智慧农业是现代农业竞争的制高点、未来农业发展的新业态
［1］，也是建设农业强国的战略制高点。深刻认识并大力发展智慧农业，对于全面建成社会主义现代化强国具有重大而深远的意义。当前，我国农业生产面临资源约束趋紧、劳动力结构性短缺等现实瓶颈，转型升级迫在眉睫。智慧农业以农业生产力全面升级为特征，深入融合现代信息化技术
［2］，有针对性地使用投入品，采用无人机、智能农机等新型机械进行生产
［3］，被国际经验广泛认为是解决农业劳动力匮乏、生产力不足的有效路径
［4］。国内外已有大量研究表明，智慧农业不仅能够使农业实践产生颠覆性变化
［5］，加速农业与现代信息技术融合
［6］，还将农业生产由劳动密集型转变为技术密集型，提高农业生产效率和现代农业综合竞争力
［7］。对于中国，智慧农业是实现产业兴旺的有力途径和必然选择，为大幅提高农业生产力、资源利用率和实现农业可持续发展提供了重要解决方案
［8］，是农业新质生产力的重要表征
［9］。在此背景下，精准测度我国智慧农业发展水平，解析不同区域的差异化组态路径，可为各地制定靶向政策提供科学依据，助力突破技术壁垒，最终以智慧农业升级赋能乡村振兴，夯实民族复兴的农业根基。
准确测度智慧农业水平是开展相关实证研究的基础。现有研究已从不同视角构建评价体系，李娜等
［10］参考《数字经济及其核心产业统计分类（2021）》，从数字化设施种植、数字化林业、自动化养殖等维度测度了智慧农业；欧定余等
［11］从产业融合度角度测算了智慧农业支撑产业与农业间的融合程度；耿鹏鹏等
［12］基于互联网运营状况、农业网络发展状况和农业科技创新能力构建了智慧农业发展水平评价指标体系；Zhang等
［13］借助投入产出表，从总量规模与产业关联维度评价了智慧农业发展；Li等
［14］则借鉴《全国农业现代化规划（2016—2020年）》，从农业投入、农业产出、农村社会发展和农业可持续性等方面衡量了农业现代化成效。国际研究进一步拓展了智慧农业的分析视角，Wolfert等
［15］指出，智慧农业已由单一农场管理扩展到农业生产、供应链协同和经营决策系统；Klerkx等
［16］强调数字农业不仅是技术体系，也涉及农户采纳、平台治理、价值链重构、知识服务和制度安排；Basso等
［17］认为数字农业能够服务于可持续农业系统设计；Finger等
［2］则指出数字创新有助于提高农业生产率、减少环境足迹并增强农场韧性。总体而言，现有研究为智慧农业测度奠定了基础，但仍偏重数字设施应用、产业融合或农业现代化传统框架，对智慧农业“技术赋能-产业升级”的内在逻辑体现不足，且国际研究多聚焦农场经营和可持续转型，对中国省域尺度下智慧农业综合测度及区域差异解释仍相对有限。因此，本研究从技术赋能与产业升级2个层面构建智慧农业发展水平测度体系。
在智慧农业影响因素方面，已有研究多从技术条件、人力资源、政府支持、资源禀赋和产业基础等方面展开。相关实地调研指出，智慧农业应用受到技术相对优势、人力资源状况和政府支持力度等因素影响
［18］；Giua等
［19］认为，技术绩效期望、技术复杂性和社会反馈是影响智慧农业技术采纳意愿的重要因素；高群等
［20］聚焦智慧农场，指出其发展受到资源禀赋、产业依赖和科学技术等多重因素影响。国际数字农业研究进一步表明，智慧农业发展并非单纯由技术供给决定，而是嵌入农业组织体系、平台治理结构、知识服务体系和制度环境之中。已有研究虽揭示了若干影响因素，但多侧重单一因素、局部维度或特定对象，缺乏系统理论框架统摄，难以解释不同地区多重条件并发作用下的路径差异。因此，本研究引入技术-组织-环境（TOE）理论框架，整合技术创新突破、组织体系协同和基础环境适配3个维度，并结合模糊集定性比较分析（fsQCA）方法识别高水平智慧农业形成的多重条件组合。
综上，本研究锚定智慧农业产业升级与技术赋能的关键特征构建指标体系，以测算中国不同地区的智慧农业水平，基于TOE理论框架梳理智慧农业发展的影响机制，使用fsQCA方法分析中国智慧农业发展的组态路径，梳理出高水平与非高水平智慧农业发展路径，以期为不同禀赋与基础的省份精准匹配适配性发展模式，破解智慧农业区域发展失衡难题。
1 中国智慧农业发展水平评价指标体系构建与理论分析
1.1 中国智慧农业发展历程
伴随着农业信息化技术的应用以及农业现代化的不断发展，智慧农业的内涵界定也随之丰富完善。2017年国家首次提出智慧农业概念
