基于DEA模型的數字農業績效評價研究

【摘 要】 數字技術應用于農業協作生態系統，對農業績效釋放具有協同性和系統性特征。基于優化的EES框架，文章綜合考慮經濟、社會、環境及技術因素，結合我國35個數字農業協作生態系統核心企業數據，運用DEA-BCC、超效率SBM進行了實證研究。結果顯示，我國數字農業協作生態系統綜合績效呈上升趨勢，我國農業數字化的建設效果總體較好，數字技術通過業務鏈接融通性在成本控制和效率提升方面發揮作用；農業數字技術投入存在冗余，表明數字技術與農業業務、產品質量和特色培育方面的融合不足，影響了績效提升。研究為商業協作生態系統的績效評價及數字農業理論提供了參考。

【關鍵詞】 數字農業； 商業協作生態系統； 績效評價； DEA

【中圖分類號】 F324" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）12-0030-09

一、引言

隨著數字經濟發展持續提質增效，我國農業產業數字化轉型取得了積極成效，數字農業已經成為農業高質量發展的新形態。基于數字技術驅動農業上下游價值鏈的無邊界拓展，形成了包含數字農業上下游數字化發展，數字農業服務業產業鏈價值工廠以及數字農業與二、三產業融合的數字農業協作生態系統。數字農業協作生態系統基于Moore[1]提出的商業協作生態系統理念，結合了生態系統的開放性和數字技術的融通性特征，對我國農業數字化建設起到了重要的推動作用，在提升農業全要素生產率和競爭力的基礎上，全方位推動了農村地區經濟、社會、環境和技術效率的全面發展[2]。但另一方面，當前我國數字農業協作生態系統的發展還面臨著諸多問題和挑戰。比如，盡管大麥草生產的“數字工廠”，種植信息顯示屏、水肥控制靠芯片、生長環境智能模擬等數字技術提升了農業生產效率，但數字技術等硬性設備的投入依然未有效解決農業綜合效益低下和發展不平衡的問題。各地區在推進數字農業協作生態系統發展的過程中，較為普遍存在重經濟績效輕人文、環境和技術績效，重局部績效輕綜合績效，重短期績效輕長期績效，重應用技術輕績效評價的現象。如何通過系統性的績效評價來倒逼數字農業協作生態系統功效的有效發揮，就成為新時代我國數字農業協作生態系統及其農業高質量發展要解決的重要實踐問題之一。在理論層面，當前學者們對數字農業協作生態系統的研究，主要是從農業生態化水平、農業科技水平、農業可持續發展等方面展開了初步研究，部分學者基于EES（經濟、環境和社會）框架，關注了數字農業的績效評價問題，但如何從經濟、社會、技術和環境等方面進行全方位的數字農業協作生態系統績效評價，現有的研究成果還比較欠缺，有待從指標體系搭建、評價方法以及經驗檢驗等層面進一步深入研究。基于此，本文以商業生態系統（Collaborative Business Ecosystem，CBE）理論為基礎，從EES框架拓展到EEST（經濟、環境、社會和技術）的系統性評價框架，利用DEA模型對包括數字農業技術公司、農業企業、農戶、商戶等主體參與形成的數字農業協作生態系統（Digital Agriculture Collaborative Business Ecosystem，DA-CBE）績效進行系統評價，為構建數字經濟背景下的農業協作生態系統提供了新的理論框架，對通過數字農業協作生態系統增強鄉村振興內涵、實現鄉村高質量發展提供了一定的實踐指導。

