提升农业信贷的可获得性间接促进耕地利用绿色转型。

人工智能使用影响耕地利用绿色转型的理论框架图如图1所示。

2　数据、变量与模型

2.1　数据来源

本研究所用数据来源于西南财经大学中国家庭金融调查与研究中心（CHFS）开展的2023年中国家庭金融调查。中国家庭金融调查是国内规模最大、最具影响力的非官方家庭资产类抽样调查项目，自2011年启动以来，每2年开展一轮追踪调查，截至2023年已完成7轮调查，累计构建包含40 011户家庭的微观数据库，覆盖127 012名个体，数据具有全国代表性和省级代表性。

2023年CHFS调查覆盖全国29个省（自治区、直辖市，统计数据未包含新疆、西藏及港澳台地区，下同）258个区县，有效样本量达26 804户。调查采用分层、三阶段与规模度量成比例（PPS）的抽样设计方法，首先根据人均GDP将全国所有区县分为10层，然后在每层中随机抽取区县；其次在抽中区县中随机抽取社区/村；最后在抽中社区/村中随机抽取家庭户。该抽样方法保证了样本对全国农村家庭的代表性。根据本研究主题，剔除了城市样本以及主要变量缺失较多的农村样本，最终分析使用样本为7 544户农村家庭。

2.2　变量选取

2.2.1　被解释变量

化肥减量与有机肥施用是耕地利用绿色转型的核心抓手与关键表征。一方面，我国单位耕地面积化肥施用量较大，化肥过量施用导致的土壤板结与面源污染是耕地质量下降的首要诱因；另一方面，有机肥施用直接关联土壤有机质提升与长期地力培育，是衡量耕地利用是否实现“绿色化”的最直观指标。有鉴于此，参考张红丽等^［23］的研究，本研究选取农户是否施用有机肥作为耕地利用绿色转型的代理变量。CHFS问卷中询问农户“您家目前施用有机肥的情况”，将回答有机肥施用量大于零的家庭视为耕地利用绿色转型农户，赋值为1，反之赋值为0。

2.2.2　核心解释变量

本研究选取农户是否在生产经营中使用人工智能辅助决策作为人工智能使用的代理变量。CHFS问卷中询问农户“农业生产经营中人工智能等数字技术使用情况”，该题项主要是指具有算法驱动、个性化推荐、交互式决策支持特征的技术应用，用于捕捉农户是否在农业生产经营场景中使用该技术。尽管题项中包含“等数字技术”的泛化表述，但根据问卷设计说明和实际调研情境，该变量主要捕捉的是以人工智能为核心的辅助决策工具使用情况，因而本研究将其界定为“人工智能辅助决策使用”，并将回答“是”的家庭视为人工智能使用农户，赋值为1，反之赋值为0。

2.2.3　控制变量

本研究参考Zou等^［24］、蔡元新等^［25］和郭岩等^［26］的研究，将控制变量分为以下3类：1）个人特征，包括户主性别、户主年龄、户主健康和户主就业。2）家庭特征，包括人均耕地、家中是否有中共党员、家中是否有公职人员、农业收入占比、家庭成员接受过高中及以上教育的成员比例、家庭成员中身体健康的成员比例和家庭务农成员中老年成员的成员比例。3）村庄特征，包括地形和村庄是否有物流站点。

