Welcome to Smart Agriculture 中文

Research on the Spatio-temporal Characteristics and Driving Factors of Smart Farm Development in the Yangtze River Economic Belt

  • GAO Qun , 1, 2 ,
  • WANG Hongyang 1 ,
  • CHEN Shiyao 1
Expand
  • 1. School of Public Policy and Administration, Nanchang University, Nanchang 330031, China
  • 2. Institute of China's Rural Revitalization Research, Nanchang University, Nanchang 330031, China
GAO Qun, E-mail:

Received date: 2024-03-30

  Online published: 2024-07-16

Supported by

Jiangxi Provincial Educational Science Planning Project(23QN001)

Jiangxi Provincial Degree and Postgraduate Education Reform Project(JXYJG-2022-013)

National Natural Science Foundation of China(71763018)

Copyright

copyright©2024 by the authors

Abstract

Objective In order to summarize exemplary cases of high-quality development in regional smart agriculture and contribute strategies for the sustainable advancement of the national smart agriculture cause, it delved into the spatiotemporal characteristics and key driving factors of smart farms in the Yangtze River economic belt. Methods Based on data from 11 provinces (municipalities) spanning the years 2014 to 2023, a comprehensive analysis was conducted on the spatio-temporal differentiation characteristics of smart farms in the Yangtze River economic belt using methods such as kernel density analysis, spatial auto-correlation analysis, and standard deviation ellipse. This analysis explored aspects including the overall spatial clustering characteristics, high-value or low-value clustering phenomena, centroid characteristics, and dynamic change trends. Subsequently, the geographic detector was employed to identify the key factors driving the spatio-temporal differentiation of smart farms and to discern the interactions between different factors. This analysis was conducted across seven dimensions: special fiscal support, industry dependence, human capital, urbanization, agricultural mechanization, internet infrastructure, and technological innovation. Results and Discussions Firstly, in terms of temporal characteristics, the number of smart farms in the Yangtze River economic belt had steadily increased over the past decade. The year 2016 marked a significant turning point, after which the growth rate of smart farms had accelerated noticeably. The development of the upper, middle, and lower reaches exhibited both commonalities and disparities. Specifically, the lower sub-regions had a higher overall development level of smart farms, with a fluctuating upward growth rate; the middle sub-regions were at a moderate level, showing a fluctuating upward growth rate and relatively even provincial distribution; the upper sub-regions had a low development level, with a stable and slow growth rate, and an unbalanced provincial distribution. Secondly, in terms of spatial distribution, smart farms in the Yangtze River economic belt exhibited a dispersed agglomeration pattern. The results of global auto-correlation indicated that smart farms in the Yangtze River economic belt tended to be randomly distributed. The results of local auto-correlation showed that the predominant patterns of agglomeration were H-L and L-H types, with the distribution across provinces being somewhat complex; H-H type agglomeration areas were mainly concentrated in Sichuan, Hubei, and Anhui; L-L type agglomeration areas were primarily in Yunnan and Guizhou. The standard deviation ellipse results revealed that the mean center of smart farms in the Yangtze River economic belt had shifted from Anqing City in Anhui province in 2014 to Jingzhou City in Hubei province in 2023, with the spatial distribution showing an overall trend of shifting southwestward and a slow expansion toward the northeast and south. Finally, in terms of key driving factors, technological innovation was the primary critical factor driving the formation of the spatio-temporal distribution pattern of smart farms in the Yangtze River economic belt, with a factor explanatory degree of 0.311 1. Moreover, after interacting with other indicators, it continued to play a crucial role in the spatio-temporal distribution of smart farms, which aligned with the practical logic of smart farm development. Urbanization and agricultural mechanization levels were the second and third largest key factors, with factor explanatory degrees of 0.292 2 and 0.251 4, respectively. The key driving factors for the spatio-temporal differentiation of smart farms in the upper, middle, and lower sub-regions exhibited both commonalities and differences. Specifically, the top two key factors driver identification in the upper region were technological innovation (0.841 9) and special fiscal support (0.782 3). In the middle region, they were technological innovation (0.619 0) and human capital (0.600 1), while in the lower region, they were urbanization (0.727 6) and technological innovation (0.425 4). The identification of key driving factors and the detection of their interactive effects further confirmed that the spatio-temporal distribution characteristics of smart farms in the Yangtze River economic belt were the result of the comprehensive action of multiple factors. Conclusions The development of smart farms in the Yangtze River economic belt is showing a positive momentum, with both the total number of smart farms and the number of sub-regions experiencing stable growth. The development speed and level of smart farms in the sub-regions exhibit a differentiated characteristic of "lower reaches > middle reaches > upper reaches". At the same time, the overall distribution of smart farms in the Yangtze River economic belt is relatively balanced, with the degree of sub-regional distribution balance being "middle reaches (Hubei province, Hunan province, Jiangxi province are balanced) > lower reaches (dominated by Anhui) > upper reaches (Sichuan stands out)". The coverage of smart farm site selection continues to expand, forming a "northeast-southwest" horizontal diffusion pattern. In addition, the spatio-temporal characteristics of smart farms in the Yangtze River economic belt are the result of the comprehensive action of multiple factors, with the explanatory power of factors ranked from high to low as follows: Technological innovation > urbanization > agricultural mechanization > human capital > internet infrastructure > industry dependence > special fiscal support. Moreover, the influence of each factor is further strengthened after interaction. Based on these conclusions, suggestions are proposed to promote the high-quality development of smart farms in the Yangtze River economic belt. This study not only provides a theoretical basis and reference for the construction of smart farms in the Yangtze River economic belt and other regions, but also helps to grasp the current status and future trends of smart farm development.

