基于网络理论的目标定位能否提高技术采用率？

2022-6-25 03:30:09

拜考尔斯基金会讨论论文编号：考尔斯经济研究基金会耶鲁大学邮箱208281康涅狄格州纽黑文06520-8281http://cowles.yale.edu/CAN基于网络理论的TARGETINGINCREASE技术采用？Lori Beaman、Ariel BenYishay、Jeremy Magruder和Ahmed Mushfiq MobarakAugust 2018！！基于网络理论的目标定位能否提高技术采用率？Lori BeamanAriel BenYishayJeremy MagruderAhmed Mushfiq MobaranorthWestern大学。William and MaryUC BerkeleyYale UniversityAugust 2018摘要为了引导农民采用高效的新农业技术，我们对马拉维200个村庄的丰富社会网络数据应用简单和复杂的传染扩散模型，以确定种子农民的目标和新技术培训。一项随机对照试验将这些理论驱动的网络目标定位方法与更简单的策略进行了比较，这些策略要么依赖政府推广人员，要么依赖社会网络（家庭之间的地理距离）的一个易于测量的代理来识别种植者。我们的研究结果表明，技术扩散的特点是一个复杂的传染学习环境，在这种环境中，大多数农民需要向多个人学习才能适应自己。基于网络理论的目标定位可以超越传统的扩展方法，我们确定了以低成本实现这些收益的方法，以供决策者使用。JEL代码：O16、O13关键词：社会学习、农业技术采用、复杂传染病、马拉维*联系人：比曼：l-beaman@northwestern.edu，BenYishay：abenyishay@wm.edu，Magruder：jmagruder@berkeley.edu，Mobarak：艾哈迈德。mobarak@yale.edu.我们感谢CEGA/JPAL农业技术采用倡议（ATAI）和3ie的财政支持。比曼感谢美国国家科学基金会第1254380号拨款的支持。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-25 03:30:12

我们非常感谢Paul Fatch、Readwell Musopole和马拉维农业部其他许多工作人员的支持与合作。Thomas Coen、Niall Kelleher、Maria Jones、Ofer Cohen、Allen Baumgardner Zuzik和IPA马拉维国家办事处为数据收集提供了宝贵的支持。！Hossein Alidaee和Tetyana Zelenska提供了出色的研究援助。我们感谢Arun Chandrasekhar、Matt Jackson、Kaivan Munshi、Chris Udry和众多研讨会听众提供的非常有益的评论，但并不含蓄。1.1、引进技术扩散对增长和发展至关重要（Alvarez等人，2013年，Perla和Tonetti，2014年）。信息摩擦是技术采用的潜在制约因素，而社会关系可以作为重要的载体，通过它，个人可以了解新技术，然后被说服采用新技术。1通过更好地了解传播过程以及人们如何选择采用新技术，我们可以潜在地操纵社会学习，并确定将传播最大化的策略。在本文中，我们指定了一个学习模型，并将其与田间试验相结合，在田间试验中，我们根据网络扩散理论选择了“最佳”切入点，并通过这些切入点在马拉维的200个村庄引入了一种生产性新农业技术。我们的目标是测试网络理论的见解是否在加强技术在该领域的传播方面切实有用，并在这一过程中，为社会学习和传播的性质提供新的证据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-25 03:30:15

我们的实验是关于农业推广的，因为大量文献已经证明，社会学习在传播农业技术方面起着核心作用（格里希斯1957年、福斯特和罗森茨威格1995年、蒙西2004年、班迪拉和拉苏尔2006年、康利和尤德利2010年）。因此，网络理论在该领域尤其可能具有实用价值。环境本身对发展也非常重要：64.5%的世界贫困人口从事农业（Castaneda et al 2016），非洲的农业产量特别低且增长缓慢（世界银行，2008年）。推广服务是应对低生产率的重要政策工具：发展中国家ZF雇用了40多万名推广人员，Anderson和Feder（2007）指出，这“很可能是世界上已知的最大的机构发展努力”我们推广的具体技术‘坑栽’，有潜力显著提高！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！1经济学（Munshi 2008、Du Flo and Saez 2003、Magruder 2010、Beaman 2012）、金融学（Beshears et al.2013、Bursztyn et al.2013）、社会学（Rogers 1962）和医学与公共卫生（Coleman et al 1957；Doumit et al 2007）中的大型文献表明，信息和行为通过人际关系传播。2.非洲农村干旱地区的玉米产量。2这种做法在马拉维基本上是未知的，因此，学习对传播这项技术至关重要。我们使用扩散的“阈值模型”（例如Granovetter 1978；Centola and Macy 2007；Acemoglu et al 2011），该模型假设个人只有在与至少一个阈值数量的采纳者有联系时才会采取行为，作为我们探索的基础。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:18

