1. 引言
随着数字经济时代的到来，新一代的数字技术也在不断与其它产业向融合发展。乡村振兴作为国家一个大的战略目标，也在振兴的过程中不断进行数字化转型，物联网、大数据、云计算等新一代信息技术在农业生产、农村电商、乡村治理等领域得到广泛应用，有效提升了乡村地区的生产效率和治理水平。同时，数字乡村建设也促进了乡村经济的多元化发展，推动了乡村产业结构的优化升级，现阶段学术界对于数字乡村建设大多都是集中在关于数字乡村建设的实践或者逻辑进展上，很少有学者对此进行总结与归纳。因此，本文将运用Citespace软件对数字乡村建设领域的文献进行可视化分析，以揭示当前的研究热点和趋势，并探讨数字乡村建设的未来发展方向。
2. 研究设计
2.1. 数据来源
本文基于中国知网(CNKI)数据库，在数据库中选择高级检索，设置主要主题为“数字乡村”，“作者”和“期刊名称”选择模糊检索，检索时间区间不限，共检索到1945篇，首先去除以学位论文、会议、报纸等494篇论文，再人工去重，剔除于研究主题无关的论文，最终得到有效文献1283篇。
2.2. 研究方法
Citespace是基于Java语言开发的一款信息可视化软件，主要是对特定领域的相关文献进行集合和计量，探析信息和数据，并绘制可视化图谱，以寻求学科领域研究发展的动力机制和关键路径，突现知识拐点，探测学科发展前沿[1]。本文采Citespace6.3R1 (64-bit)软件，分析数字经济视域下数字乡村的发文量以及相关研究方向，进而发现新兴的研究趋势以及潜在的研究方向。具体处理方法为：将从CNKI数据库中获得的1283篇有效文献以Refworks格式导出保存，在Citespace6.3.1中将CNKI数据转化为WOS数据格式，由于有关数字乡村的论文最早出现在2017年，由此时间设置为2017年1月至2024年6月，时间切片为1年，节点类型分别设置为“author”、“institution”以“keyword”，对数字经济赋能乡村振兴研究的相关文献进行可视化分析。
3. 数字乡村建设的基本统计特征
3.1. 数字乡村建设发文量统计
通过年度发文量可以了解该领域不同阶段的发展情况，预测其之后的研究趋势[2]。本文基于Citespace6.3R1软件，将知网导出的数据转化为WOS数据进行去重处理，转化选项选择Article、Review、Letter以及Export WOS，由此得到关于数字乡村建设发展的历年发文图(图1)，由图1可知有关数字经济视域下数字乡村建设的研究可划分为起步阶段发展阶段以及高速发展阶段。
首先，2007年~2018年为数字乡村建设研究的起步阶段。这一阶段有关数字乡村建设的研究较少，尽管我国自1994年接入互联网后就开始融入全球数字经济的发展浪潮，且随着数字经济的发展而不断融合其它相关的产业，但是这一时期学术界很少将数字经济与农村建设结合起来研究，因此有关数字乡村的研究热度较低。但是，随着中国主导的《G20数字经济发展与合作倡议》的提出，指明数字经济的高创新性、强渗透性以及广覆盖性后，学术界有关数字乡村建设的发文量增多，对相关方面的研究也开始增多，但是总体发文量不高，还处于起步阶段。
其次，2019年~2020年为数字乡村建设研究的发展阶段。这一阶段我国数字经济建设快速发展，且不断与其它产业进行融合发展，而中共中央办公厅、国务院办公厅印发《数字乡村发展战略纲要》的出台，并在文件中强调“要提升乡村治理能力，提高村级综合服务信息划水，大力推动乡村建设和规划管理信息化[3]。”由此，将数字经济与农村发展结合起来进行数字乡村建设开始受到学术界的广泛关注，且发文量相较于之前也有了较快的增长。
最后，2020年~至今为数字乡村建设研究的高速发展阶段。2020年，国家发布的《数字农业农村发展规划(2019~2025年)》中强调数字技术与农业农村加速融合，以资源整合、数据共享为途径，推进数据融合、挖掘与应用，搭建共享平台，实现农业农村数据互联互通、资源共建共享、业务协作协同，催生数字农业农村新产业新模式新业态[4]。由此，数字乡村建设引起了学术界的高度重视，发文量不断增多，研究的方向也越来越广泛，对于这一主题的研究热度也不断增多。
Figure 1. Temporal distribution of digital village construction research publications, 2007~2024
图1. 2007~2024年数字乡村建设研究发文量时间分布图
3.2. 数字乡村建设的高产作者及作者合著分析