2.2.4　机制变量

参考毛慧等^［27］和陈中伟等^［28］的研究，选取时间偏好和农业信贷作为机制变量。一是时间偏好，反映经济主体对未来收益的贴现程度，是影响农户绿色生产技术采纳的关键心理因素^［21］。在缺乏直接测度贴现率实验数据的条件下，现有研究普遍采用家庭重大跨期投资决策作为时间偏好的代理变量^{［21， 28］}。本研究选取“未来5年是否有购房计划”作为时间偏好的代理变量，原因在于：购房通常是农户最大宗的跨期资产配置决策之一，意味着农户看重的是远期收益（非时间偏好），反之农户可能更加看重当前收益（时间偏好）。CHFS问卷中询问农户“未来5年是否有购房计划”，将回答“否”的家庭视为具有时间偏好，赋值为1，反之赋值为0。二是农业信贷，其量测基础为农户家庭是否能够获得生产性贷款，能够获得生产性贷款意味着农户具备突破绿色生产前期资金瓶颈的能力^［27］。CHFS问卷中询问农户“能否获得生产性贷款”，将回答“能”的家庭视为农业信贷充足，赋值为1，反之赋值为0。所有变量定义及赋值如表1所示。

2.3　模型设定

由于被解释变量为二元离散变量，因此，本研究采用Probit模型进行回归分析，模型设定如下：

GB _i=α₀+α₁AI _i +α₂Control _i +δ_i +ε_i（1）

式中：i为农户；GB _i 为被解释变量农户是否属于耕地利用绿色转型户，即农户i是否施用有机肥；AI _i 为核心解释变量人工智能使用，即农户i是否使用人工智能辅助决策；Control _i 为所有控制变量；α₀为常数项；α₁和α₂均为待估参数；δ_i 为区域虚拟变量；ε_i 为随机扰动项。

3　实证结果与分析

3.1　基准回归结果分析

人工智能对农户耕地利用绿色转型影响的基准回归结果如表2所示。本研究采用逐步回归策略，通过构建6个Probit模型检验人工智能对农户

耕地利用绿色转型的影响。模型（1）仅纳入核心解释变量“人工智能”；模型（2）加入个体特征（性别、年龄、健康、就业）；模型（3）进一步控制家庭特征（人均耕地、党员户、干部户、家庭教育、农业收入情况、家庭健康状况、老年务农情况）；模型（4）纳入村庄特征（地形、物流）；模型（5）在此基础上引入区域虚拟变量以控制地区固定效应。此外，由于本研究基准回归模型为Probit模型，其系数无法直接解读出人工智能对农户耕地利用绿色转型的具体影响，因此在模型（5）的基础上计算边际效应，以直观解释核心变量的经济含义，计算结果见模型（6）。随着控制变量逐步增加，卡方值从18.47上升至967.92且均在1%水平上显著，表明模型拟合优度不断改善，逐步回归策略合理有效。

由表2可知，模型（1）~模型（5）的核心解释变量“人工智能”均在1%水平上显著为正，这表明人工智能显著地促进了农户的耕地利用绿色转型。模型（6）边际效应估计结果显示人工智能变量的估计系数为0.145，且在1%水平上显著，即相对于没有采用人工智能的农户而言，采用人工智能使农户耕地利用绿色转型发生概率上升了14.5%。综合而言，表2的估计结果为假说H1提供了经验证据，即农户使用人工智能辅助决策对农户耕地利用绿色转型具有显著的正向影响。

3.2　稳健性检验

为确保基准回归结果的可靠性，本研究从以下3个方面进行稳健性检验。模型（7）将核心被解释变量由“农户是否施用有机肥”替换为“农户有机肥施用面积”，以检验结论是否受变量测度方式的影响。模型（8）将标准误聚类到城市层面，以缓解同一城市内样本可能存在组内相关性问题对估计精度造成的干扰。模型（9）采用工具变量法处理可能存在的内生性问题，选取1984年每百人拥有的固定电话数作为工具变量进行估计，以识别人工智能与有机肥施用之间的因果效应，稳健性检验结果如表3所示。模型（7）中，人工智能对有机肥施用面积的估计系数为2.829，表明使用人工智能辅助决策的农户在1%水平上显著扩大了有机肥的施用规模，与基准回归中的结论相互印证。模型（8）在聚类到城市层面后，人工智能的系数为0.418，显著性水平保持不变，说明基准回归结果不受同一城市内样本相关性的干扰，标准误估计是可靠的。模型（9）工具变量估计中，人工智能系数为8.259，且在1%水平上显著，表明在考虑了潜在的内生性偏误后，人工智能对有机肥施用的促进效应依然稳健存在。综上，可以得出本研究的核心结论具有较好的稳健性。此外，受限于调查数据，本研究对人工智能使用的测量依赖单一题项，未来研究可采用更精细的技术分类数据进行验证。