这是一类重要的政策分析模型，因为在此特定框架下，选择用于影响扩散的网络入口点变得至关重要（Akbarpour、Malladi和Saberi，2017）。我们首先为这个模型建立了一个微观基础，利用了关于学习过程的一个核心观点：如果这项技术是新的，并且收集有关它的信息成本很高，那么当网络成员对这项技术知之甚少时，农民可能会理性地选择不寻求信息。当收养的净效益巨大且清晰时，单一的信息来源可能足以鼓励学习（然后是收养），而且“门槛”非常低。然后，技术扩散看起来就像病毒感染，这个过程被称为“简单传染”。如果由于每个连接无法提供准确、相关的信息而导致学习困难，那么农民可能需要来自多个来源的数据，阈值会增加。由此产生的学习过程被称为“复杂传染”。阈值模型可以对网络入口点做出具体预测，从理论上讲，这些预测可能最有效地快速传播新技术。假设一个推广机构可以对两个农民进行新技术培训。在简单传染的情况下，如果推广机构希望在未来3-5年内最大限度地提高采用率，它将把入口点分散得很远，以尽量减少网络同一部分的重复和冗余。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-25 03:30:21

相反，如果技术传播伴随着复杂的传染，那么训练有素的农民必须聚集在一起，共享联系，这一点至关重要！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！2在受控条件下进行的试验表明，它可以将生产率提高50-100%（Haggblade和Tembo 2003）；在现实的“由ZF实施”条件下进行的大样本现场试验（BenYishay和Mobarak，2018），并在本研究中使用村民之间的实验差异。3.提高一些接受者同时从多个来源学习的机会。3我们的现场实验设计就是基于这样的见解。在实施实验之前，我们在马拉维的200个村庄收集了关于农业学习关系的社会网络普查数据。然后，我们对这些数据进行模拟，以确定理论上最佳的切入点（“种子”），从而最大限度地扩散有关新技术的信息，假设扩散过程的特征是简单传染或复杂传染。然后将村庄随机分配一种目标策略（简单或复杂的传染），马拉维推广服务机构通过理论模拟对我们选择的种子进行培训。培训结束后，要求种子传播信息。然后，我们追踪这些村庄未来2-3年的收养模式。我们将这些基于网络理论的治疗村的采用情况与其他随机选择的村庄采用的基准治疗进行了比较，农业推广机构利用当地知识选择种子。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-25 03:30:24

通常，这涉及要求村领导提名一对推广合作伙伴，类似于许多推广工作者在我们的研究背景之外通常所做的工作。4作为另一个比较，我们实施了第四种处理方法，在这种方法中，我们选择了在复杂传染情况下能够最大限度地扩散的最佳种子，但假设社交网络连接的地理接近代理。与社交网络关系不同，地理位置是！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！3需要将受过培训的农民聚集在复杂的传染病下，这意味着通过简单地培训几个额外的农民而不必担心目标问题，就很难复制战略目标种子的传播收益（Akbarpour et al 2018，Jackson and Storms 2018）。Akbarpour等人2018年的研究表明，在许多其他概率扩散模型中，单个连接足以进行扩散（包括Banerjee等人2013年估计的模型），目标定位并不那么重要，因为随机选择几个额外的种子优于（在理论和模拟中）基于网络位置仔细定位种子的策略。相比之下，Banerjee、Breza、Chandrasekhar和Golub（2018）表明，当个人需要就网络中接收到的信息提出后续问题时，信息广播产生的信息流比种子传播产生的信息流要少。4推广人员可以根据专业知识选择有影响力的合作伙伴，例如她对尝试新技术的渴望，或其他村民对他们意见的信任。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:27

因此，该基准为基于网络的扩散理论提供了一个严格的测试：我们理论上的最佳合作伙伴仅根据其在网络中的位置进行选择，而没有利用这些额外的本地信息。！4.扩展代理很容易观察到，因此我们将此视为实现基于数据密集型网络理论方法的策略相关替代方案的第一步。我们发现，与基准方法相比，理论驱动的最佳种植者目标定位会导致更大的技术扩散。在为期3年的试验期间，基于阈值理论的目标定位比依靠推广人员选择种子提高了采用率3个百分点，在这些村庄，坑播采用率从0%增长到大约10%。5我们使用我们的微观数据，确切地说明农民采用了哪些模式，为我们假设的学习模式提供了更直接的证据。例如，我们记录了基于网络理论的目标定位在使用该技术回报高的农民子集（考虑到他们的土地类型）和理论预测的农民最初对该技术不了解的村庄中，在采用该技术方面取得了更大和更持续的收益。复杂的传染模型表明，针对性差的潜在后果之一是完全无法在村庄内采用。我们观察到，在3年后，45%的“基准”村庄中没有坑种植扩散。在使用复杂传染模型选择种子的村庄中，与基准相比，至少有一个人（种子除外）在村庄中收养的可能性要高出56%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:30

