1.辽宁大学经济学院2.中国农业科学院农业经济与发展研究所3.辽宁大学李安民经济研究院
摘要：机器学习以数据驱动为核心,正成为推动农业经济理论与方法演进的关键力量之一。本文在梳理国内外相关文献的基础上,构建了面向农业经济问题的“任务—数据—方法”分析框架,将相关研究归纳为预测模拟与政策评估、类型识别与特征刻画、动态决策与策略优化三大类核心任务,并对应阐述了监督学习、无监督学习与强化学习等机器学习方法的基本原理与适用场景。本文进一步从研究目标、模型设定、因果识别等维度,探讨了机器学习与传统计量方法在范式上的差异与互补关系。通过述评机器学习在预测模拟、政策评估、特征提取与动态优化等领域的应用进展,本文指出其在数据基础、模型可解释性、因果推断有效性以及外推稳健性等方面仍面临挑战。最后,本文结合中国农业经济的结构性约束与发展需求,提出应将机器学习嵌入既有理论与识别框架中,推动农业经济研究范式从结构建模向智能学习、由理论推演向数据驱动、由静态评估向动态优化转变。
关键词：机器学习;农业经济;预测精度;可解释性;研究范式转变;
基金资助：国家自然科学基金重点项目“中国农业农村渐进式改革的理论框架与行动逻辑”(编号:72141307)；
