目前，世界经济正从农业经济进入知识经济时代，产业发展形态也随之由劳动密集型向知识密集型转化。随着知识创新在社会经济发展中重要性的体现，人类社会的发展方式也在发生重要变化。智力资本理论的产生与发展是理论研究与实践结合的产物，属于一种能创造价值或效用的能力，也是智力与知识有机融合带来效益的资本，因此能很好地解释知识经济发展的动力问题。知识经济的兴起使智力与知识成了最重要的资源，在此基础上形成的科技实力成了最重要的竞争力。但由于智力资本是无形的，且影响因素众多，用于解释智力资本的AIC难以形成统一的概念。在现代化农业进程中AIC更加重视通过网络与大数据发展农业，即借助网络与大数据等智能技术提升农业生产质量，推动我国农业经济知识密集型转型进程。其中，智力资本为数字经济发展创造了新的机遇，智慧农业应运而生。智力资本以信息和知识为核心，通过人工智能等现代信息技术与农业跨界融合，实现农业生产全过程信息感知、定量决策、智能控制、精准投入与个性化服务的全新农业生产方式，是农业信息化发展到智能化的高级阶段。在RIC协调发展中，首要任务是关注市场需求，通过市场需求确定发展目标；其次可对现有资源进行汇总，针对具体问题进行探讨，并形成理论；最终将理论应用在实际中，等待市场的结果反馈。

智力资本改变了传统农业经济的发展，并推进了农业经济向知识密集型转型升级^[8]。智力发展对农业经济的影响机制主要从农业经济发展周期、农业产业发展、农业产业价值与农业资源配置4个部分进行分析。在农业经济发展周期中，智力资本可推动农业产业的供需平衡发展，从而提升农业经济的稳定性与长期性。在农业产业发展部分，主要从区域人力资本(RZ)、区域关系资本(GZ)、区域结构资本(JZ)与区域创新资本(CZ)4个方面进行分析。农民是农业行业的知识载体，但目前在高校与研究院中农业专业是比较冷门的专业，只有少部分学生愿意长期从事农业研究。农业人力资本的质量也很重要，只有当地农业人才质量得到提高，才能将人口优势转变为人力资本优势。农业RZ流动也会影响农业经济发展，其能引进新的管理方法与生产技术，也能加剧不平衡发展。GZ能增强外部农业进入时区域农业市场发展的抗风险能力，促进RZ流动，减少农业运营成本，并能促进企业对政府的信任度。结构资本的发展具有灵活性，能在农业产业发展中创造潜在价值，并将接收的信息转换为实际行动。创新资本是农业产业发展的源泉，其能推动农业技术创新，为农业产业创造新机遇和巨大的经济效益。在农业产业价值部分，智力资本可为农业产业价值增添新动力，同时农业产业价值的改善会反作用于智力资本，促进各维度优化。

在进行智力资本测度评价体系(Measurement of Intellectual Capital，MIC)构建时，需以智力资本的4个维度为基础。由于评价数量过多，需要先通过以下筛选原则确定指标，即可度量性、典型性、系统性及可操作性。江苏省作为我国经济最发达的地区之一，具有众多科技创新基地与发达的交通网络，并且农业现代化水平较高，因此选择江苏省作为研究对象，并使用2013-2022年的面板数据作为样本，对不同地区的智力资本展开评估，所需数据从《中国科技统计年鉴》(2013-2022)以及《中国统计年鉴》(2013-2022)获取。因为目前缺乏通用的智力资本测度评价体系，本文结合江苏省的实际情况，构建MIC评价体系(图 1)。

在图 1中，一级指标为RZ、GZ、JZ与CZ，共12项二级指标和38项三级指标。江苏省智力资本综合得分CS的表达式为：

式中，RZ、GZ、GZ与CZ为智力资本4个维度对应的综合得分。在农业经济水平测度评价体系(Measurement of Agricultural Economic Level，MAEL)构建时，需根据已有研究成果与指标筛选原则进行搭建，其中研究区域使用的数据从《中国统计年鉴》(2013-2022)和《江苏省统计年鉴》(2013-2022)中获取。为避免缺失数据带来的影响，使用移动平均法补充数据。由此构建的MAEL评价体系(图 2)。

在图 2中，一级指标包含生产条件(ST)、社会发展指数(SZ)与产出指数(CC)，共有11项二级指标和26项三级指标。

由于上述评价体系中存在较多指标，因此结合熵权优劣解距离法(The Distance Between the Superior and Inferior Solutions of Entropy Weight，SISEWD)、因子分析法以及江苏省的实际情况与需求获取得分结果^[9-10]。具体流程：假设存在m个待测评价对象，对应评价指标有k个，根据得到的指标数据生成评价对象，评价指标数据矩阵 U。由于不同指标量纲具有较大的差异，因此需进行标准化处理，如式(2)所示。

式中，PI和NI分别为正向和负向指标，ζ为常数，u_ij表示第i个评价对象第j个评价指标的数据，max{}与min{}对应u_ij的最大值与最小值。标准化处理后的指标数据矩阵为 SN，假设其第i个评价对象第j个评价指标对应权重为ω_ij，由此可得j对应的权重W_j与加权矩阵 Z，如式(3)所示。