Cite this article

GAO Qun , WANG Hongyang , CHEN Shiyao . Research on the Spatio-temporal Characteristics and Driving Factors of Smart Farm Development in the Yangtze River Economic Belt[J]. Smart Agriculture, 2024 : 1 -12 . DOI: 10.12133/j.smartag.SA202404005

0 引 言

智慧农场是智慧农业的具体表现形式,是农业新质生产力的重要载体,是乡村振兴战略规划下推动农业转型升级、实现高质量发展的关键驱动力。智慧农场是基于先进技术和信息化手段,对农业生产各个环节进行智能管控,实现农业生产自动化与精细化管理的高效生产形式1。2024年“中央一号”文件强调“持续实施数字乡村发展行动,发展智慧农业”;中央“十四五”规划与2035年远景目标纲要亦提出“建设智慧农业”“加快农业农村现代化”。自2016年智慧农业被正式写入“中央一号”文件以来,历年“中央一号”文件对智慧农业均有提及,中央与地方各级政府亦持续出台政策推动其发展。
已有研究较少直接选取智慧农场为研究对象,故本研究采用与智慧农场紧密相关的智慧农业相关研究作为参考。学术界对智慧农业优化农业生产过程中的正向溢出效应持肯定态度。相关研究主要集中在3个维度:一是智慧农业实践应用研究。智慧农业的自动化灌溉技术、田间监测技术可实时监控与调节农作物生长状况,辅助病虫识别2,有效提升产量和品质3,促进养殖业智能化4,改善农业金融效能5,增强农业可持续发展与经济效益6,应对粮食安全与气候变化挑战7。二是智慧农业发展存在问题及挑战研究。受技术要素、区域发展不平衡、专业人才缺乏等因素制约,智慧农业仍处于发展初级阶段8。面临的挑战与问题包括:伦理风险9、关键技术短板突出10、数据采集与利用效率低11、信息安全存在隐患12、高素质专业人才匮乏13、发展不均衡14。三是智慧农业可持续发展思路探讨。需坚持过程导向,制定多方参与协调的长效可持续机制15,提升智慧农业技术与农民的契合度16,发挥政府超前主导作用17,引导市场力量加入保障充足资金来源18,科技创新链与农业产业链有机融合19,加强高素质复合型农业人才培养和储备,创新农业技术应用场景20,持续推进农业机器人研制与应用21
综上,国内外学者对智慧农业的研究十分重视,研究焦点包括智慧农业实践应用、问题与挑战、未来发展潜力,为开展区域层面的研究提供了有益参考和启示。当前研究视野主要集中于国家整体层面,而聚焦于区域层面,尤其是标杆区域的研究相对匮乏,且对其时空演进及驱动因素的分析尚不充分。长江经济带是国家重要的农业主产地和经济发达区域,得益于长江经济带高质量发展政策的重点支持和关注,其农业智能化水平已处于全国领先地位。然而,由于长江经济带的农业生产模式短期内仍以大田生产为主,智慧农业大规模应用尚有限,目前主要通过“智慧农场”这一模式在局部进行示范。鉴于此,将视角聚焦于长江经济带11个省(市),选取2014—2023年智慧农场数据,运用空间地理信息系统(Geographic Information System, GIS)技术、地理探测器等方法综合探究智慧农场发展时空分异及关键驱动因子,以期为长江经济带智慧农场高质量建设提供理论依据和实践指导,为国家智慧农业事业持续进步贡献思路。可能的边际贡献在于:1)从地理学视角对智慧农业区域研究作出重要补充性探究,特别是选取长江经济带这一全国智慧农场发展的标杆区域,有利于总结发展示范经验并为其他地区智慧农场建设提供理论依据与借鉴。2)深入探究2014—2023年间长江经济带智慧农场整体与区域时空演变并厘清关键驱动因子,有助于更好把握当前长江经济带智慧农场发展现状与未来趋势,为智慧农场乃至现代化农业高质量发展探索可能的方向。

1 研究方法

1.1 研究区概况

长江经济带是中国经济的核心区域和国家战略发展的重要支柱,涵盖11个省(市),横跨东、中、西三大区域,总面积约205.23 km²,占国土面积的21.4%22。截至2023年,区域人口和国内生产总值(Gross Domestic Product, GDP)总量在全国占比分别为43.1%、46.3%23。亚热带气候、丰富的水资源、适宜的平原和丘陵地形,为其农业发展提供了先天优势;加之信息化与数字化技术驱动的创新产业链起步较早,为智慧农场发展奠定了坚实基础。截至2023年,已建成智慧农场394个,占全国智慧农场总数的35.6%24。为深入分析智慧农场时空分异特征,将区域细分为上游(云南、贵州、重庆、四川)、中游(湖北、湖南、江西)、下游(安徽、江苏、浙江、上海)3个子区域,从产业整体视角和区域细分视角分别研究。

1.2 研究方法与指标选取

1.2.1 研究方法

基于11个省(市)2014—2023年智慧农场数据,先后用GIS空间分析技术中的核密度分析、空间自相关分析、标准差椭圆等方法,综合探究长江经济带智慧农场时空分异特征。
1)核密度分析。作为非参数估计的一种,用核密度分析探测长江经济带智慧农场的空间集聚整体特征,见公式(1)
f h ( x ) = 1 m h i = 1 m k x - x i h
式中: f h ( x )值越大代表集聚程度越高; k x - x i h为核函数; h > 0,为带宽; x - x i为估计点 x至样本 x i的距离; m为观测值数量。
2)空间自相关。基于全局自相关与局部自相关分析,探究长江经济带智慧农场的聚集性演变。其中,根据全局莫兰指数 I反映出3种模式:集聚型、离散型、随机型,见公式(2)
I = n i = 1 n j = 1 n W i j y i - y ¯ y j - y ¯ i = 1 n j = 1 n W i j i = 1 n y i - y ¯ 2
式中: n为空间单元个数; y i y j分别表示第i与第 j个空间单元属性值; y ¯为单元属性值均值; W i j为空间权重值。局部莫兰指数用于推算智慧农场聚集地范围。当局部莫兰指数 I取值等于0时,表明无空间自相关性。当局部莫兰指数 I取值大于0时,若 Z i大于0,为H-H型空间集聚,即高属性值区域;若 Z i小于0,则为L-L型空间集聚,即低属性值区域。当局部莫兰指数 I取值小于0时,若 Z i大于0,为H-L型空间集聚,即被低属性值包围的高属性值区域;若 Z i小于0,为L-H型空间集聚,即被高属性值区域包围的低属性值区域。详见公式(3)公式(4)
I = n y i - y ¯ y j - y ¯ 2 i j n W i j Z j
Z i = y i - y ¯
3)标准差椭圆。该方法可直观反映地理要素空间分布的全局特征与分布趋势。分析要素包括重心坐标、长轴标准差、短轴标准差和方位角等。基于此方法识别长江经济带智慧农场的空间布局的中心性和方向性等特征。
4)地理探测器。该方法用于探测自变量与因变量空间分布相关性程度。研究过程中采用因子探测与交互探测2个子项识别关键因子,见公式(5)
q = 1 - 1 N σ 2 h = 1 L N h σ h 2
式中: q为智慧农场空间分布差异的影响因素探测力指标,取值区间为[0,1]。 q值越大,表明因变量空间分异性越明显;若因变量分层是由自变量生成的,则 q值越大表示自变量对因变量的解释力越强,反之则越弱。 q值为1,表明智慧农场分别受到相应指标的影响; q值为0,则表明分布呈随机状态,相应指标不具解释力。