二、文獻綜述與理論分析

（一）數字農業協作生態系統

協作生態理論是起源于商業生態系統理論，融合社交網絡理論后發展建立的企業生態理論體系，數字經濟時代進一步豐富了其理論內涵，凸顯其“協作”的核心特征與“可持續性”影響。Moore[1]使用生物生態系統作為類比來解釋商業環境，從而提出了商業生態系統這一概念。在數字經濟背景下，協作生態系統與農業產業結合就形成了數字農業協作生態系統。商業協作生態系統中往往會有一家與其他企業相互依賴性最大、對整個系統影響最深遠的企業，即核心企業。核心企業通過知識、資源、技術的傳遞，構建起與供應商及用戶間的上下游聯動格局[3]，進而實現了新的價值創造與績效的顯著提升。核心企業的作用是使成員能夠朝著共同的目標愿景邁進，以協調各自的投資策略，并促進成員間角色互補與相互扶持，從而強化整體合作效能[4]。

關于數字農業協作生態系統方面的研究，國外學者主要圍繞數字農業協作生態系統的框架構建展開。學者們認為，數字化通常被理解為以農場為中心，另外像多利益相關方平臺這樣的組織形式提供知識和信息[5]。隨著大數據等技術的廣泛應用，農業平臺和應用系統創造了新的信息共享商業模式[6]，在幫助農民優化經營決策的同時提高了農民的盈利能力。此外，了解當地文化對于了解是什么激勵農民以及如何利用和鼓勵采用新技術非常重要[7]。而國內學者對數字農業協作生態系統的整體性研究還相對較少，其研究視角主要在于數字農業發展現狀與問題。數字經濟的實踐涉及將數據資源融入農業生產流程，將數字化產品與服務滲透進農民日常生活，以及將數字化思維模式整合至農村政務服務中，為鄉村的產業、生態、人才、文化及組織振興提供了強大的數字化驅動力[8]。但針對數字農業的發展現狀，學者們也指出存在多重挑戰：數字農業應用的迅猛擴張加劇了數字技術研發的瓶頸問題[9]、數字農業科研機構間的科技成果轉化效率低下[10]、配套服務體系缺乏創新與協同機制[11]、數字化人才短缺的問題也尤為突出。

（二）農業產業的績效評價

有關農業產業發展方面的績效評價研究包括農業可持續發展績效評價、產業鏈評價、農業循環經濟績效評價、數字農業績效評價和農業生態環境績效評價等方面。比如張合林等[12]將農地資源保護的效益分為經濟效益、生態效益和社會效益。袁久和等[13]為評估各省份農業可持續發展水平，建立了一個多層次評價模型，模型涵蓋了人口、經濟、社會、資源及環境五個部分。張香玲等[14]從農業投入、農業生產力、農村經濟發展和農業生態良性水平四個方面研究農業現代化的發展。除了從靜態角度對農業協作生態系統進行績效評價之外，部分學者還從動態可持續發展角度對農業協作生態系統進行績效評價。比如，袁久和等[13]從可持續發展的角度對我國農業協作生態系統的績效進行了評價研究。總體而言，學者們對農業績效評價方面的研究從單一指標體系向多層次指標體系研究逐漸演化，構筑形成了農業績效評價的EES架構，而后，一些學者將人文和技術[15]等因素逐漸融入評價體系。績效評價可以對核心企業在整個商業生態系統中的生態表現和協同進化作用進行較為準確的衡量[16]，但如何將數字經濟與農業協作生態系統有機結合，從更全面的角度構建數字農業協作生態系統的評價體系，目前還是一個研究缺口。

（三）績效評價方法

績效評價方法多采用綜合指標方法。其中，數據包絡分析（DEA）方法根據同一類型的多投入和多產出決策單元來評價其相對有效性或效益，通過測量研究對象的投入產出效率來評價系統的運行績效[17]，成為對農業協作生態系統績效評價的主要方法。DEA方法的優勢在于，它能夠在對決策單元實施有效評估之前，全面考量評價對象所蘊含的信息及其特性，其中的BCC模型可以有效度量決策單元的技術有效性[18]。因此，DEA-BCC綜合績效評價能夠有效地用于對數字農業協作生態系統的績效評價，并能解決傳統評價方法和數字技術背景下的數據收集問題。傳統意義上，有關農業投入（例如化肥施用量）和產出（例如產量）的數據都是由農民和其他參與農業生產的人收集的。但在新興的數字技術應用下，可以可視化評價農業績效，實時檢測以及確保食品供應鏈參與者之間的連接。綜上所述，基于數據的精準收集，采用DEA-BCC綜合績效評價，能夠從數據采集和評價結果兩方面，更好地對數字農業協作生態系統展開評價。