结果表明，与农业部现有的推广战略相比，简单地改变在村庄接受基于社会网络理论的技术培训的人员，可以提高新技术的采用率。即使是基于地理位置的低成本目标定位策略，相对于基准，也会在采用方面产生一些收益。然而，在这种情况下，身体上的接近似乎并不能很好地代表社会关系。为社交网络结构开发其他低成本代理将是！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！5对于新的农业技术，包括非常有利可图的技术，这种采用率的增加并不罕见（例如，Munshi 2007）。Ryan和Gross（1943）指出，20世纪30年代，爱荷华州花了10年时间才采用杂交种子玉米，而从农民听说这项技术到采用这项技术，通常需要5年的时间。5.未来研究的有用途径。6作为第一步，我们开发了一种直观的算法来识别可通过少量访谈实现的高效扩展合作伙伴，对我们数据的模拟表明，这种方法将在技术采用方面产生巨大收益。7现有文献表明，当入口点更为中心时，会发生更广泛的扩散（Banerjee et al 2013，印度小额信贷背景下；Kim et al 2015，洪都拉斯健康行为）。我们的实践为在社会学习的背景下进行更广泛的传播提供了见解，也帮助我们检验网络理论是否具有加速政策相关技术传播的预测能力8。论文的其余部分组织如下。第2节介绍了实验设计所基于的理论模型。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-25 03:30:33

第3节描述了实验设置和设计。第4节讨论了所有实地活动，包括干预和数据收集。第5节描述了种植者的特点和活动，以及技术在田间的表现和社会传播发生的文件。第6节介绍了村庄（或网络）级的实验结果。第7节对我们的数据进行模拟，以探索成本效益高、与政策相关的替代方案，以替代本文中基于数据密集型网络理论的程序。第8节结束！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！6例如，Banerjee et al（2018）中有希望的结果表明，家庭知道谁是他们村庄的中心，这类信息可能很容易从随机抽样的人群中获得。Kim等人（2015年）使用了一种基于朋友之友的相关启发机制，并进行了一项实验，在32个村庄的样本中分发公共卫生券！7.各种其他论文测试了地方机构（如提名或焦点小组）确定有用合作伙伴的能力：Kremer et al（2011）确定并招募“大使”在肯尼亚农村推广水氯化，Miller和Mobarak（2014）first markets在孟加拉国村庄将厨灶改进为“意见领袖”，然后再将其销售给其他人，BenYishay和Mobarak（2015）鼓励“领导农民”和“同行农民”与马拉维的农业推广官员合作！8相反，Carrel等人（2013）提供了一个警示性的故事，即数据驱动的操纵社会互动的尝试没有设计最佳课堂的预测能力。！6.2.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-25 03:30:37

推动实验设计的理论模型2.1扩散阈值模型的微观基础线性阈值模型（Granvetter 1978；Acemoglu et al 2011）是扩散过程的重要描述之一。该模型假设代理将至少采用一次新行为！他所有的关系都采用了这项技术。我们基于这类模型进行实验设计有三个原因。首先，阈值模型建立在关于社会学习可能如何影响收养决定的非常自然的洞察力之上：农民从她拥有的每个联系的行为中学习，并且根据农民的先验知识的深度，可能需要更多或更少的联系来激励她改变行为。因此，与其他规范扩散模型相比，阈值公式更自然地通过学习模型建立在微观基础上。第二，阈值模型是扩散理论的重要组成部分。介绍这一公式的原始论文（Granovetter 1978）在google scholar上被引用了大约5000次。第三，该公式与农业技术扩散的一些关键经验模式相一致。例如，作为采纳决策关键驱动因素的联系人数量可以解释众所周知的新技术S形扩散模式（例如Griliches 1957）。10也许由于对阈值模型的跨学科兴趣，对于阈值模型或相关经验预测的基础机制几乎没有共识。因此，本节正式推导了阈值模型，作为优化行为的结果！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！9!简单和复杂的传染公式都与贝叶斯学习模型相关。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:41

