我国数字农业生态效率测度及时空演进分析.pdf

数字经济统计理论与实践我国数字农业生态效率测度及时空演进分析董晓芳樊祥嘉宋彩凤（河北经贸大学数学与统计学学院,河北石家庄0 5 0 0 6 1)摘要：采用动态DEA-Malmquist指数法测算了2 0 1 4 一2 0 2 0 年我国3 1 个省（区、市）数字农业生态全要素生产率及分解效率，并运用核密度估计法对我国数字农业生态全要素生产率进行时空演进分析。结果表明：由于技术效率影响，我国数字农业生态全要素生产率以年均0.1%的速度下降，四大区域的全要素生产率呈现东部高、东北低现象；全国核密度曲线的中心位置不断向1 靠近，核密度曲线形状主要以单峰分布为主，东部、中部、西部三大区域数字农业生态全要素生产率不断增长，东北区域数字农业生态总体发展水平不高，地区间差距较大。关键词：数字农业；生态效率；全要素生产率;DEA-Malmquist指数；核密度估计中图分类号：F302.5;F323.3D0I:10.13999/ki.tjllysj.2023.08.001一、引言数字农业是把数字化信息当作农业生产的新要素，借助数字信息对农业生产环境、对象及流程开展信息化管理和数字化研发的新型农业发展模式。中华人民共和国国民经济和社会发展第十四个五年规划和2 0 3 5 年远景目标纲要提出要加快数字化发展，建设数字中国，并强调要加快推进数字乡村建设，构建面向农业农村的综合信息服务体系，把数字化应用到农业生产中。党的十八大以来，党中央以前所未有的力度抓生态文明建设，我国生态环境发生了历史性、转折性、全局性变化。党的二十大对生态文明建设提出了新的更高要求。毫无疑问，把生态文明建设和数字农业发展融合起来实现数字农业生态发展是实现我国农业高质量发展和农业农村现代化的关键。因此，研究我国数字农业生态效率，分析不同区域效率的时空演进特征，对实现农业高质量发展和全面推进乡村振兴具有重要意义。文献标识码：A字农业高质量发展水平进行了测算。王宝义(2 0 1 8)4基于农业生态效率和经济、资源、环境等支撑约束条件构建了农业生态化发展综合评价指标体系，基于1996一2 0 1 5 年的时序数据，对农业生态化水平进行了综合评价分析，得出1 9 9 6 一2 0 1 5 年我国农业生态化发文章编号：2 0 9 6-8 6 4 7(2 0 2 3)0 8-0 0 0 3-0 7二、文献回顾在实现乡村振兴战略目标，推动农业高质量发展的时代背景下，数字农业生态发展已经成为热点问题。目前,国内学者对数字农业生态发展的研究大致可归纳为两种类型。一是对数字农业发展水平进行评价。张鸿和王浩然等（2 0 2 1)2 基于2 0 1 5 一2 0 1 9 年全国3 1 个省（区、市）的数据，运用层次分析法和熵权法对我国数字农业高质量发展水平进行了测算，并得出我国数字农业发展水平逐渐提高，但在不同的省份之间存在着明显差异的结论。肖艳和徐雪娇等(2 0 2 2)3 使用层次分析法构建了数字农业高质量发展评价指标体系，对吉林省数基金项目：国家自然科学基金青年项目“排序集抽样下截尾数据估计问题的研究（1 1 8 0 1 1 3 4)；河北省高等学校科学技术研究重点项目“河北省数字农业发展效率的非参数统计研究(ZD2022062)。作者简介：董晓芳（1 9 8 1 一），女，河北邯郸人，博士，教授，研究方向为效率评价、非参数统计；樊祥嘉（2 0 0 0 一），男，山东菏泽人，在读硕士，研究方向为效率评价、非参数统计；宋彩风(2 0 0 0 一）,女，河北南宫人，在读硕士，研究方向为效率评价、非参数统计。2023年第8 期（总第5 3 2 期）3STATISTICALTHEORYANDPRACTICE数字经济展综合指数总体呈现波动增长趋势的结论。沈剑波和王应宽（2 0 1 9)5 研究了农业信息化评价指标体系的特点，制定了一套相对合理的农业信息化水平评价指标体系,并使用层次分析法确定了各个指标的权重，为以后的相关研究提供了参考。二是对农业生态效率进行测度。