總體而言，數字農業協作生態系統仍存在著重硬件輕軟件，有數據無智慧，產品化能力弱，重技術應用輕績效評價等問題，在信息化、智能化的大背景下，如何從績效評價視角研究數字化驅動農業實現協作生態系統的演進，是值得探討的問題。而現有的數字農業協作生態系統研究尚未探討資源與價值之間的內在關系，未能展示數字農業協作生態系統從資源向能力轉化，從而獲得持續的競爭優勢的動態全過程。另外，在數字農業協作生態系統績效評價模式及指標上，國內外學者主要從單一視角展開研究，雖然對數字農業協作生態系統績效評價的方法及其適用性、有效性等方面比較深入，但在助推協作生態系統普遍適用于數字農業場景、績效評價的指標選擇及論證、DA-CBE的實際建設等方面還有待深入研究。

三、研究設計

（一）評價模型設計

為了對農業協作生態系統的DA-CBE靜態績效、投入冗余和動態績效進行評價，本文分別構建了Banker-Charnes-

Cooper模型（簡稱“DEA-BCC模型”）、基于Slack-Based Measure方法和DEA方法的SBM-DEA模型，詳細如下。

1.基于DEA-BCC的評價模型設計

數據包絡分析（Data Envelopment Analysis，DEA）是一種依賴于線性規劃模型的評估技術，納入了多個相似決策單元（DMUs）的多重投入與產出指標，并依據計算結果來評判各決策單元的相對效率。DEA方法主要涵蓋CCR模型和BCC模型，其中BCC模型如下：

min［θ-ε（eTs-+eTs）］∑n j=1xjλj+s-=θx■∑n j=1yjλj-s+≤y■∑n j=1λj=1λj≥0，s-≥0，s+≥0" "式1

在式1中，θ代表對數字農業協作生態系統效率的度量，與x對應的是固定資產、營業成本、員工總數、數字技術應用和協作生態系統這五個投入指標，而與y對應的是經濟績效、環境績效、技術績效和文化績效這四個產出變量。λ代表各決策單元線性組合的權重系數，而s-與s+被定義為松弛變量（即Slack Variables），eT用于求和運算，ε則表示費阿基米德無窮小量。θ是衡量第i個數字農業協作生態系統綜合效率的指標，其取值范圍在0至1之間。

2.基于超效率SBM-DEA的評價模型設計

針對傳統DEA模型在評估中未將投入產出的松弛性納入考量，從而導致評估結果偏高的缺陷，本文選用超效率SBM-DEA模型全面考慮松弛變量的影響，并依據投入與產出指標的松弛度動態調整效率值，以增強評估的準確性。超效率SBM-DEA的效率值表示為？籽se，考慮了5個投入指標和4個產出指標，同時引入投入和產出的松弛變量（分別表示為s-與s+），以及權重向量λ。具體公式如下：

Min？籽se=■s.t.∑n" "j=1，j≠kxjλj≤■；∑n" "j=1，j≠kyjλj≤■∑n" "j=1，j≠kxijλj+si-=xik，i=1，2，…，m∑n" "j=1，j≠kyijλj-sr+=yrk，r=1，2，…，s∑n" "j=1，j≠kλj=1，■≥xk，■≥yk，j=1，2，…，n（j≠k）■≥0，λ≥0，si-≥0，sr+≥0 式2

