数字经济对粮食生产效率的影响

杨慧文 季张含昱 冯天易

杨慧文，季张含昱，冯天易. 数字经济对粮食生产效率的影响［J］. 湖北农业科学，2024，63（3）：163-170．

摘要：从数字基础设施、数字产业、数字人才3个维度设计数字经济测度指标体系，利用投影寻踪技术进行降维处理，测算数字经济发展水平及各维度发展水平，然后通过构建SBM-DEA模型测算粮食生产效率，最后利用固定效应模型实证分析“十三五”期间数字经济对粮食生产效率的影响。结果表明，促进数字经济发展的主导因素具有省际差异和地域特色，相较于广东数字产业集群优势显著，北京则更多依赖数字人才资源。数字经济对提高粮食生产效率具有正向作用，但影响能力较低。分维度看，相较于数字产业，数字人才和数字基础设施对粮食生产效率的提高作用更显著。因此，各地应因地制宜、动态平衡推动数字经济协调发展，增进数字化要素与农业生产要素协同衔接，精准高效释放数字经济推动粮食生产和农业转型的活力。

关键词：数字经济； 粮食生产效率； 投影寻踪； SBM-DEA； 影响效应

中图分类号：F326.11         文献标识码：A

文章编号：0439-8114（2024）03-0163-08

DOI：10.14088/j.cnki.issn0439-8114.2024.03.025 开放科学（资源服务）标识码（OSID）：

信息技术日益融入经济社会发展的各个领域，呈发展速度快、辐射范围广和影响程度深的特点［1］。以信息技术为基础的数字经济不仅能推动制造业高级化转型，且能为探索农业现代化提供新路径。受新冠疫情的影响，发展中国家的粮食安全问题遭受到最大冲击［2］。作为粮食进口需求量最大的发展中国家，提高粮食生产能力、强化粮食供应稳定性对中国粮食安全具有关键作用。2018年中央一号文件提出实施数字乡村战略的初步构想［3］，此后一系列相关政策出台落地。在此背景下，科学测算数字经济发展水平及粮食生产效率，探究数字经济对粮食生产效率的影响，不仅利于提高粮食产能、维护国家粮食安全，而且对加快数字化发展、建设数字中国具有重要意义。

目前，专门探讨数字经济赋能粮食生产的研究尚不多见，但与之相关的研究较为丰富。在数字经济发展水平测算方面，许宪春等［4］、韩兆安等［5］、鲜祖德等［6］通过分行业求值加总法测算中国数字经济规模；王开科等［7］集中在数字化核心经济活动范围内分部门测度数字经济发展水平和效率系数；杨慧梅等［8］基于数字产业化与产业数字化两维度，以主成分分析法构建数字经济发展水平测算体系；王军等［9］基于熵值法测度数字经济发展水平综合指数并分析其时空特征；赵新伟等［10］综合运用 BCC-DEA与超效率SBM模型、Dagum 基尼系数、Epanechnikov核函数和绝对[β]收敛模型分解测算中美两国数字经济产业效率。在数字经济赋能农业等传统行业发展方面，夏显力等［11］在分析产业、生产和经营体系基础上构建市场需求与数字技术协同促进农业高质量发展分析框架；李春发等［12］基于产业链视角分析数字经济驱动制造业转型升级的作用机理；钱海章等［13］在数据经济背景下分析数字金融产业发展状况及对经济增长的影响；于李娜等［14］探究数字经济发展对一国纺织服装产业在全球价值链中分工位置的影响；田野等［15］基于城乡融合发展的中介效应分析数字经济对乡村产业振兴的影响。在探究粮食生产效率影响因素方面，彭超等［16］评估农业机械化对农户“加总”粮食生产技术效率的作用效果；魏佳朔等［17］基于逆概率加权分析无偿转入土地对粮食生产效率的作用机理。Tobit回归模型被广泛应用于该领域的研究，如张长征等［18］研究农田水利基础设施投资缺口对粮食生产效率损失的影响；王金伟等［19］构建耦合协调模型分析旅游业发展水平对中国粮食生产效率的影响机制。

