基于FAHP的数字农业发展水平评价指标体系构建

郑 谦 赵超群 张梦瑶

(安徽科技学院管理学院,安徽 蚌埠 233000)

数字经济时代,新一代信息技术正在逐渐渗透进入社会生产生活的各个领域,深刻地改变经济增长方式和产业结构。在农业领域,数字技术与农业生产方式的深度融合,成为了传统农业转型升级重要途径。国家的《数字乡村发展战略纲要》《数字农业农村发展规划( 2019—2025 年) 》等一系列规划政策的出台,引领了数字农业的发展方向。数字农业是利用物联网、云计算、大数据等现代先进的信息技术,收集农产品生产、销售等过程中实时数据,并通过数据建模分析,建立农产品全产业链数据系统,以实现农业运营效率提升、环境改善、效益增加等目的的综合农业生产模式。[1]数字农业引导农业生产实现信息化决策、高效化生产和差异化服务,转变农业生产运营方式。目前,国内学者关于数字农业发展的量化研究方兴未艾,大多集中在数字农业技术领域、理论内涵、发展模式等方面。[2]但在数字农业发展水平的定量化发展研究方面缺乏系统性。数字农业涉及到科技、市场、经济等多个维度,其发展水平的评价存在交互性和复杂性。[3]为了更好地评价复杂情境下数字农业发展水平,促进数字农业的发展,亟待定量化构建多层次多维度的数字农业发展水平评价指标体系。

一、国内外数字农业研究现状

国外发达国家的数字农业已达到较高水平,学术领域的研究主要侧重两个方面。一是探索数字农业相关技术的研发工作的影响因素与机制,如探讨不同的创新思维对数字农业研发工作的影响,[4]或者不同参与者在农业创新活动中的角色。[5]二是对数字农业技术推广的影响因素,以及主要应用模式进行分析,认为数字农业技术推广中互动关系、价值共创、认知价值、货币价值和环境价值等因素影响到农场主的技术采纳行为。[6]三是分析数字农业对社会经济生活带来的影响。[7]

国内学者在数字农业方面的研究主要集中以下几个方面。一是围绕数字农业相关技术进行研发活动,如针对小麦、水稻、玉米等农作物生长过程的信息采集,GIS,遥感技术研究等,建立数字农业生产模型。[8]二是探讨数字农业的内涵、发展意义和发展模式,做概念性的界定和发展路径设计。[1]三是对发展数字农业存在的障碍进行剖析,分析存在的主要问题并提出对策建议。[9]四是从定量化的角度构建农业信息化发展水平的测量指标体系,并进行区域间差异的测度。[10, 11]

以往的研究大多着眼于理论内涵、发展现状及技术应用层面的分析,缺乏对数字农业发展水平的系统分析。数字农业不仅涉及到技术应用,还涉及到社会、经济、资源等其他多个方面,数字农业的发展需要综合考虑多种因素,并结合不同地区发展的异质性特点进行差异化重点建设。因此,在促进数字农业的发展进程中,有必要深入分析并评价地区数字农业的发展水平和阶段,以进一步区分和指导不同地区的数字农业发展重点方向。本研究拟采用文献分析构建评价指标体系,并采用模糊层次分析法进行指标赋权,以安徽省为例进行实证分析。研究结果对于促进数字农业发展水平的科学评价指标体系构建,以及科学指导安徽数字农业重点建设方向具有重要意义,研究结论可供相关政府部门参考借鉴。

二、数字农业发展水平评价指标体系构建

考虑指标体系的完整性和数字农业发展水平评价指标体系设计需求，指标选取遵循科学性与可行性、全面性与时效性、数据可比性与可获得性的原则。

(一)指标选取依据

指标的选择要有一定的科学依据，要遵循真实性、准确性和客观性。构建数字农业发展水平评价指标体系是一项复杂的系统工程。根据指标选取的原则，在搜集大量相关文献资料以及结合《国家信息化指标构成方案》作为参考和借鉴的基础上，以数字农业发展的本质为核心，根据我国数字农业的发展特点及相关专家意见，确定了评价指标体系，如表1所示。

表1 数字农业发展水平评价指标体系

(二)指标选择与说明

1.数字农业发展环境

国家对数字农业的扶持能有效提高数字农业发展水平。基于刘利永、李道亮在我国农业信息化水平指数测度中的研究成果，选用农村居民人均纯收入、农业支出占财政支出的比重、地方财政农林水事务投资作为评价数字农业发展环境的指标。[12]

2.数字农业发展基础设施建设

数字农业的发展离不开互联网，网络的发展水平制约数字农业的发展水平。基于李道亮在我国农业信息化水平指数测度研究中的成果，选取农村每百户计算机拥有量、农村互联网普及率及开通互联网行政村的比重作为评价数字农业基础设施建设的指标。[12]