式2中，數字農業協作生態系統被認定為DEA相對有效的條件是，效率指標？籽se大于1，并且松弛變量s－與s+均等于0。若？籽se大于或等于1，但s－不等于0或s+不等于0，則系統被視為DEA弱有效。而當？籽se小于1時，意味著數字農業協作生態系統在DEA評估中相對無效，這揭示了系統中存在冗余現象，需要調整投入產出關系，以提升數字農業協作生態系統的效益水平。

（二）指標構建

1.投入變量

本文將固定資產、營業成本和員工總數設定為模型的投入變量[19]。固定資產是樣本經營活動得以實施的重要資產；營業成本是指經營性活動中，研究對象因銷售商品、提供服務等所產生的費用；員工總數是指在企業工作，并由企業支付工資的各類人員，都是衡量企業所有者對企業的DA-CBE投入的重要指標。此外，本文結合數字農業協作生態系統，增加了數字技術應用能力和生態系統協同能力兩個投入指標，其中數字技術應用能力采用企業數字化轉型數據庫中的數字化轉型指數。生態系統協同能力是將公司與主要客戶的合作緊密度作為衡量標準，具體指標為前五大客戶的銷售額所占比重，即當前報告期內上市公司向前五大客戶的銷售額占全年銷售總額的比例。

2.產出變量

（1）經濟績效。采用托賓Q值進行度量，即用股票市場價值與總資產重置成本之比來表示企業價值。這一比率通過綜合評估企業在未來某時段內的經營效能、盈利能力等多方面因素來反映投資者對企業未來盈利前景的預期。

（2）環境績效。以企業是否被列為重點污染監控單位為評估基準，具體而言，若報告中指明公司為監控重點，則賦值1，反之則賦值0。

（3）社會績效。采用企業社會責任（CSR）評級數據進行度量，評估研究對象在社會責任方面的表現，包括社會責任投入、社會責任報告、社會責任活動等。

（4）技術績效。衡量方式為研發投入與營業收入的比率，具體計算為研發資金投入額除以企業營業收入。研發投入占比反映了技術在其整個生命周期中創造的價值占全部銷售收入的比重，作為衡量技術運作效率的指標。

綜上所述，本文共選取5項投入指標和4項產出指標建立數字農業協作生態系統績效評價體系，見表1。

四、測度結果及分析

（一）數據來源

為了能夠較好地對CBE績效進行測評，本文借鑒林凡軍等[4]、張慧等[20]的研究思路，利用供應鏈或產業生態的鏈主企業或骨干企業為代表進行實證研究，將CBE的核心企業作為CBE的代表，主要考察其投入與產出指標。由于我國農業類上市公司具有較強的產業鏈整合能力，往往是生態系統內的核心企業，因此，為了更好地獲取客觀真實的數據，本文以我國生態系統中的農業上市公司為樣本進行研究。

根據證監會行業分類標準，收集整理農業類上市公司總計有101家相關數據，數據來源于國泰安（CSMAR）數據庫及和訊網。參考申萬行業分類、中證行業分類等，由于2020—2022年期間疫情原因，剔除了相關樣本數據；剔除了2016—2020年ST公司和數據出現異常或缺失的樣本后，重點選擇涉及種子、生豬養殖、水產養殖、農產品加工等共計35個DA-CBE樣本，如表2所示。

（二）基于DEA-BCC模型的績效評價

本文采用數據包絡分析法對數字農業協作生態系統進行績效評價，利用Deap2.1軟件對2016—2020年間35個DA-CBE的數據進行測評，具體結果見表3。

根據DEA理論及表3所呈現的數據特征，把綜合技術效率值以1、0.8、0.6和0為界進行劃分，分別是樣本的綜合效率有效、較有效、較無效和無效。各樣本規模效率、技術效率和綜合效率數據分布如圖1所示。

