数农融合发展水平的测度、评价及影响因素分析:基于可解释机器学习模型(统计与决策 2026年第8期)
基于机器学习模型对数农融合进行测度与影响因素分析，方法新颖，数据详实，对农业信息化研究有较高参考价值。
为破解当前我国数农融合不充分与区域发展不平衡难题,文章基于企业工商登记数据,从数农融合规模与渗透率两个维度构建数农融合发展水平评价指标体系,采用CRITIC法测度我国2000-2023年31个省份的数农融合发展水平,运用核密度估计、Dagum基尼系数、随机森林模型、SHAP方法等分析数农融合发展水平的区域差异及关键影响因素。研究发现我国数农融合水平持续上升且增速逐步加快,东部地区领先、西部地区相对偏低。邮政业务总量、农村人力资本、农林牧渔业总产值及财政涉农支出占比对数农融合发展水平具有显著正向影响。
**[摘要]**为破解当前我国数农融合不充分与区域发展不平衡的难题，助力农业高质量发展，文章基于企业工商登记数据，从数农融合规模与渗透率两个维度构建数农融合发展水平评价指标体系，采用CRITIC法测度我国2000—2023年31个省份的数农融合发展水平，运用核密度估计、Dagum基尼系数、随机森林模型、SHAP方法等分析数农融合发展水平的区域差异及关键影响因素。研究结果表明：我国数农融合水平持续上升且增速逐步加快；区域层面，东部地区的数农融合发展水平领先，西部地区相对偏低，四大地区均保持增长态势但增速分化明显；核密度曲线由单峰分布向多峰分布演变；数农融合水平的总体差异逐渐缩小，区域间差异是总体差异的主要来源，东部地区的区域内差异最大，东部与东北地区的区域间差异最大。影响因素分析结果显示，邮政业务总量、农村人力资本、农林牧渔业总产值及财政涉农支出占比对数农融合发展水平具有显著的正向影响；而农村投递线路长度与农村金融机构营业网点就业人数则在一定程度上负向影响数农融合发展水平。
**[关键字]**数农融合发展水平，CRITIC法，机器学习，SHAP可解释性方法