3.3　机制检验结果分析

参考江艇^［29］的机制检验思路，本研究在已证实人工智能辅助决策能够显著促进农户耕地利用绿色转型的前提下，进一步检验其作用渠道。理论分析表明，时间偏好和农业信贷可得性是影响农户长期绿色生产行为的关键因素：更具耐心的农户更愿意投资于回报周期较长的有机肥，而充足的农业信贷能够缓解有机肥施用的前期资金约束。如果人工智能能够优化农户的时间偏好或提升其信贷可得性，且这两者又对有机肥施用具有显著正向影响^［28］，则可推断相应中介机制的存在。回归结果如表4模型（10）所示，人工智能对时间偏好的影响系数为-0.522，在1%水平上显著，这意味着人工智能弱化了时间偏好，促使农户从当前收益导向转向远期收益导向，这一结果与理论预期高度一致：更具耐心的农户更愿意投资于回报周期较长的绿色生产行为（如施用有机肥），而人工智能通过提供精准的农业生产信息、优化家庭跨期资源配置决策，帮助农户克服短视行为，增强其对长期收益的重视。因此，时间偏好是人工智能促进有机肥施用的一个有效传导渠道，验证了H2。

与此同时，农业信贷渠道也呈现出显著的正向中介作用。回归结果如表4模型（11）所示，人工智能对农业信贷的系数为0.469，在1%水平上显著，表明使用人工智能辅助决策的农户获得生产性贷款的概率显著更高。这一结果与理论预期一致：人工智能辅助决策通过提供精准的生产经营数据，降低了农户与金融机构之间的信息不对称，改善了农户的信用可证实性，从而提升了信贷可得性。而充足的农业信贷能够有效缓解农户施用有机肥面临的资金约束，进而促进农户耕地利用绿色转型，验证了H3。

4　进一步讨论：异质性分析

4.1　以技术培训分组的异质性分析

表2基准回归结果揭示了人工智能对农户有机肥施用的平均促进效应，但这一效应可能因农户所处技术推广环境的不同而存在差异。理论上，农业实用技术培训能够提升农户的人力资本和对新技术的认知能力，可能增强人工智能的赋能效果。本研究根据农户所在村庄是否开展农业实用技术培训将样本分为2组进行分组回归，结果如表5所示。

分组回归结果显示，在开展了农业实用技术培训的村庄中，人工智能的估计系数为0.337，在5%水平上显著，而在未开展培训的村庄中，人工智能的估计系数为0.736，在5%水平上显著，人工智能在未开展培训村庄中的促进作用反而更强，这一发现与理论预期存在差异。可能原因为农业实用技术培训与人工智能辅助决策在功能上存在一定的替代关系。在未开展技术培训的村庄，农户缺乏通过传统渠道获取农业知识的途径，人工智能作为一项突破性的信息工具，能够有效填补这一知识空白，为农户提供精准的施肥建议和绿色生产技术指导，因此其边际赋能效应更为突出。相反，在已开展技术培训的村庄，农户通过线下培训掌握了一定的绿色生产知识和技能，人工智能更多扮演辅助角色，边际贡献被部分挤占。这一结果揭示了人工智能作为一种技术在弥补传统农业技术推广服务缺口方面的巨大潜力。

4.2　以服务可及性分组的异质性分析

农事服务中心作为提供农业社会化服务的重要场所，其可及性程度直接关系到农户能否快捷地获取技术指导、农资供应和农机服务。理论上，距离服务中心越近的农户，越容易将人工智能的决策信息付诸实践，因此人工智能带来的促进效应可能更为显著。本研究根据农户到最近农事服务中心的距离远近将样本分为2组进行分组回归，结果如表6所示。