1.總體分析

從表3和圖1分布可知，目前尚有樣本未呈現出絕對有效狀態，從均值來看，各數字農業協作生態系統的規模效率均值為0.901，技術效率為0.968，均為較有效狀態，說明DA-CBE總體評價較高，數字化效果較為明顯。但是絕大多數介于較無效和較有效狀態之間，效率亟待提升。從表3中可以發現，DA-CBE1、DA-CBE2、DA-CBE5、DA-CBE6、DA-CBE13和DA-CBE29的OTE=1，PTE=1，SE=1，表明這些樣本的數字農業協作生態系統不僅達到了技術有效，而且在規模上也取得了有效的結果。

2.綜合效率分析

DA-CBE7、DA-CBE8和DA-CBE10等21個數字農業協作生態系統表現出較為高效的綜合效率，占比達到60%，其中有7個生態系統綜合效率較低，占比為20%。整體來看，數字農業協作生態系統的綜合效率水平相對較高，但仍存在一些生態系統在資本配置和規模上未能實現最優，就投入與產出指標而言，仍存在優化潛力。例如，DA-CBE3的綜合技術效率達0.708，意味著僅需當前投入的70.8%即可維持現有產出。因此，加大基礎投入并強化數字技術應用，有望成為推動產出增長的關鍵。Yang et al.[2]指出Celefish構建的DA-CBE注重滿足養魚戶的需求，包括直接和衍生需求。盡管在高度動態的環境中，Celefish無法獨立為養魚戶提供所有產品和服務，但通過與供應商、魚市、餐飲企業、銀行、保險公司等的合作，形成相互依存、嚴密協作的網絡，共享技術和數據資源，拓展市場，優化CBE的整體性能和演進，取得了顯著進展。這也驗證了當前數字農業協作生態系統在績效評價方面差距不大，總體上綜合效率較高。

3.技術效率分析

純技術效率反映了協作生態系統的管理和數字技術應用對生產效率的影響，其中管理對應協作生態系統，技術對應數字技術應用。當純技術效率達到1時，標志著投入資源已實現最優配置，即在既定投入組合下，產出已達最大化水平。在35個樣本中，有9個樣本的純技術效率值為1，其他樣本的數值均大于0.8，有的增加幅度較大。因此，綜合效率主要受規模效率的制約。以DA-CBE3（豐樂種業）為例，盡管系統內外條件都較為有利，但DA-CBE3目前仍然存在一些問題，例如種業業務方面，市場份額較小、營收占比不高等，呈現出規模較小的發展狀況。因此，盡管數字農業協作生態系統和數字技術應用的利用率（即純技術效率）較高，但受限于系統規模，技術投入并不充足。因此，針對這些樣本，必須在技術升級的同時，重視規模效應，方能實現相對最優狀態。

4.規模效率分析

規模效率是衡量生產規模對整體效率影響的指標，其值為1時表示規模效率有效，即規模適宜，達到最優狀態。有10個樣本處于規模效率最優狀態，占比為29%。以DA-CBE23（晨光生物）為例，在水溶色素提取領域，DA-CBE23的系統率先實現了連續投料提取，有力推動了生產規模的擴大。采用自主研發的辣椒紅色素成套加工設備，通過連續、自動化、數字化的前處理系統取代傳統分散多環節的人工操作，其規模效應和工藝優勢使得辣椒紅的生產成本較同行低5%左右。

（三）基于超效率SBM模型的績效評價

為了進一步考察數字技術投入效率，本文在傳統DEA模型基礎上，將松弛變量（slack）納入模型，采用Dearun軟件中的Super-SBM模型，對35個DA-CBE的數據進行技術效率分析，結果如表4所示。

從表4可以發現，35個DA-CBE的績效評價平均水平處于0.011—0.880之間，總體上呈現較大的變化趨勢。針對非有效單元的分析結果顯示，存在3個樣本，其超效率SBM測度的CBE效率平均值位于0.8—0.99區間內，占比為9%，其中DA-CBE6（隆平高科）有效程度最高。其原因可能在于該樣本在數字化方面的體系性和生態協同性。近年來，這些樣本充分整合了區塊鏈與大數據等技術，通過革新供應鏈服務模式及訂單農業服務模式等策略，為產業鏈上的種子供應商、分銷商、農戶、稻米加工廠以及中小型企業等提供了全方位的供應鏈服務，實現了產業鏈上下游及各參與方的緊密協同，系統性地加速了種業全產業鏈的數字化進程。

