中国农业新质生产力发展水平测度与影响因素分析——基于XGBoost模型的经验证据.pdf

上海管理科学ShanghaiManagementScience第47卷第1期2025年2月Vol.47No.1Feb.2025

文章编号：1005⁃9679(2025)01⁃0059⁃08

中国农业新质生产力发展水平测度与影响因素分析

——基于XGBoost模型的经验证据

吴展瞿廷鸿

（上海海洋大学经济管理学院，上海201306）

摘要：发展农业新质生产力对于推动我国农业现代化和实现农业强国战略目标发挥重要作

用。为客观量化影响农业新质生产力水平关键因素的非线性效应与重要性，提出一种基于机器学

习方法的农业新质生产力发展水平测度和分析框架。利用极端梯度提升(XGBoost)算法、SHAP机

器学习解释方法和TOPSIS模型测度和分析2012年至2022年中国农业新质生产力发展水平。此

外，应用五折交叉验证对机器学习回归模型结果进行稳健性检验。最后采用SHAP模型深入分析

影响我国农业新质生产力水平的关键驱动因素，探索促进我国农业新质生产力发展路径。研究结

果表明：我国农业新质生产力水平整体呈上升趋势，但总体水平较低；科技创新人才、高新技术产

业发展规模和数字经济发展水平是影响我国农业新质生产力发展水平的关键驱动因素，且具有显

著的正向效应和非线性特征。

关键词：机器学习；SHAP模型；XGBoost算法；农业新质生产力；驱动因素

中图分类号：TP181；F124文献标志码：A

TheDevelopmentLevelofNewQualityProductiveForcesinChinese

AgricultureandAnalysisofInfluencingFactors:EmpiricalEvidence

BasedontheXGBoostModel

WUZhan,QUTinghong

(SchoolofEconomicsandManagement,ShanghaiOceanUniversity,Shanghai201306)

Abstract:Thedevelopmentofagriculturalnewqualityproductivityplaysanimportantroleinpromot⁃

ingthemodernizationofChinasagricultureandachievingthestrategicgoalofastrongagricultural

country.Inordertoobjectivelyquantifythenonlineareffectsandimportanceofkeyfactorsaffectingthe

levelofagriculturalnewqualityproductivity.Thearticleaimstoproposeaframeworkformeasuring

andanalyzingthedevelopmentlevelofagriculturalnewqualityproductivitybasedonmachinelearning

methods.TheExtremeGradientBoosting(XGBoost)algorithm,SHAPmachinelearninginterpreta⁃

tionmethodandTOPSISmodelareutilizedtomeasureandanalyzethedevelopmentlevelofagricul⁃

turalnewqualityproductivityinChinafrom2012to2022.Inaddition