综述：基于簇分析和随机前沿分析的卷心菜（Brassica oleracea L. var. capitata f. alba）生产系统在刚果民主共和国东部南基伍省瓦隆古地区的农艺表现和技术效率

《Journal of Agriculture and Food Research》：Agronomic performance and technical efficiency of Cabbage (Brassica oleracea L. var. capitata f. alba) production systems based on cluster and stochastic frontier analysis in Walungu Territory, South Kivu (Eastern DR Congo)

　　埃马纽埃尔·阿哈尼亚伊尔韦·图利纳博 | 乔伊斯·阿基托瓦·卡松圭 | 克里斯蒂安·穆德赫瓦·扎加贝 | 恩松贾·比亚穆恩古 | 大卫·穆吉绍·比西姆瓦 | 阿道夫·穆肯格·纳穆班巴 | 让·蒙多·穆巴拉马 | 埃马纽埃尔·昆德·阿马尼 | 多米尼克·阿加恩泽·穆卢梅 | 朗斯·阿克斯安蒂·巴鲁梅 | 帕特里克·巴埃尼·西蒙
喀齐巴大学（UNIKAZ）农业与环境科学学院作物生产系，邮政信箱2106，布卡武，刚果民主共和国

**摘要**
在瓦伦古地区（刚果民主共和国东部），卷心菜（Brassica oleracea L. var. capitata f. alba）的生产是重要的收入来源和粮食安全保障，但其生产系统仍存在低生产力和显著异质性的问题。本研究旨在描述卷心菜生产者的特征，评估其农艺性能和技术效率，确定品种偏好标准，并通过SWOT框架分析价值链情况。数据来自四个社区群体（卢库贝、卡洪戈、卡里西姆比和卡肖齐）的96位生产者，采用家庭调查和参与式访谈的方式收集。通过主成分分析及层次聚类，研究人员识别出三个具有显著差异的生产群体：这些群体在农场规模、投入使用、市场导向和生产力方面存在差异，平均产量为6.9吨/公顷。第一群体（51.0%）由小规模生产者组成，种植面积小于0.15公顷，产量最低（4.8吨/公顷）；第二群体（33.3%）为中等规模农民（0.20-0.40公顷），产量中等（6.7吨/公顷），与其相对较好的灌溉和投入管理有关；第三群体（15.6%）为更具商业导向的生产者（>0.30公顷），通过更有效的资源组织和市场整合实现了最高的产量（>10吨/公顷）。随机前沿分析显示所有群体的技术效率均存在不足，分别为49.3%、56.1%和61.5%。效率低下主要是由于土地所有权有限、商业化程度低、距离水源和市场距离远以及以自给为主的生产模式；而农业经验、销售量和生产规模则显著提升了效率。品种偏好主要受产量、市场需求、适应性和抗病性影响，但这些因素在不同群体中的相对重要性有所不同。SWOT分析突出了该地区的优势资源（如良好的农业气候条件、劳动力和当地市场需求），但也揭示了外部威胁（如气候变化和安全风险）。总体而言，研究结果表明农艺性能与技术效率之间存在明确关系，表明提高瓦伦古地区的生产力应更多依靠提高效率、市场整合和农场组织结构。因此，针对各群体的具体干预措施（如提高效率、改善投入和灌溉条件以及加强价值链）对于实现可持续和有韧性的卷心菜生产系统至关重要。

**引言**
卷心菜（Brassica oleracea L. var. capitata f. alba）是全球种植最广泛的蔬菜作物之一，由于其高营养价值、适应性和经济重要性，在粮食系统中具有重要作用（Yue等人，2024年）。除了食用价值外，卷心菜生产还为数百万小规模农民提供了重要生计来源，尤其是在发展中国家，蔬菜种植日益被视为减少贫困、增强粮食安全和实现收入多元化的手段（Morgan，2023年）。在撒哈拉以南非洲，卷心菜等园艺作物在提高生产力的同时，对于确保资源可持续利用和应对社会经济及环境冲击具有关键作用（Obossou等人，2025年；Ripanda等人，2025年）。
最新理论和实证研究表明，改善农业生产绩效不能再仅仅依赖产量最大化，而必须将其置于农业可持续发展、粮食系统转型和自然资源治理的更广泛框架内（Osei等人，2024年；Chapman等人，2025年）。在这种视角下，农业被视为一个社会生态系统，其中生产力、效率、制度安排和公平性紧密相连（Jin和Xu，2025a，2025b）。技术效率（即生产者从给定投入中获得最大产出的能力）已成为连接农场层面决策与环境管理、经济可行性和社会福利等更广泛目标的关键分析工具。提高效率使生产者能够在不增加投入的情况下提高产出和收入，从而减轻对土地和生态系统的压力，促进更可持续的粮食系统（Jin和Xu，2025b）。
在刚果民主共和国（DRC），尤其是南基伍省，随着城市化进程、人口增长和消费者对新鲜农产品需求的增加，蔬菜种植迅速发展（Ndjadi等人，2020年）。然而，这一发展面临着投入获取受限、制度支持薄弱和农业资源治理不善等问题。在瓦伦古地区，卷心菜种植已成为主导园艺活动，涉及大量小规模农民，他们对当地卷心菜价值链的形成起到关键作用。这些农民在决定生产规模、产品质量和供应连续性方面起着关键作用。他们的农艺实践、投入强度、品种选择和生产组织方式直接影响了农场的经济效益和价值链的可持续性（Cirimwami等人，2019年）。尽管卷心菜生产重要，但其生产力仍较低，平均产量低于10吨/公顷，远低于非洲其他一些国家的水平（Mondédji等人，2021年；Guan Tai等人，2022年；Mdoda等人，2022年）。这种效率差距源于农艺、经济和制度方面的限制，包括不当的作物管理（Sikora等人，2019年）、高质量投入获取有限（Alhassan和Haruna，2024年）、土壤肥力下降（Bagula等人，2014年）、依赖低产品种（Mugumaarhahama等人，2021年）、病虫害压力（Cokola等人，2020年）以及气候变异性增加（Balasha等人，2023年）。诸如农民组织薄弱、信贷获取困难和生产成本上升等结构性问题进一步加剧了效率低下，降低了农民持续从事农业的积极性（Ragasa和Golan，2014年；Favrot和Dorier，2018年）。这些限制不仅降低了农场层面的生产力，还影响了当地市场上蔬菜的供应和价格，从而削弱了粮食安全并影响了基于蔬菜的生计的长期可行性。在瓦伦古地区，这些因素导致当地居民（尤其是年轻人）对农业活动的兴趣下降（Angélique等人，2022年）。获得改良种子、化肥、作物保护产品、金融服务和技术培训的机会有限，限制了农业生产、农民收入和生计的可持续性（Mondo等人，2021年；Chuma等人，2022年；Chuma等人，2022年）。
从系统角度来看，需要超越单纯的描述性分析，结合农场类型、技术效率分析和价值链动态的战略评估，以制定支持可持续农业转型和包容性经济发展的政策（Jin和Xu，2025b）。了解不同类型生产者的表现、导致效率低下的因素以及内部和外部力量如何塑造价值链，对于设计符合减少贫困、环境可持续性和弹性粮食系统目标的具体干预措施至关重要。