在简单的传染病中，一次接触就会激发收养，这表明一个人的优先（不收养）不是很强。相比之下，复杂的传染现象表明，对收养的额外观察对于改变大多数人的前科是必要的。我们将使用这个更简单的版本，而不是正式的贝叶斯学习模型，因为这些模型在现实网络中很快变得难以处理（Chandrasekhar et al 2012）。！10!早期传播速度缓慢的原因是，在一个网络中，拥有多个联系人的人并不多，他们在新技术出现时采用了该技术，但随着该技术在网络中的传播，拥有多个采用者联系人的概率会更快地增加。一般来说，这种直觉和阈值建模的示例对于阈值是在接触的数量上，还是在接触的分数上，都是不具体的。我们在下面开发的微观基础在接触数量上产生了一个阈值。！7.微观经济主体，以便我们能够对实验和微观数据做出一些清晰的预测。我们通过扩展Banerjee等人（2016年）提出的框架（因此称为BBCM）来发展这一微观基础。BBCM的一个关键观点是，社交网络的大多数成员在面对全新技术时可能无法获得任何有用的信号。因此，新技术的学习问题有两个部分：一是获取可能成本高昂的信号（获得信息），二是根据从知情人士那里收到的信号，对新技术的盈利能力形成修正的信念。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-25 03:30:44

优化农民只有在他们的信念改变并且他们被其他人说服这将比其他选择更有利可图的情况下，才会采用新技术。11在我们的模型中，决策有三个关键阶段：（1）农民必须决定是否获取信息，（2）她必须将新信息与她的先验知识结合起来，（3）然后她决定是否采用新技术。我们将从第三阶段开始，向后介绍并解决模型。如果农民认为采用新技术将有利可图，她将选择在第三阶段采用新技术。假设farmer j知道采用这项技术将花费她“#的成本，并认为新技术要么盈利$，要么盈利%$&%”#&$\'12由于这项技术是新的，而farmer j最初不了解信息，她对这项技术是否盈利有一个统一的优先权。她可以聚合连接发出的信号，以更新之前的信息，并做出明智的收养决定！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！11 Jackson和Storms（2018）探讨了类似模型的一个非常不同的微观基础。在该模型中，当个体因遵从其关系行为而面临更大的回报时，阈值变得相关。由于小农户采用新农业技术的协调激励似乎很低，我们转而追求基于学习和个人优化的模式。12为简单起见，我们遵循BBCM假设利润分配为二元且已知。实际上，由于该技术在不同的农业气候条件和不同的天气条件下的潜在性能，在更大范围内的利润将存在不确定性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:47

虽然在更真实的不确定性描述下，后验分布将更加复杂，但驱动阈值模型的关键直觉将保持不变。8.我们采用了BBCM中建模的相同学习环境：首先，知情农民i传播一个二进制信号，（）*+$，$-，这在概率上是准确的/不知情的农民不会传播信号。其次，农民遵循DeGroot学习（DeMarzo et al 2003）。DeGroot学习可以解释为Bayes学习的一个有界理性版本，并建议农民从他们的联系中聚合信号，而不试图计算这些信号之间的内在相关性结构（因此，如果农民j看到来自农民i和k的美元信号，她将其解释为两个积极信号，而不分解农民i和k传播从同一来源获得的信息的可能性）。13一旦农民观察到来自其知情联系的信号，他们就会通过Bayes规则聚合这些信号。该框架为农民学习问题的第二阶段提出以下建议：假设农民j有2个知情联系人。如果农民j决定从她知情的联系人那里了解新技术，并且如果这些联系人中的H提供了信号（3美元），那么农民3%$的后验概率为45 6#$3%$3.1789：.1789：；4<0.1789：%！表示3$<$和“=3”#<$。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:51

有了这项技术，如果>：，农民就会采用这项技术@ABCDE:ABCDE:F 08 ABCDE：@AE:AE:F 08 AE：！（1）这种模式突出了传播新技术的一个潜在挑战：当很少有其他农民被告知时，那么即使新农民的前科发生变化，也有一个上限！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！13 Chandrasekhar等人（2016年）提供了实验室证据，支持DeGroot学习胜过印度的Bayes学习。支持这种有界有理近似的其他引文可以在BBCM中找到。14 BBCM中给出了一个简单的证明。！9 !他们从知情者那里得到一致的积极信号。在扩散过程的早期阶段，2#对许多农民来说可能很小。最后，我们考虑农民学习问题的第一阶段，即她决定获取信号并获得信息。在这里，我们从BBCM出发，提出接收信号G的成本可能很小。这一成本可以解释为获取信息的鞋革成本（在马拉维农村的村庄，这并不一定是微不足道的，因为家庭可能相距很远），也可以解释为寻求信息的耻辱（例如Breza和Chandrasekhar 2017）。因此，知情度高的农民j有一个目标，即JKLMNOP4QαR4<αM8Rπ<SIRNM；4<αRαM8Rπ<SITα1R8Mα1R8M；4<α1R8M/Sπ<ηU当η3 V时，BBCM探索学习的动力学。然而，当η/V时，动力学略有不同。在这种情况下（对于小η），只有当αWPαWPF 08αWP/XPπ！（2）换言之，农民只有在拥有足够多的知情联系的情况下才会选择寻求信息，这样，知情的决定才有可能引导他们采纳。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:30:54

