请注意，只有100个基准农户，因为我们从未观察到影子基准农户。22 !直观地说，地理中心性的含义可能是特定于上下文的，在某些情况下不适合作为基于网络的定位代理。通过复杂传染模拟选择的种植者是我们计算的所有网络中心度指标中最“核心”的，包括度、介于ness和特征向量中心度之间（第3-5列）。30个简单种子的介数中心性与复杂种子相似，但特征向量中心性较低。图1显示了我们数据中的村庄示例，其中绘制了网络链接以及简单、复杂和地理种子的位置。它们突出了简单目标和复杂目标之间的关键区别：在复杂目标中，两个种子要么直接相互连接，要么至少有一个共同的朋友。在简单的传染中，为了更快地到达网络的更多部分，最优种子被传播开来。31 Geo种子通常彼此接近，因为在选择种子时使用了复杂模型，但正如预期的那样，它们位于网络内更外围的位置，因为它们通常土地较少，收入较低，如表1所示。基准种植者很少彼此非常接近，因此，如果决策受复杂的传染模型控制，他们就不太可能引发传播过程。5.2种植者是否自行采用该技术？表2的A组比较了种植者和影子种植者的技术采用行为。

我们把重点放在这个子样本上，因为影子农民作为正确的实验反事实，让种子农民捕捉到干预的因果效应，消除任何偏见！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！30特征向量中心度是连接的加权和，其中每个连接的权重由其自身的特征向量中心度决定（如Google pagerank）。中间性中心性表明，如果一个人必须通过他来联系其他人，那么他是重要的。因此，它被计算为网络中通过该个体的个体之间的最短路径的分数。详见Jackson（2008）。31在一个有多个不同派系的村庄里，第二个简单的农民将更为中心。然而，我们很少在数据中观察到这种网络结构，因为我们几乎所有的网络都是围绕一个巨大的组件组织的，类似于世界上大多数经验性网络。23 !由于种子在其网络中的位置。我们估计以下方程式，面板A显示结果：^）`3 abccd）`U`；e\\；f） _u`（1）其中，带指标的因变量和e是村庄固定效应。第（1）列显示，在第一年，受过训练的种子比影子农民知道如何播种的可能性高52%。影子农民的知识在三个农业季节内增长（从第1年的16.5%增加到第2年的19%增加到第3年的29%）——就像在他们村庄内的技术传播一样——但种子仍然具有信息优势，如第（2）-（3）列所示。第（4）-（6）列显示，接受过坑栽培训的种植者在所有三年中的采用率为31-32%，而影子种植者在第一年的采用率为5%。

受过培训的农民在培训后的第一年尝试CRM的可能性也高出14个百分点（第7列）。影子农民的比例从一开始就很高（32%），因此管理作物残留物并不像挖坑那样新鲜或陌生。32然而，第（8）列显示，第二年，CRM在实际种子和阴影中的采用率都迅速下降（种子的采用率从46%下降到26%），这有力地证明了CRM并没有被视为一种像坑播一样有用的技术。因此，我们在大多数实证分析中都将重点放在种植坑上，因为用于确定治疗的阈值模型不允许放弃。我们将CRM采用结果包括在附录表A4和A5中！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！32虽然坑式种植在马拉维是一种新的、基本上未知的技术（0.5%的农民在基线阶段进行种植，在我们对中部村庄进行普查时，只有4.3%的农民听说过坑式种植），但农民们正在使用一系列策略来处理作物残留物，包括焚烧农田、将残留物留在田间、将残留物用作覆盖物、将残留物喂给牲畜、，利用残留物制作堆肥，最常见的做法是，在田里埋下残留物，准备新的田埂。其中一些策略与我们的CRM培训中提供的建议重叠，从而产生了度量问题。与坑栽不同，坑栽很容易观察到，也有别于其他做法，农民是否遵守我们的CRM指南在我们的数据中并不容易解读。此外，最佳作物残留技术取决于家庭特定因素，如家畜拥有量，农民和推广专家对最佳实践存在分歧。