**研究方法**
研究地点为瓦伦古地区，重点关注恩格韦谢和喀齐巴两个酋长领地。选择这两个地区是因为那里有广阔的湿地，并且在A和B两个农业季节都进行密集且连续的卷心菜种植，便于分析农民的表现和技术效率。在每个酋长领地内又选取了两个子群体：喀齐巴的卡肖齐和卢库贝，恩格韦谢的卡洪戈和卡米西姆比。选择这些子群体的依据是用于卷心菜生产的湿地资源、卷心菜生产者的集中程度以及卷心菜在当地农业系统中的重要地位。在生产者层面，选取的标准包括在研究期间积极参与卷心菜生产、至少在一个农业季节进行种植、使用湿地进行卷心菜种植以及愿意参与调查。这一多阶段选择过程确保了样本农民能够代表四个子群体中的卷心菜种植情况，从而全面评估其生产表现和技术效率。

**数据收集方法和材料**
研究对象为整个研究区域的卷心菜生产者。选择标准包括丰富的卷心菜种植经验、对农业实践、生产周期和作物特定限制的深入了解。同时考虑了种植土地规模，既包括管理小块土地的小规模农民，也包括管理较大面积的农民，以反映当地农业条件的多样性。这种方法确保了研究结果能够反映卷心菜价值链中的各类参与者及其在文化实践和营销策略方面的代表性，从而确保数据的可靠性和相关性。样本量的估计使用了一个简化公式，当实际总体比例未知时（Ikhsanudin等人，2024年；Pokushko等人，2024年）：其中ni代表生产者的样本量，Z是在0.05的显著性阈值下设定的1.96置信水平，d是误差范围，不超过10%。这个误差范围限制了由于可能对样本量的高估或低估而产生的偏差。它代表了估计精度和实地调查可行性之间的折中。因此，研究中有96名生产者被纳入，他们按比例分布在四个选定的组别中。

**调查程序**
数据通过KoboCollect（v2024.2.4）数字版的结构化问卷从卷心菜生产者那里收集。调查于2024年9月进行，涵盖了卷心菜种植系统的社会经济、农艺、空间和生产相关方面。使用嵌入在移动设备中的GPS（地理定位系统）记录了农场的地理坐标，并使用校准的卷尺测量了地块大小。收集的信息包括生产者的年龄和种植经验、拥有的土地和用于卷心菜生产的土地、生产的卷心菜数量、消耗和销售量、肥料使用情况、喷洒频率、灌溉频率、除草频率以及到水源、邻近田地和市场之间的距离。选择这些变量是为了捕捉影响生产者行为的生产实践和结构性约束。虽然没有直接调查产量，但产量是通过生产的数量（吨）与种植面积（公顷）的比率计算得出的。还收集了营销方式的信息，包括进入的市场类型（本地或区域市场）、销售价格、利润率以及参与分销链的各方。进一步探讨了资源获取和支持情况，记录了可用的融资来源、农业投入的获取途径以及培训或技术援助的机会。

**农场类型学**
首先使用主成分分析（PCA）分析了生产者的异质性，然后进行层次聚类分析。PCA使用了全部十四个变量：年龄、种植经验、拥有的土地、种植的土地、生产的数量、消耗的数量、销售的数量、肥料用量、喷洒频率、灌溉频率、除草频率、到水源的距离、到邻近田地的距离以及到市场的距离。PCA的目的是纯粹描述性的，旨在减少维度并识别影响卷心菜生产者之间差异的主要因素。与农场规模、生产强度、市场导向和空间约束相关的变量共同参与了主成分的构建。在此阶段包含了到邻近田地的距离等空间变量，因为它们影响农场组织和生产环境，尽管它们不是农艺生产过程的直接投入。根据PCA得分，生产者被分类到不同的群体中。这些群体代表了具有不同土地可用性、生产强度、产量水平和资源获取方式的卷心菜生产系统。这种类型学是在不进行效率估计的情况下独立开发的，以避免分类和计量经济建模之间的方法重叠。

**基于排名的商数（RBQ）方法**用于评估生产者对品种的偏好。考虑了三个重要性级别（高、中、低）。RBQ的计算公式如下（Tiwari等人，2022年）：其中RBQ代表某个品种属性的基于排名的商数，i是所考虑的排名或得分，N是受访生产者的数量，n是用于评估标准的得分数量，Dansfi是排名第i或得分为i的生产者的频率。

**农艺表现评估**
农艺表现通过产量来评估，产量定义为生产的数量与种植面积的比率。产量是根据两个分类变量计算得出的，并作为每个生产者群体回归分析的因变量。这些群体内的回归旨在在相对同质的生产条件下识别产量决定因素。这一步骤允许识别特定群组的农艺表现驱动因素，并验证了类型学的相关性，同时保持与效率分析的分析独立性。

**技术效率评估**
技术效率使用基于Cobb-Douglas生产函数的随机前沿分析（SFA）来估算。该规范明确区分了生产投入、效率决定因素和之前用于农场类型学分析的变量（PCA），后者没有包含在前沿模型中以避免方法重叠。生产前沿仅包括生产者能够完全控制的直接农艺投入，这些投入直接影响作物产量。这些投入包括种植的土地、施肥量、喷洒频率、灌溉频率和除草频率。它们分别代表土地、养分管理、作物保护、水资源和田间维护，与标准农业生产理论一致。效率效应模型包括影响管理绩效的社会经济、空间和市场准入变量，但这些变量不直接进入生产过程。这些变量包括年龄、种植经验、拥有的土地、生产的数量、消耗的数量、销售的数量、到水源的距离、到邻近田地的距离以及到市场的距离。这些变量捕捉了人力资本、资源禀赋、生产导向和影响效率的结构性约束。变量的完整分类见表1。