1.2.2 指标选取

智慧农场发展受多重因素影响,理论上可通过以下维度的指标衡量:1)专项财政支持。政府通过各种财政补贴政策推进农业基础设施建设和农业转型升级。而智慧农场是利用先进农业设备进行运转的生产形式,政府对智慧农机设备和技术的扶持有助于智慧农场的应用推广25。故选取农业生产设备财政支出专项作为专项财政支持维度的衡量指标。2)产业依赖。地区发展中农业所占的比重能凸显出对农业的依赖程度,高依赖度地区更易推动农业转型升级,出现智慧农场26。故选取农业增加值作为产业依赖度的衡量指标。3)人力资本。智慧农场作为高水平的生产方式,要求农民具备高技术条件,而较高的受教育水平有助于农民掌握和应用先进农机设备与技术27。故选取人力资本水平作为人力资本维度的衡量指标。4)城镇化。城镇化率的提升导致农村人口减少和土地集中,有利于智慧农业的规模化发展28。故选取城镇化水平作为城镇化维度的衡量指标。5)农业机械化。农业机械化生产能够提高生产效率,推动农业转型,而智慧农场的突出特征之一就是机械化运转29。故选取农业机械动力作为农业机械化维度的衡量指标。6)互联网基础。智慧农场需配备互联网基础设施,依赖数字信息化手段对生产环节进行管控30。故选取互联网覆盖度作为互联网基础的衡量指标。7)技术创新。科学技术研发与应用可提升农业技术含量,推动农业向科技密集型智慧农业转型31。故选取专利授权量作为技术创新维度的衡量指标。综上,这些因素共同影响着智慧农场的发展,故选取7个指标探究智慧农场时空分异的关键驱动因子及其之间的交互作用,见表1
表1 智慧农场时空分异驱动因子指标说明

Table 1 Description of the driver metrics of spatio-temporal differentiation of smart farms

维度 调查指标 指标说明
专项财政支持 农业生产设备财政支出专项/% 农业生产设备购置补贴占农业财政总支出的比重
产业依赖 农业增加值/% 第一产业增加值占地区生产总值的比重
人力资本 人力资本水平/% 受高等教育人数占地区6岁以上人口比重
城镇化 城镇化水平/% 城镇人口占地区总人口的比重
农业机械化

农业机械

动力/(kW/hm2

农业机械总动力/农作物总播种面积
互联网基础 互联网覆盖度/(个/人) 互联网宽带接入端口数与地区总人数的比值
技术创新 专利授权量/项 国内专利授权总量

1.3 数据来源

智慧农场是智慧农业的重要应用载体,其数量与规模反映了农业生产的信息化与数字化程度,进而展现智慧农业的发展水平。对智慧农场数量与规模进行统计分析,为学术界展开智慧农业的现状评估提供了直观和精确的量化依据32。智慧农场数据来源于天眼查网站,涵盖2014—2023年长江经济带11个省(市)智慧农场的名称、成立时间、所属省市区县详细地址等基础信息。基于地址信息的统计分析得出各省市智慧农场数量。借助规划云平台爬取各智慧农场的兴趣点 (Point of Interest, POI) 数据,将其与矢量地图整合后导入ArcGIS 10.8软件进行智慧农场时空分异研究。时空分布关键驱动因子数据来源于历年《中国统计年鉴》《中国农村统计年鉴》及各省(市)统计年鉴,对各指标初始数据先后进行比值化和分级处理,输入地理探测器以获得智慧农场驱动因子的解释力及交互解释力。

2 长江经济带智慧农场的时空演变特征

2.1 长江经济带智慧农场时间演变特征

图1从产业整体视角,总结了长江经济带智慧农场过去10年增长趋势。2014—2023年该地区智慧农场数量呈稳定增长趋势,特别是2016—2017年间增长幅度显著。这一增长高峰与智慧农业概念被纳入“中央一号”文件及2016年《长江经济带发展规划纲要》发布密切相关。这些政策文件为长江经济带智慧农场快速发展提供了强劲动力,也为随后几年的持续增长打下了坚实基础。
图1 长江经济带智慧农场数量变化(2014—2023)

Fig. 1 Changes in the number of smart farms in the Yangtze River economic belt (2014-2023)

图2从区域细分视角,总结了长江经济带上、中、下游智慧农场10年的发展共性与差异性。其中,共性表现为智慧农场数量在上中下游均呈现逐年增长的趋势;差异性则体现为发展速度和水平的不同,呈现“下游>中游>上游”的特征。具体来看:1)长江下游地区智慧农场整体发展水平较高,增速呈波动上升态势。下游地区经济发达、科技水平较高,为智慧农场发展提供了先天优越的条件。截至2023年,智慧农场主要集中在安徽省(90个),其次为江苏省(35个),浙江省较少(26个)。可能的原因是安徽省作为农业大省,长期以来具备强大的农业基础实力,并得到下游先进技术的大力支持;而江苏省与浙江省城镇化水平相对较高,可用于农业生产的空间资源相对较少。2)长江中游智慧农场发展处于中等水平,增速亦呈波动上升态势且省域分布相对均匀。截至2023年,湖南省、湖北省和江西省智慧农场数量分别为50个、41个和37个。3)相较于中下游地区,长江上游地区智慧农业整体发展水平不高,增速平稳缓慢且省域分布失衡。截至2023年,上游地区超过半数智慧农场集中在四川省(78个),仅有少数分布于贵州省(16个)、云南省(13个)、重庆市(8个)。未来应重视上游区域协调发展,尤其是云南、贵州等省域需要更多的政策支持,才能更好助力其智慧农场发展实现突破。
图2 长江经济带上中下游增长对比

Fig. 2 Comparison of upstream, midstream and downstream growth of the Yangtze River economic belt

2.2 长江经济带智慧农场空间演变特征

2.2.1 空间自相关分析

借助核密度估计工具,探测长江经济带智慧农场空间集聚整体特征。图3显示,截至2023年,长江经济带智慧农场分布总体呈现分散的聚集特征,主要聚集于上游的四川、中游的湖南、下游的安徽3省;分布排名后3位的省(市)依次为云南省、重庆市、上海市。其中,上游地区智慧农场集中于成渝城市群一带;中游地区分布相对均匀,离散程度相对较高;而下游地区智慧农场主要聚集于安徽一带。
图3 长江经济带智慧农场分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1612号标准地图制作,底图无修改。

Fig. 3 Distribution of smart farms of the Yangtze River economic belt

采用空间自相关分析对2014—2023年智慧农场的空间演变情况展开探究。表2显示,在此期间长江经济带智慧农场趋于随机分布。鉴于各年份全局自相关分析结果均为随机分布,仅选取2023年数据进行上游、中游、下游自相关分析。结果显示,上、中、下游智慧农场空间分布亦呈现随机特征。
表2 长江经济带智慧农场全局自相关分析结果