［21］，我国农业信息化技术应用范围得以扩展，农业、畜牧养殖等基础生产环节逐步实现智能化
［22］，初步形成“互联网+农业”的解决方案。2021年中央一号文件
［23］首次将智慧农业作为核心战略术语明确提出。2024年农业农村部印发《大力发展智慧农业的指导意见》（以下简称《指导意见》）
［24］及《全国智慧农业行动计划（2024—2028年）》
［25］，进一步细化了中国智慧农业发展目标与时间规划，大数据、人工智能（Artificial intelligence，AI）等新一代信息技术与农业全产业链深度融合
［26］，推动全球农业生产从经验驱动向科技驱动、从资源依赖向创新引领的范式转变
［27］。中国智慧农业发展历程如
图1所示。
1.2 智慧农业发展水平评价指标体系构建
智慧农业不同发展阶段的本质区别在于数字信息技术的应用范围与渗透深度的差异，而这一差异所驱动的农业生产结构持续优化与层级升级，本质上是智慧农业多维赋能效应的具象体现。一方面，中国虽长期稳居全球农业生产大国地位，人多地少的国情使我国农业面临资源约束与效率偏低问题，劳动力和生产效益的双重矛盾制约农业发展。智慧农业依托信息化手段，以智能装备替代人力，达到精细化调控资源并实现智能决策，大幅提升农业生产率，其发展成效体现为农业的“产业升级”。另一方面，新一轮农业科技革命呈现多学科交叉融合特征，涉及农业科学、计算机科学、生物技术与管理学等多个学科
［28］，已成为全球农业竞争的战略制高点
［29］。我国智慧农业关键技术装备的研发与应用与发达国家仍存在差距，农业农村部《指导意见》明确农业全产业链技术升级路径，聚焦科技创新攻关与技术推广应用，其发展成效体现为农业的“技术赋能”。基于此，本研究在参考相关研究的基础上，结合智慧农业强调产业升级和科技赋能的政策导向，立足产业实践与数据可得性，构建中国智慧农业发展水平测度指标体系。
1.2.1 产业升级
产业升级是指农业发展质量与效能的提升，体现在农业生产效率、从业人员的劳动产出、农业生产资源利用程度、农业组织规范化情况、农业生产信息化率等方面。本研究所称的产业升级并非狭义的三次产业结构升级，而是指智慧农业技术嵌入农业生产经营过程后，在农业生产效率、劳动产出、资源集约利用和行业管理服务能力等方面形成的综合改善。本研究结合政策导向与现实发展需求，利用土地产出率反映地区农业生产效率
［30］，利用劳动生产率反映地区从业人员的劳动产出
［31］，利用资源利用率反映地区农业生产资源利用程度，利用行业管理水平反映地区农业组织规范化发展情况。囿于农业生产信息化率的测度指标难以获取，本研究使用行业管理水平进行代理。行政管理水平是衡量特定行业管理主体（如行业组织）通过资源调配、制度设计，实现行业高效运行与可持续发展的指标，是驱动信息化落地与深化的核心因素，对信息化的支撑作用贯穿全流程。
土地产出率，该指标测度农业生产中单位土地的产出情况，用以反映农业的生产效率与集约化经营水平，产值越高，意味着土地资源的开发利用程度与产出效能越高，是衡量智慧农业提质增效的量化依据。劳动生产率，该指标用于反映智慧农业发展过程中农业劳动力的产出回报和价值创造水平。受省级农业劳动投入及对应产出数据可得性限制，本研究采用地区农业人均收入作为代理变量，从劳动收益回报角度近似刻画农业劳动力在智慧农业技术应用和数字化服务支持下形成的价值创造能力。资源利用率，该指标用于反映智慧农业发展过程中对农业生产资源的集约利用和转化效率，采用农林牧渔业增加值与农林牧渔业总产值之比衡量。比值越高，说明农业生产中资源投入转化为有效产出的能力越强，也表明精准灌溉、变量施肥、智能监测和绿色防控等智慧农业技术对资源配置效率的提升作用越明显。行业管理水平，指标用于反映智慧农业发展所需的农业生产组织化和农机服务支撑能力，采用百万元以上规模农机组织占农机组织总数的比重衡量。占比越高，说明地区农业生产服务体系的规模化、组织化程度越高，农机装备集成应用和社会化服务供给能力越强，能够为智慧农业技术推广、智能装备应用和数字化生产管理提供较好的组织基础。
1.2.2 技术赋能
技术赋能是指将现代信息技术、智能装备与农业全产业链深度融合，以数字化、智能化手段突破传统农业生产局限，表现在农业硬件研发、全链条智能管控和种养环节精准赋能等方面。本研究利用智能装备基础
［32］反映地区智慧农业硬件研发升级与产业化能力，利用农业遥感水平反映地区遥感技术部署、数据处理及农业场景应用能力，利用农业智能生产