综上，学者就数字经济、粮食生产效率等相关领域已开展广泛的理论和实践探索，为数字经济对粮食生产效率的影响研究提供有益借鉴，但仍存在不足，一是数字经济发展水平测算的多维指标降维处理技术有待改进，二是以量化方式开展数字经济对粮食生产效率影响的研究尚不多见。基于此，本研究在合理测算2016—2020年中国30个省（市、自治区）（不含港、澳、台、藏）数字经济发展水平和粮食生产效率的基础上，实证检验二者的影响关系，其一，基于投影寻踪模型从数字基础设施、数字产业、数字人才3个维度测算数字经济发展水平，补充现有研究的不足；其二，将数字经济与粮食生产效率纳入同一个研究框架，厘清数字经济对粮食生产效率的影响，以提高粮食生产效率。

1 研究方法

1.1 基于投影寻踪技术的数字经济发展水平测算模型

投影寻踪技术是分析处理非线性、非正态、高维数据的常用统计方法［20］。数字经济指数测算过程本质上是多维数据的降维过程。该技术的基本思想是将高维数据映射在低维子平面内，形成反映高维数据特征的一维投影向量，在保持数据结构特征不变的前提下实现有效降维［21］。

设初始指标矩阵为[Xt=（xijt）m×n]，利用求和归一化方法转化为规范化矩阵[Yt=（yijt）m×n]，其中，[xijt]、[yijt]分别表示第t年i省（市、自治区）j指标在归一化前后的值。对于省（市、自治区）i，将规划第t年的数据[yijt（j=1，2，…，n）]以投影方向[？t=a1t，a2t，…，ant]综合成投影值[Zit]，使其满足：

[Zit=j=1najtyijt] （1）

基于此构建投影目标函数如下：

[Qmax（ajt）=1m-1i=1mZit-Zit2×i1=1mi2=1m（Rt-rt（i1，i2））×f（Rt-rt（i1，i2））=SZit×DZit]

[s.t. j=1n（ajt）2=1  （t=1，2，…，q）-1≤ajt≤1] （2）

对投影数据而言，[SZit]指类间距离，可以反映数据的离散程度；[DZit]指局部密度；[Zit]为投影序列[Zit（i=1，2，…，n）]的均值；[rt（i1，i2）]为一维投影值的间隔距离；[Rt]为局部密度的窗口半径，取值方案应尽可能使局部密集，本模型取值[0.1SZit]；[f（t）]为单位阶跃函数，当[t<0]时，[f（t）=0]，当[t≥0]时，[f（t）=1]。

利用遗传算法求解出投影序列[Zit（i=1，2，…，n）]，将序列[Zit（i=1，2，…，n）]进行归一化处理即得到各个省（市、自治区）的数字经济发展水平指数[Eit（i=1，2，…，n）]，同理也可求得数字基础设施分指数、数字产业分指数和数字人才分指数，分别记为[EIFit（i=1，2，…，n）]、[EDIit（i=1，2，…，n）]和[EDTit（i=1，2，…，n）]。

1.2 基于SBM-DEA的粮食生产效率测算模型

传统DEA模型是假设投入与产出等比例变化的径向测度，对无效率的测量没有包含松弛变量。Tone［22］基于此提出了非径向的SBM-DEA模型，不仅解决该问题，而且基于现实情况引入了非期望产出，大大提高了模型的实际应用价值。

假设在粮食生产系统中存在决策单元DMUi（[i=1，2，…，n]），每个DMU的生产规模报酬可变且均经历时间段T（[t=1，2，…，T]）。每个DMU均有[k]种投入指标、[r1]种期望产出指标及[r2]种非期望产出指标，决策单元DMUo在第t年的粮食生产效率测算值（θot）为：