Table 2 Global auto-correlation analysis results of smart farms in the Yangtze River economic belt

指标 长江经济带整体(2014—2023年) 子区域(2023年)
2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 上游 中游 下游
Moran I指数 ‒0.035 9 ‒0.070 6 ‒0.001 1 ‒0.043 9 ‒0.088 9 ‒0.092 4 ‒0.109 3 ‒0.157 0 ‒0.141 5 ‒0.171 3 0.133 0 ‒0.186 5

预期

指数

‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.100 0 ‒0.333 3 ‒0.333 3
方差 0.037 2 0.038 5 0.038 5 0.036 7 0.037 1 0.036 7 0.035 9 0.036 3 0.037 7 0.036 0 0.185 7 0 0.081 8
Z得分 ‒0.332 2 ‒0.869 1 ‒0.5038 ‒0.292 9 ‒0.057 8 ‒0.039 8 ‒0.048 9 ‒0.299 2 ‒0.214 0 ‒0.375 8 1.082 3 0.513 4
P 0.739 7 0.384 8 0.614 4 0.769 6 0.953 9 0.9683 0.961 0 0.764 8 0.830 5 0.707 0 0.279 1 0.607 7

分布

模式

随机 随机 随机 随机 随机 随机 随机 随机 随机 随机 随机 随机 随机
为深入研究2014—2023年长江经济带智慧农场的高值或低值集聚现象,采用局部自相关分析探究智慧农场局部空间分布特征,并将结果进行计数处理。由表3可知:1)2014—2023年长江经济带智慧农场主要呈现出H-L型集聚与L-H型集聚的态势,其分布省份略显繁杂。然而,这一现象恰如其分地反映出该区域智慧农场正沿着整体均衡发展的路径稳健前行。2)H-H型高值集聚地区主要集中在四川、湖北、安徽一带。其智慧农场不仅数量庞大,且过去10年中稳步增长,形成了智慧农场的高聚集区。这3省历来是中国农业发展的重要地区,具备良好的农业基础,因此在智慧农场发展方面具备明显优势。此外,四川省、湖北省和安徽省分别位于长江经济带的上、中、下游,各自形成了智慧农场聚集中心,亦可形成扩散效应,从而推动周边省市智慧农场的发展。值得关注的是,湖北省经10年发展,由H-H型集聚转变为H-L与L-H型集聚地区,伴随着国家与地方智慧农业支持政策的持续出台,各省积极建设智慧农场湖北省优势逐渐减弱,进一步促成了中游分布随机的局面;而四川省在发展过程中演变为H-H型集聚地区,形成了“后来居上”的情况,成为了上游聚集中心。3)L-L型集聚地区于2014—2023年间始终存在。就数量而言,L-L型低值集聚地区呈逐年增多的态势,自2014年的5个增至2023年的17个;从省域分布来看,L-L型低值集聚地区以云南省、贵州省为主,表明两省在智慧农场发展方面对比其他省域相对滞后,与其地理位置偏僻及经济发展相对滞后有关。而伴随经济与时代的发展,四川省、重庆市的少部分区域也出现了L-L型集聚,可能是受到了成渝城市圈智慧农场高值聚类地区的带动影响,促使省内其他地区也开始投入智慧农场建设。
表3 长江经济带智慧农场局部自相关分析结果

Table 3 Local auto-correlation analysis results of smart farms in the Yangtze River economic belt

年份 集聚类型
H-H型 L-L型 H-L型 L-H型
2014 皖*2;鄂*1 湘*3;黔*2 赣*1;鄂*1;黔*1;滇*2 皖*4;鄂*2
2015 皖*2 湘*2;黔*2 赣*1;鄂*1;黔*1;滇*2 苏*1;皖*5;鄂*2
2016 皖*2;鄂*1 湘*2;黔*2 赣*1;鄂*1;黔*1;滇*2 苏*1;皖*5;鄂*2
2017 苏*1;皖*4 沪*1;黔*1;滇*1 鄂*1;黔*1;滇*2 皖*5;赣*3;鄂*2
2018 苏*1;皖*4 滇*5 鄂*1;湘*1;黔*1;滇*2 浙江*2;皖*5;赣*2;鄂*1
2019 皖*4;川*1 渝*1;滇*7 鄂*1;湘*1;黔*1;滇*1 皖*5;赣*2;鄂*1;四川*1
2020 皖*6;川*3 渝*1;黔*1;滇*7 鄂*1;湘*1;黔*2;滇*2 皖*3;鄂*1;川*2
2021 皖*6;川*1 渝*1;川*2;黔*2;滇*11 鄂*1;黔*1;滇*1 皖*3;鄂*1;川*1
2022 苏*1;皖*5;川*4 渝*1;川*2;黔*1;滇*11 鄂*1;黔*3;滇*2 皖*3;鄂*1;川*2
2023 皖*8;川*3 渝*1;川*2;黔*4;滇*10 苏*1;滇*1 苏*1;皖*3;鄂*1;川*1

注:H-H型为高值聚类地区,指具有统计显著性(P<0.05)的被其他高属性值区域所包围的高属性值区域;H-L型,指被其他低属性值区域所包围的高属性值区域;L-H型,指被其他高属性值区域所包围的低属性值区域;L-L型为低值聚类地区,指具有统计显著性(P<0.05)的被其他低属性值区域所包围低属性值区域。“各省简称*数量”代表对应年份各省出现聚类现象的地级市数量。

2.2.2 重心特征及演变

本研究基于标准差椭圆分析了2014—2023年长江经济带智慧农场的动态变化趋势(图4)。以2016年为分界点,可细分为两个阶段。第一阶段,2014—2016年,智慧农场分布标准差椭圆发生了明显的面积扩增与较大幅度的方向倾斜。2014年中国智慧农业概念被正式提出33;2015年智慧农场分布范围进一步扩增,方向略微呈现自东北向西南的转变;2016年智慧农场分布范围再次明显扩增。同年,智慧农业概念被正式纳入“中央一号”文件,《长江经济带发展规划纲要》亦正式发布,椭圆的覆盖范围整体朝西南方向偏移,东北向西南的方向性更为明显,上界、下界均发生了变化,平均中心朝西南方向移动,椭圆扁率变大、向心性减弱。第二阶段,2017年至今,椭圆覆盖范围缓慢扩大,总体呈“东北—西南”的分布格局。2017年相较于2016年变化不大,但椭圆覆盖范围略有扩大;2017年之后,智慧农场分布的标准差椭圆变化较小。历经10年发展,空间分布呈现向西南方向偏移的整体趋势并出现了缓慢向东北和南部扩展的趋势,这反映出长江经济带智慧农场发展格局的稳定性,需挖掘新的驱动力以促进其实现新突破。
图4 2014—2023年长江经济带智慧农场标准差椭圆分析结果