［33］反映地区农业核心环节智能技术集成与数字化管控水平，利用设施农业建设
［34］反映地区设施农业智能配备与环境精准调控能力，利用渔业智能生产反映地区渔业智能技术应用与机械化作业水平，利用牧业智能生产反映地区畜禽养殖智能调控与精准管理能力。
智能装备基础，该指标测度地区智慧农业装备产业基础，财政基金是智能农机研发、采购与升级的核心保障，其充裕程度直接影响地区对先进装备的引进与应用能力，因此财政基金越充分，农机智能化升级能力越强。农业遥感水平，该指标测度地区一体化监测体系的应用程度，农用航空器是农业遥感数据高效获取的关键载体，可实现农田实时监测、作物长势分析等功能，采用农用航空器覆盖率作为代理变量，覆盖率越高地区农业遥感越发达。设施农业建设，该指标测度地区在设施农业上的现代化水平，连栋温室是智慧农业技术集成应用的典型载体，集成了智能温控、精准灌溉等核心技术，因此采用连栋温室占比作为代理变量，其比例越高地区设施农业技术应用能力越强。渔业智能生产，该指标测度地区在渔业生产上的智慧化水平，渔业机械饲养率直接对应智能投喂、水质监测设备的应用广度，故采用该指标为代理变量，其数值高低反映地区精准饲养能力。牧业智能生产，该指标测度地区在畜牧业方面的智慧化水平，采用机械环控水平作为代理变量。环境精准调控能力是畜牧养殖智慧化的重要方向，能够反映畜牧业智能设备的应用情况。
基于以上分析，本研究构建中国智慧农业发展水平测度体系如
表1所示，同时给出了具体指标的计算公式及其测度目标。
1.3 TOE框架下智慧农业发展的作用机制
TOE理论框架由Tornatzky和Fleischer提出
［35］，将影响技术采纳的多维复杂因素归纳整合为技术、组织和环境3个分析维度，能够对相关现实问题展开多角度、多领域的分析
［36］。智慧农业作为技术导向的基础产业变革，其发展既需要技术层面的创新突破，更依赖于组织体系的协同支持与基础环境的适配保障。创新成果既需要依托组织维度的政策引导落地，也需要环境维度的数字基础支撑应用场景拓展；政策与人力支持需对接技术维度的成果转化需求，同时需适配环境维度的农业生产基础；基础条件为技术应用提供场景，也为组织维度的政策实施提供落地土壤与效果反馈。本研究采用TOE框架并非旨在重复一般技术采纳研究范式，而是结合省域智慧农业发展的现实情境，将技术条件、组织支撑和环境基础纳入统一分析框架，以识别不同地区实现高水平智慧农业的多重条件组合。技术、组织、环境三者相互作用共同影响智慧农业的发展，TOE分析框架见
图2。
1.4 智慧农业前因条件确定
第一，技术（T）维度，聚焦于省域农业科技创新及应用能力，具体包括农业科技创新专利数与研发投入水平2个前因条件。技术创新作为产业变革的核心驱动力，地区技术创新活跃度越高、研发能力越强，越能加速技术成果向农业领域的转化应用
［37］。智慧农业需要将AI、大数据等信息业产品与农业进行高度融合
［38］，这需要基于农业生产开展交叉研究，是推动智慧农业发展的必要条件。因此，此维度采用研发经费投入强度指数反映地区科技创新活跃度，采用农业科技专利授权量表征地区农业技术创新产出能力。
第二，组织（O）维度，聚焦于反映地区政府对于智慧农业发展的重视以及地区人力适配性，需要说明的是，本研究将组织维度界定为省域智慧农业发展的组织支撑与吸收能力，而非单一组织内部属性。除政策动员、财政支持与人力资本基础外，农民合作社、家庭农场、农业企业和农业社会化服务组织等新型农业经营主体，也是智慧农业技术扩散、服务承接与应用转化的重要组织载体。具体包括人力资本水平、政策重视程度和财政重视程度3个前因条件。作为技术驱动型产业变革，智慧农业要更好地展现科技创新的引领作用，系统性的政策支持必不可少
［39］。在发展过程中，智慧农业由于成本和回报率的影响
［40］，面临着包容性不高的问题，而通过政府补贴可以降低智慧农业技术的供给成本，加大专业人才队伍建设能够支持智慧农业的建设执行
［41］，从而增强智慧农业对不同主体的适用性，促进智慧农业发展。因此，此维度采用政策文本数量表征顶层制度保障力度，反映地方政府对智慧农业发展的组织动员和政策引导能力；财政支农支出占比反映资源倾斜力度以及地方政府对智慧农业相关资源的配置和保障能力；人力资本水平反映区域知识基础、人才供给和技术吸收能力。鉴于农业从业人员受教育水平的省级连续数据较难获得，本研究采用地区人力资本水平作为代理变量，用以刻画区域对智能装备、数字技术和信息服务的吸收与转化能力。
