数字乡村发展对绝对贫困的影响研究开题报告

2020年是决胜脱贫攻坚的收官之年。脱贫攻坚是全面建成小康社会的底线任务，农村人口全面脱贫是全面建成小康社会的标志性指标。2020 年底，我国贫困县将全部脱贫摘帽，农村人口全面脱贫。困扰中国人民几千年的绝对贫困问题将得到解决。但是脱贫不返贫，才是真脱贫。如何有效防止脱贫人口返贫是党和国家解决绝对贫困之后又一重大难题。2018年1月2日《中共中央、中央国务院关于实施乡村振兴战略的意见》明确提出，要实施数字乡村战略，做好整体规划设计，加快农村地区宽带网络和第四代移动通信网络覆盖步伐，开发适应“三农”特点的信息技术、产品、应用和服务，推动远程医疗、远程教育等应用普及，弥合城乡数字鸿沟。2019年5月，中共中央办公厅、国务院办公厅印发《数字乡村发展战略纲要》。数字乡村取得初步进展的2020年，也是决胜脱贫攻坚的最后一年。本文选题旨在探究数字乡村对农村人口减贫的具体效用，并在在政府防止农村脱贫人口反贫的进程中提出相关意见和建议。

一、研究内容及关键问题

本文旨在研究数字乡村战略的实施对消除农村绝对贫困的具体效用。主要包括以下几个方面：

1. 建立完善的并具有科学性和代表性的农村绝对贫困测度体系。绝对贫困是指在一定社会生产方式和生活方式下，个人和家庭依靠其劳动所得和其他合法收入不能维持其基本的生存需要，这样的个人或家庭就称为贫困人口或贫困户。2011年，中央扶贫办开发工作会议决定，将农民人均纯收入2300元作为新的国家扶贫标准。消除绝对贫困是脱贫攻坚的首要目标，绝对贫困也涉及到各个地区发展水平情况。衡量绝对贫困采取的指标主要有家庭财富、家庭收入、家庭不动产值、农业经济发展水平等。

2. 建立完善的并具有科学性和代表性的数字乡村发展水平测度体系。在指标选择上，不同研究有所差异。浙江德清指数主要构建了要素高端化、产业数字化、治理现代化、生态绿色化、生活智慧化等一级指标，而四川省发展指数主要构建了数字农业发展指数、数字农村发展指数和数字农民发展指数。本文将综合已有文献研究，选择较为合适的指标来构建测度体系。在测度方法选择上，目前主流的方法有熵值法、层次分析法、主成分分析法、专家打分法、模糊综合评价法、灰色关联分析法和指数分析法等多种方法，本文将在比较各种方法的优劣之后选择最为合适的测度方法及指标。本文需研究指标的变动以衡量数字乡村战略实施对于农村绝对贫困的影响。2020年是我国完成脱贫攻坚任务的收官之年，评估数字乡村战略政策对消除绝对贫困的效用，能够更好把握其战略实施效果，对其后亟需解决的相对贫困及多维贫困问题提供借鉴。

3.选择合适的数据库。由于可以获取到不同地区在不同时间的数字乡村发展指数数据，因此面板模型可以被优先考虑使用，团队可以根据研究的需要选择具体的面板模型。与单纯的横截面数据或时间序列数据相比，我们可利用面板数据构建并检验更复杂的行为模型。除此之外，我们发现某些效应产生的真实原因是存在与解释变量相关的遗漏变量，利用面板数据，我们有降低或消除该问题影响的方法。与纯粹的时序数据相比，面板数据还能对个体结果作出更精确的预测。如果控制某些变量后个体的行为具有相似性，则面板数据不仅提供个体行为信息，还使得通过观察其他个体的行为来研究某个体的行为来研究某个个体行为成为可能。因此，通过混合数据可以得到对个体行为更为精确的描述。

4.构建恰当模型，实证研究数字乡村战略政策对消除绝对贫困的效用。数字乡村作为一项新兴战略，可以被视为一个外部的政策冲击。因此，考虑双重差分模型（DID）能够更直观的反应政策实施效果。作为政策效应评估方法，DID 法可以很大程度上避免内生性问题的困扰：政策相对于微观经济主体而言一般是外生的，因而不存在逆向因果问题。此外，使用固定效应估计一定程度上也缓解了遗漏变量偏误问题。传统方法下评估政策效应，主要是通过设置一个政策发生与否的虚拟变量然后进行回归，相较而言，双重差分法的模型设置更加科学，能更加准确地估计出政策效应。