郑云和黄杰（2 0 2 1)基于1 9 9 7 2 0 1 8 年中国3 1 个省（区、市）的面板数据，利用窗口DEA模型和社会分析方法分别对各省(区、市)农业生态效率和空间关联特征进行了测算和考察，得出地理相邻对农业生态效率空间关联网络的形成具有显著促进作用的结论。林锦彬和刘飞翔等(2 0 1 5)7 使用DEA模型，构建农业生态效率综合评价指标体系，对2 0 0 9 2 0 1 3 年福建省大田县的1 8 个乡镇进行效率评价。李菲菲和蔡威熙(2 0 2 2)8 使用DEA-Malmquist指数法测算了2 0 1 1 2 0 2 0 年黄河流域的农业生态效率，并对其空间差异进行了分析，认为黄河流域农业生态效率处于增长态势的主要原因是技术进步。郑家喜和杨东(2 0 1 6)使用DEA-Malmquist指数法对2 0 0 5 2 0 1 3 年长江中游的农业生态效率进行了研究，认为其农业生态效率发展水平呈现不断增长的态势，但是不同地区之间的生态效率存在一定差距。梳理文献发现，鲜有文献把数字农业和生态发展结合起来对数字农业生态效率进行测算和分析。因此，本文基于2 0 1 3 一2 0 2 0 年全国3 1 个省（区、市）的面板数据，采用动态DEA-Malmquist指数法测算我国指标投人指标产出指标42023年第8 期（总第5 3 2 期）数字农业生态全要素生产率及其分解效率，并采用核密度估计方法分析全国及四大区域数字农业生态全要素生产率的时空演进特征，提出针对性的对策建议，具有较高的理论价值和实践意义。三、指标体系与方法选择(一)指标体系的选取与构建1.指标的选取本文在确定投入产出指标时，参考郑家喜和杨东(2016)9构建的农业生态效率评价指标体系，并在此基础上加人了软件和信息技术服务业企业数量、电信业务总量、光缆线路长度等反映数字化农业环境的二级指标，构建了我国数字农业生态发展指标体系。我国数字农业生态发展指标体系中包含3 个投人一级指标：数字化农业环境、数字化农业资源投人、数字化农业生态发展；1 个产出一级指标：数字化农业效益。其中，数字化农业环境是数字化农业生态发展的前提条件，主要反映农业生产过程中数字化基础设施的建设情况和信息化服务水平。数字化农业资源投人是数字化农业生态发展的动力基础，反映农业生产过程中机械、耕地和水资源的投入情况。数字化农业生态发展是主要任务，反映农业发展的可持续性，也是数字化农业高质量发展的核心。数字化农业效益是数字化农业生态发展的生产目标，反映数字资源投人和农业资源投入的回报情况。我国数字农业生态发展的投入产出指标体系如表1 所示。表1 我国数字农业生态发展的投入产出指标体系一级指标数字化农业环境数字化农业资源投人数字化农业生态发展数字化农业效益二级指标软件和信息技术服务业企业数量电信业务总量光缆线路长度有电子商务交易活动企业数量电子商务采购额邮政业网点农业机械总动力农作物总播种面积有效灌溉面积农药使用量农用化肥使用量农用塑料薄膜使用量农林牧渔业总产值电子商务销售额农产品网络零售额属性正向正向正向正向正向正向正向正向正向负向负向负向正向正向正向数字经济统计理论与实践2.指标处理与数据来源由于指标的单位及属性各有不同,所以需要对各指标进行标准化处理，以消除量纲的影响。正向指标和负向指标的标准化公式如式(1)和式(2)所示：正向指标:X,maXij-min(xi)负向指标:Xx=max(x.)-min(x)max(x;)-Xij公式中,x;代表第i个省(区、市)第j项指标的值，X,为标准化后的值。其中正向指标越大越好,负向指标越小越好 1 0 。基于数据的可得性，本文选取2 0 1 3 一2 0 2 0 年作为研究时段，相关基础数据来源于中国统计年鉴中国农村统计年鉴中国第三产业统计年鉴和3 1 个省（区、市）的统计年鉴(二)研究方法1.动态DEA-Malmquist指数方法动态DEA-Malmquist指数方法的基本思路是使用投人产出数据构造生产前沿面函数，使用DEA非参数线性规划模型求出距离函数，接着利用距离函数来表示每个决策单元t期与t+1期的全要素生产率变化。