式中，e_j为j的熵值。设最优向量与最劣向量分别为 Z⁺与 Z^-，计算i到 Z⁺与 Z^-的距离，即D_i⁺与D_i^-，如式(4)所示。

式中，d有海明距离与欧式距离，根据实际情况取值；Z_ij表示第i个评价对象第j个评价指标的向量，Z_j⁺与 Z_j^-分别j为第个评价指标的最优向量与最劣向量。

式中，C_i^′为综合评价效果的重要指标。通过计算获取的C_i^′范围为[0, 1]，然后进行排序，C_i^′值越大说明对应的评价对象综合评价效果越好，其值为0与1时说明评价对象分别对应最差方法与最优方案。

为探究智力资本与农业经济发展水平的关系，首先使用柯布—道格拉斯生产函数(Cobb Douglas Production，CDP)分析两者的关系函数；其次根据回归分析法获取各项参数，并取得不同时间段智力资本对农业经济发展的贡献率^[11-12]；然后运用灵敏度系数探究农业经济发展对智力资本发生变化时的敏感度；最后通过灰色关联度(Grey Correlation Degree，GCD)模型分析智力资本各维度同农业经济发展的关联度^[13-15]。CDP函数的表达式，如式(6)所示。

式中，A、L、K与Y分别为效率系数、劳动投入量、资金投入量及农业经济发展水平，a、b为Y相对L、K的弹性系数。资本贡献率通过目标年份经济产值的差值与实际产值的比值进行计算。在回归分析中本文选择线性回归，即假设变量间具有线性相关性。为便于计算，使用对数的方式统一变量。然后，进行灵敏度系数计算，其中X、Y表示自变量，如式(7)所示。

在GCD法中，首先对获取的数据进行标准化处理，可得规范后的评价指标集U_ij={U_i1，U_i2，⋯，U_im}以及决策矩阵 U_ij。在不同时间点对比数列同参考数列的关联度系数，如式(8)所示。

为便于后续观察，本文将不同时间点的χ_i(U)进行集中处理，最终得到的GCD值，如式(9)所示。

式中，M代表全部评价对象的数据量；ψ表示分辩系数，在实际应用中，ψ一般设定为0.5。

为判断MIC评价体系与MAEL评价体系能否稳定测量江苏省的相关数据，需要对体系中各维度指标进行一致性分析，并通过指标对应的总计相关性系数与克朗巴哈系数测量值进行判断。数据通过软件SPSS 22.0进行处理，MIC评价体系与MAEL评价体系不同评价维度的信度检验结果，如表 1所示。

由表 1可知，当总计相关性系数低于0.5时，对应指标就可进行删除处理；若克朗巴哈系数超过0.7，说明相应维度的内部一致性较好。在MIC评价体系中，4个维度的克朗巴哈系数值均超过0.7，同时全部指标的总计相关性系数均大于0.5。上述结果说明，本文构建的MIC评价体系具有较好的一致性，可用于后续智力资本评估。在MAEL评价体系中，3个维度的克朗巴哈系数均超过0.7，说明3个维度内部的一致性较好，该评价体系划分具有可信度。其中，指标ST13的总计相关性系数为0.276，小于0.5，表示该指标需要删除。删除后维度ST的克朗巴哈系数提高到0.897，意味着该指标放在ST维度进行评价不合适。其余指标的总计相关性系数均超过0.5，表示上述指标通过一致性检验。通过计算可得10年间江苏省智力资本各维度及综合得分，同时为从其他角度分析江苏省RIC的发展情况，本文选取广东、山西、上海和湖北4个典型省域作为对比样本，使用2022年的数据进行计算与分析，对应的变化曲线与对比结果如图 3所示。

由图 3a可知，10年间江苏省RIC发展水平不断提升，综合得分由3.976增长到12.204，且2015年后RIC发展水平增速显著增长，这是由于江苏省“十二五”科技发展规划的落实，使该省长期保持科技创新在全国的领先优势所致。同时，江苏省推行一系列扶持政策促进智力资本的发展，提供大量专项资金全面推动“智改数转”，推进制造业高质量发展。但是，作为基础的RZ相比之下发展水平极低，而区域RZ的发展与区域经济未来的发展水平存在紧密联系，只有区域RZ得到夯实与提升，才能为区域GZ、JZ与CZ的积极发展奠定坚实的基础。在各省域RIC对比中，江苏省的区域RZ明显低于上海、广东，意味着该地区在教育水平和健康保障等方面与上海、广东存在一定的差距。在区域GZ对比中，江苏省也明显低于上海和广东，这是因为上海在全球的影响力极大，是国际消费中心城市；而广东的国际贸易非常发达，是全国外贸第一大省，这种局面与实际情况相符^[16-17]。在区域JZ对比中，江苏省的发展水平相对较低，说明该省在社会沟通、政府效能等方面还具有较大的发展空间。在区域CZ对比中，江苏省的发展水平和上海相当，表明该省凭借巨大的科教资源优势，实现了创新成果转化。