三、写作提纲

1.引言：简述数字乡村和农村绝对贫困的研究背景、发展现状和研究意义，引出本文所要论证的主题、方法、预期目标。

2.文献综述：对国内外已有文献进行总结梳理，明确数字乡村战略及农村绝对贫困的基本内涵、主要特点、已有理论的研究重点，并在已有文献基础上提出本文的创新之处。

3.测度体系构建：建立完善的并具有科学性和代表性的数字乡村发展水平及农村绝对贫困测度体系。在查阅大量文献的基础上，深度理解绝对贫困及数字乡村战略的具体内涵，并使用恰当方法建立代表性指标。

4.数据来源及实证分析：通过科学可靠的数据库，选取合适的数据，并运用统计分析软件对数据进行处理分析，直观展现不同因素对数字乡村发展水平的影响、数字乡村发展水平对农村绝对贫困的影响，以及这些影响的区域差异。运用科学的计算方法进行定量分析，实现对绝对贫困问题定性和定量研究的结合，深化研究深度。

5.结论及建议：从理论角度分析不同因素影响数字乡村发展水平的机制、数字乡村发展水平对农村绝对贫困的影响机制，以及造成区域差异的原因。并根据结论，针对如何更好地发展数字乡村以及如何通过数字乡村进一步解决绝对贫困、相对贫困、多维贫困提出可行性建议。

一、国内研究现状

（一）数字乡村战略背景：城乡数字鸿沟

数字鸿沟是指拥有或使用信息技术工具接入互联网的个体，与不能使用或拥有的个体之间存在的差异，直接体现为互联网在不同国家、地区、城乡、人群之间普及度的差异（胡鞍钢等，2016）。目前我国城乡数字化发展差距较大，存在一定的数字鸿沟。以互联网普及率为例，截至2020年3月，我国城镇地区互联网普及率为76.5%，农村地区互联网普及率为46.2%，尽管较2018年城乡互联网普及率差距缩小5.9个百分点，但农村地区互联网普及率仍然远小于城市（第45次《中国互联网络发展状况统计报告》，2020）。数字鸿沟所导致的城乡数字化差距，不利于我国城乡一体化的发展。

城乡数字鸿沟主要有以下几点表现：首先，农村获取数字化设备的能力低于城镇，例如农村数字基础设施建设不完善、互联网普及率较低等；其次，由于农村人口的数字化教育水平较低，导致农村人口难以获取关于数字技术的知识和技能，同时其获取数字知识和技能的主观能动性也较低。数字鸿沟加剧了城乡之间的数字不平等。

如果农村未能深度参与数字经济体系，城乡数字鸿沟未能较好改善，可能给农村带来数字化贫困的新问题，这将给农村脱贫工作带来更为复杂的问题。农村数字化贫困是指由于农村居民缺乏数字化相关知识和技能，从而无法参与数字经济发展。数字化贫困本质上是能力贫困，但会转化成知识贫困、收入贫困等贫困问题（吴玲、张福磊，2018）。

在城乡数字化不平等的情况下，农村居民成为数字经济弱势群体，并陷入数字贫困问题。罗廷锦、茶洪旺（2018）经研究证实数字鸿沟与农村贫困呈现显著的正相关关系，这给农村可持续发展带来新的阻力。从农民个体角度而言，数字化贫困和经济贫困会相互作用（吴玲、张福磊，2018），使得农民成为数字穷人，并通过马太效应强化，进一步加剧城乡贫富两极分化，扩大城乡差距（滕延祥，2020）。除此之外，农村居民难以参与数字经济活动，加剧了农村居民的贫困脆弱性，使得农村贫困人口在脱贫后有可能重新返贫，降低脱贫的稳定性（周慧敏等，2019），这对于农村脱贫工作是一个艰巨的挑战。对农村整体而言，数字化贫困使得农村人力资本的潜力难以挖掘，以及传统产业难以实现现代化转型，从而无法激发农村内生发展动力，实现农村的可持续发展。

（二）数字乡村建设在扶贫方面的应用

在农村精准扶贫方面，也要转变传统的扶贫思维，认识到农村贫困问题的复杂性。通过构建扶贫数据平台，完善农村贫困人口信息库（胡鞍钢等，2016）解决农村数字贫困问题，保障农民数字化权利，提升农村人口脱贫的可持续能力，增强农村内生发展动力，使得农村真正享受到数字经济带来的红利（吴玲、张福磊，2018）。在产业转型方面，推动农业生产与数字技术相结合。大力发展互联网现代农业（王胜青、刘国芳，2017），推动农村电子商务、智慧农业、数字物流体系等建设（吴玲、张福磊，2018）。