超效率均值在0.5以下的樣本有28個，占比為80%，說明所選DA-CBE樣本的技術效率均未達到理想狀態。其中DA-CBE19（龍大美食）的平均超效率DEA值最低，僅為0.011。其原因可能與龍大美食于2022年投產運營的數字化生產線食品工廠有關，該工廠致力于農產品在預制菜領域的集約、自動化、綠色生產，然而預制菜產業發展整體水平較差，市場的接受度不高，同時參與主體規模總體較小，運營成本高，數字化協同較差，難以實現標準化生產，質量及穩定性較差，給該樣本績效帶來較大的影響。

在2020年，采用Super-SBM模型測算發現，有25個DA-CBE樣本的研發投入與產出未達到DEA有效狀態。為深入剖析這些相對無效的DEA單元，本文進一步分析了在當前產出水平下的投入冗余情況。如表5所示，在固定資產、營業成本、員工總數、協作生態系統四個方面均存在大量的冗余，表明需要減少投入，以提高效率。在數字技術應用方面，只有DA-CBE9和DA-CBE32存在少量冗余。總體而言，綜合效率值較低的樣本在投入方面存在更多的冗余。這一分析結果在一定程度上解釋了那些數字技術應用水平較高且具備CBE思維的樣本，然而它們在數字農業協作生態系統綜合績效評價方面卻陷入較低的發展困境。研究表明，當前階段系統中數字技術要素的過度投入導致資源大量浪費，數字技術轉化為生產力的水平相對較低，相關配套服務缺乏創新與協同[11]，價值績效、環境績效、社會績效和技術績效難以協調發展等現狀對數字農業協作生態系統的發展提出了挑戰。

五、研究結論及政策建議

本文基于DEA模型與系統績效評價理論，對2016—2020年間35個DA-CBE的投入產出數據進行了實證分析，采用DEA-BCC模型進行測度與評價。在納入松弛變量考慮后，運用SBM模型對CBE效率進行了更為精確的測量，并對非DEA有效單元的冗余情況進行了分析。主要得出如下結論：

在BCC模型中，我國數字農業協作生態系統綜合效率均值處于較有效狀態。17%的DA-CBE樣本在數字技術要素及CBE思維的投入和產出上達到較高的水平。在技術和管理上，26%的樣本DA-CBE得到優化，其他樣本的純技術效率也較高，說明數字技術的投入對農業協作生態系統綜合績效的提升起到了正向作用。但是數字技術的投入存在冗余，阻礙了效率的進一步提升。運用超效率SBM-DEA模型分析投入指標冗余度時發現，2020年有25個數字農業協作生態系統樣本投入存在冗余情況，其中固定資產、營業成本、員工人數和協作生態系統投入指標存在過量冗余，數字技術應用指標冗余較少。綜合以上分析，揭示了CBE系統中成本要素投入過多，導致資源大量浪費，數字技術向生產力轉化的效率低下，技術與業務的融合深度不夠，技術對產品品質與品牌培育方面的提升作用不夠，商業協作生態系統的系統性和協同性沒有得到充分發揮，阻礙了我國數字農業協作生態系統綜合績效的進一步提升。

基于以上研究結果，為推進數字農業協作生態系統的績效評價體系，本文提出以下建議：一是應合理配置人力資源與資金投入，緊密結合市場需求，積極開展面向市場的數字技術研發與創新。二是數字技術應用不僅要與業務技術融合，也要與區域融合，做富有當地特色的農業。三是數字農業不僅要注重特色品牌培育，還要關注產品品質和品牌效益。四是注重系統融合，增強CBE思維能力，以綜合的眼光來看待DA-CBE，促進經濟、環境、社會、技術各項均衡發展。注重多方參與，包括但不限于農業科技公司、農戶、消費者等，實現價值共同創造和分享。

【參考文獻】

［1］ MOORE J F.Predators and prey：a new ecology of competition［J］.Harvard Business Review，1993，71（3）：75-86.