全要素生产率(Tfpch)可以分解为技术效率(Effch)和技术进步率(Tech),具体计算公式如式(3)：Tfpch=M(x,yl,xt*l,yl)XD(x,y)Dl(x,yl)Dl(x,yll)在规模报酬可变的条件下,Effch可分解为纯技术效率(Pech)和规模效率(Sech),所以全要素生产率又可以写为Tfpch=PechSechTech，具体计算公式如式(4):Dl(xl,y/VRS)Tfpch=D(x,y/VRS)D(x+l,y*/CRS)D(x,y/VRS)Dl(x*,y/VRS)D(x,y/CRS)DD(my)XD(x,y)D(x,yi)公式中,xy、x t l、y+1 分别表示t时期和t+1时期投人和产出指标,D(x,y)和D(xtl,yt+)分别表示以t时期和t+1时期为技术参照第t期的距离函数,Dt+I(x,yl)和D(x,y)分别表示以t时期和t+1时期为技术参照第t+1期的距离函数。2.核密度估计方法核密度估计方法是一种非参数估计方法。与参数函数相比,核密度函数能够较为准确地估计随机变量的分布情况。通过对比不同年份样本数据的概率密(1)度函数，分析核密度函数的分布位置、分布形态等特(2)征,可对样本数据进行时空演进分析。假定f(x)是一组连续性随机变量的概率密度函数，则具体表达式如式(5):K(一f(x)=nhi=1其中，n表示观察值的个数,h表示带宽,K()表示核函数，x;表示观测值，x表示观测值的均值。核密度函数包含Epancchnikov核、高斯核等类型，但高斯核应用较为广泛,所以本文采用高斯核函数来估计我国数字农业生态全要素生产率的核密度曲线。高斯核函数具体表达式如式（6)：1exp(-2X2f(x)=V2T四、我国数字农业生态效率测度及时空演进的实证分析（一)我国数字农业生态全要素生产率的测算和结果分析1.我国数字农业生态全要素生产率的时间演变分析DDxmy基于2 0 1 3 一2 0 2 0 年全国3 1 个省（区、市）数字农业生态发展的面板数据，以投入为导向，采用动态(3)DEA-Malmquist指数法，使用DEAP2.1软件，分析数字农业生态全要素生产率及其分解效率的时间演变特征。由于动态DEA-Malmquist指数测算的是t+1时期相较于t时期效率值的变化过程,所以在使用2 0 1 3 一2020年数据进行测算时就得到2 0 1 4 2 0 2 0 年效率的变化值。表2 给出了2 0 1 4 一2 0 2 0 年我国数字农业生态全要素生产率及其分解效率。需要说明的是：2 0 1 4 年2数字农业生态全要素生产率值为1.0 0 7，表明2 0 1 4 年全要素生产率比2 0 1 3 年增长了0.7%，其他年份的效率结果同理。(4)从整体看，2 0 1 4 一2 0 2 0 年我国数字农业生态全要素生产率呈现略微下降趋势，平均每年下降0.1%。根据全要素生产率的分解结果可以看出2 0 1 4 一2 0 2 0 年技术效率整体平均下降了0.8%，而技术进步率上升了0.7%，说明技术效率阻碍了全要素生产率的增长，技X;-Xh2023年第8 期（总第5 3 2 期）(5)(6)5数字经济STATISTICALTHEORYANDPRACTICE术进步率促进了全要素生产率的增长。再从技术效率的分解结果看，纯技术效率年均下降0.3%，规模效率年均下降0.5%，表明纯技术效率和规模效率都阻碍了技术效率的增长，但主要原因是规模效率的不足。因此要使我国数字农业生态全要素生产率水平提高，必须不断调整生态农业产业结构，使规模效率得到改善。分年度看，数字农业生态全要素生产率呈现增长趋势的年度是2 0 1 4 年、2 0 1 6 年、2 0 1 9 年和2 0 2 0 年，年增长率分别是0.7%、2.0%、7.3%和4.8%。