二、国外研究现状

因国内外情况差异，国外城乡互联网普及程度较高，差异化较小，故其关于数字乡村的文献主要集中在对于数字农业的研究上。作为现代农业生产国的代表，美国于1998年就提出了数字农业战略，其特点是实现农业生产高度“三化”（专业化、规模化、企业化），形成完善的农业生产体系以及实现农业教育、科研与推广的“三位一体”。该战略逐渐被多国效仿研究，并为国际组织重视。研究世界范围数字农业战略进程动态，对我国数字乡村战略的胜利（尤其是农村农业现代化技术建设）有着重要意义。

从自然科学或技术科学的角度来看，国内外文献涉及农业的不同形式的数字化（大数据，物联网，增强现实，机器人技术，传感器，3D打印，系统集成，普遍存在的连接性，人工智能，数字孪生以及区块链等），而社会科学研究者们最近开始研究与农业生产系统、价值链和食品系统有关的数字农业的各个方面。目前，可以确定有关农业数字化的现有社会科学文献的五个主题群：

（一）在农业上采用数字技术

一部分学者着重于农场采用精密技术的不同方面，同时考察了经济和行为方面。这些文献集中于个人采用技术的决定因素（Barnes等，2019；Kernecker等，2019），以及推广和干预以刺激采用技术的途径（Kutter等，2011）。另一部分学者研究农场上的精确农业利用及其对农业生产的影响（Hay、Pearce，2014）和适应过程（Higgins等，2017）。该主题也已从农场外的角度进行了分析，考察了影响技术形成的广泛网络和创新系统，以及技术与更广泛的社会和制度环境之间的共同进化。

（二）数字化对农民身份、技能和工作的影响

这一研究主题重点关注数字技术如何影响耕作方法，要求农民掌握不同的知识，技能和劳动管理。数字化会影响农村地区的文化结构和农民的身份（Carolan，2017），也可能将农业文化从“动手实践”和经验驱动的管理方式转变为数据驱动的方式（Butler、Holloway，2016）。因此，数字化与农业生态的兼容性是一个有争议的问题（VanHulst等，2020），因为有学者认为农业生态学是离不开农民动手实践的。此外，旨在自动化、高效率的技术可能会使农民感到不适，并使得缺乏数字素养的人受到排斥，因此要提高农户对于数字技术的接受度和参与度（许竹青，2020）。

（三）在数字化农业生产系统和价值链中的权力、所有权、隐私和道德

国外部分学者将社会科学观点应用于农业数字化，重点在数字农业的政治经济和政治生态上。其中的关键问题包括权力、数据所有权、隐私以及如何从道德上解决这些问题（Sykuta，2016；Carbonell，2016）。

国内学者着重强调了加强数字经济相关的风险防控、优化相应的法律法规配套措施对数字经济与农业农村经济的融合发展的重要性（温涛、陈一明，2020），一方面要加强网络空间的安全治理，加强防范“庞氏骗局”和不良投机行为，同时出台新的法律法规和部门规章，规范数字金融市场准入、行业监管；另一方面，加快建立健全和农村“数字经济”领域相关的官方权威统计口径和指标，保障数据的安全性。

（四）数字化和农业知识与创新系统（AKIS）

学者们发现数字化是农业知识和创新系统（AKIS）演进的驱动力。在这个新兴的主题集群中可以用对AKIS的宏观，中观或微观的视角来辨别不同的研究领域。从宏观的角度来看，一些使用创新系统视角的研究着眼于创新支持结构如何实现数字化，同时也在数字化的影响下进行自我改变，例如通过整合大数据分析（Kamilaris等，2017）。从中观的角度来看，一些基于学习和交流理论的研究着眼于如何形成学习网络以实现数字农业创新（Eastwood等，2012；Kelly等，2017）。在微观层面上，使用学习理论和以用户为中心的设计，以及顾问如何与农民互动，以将“数字知识系统”与“农民知识系统”联系起来（Bechtet，2019）。汪旭晖、赵博等（2020）研究发现数字农业模式创新是由以“产品”为核心，高效生态的数字生产模式和以“消费者”为中心，全产业链衍伸的数字经营模式组成的。