[θot=min1+1kj=1ks-jtxojt1-1k+r1m=1r1s+mtyomt+l=1r2sbltbolts.t.i=1，i≠onλitxijt-s-jt≤xojti=1，i≠onλityimt-s+mt≥yomti=1，i≠onλitbilt-sblt≤bolt1-1r1+r2m=1r1s+mtyomt+l=1r2sbltbolt>0λit，s-jt，s+mt，sblt≥0] （3）

式中，[xojt]、[yomt]、[bolt]分别为DMUo在第t年的第j种投入、第m种产出和第l种非期望产出；[s-jt]、[s+mt]、[sblt]表示相应指标的松弛变量；[λit]表示权重，满足[i=1nλit=1]。当[θot=1]时，表明DMUo在第t年有效，即满足[s-jt=0]、[s+mt=0]和[sblt=0]；当[0<θot<1]时，表明DMUo在第t年是无效率的，可根据改进方向消除相应的松弛变量，进而使无效率的DMU达到效率前沿。

1.3 固定效应模型

探究数字经济发展水平指数对粮食生产效率的影响，需充分把握数据的时间性、空间性双重特征，因此构建固定效应模型予以论证。该模型的一般形式如下。

[Yit=β0+j=1jβjixjit+μit] （4）

式中，[Yit]表示第[t]年[i]省（市、自治区）的粮食生产效率；[xjit]表示第[t]年[i]省（市、自治区）第[j]个解释变量的数值；[β0]表示待估参数；[βji]（[j=1，2，…，j]）表示[i]省（市、自治区）第[j]个解释变量待估计的参数；[μit]表示随机误差。

从数字经济发展水平对粮食生产效率（FPE）的整体性影响角度构建固定效应模型。解释变量为数字经济发展水平指数（INT），控制变量选用农村物流建设水平（LC）、地方研发支持水平（RD）、农业经济发展水平（AD），模型构建如下。

[FPEit=β0+β1INT1it+β2LC2it+β3RD3it+β4AD4it+μit]      （5）

式中，[βi]为第i个变量对粮食生产效率的影响系数，其值可以体现各变量对粮食生产效率的影响方向和影响程度。

为更深入探究数字经济发展水平内部因素对粮食生产效率的影响，将数字经济发展水平指数（INT）分为数字基础设施分指数（IF）、数字产业分指数（DI）和数字人才分指数（DT）3个维度，在控制变量不变的基础上以分指数作为解释变量构建模型，如下。

[FPE*it=β0+β1IF1it+β2DI2it+β3DT3it+β4LC4it+β5RD5it+β6AD6it+μit]    （6）

2 数据来源及指标选取

2.1 数据来源

以2016—2020年中国30个省（市、自治区）（不含港、澳、台、藏）为研究对象，探讨数字经济发展对粮食生产效率的影响。数字经济相关指标的原始数据来源于《中国统计年鉴》和《中国第三产业统计年鉴》等；粮食生产效率测算指标和控制变量的原始数据来源于《中国统计年鉴》《中国农村统计年鉴》等。

2.2 指标选取

借鉴万晓榆等［23］、刘强等［24］、余珊等［1］的数字经济测度指标体系设计思路，从数字基础设施分指数、数字产业分指数和数字人才分指数3个维度构建数字经济发展水平测度指标体系，如表1所示。

参考罗光强等［25］和杨骞等［26］的指标体系设计思路，构建适用于SBM-DEA模型的粮食生产效率测度的投入产出指标体系。其中，投入指标包括3个维度，分别为以农业机械总动力作为表征指标的资本投入水平，以第一产业就业人员表征劳动力投入水平，以农业用水量、农作物播种面积、农用化肥施用量表征资源投入水平；产出指标分为期望产出与非期望产出，期望产出为农业产能水平，以农业增加值表征，非期望产出为污染物排放水平，以农业COD排放量表征。