在这些年度，可以看到技术进步率对全要素生产率增长作出的贡献要大于技术效率作出的贡献，表明生产技术前沿面移动较为显著，我国数字农业生态发展的技术创新年份技术效率(Effch)20141.00020150.99320161.00020170.96120180.97620190.99720201.017均值0.9922.我国数字农业生态全要素生产率的个体分析为深人了解我国各省（区、市）数字农业生态效率的动态变化,采用动态DEA-Malmquist指数法测算3 1个省（区、市)的数字农业生态全要素生产率及其分解结果，如表3 所示。从表3 可以看出，我国数字农业生态全要素生产率大于1 的省(区、市)有1 3 个，分别是北京、上海、江苏、浙江、福建、广东、湖南、重庆、四川、贵州、西藏、陕西、青海,其中东部区域有6 个，中部区域有1 个，西部区域有6 个，而东北区域没有全要素生产率大于1 的省份。这表明东部区域和西部区域数字农业生态全要素生产率增长较快，中部区域和东北区域全要素生产率增长较慢。从全要素生产率的分解结果看，技术效率大于1的省（市)有6 个,分别是贵州、甘肃、重庆、湖南、河南、上海,其中西部区域有3 个，中部区域有2 个,东部区域有1 个。有2 0 个省（区、市)的技术效率小于1，其中技术效率下降最快的分别是辽宁（-5.7%）、内蒙古（-6.4%)和吉林（-4.5%）。技术进步率大于1 的省62023年第8 期（总第5 3 2 期）投入效果较为明显。2 0 1 4 年和2 0 1 6 年的技术效率值都为1,对全要素生产率的增长没有影响,技术进步率带动了全要素生产率的增长；2 0 1 9 年技术效率下降了0.3%，但技术进步率增长较高抵消了技术效率的负面影响，并对全要素生产率增长产生了促进作用；2 0 2 0 年技术效率和技术进步率都大于1,促进了全要素生产率的增长。2 0 1 5 年、2 0 1 7 年和2 0 1 8 年全要素生产率都呈现出下降的趋势。2 0 1 5 年、2 0 1 7 年技术效率和技术进步率都对全要素生产率的增长产生了负面影响，技术进步率产生的负面影响更大；2 0 1 8 年技术效率下降了2.4%，大于技术进步率增长的比例，导致全要素生产率下降。从以上的分析得出，技术效率对全要素生产率增长产生的负面影响较大。表2 2 0 1 4 一2 0 2 0 年我国数字农业生态全要素生产率及分解效率技术进步率(Tech)规模效率(Sech)1.0071.0090.9541.0001.0211.0120.9590.9581.0100.9871.0761.0011.0301.0131.0070.997(区、市)有1 8 个，其中东部区域有7 个，西部区域有8个，中部区域2 个，东北区域1 个。技术进步率下降最快的是东部区域的山东（-8.0%）、西部区域的甘肃（-8.0%）和新疆（-8.6%），说明东部区域和西部区域农业生态创新和技术进步水平虽较高，但内部的区域差异也较明显。从技术效率分解结果看,纯技术效率大于1 的省(区、市)有8 个,分别是贵州、甘肃、湖南、浙江、重庆、新疆、云南、上海，其中5 个属于西部区域，2 个属于东部区域，1 个属于中部区域，说明西部区域对农业科技投入和生态农业技术的有效利用程度增长较快。1 1 个省（区、市）的纯技术效率不变，1 2 个省（区、市)的纯技术效率出现了负增长。7 个省(区、市)的规模效率大于1,分别是江苏、河南、重庆、贵州、甘肃、内蒙古、吉林，其中西部区域占4 个,东部、中部、东北各占1 个。东部、中部、西部和东北规模效率排名第一的分别是江苏（1.7%）河南（1.3%）重庆（0.9%）和吉林（0.1%）。