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1605号标准地图制作,底图无修改。

Fig. 4 Standard deviation ellipse analysis results of smart farms in the Yangtze River economic belt in 2014-2023

表4为标准差椭圆的具体数据。其中,中心坐标显示,在纬度方向上,长江经济带智慧农场均值中心基本保持稳定,未发生明显偏移;然而,在经度方向上,均值中心向西发生了转移并逐渐迁移至中游地区。均值中心自2014年安徽省安庆市迁移至2023年湖北省荆州市。覆盖面积与扁率显示,标准差椭圆覆盖面积逐年增加,表明智慧农场选址覆盖面不断扩张,其影响力逐年扩展。同时,椭圆扁率持续增大,表明在东西方向上的横向增速较快。方位角显示,长江经济带智慧农场的发展趋势始终表现为东北朝向且近乎横向发展。然而,与过去10年的数据比对后,可发现这一发展的方向性略有减弱。
表4 长江经济带智慧农场标准差椭圆具体数据

Table 4 Standard deviation ellipse data of smart farms in the Yangtze River economic belt

年份 中心坐标 覆盖面积/km2 方位角/(°) 扁率
2014 116°16'26.4"E,30°16'29.3"N(安徽省安庆市) 491 517.475 8 89.118 7 0.553 3
2015 115°44'34.5"E,30°26'56.0"N(湖北省黄冈市) 563 071.910 9 85.192 8 0.637 5
2016 114°02'51.1"E,29°56'09.8"N(湖北省咸宁市) 820 424.294 1 84.304 1 0.644 4
2017 114°02'02.3"E,29°49'35.7"N(湖北省咸宁市) 764 479.620 8 83.076 5 0.612 6
2018 114°07'59.1"E,29°57'00.8"N(湖北省咸宁市) 771 297.113 9 83.127 8 0.627 4
2023 112°58'25.1"E,30°07'15.6"N(湖北省荆州市) 890 615.358 1 79.796 8 0.604 7

3 长江经济带智慧农场时空分异关键驱动因子判别

3.1 关键驱动因子判别

本研究基于因子探测从整体视角和区域细分视角得出了7个维度指标的解释度与显著性(表5)。从流域整体视角来看:所有因子均通过了显著性检验,7个因子会在不同程度上影响长江经济带智慧农场的时空分异。其中,驱动因子的解释力由大到小依次为:技术创新>城镇化>农业机械化>人力资本>互联网基础>产业依赖>专项财政支持。具体来看:1)技术创新是驱动长江经济带智慧农场时空分异格局形成的首要关键因素,因子解释度为0.311 1,这与智慧农场发展的现实逻辑契合。智慧农场的核心特征在于生产的智能化,数字技术与农业的深度融合推动了产业智能化升级34,持续的技术创新与应用为智慧农场保持活力提供了坚实支撑。因此,经济发达、设备完善、技术水平先进的地区更容易成为智慧农场聚集地。2)城镇化、农业机械化水平、人力资本质量及互联网基础设施的完备性在长江经济带智慧农场时空分异格局形成中扮演着重要角色,因子解释度依次为0.292 2、0.251 4、0.231 9、0.196 4。城镇化进程通过转移农村人口和促进土地资源集中,为智慧农场的规模化生产提供了充足的土地空间35;先进的农业机械设备支持自动化生产,为智慧农场的建设创造了优越条件;高素质的人力资本有利于农民掌握并应用先进技术,确保智慧农场的高效运作;而覆盖广泛的互联网基础设施则为智慧农场与数字信息技术的深度融合提供了强有力的支撑。3)产业依赖程度与专项财政支持也会对长江经济带智慧农场时空分布产生影响,因子解释度分别为0.161 6与0.119 1。若农业增加值在地区生产总值中占据较大比重,政府、企业、农户等利益相关主体更有动力增加对智慧农场的投资,以期实现更高的产值。同时,智慧农场的建设与发展需充足资金支持,财政投入的增加为其提供了坚实的经济基础并有助于加速智慧农场的建设进程。
表5 智慧农场时空分异关键驱动因子判别结果

Table 5 Key driver identification results of spatio-temporal differentiation of smart farms

维度 调查指标 整体 上游 中游 下游
q统计量 P q统计量 P q统计量 P q统计量 P
专项财政支持 农业生产设备财政支出专项 0.119 1 0.016 4 0.782 3 0.000 0 0.128 5 0.393 2 0.404 2 0.008 8
产业依赖 农业增加值 0.161 6 0.002 2 0.625 5 0.000 0 0.256 5 0.302 8 0.396 7 0.006 0
人力资本 人力资本水平 0.231 9 0.000 0 0.336 0 0.017 4 0.600 1 0.000 0 0.187 2 0.173 6
城镇化 城镇化水平 0.292 2 0.000 0 0.401 6 0.008 9 0.570 6 0.003 3 0.727 6 0.000 0
农业机械化 农业机械动力 0.251 4 0.000 0 0.280 6 0.044 7 0.300 5 0.103 0 0.503 4 0.004 6
互联网基础 互联网覆盖度 0.196 4 0.000 0 0.380 9 0.011 1 0.520 2 0.009 8 0.061 5 0.721 7
技术创新 专利授权量 0.311 1 0.000 0 0.841 9 0.000 0 0.619 0 0.003 5 0.425 4 0.014 0
从区域细分视角来看,长江经济带上、中、下游智慧农场时空分异的关键因子共性与差异性共存。具体来看:1)技术创新在上、中、下游地区智慧农场时空分布中均发挥着至关重要的作用。这与整体探究结果一致,强调了未来应持续加强科技研发与应用,为智慧农场建设注入活力。2)在上游地区,所有因子均通过了显著性检验,除技术创新(0.841 9)外,专项财政支持(0.782 3)也对智慧农场分布产生了重要影响。鉴于上游地区经济相对滞后,智慧农场发展基础薄弱,需政府匹配当地需求增加资金投入以促进智慧农场建设。3)在中游地区,专项财政支持、产业依赖与农业机械化3个因子未能通过显著性检验,除技术创新(0.619 0)外,人力资本(0.600 1)对智慧农场时空分布影响最为关键。因此,要提高中游地区教育水平,特别是提升农业从业人员的文化程度并加强教育培训,使其掌握更多先进技术并应用于智慧农场生产。4)在下游地区,人力资本与互联网基础2个因子未通过显著性检验,但城镇化(0.727 6)和技术创新(0.425 4)对智慧农场时空分布具有重要影响。下游地区城镇化速度快、水平高,大量人口向城市转移,为智慧农场规模化和机械化生产创造了优越环境。上海、江苏、浙江由于产业重心集中在第三产业,农业发展空间较小,故3省(市)智慧农场分布较少;而安徽历来就是农业大省,农业生产条件优越,城镇化的推进还为其智慧农场发展提供了充足空间,且安徽还可充分接收其他3省的技术辐射与扶持,故成为长江经济带智慧农场集聚最为密集的省份。