（五）数字化农业的经济管理

与有关精密技术采用的文献相关，部分学者关注投资决策（Rutten等，2018），部分学者试图评估精准农业技术对农业部门生产力的影响。如，Lio、Liu（2006）展示了这些技术的积极作用，但也显示了各国之间潜在的分歧和不平等。另一个重要的方面涉及数字技术对市场的经济影响，主要是使用嵌入微观经济学、信息需求、供给和使用模式之间关系的建模和计量经济学的理论和方法。

在发展中国家的背景下，许多学者评估了市场信息系统对补偿信息不对称和增加市场准入的影响（David-Benz等，2017；Agyekumhene等，2018）。此外，伴随互联网大数据等技术在农村地区的广泛应用，数字技术和普惠金融加速融合，数字普惠金融成为当前及未来一个时期农村金融发展的重要方向（黄迈、马九杰，2019；许玉韫、张龙耀，2020；张勋、万广华，2019；王曙光、王东宾，2011；王修华、邱兆祥，2011等）。

本文研究计划如下：

2022年12月12日——12月31日：查阅关于数字经济、数字乡村、贫困、绝对贫困等主题的参考文献，仔细研读并整理汇总成研读笔记。在此基础上完成引言和文献综述部分。

2022年1月1日——1月31日：通过查阅大量文献，选取数字乡村发展水平的指标，运用指数系统编制方法或熵值法构建数字乡村发展评价指标。通过阅读大量文献，选取农村绝对贫困指标，构建绝对贫困测度体系。在此基础上完成测度模型构建写作部分。

2022年2月1日——2月28日：收集整理相关数据，通过计量分析软件进行数据处理和回归分析，在此基础上完成计量模型呈现和回归结果分析写作部分。同时进行稳健性检验、区域异质性分析及相关操作。

2022年3月1日——3月19日：完成结论和政策建议部分，整合论文初稿，修改完善，交给指导老师审核。

2022年3月1日——5月14日：进行论文修改、重复率检查、定稿、外文文献翻译工作。

2022年5月15日——5月28日：完成论文答辩。

[1]中央网信办有关负责人就《数字乡村发展战略纲要》答记者问．中国政府网

[2]（受权发布）中共中央 国务院关于实施乡村振兴战略的意见．新华网

[3]中共中央办公厅 国务院办公厅印发《数字乡村发展战略纲要》

[4]M.J. Smith Getting value from artificialintelligence in agriculture Anim. Prod. Sci. (2018), 10.1071/AN18522

[5]D. Tilson, K. Lyytinen, C. S#248;rensen Research commentary—digitalinfrastructures: the missing IS research agenda Inf. Syst. Res., 21 (2010),pp. 748-759

[6]Yoo.Computing in Everyday Life: A Call for Researchon Experiential Computing. MIS Quarterly (2010), p. 34

[7]K.J. Poppe, S. Wolfert, C. Verdouw, T. Verwaart. Informationand communication technology as a driver for change in agri-food chains. EuroChoices,12 (2013), pp. 60-65

[8]M.J. Smith Getting value from artificialintelligence in agriculture Anim. Prod. Sci. (2018), 10.1071/AN18522

[9] M.L.Di Silvestre, S. Favuzza, E. Riva Sanseverino, G. Zizzo. How Decarbonization,Digitalization and Decentralization are changing key power infrastructures.RenewableSustainable Energy Rev. 93 (2018), pp. 483-498

[10]S. Rotz, E. Duncan, M. Small, J. Botschner, R.Dara, I. Mosby, M. Reed, E.D.G. Fraser.The politics of digital agricultural technologies:a preliminary review.Sociol. Ruralis, 59 (2019), pp. 203-229

[11]V. Blok, B. Gremmen. Agricultural technologies asliving machines: toward a biomimetic conceptualization of smart farmingtechnologies.Ethics Policy Environ., 21 (2018), pp. 246-263

[12]S. Wolfert, L. Ge, C. Verdouw, M.-J. Bogaardt.Bigdata in smart farming – a review Agric. Syst., 153 (2017), pp. 69-80

[13]S.A. Wolf, F.H. Buttel.The political economy ofprecision farming Am. J. Agric. Econ., 78 (1996), pp. 1269-1274

[14]C. Eastwood, L. Klerkx, R. Nettle.Dynamics and distributionof public and private research and extension roles for technological innovationand diffusion: case studies of the implementation and adaptation of precisionfarming technologies J. Rural Stud., 49 (2017), pp. 1-12