规模效率下降幅度最大的分别是浙江、山东和天津，都属纯技术效率(Pech)全要素生产率(Tfpch)0.9911.0070.9930.9470.9881.0201.0030.9220.9890.9860.9971.0731.0041.0480.9950.999数字经济统计理论与实践于东部区域，其下降幅度分别是2.5%、2.5%和3.8%，说明东部区域应改善管理方式，提高技术水平，充分发挥区域省(区、市)技术效率(Effch)北京1.000天津0.958河北0.986上海1.005江苏0.982东部浙江福建山东广东海南山西安徽江西中部河南湖北湖南内蒙古广西重庆四川贵州云南西部西藏陕西甘肃青海宁夏新疆辽宁东北吉林黑龙江全国均值（二)我国数字农业生态全要素生产率的时空演进分析本文采用非参数核密度估计方法，使用Matlab软件绘制出2 0 1 4 一2 0 2 0 年我国总体及东部、中部、西部和东北地区数字农业生态全要素生产率的三维核密度图，分析全国及四大区域数字农业生态全要素生产率的时空演进特征。图1 是2 0 1 4 一2 0 2 0 年我国数字农业生态全要素生产率的核密度图。从核函数的分布位置看，2 0 1 4 一规模效应。表3 2 0 1 4 2 0 2 0 年我国数字农业生态全要素生产率及分解效率技术进步率(Tech)规模效率(Sech)1.1171.0001.0090.9970.9890.9881.0821.0161.0370.9650.9771.0821.0001.0550.9750.9201.0001.0471.0000.9930.9901.0040.9960.9830.9751.0091.0130.9790.9930.9861.0140.9910.9360.9800.9731.0111.0231.0040.9931.0361.0701.0250.9941.0031.0001.0600.9891.0471.0360.9200.9921.0690.9900.9970.9960.9140.9431.0060.9550.9480.9990.9660.9921.007纯技术效率(Pech)1.0011.0001.0001.0001.0000.9950.9970.9771.0001.0001.0230.9360.9821.0141.0001.0661.0081.0000.9891.0350.9941.0001.0120.9640.9541.0000.9972018年核函数的中心点不断右移，说明我国数字农业生态全要素生产率不断增长。从核函数分布形态来看，2 0 1 4 一2 0 1 6 年主峰高度逐年下降，2 0 1 6 年之后主峰高度呈现先上升后下降的形态，说明我国数字农业生态全要素生产率的区域差异在缩小。从波峰的数量看，2 0 1 4 年、2 0 1 8 年的波峰数量大于1 个，2 0 1 4 年最高呈现出了4 个波峰,其余年份波峰的数量都是1 个，说明我国数字农业生态全要素生产率多极分化的趋势正在下降，区域差异在缩小。2023年第8 期（总第5 3 2 期）全要素生产率(Tfpch)1.0001.1170.9620.9670.9980.9750.9891.0881.0171.0180.9751.0571.0001.0550.9750.8961.0001.0471.0000.9930.9950.9940.9990.9800.9980.9841.0130.9910.9930.9800.9911.0051.0010.9170.9910.9831.0091.0270.9931.0291.0041.0960.9860.9971.0001.0601.0001.0361.0020.9530.9981.0600.9900.9870.9850.9100.9790.9491.0010.9050.9990.9660.9950.9997.STATISTICALTHEORYANDPRACTICE数字经济10.08.06.04.02.00.02020201920182017时间2 0 1 6201520140.50.6图1 我国数字农业生态全要素生产率三维核密度图图2(a)是2 0 1 4 2 0 2 0 年我国东部区域数字农业生态全要素生产率的核密度图。从核函数分布位置看，2 0 1 4 2 0 1 6 年核函数中心点不断右移，表明2 0 1 4 2016年东部区域整体全要素生产率不断增长；2 0 1 6年后核函数中心点向左移动,并在2 0 1 8 年后核函数中心点呈现出稳定不变的形态，表明目前我国东部区域数字农业生态全要素生产率呈现稳定增长的态势。