在全球气候变化与“双碳”目标背景下,提升农业碳全要素生产率(carbon total factor productivity,CTFP)对实现中国农业的高质量与可持续发展具有重要战略意义。该研究采用2011—2021年中国省际面板数据测算农业CTFP,并基于诱致性技术...在全球气候变化与“双碳”目标背景下,提升农业碳全要素生产率(carbon total factor productivity,CTFP)对实现中国农业的高质量与可持续发展具有重要战略意义。该研究采用2011—2021年中国省际面板数据测算农业CTFP,并基于诱致性技术变迁理论,运用连续型双重差分模型,实证分析了数字普惠金融对农业CTFP的实质性影响及其作用机制。研究发现:(1)农业CTFP整体呈上升趋势,分为“增长—下降—增长”3个阶段,并且存在“中部地区—东部地区—西部地区”依次递减的分布格局,区域间差异逐渐缩小。(2)数字普惠金融显著提高了农业CTFP,其综合指数与农业CTFP的回归系数为0.258。在数字普惠金融的3个子维度中,覆盖广度对农业CTFP提升的贡献最大,其次是使用深度,而数字化程度影响不显著。(3)机制检验结果显示,数字普惠金融通过优化生产要素投入结构提升农业CTFP,主要是促进了资本替代劳动投入,对能源投入的作用不显著。(4)异质性分析结果表明,数字普惠金融的提升作用存在显著地区差异。其对“粮食主导-低坡-耕地充裕”地区的农业CTFP提升效果更为显著,而在“粮食主导-高坡-耕地充裕”地区及“耕地稀缺-粮食生产资源贫瘠”地区并未产生显著影响。建议:应重点从覆盖广度、使用深度两个方面,持续推动数字普惠金融发展。在充分考虑不同区域的农业生产特点和自然资源禀赋的情况下,合理布局数字普惠金融空间分布。同时,提升数字基础设施水平和普惠金融应用能力,尤其加大对“粮食主导-低坡-耕地充裕地区”的数字普惠金融支持力度,以持续推动农业绿色发展转型。展开更多
近年来,大语言模型(Large Language Models,LLMs)在自然语言处理各任务中取得了显著进展。然而,通用大模型在特定垂直领域的表现仍存在局限。为提升模型在印刷包装领域中的理解与生成能力,本研究构建了一个专属领域数据集APPD,并基于Cha...近年来,大语言模型(Large Language Models,LLMs)在自然语言处理各任务中取得了显著进展。然而,通用大模型在特定垂直领域的表现仍存在局限。为提升模型在印刷包装领域中的理解与生成能力,本研究构建了一个专属领域数据集APPD,并基于ChatGLM3-6B模型进行定向微调。该数据集采用Alpaca格式构建,覆盖了包装设计、材料说明、生产流程、设备操作等多个典型应用场景。在该数据集上进行微调实验,模型在印刷包装相关任务上表现出更强的语言理解与任务完成能力。实验结果表明,领域微调能够有效提升模型的实用性与专业性。本研究为大语言模型在传统制造行业的落地应用提供了新思路。展开更多
文摘在全球气候变化与“双碳”目标背景下,提升农业碳全要素生产率(carbon total factor productivity,CTFP)对实现中国农业的高质量与可持续发展具有重要战略意义。该研究采用2011—2021年中国省际面板数据测算农业CTFP,并基于诱致性技术变迁理论,运用连续型双重差分模型,实证分析了数字普惠金融对农业CTFP的实质性影响及其作用机制。研究发现:(1)农业CTFP整体呈上升趋势,分为“增长—下降—增长”3个阶段,并且存在“中部地区—东部地区—西部地区”依次递减的分布格局,区域间差异逐渐缩小。(2)数字普惠金融显著提高了农业CTFP,其综合指数与农业CTFP的回归系数为0.258。在数字普惠金融的3个子维度中,覆盖广度对农业CTFP提升的贡献最大,其次是使用深度,而数字化程度影响不显著。(3)机制检验结果显示,数字普惠金融通过优化生产要素投入结构提升农业CTFP,主要是促进了资本替代劳动投入,对能源投入的作用不显著。(4)异质性分析结果表明,数字普惠金融的提升作用存在显著地区差异。其对“粮食主导-低坡-耕地充裕”地区的农业CTFP提升效果更为显著,而在“粮食主导-高坡-耕地充裕”地区及“耕地稀缺-粮食生产资源贫瘠”地区并未产生显著影响。建议:应重点从覆盖广度、使用深度两个方面,持续推动数字普惠金融发展。在充分考虑不同区域的农业生产特点和自然资源禀赋的情况下,合理布局数字普惠金融空间分布。同时,提升数字基础设施水平和普惠金融应用能力,尤其加大对“粮食主导-低坡-耕地充裕地区”的数字普惠金融支持力度,以持续推动农业绿色发展转型。
文摘近年来,大语言模型(Large Language Models,LLMs)在自然语言处理各任务中取得了显著进展。然而,通用大模型在特定垂直领域的表现仍存在局限。为提升模型在印刷包装领域中的理解与生成能力,本研究构建了一个专属领域数据集APPD,并基于ChatGLM3-6B模型进行定向微调。该数据集采用Alpaca格式构建,覆盖了包装设计、材料说明、生产流程、设备操作等多个典型应用场景。在该数据集上进行微调实验,模型在印刷包装相关任务上表现出更强的语言理解与任务完成能力。实验结果表明,领域微调能够有效提升模型的实用性与专业性。本研究为大语言模型在传统制造行业的落地应用提供了新思路。