在这种情况下（对于小η），如果ααF 08α/XPπ！（3）一般来说，他们会选择了解！通知连接if10！αλαλF 08αλ/XPπ！（4）这意味着，如果对技术净效益的期望很高（即低成本和高潜在收益），或者如果其他农民的信号非常准确，农民就会选择了解新技术。在某些参数值下，仅仅一个知情的联系人就足以诱导农民寻求信息。这就是Centola和Macy（2007）称之为“简单传染”的扩散过程。他们证明了某些类型的信息——例如，就业机会——是以这种方式传播的。另一方面，如果技术的预期优势相对于成本而言较为温和，或者如果来自其他农民的信号精度较低，那么只有在从他们的网络中获得足够的信息时，才能说服农民寻求信息。15在这种情况下，对许多农民来说是最低的！满足式（4）可能大于1，信息扩散遵循文献中称为“复杂传染”的过程。16我们对门槛理论微观经济学的解释是，根据农民的信息环境，门槛是农民决定是否学习的潜在过程。这激发了一种实验设计，在这种设计中，我们在网络中播种新信息，以改善信息环境，从而启动技术扩散过程。考虑到计量经济学家不太可能观察到信号精度Y.Z，采用特定新技术所需的阈值是一个经验问题。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-25 03:30:57

作为一个数字示例！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！15虽然这里没有明确考虑，但如果G（信息获取成本）更大，学习的最低阈值也会更高。16几篇理论论文探讨了该模型的含义。与Granovetter（1978）提出的劳动力市场中“弱联系的强度”不同，强联系对于需要多个同伴加强的行为的扩散可能很重要。Centola（2010）提供的实验证据表明，健康行为通过链接聚集的网络传播得更快，这与复杂的传染相一致。Acemoglu等人（2011年）强调，当传染很复杂时，高度聚集的社区将需要在社区中放置一颗种子，以诱导收养。最后，Monsted等人提供了推特机器人生成的实验证据，证明推特标签转发遵循的过程更像是复杂的而不是简单的传染。11 !考虑一种潜在回报率为30%的技术（因此3美元4’[%”=）. 如果信号的准确率超过77%，如果农民有一个单一的知情联系，他们就会选择知情，而传播将遵循简单的传染。如果信号准确度在65%-77%的范围内，那么农民只有在有两个知情联系的情况下才会知情，学习将伴随着复杂的传染。如果信号的准确率低于65%，那么农民将需要至少3个知情的联系才能做出收养决定。2.2模型预测和对实验的影响阈值模型的微观基础为实验及其分析提供了特定的结构。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:00

这种模式需要使用真正新技术的传播来进行测试，在这种情况下，潜在的采用者事先对该技术一无所知，并面临着一个重要的采用决策。一个推论是，阈值模型应该在技术更新颖的位置更好地拟合数据。如果存在阈值且阈值高于1，则将多个聚集在网络同一部分的信息源植入网络将实现与将相同数量的信息源植入网络传播得更加分散非常不同的传播模式。我们的实验设计将利用这一观点。只有当初始节点碰巧共享一些连接时，信息环境才会诱导学习，这是我们可以使用技术扩散模式的微观数据进行测试的。该模型强调，当农民有足够多的知情联系人时，他们就会变得知情。然而，在得到通知的条件下，只有当他们连接的信号实现足够积极时，他们才会采用该技术。这两个事实对模型进行了两种不同的检验。12 !预测1：如果一个村庄的大多数农民都有一个门槛！，那么至少要联系到那些人！知情的农民应该自己知情。预测2：领养净收益高的农民中，领养人数增长最快，他们将领养范围更广的接收信号。17 3. 田间试验3.1我们通过农业推广系统进行的技术扩散试验在从三个气候半干旱的马拉维地区（Machinga、Mwanza和Nkhotakota）随机抽取的200个村庄进行。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:03