3.数字农业资源建设

与数字农业生产相关的所有资源都是数字农业发展的后备力量，基于王欣和李萍萍在我国北方地区农业信息化水平评价中的研究成果，选用农民技术培训学校的数量、农业科技成果登记数量、农业数据库的数量作为评价数字农业资源建设的指标。[13]

4.数字农业人才建设

懂得技术、信息、管理的复合型农业人才在数字农业发展中起到关键支撑作用，学历教育以及培训密集程度是数字农业人才培养的重要途经。基于王欣和李萍萍对我国北方地区农业信息化水平评价研究，以及林海英等对农业信息化水平与农业经济增长关系研究成果，选用农村中专以上学历的人数比例、农民技术培训学校毕业人数、每百万农村劳动力拥有农业技术人员的数量[13, 14]作为评价数字农业人才建设的指标。

5.数字农业技术应用

技术应用能够直观体现数字农业的发展价值。基于李瑾和郭美荣对农业物联网发展评价指标体系设计研究，[15]以及王欣和李萍萍对我国北方地区农业信息化水平评价的研究成果，[13]故选取农产品电子商务交易额、农业科技成果应用率、土地产出率3个指标用来评价数字农业技术应用的效果。

三、基于FAHP的数字农业发展水平评价模型构建

模糊层次分析法(FAHP)是基于层次分析法与模糊理论建立的评价指标及其权重确定的，定性与定量相结合的系统分析方法，被广泛用于评价模型构建中，其主要评价过程如下。

(一)建立判断矩阵

表2 重要性标度表

(二)求最大特征值及特征向量

判断矩阵按列归一化(式(1))，归一化后按行相加(式(2))，列向量归一化(式(3))，并求出A的最大特征值(式(4))。

(1)

(2)

(3)

(4)

(三)一致性检验

一致性指标为CI=(λmax-n)/(n-1),随机一致性指标CR=CI/RI(RI见表3)。

表3 RI指标数据表

(四)确认权重

基于前文构建的指标体系，通过专家打分法来判断指标的相对重要程度，从而建立判断矩阵，得出指标的权重。文中，目标层A就是待评价的数字农业发展水平，而准则层B包括了B1、B2、B3、B4、B5，要素层Bij则分别是准则层所属的要素。

λ=5.4413对应的特征向量为w=(w1,w2,w3,w4,w5)=(0.0136，0.0820，0.2481，0.4970，0.1317)，CI=0.1103，CR=0.0985<0.10，通过一致性检验，特征值可以作为准则层对目标层的权重。

要素层对准则层的判断矩阵如下：

同理，可对要素层矩阵进行一致性检验，检验结果如下。B1的最大特征值λmax=3.0142，w1=(0.0785,0.3338,0.5907)，CI=0.0071,RI=0.58，CR=0.0136<0.10，B1通过一致性检验。B2的最大特征值λmax=4.0248，w2=(0.2041,0.3549,0.4110)，CI=0.0083,RI=0.90，CR=0.0093<0.10，B2通过一致性检验。B3的最大特征值λmax=3.0142，w3=(0.0807,0.6270,0.2923)，CI=0.0476,RI=0.58，CR=0.0915<0.10，B3通过一致性检验。B4的最大特征值λmax=3.0142，w4=(0.0755,0.5907,0.3338)，CI=0.0071,RI=0.58，CR=0.0136<0.10，B4通过一致性检验。B5的最大特征值λmax=3.0655，w4=(0.0738,0.6434,0.2828)，CI=0.0328,RI=0.58，CR=0.0630<0.10，B5通过一致性检验。判断矩阵B的一致性指标CR均小于0.10，说明其具有良好的一致性并通过一致性检验。同时，可得到数字农业发展水平评价指标体系的指标权重，如表4所示。

表4 数字农业评价指标体系指标权重

(五)模糊综合评价

模糊综合评价法是一种基于模糊数学的综合评价方法，模糊数学由美国自动控制专家L.A.Zedeh于1969年创立。基于前文构建的指标体系，运用模糊综合评价法，构建数字农业发展水平模糊综合评价指标体系。其评价方法如下：

1.确定因素集。若将影响评价对象的一级指标因素组成的集合记作U，则U={u1,u2,…,un}。将影响评价对象的二级指标因素组成的集合记作Ui，则Ui={ui1,ui2,…,uin}，i=1,2,…,n。

2.确定评语集。假设V为被评价对象所有可能出现的总体评价结果组成的集合，则V={v1,v2,…,vn}。采用“高、中、低”的三级标准对数字农业发展水平进行评价，可以得到数字农业的发展水平评价集V。

3.确定权重向量。设A=(a1,a2,…,am)为权重分配模糊矢量，ai表示i个因素的权重(ai>0,∑ai=1)。

4.单因素模糊评价，确立模糊关系矩阵。评价结果用模糊集合表示为Ri={ri1,ri2,…,rin}，归一化处理：∑rij=1。最终得到综合的模糊关系评价矩阵:

5.多指标综合评价。将单因素评价矩阵分别和权重进行模糊替换，便可得模糊综合评价模型：B=AοR(ο表示模糊算子的组合)。

四、实证分析

安徽省是个农业大省，主要粮食农作物产量居全国第4位，近年来，安徽省在乡村振兴战略指引下，加大数字农业建设，提出“数字皖农”计划方案，取得了良好的示范效应。因此，本文以安徽省为例，对安徽省数字农业发展水平进行评价，二级指标数据选取自《安徽省统计年鉴(2019)》《中国农村统计年鉴(2019)》《中国互联网络发展状况统计报告(2019)》。

根据上文构建的评价指标及评价模型，结合安徽省数字农业的发展状况，利用模糊层次分析方法对发展水平等级进行评价。基于前文确定的指标权重，采用专家打分法对数字农业的发展水平进行评价。依据李冬梅对发展水平评价等级的划分，现将数字农业发展水平等级分为“高，中，低”3个层次，[11]相关专家根据安徽省数字农业发展概况对每个基础指标分别打分，由此确定基础指标的发展等级，通过模糊矩阵与指标权重模糊变换得到评价结果，即指标评价的隶属度。

(一)二级指标的模糊综合评价

二级指标的模糊综合评价的专家评价结果如表5所示。

表5 专家评价表

根据表4和表5，计算二级评价指标的评价值。计算如下：

由表5可得，B1、B2、B3、B4、B5的模糊关系评价矩阵如下：

由表4可知：

w1=(0.0785,0.3338,0.5907)，则C1=w1R1=(0.4978,0.000,0.5022)；

w2=(0.2041,0.3549,0.4110)，则C2=w2R2=(0.2690,0.4960,0.2350)；

w3=(0.0807,0.6270,0.2923)，则C3=w3R3=(0.5151,0.000,0.4848)；

w4=(0.0755,0.5907,0.3338)，则C4=w4R4=(0.3081,0.3527,0.3392)；

w5=(0.0738,0.6434,0.2828)，则C5=w5R5=(0.3480,0.3350,0.3170)。

各矩阵的最大隶属度与评价等级均如表5所示。

(二)确定综合评价结果

由表4的一级指标权重可知：w=(0.0136,0.082,0.2481,0.4970,0.1371)，综合求解得：C=wR=(0.2070，0.5596,0.2334)。由C的值可知：“高”的隶属度为0.2070，“中”的隶属度为0.5596，“低”的隶属度为0.2334。由于0.2070<0.2334<0.5596，根据最大隶属度原则，则隶属度为0.5596，安徽省数字农业发展水平评价结果为“中”。

(三)对安徽省数字农业发展的建议

对于安徽省来说，要提高数字农业发展水平应从权重较大和评价较低的指标入手，考虑采取相应措施。从评价情况来看，安徽省发展数字农业的重点工作应聚焦于数字农业技术应用和数字农业人才队伍建设。市场需求是引导技术创新和生产发展的关键要素，在省内创建数字农业的示范项目，加大技术推广力度，提升数字农业技术推广水平，对于倒逼数字农业技术研发，促进数字农业上游产业链整合具有重要意义。此外，数字农业所需要的人才队伍庞大，要求兼具农业、信息、生产管理等多种知识技能，加大数字农业人才的培养，提升专项培训具有十分重要的意义。

其次，从评价等级结果来看，数字农业发展环境指标是安徽省数字农业发展的短板和主要制约因素。数字农业的建设和运维的投入巨大，需要重点增加农民收入和财政支出，尤其是加大光纤、宽带、5G等农村信息基础设施投入。

五、研究结论与展望

本研究利用模糊层次分析法,构建了数字农业发展水平评价指标体系,并以安徽省为例对其数字农业发展进行实证分析。结果反映农林水事务支出占财政支出的比重、农村互联网普及率、农民技术培训学校的数量、农民技术培训学校毕业人数、科技成果应用率5个指标权重较大,最终得出其发展水平等级为“中”。对于安徽省来说,想要提高数字农业发展水平,应该从权重较大的指标考虑来采取相应的措施：加强政策导向,加大财政支出力度；加快农村互联网建设,夯实数字农业发展基础；成立数字农业技术团队,加强农民技术培训；加强素质教育,提高数字农业发展内生动力；加大科技研发力度,提高农业科技成果转化率。因此,该指标体系具有一定的参考价值和合理性,可为数字农业发展水平评价研究提供一定参考,对于农业信息化的发展方向与科学评价具有重要的意义。

本研究建立的数字农业发展模型主要基于存量数据的现状评价,对于数字农业来说,增长趋势和发展速度也是非常重要的参考指标。因此,在进一步的研究中,可引入动态评价方法,从发展趋势和速度层面进行更全面的综合评价。