隨著信息技術(shù)的迅猛發(fā)展，智慧農(nóng)業(yè)已成為當今世界農(nóng)業(yè)發(fā)展的重要趨勢[1]。它集成了物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等先進技術(shù)，旨在提高農(nóng)業(yè)生產(chǎn)效率、優(yōu)化資源配置并減少環(huán)境污染。然而，智慧農(nóng)業(yè)在實踐中的效率評價與優(yōu)化問題一直是研究的熱點和難點。傳統(tǒng)的農(nóng)業(yè)效率評價方法往往局限于單一指標或簡單的綜合性評價，難以全面反映智慧農(nóng)業(yè)系統(tǒng)的復雜性和動態(tài)性。因此，本研究引入SBM模型和熵權(quán)TOPSIS模型，以期為智慧農(nóng)業(yè)的效率評價提供更加科學、準確的方法論支持。

1模型介紹

1.1 SBM模型

SBM（Stochastic Frontier Analysis with a Measurable Boundary Model）模型，即隨機邊界模型與可測量邊界模型的結(jié)合，是一種非參數(shù)的效率評估方法。它允許在考慮隨機誤差的同時，對生產(chǎn)單元的效率進行度量。SBM模型能夠處理多投入多產(chǎn)出的生產(chǎn)環(huán)境，并且不需要預設(shè)生產(chǎn)函數(shù)的形式，具有較強的靈活性和適用性。在智慧農(nóng)業(yè)研究中，SBM模型可以用于評估農(nóng)業(yè)生產(chǎn)效率，識別出效率高的生產(chǎn)單元和效率低下的原因，從而為改進農(nóng)業(yè)生產(chǎn)提供科學依據(jù)。

1.2熵權(quán)TOPSIS模型

熵權(quán)TOPSIS（Technique for Order Prefer‐ence by Similarity to Ideal Solution）模型是一種基于熵權(quán)法的多屬性決策分析方法。它通過計算各評價指標的熵值來確定其權(quán)重，進而利用TOPSIS方法對各評價對象進行排序和優(yōu)選。熵權(quán)法能夠客觀地反映指標信息的重要性，避免主觀賦權(quán)的偏差；而TOPSIS方法則能夠充分利用原始數(shù)據(jù)的信息，對評價對象進行全面、綜合的評價。在智慧農(nóng)業(yè)研究中，熵權(quán)TOPSIS模型可以用于對農(nóng)業(yè)生產(chǎn)方案、技術(shù)措施等進行綜合評價和優(yōu)選，幫助決策者選擇最優(yōu)的農(nóng)業(yè)生產(chǎn)策略。

1.3運用SBM-熵權(quán)TOPSIS研究智慧農(nóng)業(yè)的意義

將SBM模型和熵權(quán)TOPSIS模型應用于智慧農(nóng)業(yè)研究具有重要意義。首先，這兩種模型能夠為智慧農(nóng)業(yè)的效率評價和優(yōu)化提供科學、準確的方法支持，有助于提高農(nóng)業(yè)生產(chǎn)效率和效益[2]。其次，通過綜合運用這兩種模型，可以從多個角度對智慧農(nóng)業(yè)系統(tǒng)進行全面、深入的分析和評價，為農(nóng)業(yè)生產(chǎn)者提供更加全面、準確的決策依據(jù)。最后，這種跨學科的研究方法也有助于推動智慧農(nóng)業(yè)領(lǐng)域相關(guān)理論的創(chuàng)新和發(fā)展，為智慧農(nóng)業(yè)的可持續(xù)發(fā)展提供有力支持。

2中國智慧農(nóng)業(yè)指標體系構(gòu)建

本研究選擇了中國31個省份作為研究對象，能夠全面反映中國智慧農(nóng)業(yè)的發(fā)展狀況，見表1。通過分析這些省份2015～2021年的數(shù)據(jù)，可以揭示出智慧農(nóng)業(yè)發(fā)展的區(qū)域差異、時間趨勢及影響因素，為制定更加精準的農(nóng)業(yè)政策提供科學依據(jù)[3]。同時，這也將為全球智慧農(nóng)業(yè)的發(fā)展提供寶貴的中國經(jīng)驗和智慧。