第三，环境（E）维度，聚焦于智慧农业发展的基础支撑条件，具体包括农业生产水平与数字覆盖水平2个前因条件。新兴技术驱动的产业发展依赖于地区创新基础设施的支撑
［42］，智慧农业作为农业与信息技术深度融合的产业形态，尤其需要足够的信息产业基础与稳固的农业根基作为支撑保障。地区农业基础越强，所产生的经济效益越高，其改革的内生动力也会越强；农村的信息化基础越强，农业大数据系统越容易建设，进而促进智慧农业的转型发展
［43］。因此，此维度通过单位面积粮食产量指标衡量区域农业生产的基础能力，采用农村宽带接入量表征智慧农业建设的数字化基础。
基于上述影响机制的探究，选取智慧农业在不同维度的前因条件如
表2所示。考虑到各省农业规模、耕地资源和经济体量差异较大，本研究对部分前因条件进行相对化处理，以增强省际可比性。相关指标主要反映单位农业基础上的技术供给、研发投入和数字化支撑强度，因此本研究所称智慧农业发展水平侧重相对发展水平，而非绝对发展规模。
2 研究方法与数据来源
2.1 研究方法
2.1.1 熵权法
本研究采用熵权法测算中国各省份智慧农业发展水平。熵权法是一种客观赋权方法，其基本思想是根据各指标在样本中的离散程度确定权重：指标差异越大，所包含的信息量越高，对综合评价结果的区分作用越强，相应权重也越高；反之，若指标差异较小，则其信息贡献相对有限，权重较低。具体而言，本研究首先对各项指标进行无量纲化处理，以消除不同指标量纲和数量级差异的影响；其次计算各指标的信息熵和差异系数，并据此确定指标权重；最后将标准化后的指标值与相应权重加权汇总，得到各省份智慧农业发展水平综合指数。该方法能够减少主观赋权带来的偏误，较为客观地反映不同指标对智慧农业发展水平测度的贡献。
2.1.2 主成分分析法
为检验智慧农业发展水平测度结果的稳健性，本研究进一步采用主成分分析法对综合指数进行替代测算。主成分分析法通过降维思想，将多个存在相关性的指标转化为少数相互独立的综合因子，并依据各主成分的方差贡献率构建综合得分。相比熵权法主要依据指标离散程度确定权重，主成分分析法更强调指标间相关结构及共同信息提取。本研究在相同指标体系和样本数据基础上，运用主成分分析法重新计算各省份智慧农业发展水平，并将其与熵权法测算结果进行相关性比较，以判断不同赋权和降维方法下综合评价结果是否保持一致。
2.1.3 模糊集定性比较分析（fsQCA）方法
鉴于影响智慧农业发展的因素具有复杂性、并发性和非对称性，传统分析方法难以精准揭示多变量条件组合的协同因果效应，本研究引入fsQCA方法开展组态分析。fsQCA方法以集合论和布尔代数为基础，通过对结果变量和前因条件进行集合隶属度校准，构建真值表并识别不同条件组合对结果发生的充分性关系，能够揭示“殊途同归”的多重等效路径以及高水平与非高水平结果之间的因果非对称性。相比传统线性回归方法，fsQCA方法并不强调单一变量的净效应，而是关注技术、组织和环境等多重条件如何通过组合匹配共同影响智慧农业发展水平。本研究基于30个省级案例开展分析，fsQCA方法在中小样本研究中具有较强适用性，能够避免传统回归分析对大样本和线性关系的依赖。同时，通过对组态路径及其覆盖案例进行比较分析，本研究能够识别不同地区实现高水平智慧农业的差异化路径，并为不同类型省份提出更具适配性的政策启示。
2.2 数据来源
鉴于数据的可获得性和连续性，本研究选取2018—2024年中国30个省级地区为研究对象，西藏及港澳台地区因相关数据缺失较多，暂未纳入样本范围。研究数据主要来源于国家统计局、《中国农业年鉴》
［44］、《中国农村统计年鉴》
［45］、《中国农业机械工业年鉴》
［46］以及各省份国民经济和社会发展统计公报、统计年鉴等。其中，农业总产值、农业耕地面积、农业人均收入、农林牧渔业增加值等数据主要来源于国家统计局、《中国农业年鉴》
［44］和《中国农村统计年鉴》
［45］；农业机械化、农机组织和智能装备相关指标主要来源于《中国农业机械工业年鉴》
［46］；政策文本、财政支农支出、互联网覆盖率等数据则结合国家统计局、地方统计资料和政府公开信息整理获得。在涉及产值类指标的处理过程中，采用各省农业生产价格指数进行平减，以消除价格因素影响。
3 中国智慧农业发展水平测度结果
3.1 智慧农业指标权重计算
本研究采用熵权法测算智慧农业发展水平指标权重，结果见