**表1. SFA和效率效应模型中使用的变量定义和分类**

**技术分析**
- **变量** | **在模型中的作用**
|------------------|------------------------|
| 种植的土地 | 生产规模因素 |
| 施肥量 | 影响作物生长的关键投入 |
| 喷洒频率 | 害虫和疾病控制强度 |
| 灌溉频率 | 作物发育所需的水资源 |
| 除草频率 | 影响作物竞争的杂草控制 |
- **效率** | |
| 年龄 | 人力资本 |
| 种植经验 | 技能积累 |
| 拥有的土地 | 投资能力 |
| 生产的数量 | 产出水平 |
| 消耗的数量 | 自给用途 |
| 销售的数量 | 市场导向 |
- **效率的进一步解释** | |
- 技术效率是指生产者从给定的生产投入组合中获得最大可实现产量的能力。SFA框架允许将偏离生产前沿的情况分解为生产者无法控制的随机冲击和由于管理不善造成的效率低下。这种方法区分了由于不可控随机冲击（不可预测的天气、水资源短缺、强风、过多的水分、害虫和疾病爆发、意外污染等其他与生产者管理无关的环境干扰）导致的产量变化，以及由于技术效率低下（即观察到的产量与相同投入水平下的理论生产前沿之间的差距）导致的产量变化（Lamb和Tee，2024年）。产量是通过生产的数量（吨）与种植面积（公顷）的比率计算得出的。技术效率使用随机前沿分析（SFA）来估算，该方法在农业研究中得到广泛应用。采用Cobb-Douglas生产函数是因为其灵活性、可解释性和对数线性化能力（Skevas，2024年）。Cobb-Douglas随机前沿方法在农业效率分析中广泛使用，因为它能够区分效率低下和随机冲击，能够估计生产因素的弹性，适用于小农户异质系统，并在撒哈拉以南非洲农业中具有实证稳健性（Ali等人，2019年；Akite等人，2022年）。生产者i的随机Cobb-Douglas生产函数表示为：其中Yi是生产者i的观察产量（卷心菜产量），Xi = (X1i, X2i, …, Xki)是生产投入向量，β = (β1, β2, …, βk)是要估计的产出弹性，vi是捕获不可控冲击（天气变化、害虫、测量误差）的双向随机误差项，假设服从正态分布，ui>0表示单向非负值，代表个体技术效率低下，即观察到的产量与最大可实现产量之间的差距。函数f(Xi; β)代表生产的确定性部分（前沿），即给定投入下的最大可实现产量。通过对数变换后，模型被线性化以便使用最大似然法进行估计。因此，Cobb-Douglas规范具有以下对数线性形式（Agrawal和Verma，2023年）：其中Yi代表生产者i的因变量（产量），β0是在所有解释变量为零时Xj的预期值，βj表示产量相对于投入Xj的弹性，反映了每个投入对产量的边际效应；vi捕获与不可控随机冲击相关的对称随机误差；ui表示技术效率低下。因此，βj系数被解释为相对于每个生产投入的产出弹性。变量和的方差被联合估计，以区分可归因于随机冲击的产量变化份额和由于技术效率低下而产生的产量变化份额（Kadako?lu和Karl?，2022年）。个体技术效率（TEi）计算公式为：其中TEi=1表示生产者位于生产前沿（完全高效），而TEi<1表示由于效率低下导致的产量损失，反映了可用资源的次优利用。这种基于Cobb-Douglas函数形式的功能性方法为评估卷心菜生产系统的效率提供了一种严格、计量经济学上稳健且文献记录丰富的框架（Abdullahi等人，2021年；Lamb和Tee，2024年）。

技术效率低下被建模为受社会经济和空间变量影响的函数，这些变量影响管理绩效但不直接进入生产函数。效率效应模型如下（Lamb和Tee，2024年）：其中ui:0表示生产者i的技术效率低下，δ0是常数项，Zmi代表解释效率低下的社会经济和空间变量，δm是待估计的参数，εi是假设独立分布的随机误差项。效率模型中包含的变量有年龄、种植经验、拥有的土地、消耗和销售的数量、到水源的距离、到市场的距离以及到邻近田地的距离。这些变量捕捉了人力资本、市场整合、土地安全性和影响生产者如何高效组合投入的空间约束，但不直接影响生物生产过程。将生产投入与效率决定因素分开确保了计量经济学的有效性，避免了投入与管理因素之间的内生性，从而能够一致地估计产出弹性，并提供有关效率结构驱动因素的政策相关见解。

**SWOT分析**
进行了SWOT分析，以将农场层面的结果置于更广泛的卷心菜价值链背景下，补充农艺表现和技术效率的评估。分析基于与家庭调查同时进行的半结构化访谈，在访谈中生产者自由识别影响卷心菜生产和营销的内部和外部因素（Lund，2023年）。优点和劣势指的是生产系统的内部条件，包括农民的经验、土地和投入的获取、劳动力可用性以及技术约束。机会和威胁捕捉影响生产和营销动态的外部条件，如市场需求、价格波动、害虫和疾病压力、气候变化以及制度环境。对于每个SWOT维度，通过开放式询问从生产者那里收集数据，每个受访者可以有多个回答。每个确定的主题被编码为二元变量（1=提到，0=未提到）。记录了每个主题被提及的生产者数量，并计算了每个项目的相对重要性，即提到该主题的生产者比例占总样本量的比例。形式上，给定SWOT主题t的引用率定义为：其中Pt是主题t的相对引用频率，xi_t是如果生产者i提到主题t则为1的二元指标，否则为0，N是受访者的总数。这些值（范围从0到1）代表独立的引用率，在给定的SWOT类别内并不相等，因为个别生产者可能同时在同一维度中报告多个主题。这些经验比例随后被用来计算距离矩阵并进行层次聚类，以探索基于它们在生产者中的共同出现强度的SWOT主题相似性模式。