马拉维大约80%的人口生活在农村地区（世界银行，2011年），这些地区的农业生产以玉米为主：97%的农民种植玉米，超过一半的家庭不种植其他作物（Lea和Hanmer，2009年）。因此，玉米的技术采用和生产率与福利密切相关。马拉维现有的农业推广体系依赖农业推广发展官员，即农业和粮食安全部雇用的推广代理。许多推广代理负责30-50多个村庄，这意味着很少与村民直接接触。根据2006/2007年马拉维全国农业和畜牧业普查，只有18%的农民参加任何类型的推广活动。推广代理依靠少数领头农民来应对这些人员短缺，这些领头农民接受了培训，但没有动力通过社会学习传播知识。18在此背景下！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！17为明确起见，该模型假设农民在决定是否了解该技术之前，就已经知道了生产的潜在净效益。在实践中，农民可能知道，也可能不知道，在知情之前，他们通过收养获得的私人净收益很高。根据农民事先意识到自己有相对较高的净收益的程度，将决定这种更大的采用是否也与更大的知情倾向相关。18!领头农民模式还可以通过提供频繁提问和对话的机会来帮助农民学习。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:06

Banerjee et al（2018）表明，与广播一般信息相比，通知个人的子样本可能会导致更大的传播，因为它为后续对话创造了机会！13 !在人员短缺的情况下，在传播过程中最大限度地扩大社会学习的范围可能是提高推广效率的一种成本效益高的方法。3.2实验设计我们首先为样本中的每个村庄（或“网络”）选择了一种新的农业技术，并与马拉维农业部合作，让其推广人员在每个村庄培训两名种植者。我们的实验变异只会改变那些种植者的选择方式，并保持训练的所有其他方面不变。我们在阈值模型的具体公式下确定了每个村庄中的农民，他们将是“理论上最佳”的选择，我们的目标是在4年的时间内最大限度地在村庄中传播。我们的四个治疗臂随机变化，每个村庄训练理论上最佳的一对种子：19 1。简单传染：应用于网络关系数据2的简单扩散（λ=1）模型。复杂传染：应用于网络关系数据3的复杂扩散（λ=2）模型。地理处理：复杂扩散（λ=2）模型应用于仅使用地理接近度4构建的网络数据。现状基准：推广员根据其当地知识选择种子农来实施这一程序，我们首先收集了所有研究村户籍普查的社会网络关系数据（将在第4节中详细描述）。这些数据中观察到的社会网络结构允许我们为200个村庄中的每个村庄构建网络邻接矩阵。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:09

接下来，我们将使用这些矩阵对所有村庄进行技术扩散模拟，在哪里！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！19换言之，我们将“理论”或“阈值模型公式”随机分配给不同的村庄。随机化按地区分层，并使用重新随机化程序进行，该程序检查了以下协变量的平衡：基线时使用堆肥的村庄百分比；基线时使用化肥的村庄百分比，以及基线时使用坑式种植的村庄百分比。在每个地区分别进行随机分组。14 !村里的每个人都从数据中提取一个采用阈值τ，该阈值通常分布在20 N（λ，0.5）处，但被截断为严格正。我们在所有村庄进行λ=1和λ=2的模拟，分别评估简单传染和复杂传染。在模拟中，当一个个体与至少τ个被告知的个体相连时，他在下一个时期内会被告知。一旦通知个人，我们假设所有其他家庭成员也会立即得到通知。我们还假设知情是一种吸收状态。由于种植者接受推广代理的培训，我们假设所有指定的种植者都得到了通知。我们运行了四个阶段的模型。21考虑到模型中的随机性，我们对村庄中的每对潜在种子进行2000次模拟，并创建每对种子诱导的平均信息率的度量。我们将在模拟中产生最高平均三期信息率的一对指定为该特定模型每个村庄的两个“最优种子”（简单传染，λ=1或复杂传染，λ=2）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:13

根据每个模型下最优种子的身份，我们将样本中的不同村庄随机分配到不同的模型中。通过简单传染（λ=1）模拟确定的最佳种子在分配给处理1的一些随机选择的村庄进行技术培训。通过复杂传染（λ=2）模拟确定的最佳种子将在随机分配到处理2的其他村庄进行培训。为了确定治疗臂3的种子，模拟步骤与复杂传染情况下的步骤相同，只是我们将该程序应用于不同的邻接矩阵。抓捕了！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！20!模型中的异质性来自于采用坑式种植实现的净效益的个体差异。这会影响个人需要的连接阈值数量，以便获得足够的信号以诱导采用！21!在实施干预措施后，我们收集了多达三个农业季节的数据，因此我们的理论设置与我们的实证研究设计相匹配。在了解λ的价值后，决策者可以使用该模型在他们关心的任何时间段内最大限度地提高采用率，无论是短期还是长期。！15 !考虑到地理位置可能是捕获社交网络关键特征的一种简单方法，我们通过假设两个个体在地理编码的位置数据中相互距离在0.05英里以内时是相连的，从而生成了另一种邻接矩阵。我们选择了半径为0.05英里的区域，因为该特征为我们村庄的网络度度量值生成了与使用实际网络连接度量值类似的值。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:15