表3。可知技术赋能维度权重高于产业升级维度，说明智能装备、农业遥感、设施农业和智能生产等指标在省际间具有更强区分度，是拉开智慧农业发展水平差距的重要来源。相较而言，产业升级相关指标权重较低，表明农业生产效率、资源利用和行业管理等产出性指标的地区差异相对有限。总体来看，当前我国省域智慧农业发展差异主要体现在技术装备和数字化应用基础上，后续仍需推动技术赋能进一步转化为产业升级绩效。
3.2 智慧农业发展水平测度结果
根据
表3的指标权重，测算2024年中国不同地域智慧农业的发展水平，结果如
表4所示。可知我国不同地区智慧农业发展水平呈现较大差异，整体上表现为东部地区明显领先、中部次之、西部与东北地区较低的空间格局。从省份情况而言，以东部地区的上海、浙江构成第一梯队，该区域经济实力强、科研创新要素密集、技术转化机制成熟，驱动智慧农业发展水平领先；西部地区的云南、陕西智慧农业水平最低。
图3展示了我国四大地区2018—2024年产业升级、技术赋能的得分以及总体发展的变化趋势。从空间上来看，产业升级呈现“东部领先、中西部均衡”的特征，技术赋能依然保持东部领先且与其他地区的差距逐年加大。从时间上来看，我国智慧农业发展水平整体上呈现稳步上升趋势，特别是东部地区增长最快，说明科技要素集聚度越高、创新生态越活跃的地区，智慧农业发展水平也相应更高。
3.3 测度结果稳健性检验
为检验智慧农业发展水平测度结果是否依赖熵权法赋权方式，本研究进一步采用主成分分析法进行稳健性检验。结果显示，PCA指数与基准熵权法指数的相关系数为0.897，表明不同赋权方法下智慧农业发展水平测度结果具有较高一致性，说明本研究综合指数测算结果具有较好的稳健性。
4 智慧农业发展组态路径分析
4.1 变量描述性统计及校准
fsQCA方法需要将原始变量转化为集合隶属度，因此本研究在开展组态分析前，对结果变量和前因条件进行描述性统计与校准处理。首先，对智慧农业发展水平、农业科技专利数、农业研发投入、人力资本水平、政策重视程度、财政重视程度、农业生产水平和数字覆盖水平等变量进行描述性统计，以反映各变量在省级样本中的分布特征。其次，采用直接校准法对各变量进行模糊集校准，并依据样本分布设定完全隶属点、交叉点和完全不隶属点，将原始数据转换为0~1的集合隶属度。各变量的描述性统计结果及校准标准见
表5。
图4为各省份在技术、组织、环境方面校准后得分情况，技术维度领先地区与智慧农业高水平发展地区较为契合，再次印证科技创新及其应用在智慧农业建设中起到重要驱动作用，也为后续组态路径分析与案例对比分析提供了理论支撑。组织维度显示，北京、天津、上海、江苏等地表现出发展优势，其中北京与上海凭借地区经济能力与人才集聚效应，展现出人力资本和财政支持的优势；而天津与江苏则在“制度-资源-能力”3个维度上形成均衡发展态势，协同效率较高。环境维度层面，江苏、浙江、福建、新疆等地基础较强，江苏省作为农业现代化头部省份，在农业基础与数字基础上均处于领先地位，浙江与福建在数字基础上领先，而新疆由于兵团生产能力强，在农业基础上表现较好。
4.2 必要性分析
在开展组态分析之前，首先对单个前因条件的必要性进行检验，必要条件的判别主要基于一致性指标
［47］。本研究运用fsQCA 4.0软件，分别对高水平与非高水平智慧农业发展开展必要性分析，具体结果见
表6。分析结果表明，所有前因条件的一致性得分均<0.9临界值，说明单个前因条件无法构成高水平或非高水平智慧农业发展的必要条件。这也表明智慧农业发展需要多个前因条件协同作用，而非单一因素决定。
4.3 智慧农业条件组态结果
本研究主要围绕高水平智慧农业的形成路径开展组态分析，设定以下关键分析参数：首先，一致性水平反映条件组态存在时结果发生的必然性程度，借鉴社会科学领域常用标准
［47］将其阈值设定为0.75；其次，结合数据特征并参考现有文献
［48］，将比例不一致性削减值（Proportional reduction in inconsistency，PRI）一致性临界值设定为0.5，该指标衡量组态解对矛盾案例的解释能力；最后，考虑到本研究样本为30个省级案例，且7个前因条件形成的潜在组态数量较多，若将频数阈值设定过高，可能过滤掉具有现实解释意义的区域特征型组态。为充分识别省域智慧农业发展的多重实现路径，并兼顾小样本fsQCA研究的适用性，本研究将频数阈值设定为1，即单个组态至少覆盖1个实际案例。本研究采用Fiss