基于Citespace软件所得到的作者合著知识图谱可以清晰反映某类研究核心作者群体及其合作强度[5]。本文基于Citespace软件对发文作者进行分析，首先将数据导入软件中，将时间区间(time slicing)设定为2007-2024年，时间切片(#year per slice)设为1年，节点类型(node types)设置为“作者(Author)”，网络强度选择Cosine算法，数据选择标准(selection criteria)选择“Top N”，阈值设定为默认值“前五十”(Top50，选择每个切片中频次最高的前50个数据)。为确保数据运行流畅，本研究将网络裁剪方法设置为讯径网络(pathfinder)，其余为默认值，运行Citespace软件得得到数字经济视域下数字乡村建设高产作者合著知识图谱(见图2)，并得到发文量大于等于三篇的相关作者(见图3)。在图2中，关键节点N = 122，关键路径E = 36。节点越大则表明作者的发文量越多，而节点及连线越多代表作者之间的合作关系。由图2可知，目前关于数字乡村建设研究的作者合作较多，一般为两三人合作或者四人合作，其中马春跃、苗碧舟、车辉以及杨波之前的连线较为明显，且节点较大，由此这四位作者的发文量较多，且合作较为密集。沈费伟(16篇)、张鸿(5篇)以及车辉(5篇)的发文量较多，但是他们并没有与其它作者进行合作。
Figure 2. Digital rural construction in the perspective of the digital economy highly produced author co-authored knowledge maps
图2. 数字经济视域下数字乡村建设高产作者合著知识图谱
Figure 3. Authors with more than or equal to 3 publications
图3. 发文数量大于等于3篇的作者
根据普赖斯文献作者分布规律可知，在同一个研究主题中，有50%的文献来自于核心作者[6]。核心作者的数量计算公式为
，其中Mp为本文统计时间段内核心作者应当发表的文献数量，Npmax为本文统计时间段内最高产作者发表的文献数量。由图3可知，发文数量最多的作者是沈费伟，一共发布了16篇文章，即Npmax = 16，求得Mp = 2.996，经过四舍五入之后得出发表三篇及以上的作者为该领域的核心作者，而由图3可知，发表三篇及以上的作者一共有13位，共发表论文60篇，数量小于总文献数1283篇的50%，因此还没有形成关于数字乡村建设的核心作者群集。
综合来看，目前关于数字乡村建设方面的研究作者主要体现两个特点：一是关于数字乡村建设的研究作者较多，且涌现出一批重要研究者，其核心作者也已见雏形，但是没有形成核心作者群集；二是作者之间有一定的合作，但是大部分作者还比较分散，要进一步加大交流合作。
3.3. 数字乡村建设的高产机构及合著分析
Figure 4. Highly productive organization in digital village building co-authors knowledge map
图4. 数字乡村建设高产机构合著知识图谱
Table 1. 7 scientific institutions with a high number of publications
表1. 发文量较高的7所科研机构
机构名称 |
发文篇数/篇 |
杭州师范大学公共管理学院 |
13 |
中国社会科学院农村发展研究所 |
10 |
安徽大学社会与政治学院 |
10 |
天津师范大学政治与行政学院 |
7 |
南京农业大学公共管理学院 |
6 |
西北农林科技大学经济管理学院 |
5 |
西北农林科技大人文社会发展学院 |
5 |
研究机构的知识图谱能够构建出各个机构的发文现状以及彼此之间相互合作的关系，在Citespace软件中，其它设置参数不变，将核心作者(Author)换成机构(Institution)，共得到节点N = 113个，E = 21个(见图4)。并由此得到机构高发文量表(见表1)。由图4以及表1可知数字乡村建设研究的主力机构为各大高校，其中安徽大学社会与政治学院、杭州师范大学公共管理学院以及中国社会科学院农村发展研究所的节点较大，发文量较多，而中国社会科学院农村发展研究所以及中国社会科学院大学应用经济学院之间、安徽大学社会与政治学院以及中国人民大学社会学理论与方法研究中心之间分别有连线，说明这它们之间有合作关系。
综合来看，一方面，目前研究数字乡村的机构较多，但是密度(Density)只有0.0033，由此机构之间的合作并不紧密；另一方面，研究数字乡村建设的机构大多为各大高校，企业和研究所对于相关方面的研究较少。
4. 数字乡村建设的热点探析
4.1. 关键词共现分析
Figure 5. Keyword co-occurrence network mapping for digital village construction
图5. 数字乡村建设的关键词共现网络图谱
Figure 6. Digital rural construction keywords of high frequency statistics
图6. 数字乡村建设关键词高频次统计图