从分布形态看，2 0 1 4 一2 0 2 0 年核函数主峰高度的整体变化趋势是先下降后上升再下降，表明我国东部区域数字农业生态全要素生产率区域差异在波动缩小。从波峰数量来看，2 0 1 4 年核密度曲线呈现出多峰，2 0 1 5 一2020年波峰的数量都是1 个，表明这几年东部区域各地区数字农业生态全要素生产率增长无明显差异。图2(b)是2 0 1 4 2 0 2 0 年我国中部区域数字农业生态全要素生产率的核密度图。从核密度图的分布位置看,2 0 1 4 一2 0 2 0 年核密度中心点移动变化过程是10.08.06.04.02.00.020202019201820172016时间201520140.710.08.06.04.02.00.02020201920182017时间2 0 1 6201520140.7五、结论与建议本文采用动态DEA-Malmquist指数法对我国3 182023年第8 期（总第5 3 2 期）“左一右一左一右”,但从整体看核密度中心点位置右移，表明整体上中部区域数字农业生态全要素生产率在不断增长。从分布形态看，只有在2 0 1 4 年和2 0 1 8年主峰高度较为明显，其余年份主峰高度较低。从波峰的数量看,2 0 1 4 一2 0 1 7 年波峰的数量是1 个,2 0 1 7年后开始呈现出2 个波峰,并且主峰的高度始终高于1.21.30.91.01.10.70.80.90.8(a)东部区域数字农业生态全要素生产率0.91.00.8(c)西部区域数字农业生态全要素生产率图2 我国四大区域数字农业生态全要素生产率三维核密度图1.41.51.51.21.31.01.1副峰，表明我国中部区域各地区数字农业生态全要素生产率呈现出两极分化的态势。图2（c）是2 0 1 4 2 0 2 0 年我国西部区域数字农业生态全要素生产率的核密度图。从核密度图的分布位置看，2 0 1 4 年核密度中心点集中在0.9 附近，2 0 1 4 年之后核密度中心点逐渐向右移动，其中2 0 1 7 年中心点右移幅度较大,中心位置集中在1.1 附近,其余年份中心点集中在1 附近，表明西部区域数字农业生态全要素生产率不断增长。从分布形态看，西部区域大多数年份主峰高度都较平缓，表明西部区域各地区数字农业生态全要素生产率的差距在不断缩小。图2(d)是2 0 1 4 2 0 2 0 年我国东北区域数字农业生态全要素生产率的核密度图。从分布位置看，东北区域中心位置主要集中在小于1 的一侧，说明东北区域数字农业生态全要素生产率在不断下降。从分布形态与波峰数量看，2 0 1 4 年之后，主峰高度开始下降，但是2 0 1 4 一2 0 1 7 年及2 0 2 0 年呈现出2 个波峰，表明东北区域各省份的数字农业生态全要素生产率呈现两极分化的趋势，地区发展不平衡。30.020.010.00.02020201920182017201620151.420140.7200.0150.0100.050.00.02020201920182017时间2 0 1 61.21.31.10.951.01.051.10.750.80.850.9（b）中部区域数字农业生态全要素生产率201520140.5个省(区、市)的数字农业生态全要素生产率及分解效率进行研究，并采用核密度估计方法分析了全国及四1.151.20.60.7（d）东北区域数字农业生态全婴素生产奉0.80.91.01.11.2数字经济统计理论与实践大区域数字农业生态全要素生产率的时空演进特征，得到主要结论如下：第一,从整体DEA-Malmquist指数及分解效率看，2014一2 0 2 0 年我国数字农业生态全要素生产率呈现下降趋势。下降的主要原因是技术效率出现了负增长，表明目前我国数字农业生态发展水平总体不高，投人资源没有得到充分的利用。