**统计数据分析**
调查数据被分析以使用14个定量变量描述研究区域内的卷心菜生产者，这些变量涵盖了农场特征和文化实践。首先计算描述性统计量（均值、中位数、标准差、最小值、最大值）来总结生产者和农场的属性。然后应用主成分分析（PCA）减少维度，接着使用RStudio中的FactoMineR、factoextra和cluster包进行层次聚类分析（HCA），将生产者分组到同质的类别中。使用one-way ANOVA（stats::aov()）分析性能数据，以测试生产者类别之间的显著差异，并使用线性回归（stats::lm()）来确定卷心菜产量的决定因素。技术效率使用基于Cobb-Douglas生产函数的随机前沿分析（SFA）来估算，通过frontier和sfa包实现，从而计算效率得分并识别限制生产力的因素。SWOT分析的数据被编码以提取每个主题的出现次数，包括优势、劣势、机会和威胁。计算了相对频率，并通过HCA对相似的主题进行分组，创建了树状图来可视化主要类别（stats::hclust()，factoextra::fviz_dend()）。这种结合描述性统计、多变量分析、ANOVA、回归和SFA的方法确保了对生产者特征、绩效和技术效率的全面理解，为提高Walungu地区卷心菜的生产力和价值链效率提供了坚实的基础。在SWOT分析中，估计的引用概率Pt被视为生产和营销因素重要性的经验指标。这些概率被描述性地分析，以确定最常报告的优势、劣势、机会和威胁。此外，基于距离矩阵对特定主题的概率向量进行了层次聚类，从而可以根据受访者之间的引用模式相似性识别出紧密相关的SWOT元素群组。

**卷心菜生产者的特征**
表2总结了用于Walungu地区卷心菜生产者类型学特征的14个定量变量的载荷。每个载荷反映了给定变量对因子轴的相对贡献，从而可以识别出驱动整体变异性的主导维度以及根据特定结构、技术和社会经济特征区分农业系统的维度。该表是理解变量间关系的第一步，并为后续的聚类分析提供了指导：

**表2. 变量在主成分轴上的载荷**
| 变量 | Dim 1 | Dim 2 | Dim 3 | Dim 4 | Dim 5 | Dim 6 | Dim 7 | Dim 8 | Dim 9 | Dim 10 | Dim 11 | Dim 12 |
|------|-------|-------|-------|-------|-------|-------|-------|-------|-------|--------|--------|--------|
| 年龄 | 0.001 | -0.545 | 0.139 | -0.271 | 0.333 | 0.300 | -0.073 | 0.536 | -0.005 | -0.157 | -0.171 | 0.252 |
| 种植经验 | 0.048 | -0.093 | -0.464 | 0.572 | 0.173 | -0.351 | -0.340 | 0.131 | 0.071 | 0.274 | -0.135 |
| 拥有的土地 | 0.418 | 0.298 | 0.041 | -0.222 | -0.309 | 0.127 | -0.458 | 0.402 | 0.285 | 0.215 | 0.065 |
| 耕种的土地 | 0.976 | 0.000 | -0.031 | 0.048 | 0.166 | -0.021 | 0.088 | -0.040 | 0.036 | -0.069 | -0.019 |
| 产量 | 0.976 | 0.000 | -0.031 | 0.048 | 0.166 | -0.021 | 0.088 | -0.040 | 0.036 | -0.069 | -0.019 |
| 消耗量 | 0.479 | -0.251 | -0.079 | -0.019 | -0.441 | 0.270 | 0.063 | 0.027 | -0.536 | 0.337 | 0.079 |
| 销量 | 0.974 | 0.004 | -0.030 | 0.049 | 0.174 | -0.025 | 0.087 | -0.041 | 0.044 | -0.075 | 0.020 |
| 施肥量 | -0.112 | -0.099 | 0.545 | 0.556 | 0.220 | -0.017 | -0.207 | 0.188 | -0.267 | -0.101 | 0.359 |
| 喷药频率 | -0.215 | -0.491 | -0.344 | 0.142 | 0.352 | 0.434 | 0.120 | -0.132 | 0.105 | 0.265 | -0.040 |
| 灌溉频率 | -0.062 | 0.648 | 0.105 | 0.119 | 0.198 | -0.067 | 0.388 | 0.356 | -0.240 | 0.151 | -0.352 |
| 距离水源 | -0.202 | 0.535 | -0.422 | -0.077 | 0.276 | 0.261 | 0.190 | 0.156 | 0.065 | 0.061 | 0.478 |
| 距离邻田 | -0.014 | -0.300 | -0.017 | 0.445 | -0.500 | -0.004 | 0.500 | 0.298 | 0.332 | -0.084 |
| 距离市场 | 0.062 | 0.136 | 0.745 | 0.124 | 0.117 | 0.245 | 0.065 | -0.223 | 0.293 | 0.356 |
| 除草频率 | 0.039 | 0.394 | -0.159 | 0.436 | -0.177 | 0.611 | -0.235 | -0.125 | -0.026 | -0.312 | -0.223 |

PCA（表2）产生了一个由12个维度组成的多维结构，解释了总方差的100%，从而在合成数据复杂结构的同时保留了全部信息内容。维度1（Dim 1）占总方差的24.1%，代表了明显的农业生产力梯度，主要由耕种的土地面积、产量和销量驱动，以及在较小程度上由消费量驱动。该轴清楚地区分了高绩效生产者和生产能力有限的生产者。维度2（Dim 2）解释了12.1%的方差，对比了灌溉频率较高但距离水源较远的老年农民与灌溉和喷药频率较低的年轻农民。维度3（10.2%）反映了市场可及性和投入使用的梯度，区分了位于市场较远且更依赖肥料的生产者与那些水资源获取较好的生产者。维度4（8.7%）结合了种植经验、施肥量、除草频率和田块之间的距离，描述了一个与农场管理实践和空间组织相关的结构轴。维度5和6（分别为7.8%和7.1%）揭示了互补的对比：前者对立自给自足和空间隔离，而后者反映了作物管理的劳动强度，特别是除草和喷药实践。维度7到12（每个占方差的6.5%到3.8%）进一步细化了与土地使用策略（Dim 7）、中间社会经济差异（Dim 8）、消费与销售之间的权衡（Dim 9）、与市场准入相关的物流限制（Dim 10）、水资源可用性与投入使用之间的相互作用（Dim 11）以及植物保护实践中的微小技术调整（Dim 12）相关的次要对比。这些维度共同全面捕捉了卷心菜生产者之间观察到的生产、技术、地理和社会经济梯度。

**图2**基于前两个主成分（Dim 1和Dim 2）展示了14个变量之间的关系。

**图2. 主成分分析的相关性圆**
主成分分析有效地合成了14个变量的信息，并突出了它们之间的相互关系。前两个轴解释了总方差的36.1%（Dim 1为24.1%，Dim 2为12.0%）。与生产规模和商业化相关的变量与Dim 1有强烈正相关，清楚地区分了最具生产力的农民。耕作实践和农民特征（如年龄和经验）加载在其他轴上，从而区分了不同的生产者类型。总体而言，PCA识别了構建生产者异质性的关键变量，并为类型学分类提供了坚实的基础。