选用农村物流建设水平、地方研发支持水平、农业经济发展水平作为控制变量。其中，以农村投递路程表征农村物流建设水平，以地方研发经费/地方总产值表征地方研发支持水平，以地方农业总产值/地方总产值表征农业经济发展水平。各变量及统计性描述结果如表2所示。

3 结果与分析

3.1 数字经济发展水平指数的测算

设[t=1]表示2016年，将2020年规格化矩阵[Y5]代入式（2）求得｛0.189 0，0.442 2，0.137 7，0.641 6，0.345 8，0.176 5，0.273 5，0.335 4，0.011 2｝，对应[Qmax=555.728 0]。将[？5]、[Y5]代入式（1）计算得到[Zi5]（[i=1，2，3，…，30]），将[Zi5]归一化处理后得到各省（市、自治区）2020年的数字经济发展水平指数（INT），同理可计算2020年数字基础设施分指数（IF）、数字产业分指数（DI）和数字人才分指数（DT）的测算值，以及2016—2019年的INT、IF、DI、DT的测算值。表3为选取的2016年、2018年和2020年各指数的测算结果。

由表3可以看出，各省（市、自治区）数字经济发展水平的主要影响因素具有明显的省际差异和地域特色。2016年北京INT为1.63、IF为0.47、DI为1.64、DT为4.17，说明北京数字经济发展主要是由于北京作为经济文化中心，高等院校林立，数字经济相关行业蓬勃发展，数字人才和数字型储备人才众多。但由于北京面积相对狭小，人口数量较少，数字基础设施虽然完善但总量较少。2016年广东INT为3.21、IF为2.33、DI为4.49、DT为2.81，说明广东的数字经济发展水平主要受数字产业的影响，广东省作为改革开放的试验田，数字产业化增加值常年位居全国首位，数字产业纵深发展带动数字基础设施建设和数字人才流入，形成三方相互支撑的数字经济发展格局。2016年贵州INT为0.56、IF为0.78、DI为0.47、DT为0.44，说明贵州的INT主要受数字基础设施建设影响，而DI、DT均低于INT，表明贵州数字产业和数字人才是数字经济发展的短板。省际异质性充分体现省（市、自治区）之间基础设施、经济结构、人才储备方面的差异，为补齐短板、发挥长处提供思路，有利于进一步推动数字经济高质量发展。

3.2 粮食生产效率测算

为研究中国粮食生产效率的整体特点和省际特征，将投入产出指标数据代入式（3），测算结果如表4所示。由表4可知，中国粮食生产效率总体处于较高水平，但具有明显省际差异。河北、山西、吉林、湖南、广西、甘肃、宁夏的粮食生产效率呈波动上升趋势，内蒙古、安徽和江西的粮食生产效率呈波动下降趋势，但是波动幅度不大。粮食生产效率高的省（市、自治区）多集中于东部沿海地区和西南地区，北京、辽宁、四川等20个省（市、自治区）的粮食生产效率在2016—2020年均处于效率前沿面上。由于“十三五”规划对现代化农业生产体系建设提出了节约资源、限制化肥农药使用量的新要求，2016—2020年粮食生产处于关键转型时期，须从原本高效生产转向高效、高质生产并存。在新要求影响下，60%以上的省（市、自治区）在保持粮食生产效率为1.000的前提下进行农业现代化转型，其余省（市、自治区）也在探索适合本地的农业现代化道路，其粮食生产效率的波动是可控范围内的良性波动。

由图1可知，中国粮食生产效率和数字经济发展水平在一定程度上具有一致性，尤其体现在东部沿海地区。由于数字经济、乡村振兴战略不断推进，农业数字化转型、农村产业融合发展显著加强。对于数字经济发展水平较高的省（市、自治区），易产生数字经济倒逼农业转型现象。《2022年广东数字经济工作要点》指出，发展数字农业要围绕“三个创建、八个培育”实施数字农业农村发展行动计划。新推出的《北京加快推进数字农业农村发展行动计划（2022—2025年）》把基础设施、乡村产业、乡村治理、乡村服务、农业技术的数字化建设作为重点。智慧农业、数字农业已成为农业高质量发展的重要途径。在全球气候变暖、水土资源恶化背景下，数字农业发展较慢的省（市、自治区）若仍仅依靠土地、气候、人力等传统资源，农业发展将会受到一定冲击。