关键词是文献中最重要的信息之一，通过对关键词的分析可以了解研究的研究现状、研究热点等[7]。通过Citespace软件，其它设置参数不变，将机构(Institution)节点换成关键词(Keyword)节点，得到关于数字乡村建设的关键词共现网络图谱(见图5)以及关键词出现的高频数图(见图6)。在图谱中，关键词所代表的节点越大，分支越多，说明该研究方向越热门。由图6可知，“数字乡村”、“乡村振兴”以及“乡村治理”的节点较大，分支也较多，表明目前学界对于数字乡村建设的研究热点集中在这三个方面。
由图5可知，“数字乡村”出现的频次最高，一共出现了840次。“乡村振兴”、“乡村治理”、“数字经济”、“共同富裕”等关键词出现的频率也较高，分别为331、65、37、34次。其他关键词，如优化路径、大数据等出现频次较少，且较为分散。综合来看，目前学术界关于数字乡村建设的研究主要集中在数字乡村本身的研究与拓展以及有关乡村振兴的研究。
4.2. 关键词时区图分析
Citspace中的关键词时区图是一种展示关键词随时间演化的可视化工具，通过该图可以观察到不同时间段内哪些关键词受到了关注，以及这些关键词之间的演化关系[2]。由此，通过查看关键词时区图可以探究数字乡村建设的研究演化路径。利用Citespace软件，选择关键词图谱中的Timezone View功能形成关键词时区图谱(见图7)，从而得到以年为单位的研究热点。由图7所示，从各关键词出现的年份可以看出，2007~2019年，数字乡村建设方面的相关研究是从宏观角度展开，在整体上把握时代趋势。2019~至今，“数字中国”、“乡村振兴”、“互联网+”等关键词开始出现，数字乡村建设方面的研究开始转向微观方面，对于数字乡村建设的研究也不断深化。
Citespace根据网络结构和聚类的清晰程度，提供2个指标，分别为：模块值(Q值)和平均轮廓值(S值)。一般情况下，Q > 0.3说明聚类结构式显著的，S > 0.7时，聚类的结果是令人信服的[8]。由图7可知，数字乡村建设的时间线图谱中，Q = 0.8354，S = 0.9852，由此本文研究的知识图谱是令人信服的。
Figure 7. Digital rural construction practice sequence co-occurrence mapping
图7. 数字乡村建设实践序列共现图谱
5. 数字乡村建设的展望
5.1. 数字化治理平台的建设
首先，引入大数据、云计算等先进技术，构建集数据收集、处理、分析于一体的数字化治理平台，这个平台能够整合乡村治理的各类信息资源，实现数据的实时采集、高效处理和精准分析。通过先进的算法和模型，平台能够深入挖掘数据背后的价值，为乡村治理提供科学、准确的决策支持。
其次，建立实时、动态的数据监测和分析的数字化治理平台。这个平台能够实时监测乡村的各项指标，包括社会治安、环境保护、经济发展等方面，并通过可视化的方式呈现给决策者。这种实时监测和分析的能力，使得乡村治理能够迅速响应各种变化，及时发现问题并采取措施，提高治理的针对性和有效性。
最后，在政务服务方面，要推广“互联网 + 政务”模式，实现政务服务网上办、马上办、少跑快办。通过线上平台，农民可以随时随地办理各类政务服务事项，如户籍管理、土地确权、社保缴纳等。这不仅提高了政务服务的便捷性和效率，也减少了农民的办事成本和时间成本，增强了农民对政务服务的满意度和信任度。
5.2. 数字技术与乡村社会治理的深度融合
在数字乡村建设的浪潮中，利用数字技术实现对农村社会治理的精准化、智能化管理成为了推动乡村治理现代化的重要手段。
一方面，通过构建农村社会治安防控体系，可以实现对农村治安状况的实时监测和预警。借助大数据、物联网等先进技术，我们能够收集并分析乡村治安相关的各类数据，及时发现并预防潜在的安全隐患。这种实时监测和预警机制，使得乡村治理能够迅速响应各种突发情况，确保乡村社会的安宁与稳定。
另一方面，建设农村公共服务平台，为农民提供更加便捷、高效的公共服务。这个平台可以整合乡村治理的各类服务资源，如医疗、教育、文化等，为农民提供一站式服务。农民可以通过手机、电脑等终端设备，随时随地访问这个平台，获取所需的服务信息，享受便捷的服务体验。这种数字化、智能化的服务模式，不仅提高了公共服务的质量和效率，也增强了农民对乡村治理的满意度和信任度。
5.3. 数字化技术的创新应用
在农业领域，数字化和智能化已经成为推动农业生产现代化的重要驱动力。利用物联网(IoT)和大数据等前沿技术，我们能够实现农业生产的精准化、智能化管理，显著提升农业生产效率与质量，大数据技术的应用使得农业生产更加精准和高效。通过对历史数据的分析，能够预测未来的天气变化、市场需求等因素对农业生产的影响。农民可以根据这些预测结果，提前调整种植计划，减少因天气变化等因素带来的损失。同时，大数据还可以帮助农民分析市场需求和消费者偏好，指导他们种植符合市场需求的作物品种，提高农产品的市场竞争力。