分组回归结果显示，在距离农事服务中心较远的农户中，人工智能的估计系数为0.608，而在距离较近的农户中，估计系数为0.361。从系数绝对值来看，人工智能对距离较远农户的促进作用反而更强，这一发现与常规认知有所不同。产生这一现象的可能原因为，距离农事服务中心较远农户从农事服务中心获取信息的成本较高，因而，传统农业技术推广体系难以覆盖这些区域农户。人工智能辅助决策系统能够突破地域限制，有效缓解传统农业技术推广成本较高的问题，为偏远地区农户提供较为精准的施肥方案和绿色生产技术指导。相比之下，靠近农事服务中心的农户能够便捷地获得农资供应和技术指导，人工智能对传统农业技术推广的替代作用有限，更多表现为对现有服务体系的优化和补充。综上所述，人工智能对耕地利用绿色转型的影响在距离农事服务中心较远的农户群体中更为明显。这一发现揭示了人工智能在缓解因地理可及性差异所引发的农业服务不均衡等方面的独特价值，也说明人工智能有望成为推进偏远地区耕地利用绿色转型的重要工具。

5　结论与政策建议

5.1　结论

本研究利用农户微观调查数据，实证检验了人工智能辅助决策对农户耕地利用绿色转型的影响及其作用机制。主要得出以下结论：

1）人工智能对农户有机肥施用具有显著促进作用，基准回归中人工智能的边际效应为0.145，且在1%水平上显著，经过替换被解释变量、聚类标准误和工具变量估计等一系列稳健性检验后，这一结论依然成立。

2）机制检验发现，人工智能通过削弱农户的时间偏好和缓解农业信贷约束2条路径推动耕地绿色转型，即使用人工智能能够使农户更加重视农业生产的长期收益，同时改善其信贷可得性，为采纳有机肥等绿色投入提供资金支持。

3）异质性分析显示，人工智能的促进作用在未开展农业技术培训的村庄和距离农事服务中心较远的农户中更为显著，表明人工智能作为一种数字技术，在一定程度上能够弥补传统农业技术推广服务的不足，在服务薄弱地区发挥更大的边际效应。

5.2　政策建议

基于上述结论，本研究提出以下政策建议：

第一，加快推进人工智能技术在农业生产中的应用推广。政府应加大对农业人工智能研发和应用的投入力度，降低农户使用人工智能工具的成本，通过补贴、培训等方式提高人工智能在农业生产中的普及率，充分发挥其在促进耕地利用绿色转型方面的积极作用。

第二，实施差异化的推广策略，优先将人工智能资源推广到偏远地区。本研究显示人工智能在未开展技术培训和距离农事服务中心较远的地区边际效应更强，政策制定者应重视人工智能在弥补传统农业服务缺口方面的作用，优先在偏远地区和服务盲区推广人工智能应用，促进农业技术服务的均等化。

第三，注重发挥人工智能改善农户时间偏好和信贷约束的机制作用。一方面，应通过人工智能辅助决策帮助农户建立长期经营预期，引导其从追求短期产量转向关注耕地可持续利用；另一方面，应推动人工智能与农村金融体系融合，利用人工智能缓解农户信息不对称性，增强其获得正规信贷的能力，为绿色生产提供资金保障。

第四，重视人工智能与传统农业技术推广的互补作用。尽管本研究发现人工智能在未培训地区边际效用更强，但不应忽视传统培训的基础性作用。应推动线上线下相结合的推广模式，将人工智能嵌入现有农业技术推广体系，最大限度发挥人工智能促进耕地利用绿色转型的边际作用。

参考文献

[1] 国务院. 关于深入实施“人工智能+”行动的意见［EB/OL］. ［--］.