3.3 数字经济对粮食生产效率的影响

对初始数值不光滑的指标取对数，预处理后的指标在10%和5%的水平下通过单位根检验和协整检验，在1%的水平下通过LM检验和Hausman检验。由固定效应模型（5）拟合结果（表5）可知，数字经济发展水平指数每增长1%，粮食生产效率提高0.016 2%，说明数字经济发展水平指数对粮食生产效率存在正向影响，但影响系数较小，提高幅度并不显著。究其原因，一方面，“十三五”规划期间，数字经济发展着力点多集中于工业互联、数字基础设施建设和智慧城市建设等，对智慧农业的赋能作用发挥处于刚起步状态；另一方面，中国20个省（市、自治区）的粮食生产效率已经达到效率前沿，对数字经济的影响能力具有一定的削弱作用。

由固定效应模型（6）拟合结果（表6）可知，数字人才分指数、数字基础设施分指数对粮食生产效率的影响较为明显。具体来说，DT每增长1%，粮食生产效率提高0.096 3%；IF每增长1%，粮食生产效率提高0.087 2%。数字人才是发挥数字经济优势、实现强农富农的重要力量。“十三五”期间，中国高度重视数字人才队伍培养及建设，厚植乡村数字型人才，共绘乡村振兴美丽画卷。据农业农村部数据统计，截至“十三五”时期末，返乡入乡创业人员达1 010万人，推动传统农业向现代农业、数字农业的加速转变。2016年中央一号文件明确提出，要加快农村基础设施建设。农业基础设施已成为提高农业生产质量与效率的重要因素，对提高粮食生产效率有着举足轻重的影响［27］。数字基础设施的普及应用是数字经济发展的基础和前提［28］。信息技术的加速普及、智慧物流等数字基础设施的持续完善，能吸引更多数字型返乡创业人才，有利于推动农业转型升级，建设数字农业、智慧农业，提高粮食生产效率。DI每增长1%，粮食生产效率提高0.011 5%，远低于DT、IF的影响强度。可能原因是在经济高质量发展要求下，“十三五”期间数字产业更多服务于制造业转型升级和智慧城市建设，对传统农业转型的探索较为薄弱。

在控制变量中，RD的影响强度远大于LC和AD，RD每增长1%，粮食生产效率在模型（5）情况下提高5.181 6%，在模型（6）情况下提高4.062 9%，均说明地方研发支持水平对粮食生产效率的提高效果显著。高产农作物新品种研发有利于提高单位粮食产量；新式农机的研发与应用有助于提高粮食机械化作业水平和粮食生产效率。广西加大农机研发力度，建设全程机械化示范基地，使粮食生产效率由2019年的0.500显著提升至2020年的0.667。

4 小结与建议

4.1 小结

在分析现有文献不足之处的基础上，从数字基础设施、数字产业、数字人才3个维度，基于投影寻踪技术测算数字经济发展水平，并构建SBM-DEA模型重新测算粮食生产效率，基于2016—2020年中国省（市、自治区）面板数据，通过固定效应模型实证分析数字经济对粮食生产效率的影响，主要结果如下。

1）“十三五”期间，中国粮食生产效率总体处于较高水平，且具有明显的省际异质性。2016—2020年，在构建现代农业三大体系的新要求下，中国粮食生产效率均值由0.813波动提升至0.821。受气候条件、资源禀赋、技术水平和经济发展等因素限制，省（市、自治区）粮食生产效率存在显著差异。山西、甘肃和内蒙古等10个省（自治区）的粮食生产效率较低；北京、辽宁、江苏和四川等20个省（市、自治区）已达到粮食生产效率前沿。粮食生产逐步从较低效率向高效率、高质量并存转变。