3結(jié)果與分析

3.1描述性統(tǒng)計

表2展示中國智慧農(nóng)業(yè)關(guān)鍵指標的基本信息，包括鄉(xiāng)村人口、農(nóng)村用電量、農(nóng)業(yè)機械總動力、農(nóng)村居民平均每百戶年末計算機擁有量、農(nóng)作物總播種面積、有效灌溉面積、農(nóng)林牧漁業(yè)總產(chǎn)值以及農(nóng)村居民人均可支配收入。從表2中可以看出，鄉(xiāng)村人口平均值為1 748.857萬人，但標準差達到1 220.32萬人，顯示了不同地區(qū)鄉(xiāng)村人口數(shù)量的巨大差異。農(nóng)村用電量的平均值為274.554億千瓦小時，標準差為382.319億千瓦小時，同樣顯示出顯著的地區(qū)性差異。在農(nóng)業(yè)機械動力方面，平均值為3 337.666萬千瓦，標準差為2 840.145萬千瓦，暗示了農(nóng)業(yè)機械化水平的地區(qū)不均衡性。農(nóng)村居民平均每百戶年末計算機擁有量為52.169臺，標準差為18.716臺，這個數(shù)據(jù)反映了農(nóng)村信息化程度的提升但仍存在差距。農(nóng)作物總播種面積平均值為5 383.021千公頃，標準差高達3 993.14千公頃，這揭示了中國農(nóng)業(yè)生產(chǎn)規(guī)模的巨大變化和地區(qū)間的顯著差異。有效灌溉面積平均值為2 194.009千公頃，標準差為1 733.498千公頃，這在一定程度上反映了中國農(nóng)田水利建設(shè)的進展和地區(qū)間的不同。農(nóng)林牧漁業(yè)總產(chǎn)值的平均值為3 871.184億元，標準差為2 673.042億元，農(nóng)村居民人均可支配收入的平均值為15 453.318元，標準差為5 792.53元。這2項指標都顯示了中國農(nóng)業(yè)經(jīng)濟發(fā)展的整體提升，但同時也揭示了地區(qū)間發(fā)展的不平衡性。

3.2 SBM結(jié)果

SBM結(jié)果如表3所示。從表3中可以看出，各省份智慧農(nóng)業(yè)SBM綜合效率在逐年提升，但存在顯著的區(qū)域差異。效率值較高的省份主要集中在東部沿海地區(qū)和西部地區(qū)，而中部地區(qū)的效率值相對較低。這可能與東部沿海地區(qū)的經(jīng)濟發(fā)展水平較高、科技創(chuàng)新能力強，以及西部地區(qū)得益于國家政策扶持、具有后發(fā)優(yōu)勢有關(guān)。其中，海南、西藏兩省在多數(shù)年份中均位列前茅，表現(xiàn)出較高的智慧農(nóng)業(yè)綜合效率。其中，海南省在2015～2021年期間，有4年排名第一，其余年份也均位列前三；西藏自治區(qū)在2017～2021年期間一直穩(wěn)居前三。這些省份在智慧農(nóng)業(yè)技術(shù)應用、資源優(yōu)化配置等方面可能具有較為先進的經(jīng)驗和做法。黑龍江、上海、四川等省份在智慧農(nóng)業(yè)綜合效率上提升較快。例如，黑龍江省從2015年的第四名上升至2021年的第二名；上海市在2018～2021年期間一直保持在前5名之內(nèi)；四川省則從2015年的第五名下降至2021年的第八名。這些省份在智慧農(nóng)業(yè)的發(fā)展過程中可能加大了投入力度，創(chuàng)新了發(fā)展模式，取得了顯著成效。河北、山西、內(nèi)蒙古等省份在智慧農(nóng)業(yè)綜合效率上排名相對靠后，且提升幅度有限。這些省份可能受限于自然條件、經(jīng)濟發(fā)展水平或科技創(chuàng)新能力等因素，導致智慧農(nóng)業(yè)發(fā)展相對滯后。未來，這些省份需要加大政策支持力度，提高科技創(chuàng)新能力，促進智慧農(nóng)業(yè)的快速發(fā)展。從區(qū)域分布來看，東部沿海地區(qū)的智慧農(nóng)業(yè)綜合效率普遍較高，如海南、上海、江蘇等省份；中部地區(qū)的效率值相對較低，如河北、山西、河南等省份；而西部地區(qū)的效率值呈現(xiàn)出兩極分化的現(xiàn)象，既有像西藏、四川這樣效率值較高的省份，也有像甘肅、寧夏這樣效率值較低的省份。這種區(qū)域差異可能與各地區(qū)的經(jīng)濟發(fā)展水平、科技創(chuàng)新能力、政策支持力度等因素有關(guān)。