[15]E. Leonard, R. Rainbow, J. Trindall, I. Baker, S.Barry, S. Darragh, R. Darnell, A. George, R. Heath, E. Jakku, A. Laurie, D.Lamb, R. Llewellyn, E. Perrett, J. Sanderson, A. Skinner, T. Stollery, W.Wiseman, G. Wood, A. Zhang.Accelerating Precision Agriculture to DecisionAgriculture: Enabling Digital Agriculture in Australia. Cotton Research andDevelopment Corporation (2017)

[16]M. Keogh, M. Henry.The Implications of DigitalAgriculture and Big Data for Australian Agriculture Australian FarmInstitute, Sydney, Australia (2016)

[17]M. Shepherd, J.A. Turner, B. Small, D. Wheeler.Prioritiesfor science to overcome hurdles thwarting the full promise of the ‘digitalagriculture’ revolution J. Sci. Food Agric. (2018),

[18]D.C. Rose, J. Chilvers.Agriculture 4.0: BroadeningResponsible Innovation in an Era of Smart Farming Frontiers in SustainableFood Systems (2018), p. 87

[19]C. Eastwood, L. Klerkx, M. Ayre, et al.

Managing socio-ethical challenges in the development ofsmart farming: from a fragmented to a comprehensive approach for responsibleresearch and innovation

J. Agric. Environ. Ethics (2017), 10.1007/s10806-017-9704-5

[20]S.J.C. Janssen, C.H. Porter, A.D. Moore, I.N.Athanasiadis, I. Foster, J.W. Jones, J.M. Antle.Towards a new generation ofagricultural system data, models and knowledge products: information andcommunication technology. Agric. Syst., 155 (2017), pp. 200-212

[21]K.J. Poppe, S. Wolfert, C. Verdouw, T. Verwaart.Informationand communication technology as a driver for change in agri-food chains. EuroChoices,12 (2013), pp. 60-65

[22]EU SCAR AKIS.Preparing for Future AKIS in Europe.Brussels,European Commission (2019)

[23]World Bank.Future of Food - Harnessing DigitalTechnologies to Improve Food System Outcomes.World Bank, Washington D.C(2019)]

[24]N.M. Trendov, S. Varas, M. Zenf. DigitalTechnologies in Agriculture and Rural Areas: Status Report. Food andAgricultural Organization of the United Nations, Rome (2019)

[25]M.-A. Jouanjean. Digital Opportunities for Trade inthe Agriculture and Food Sectors. OECD Food, Agriculture and FisheriesPapers, No. 122. OECD Publishing, Paris (2019)

[26]A. Barnes, I. De Soto, V. Eory, B. Beck, A.Balafoutis, B. Snchez, J. Vangeyte, S. Fountas, T. van der Wal, M.Gmez-Barbero. Influencing factors and incentives on the intention to adoptprecision agricultural technologies within arable farming systems. Environ. Sci.Policy, 93 (2019), pp. 66-74

[27]M. Kernecker, A. Knierim, A. Wurbs, T. Kraus, F.Borges. Experience versus expectation: farmers’ perceptions of smart farmingtechnologies for cropping systems across Europe. Precis. Agric. (2019),10.1007/s11119-019-09651-z

[28]T. Kutter, S. Tiemann, R. Siebert, S. Fountas. Therole of communication and co-operation in the adoption of precision farming. Precis.Agric., 12 (2011), pp. 2-17

[29]R. Hay, P. Pearce. Technology adoption by ruralwomen in Queensland, Australia: women driving technology from the homesteadfor the paddock. J. Rural Stud., 36 (2014), pp. 318-327

[30]章浩.无线传感器网络中节点定位及其在农业上的应用[D].江苏大学,2007.

[31]赵芸.基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究[D].浙江大学,2013.

[32]郭雷风. 面向农业领域的大数据关键技术研究[D].中国农业科学院,2016.

[33]苑严伟. 数字农业典型智能化装备虚拟仿真技术研究[D].中国农业机械化科学研究院,2010.

[34]鄢发平,李小华.基于农业大数据的有机水稻高产高效种植关键技术[J].农业工程技术,2020,40(12):58-60.

[35]V. Higgins, M. Bryant, A. Howell, J. Battersby. Orderingadoption: materiality, knowledge and farmer engagement with precisionagriculture technologies. J. Rural Stud., 55 (2017), pp. 193-202

[36]

[37]C.R. Eastwood, D.F. Chapman, M.S. Paine. Networksof practice for co-construction of agricultural decision support systems:case studies of precision dairy farms in Australia. Agric. Syst., 108 (2012),pp. 10-18

[38]付豪,赵翠萍,程传兴.区块链嵌入、约束打破与农业产业链治理[J].农业经济问题,2019(12).