［48］提出的核心条件识别方法，通过比较中间解与简约解的构成区分组态路径的核心条件与边缘条件。具体而言，同时出现在中间解和简约解中的条件被定义为核心条件，而仅存在于中间解中的条件则被视为边缘条件。条件组态结果如
表7所示。
为进一步揭示因果非对称性，本研究对非高水平智慧农业进行了补充组态分析。结果显示，非高水平智慧农业路径数量较多，解的覆盖度为0.809，解的一致性为0.803，说明非高水平智慧农业的发展不足具有较强异质性，并不是高水平智慧农业路径的简单反向。需要说明的是，NH1~NH10分别表示非高水平智慧农业组态分析中由真值表输出的10条具体条件组合路径，并非10类独立约束类型。为避免表格过于冗长，本研究依据简约解中的核心条件及中间解路径特征，将10条具体路径进一步归纳为3类核心约束路径：一是研发投入不足约束型，NH1、NH2、NH3、NH4和NH7均以农业研发投入不足为共同核心特征，说明农业研发投入不足会削弱智慧农业技术供给和应用转化能力；二是政策支撑转化不足型，NH5、NH6和NH10均表现为政策重视程度存在但相关支撑条件未能有效转化为发展绩效，说明政策重视若缺乏科技创新、财政保障和产业基础配合，可能难以转化为实际发展绩效；三是财政支撑不足-农业基础转化受阻型，NH8和NH9共同表现为财政重视程度不足与农业生产基础存在并存，说明部分地区虽然具备一定农业生产基础，但财政支持不足会限制其向智慧农业发展优势转化。上述结果进一步表明，智慧农业发展不足主要表现为技术供给、组织支撑和应用环境之间的多重短板组合。补充组态分析结果如
表8所示。
4.4 稳健性检验
参考Schneider等
［49］提出的3种稳健性分析方法，本研究选取变更校准锚点的方式开展稳健性检验。将校准锚定点调整为完全隶属点（90%）、交叉点（50%）以及完全不隶属点（10%），并在此基础上重新实施组态分析，结果如
表9所示。稳健性检验结果显示，在将校准锚点调整为90%、50%和10%后，高水平智慧农业形成路径略有变化，但核心条件组合与基准结果保持较高一致。农业科技专利数和农业研发投入在所有稳健性路径中均作为核心条件存在，说明技术创新能力和研发投入强度仍是高水平智慧农业形成的共同基础。同时，财政重视程度在2条路径中作为核心条件存在，人力资本水平、农业生产水平和数字覆盖水平则在部分路径中发挥边缘作用。稳健性检验解的覆盖度为0.564，解的一致性为0.908，表明调整校准锚点后组态结果仍具有较好的解释力和一致性。
5 智慧农业发展路径解析
基于
表7的条件组态结果，本研究识别出2条高水平智慧农业发展路径。整体来看，2条路径均以农业科技专利数和农业研发投入作为核心条件，说明农业科技创新能力和持续研发投入是高水平智慧农业形成的共同基础。在此基础上，不同地区分别通过数字基础支撑、财政资源保障和人力资本承接形成差异化发展路径。本研究结合各路径的条件组合和典型案例，对高水平智慧农业发展路径进行进一步解释。
5.1 高水平智慧农业发展路径
高水平智慧农业发展路径共呈现2种组态形式，解的覆盖度为0.524，解的一致性为0.878，表明2条组态路径对高水平智慧农业具有较好的解释力。其中，H1路径的一致性为0.905，原始覆盖率为0.451，唯一覆盖率为0.143；H2路径的一致性为0.879，原始覆盖率为0.381，唯一覆盖率为0.073，代表组态具有一定的解释力。
5.1.1 高路径H1：技术研发-人力资本-财政支撑型智慧农业发展路径
H1组态可解释45.1%的高水平智慧农业案例，且14.3%的案例只能通过H1组态加以解释，说明该路径具有较强解释力。H1组态中，农业科技专利数、农业研发投入和财政重视程度作为核心条件存在，人力资本水平作为边缘条件存在，政策重视程度、农业生产水平和数字覆盖水平为非必要条件。这表明，在科技创新和研发投入基础较强的地区，财政支持与人力资本能够进一步增强智慧农业技术的吸收、转化和推广能力。
此组态覆盖的典型地区包括上海、北京、广东等地。以上海市为例，该市作为超大城市，其农业发展呈现出“小农业、大战略”的特征。上海虽然第一产业占GDP比重不足1%，但其本身具有较好的农业政策和基础设施，其智慧农业发展水平位居全国首位（据