2）不同省（市、自治区）数字经济发展水平的主导因素具有显著差异。2016年，贵州INT为0.56，主要受数字基础设施建设影响，其数字产业发展和数字人才培养方面存在短板；北京INT为1.63，主要由于高校林立且数字产业发展较好，数字人才培养、应用和储备水平高，因而人才成为数字经济发展的主动力；广东INT为3.21，主要原因是数字产业蓬勃发展促进数字基础设施建设和数字人才流入，形成三方支撑的数字发展格局，数字经济发展水平领先。

3）数字经济对粮食生产效率的影响能力相对具有整体低显著性和局部高显著性。INT对粮食生产效率的整体影响系数为0.016 2。究其原因，“十三五”时期数字经济发展集中于工业互联、智慧城市建设等，对智慧农业的赋能作用发挥处于起步状态。IF、DT对粮食生产效率的影响系数为0.087 2、0.096 3。数字基础设施建设能吸引数字型返乡创业人才。数字人才是促进数字经济与农业经济融合发展、提高粮食生产效率的新型核心竞争力和战略性资源。

4.2 建议

为更快更好实现农业数字化、现代化，应进一步提高数字经济对农业转型的赋能效果，并提出以下建议。

1）强化认识，明晰数字经济在提高粮食生产效率中的作用。研究表明，数字经济能促进粮食生产效率的提高，因此政府应加强顶层设计和战略规划落实，从制度保障、资金保障、人才保障和法律保障等多角度全方位鼓励数字经济和农业经济融合发展。乡村企业、农户应充分利用“互联网+农业”模式，推动建立完善的农业互联网跨界融合机制，打破地域性壁垒，实现农业跨越式发展，提高粮食生产效率，促进农业数字化、农业现代化。

2）因地制宜，基于地域特色动态平衡地发展数字经济。在数字经济发展中，数字基础设施是前提条件，数字人才是战略资源和重要力量，数字产业是重要体现和发展平台。各地应精准定位，动态平衡地处理数字基础设施、数字人才和数字产业之间的关系，走数字经济协调发展道路。例如广西可依靠扩大数字基础设施建设吸收投资、吸引人才，有序接收周边较发达地区的数字经济产能转移，科学推进数字经济持续发展。

3）扬长避短，精准高效地以数字化赋能农业转型。鉴于数字经济对粮食生产效率影响的省际差异性，各地应实施基于当地优势的数字经济和农业发展融合措施，通过将科技、资本和人才等专业化要素有主次地引入农业，着力增进数字化要素与农业生产要素协同衔接。将数字经济发展理念嫁接到传统农业，寻找数字经济与农业发展的平衡关键点。基于数字经济高效匹配、精准链接和效率提升功能以精准高效的方式推动农业数字化转型。

参考文献：

［1］ 余 姗， 樊秀峰， 蒋皓文.数字经济发展对碳生产率提升的影响研究［J］.统计与信息论坛， 2022， 37（7）：26-35.

［2］ 程国强， 朱满德.新冠肺炎疫情冲击粮食安全：趋势，影响与应对［J］.中国农村经济， 2020（5）：13-20.

［3］ 中共中央 国务院关于实施乡村振兴战略的意见［EB/OL］.（2018-02-04）［2022-08-01］. http：//www.gov.cn/zhengce/2018-02/04/content_5263807.htm.

［4］ 许宪春，张美慧.中国数字经济规模测算研究——基于国际比较的视角［J］.中国工业经济，2020（5）：23-41.

［5］ 韩兆安，赵景峰，吴海珍.中国省际数字经济规模测算、非均衡性与地区差异研究［J］.数量经济技术经济研究，2021，38（8）：164-181.

［6］ 鲜祖德，王天琪.中国数字经济核心产业规模测算与预测［J］.统计研究，2022，39（1）：4-14.

［7］ 王开科，吴国兵，章贵军.数字经济发展改善了生产效率吗［J］.经济学家，2020（10）：24-34.