**图3**显示了各组之间的聚类分布，确认每个组包含多种生产系统类型。 Cluster 1（占生产者的51.0%）通常看起来较为紧凑，表明组内系统相对同质。相比之下，Cluster 3（占生产者的15.6%）显示出更大的分散性，反映了农场更高的异质性和对当地环境的更大敏感性。Cluster 2（占生产者的33.3%）处于中间位置，并与其他两个集群部分重叠。在Kamisimbi，三个集群共存，显示出强烈的内部异质性。Karhongo和Kashozi主要由Cluster 1和Cluster 3主导，表明同一组内存在不同的农场特征。在Lukube，Cluster 1和Cluster 3也存在，沿着PCA轴有明显的分离。集群和组之间没有严格的对应关系，这表明组不是同质实体。这种重叠为由集群层面进行进一步分析提供了理由，允许将具有相似特征的农场分组，而不考虑地域归属，并提高了对塑造生产系统的决定因素的理解。

**图4**显示了集群与不同变量之间的关系。

**表3. 各集群的详细特征**
表3展示了每个集群的卷心菜生产者特征。

**Cluster I**
- 年龄（年）：51.33 ± 7.35
- 种植经验（年）：14.00 ± 5.69
- 拥有的土地（公顷）：2.04 ± 1.54
- 耕种的土地（公顷）：0.27 ± 0.05
- 产量（吨）：1.53 ± 0.58
- 消耗量（吨）：0.01
- 销量（吨）：1.52
- 施肥量（千克）：139.1
- 灌溉频率（周次）：3.12
- 距离水源（米）：15.00
- 距离邻居田（米）：22.00
- 除草频率（月次）：2.96
- 市场距离（公里）：1.94

**Cluster II**
- 年龄（年）：51.02
- 种植经验（年）：14.00
- 拥有的土地（公顷）：0.41
- 耕种的土地（公顷）：0.27
- 产量（吨）：1.53
- 消耗量（吨）：0.01
- 销量（吨）：1.52
- 施肥量（千克）：119.1
- 灌溉频率（周次）：1.55
- 距离水源（米）：15.00
- 距离邻居田（米）：22.00
- 除草频率（月次）：2.96

**Cluster III**
- 年龄（年）：51.33
- 种植经验（年）：14.00
- 拥有的土地（公顷）：4.13
- 耕种的土地（公顷）：1.57
- 产量（吨）：17.4
- 消耗量（吨）：0.01
- 销量（吨）：1.52
- 施肥量（千克）：119.1
- 灌溉频率（周次）：3.12
- 距离水源（米）：17.91
- 距离邻居田（米）：22.00
- 除草频率（月次）：2.96

**Cluster III**
- 年龄（年）：51.33
- 种植经验（年）：14.00
- 拥有的土地（公顷）：4.13
- 耕种的土地（公顷）：1.57
- 产量（吨）：17.4
- 消耗量（吨）：0.01
- 销量（吨）：1.52
- 施肥量（千克）：139.1
- 灌溉频率（周次）：3.12
- 距离水源（米）：15.00
- 距离邻居田（米）：22.00
- 除草频率（月次：2.96

表3显示，Cluster I的生产者具有较小的耕种面积（0.27公顷）和相对较低的生产水平（1.53吨），但他们使用每周期最高的肥料量（139.1千克，F>2，p<0.05），并且喷药频率很高（每周3.12次，F>13，p<0.001），表明在小面积土地上投入强度高。卷心菜消耗量很小（0.01吨），超过99%的产量用于销售。Cluster II的生产者具有中等耕种面积（0.41公顷，F>180，p<0.001）和中等生产水平（2.03吨），消耗量略高于Cluster I（0.02吨，F>7.2，p<0.01），并且灌溉频率较高（每周2.2次，F>6，p<0.05），同时使用的肥料较少（119.1千克），喷药频率也较低（每周2.41次，F>6，p<0.05）。这反映了相对于生产结果的资源使用更为平衡。Cluster III的生产者具有最大的耕种面积（1.57公顷）和最高的生产水平（17.4吨，F>180，p<0.001），卷心菜消耗量也较高（0.11吨，F>7，p<0.01），但比例上仍然较低（<1%）。灌溉（每周1.73次）和喷药频率（每周2.67次）介于Cluster I和II之间。总体而言，Cluster III（15.6%）因生产规模、土地使用和市场导向而脱颖而出，同时较少依赖肥料和农药。

**社会经济特征和作物管理实践**
表4展示了按集群分组的生产者的社会经济特征。

**营销模式**
图5展示了无论集群归属如何，都存在两个主要的买家群体：主要向贸易商出售的生产者（红色点）和直接向消费者出售的生产者（蓝色三角形）。直接向消费者出售的生产者形成了一个更加紧凑的群体，而在农场门口出售的生产者则更为分散。大多数生产者更倾向于在农场出售产品而不是在市场上销售。手动搬运是主要的运输方式，而机动运输较为少见且分布较集中。大多数生产者似乎具有定价权，而与买家协商价格的生产者则较为分散。关于满意度，许多生产者报告不满，主要是由于生产成本高，尽管也有一个小部分较为满意的生产者表示满意。

**品种偏好标准**
使用RBQ方法确定的品种偏好标准在图6中呈现。

**图6. 卷心菜品种偏好标准**
图6显示了十个影响品种偏好的标准。产量排名第一，其次是市场偏好、适应性、抗病性和生长周期。其他标准，包括烹饪质量、种子可用性、头部质量、抗旱性和抗病虫害性，优先级较低。表5报告了各集群对品种偏好标准的具体排名，强调了不同生产者类型在决策模式上的明显异质性。平均产量分别为：Cluster I为6.01吨/公顷，Cluster II为4.80吨/公顷（见图7）。

决定产量的因素
多元线性回归的模型可靠性指标见表6。

表6. 多元线性回归模型的可靠性指标
| 集群 | RMSE | R2 | Mean VIF | F-Statistic | P值 | 调整后R2 | AIC | BIC |
|------------|-------------|--------------|-----------|------------|-----------|-------------|-------------|
| Cluster I | 0.60 | 0.82 | 2.21 | 18.11 | 36.23 | 0.035* | |
| Cluster II | 0.70 | 0.91 | 3.41 | 10.09 | 5.90 | 0.032* |
| Cluster III | 1.10 | 0.75 | 2.31 | 10.11 | 0.10 | 0.050 |