3.3熵權(quán)TOPSIS結(jié)果

熵權(quán)TOPSIS結(jié)果如表4所示。

智慧農(nóng)業(yè)作為現(xiàn)代農(nóng)業(yè)發(fā)展的高級階段，融合了信息技術(shù)、智能裝備和農(nóng)業(yè)管理等多個領(lǐng)域，對于提升農(nóng)業(yè)生產(chǎn)效率、優(yōu)化資源配置、保障糧食安全具有重要意義。本文基于2015～2021年中國各省份智慧農(nóng)業(yè)的熵權(quán)TOPSIS相對接近度及排名數(shù)據(jù)，進行深入剖析，以揭示各省份智慧農(nóng)業(yè)的發(fā)展態(tài)勢與差異?？傮w來看，各省份在智慧農(nóng)業(yè)發(fā)展上呈現(xiàn)出顯著的不均衡性。排名靠前的省份如山東、河南等，在智慧農(nóng)業(yè)的建設(shè)上取得了顯著成效，持續(xù)保持在較高水平，表明這些省份在智慧農(nóng)業(yè)的投入、技術(shù)創(chuàng)新和應用推廣等方面具有明顯優(yōu)勢。而排名靠后的省份如西藏、青海等，由于自然條件、經(jīng)濟基礎(chǔ)和技術(shù)水平等方面的限制，智慧農(nóng)業(yè)的發(fā)展相對滯后。具體來看，山東和河南2省在智慧農(nóng)業(yè)的發(fā)展上表現(xiàn)突出，連續(xù)多年穩(wěn)居第一、第二名。這2個省份都是農(nóng)業(yè)大省，具有深厚的農(nóng)業(yè)基礎(chǔ)和強大的科技創(chuàng)新能力，能夠有效地將先進的信息技術(shù)和智能裝備應用于農(nóng)業(yè)生產(chǎn)中，提升農(nóng)業(yè)生產(chǎn)的智能化、精準化和高效化水平。同時，這2個省份還注重智慧農(nóng)業(yè)與鄉(xiāng)村振興、農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革等戰(zhàn)略的結(jié)合，推動了智慧農(nóng)業(yè)的全面發(fā)展。黑龍江和河北兩省在智慧農(nóng)業(yè)的發(fā)展上也取得了較好成績，分別穩(wěn)居第三、第四名。這2個省份都是中國重要的糧食生產(chǎn)區(qū)，對于保障國家糧食安全具有重要意義。它們在智慧農(nóng)業(yè)的建設(shè)上注重發(fā)揮自身優(yōu)勢，加強農(nóng)業(yè)科技創(chuàng)新和推廣應用，推動了農(nóng)業(yè)生產(chǎn)方式的轉(zhuǎn)型升級和農(nóng)業(yè)生產(chǎn)效率的大幅提升。

相比之下，一些西部和邊遠地區(qū)的省份在智慧農(nóng)業(yè)的發(fā)展上相對滯后。如西藏、青海等省份，由于自然條件惡劣、經(jīng)濟基礎(chǔ)薄弱和技術(shù)水平落后等原因，智慧農(nóng)業(yè)的發(fā)展面臨諸多困難和挑戰(zhàn)。這些省份需要加大政策支持力度，加強基礎(chǔ)設(shè)施建設(shè)和技術(shù)培訓，提升農(nóng)民的信息素養(yǎng)和科技創(chuàng)新能力，推動智慧農(nóng)業(yè)的快速發(fā)展。

本部分主要運用SBM和熵權(quán)TOPSIS進行綜合評估并進行排名。SBM主要關(guān)注投入和產(chǎn)出的效率，即給定投入下的最大產(chǎn)出或給定產(chǎn)出下的最小投入。而熵權(quán)TOPSIS則綜合考慮了多個指標的信息，包括但不限于效率指標。因此，1個省份可能在效率方面表現(xiàn)優(yōu)秀（在SBM中排名靠前），但在其他指標（如創(chuàng)新能力、可持續(xù)性、社會影響等）上表現(xiàn)不佳（在熵權(quán)TOPSIS中排名靠后）。熵權(quán)TOPSIS中，權(quán)重是基于指標的變異程度（熵值）來確定的，這意味著那些在不同省份之間差異較大的指標會被賦予更高的權(quán)重。而在SBM中，通常沒有直接的權(quán)重分配過程，而是通過數(shù)學規(guī)劃方法來確定相對效率。因此，權(quán)重的不同分配可能導致2種方法在排名上產(chǎn)生差異。SBM主要關(guān)注于效率評估，特別是在考慮投入和產(chǎn)出的關(guān)系時，對決策單元（DMU）的相對效率進行評價。而熵權(quán)TOPSIS則是一種基于熵權(quán)法確定權(quán)重，再結(jié)合TOPSIS方法進行綜合評價的方法，它更多地考慮了指標之間的相對重要性和決策單元與理想解的接近程度。以海南和西藏為例，它們在SBM分析中表現(xiàn)出較高的智慧農(nóng)業(yè)綜合效率，但在熵權(quán)TOPSIS排名中可能并不靠前。主要是因為它們在效率指標上表現(xiàn)優(yōu)秀，但在其他如創(chuàng)新能力、基礎(chǔ)設(shè)施、社會經(jīng)濟發(fā)展等綜合指標上相對較弱。這也表明，在智慧農(nóng)業(yè)的發(fā)展中，除了關(guān)注效率外，還需要綜合考慮多個方面的因素，以實現(xiàn)全面、可持續(xù)的發(fā)展。