[2] The State Council. Opinions on deepening the implementation of the “AI+” initiative ［EB/OL］.［--］. in Chinese）

[3] 中共中央， 国务院. 关于锚定农业农村现代化 扎实推进乡村全面振兴的意见［EB/OL］. ［--］.

[4] The CPC Central Committee， The State Council. Opinions on anchoring the modernization of agriculture and rural areas and solidly advancing comprehensive rural revitalization［EB/OL］. ［--］. in Chinese）

[5] 国务院. 加快农业农村现代化“十五五”规划［EB/OL］. ［--］.

[6] The State Council. The plan for accelerating agricultural and rural modernization during the 15th Five-Year Plan period［EB/OL］. ［--］. in Chinese）

[7] 李娜， 田云龙， 张蕾， 王胜涛， 朱昌雄， 李红娜. 中国化肥减量增效行动与技术研究［J］. 农业资源与环境学报， 2025， 42（1）： 1-10

[8] Li N， Tian Y L， Zhang L， Wang S T， Zhu C X， Li H N. Research on action and technology for reducing fertilizer usage and enhancing efficiency in China［J］. Journal of Agricultural Resources and Environment， 2025， 42（1）： 1-10 （in Chinese）

[9] 丛胜美， 张贻茜. 耕地经济价值感知与农户化肥减量：来自中国粮食主产区的证据［J］. 农业经济与管理， 2024（6）： 91-103

[10] Cong S M， Zhang Y Q. Perceived economic value of arable land and fertiliser reduction by farmers：Evidence from major grain producing areas［J］. Agricultural Economics and Management， 2024（6）： 91-103 （in Chinese）

[11] 吴凡夫， 李祖佩， 钟涨宝. 契约和关系视角下转入户耕地生态保护的行为逻辑分析［J］. 华中农业大学学报：社会科学版， 2025（2）： 194-206

[12] Wu F F， Li Z P， Zhong Z B. Analysis of behavioral logics in transferees’ ecological protection of farmland from the perspectives of contract and relationships ［J］. Journal of Huazhong Agricultural University：Social Sciences Edition， 2025（2）： 194-206 （in Chinese）

[13] 梁志会， 张露， 张俊飚. 土地转入、地块规模与化肥减量：基于湖北省水稻主产区的实证分析［J］. 中国农村观察， 2020（5）： 73-92

[14] Liang Z H， Zhang L， Zhang J B. Land inward transfer， plot scale and chemical fertilizer reduction： An empirical analysis based on main rice-producing areas in Hubei Province ［J］. China Rural Survey， 2020（5）： 73-92 （in Chinese）

[15] 赵昶， 孔祥智， 仇焕广. 农业经营规模扩大有助于化肥减量吗：基于全国1274个家庭农场的计量分析［J］. 农业技术经济， 2021（4）： 110-121

[16] Zhao C， Kong X Z， Qiu H G. Does the expansion of farm size contribute to the reduction of chemical fertilizers：Empirical analysis based on 1274 family farms in China［J］. Journal of Agrotechnical Economics， 2021（4）： 110-121 （in Chinese）

[17] 郭江影， 钟甫宁. 自然和市场双重风险下中国小农户的化肥投入及风险规避动机辨析［J］. 农业技术经济， 2024（11）： 4-17

[18] Guo J Y， Zhong F N. Analysis of fertilizer input and risk-aversion motives of smallholder farmer in china under dual risk of nature and market［J］. Journal of Agrotechnical Economics， 2024（11）： 4-17 （in Chinese）

[19] 姜梦， 罗小锋， 李雨柯， 桑贤策， 杜三峡. 可行能力、风险感知与农户化肥减量技术采纳行为［J］. 中国生态农业学报：中英文， 2025， 33（6）： 1207-1218

