How do productive service inputs enhance a country’s position in the global agricultural value chain?
基于55个经济体面板数据，检验生产性服务投入如何提升一国全球农业价值链地位。
国际合作与全球农业
国际农业合作与国别农业研究
技术筛选
3 篇内容清除全部筛选
基于FAO全球农业数据的机器学习作物产量预测:线性回归 随机森林 XGBoost比较研究
International Journal for Multidisciplinary Research (IJFMR) 2026年第8卷第4期(2026-08-28发表):基于FAO全球农业数据集(覆盖212个国家和地区、10种主要作物、1961-2016年56,717条记录),比较线性回归、随机森林、XGBoost三种机器学习模型。80:20 train-test split,Random Forest取得最佳性能:R²=0.9586、MAE=6724.19 hg/ha、RMSE=13829.60 hg/ha;XGBoost: R²=0.8115;线性回归:R²=0.0608。特征重要性分析识别作物类型(Item Code)为最具影响力预测因子,其次是地理区域和时间因素。[注:本论文使用2016年截止数据,模型泛化能力可能存在边界]
撒哈拉以南非洲农业创新扩散仍偏重横向推广：基于系统综述的研究议程
按PRISMA范围综述方法，从2,070项研究中筛选2016—2026年间的54项实证研究。结果显示86%研究集中在2016—2021年发布；地理分布以肯尼亚（28%）、埃塞俄比亚（12%）和多国SSA研究（16%）为主；方法偏量化，随机对照试验占47%、比较调查26%、面板数据16%；65%研究聚焦农资与增产技术，仅9%关注价值链或市场导向创新；70%研究将扩展框架为'横向扩散'。促进因素以信息/推广/社会网络（60%）和金融可及性（30%）为主，主要障碍为资金约束（23%）、可及性（21%）和知识缺口（16%）；仅不足15%研究显式考虑系统维度，提示需从扩散中心论转向系统导向整合方法。