3.2 关键驱动因子的交互作用判别

基于地理探测器的交互作用分析能够有效识别两个因子共同作用时对时空格局分布影响的增强或减弱情况36表6为影响长江经济带智慧农场分布各指标交互作用的具体结果。技术创新与其他因子的交互作用之后因子解释度相较于单因子作用获得显著提升,且在智慧农场的时空分布中仍然发挥着最为重要的作用。专项财政支持、产业依赖、人力资本、城镇化、农业机械化和互联网基础在进行了交互作用探测之后,相较于单因子作用,其解释力均显著上升且部分因子交互之后的效果超过了各自作用时的解释力之和。这一发现证实了采取“组合拳”策略的重要性,即通过各因子间的相互配套形成合力,共同促进长江经济带智慧农场发展。
表6 关键驱动因子交互作用探测解释度

Table 6 Explanation of interaction detection of key driving factors

指标 专项财政支持 产业依赖 人力资本 城镇化 农业机械化 互联网基础 技术创新
专项财政支持 0.119 1
产业依赖 0.382 3 0.161 6
人力资本 0.386 5 0.462 1 0.231 9
城镇化 0.450 3 0.392 5 0.432 5 0.292 2
农业机械化 0.370 4 0.434 0 0.434 5 0.569 1 0.251 4
互联网基础 0.475 5 0.461 2 0.491 5 0.490 0 0.623 6 0.196 4
技术创新 0.695 9 0.733 0 0.616 4 0.624 9 0.694 1 0.636 6 0.311 1

注:加粗的数据为非线性增强型,其余均为双因子增强型。

通过综合关键驱动因子识别及交互作用测算结果可知,专项财政支持、产业依赖、人力资本、城镇化、农业机械化、互联网基础及技术创新均是影响长江经济带智慧农场分布的重要因素,且各因子交互后影响力更为显著。进一步证实了长江经济带智慧农场时空分布特征是多因素综合作用的结果。鉴于此,推进智慧农场发展不仅需要强化当地技术进步与创新,合理推进城镇化及提高教育水平,充分挖掘与发挥当地农业生产潜力,还应增强财政资金扶持力度,多方协作助力智慧农场建设。

4 讨论与结论

4.1 讨论

智慧农场是农业新质生产力的重要载体,是未来农业转型的高级形式,是实现农业高质量发展的有效途径。在国家要求大力发展形成新质生产力的背景下,智慧农场展现出巨大的发展潜力。国家对其重视程度体现在历年“中央一号”文件中,并通过《全国现代设施农业建设规划(2023—2030年)》《“数据要素×”三年行动规划(2024—2026年)》等政策文件为智慧农业的持续发展注入了强劲动力。为实现国家对2035年数字乡村建设长远目标,有必要深入研究智慧农业领域,为其高质量发展提供参考。加快推进农业数字化转型,大力建设智慧农场是智慧农业关键任务之一37,通过信息化和装备化的生产运作,有助于实现农业智能化。已有研究很少直接围绕智慧农场为对象展开探讨,中国智慧农场的发展与研究尚处于探索阶段,存在诸多问题38,相关研究还存在诸多挖掘空间。本研究聚焦长江经济带这一既是国家发展重要战略区域又是全国智慧农场发展的前沿地带,运用地理学方法探究了2014—2023年间智慧农场的时空演变并识别了关键驱动因子,为后续研究提供了理论依据与实证参考。通过实证分析发现,长江经济带智慧农场总体发展势头良好,下游发展水平最高,中游次之且空间分布最为均衡,上游发展水平相对较弱,这一发现与当前长江经济带农业高质量发展研究结论一致39。进一步的关键驱动因子研究表明,各因子在不同程度上综合影响长江经济带智慧农场的时空分布;且上、中、下游不同子区域的关键驱动因子存在差异,需匹配整体与子区域发展特征分区施策。促进长江经济带智慧农场建设有助于智慧农业事业的持续发展。推动地区农业产业升级并促进与其他产业的融合,形成全新农业产业形态,从而助力产业全面振兴,为实现农业新质生产力提高目标与实施乡村振兴战略规划提供了明确的行动指南。

4.2 结论

本研究基于2014—2023年11个省(市)智慧农场数据,综合利用核密度分析、空间自相关分析、标准差椭圆等分析方法展开长江经济带智慧农场发展时空格局分异研究;构建7个维度的综合测度指标体系,利用地理探测器的因子解释力与交互作用探测功能识别时空分异关键驱动因子。研究证实:
第一,长江经济带智慧农场呈良好发展势头,发展增速与水平呈“下游>中游>上游”的差异化特征。从产业整体及区域细分两个视角分析,长江经济带智慧农场2014—2023年总数及其子区域数量均实现了稳定增长。值得注意的是,2016年是长江经济带智慧农场发展的重要转折点,此后智慧农场增速明显加快。然而,上、中、下游地区在增速和水平上存在显著差异,下游发展势头较为强劲,增速更快且数量更多。相比之下,上游发展相对较为薄弱,增速较缓且数量较少。
第二,长江经济带智慧农场整体分布呈均衡发展趋势,其选址覆盖面持续扩张并形成了以“东北—西南”为格局的空间分布。从区域细分视角来看,分布均衡程度为“中游(湖北、湖南、江西3省均衡)>下游(以安徽为主导)>上游(四川,独占鳌头)”。中游地区3个省份的智慧农场空间分布状态最为均匀;下游地区智慧农场主要集中在安徽一带;上游地区则集中在成渝城市群一带,尤其是四川呈现垄断空间分布特征;而云南与贵州的智慧农场发展相对滞后。
第三,因子解释力排序由高至低依次为:技术创新>城镇化>农业机械化>人力资本>互联网基础>产业依赖>专项财政支持。在长江经济带智慧农场分布中,技术创新占据主导地位;城镇化、农业机械化水平、人力资本质量及互联网基础设施的完备性为智慧农场发展提供了强劲动力;产业依赖为其发展创造了更多机遇,专项财政支持则提供了资金保障。各维度指标交互后,因子解释力均显著增强,驱动因子相互作用共同塑造了长江经济带智慧农场的时空分布格局。