4對策建議

根據(jù)SBM和熵值TOPSIS的分析結(jié)果，可以從以下幾個方面提出對策建議：

第一，對于在SBM分析中效率較高的省份，應繼續(xù)保持并發(fā)揚其在智慧農(nóng)業(yè)方面的優(yōu)勢，通過技術(shù)創(chuàng)新和資源優(yōu)化等手段進一步提升效率，為全國智慧農(nóng)業(yè)的發(fā)展樹立標桿。同時，這些省份應積極分享其成功的經(jīng)驗和技術(shù)，帶動其他地區(qū)智慧農(nóng)業(yè)的發(fā)展，實現(xiàn)共同進步。

第二，對于在熵值TOPSIS分析中排名靠前的省份，應進一步強化其優(yōu)勢指標，鞏固在全國的領(lǐng)先地位，并針對排名中暴露出的短板指標，制定具體的提升計劃，通過政策扶持和技術(shù)創(chuàng)新等手段加以改進，實現(xiàn)全面平衡的發(fā)展。

第三，對于在2種方法排名中均較后的省份，需要加大政策扶持力度，引進先進技術(shù)和經(jīng)驗，培養(yǎng)專業(yè)人才，并創(chuàng)新發(fā)展模式。政府應出臺相關(guān)政策，提供財政、稅收、金融等方面的支持，為這些省份的智慧農(nóng)業(yè)發(fā)展注入動力。同時，要積極引進國內(nèi)外先進的智慧農(nóng)業(yè)技術(shù)和經(jīng)驗，結(jié)合本地實際情況進行消化吸收和再創(chuàng)新。此外，還應加強對智慧農(nóng)業(yè)專業(yè)人才的培養(yǎng)和引進，為智慧農(nóng)業(yè)的發(fā)展提供有力的人才保障。

第四，針對區(qū)域差異問題，應實施差異化的發(fā)展策略，加強區(qū)域間的合作與交流，并關(guān)注弱勢群體與地區(qū)。不同地區(qū)應根據(jù)自身實際情況和資源稟賦，制定符合本地特色的智慧農(nóng)業(yè)發(fā)展策略。同時，要加強與其他地區(qū)的合作與交流，共同推動智慧農(nóng)業(yè)的發(fā)展。對于經(jīng)濟條件較差、科技創(chuàng)新能力較弱的地區(qū)和群體，政府和社會各界應給予更多的關(guān)注和支持，幫助其提升智慧農(nóng)業(yè)的發(fā)展水平，實現(xiàn)全國范圍內(nèi)的均衡發(fā)展[4]。

參考文獻

[1]張旭云，鄭謙，王子陽.基于超效率三階段DEA模型的安徽省智慧農(nóng)業(yè)生產(chǎn)效率分析[J].宿州學院學報，2023，38（11）：37-42.

[2]蔡靜雯，許思遠，丁勝，等.基于DEA模型的江蘇省智慧農(nóng)業(yè)生產(chǎn)效率分析[J].中國林業(yè)經(jīng)濟，2022（3）：47-50.

[3]耿鵬鵬，杜文忠.基于“智慧”過程模型的廣西智慧農(nóng)業(yè)發(fā)展狀態(tài)測度分析[J].科技管理研究，2020，40（19）：94-102.

[4]童慶蒙.農(nóng)戶氣候響應行為及其對技術(shù)效率的影響研究[D].武漢：華中農(nóng)業(yè)大學，2020.

（河南新鄉(xiāng)職業(yè)技術(shù)學院旅游學院元成偉，趙紀國）