[20] Jiang M， Luo X F， Li Y K， Sang X C， Du S X. Capability approach， risk perception， and farmers’ fertilizer-reduction technology adoption behavior ［J］. Chinese Journal of Eco-Agriculture， 2025， 33（6）： 1207-1218 （in Chinese）

[21] 曹慧， 赵凯. 农户非农就业、耕地保护政策认知与亲环境农业技术选择：基于产粮大县1 422份调研数据［J］. 农业技术经济， 2019（5）： 52-65

[22] Cao H， Zhao K. Farmers’ off-farm employment， cognition of farmland protection policy and selection of pro-environment agricultural technology-Based on 1 422 survey data of major grain producing counties ［J］. Journal of Agrotechnical Economics， 2019（5）： 52-65 （in Chinese）

[23] 刘蓓， 吕新业， 罗小锋. 信息干预策略在化肥减量中的应用：来自随机对照试验的证据［J］. 西北农林科技大学学报：社会科学版， 2025， 25（3）： 114-126

[24] Liu B， Lu X Y， Luo X F. The application of information intervention strategies in fertilizer reduction： Evidence from randomized controlled trials［J］. Journal of Northwest A&F University：Social Science Edition， 2025， 25（3）： 114-126 （in Chinese）

[25] 孙彬涵， 罗小锋. 跨越信息门槛有助于测土配方施肥技术推广吗［J］. 农业技术经济， 2024（11）： 34-50

[26] Sun B H， Luo X F. Will crossing information threshold promote the adoption of soil testing and formula fertilization technology［J］. Journal of Agrotechnical Economics， 2024（11）： 34-50 （in Chinese）

[27] 万凌霄， 蔡海龙. 合作社参与对农户测土配方施肥技术采纳影响研究：基于标准化生产视角［J］. 农业技术经济， 2021（3）： 63-77

[28] Wan L X， Cai H L. Study on the impact of cooperative’s participation on farmers’ adoption of testing soil for formulated fertilization technology：Analysis based on the perspective of standardized production ［J］. Journal of Agrotechnical Economics， 2021（3）： 63-77 （in Chinese）

[29] Xu M， Wang X， Chen K. Leveraging agricultural production organizations to reduce fertilizer use： Evidence from China［J］. Food Policy， 2025， 133： 102891

[30] 孙杰， 周力， 应瑞瑶. 供需视角下化肥减量增效技术扩散机制研究［J］. 农业技术经济， 2024（2）： 19-35

[31] Sun J， Zhou L， Ying R Y. Research on the diffusion mechanism of chemical fertilizer reduction and efficiency enhancement technology from the perspective of supply and demand［J］. Journal of Agrotechnical Economics， 2024（2）： 19-35 （in Chinese）

[32] Zhang W， Zhang R， Ji H， Severin A， Li Z. Interactive knowledge learning by artificial intelligence for smallholders［J］. Frontiers of Agricultural Science and Engineering， 2023， 10： 648-653

[33] 吴华瑞， 李静晨， 杨雨森. 基于大语言模型的个性化作物水肥管理智能决策方法［J］. 智慧农业：中英文， 2025， 7（1）： 11-19

[34] Wu H R， Li J C， Yang Y S. Intelligent decision-making method for personalized vegetable crop water and fertilizer management based on large language models［J］. Smart Agriculture， 2025， 7（1）： 11-19 （in Chinese）

[35] 宁川川， 王建武， 蔡昆争. 有机肥对土壤肥力和土壤环境质量的影响研究进展［J］. 生态环境学报， 2016， 25（1）： 175-181

[36] Ning C C， Wang J W， Cai K Z. The effects of organic fertilizers on soil fertility and soil environmental quality： A review［J］. Ecology and Environmental Sciences， 2016， 25（1）： 175-181 （in Chinese）

[37] Kahneman D， Tversky A. Prospect Theory： An analysis of decision under risk［J］. Econometrica， 1979， 47（2）： 263-291