4.3 建议

基于研究结论,提出关于推动长江经济带智慧农场高质量发展的建议。
第一,在巩固下游智慧农场快速发展优势的同时,加大对上游滞后省份的支持。特别是在经济较为发达的江苏、上海、浙江等下游地区,设立智慧农业发展专项补贴增加研发投入并对滞后地区实施对口帮扶,强化农业财政投入精准性以实现精细化、高度集约化发展。
第二,未来的扶持重点聚焦西南方向,以促进长江经济带智慧农场均衡发展。应特别关注云贵地区,通过整合农业资源打造具有特色的智慧农场,将建设智慧农场示范基地和特色旅游区作为云贵两省智慧农业发展的增长极。同时,构建智慧农场区域合作平台与机制,进一步促进各省先进技术与建设经验共享。
第三,在科技赋能的基础上深入挖掘农业新质生产力,以期实现长江经济带智慧农场量与质的新突破。既要持续强化先进农业技术研发,与农业研究院及高等院校等机构合作攻克尖端技术难题,又要创新应用环境,加强技术研发与实际生产的紧密衔接,助力先进技术成果的实际应用与广泛推广。
由于智慧农业数据的获取面临分散、标准化、隐私保护等难题,直接利用智慧农业数据进行分析存在较大困难,难以直接对智慧农业的时空演进展开探究。故研究选用了与智慧农业存在紧密关联度的智慧农场作为研究对象。智慧农场作为智慧农业的重要组成,通过分析长江经济带智慧农场数据可在一定程度上反映当地智慧农业实际发展状况。此外,由于部分指标难以科学量化并嵌入模型,在驱动因子研究过程中纳入指标有限,故结果可能会存在少许偏差。未来将致力于寻找和获取更多的智慧农业相关数据,并尝试纳入更多影响因子指标以提升研究的精准性。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
洪银兴, 杨玉珍. 现代化新征程中农业发展范式的创新——兼论中国发展经济学的创新研究[J]. 管理世界, 2023, 39(5): 1-8, 9, 53.

HONG Y X, YANG Y Z. The innovation of agricultural development paradigm in the new journey of modernization: On the innovative research of China's development economics[J]. Journal of management world, 2023, 39(5): 1-8, 9, 53.

2
郑果, 姜玉松, 沈永林. 基于改进YOLOv7的水稻害虫识别方法[J]. 华中农业大学学报, 2023, 42(3): 143-151.

ZHENG G, JIANG Y S, SHEN Y L. Recognition of rice pests based on improved YOLOv7[J]. Journal of Huazhong agricultural university, 2023, 42(3): 143-151.

3
张延龙, 王明哲, 廖永松. 保障国家粮食安全视角下的稻米产业化:基于2225家稻米企业的监测数据[J]. 改革, 2022(11): 119-129.

ZHANG Y L, WANG M Z, LIAO Y S. Rice industrialization from the perspective of ensuring national food security: Based on monitoring data of 2, 225 rice enterprises[J]. Reform, 2022(11): 119-129.

4
MAHFUZ S, MUN H S, DILAWAR M A, et al. Applications of smart technology as a sustainable strategy in modern swine farming[J]. Sustainability, 2022, 14(5): ID 2607.

5
曾庆芬. 智慧农业改善农业金融效能:机理及典型实践[J]. 四川师范大学学报(社会科学版), 2023, 50(2): 99-108.

ZENG Q F. Impact mechanism of finance due to digital agriculture and promotion strategy[J]. Journal of Sichuan normal university (social sciences edition), 2023, 50(2): 99-108.

6
WANG X R. Spicy red in Shrimp Town: Smart farming and settler colonialism in Guizhou Province[J]. New media & society, 2023, 25(8): 1888-1912.

7
ADAMIDES G. A review of climate-smart agriculture applications in Cyprus[J]. Atmosphere, 2020, 11(9): ID 898.

8
何可, 吴昊, 曾杨梅. "双碳"目标下的智慧农业发展[J]. 华中农业大学学报, 2023, 42(3): 10-17.

HE K, WU H, ZENG Y M. Development of smart agriculture with goals of carbon peaking and carbon neutrality[J]. Journal of Huazhong agricultural university, 2023, 42(3): 10-17.

9
VAN DER BURG S, BOGAARDT M J, WOLFERT S. Ethics of smart farming: Current questions and directions for responsible innovation towards the future[J]. NJAS: Wageningen journal of life sciences, 2019, 90/91(1): 1-10.

10
YANG X, SHU L, CHEN J N, et al. A survey on smart agriculture: Development modes, technologies, and security and privacy challenges[J]. CAA journal of automatica sinica, 2021, 8(2): 273-302.

11
殷浩栋, 霍鹏, 肖荣美, 等. 智慧农业发展的底层逻辑、现实约束与突破路径[J]. 改革, 2021(11): 95-103.

YIN H D, HUO P, XIAO R M, et al. The under lying logic, practical constraints and break through path of the development of smart agriculture[J]. Reform, 2021(11): 95-103.

12
ANUBHAV K, AGARWAL M, AASHISH K. Smart farming for future: A structural relation analysis of attitude, facilitating condition, economic benefit and government support[J]. Technology analysis & strategic management, 2023: 1-15.

13
何睦, 王翔. 农业数字化转型发展:重要性、障碍及实施路径[J]. 贵州社会科学, 2023(9): 161-168.

HE M, WANG X. Agricultural digital transformation and development: Importance, obstacles and implementation path[J]. Guizhou social sciences, 2023(9): 161-168.

14
刘长全. 关于智慧农业的理论思考: 发展模式、潜在问题与推进策略[J]. 经济纵横, 2023(8): 63-70.

LIU C Q. Theoretical thinking on smart agriculture: Development modes, potential problems, and promotion measures[J]. Economic review journal, 2023(8): 63-70.

15
SHI L, SHI G C, QIU H G. General review of intelligent agriculture development in China[J]. China agricultural economic review, 2019, 11(1): 39-51.

16
TAKAGI C, PURNOMO S H, KIM M K. Adopting smart agriculture among organic farmers in Taiwan[J]. Asian journal of technology innovation, 2021: 29(2): 180-195.

17
MARESCOTTI M E, DEMARTINI E, FILIPPINI R, et al. Smart farming in mountain areas: Investigating livestock farmers' technophobia and technophilia and their perception of innovation[J]. Journal of rural studies, 2021, 86: 463-472.