表3测算），符合技术研发-人力资本-财政支撑型路径特征。近年来，上海市重视人才吸引与培养，通过举办乡村振兴青年英才创新大会等相关活动，不断优化人才评价体系，为发展智慧农业提供优质人力资源；通过加大涉农科技研发财政补贴、支持智能农机采购与数字基建建设，强化了其农业财政支持；伴随着上海浦东智慧农业研究院揭牌成立，进一步提升了上海市的农业科技创新基础，为智慧农业发展供给动能。人力、财政、农业科创环境的优势成为上海市发展智慧农业的核心发力点，也使其成为高水平智慧农业发展的典型成功案例。
5.1.2 高路径H2：技术研发-数字基础驱动型智慧农业发展路径
H2组态能够解释38.1%的高水平智慧农业案例，且7.3%的案例只能通过H2组态加以解释。该路径中，农业科技专利数、农业研发投入和数字覆盖水平作为核心条件存在，政策重视程度作为核心条件不存在，人力资本水平、财政重视程度和农业生产水平为非必要条件。这表明，在科技创新、研发投入和数字基础较强的地区，高水平智慧农业并不必然依赖显性的政策重视条件，而是可以通过技术研发能力与数字基础设施协同实现。
此组态覆盖的省份包含江苏、浙江等地。以浙江省为例，除渔业智能化水平存在不足外，浙江省其余指标均高于均值，多数指标处于领先位置，智慧农业发展综合得分位居全国第二，符合技术研发-数字基础驱动型路径特征。浙江省在我国高新技术发展格局中位居前列，在农业农村部智慧农业行动计划中被特别指定为“先行先试”地区。在近年的发展实践上，浙江省深入推进千村示范、万村整治的千万工程，已建成1.64万个农村电商服务点，农村基础全国领先。2023年，浙江省立项智慧农业“百千”工程建设实施方案；2024年，发布浙江首批智慧农业“百千”工程成果案例。以上举措说明浙江省政府积极发挥组织协调作用，为省内智慧农业企业营造了良好的发展环境与技术氛围。
5.2 非高水平智慧农业约束路径
为进一步揭示智慧农业发展的因果非对称性，本研究对非高水平智慧农业进行补充组态分析。结果显示，非高水平智慧农业路径数量较多，解的覆盖度为0.809，解的一致性为0.803，表明相关组态对非高水平智慧农业具有较强解释力。与高水平智慧农业路径相比，非高水平路径组合更为分散，说明智慧农业发展不足并非高水平路径的简单反向，而是由技术供给、组织支撑和应用环境等多重短板共同造成。依据简约解中的核心条件及中间解路径特征，本研究将非高水平智慧农业归纳为3类约束路径。
第一，研发投入不足约束型。该类型以农业研发投入缺失为核心条件，包含NH1、NH2、NH3、NH4和NH7等路径。其共同特征是农业研发投入不足反复作为关键约束出现，说明研发投入不足会削弱智慧农业技术供给、成果转化和应用推广能力。以吉林省为例，该省具备一定农业生产基础，但农业研发投入和科技成果转化支撑相对不足，智慧农业技术供给和应用扩散能力受到限制，导致其农业基础优势未能充分转化为智慧农业发展优势。由此可见，对于传统农业基础较强的地区而言，若缺少持续研发投入支撑，智慧农业技术仍难以形成稳定扩散和有效应用。
第二，政策支撑转化不足型。该类型以政策重视程度存在为核心条件，包含NH5、NH6和NH10等路径。需要说明的是，政策重视程度在该类路径中作为核心条件存在，并不意味着政策支持会抑制智慧农业发展，而是表明单一政策重视不足以自动转化为高水平智慧农业。以青海省为例，其政策重视程度较高，但农业科技创新、研发投入、人力资本和农业生产基础等条件相对薄弱，政策支持难以在短期内充分转化为技术应用绩效。该类路径说明，政策倡导和规划部署需要与科技创新、财政投入、数字基础和农业应用场景协同配套，才能形成持续的发展效果。
第三，财政支撑不足-农业基础转化受阻型。该类型以财政重视程度缺失和农业生产水平存在为核心条件，包含NH8和NH9路径。其含义在于，部分地区虽具备一定农业生产基础，但财政支持不足会限制智慧农业基础设施建设、智能装备推广和数字化服务平台建设，导致农业基础优势难以转化为智慧农业发展优势。以河北省为例，该省农业生产基础较好，但财政支持和研发投入水平相对有限，智慧农业建设所需的数字基础设施、智能装备和技术服务体系仍需进一步完善。因此，农业生产基础本身并不能自动带来高水平智慧农业发展，仍需要财政资源投入和技术转化机制的支撑。
总体来看，非高水平智慧农业主要表现为研发投入不足、政策支撑转化不足以及财政支持不足等约束。上述结果进一步说明，智慧农业发展不足并非由单一短板造成，而是技术供给、组织支撑和应用环境之间未能形成有效协同的结果。因此，低水平地区在推进智慧农业建设时，应避免单纯依赖政策倡导或农业基础条件，而应重点补足研发投入、财政保障和技术应用转化能力。