10年间江苏省农业经济发展水平综合评分变化曲线和2022年各省域农业经济发展水平综合评分结果，如图 4所示。

由图 4a可知，整体上江苏省农业经济发展水平综合得分表现出增长趋势，仅在2020年分值相对较低。在各省域农业经济发展水平综合评分对比中，只有上海、广东与江苏3个区域的综合得分较高，其余省份的结果均小于0.5，说明各省域的农业经济发展水平不均衡，需要采取措施提升区域农业经济发展水平。

对经过对数变换的变量数据进行拟合，其中自变量为lnK和lnL，因变量为lnY，可得lnK、lnL和lnY对应的系数a、b与A，并构建生产函数模型A。对江苏省智力资本综合评分O与农业经济发展水平综合评分Q进行回归，可得一元线性回归方程(方程A)与二次回归方程(方程B)的拟合优度与F检验结果，分别为0.983与320.268、0.995与529.367。在进行二元线性回归分析后，可得调整后的判定系数为0.938，因此该回归方程具有较好的拟合效果。对模型A进行方差分析，可得F检验结果为97.326，在p＜0.01的水平下具有统计学意义，说明智力资本和农业经济发展水平具有线性相关性，可构建线性模型。然后，获取模型A的二元线性回归结果，lnK和lnL的Sig分别为0.031和0.044，均小于0.05，变量的VIF为8.563，在临界值10内，表明线性回归结果具有可靠性。模型A的回归残差统计结果显示，基本上残差结果在标准范围，只有少数数据具有较大的偏差。通过上述分析可得，a、b与A分别为2.524、0.085和2.783，由此可得CDP函数与Y，如式(10)所示。

式(10)中，2.524与0.085之和大于1，说明江苏省农业经济发展在2013-2022年表现出生产规模效益增长的趋势。对江苏省智力资本综合评分O和农业经济发展水平综合评分Q进行回归，可得一元线性回归方程(方程A)和二次回归方程(方程B)的拟合优度与F检验结果，分别为0.983与320.268、0.995与529.367。两个模型均通过统计学检验，其中方程B的拟合程度更好。对方程变量进行进一步求导，可得方程A和方程B的灵敏度系数结果SC_A和SC_B结果，如式(11)所示。

根据一元线性回归方程和二次回归方程的灵敏度结果可知，两者均表现出农业经济发展水平随智力资本增长而增长的趋势，但灵敏度会存在一定差异，智力资本每增加一个单位，一次回归和二次回归的农业经济发展水平会随之分别增加一个单位或两个单位，因此方程B的灵敏度更高。通过回归方程的结果以及相应数据，计算10年间江苏省智力资本对农业经济发展的贡献率以及两者的关联系数，结果如表 2所示。

由表 2可知，在10年间江苏省智力资本对农业经济发展的贡献率从33.4%上升到45.1%，涨幅为11.7%。近年来，江苏省对农业经济发展的重视程度不断增加，因此智力资本对农业经济发展贡献率的增长幅度明显提高。通过关联性系数可得RZ、GZ、JZ与CZ和农业经济发展的关联度分别为0.662 6、0.670 3、0.620 3、0.754 1，说明对江苏省来讲，CZ投入影响农业经济发展的程度最大，而RZ、GZ和JZ的关联性差异较小，但均对农业经济发展的影响程度较大。

本文旨在深入探讨RIC在农业经济发展中的影响机制和应用，通过构建MIC评价体系与MAEL评价体系，设定自变量为lnK和lnL，因变量为lnY，构建GCD模型进行关联性分析。研究结果表明，2013-2022年江苏省RIC发展水平逐年提升，综合得分也从3.976上升到12.204。在和其他省域对比中，上海与广东智力资本的4个维度均得到较高的总和得分，而江苏省仅在GZ方面占据优势。此外，江苏省农业经济发展水平整体上呈现出增长趋势。2013-2022年江苏省智力资本对农业经济发展的贡献率由33.4%增长到45.1%，且RZ、GZ、JZ和CZ与农业经济发展的关联度分别为0.662 6、0.670 3、0.620 3、0.754 1，表明CZ投入影响农业经济发展的程度最大，而RZ、GZ和JZ的关联性均大于0.5，说明对农业经济发展的影响程度均较大。

基于此，本文提出以下建议：①增加江苏省智力资本存量，优化农村教育结构，加大对人才的引进，尤其是农业专业人才，并根据当地优势发展农业。②加强政府与农业企业的信任关系，强化农业经济网络协同发展及农业经济发展主体信用体系的建设，建立完善的农业经营征信体系和科学的信用评价制度，提高农业经济发展主体的信用度，缓解融资压力，增强农业经济抗风险能力。③将农业产业同文化领域、食品加工领域等相结合，促进农业与其他产业的协调发展。④完善农业管理机制，扩展农业市场化融资途径，根据实际市场需求与农产品供应需求确定农业创新方向。智力资本市场的发展为科技企业提供强有力的支持，增加其发展机会与动力，可加速农业智能化发展，推动科技成果向实际生产力转化。