RSE：均方根误差；VIF：方差膨胀因子；BIC：贝叶斯信息准则；AIC：赤池信息准则
所有集群的回归模型在统计学上均具有显著性（p<0.05），表明解释变量对产量有显著影响。均方根误差（RMSE）的范围在0.6到1.1吨/公顷之间。多元R2值表明模型能够解释大部分产量变异，Cluster II的R2值达到了91%。Mean VIF值低于5表示不存在显著的多重共线性问题，而AIC和BIC值表明模型拟合度与复杂性之间取得了良好的平衡。

按集群划分的产量决定因素见表7。

表7. 按集群划分的产量决定因素
| 因变量 | Cluster I | Cluster II | Cluster III |
|------------|------------|------------|------------|
| 年龄 | 0.02 | 0.042* | 0.013 |
| 种植经验 | 0.054 | 0.008** | 0.062 |
| 拥有土地面积 | 0.162 | 0.001** | 0.087 |
| 耕种面积 | 0.425 | 0.000*** | 0.337 |
| 消耗量 | 0.118 | 0.015* | 0.067 |
| 销售量 | 0.401 | 0.000*** | 0.289 |
| 化肥用量 | 0.008 | 0.043* | 0.005 |
| 喷药 | 0.091 | 0.068 | 0.052 |
| 灌溉 | 0.127 | 0.009 | 0.021 |
| 距离水源 | -0.014 | -0.011 | -0.007 |
| 距离邻近田地 | 0.002 | 0.812 | -0.003 |
| 距离市场 | -0.062 | -0.078 | -0.054 |
| 除草 | 0.018 | 0.421 | 0.022 |
| 产量决定因素在不同集群间存在差异（见表7）。种植面积和销售量是所有集群中影响产量的最强驱动因素，这反映了强烈的市场导向。土地所有权显著提高了生产效率，尤其是在Cluster III中。技术措施（如灌溉、喷药、化肥使用）主要提高了Cluster I和Cluster II的产量，而在Cluster III中的效果较弱，这表明需要更好的优化而非集约化。种植经验对产量有积极影响，而年龄仅在Cluster I中显著。距离水源和市场的距离对产量有负面影响，突显了可达性和交易成本的作用。

生产者的技术效率
随机前沿分析（SFA）的结果见表8。

表8. 按集群划分的技术效率指标
| 集群 | Log-likelihood | σ2 | γ | LR-test | σ? | TE | P值 |
|------------|--------------|-------------|-------------|-----------------|------------|-------------|
| Cluster I | -13.4 | 1.68 | 0.74 | 27.05 | 1.12 | 0.49 | 0.046* |
| Cluster II | -38.6 | 1.09 | 0.69 | 47.19 | 0.87 | 0.56 | 0.023* |
| Cluster III | -12.5 | 1.32 | 0.38 | 14.58 | 0.71 | 0.61 | 0.012* |

γ（平均值）的范围在0.38到0.74之间，表明技术效率水平不同（表8）。似然比测试（p<0.05）确认所有集群都存在效率低下问题。Cluster I的效率最低（γ>0.7），平均技术效率为49.3%。Cluster II的效率中等（56.1%），而Cluster III的效率最高（γ<0.4），为61.5%。这些结果表明Cluster III在技术上最高效，需要优先进行干预。效率低下效应模型（表9）显示不同集群之间存在明显的定量差异，证实了效率低下的来源不同。

表9. 按集群划分的技术效率低下决定因素
| 变量 | Cluster I | Cluster II | Cluster III |
|------------|------------|------------|------------|
| 年龄 | 1.087 | 4.96*** | 0.94 | 4.21*** |
| 种植经验 | -0.141 | -3.36*** | -0.116 |
| 拥有土地面积 | -0.098 | -2.51** | -0.076 |
| 生产量 | -0.132 | -3.08*** | -0.101 |
| 消耗量 | 0.117 | 2.84*** | 0.062 |
| 销售量 | -0.173 | -4.21*** | -0.129 |
| 距离水源 | 0.148 | 3.19*** | 0.094 |
| 距离邻近田地 | 0.012 | 0.63 | 0.009 |
| 距离市场 | 0.171 | 3.88*** | 0.126 |

在Cluster I中，效率低下主要受结构性约束的影响。年龄每增加一个单位，效率降低0.084；种植经验可以降低0.141。市场相关变量也有显著影响：距离市场增加效率降低0.171，距离水源增加效率降低0.148。自给导向也会增加效率降低0.117。相比之下，销售量（-0.173）、拥有土地面积（-0.098）和产量（-0.132）显著降低了效率低下。在Cluster II中，这些因素的影响较小但仍显著。效率随着经验（-0.116）、拥有土地面积（-0.076）和销售量（-0.129）的增加而降低。然而，距离市场（0.126）和距离水源（0.094）仍然会增加效率低下，表明尽管不那么严重，但限制仍然存在。在Cluster III中，效率低下程度总体较低，但关键驱动因素仍然存在。销售量（-0.186）和拥有土地面积（-0.152）是提高效率的最强因素，其次是产量（-0.168）。空间约束大多不显著，除了距离市场（0.058）仍有轻微的正面影响。总体而言，比较分析显示效率提升并不均匀，而是特定于每个集群的。从Cluster III的经验来看，改善市场准入、加强资源控制和促进商业化是降低效率的有效途径，尤其是在Cluster I中。这强调了有针对性的政策设计的重要性，而非对所有生产者进行统一干预。

SWOT分析
图8中的结果总结了针对卷心菜生产者的SWOT分析，强调了影响农场绩效的主要内部和外部因素，以及生产者抓住机会和应对威胁的能力。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片
图8. 卷心菜生产链中确定的SWOT因素

优势（内部积极因素或现有资产），使生产者能够利用发现的机会（外部有利条件重振卷心菜生产链），分为四个主要类别。主要优势包括劳动力可用性（0.88）、土地使用权（0.85）、有利的气候（0.81）和强大的社区网络（0.74）。这些数值代表了实证引用率，即在调查中独立报告每个因素的生产者比例。较低但仍然相关的因素包括水资源可用性（0.57）和进入本地市场的便利性（0.33），表明生产和系统受到空间和基础设施的限制。

劣势（限制生产系统绩效的内部限制因素）分为三类。最常被提及的限制是投入不足（0.93）和储存基础设施不完善（0.79）。其他限制，如机械化程度有限（0.26）和基础设施不足（0.28），引用率较低，但在结构上仍然重要。