[39]M. Carolan. Publicising food: big data, precisionagriculture, and Co-experimental techniques of addition. Sociol. Ruralis, 57(2017), pp. 135-154

[40]D. Butler, L. Holloway. Technology and restructuringthe social field of dairy farming: hybrid capitals, ‘Stockmanship’ andautomatic milking systems. Sociol. Ruralis, 56 (2016), pp. 513-530

[41]F. Van Hulst, R. Ellis, K. Prager, J. Msika. Usingco-constructed mental models to understand stakeholder perspectives onagroecology. Int. J. Agric. Sustainability (2020),10.1080/14735903.2020.1743553

[42]许竹青.我国数字农业发展的现状、问题与政策建议[J].全球科技经济瞭望,2020,35(06):19-25.

[43]M. Sykuta. Big data in agriculture: propertyrights, privacy and competition in Ag data services. Int. Food AgribusinessManage. Rev., 19 (A) (2016), pp. 57-74

[44]I.M. Carbonell. The ethics of big data in bigagriculture. Internet Policy Review, 5 (2016), pp. 1-13

[45]温涛,陈一明.数字经济与农业农村经济融合发展:实践模式、现实障碍与突破路径[J].农业经济问题,2020(07):118-129.

[46]A. Kamilaris, A. Kartakoullis, F.X. Prenafeta-Bold.A review on the practice of big data analysis in agriculture. Comput.Electron. Agric., 143 (2017), pp. 23-37

[47]C.R. Eastwood, D.F. Chapman, M.S. Paine. Networksof practice for co-construction of agricultural decision support systems:case studies of precision dairy farms in Australia. Agric. Syst., 108 (2012),pp. 10-18

[48]N. Kelly, J.M. Bennett, A. Starasts. Networkedlearning for agricultural extension: a framework for analysis and two cases. J.Agric. Educ. Ext., 23 (2017), pp. 399-414

[49]N. Bechtet. The role of extension services in theadoption of innovation by farmers. The Case of Precision Farming Tools forFertilization, Noemie Bechtet, Presented at the 24th European Seminar onExtension Education, 18–21 June 2019, Acireale, Sicily, Italy (2019)

[50]汪旭晖,赵博,王新.数字农业模式创新研究——基于网易味央猪的案例[J].农业经济问题,2020(08):115-130.

[51]C.J. Rutten, W. Steeneveld, A.G.J.M. Oude Lansink,H. Hogeveen. Delaying investments in sensor technology: the rationality ofdairy farmers’ investment decisions illustrated within the framework of realoptions theory. J. Dairy Sci., 101 (2018), pp. 7650-7660

[52]M. Lio, M.-C. Liu. ICT and agriculturalproductivity: evidence from cross-country data. Agric. Econ., 34 (2006), pp.221-228,10.1111/j.1574-0864.2006.00120.x

[53]H. David-Benz, N. Andriandralambo, N. Rahelizatovo.Disseminating Price. Information Through Mobile Phone: Are Malagasy FarmersReady for It? Presented at the Conference Proceedings of 2017 EFITA WCCACongress: European Conference Dedicated to the Future Use of ICT in theAgri-food Sector, Bioresource and Biomass Sector. Montpellier, France.-150(2017)

[54]C. Agyekumhene, J.R. de Vries, A. van Paassen, P.Macnaghten, M. Schut, A. Bregt. Digital platforms for smallholder creditaccess: the mediation of trust for cooperation in maize value chain financing.Njas - Wageningen J. Life Sci., 86–87 (2018), pp. 77-88,10.1016/j.njas.2018.06.001

[55]黄迈,马九杰.农户网络贷款服务模式及其创新发展[J].改革,2019(03)

[56]许玉韫,张龙耀.农业供应链金融的数字化转型:理论与中国案例[J].农业经济问题,2020(04).

[57]张勋,万广华,张佳佳,何宗樾.数字经济、普惠金融与包容性增长[J].经济研究,2019,54(08):71-86.

[58]王曙光,王东宾.双重二元金融结构、农户信贷需求与农村金融改革——基于11省14县市的田野调查[J].财贸经济,2011(05):38-44 136.

[59]王修华,邱兆祥.农村金融发展对城乡收入差距的影响机理与实证研究[J].经济学动态,2011(02):71-75.