第二，分区域说，我国数字农业生态全要素生产率呈现增长态势的区域分别是东部和西部区域，其中东部区域增长幅度最大数字农业生态全要素生产率呈现下降态势的区域是中部和东北区域,其中东北区域下降幅度最大。说明从西向东开始，我国数字农业生态全要素生产率呈现“高一低一高一低”的特征。第三，从全国总体核密度曲线的变化过程看，随着时间的变化核密度曲线的中心位置不断向1 靠近，全国数字农业生态全要素生产率下降幅度逐年递减，并且核密度曲线形状主要以单峰分布为主，表明全国数字农业生态全要素生产率多极分化趋势在下降，区域差异不断缩小。第四，从四大区域核密度曲线变化看,东部区域数字农业生态全要素生产率呈现出稳定增长的态势；中部区域数字农业生态全要素生产率下降趋势逐年递减，地区间两极分化严重；西部区域2 0 1 7 年后核密度曲线中心点位置稳定在1 附近，主峰高度较平缓；东北区域数字农业生态发展水平不高，两极分化严重。基于以上结论，就提高我国整体数字农业生态全要素生产率，缩小各区域数字农业生态全要素生产率差距提出以下建议：第一，合理调配科技资源投入，不断提高资源配置效率。我国各区域技术效率均出现了负增长，而科技创新是促进农业转型，实现数字农业生态发展的关键。因此，我国应该加大对农业科技创新的支持力度，合理分配科技资源与农业资源投入的比重，在资源投人最小情况下释放出应有的动力，不断提高技术效率水平，进而带动我国整体数字农业生态全要素生产率的增长。第二，鼓励区域间相互合作，由外部合作带动内部均衡。全国四大区域之间数字农业生态发展水平不一致,并且中部和东北区域内部出现了两极分化趋势，所以要不断加强四大区域的交流合作，中部和东北区域要学习东部区域的先进技术和管理模式，不断优化数字农业要素投人，缩小与东部区域的差异，进而消除区域内部的两极分化趋势。第三，充分发挥政府主观能动性，不断创新体制机制。目前，传统农业向数字农业转变的支持力度还不够充足，实现数字农业生态发展的技术体系还不够完善,所以各区域政府部门应充分发挥主观能动性，积极采取措施，不断提高各地农业数字化水平。如政府可以鼓励农户、农业生产企业、科研机构和高校四者结合起来，不断完善产学研一体化运行机制，推动数字农业生态发展。参考文献：1陈江，熊礼贵.数字农业内涵、作用机理、挑战与推进路径研究.西南金融,2 0 2 2(1 0)：9 2-1 0 2.2张鸿,王浩然，李哲.乡村振兴背景下中国数字农业高质量发展水平测度：基于2 0 1 5 2 0 1 9 年全国3 1 个省市数据的分析.陕西师范大学学报（哲学社会科学版),2 0 2 1,5 0(3):1 4 1-1 5 4.3肖艳,徐雪娇，孙庆峰.数字农业高质量发展评价指标体系构建及测度.农村经济,2 0 2 2(1 1)：1 9-2 6.4王宝义.中国农业生态化发展的综合评价与系统诊断.财经科学,2 0 1 8(8)：1 0 7-1 2 0.5沈剑波,王应宽.中国农业信息化水平评价指标体系研究.农业工程学报,2 0 1 9,3 5(2 4):1 6 2-1 7 2.6郑云,黄杰.中国农业生态效率空间关联网络特征及其驱动因素研究.经济经纬,2 0 2 1,3 8(6):3 2-4 1.7林锦彬,刘飞翔,郑金贵.我国山区县农业生态效率评价与改善研究：以福建大田县为研究区域.科技管理研究,2 0 1 5,3 5(2 3):5 9-6 3+6 8.8李菲菲,蔡威熙.黄河流域农业生态效率时空差异分析.科技与经济,2 0 2 2,3 5(5):5 1-5 5.9郑家喜，杨东.基于DEA-Malmquist分析法的农业生态效率测算研究：以长江中游四省份为例.湖北社会科学,2 0 1 6(9):6 5-7 1.10伍国勇,庞国光,汤钧惠,等.中国乡村数字经济发展水平的测度、区域差异及时空演变.湖南农业大学学报（社会科学版）,2 0 2 2,2 3(4)：1 5-2 7.11董晓芳，邢琳培.我国省际公共文化服务全要素生产率评价及区域差异分析.河北经贸大学学报,2 0 2 2，43(6):99-108.2023年第8 期（总第5 3 2 期）9