第四组是现状基准，要求推广代理选择两名种植者，就像他们通常在实验之外的环境中一样。这一基准对简单和复杂的传染病治疗构成了一个有意义和具有挑战性的测试，因为推广代理能够使用研究人员无法获得的有价值的信息，例如个人承担这一角色的动机。基准待遇与马拉维农业部和其他政策制定者通常的做法相似，因此这是最相关的反事实。22请注意，在所有200个村庄中都模拟了简单、复杂和Geo种植者选择策略，因此我们知道（例如）在随机分配给复杂传染或Geo处理的村庄中，谁是最佳的简单传染种植者。我们将反事实最优农民称为“影子种子”或“影子农民”。4、实地活动：实施干预和数据收集4.1农业技术在本节中，我们介绍了向种植者介绍的两种技术，并在第4.1节中分析了作物产量数据，以进一步了解这些技术的益处！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！22!通常，农业部每个村庄只培训一名“主要农民”，而不是两名。在大多数村庄，已经建立了领头农民，但长期以来没有为村庄指派推广官员的村庄除外。由于试验，推广代理必须在基准村选择第二个种植者。！16 ! 马拉维种植玉米的农民传统上在平坦的土地上或在准备好田埂后播种。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:18

随着时间的推移，垄作会耗尽土壤肥力并降低农业生产力（Derpsch 2001，2004）。相比之下，坑栽涉及在地面的浅坑中播种，以便在干旱环境中为植物保留更多水分，同时最大限度地减少土壤扰动。该技术在萨赫勒地区得到了更广泛的应用，在东非的对照试验和田间环境中都显示出极大的提高玉米产量，估计产量提高50-113%（Haggblade和Tembo 2003年，BenYishay和Mobarak 2014年）。在第5.3节中，我们提供了有关村庄样本产量影响的进一步证据。生产力的提高被认为来自三种机制：（1）减少表层土壤的耕作，使养分在土壤中保持固定，而不是侵蚀；（2）植物周围的水分浓度，有助于在降雨条件较差的情况下植物生长；（3）提高肥料的保留率。练习坑栽可能需要一些额外的费用。首先，只有一小部分地表采用坑式种植进行耕作，手动除草或除草剂需求可能会增加，尽管作者开展的重点小组表明，相对于起垄，除草需求大幅减少。其次，挖坑是一项劳动密集型任务，前期成本巨大。然而，随着时间的推移，土地准备变得越来越容易，因为每年应在相同的地方挖掘坑，估计土地准备时间在5年内减少50%（Haggblade和Tembo 2003）。BenYishay和Mobarak（2014）发现，相比之下，马拉维的劳动时间减少了，而其他投入成本的变化可以忽略不计。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:21

在平地上使用坑式种植时，可将劳动力成本降至最低。17 ! 作物残留物管理种植者还接受了作物残留物管理（CRM）方面的培训，这是一套农业实践，主要侧重于将作物残留物保留在田间用作覆盖物。农民通常采用的替代做法包括焚烧农田中的作物残留物，并将其移除用作牲畜饲料和堆肥。培训强调了保留作物残留物作为覆盖物的价值，以保护表层土壤，减少侵蚀，限制杂草生长，提高土壤养分含量和保水性。在类似的环境中，很少有实验证据表明CRM对土壤肥力、水分保持力和产量的影响。4.2种植者培训在我们使用上述程序为每个村庄编制种植者名单后，分配给村庄的推广代理对两名种植者进行了培训。23我们向推广代理提供了实验组1-3中每个村庄的两个种植者姓名，如果前两个村庄中的任何一个拒绝参与，则提供替代名称。拒绝是不常见的：我们培训了93%的选定种子或其配偶。我们使用原始种子分配进行意向处理分析。如果种植者自己在第一年采用坑栽方式，他们会收到一份小额实物礼物（价值8美元）。没有提供任何礼物或奖励，也没有在其他人在村里收养或种子在随后几年里自己收养的基础上提供！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！23由于技术本身是新的，推广人员本身就接受了该部土地保护司工作人员的培训。18 !4.3数据在培训种植者后，我们收集了多达三轮的家庭调查数据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:25