[38] 杨虹， 沈月琴， 黄坚钦， 钱文荣， 朱臻. 时间偏好对农户非木质林产品生态化经营技术采纳的影响：基于技术推广干预的调节作用［J］. 自然资源学报， 2026， 41（2）： 589-608

[39] Yang H， Shen Y Q， Huang J Q， Qian W R， Zhu Z. The impact of time preferences on farmers’ adoption of eco-management technologies for non-timber forest products： The moderating role of technology extension interventions ［J］. Journal of Natural Resources， 2026， 41（2）： 589-608 （in Chinese）

[40] 李明贤， 陈铯. 金融科技、授信方式改进与涉农金融机构普惠能力提升［J］. 经济体制改革， 2021（2）： 88-94

[41] Li M X， Chen S. Fin-tech， agriculture-related financial institution’s credit granting methods and inclusive ability improving ［J］. Reform of Economic System， 2021（2）： 88-94 （in Chinese）

[42] 张红丽， 李洁艳， 滕慧奇. 小农户认知、外部环境与绿色农业技术采纳行为：以有机肥为例［J］. 干旱区资源与环境， 2020， 34（6）： 8-13

[43] Zhang H L， Li J Y， Teng H Q. Cognition， external environment and green agricultural technology adoption behavior for small-scale farmers ［J］. Journal of Arid Land Resources and Environment， 2020， 34（6）： 8-13 （in Chinese）

[44] Zou J， Shen L， Wang F， Tang H， Zhou Z. Dual carbon goal and agriculture in China： Exploring key factors influencing farmers’ behavior in adopting low carbon technologies ［J］. Journal of Integrative Agriculture， 2024， 23（9）： 3215-3233

[45] 蔡元新， 赵吉坤， 李霞. 影响地理标志农产品种植户使用有机肥意愿的因素分析：基于拓展的计划行为理论［J］. 现代农业研究， 2024， 30（3）： 1-9

[46] Cai Y X， Zhao J K， Li X. Analysis of factors influencing the willingness of farmers of geographical indication agricultural products to use organic fertilizers-based on extended planning behavior theory［J］. Modern Agriculture Research， 2024， 30（3）： 1-9 （in Chinese）

[47] 郭岩， 汪兴东. 土地禀赋、务农黏性与农户绿色生产行为：基于江西省“百村千户”面板数据［J］. 中国生态农业学报：中英文， 2025， 33（7）： 1419-1429

[48] Guo Y， Wang X D. Land endowment， farming stickiness， and green production behavior： Based on panel data of “Hundreds of Villages and Thousands of Households” in Jiangxi Province ［J］. Chinese Journal of Eco-Agriculture， 2025， 33（7）： 1419-1429 （in Chinese）

[49] 毛慧， 胡蓉， 周力， 孙杰. 农业保险、信贷与农户绿色农业技术采用行为：基于植棉农户的实证分析［J］. 农业技术经济， 2022（11）： 95-111

[50] Mao H， Hu R， Zhou L， Sun J. Crop insurance and the farmers’ adoption of green technology： empirical analysis based on cotton farmers ［J］. Journal of Agrotechnical Economics， 2022（11）： 95-111 （in Chinese）

[51] 陈中伟， 杨林源. 农业绿色生产技术的富民效应：基于农户决策偏好视角［J］. 资源科学， 2024， 46（8）： 1588-1603

[52] Chen Z W， Yang L Y. Enriching effects of agricultural green production technologies on farming households： From the perspective of farmers’ decision preference ［J］. Resources Science， 2024， 46（8）： 1588-1603 （in Chinese）

[53] 江艇. 因果推断经验研究中的中介效应与调节效应［J］. 中国工业经济， 2022（5）： 100-120

[54] Jiang T. Mediating effects and moderating effects in causal inference［J］. China Industrial Economics， 2022（5）： 100-120 （in Chinese）

基金资助

四川省自然科学基金青年项目(2025ZNSFSC1148)