机会（可能提高生产系统绩效的外部积极因素）分为五类。最常被提及的机会包括食品安全倡议（0.95）、创新（0.84）、自给自足（0.79）和出口潜力（0.61）。相比之下，价值链发展（0.009）和新兴领域（0.21）的引用频率较低，表明农民对这些方面的认识不足或整合程度较低。

威胁（影响生产可持续性的外部负面因素）分为四类。最常被报告的威胁是气候变化（0.76）和作物盗窃（0.73），其次是高生产成本（0.42）和供应链中断（0.42）。较少被提及的因素包括政策不稳定性（0.001）和生产者竞争（0.13），表明对机构风险的认识存在差异。

所有SWOT要素的报告值均基于二进制编码（1表示提及，0表示未提及）。因此，这些数值反映了受访者提及每个主题的比例，并不代表加权分数或指数。由于每位受访者可以有多次回答，这些比例是独立的，在每个SWOT类别内并不相加。

讨论
对Walungu地区卷心菜生产链的分析显示，生产者在农场结构、生产实践和技术性能方面存在显著异质性。在96名受访者中确定了三个不同的集群。Cluster I（51.0%）由小规模农民组成，平均耕种面积为0.15公顷，产量约为1.5吨/公顷。这些生产者大量依赖化学投入，使用最高的化肥施用量（每周期139.1公斤）和频繁的喷药次数（每周3.1次）。这种集约化的投入使用反映了试图弥补有限的土地资源和下降的土壤肥力的尝试。然而，这种做法增加了环境和健康风险，包括土壤和水资源的污染，可能对人类健康和周边畜牧业系统产生潜在影响，这与“同一健康”概念一致（Zha等人，2024年）。Cluster II（33.3%）由中等规模的生产者组成，平均耕种面积为0.20-0.40公顷，产量约为2.03吨/公顷。这些农民使用的化肥量相对较少（119.1公斤），并且灌溉管理有所改进（每周2.2次）。这个群体代表着一种过渡性的生产系统，其特征是部分投入的优化和适应资源限制。与Cluster I相比，较低的投入强度也可能有助于减少环境压力，包括减少富营养化和改善生态系统平衡。Cluster III（15.6%）由最高效的生产者组成，平均耕种面积为0.34公顷，产量约为5.12吨/公顷（某些情况下超过10吨/公顷）。这些农民更有效地利用资源，投入强度适中，生产组织更好，可能得益于土地使用的改善、市场整合和种植经验。他们的生产系统更符合效率原则，实现了更高的产出和相对优化的投入使用，从而减少了环境外部性，并有助于改善生态系统和公共卫生结果（Mushagalusa等人，2020年）。在所有集群中，生产绩效的关键决定因素包括耕种面积、生产和销售量、灌溉和除草频率、投入使用强度，以及距离市场和水源的距离（Kouakou，2024年）。这些因素共同决定了生产力和效率结果，证实Walungu地区的卷心菜生产系统具有高度异质性，并受到生物物理和社会经济条件的强烈影响。

社会人口统计特征在各集群间相对一致，男性占50.6%，女性占49.4%，81.0%的生产者已婚，88.6%的人受过初等或中等教育。这表明绩效差异不是由社会特征决定的，而是由资源获取和农场组织决定的（Deininger等人，2017年）。农业是65.8%生产者的主要活动，土地获取主要是通过共享耕作（41.7%）、继承（31.0%）或购买（22.7%）。很少有生产者属于合作社（29.7%），限制了集体获取投入和市场的机会（Saha等人，2022年）。这些结果与其他非洲地区的发现一致，表明产量受到投入、土地和水资源的获取以及商业组织的强烈影响，强调了构建价值链以提高生产和可持续性的重要性（Gomez，2020年）。

三个卷心菜生产者集群在农艺策略和优先事项上存在显著差异。使用RBQ方法获得的品种偏好表明，Cluster I采用直接提高产量的逻辑，优先考虑产量、短期作物周期和环境适应性，而抗逆性次要。这种行为与Mushagalusa等人（2020年）的观察结果一致，即以自给和快速销售为导向的小农户更倾向于选择高产且早熟的品种。Cluster II结合了产量、作物周期和投入可用性，采取了一种中间且更平衡的策略，这反映了技术整合较好的生产者，但仍依赖于种子获取，Semalulu等人（2019年在乌干达）也报告了这一趋势。Cluster III强调市场偏好和适应性，将产量放在次要位置。这种商业导向与Rickta等人（2022年）的研究结果一致，他们发现靠近城市市场的生产者更重视市场质量而非原始生产力。这些发现表明，品种选择不仅受农艺标准的驱动，还受到每个生产者特定社会经济目标的驱动。

多元线性回归分析表明，选定的变量能够很好地解释卷心菜产量，R2值较高（>0.7），证实了模型的相关性。在所有集群中，耕种面积、销售量和种植经验都是主要的产量决定因素，这与热带非洲其他蔬菜作物的研究结果一致（Enguwa等人，2024年）。耕种面积显著增加了有效产量，反映了规模效应和更好的资源利用。销售量在所有集群中都显著，表明商业导向刺激了技术投资，特别是在撒哈拉以南非洲的小农户中（Hasan等人，2018年）。种植经验对产量有积极影响，证实了累积学习在维持有效农艺实践中的关键作用（Das等人，2024年）。投入效应（化肥、植物保护、灌溉）总体上是有利的，表明在贫瘠的热带土壤中仍需适度集约化（Fening等人，2020年；Wang等人，2022年）。距离变量（距离水源和市场）有负面影响，但程度适中，反映了物流限制增加了生产成本和限制了作物护理的获取。除草和距离邻近田地的距离没有显著影响，表明基本实践的同质性或这些变量在生产系统中的解释力有限（Mawnai等人，2021年）。