6 结论与政策建议
6.1 结论
本研究围绕数字乡村与农业强国战略部署，系统探究了我国智慧农业的区域差异规律、核心驱动要素与差异化发展路径。首先基于产业升级与技术赋能两大关键特征构建了中国智慧农业发展水平测度体系，测算了各省份的实际发展水平；进而基于TOE理论框架，运用fsQCA开展了组态路径分析与典型案例的覆盖分析。主要得出如下结论：
1）我国智慧农业发展呈现显著的区域不均衡特征，技术赋能是核心驱动力量。测算结果表明，不同区域间智慧农业发展水平差异明显。在技术赋能维度中，智能装备基础、农业遥感水平和设施农业建设构成了推动智慧农业发展的核心关键要素。
2）高水平智慧农业的驱动路径具有“异途同归”的并发协同效应，农业科技创新与研发投入是其共同基础。实证分析识别出2条高水平发展组态路径（H1与H2），表明单一因素无法驱动高水平发展，而持续的农业科技创新与研发投入是各省份实现智慧农业高水平跃升的必由之路。
3）非高水平智慧农业受多重瓶颈制约，主要归结为3类核心约束路径。组态分析同样识别出10条具体路径并将其归纳为研发不足约束型、政策支撑转化不足型以及财政支撑不足-农业基础转化受阻型。研发投入短缺、政策悬空难以落地、财政资金保障不到位是部分地区智慧农业发展滞后的主要诱因。
4）智慧农业发展路径具有因果非对称性，后续推进须遵循“因地制宜、精准适配”的差异化策略。结合典型案例的覆盖分析表明，驱动高水平的要素组合与造成非高水平的制约因素并不完全对称。各省份应依据自身在技术、组织及环境维度的资源禀赋，选择相适配的分类治理与优化路径。
6.2 政策建议
为加速我国智慧农业整体升级，助力不同地区精准施策与效益提升，提出政策建议如下：
第一，信息化科技的应用是智慧农业的关键，农业科技研发投入对智慧农业的发展起到重要的驱动作用。建议智慧农业领先的东部地区，依托技术先发优势，聚焦前沿技术与农业生产全流程的融合创新，突破核心技术瓶颈，打造跨区域技术辐射与成果转化高地；智慧农业发展次之的中部地区，承接东部技术外溢，强化特色农业场景数字化适配研发，推动技术成果本地化落地推广；智慧农业落后的西部及东北地区，聚焦基础信息化技术普惠应用，研发低成本、易操作的数字化工具，破解生产监测、资源调配等痛点。
第二，强化政府统筹引领与精准扶持，立足山东、江苏等农业现代化先行省份推动智慧农业高质量发展，强化项目示范带动，发挥引领作用。在黑龙江、四川布局生物育种、智能农机重大示范工程，依托其规模化种植与种业科研优势，打造可复制的技术应用模式。优化资金补贴政策，重点覆盖河南、安徽粮食主产省份，依托其粮食生产核心地位，提升补贴政策落地实效。补齐数字基建短板，优先推进吉林、湖南等产粮大省5G、物联网等设施向田间地头延伸，优先覆盖产粮大县与优势产业带。深化产学研协同，开展新农人智能技术专项培训，推行科研人员驻点服务机制，促进良种、良法、良机配套融合，培育农业新质生产力。
第三，加强智慧农业人才队伍培育与建设。在学科建设与人才培养方面，建议高校增设智慧农业交叉学科方向，开设智能装备应用、大数据分析等核心课程，建立高校和企业协同培养机制与实践基地，实现人才规格与产业需求精准适配。在人才引进与科研支撑方面，设立专项科研基金与人才扶持计划，通过柔性引才模式吸引信息技术、人工智能等跨领域人才，颁布成果转化奖励等激励政策。在技能强化方面，构建分层实训体系，开展智能设备操作、数据解读等技能培训，将培训成效与职业技能认证挂钩。在人员支撑与制度保障方面，将智慧农业人才纳入紧缺人才目录，构建集人才引进、培育、留存于一体的全流程保障体系，为人才长期服务智慧农业产业发展提供制度化支撑。
第四，提升数字技术对农业生产力的赋能作用，为智慧农业发展提供精准高效的现代化环境。面向粮食主产区集成推广标准化数字化种植养殖方案，将智能灌溉、变量施肥、病虫害智能预警等技术与高标准农田建设同步实施，切实提升水肥资源利用率与病虫害防控精准度。根据经营规模差异分层推广智能农机装备，深化数字孪生、农业AI模型在生产决策中的落地应用，实现作物生长模拟、产量预测与农事安排的精准适配。结合不同区域资源禀赋研发具有针对性的数字技术方案，依托社会化服务组织推行生产托管服务，推动小农户与现代智慧农业生产有效衔接。
国家社会科学基金项目(24BTQ066)
,
京公网安备11010202008535号
PDF
(1671KB)