附录图A1显示了这些数据收集活动的时间表。我们依次描述每个主要数据源。基于不同网络特征的社会网络普查数据目标需要关于村庄内网络关系的相对完整信息（Chandrasekhar和Lewis，2016）。我们覆盖了每个样本村80%以上的参与普查的家庭。24社交网络普查的主要重点是在做出农业决策时，找出每个受访者咨询的人的姓名。还收集了有关家庭组成、家庭社会经济特征、一般农业信息和工作组成员的一般信息。农业方面的接触有几种方式：首先是一般性地询问与他们讨论农业问题的农民。为了更深入地探讨，我们还要求他们回忆过去五年中是否有：（i）改变了种植做法；（ii）为任何农作物尝试新品种的种子；（iii）尝试新的堆肥方式；（iv）改变任何作物的肥料用量；（v）尝试新作物，如辣椒、烟草、大豆、棉花或甘蔗；或（vi）开始使用任何其他新的农业技术。如果他们的回答是肯定的，我们要求受访者说出他们知道过去使用过该技术的个人，以及他们是否咨询过这些个人。最后，我们问他们是否与任何亲戚、教会或清真寺成员、或他们经常路过农田的农民讨论过耕作问题，或者是否与其他人共同开展耕作活动25。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:28

这些回应是！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！24我们采访了恩霍塔科塔89.1%的家庭、姆万扎81.4%的家庭和麦金加88.6%的家庭中的至少一名家庭成员。我们采访了大约30%的家庭中的一男一女。25!我们还收集了他们的亲密朋友和他们分享食物的联系人，尽管我们没有将这些联系人作为农业联系纳入我们的网络地图中。！19 !与村庄列表匹配以识别链接。如果任何一方彼此命名（无向图），则认为个人是有联系的，并且家庭中的所有个人都是有联系的。样本家庭调查数据我们收集了200个样本村约5600户家庭的农业技术、投入使用、产量、资产和其他特征的调查数据。我们试图调查每个村庄的所有种子和影子农民，以及随机抽样的其他24个人，每个村庄总共约30户。26在30户以下的村庄，对所有家庭进行了调查。2011年、2012年和2013年在Machinga和Mwanza进行了三轮调查，2012年和2013年在Nkhotakota进行了两轮调查。27第一轮调查询问了前一年的农业生产情况，从而获得了一些基线特征以及当前的技术知识，这可以反映培训的效果。由于数据是在特定农业季节开始时收集的，但在土地整理完成后，我们观察到姆万扎和麦金加农民的三项坑栽决定，以及恩霍塔科塔农民的两项决定。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:31

由于作物残留管理（CRM）决策是在收获后的一个农业季节结束时做出的，因此我们观察了姆万扎和麦金加两个农业季节以及恩霍塔科塔一个农业季节的CRM决策。随机和平衡附录表A1显示了社会网络普查的可观察特征如何随村庄的治疗状况而变化。表中显示了依赖的回归结果！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！26在简单、复杂和地理村，有6（2x3）个种子和阴影农民接受采访，而在基准村，有8（2x4）个种子和阴影。回想一下，我们没有观察到简单、复杂和地理村的基准农民。27项目资金的意外延误要求我们于2012年在恩霍塔科塔开始培训推广代理和种植者，而不是像我们在姆万扎和麦金加那样在2011年开始培训。20 !居住在基准村、简单村、复杂村或地质处理村的受访者指标标题列中列出的变量。回归中包括地区固定效应，标准误差在村庄层面聚集。显示比较不同治疗组以及所有治疗组联合测试的P值。各治疗组之间的差异几乎没有统计学意义。总的来说，联合测试显示13个变量中有10个变量没有差异。第（9）栏中的农场规模是最令人担忧的：基准村的农民平均农场规模大于简单和复杂村的农民，并且跨治疗变量的联合测试在10%的水平上显著。作者对所有规范中的该变量进行了额外分析，并发现所有结果对该控制都是稳健的。5.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-25 03:31:34

实证结果使用家庭层面的数据在报告村级实验结果之前，我们使用家庭层面的数据建立了一些基本事实，以帮助将结果背景化，并表明实验按照设计进行。我们使用基线家庭调查中的可观察特征，以及种子本身采用新技术的比率来描述每个治疗组中的种子是谁。然后，我们展示了我们推广的技术平均提高了农业产量。接下来，我们展示了种植者在村庄内传播坑栽信息。最后，我们表明，接近经过训练的种子的个体更有可能采用，因此个体层面的采用模式与社会学习是一致的。5.1每种处理下种植者的特征在大多数情况下，但并非所有情况下，简单和复杂传染模型的模拟产生了不同的最佳种子。在50%的村庄中，至少有一个种子在多个（简单、复杂或geo）模型中被判定为最优。附录表A2描述了不同处理的种子重叠频率。最常见的情况是，一个简单的种子也是a21！复杂种子，约25%的简单（和复杂）种子会发生这种情况。28个最佳种子成对确定；在大多数情况下，这种重叠发生在一个农民同时是高度和非常中心的时候。然后，该农场主与一个在网络中与她几乎没有联系的农场主一起成为简单传染下的最优对的一部分，与一个与她有许多联系的农场主一起成为复杂传染下的最优对的一部分。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