随机前沿分析（SFA）显示，不同集群之间的技术绩效存在明显且具有统计意义的差异，证实Walungu地区的卷心菜生产远未达到其生产前沿。Gamma值（γ：0.38-0.74）表明，产出的很大一部分变化可归因于技术效率低下，而非随机冲击，这种现象在非洲蔬菜生产系统中较为常见，因为输入质量、水源获取和管理实践的限制降低了生产效率（Rathod等人，2020年）。集群分析结果进一步明确了效率低下的程度和来源。 Cluster I的技术效率最低（49.0%），这意味着在当前投入水平下，生产者仅利用了其潜在产量的一半。这种高效率低下反映了资源禀赋薄弱、管理能力有限以及生产投入获取受限，导致投入向产出的转化效果不佳（Ndjadi等人，2020年）。Cluster II的技术效率为中等水平（56.1%），表明正在向最佳实践靠拢，但仍存在与组织结构和资源分配不完善相关的重要效率问题。Cluster III的技术效率最高（61.5%），这可能是因为农场组织更完善、市场整合程度更高以及投入管理得到改善。这证实了效率提升并非来自增加投入使用，而是由于更好地协调和优化了可用资源（Divekar等人，2024年）。效率低下效应模型提供了对这些差距的更精确分解。诸如种植经验、土地所有权、生产规模和销售量等因素显著降低了效率低下，表明积累的知识、对土地的稳定使用权以及市场参与度提高了资源分配的效率。相反，距离水源和市场的距离较远会显著增加效率低下，尤其是在Cluster I和Cluster II中，因为这会增加交易成本并限制了对关键生产资源的及时获取。以自给自足为导向的生产方式在Cluster I中进一步加剧了效率低下，因为它削弱了优化的动力并减少了市场驱动的效率信号。总体而言，这些结果表明卷心菜生产中的技术效率低下是结构性因素导致的，并且在不同集群间存在显著差异。这种低效率更多是由资源获取、市场整合和管理能力的差异引起的，而非单纯的投入不足，这突显了提高效率的重要性，而不仅仅是简单地增加投入。

SWOT分析揭示了卷心菜价值链的显著优势，但也受到内部限制的制约。总体而言，该价值链由于结构上的优势和有利的机会而具有实际的发展潜力，但仍受到投入获取困难、基础设施不足以及气候和安全风险高风险的阻碍。为了巩固优势，生产者应与研究机构建立合作关系以改进种植方式，促进生产者组织以增强议价能力，并实施认证系统以确保产品质量和可追溯性（Batool和Nazir，2024年）。为了解决弱点，生产者应建立保险机制以减轻气候风险，通过多样化生产来降低专业化风险，并通过合作社实施集体储存和安保措施以减少收获后的损失（Kesonga等人，2023年）。为了抓住机会，生产者应开发增值产品（如加工卷心菜、蔬菜篮子）并宣传其产品的营养和环境特性。最后，为了应对威胁，生产者应实施监控系统以减少盗窃行为，并适应价格波动和竞争压力。实施这些措施可以提高卷心菜的生产效率并增强生产者的绩效（Gomez，2020年）。与气候相关的风险主要通过影响生产决策和资源分配来影响技术效率（Ojo和Baiyegunhi，2020年）。在随机前沿分析的背景下，气候变异性增加（降雨不规律、干旱事件、水分过多）降低了生产者按照最佳水平和时机使用投入的能力（Sreehari和Pradeep，2019年）。这导致生产偏离最优生产前沿，因为农民倾向于采取预防性或补偿性策略，如过度灌溉、增加农药喷洒或反复除草，这虽然增加了投入使用，但并未带来相应的产量增长（Pandit和Krishnamurthy，2021年）。因此，效率低下得分（ui）增加，反映了实际产出与最佳管理下的潜在产出之间的差距扩大。此外，气候不确定性影响了生产预期的稳定性，从而降低了投入分配的管理精度（Laureti等人，2021年）。在风险环境下运营的生产者更可能表现出较低的技术效率（TEi），这并非由于投入可用性减少，而是因为在风险条件下投入组合的调整不够理想（Belete，2020年）。这一机制直接将SWOT分析中识别的气候变化威胁与SFA模型中估计的经济效率低下因素联系起来。类似地，作物盗窃和市场不确定性通过扭曲的收获和营销决策影响效率。对损失的预期会鼓励提前收获或减少田间投资，这也导致了效率得分的降低。总体而言，这些威胁作为结构性约束增加了效率低下，削弱了投入使用与最佳生产条件之间的匹配，从而在SWOT分析和随机前沿估计之间建立了明确的分析桥梁（Batool和Nazir，2024年）。

本研究使用集群分析和随机前沿分析评估了南基伍（刚果东部）Walungu地区卷心菜（Brassica oleracea L. var. capitata f. alba）生产系统的农艺性能和技术效率。结果表明，生产者之间存在显著差异，分为三个集群，这些集群在土地禀赋、生产规模、市场导向和资源获取方面存在差异。农艺性能（通过产量及其决定因素来衡量）主要受种植面积、种植经验、灌溉情况、销售量和距离水源及市场的距离的影响，而社会人口因素的作用较小。随机前沿分析结果显示，所有集群都存在明显的技术效率低下，其中小型、以自给自足为导向的生产者由于面临严重的获取限制，效率最低。更融入市场的生产者通过更好的资源分配和投入优化实现了更高的效率，而非单纯增加投入强度。SWOT分析进一步强调了内部优势，但也指出了与投入获取、基础设施、气候变异性和安全风险相关的主要限制。总体而言，改善Walungu地区的卷心菜生产需要针对不同集群的具体问题采取有针对性的干预措施，重点是通过改善水源和市场接入、加强农民组织以及从效率最高的生产者那里转移良好的管理实践来减少技术效率低下，同时要融入可持续性和“One Health”理念。

**作者贡献声明：**
- Nshondja BYAMUNGU：数据可视化、调查、数据整理。
- David MUGISHO BISIMWA：撰写、审稿与编辑、调查。
- Joyce AKITOWA KASHONGWE：方法论、调查。
- Christian MUDERHWA ZAGABE：撰写、审稿与编辑、方法论。
- Emmanuel KUNDE AMANI：撰写、审稿与编辑。
- Dominique AGANZE MULUME：撰写、审稿与编辑、数据可视化。
- Adolphe MUKENGE NAMUBAMBA：撰写、审稿与编辑。
- Jean MONDO MUBALAMA：监督。
- Chance AKSANTI BARUME：数据可视化、验证、监督。
- Patrick BAENYI SIMON：验证、监督。
- Emmanuel AHANYIRWE TULINABO：撰写、审稿与编辑、原始草稿编写、方法论、调查、概念化。

**未引用参考文献：**
Jin和Xu，2025c；Jin和Xu，2025d。

**利益冲突声明：**
作者声明没有利益冲突。

**资金/致谢：**
本研究未获得外部资助，属于作者的学术学习和个人倡议。研究工作是在作者的学术学习和个人主动性下完成的。作者感谢所有提供数据或指导的当地农民、学校合作伙伴和机构。