［2］ YANG X，CAO D，CHEN J，et al.AI and iot-based collaborative business ecosystem：a case in Chinese fish farming industry［J］.International Journal of Technology Management，2020，82（2）：151-171.

［3］ 解學梅，韓宇航，代夢鑫.企業開放式創新生態系統種群共生關系與演化機理研究［J］.科技進步與對策，2022，39（21）：85-95.

［4］ 林凡軍，宗祖盼.數字時代演藝企業商業生態系統治理的變革與框架［J］.山東大學學報（哲學社會科學版），2024（2）：36-44.

［5］ RIJSWIJK K，KLERKX L，TURNER J A.Digitalisation in the New Zealand agricultural knowledge and innovation system：initial understandings and emerging organisational responses to digital agriculture［J］.NJAS：Wageningen Journal of Life Sciences，2019，90-91（1）：1-14.

［6］ IAKSCH J，FERNANDES E，BORSATO M，et al.Digitalization and big data in smart farming-a review［J］.Journal of Management Analytics，2021，8（2）：333-349.

［7］ SMIDT H J，JOKONYA O.Towards a framework to implement a digital agriculture value chain in South Africa for small-scale farmers［J/OL］.Journal of Transport and Supply Chain Management，2022，16［2022-

10-26］.

［8］ 張蘊萍，欒菁.數字經濟賦能鄉村振興：理論機制、制約因素與推進路徑［J］.改革，2022（5）：79-89.

［9］ 辛翔飛，王濟民.鄉村振興下農業振興的機遇、挑戰與對策［J］.宏觀經濟管理，2020（1）：28-35.

［10］ 毛世平，張琳，何龍娟，等.我國農業農村投資狀況及未來投資重點領域分析［J］.農業經濟問題，2021（7）：47-56.

［11］ 馬威，張人中.數字金融的廣度與深度對縮小城鄉發展差距的影響效應研究——基于居民教育的協同效應視角［J］.農業技術經濟，2021（2）：1-15.

［12］ 張合林，孫詩瑤.不同市場化程度下我國農地資源保護績效實證分析［J］.鄭州大學學報（哲學社會科學版），2015，48（6）：88-92.

［13］ 袁久和，祁春節.基于熵值法的湖南省農業可持續發展能力動態評價［J］.長江流域資源與環境，2013，22（2）：152-157.

［14］ 張香玲，李小建，朱紀廣，等.河南省農業現代化發展水平空間分異研究［J］.地域研究與開發，2017，36（3）：142-147.

［15］ 林青寧，孫立新，毛世平.中國農業企業科技成果轉化效率測算與分析——基于網絡超效率sbm模型［J］.科技管理研究，2020，40（8）：52-58.

［16］ 徐曉莉.供應鏈核心企業4E績效審計評價指標體系研究［J］.會計之友，2019（17）：77-85.

［17］ 王展昭，唐朝陽.基于全局熵值法的區域創新系統績效動態評價研究［J］.技術經濟，2020，39（3）：155-168.

［18］ WEN Y，KONG L，LIU G.Big data analysis of e-commerce efficiency and its influencing factors of agricultural products in China［J］.Mobile Information Systems，2021（1）：1-8.

［19］ 李憲印，劉忠花，于婷.中國生態農業上市公司技術效率測度及政策研究——基于面板數據的實證分析［J］.中國軟科學，2016（7）：162-171.

［20］ 張慧，熊歡歡，劉越群.基于TOPSIS熵權法的我國區塊鏈產業生態系統績效評價研究［J］.科技管理研究，2023，43（5）：38-45.