18
牟少岩, 丁慧媛, 郑满生, 等. 智慧农业革命影响及对策研究[J]. 农业经济问题, 2022, 43(9): 111-117.

MU S Y, DING H Y, ZHENG M S, et al. Agricultural management revolution triggered by smart agriculture: Content, influence and development countermeasures[J]. Issues in agricultural economy, 2022, 43(9): 111-117.

19
高群, 陈衡洋, 张新亮. 中国农业绿色发展政策的历史演变与焦点特征——基于注意力视角的文本分析[J]. 资源科学, 2023, 45(12): 2433-2448.

GAO Q, CHEN H Y, ZHANG X L. Evolution and focal features of China's agricultural green development policies: Text analysis based on attention perspective[J]. Resources science, 2023, 45(12): 2433-2448.

20
李伟嘉, 苏昕. 数字乡村背景下智慧农业的场景、效应与路径[J]. 科学管理研究, 2023, 41(3): 140-150.

LI W J, SU X. The scene, effect and path of smart agriculture under the background of digital countryside[J]. Scientific management research, 2023, 41(3): 140-150.

21
赵春江, 范贝贝, 李瑾, 等. 农业机器人技术进展、挑战与趋势[J]. 智慧农业(中英文), 2023, 5(4): 1-15.

ZHAO C J, FAN B B, LI J, et al. Agricultural robots: Technology progress, challenges and trends[J]. Smart agriculture, 2023, 5(4): 1-15.

22
李予阳. 长江经济带绿色发展积蓄新动能[EB/OL]. [2020-10-26].

23
国家统计局. 中华人民共和国2023年国民经济和社会发展统计公报[R/OL]. [2024-02-29].

24
天眼查[EB/OL]. [2024-05-03].

25
CAO J N, SOLANGI Y A. Analyzing and prioritizing the barriers and solutions of sustainable agriculture for promoting sustainable development goals in China[J]. Sustainability, 2023, 15(10): ID 8317.

26
李扬, 盛科荣, 卢超. 农业产业化发展的区域差异及影响因素[J]. 江苏农业学报, 2021, 37(3): 763-771.

LI Y, SHENG K R, LU C. Regional differences and influencing factors in the development of agricultural industrialization[J]. Jiangsu journal of agricultural sciences, 2021, 37(3): 763-771.

27
龙少波, 张梦雪. 中国农业全要素生产率的再测算及影响因素——从传统迈向高质量发展[J]. 财经问题研究, 2021(8): 40-51.

LONG S B, ZHANG M X. Recalculation and influencing factors of China's agricultural total factor productivity: From tradition to high-quality development[J]. Research on financial and economic issues, 2021(8): 40-51.

28
孟晓, 田明华, 于法稳. 山东省农业现代化发展水平时空演化及影响因素研究[J]. 中国生态农业学报(中英文), 2023, 31(8): 1194-1207.

MENG X, TIAN M H, YU F W. Spatiotemporal evolution and influencing factors of the development level of agricultural modernization in Shandong Province[J]. Chinese journal of eco-agriculture, 2023, 31(8): 1194-1207.

29
宁发金, 鲁茸拉木, 杜发春. 云南省县域农业生态效率时空分异及其影响因素[J]. 中国农业资源与区划, 2024, 45(2): 49-61.

NING F J, LU R, DU F C. Spatial-temporal differentiation and influencing factors of agricultural ecological efficiency in counties of Yunnan Province[J]. Chinese journal of agricultural resources and regional planning, 2024, 45(2): 49-61.

30
张启文, 王思怡, 刘畅. 长江经济带农业现代化与农业保险协调发展及影响因素研究[J]. 长江流域资源与环境, 2024, 33(3): 646-657.

ZHANG Q W, WANG S Y, LIU C. Coordinated development between agricultural modernization and agricultural insurance and the influencing factors in the Yangtze River economic belt[J]. Resources and environment in the Yangtze Basin, 2024, 33(3): 646-657.

31
李颖慧, 游星, 陈红. 我国现代农业与现代服务业融合发展时空特征与影响因素研究[J/OL]. 中国农业资源与区划, 2023: 1-17. (2023-06-09)[2024-02-12].

LI Y H, YOU X, CHEN H. Research on spatiotemporal characteristics and influencing factors of the integrated development of modern agriculture and modern service industry in China[J/OL]. Chinese journal of agricultural resources and regional planning, 2023: 1-17. (2023-06-09) [2024-02-12].

32
马红坤, 毛世平, 陈雪. 小农生产条件下智慧农业发展的路径选择——基于中日两国的比较分析[J]. 农业经济问题, 2020, 41(12): 87-98.

MA H K, MAO S P, CHEN X. Exploring the development path of smart agriculture in China: Based on the comparative analysis between China and Japan[J]. Issues in agricultural economy, 2020, 41(12): 87-98.

33
林洁. 为新农人打造"硬核"装备[EB/OL]. [2021-11-23].

34
胡霜, 王火根, 肖丽香. 数字技术赋能农业绿色发展: 内在机制与典型实践[J]. 中国工程科学, 2024, 26(2): 150-159.

HU S, WANG H G, XIAO L X. Digital technology enables agricultural green development: Internal mechanism and typical practice[J]. Strategic study of CAE, 2024, 26(2): 150-159.

35
杨头平, 钟桂珍. 中国农业农村现代化的时空演变特征及影响因素分析[J]. 统计与决策, 2024, 40(5): 94-99.

YANG T P, ZHONG G Z. Spatiotemporal evolution characteristics and influencing factors of China's agricultural and rural modernization[J]. Statistics & decision, 2024, 40(5): 94-99.

36
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

WANG J F, XU C D. Geodetector: Principle and prospective[J]. Acta geographica sinica, 2017, 72(1): 116-134.

37
赵春江, 李瑾, 冯献. 面向2035年智慧农业发展战略研究[J]. 中国工程科学, 2021, 23(4): 1-9.

ZHAO C J, LI J, FENG X. Development strategy of smart agriculture for 2035 in China[J]. Strategic study of CAE, 2021, 23(4): 1-9.

38
XIE L, LUO B L, ZHONG W J. How are smallholder farmers involved in digital agriculture in developing countries: A case study from China[J]. Land, 2021, 10(3): ID 245

39
郭宇, 姚亦锋, 王振波, 等. 基于主体功能区的长江经济带绿色发展评价与问题区域识别[J]. 生态学报, 2023, 43(7): 2569-2582.

GUO Y, YAO Y F, WANG Z B, et al. Green development evaluation and problem areas identification of the Yangtze River economic belt from the perspective of major function oriented zones[J]. Acta ecologica sinica, 2023, 43(7): 2569-2582.

Outlines

/