［8］ 杨慧梅，江 璐.数字经济、空间效应与全要素生产率［J］.统计研究，2021，38（4）：3-15.

［9］ 王 军，朱 杰，罗 茜.中国数字经济发展水平及演变测度［J］.数量经济技术经济研究，2021，38（7）：26-42.

［10］ 赵新伟，王 琦.中美两国数字经济效率测算、动因及演进［J］.科学学研究，2022，40（8）：1413-1423.

［11］ 夏显力，陈 哲，张慧利，等.农业高质量发展：数字赋能与实现路径［J］.中国农村经济，2019（12）：2-15.

［12］ 李春发，李冬冬，周 驰.数字经济驱动制造业转型升级的作用机理——基于产业链视角的分析［J］.商业研究，2020（2）：73-82.

［13］ 钱海章，陶云清，曹松威，等.中国数字金融发展与经济增长的理论与实证［J］.数量经济技术经济研究，2020，37（6）：26-46.

［14］ 于李娜，隋晓静.数字经济对纺织服装业全球价值链分工地位影响研究［J］.产业经济评论（山东大学），2021，20（1）：19-46.

［15］ 田 野，叶依婷，黄 进，等.数字经济驱动乡村产业振兴的内在机理及实证检验——基于城乡融合发展的中介效应［J］.农业经济问题，2022（10）：84-96.

［16］ 彭 超，张 琛.农业机械化对农户粮食生产效率的影响［J］.华南农业大学学报（社会科学版），2020，19（5）：93-102.

［17］ 魏佳朔，高 鸣，宋洪远.无偿转入土地对粮食生产效率的影响：福利还是负担？［J］.华中农业大学学报（社会科学版），2021（3）：83-92，187.

［18］ 张长征，李嘉雯，孙 杰.农田水利基础设施投资缺口对粮食生产效率损失的影响［J］.资源科学，2022，44（1）：169-180.

［19］ 王金伟，孙 洁，雷 婷，等.中国粮食生产效率与旅游发展的耦合机制及时空分异［J］.自然资源学报，2022，37（10）：2651-2671.

［20］ 楼文高.基于群智能最优化算法的投影寻踪理论：新进展、应用及软件［M］.上海：复旦大学出版社，2021.

［21］ 郭 燕，顾志荣，祁 梅，等.基于投影寻踪模型的不同产地锁阳药材多指标综合质量评价［J］.中国野生植物资源，2022，41（8）：14-21.

［22］ TONE K. A slacks-based measure of efficiency in data envelopment analysis［J］. European journal of operational research， 2001， 130（3）： 498-509.

［23］ 万晓榆， 罗焱卿.数字经济发展水平测度及其对全要素生产率的影响效应［J］.改革， 2022（1）：101-118.

［24］ 刘 强， 马彦瑞， 徐生霞.数字经济发展是否提高了中国绿色经济效率？［J］.中国人口·资源与环境， 2022， 32（3）：72-85.

［25］ 罗光强， 谭 芳.粮食生产效率的区域差异及其政策效应的异质性［J］.农林经济管理学报，2020， 19（1）：34-43.

［26］ 杨 骞， 司祥慧， 王 珏.减排增汇目标下中国粮食生产效率的测度及分布动态演进［J］.自然资源学报. 2022， 37（3）：600-615.

［27］ 张志新，李 成，白海洋.农业基础设施对粮食生产效率的影响［J］. 华东经济管理，2022，36（10）：100-109.

［28］ 丁志帆.数字经济驱动经济高质量发展的机制研究：一个理论分析框架［J］.现代经济探讨，2020（1）：85-92.

收稿日期：2022-12-30

基金项目：国家自然科学基金青年项目（41701610）；中央高校基本科研业务费项目（B210202157）

作者简介：杨慧文（2001-），女，山东临沂人，在读本科生，研究方向为资源经济，（电话）15216523506（电子信箱）2063810120@hhu.edu.cn。