农业部官员确实同意燃烧残留物是个坏主意，我们观察到，在3年的研究期间，燃烧频率从20%下降到9%。24 !表2的B组将样本仅限于种植者（并放弃所有影子种植者），并对四个实验组的种子知识和采用情况进行了比较，如下所示：^）`3 ag；a0bhijkc\\%a1lmijkc（\\u；a]ncm\\u；eo\\u；f）“（1）其中pq包括重新随机化控制（在表注释中列出）、村庄大小、村庄大小的平方和地区固定效应。标准误差在村一级聚集。第（1）列显示，在第一年，基准种子最有可能说他们知道如何种植植物，而所有其他种子都是相似的。推广代理显然仔细选择了种植者，以确保他们选择的推广伙伴接受他们的初步培训。然而，在第2年和第3年，简单和复杂的种子迎头赶上，对坑播的熟悉程度与基准种子相似。在随后的几年中，对Geo种子的熟悉程度继续降低。第4栏显示，四种类型的种子在第一年的采用倾向没有差异。这意味着，我们稍后将研究的四个治疗组在村庄范围内的收养模式中观察到的任何差异，都不太可能是由种子农民子样本内部的初始收养差异所驱动的。第（5）列和第（6）列显示，随着时间的推移，简单传染村的种植者采用该技术的可能性相对较高。这可能是由于技术扩散过程，或者换句话说，是实验的结果。第（7）列至第（8）列表明，在第1季或第2季作物残留物管理的采用方面没有显著差异。

5.3技术采用对作物产量的影响表3比较了种植者和影子种植者之间的产量。我们依靠种子和影子的子样本来研究产量，因为种植者是第一个采用新技术的人，表2显示，种子和影子农民的采用率有很大差异。我们估计：^）`3 abccd）`；ro\\uu；e`；f） （2）25！式中，^）\\u`是时间t时v村农民i的玉米对数产量，bccd）\\u`是作为所选种子农民的指标，o\\u`是重新随机化程序中使用的控制变量（见表2注释）、村庄规模、村庄规模平方、地区固定效应加基线土地规模。都是年度傻瓜。我们使用第二季和第三季的数据。在第一栏的意向处理规范中，种植者的玉米产量比影子种子的产量高出13%。我们推广的技术导致了产量的增加，这一事实有力地表明，通过网络传播的关于坑种植的信息平均而言可能是积极的。我们在第二栏中使用IV回归报告了局部平均处理效果，其中我们使用随机分配为种子（而不是阴影）的指标来衡量坑栽采用情况。在本规范中，采用坑栽与玉米产量增加44%相关。然而，我们不能排除CRM的采用也会增加收益，这可能违反IV估计中的排除限制。33 5.4种植者与其他村民的互动在本节中，我们检查种植者是否向村里的邻居传播有关坑播的信息。表4使用了受访者与村里其他人关于坑种植的对话数据。

这些对话可能来自推种信息，也可能来自村民从种子中获取信息。每个被调查者都被问及他们村里其他七个人的问题：他们是否认识他们，以及他们讨论了什么。这七个人包括两名种植者、随机挑选的影子农民和随机抽取的其他村民样本。我们利用实验中的随机变化：为了！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！33!我们也不能排除任何劳动力或其他投入使用对培训的反应，这些反应可能对收益率有积极贡献，但不会对盈利能力产生影响！26 !例如，我们比较了与复杂种植者的对话频率和与其他村庄复杂影子农民的对话频率。34表4显示，试验诱导种植者与村民讨论坑栽。第（1）-（3）列显示，与阴影相比，使用经过训练的种子进行的对话更多。35简单的传染治疗会导致与简单伴侣的更多对话，复杂的传染治疗会导致与复杂伴侣的更多对话，等等。第（4）栏检查了这些处理是否增加了村里关于坑种植的对话总数。如果受访者与种植者或村庄内随机选择的个人讨论坑栽，则因变量等于1。我们发现，与基准村或Geo村相比，复杂村庄的受访者至少有1次关于坑种植的对话的可能性略高。

5.6村庄内的技术传播如果采用技术是一种社会传染病，那么应该首先通知与种子关系密切的个人，然后再采用。为了探索这一点，我们估计以下方程式：s）\\u 3；a04tbccdu）\\u；a1Qtbccdu）\\u；a] 4bhijkc）\\u；avQbhijkc）\\u；aw4lmijkc（）\\u；axQlmijkc（）\\u；ay4nc m）\\u；azQnc m）\\u；{u；|）\\ u！从分析中删除种子和阴影。4tbccdu是一个指标，表示受访者直接与一个种植者联系，Qtbccdu表示受访者是直接联系的！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！34虽然简单治疗村的所有样本受访者都被问及简单农民，但并非所有受访者都是在rema因为我们随机选择了影子农民的子集，所以ining村是。对于复杂和地理村庄来说，情况也是如此。因此，我们可以灵活地控制我们在回归中询问的简单（复杂，geo）农民的数量，其中因变量是与简单（复杂，geo）农民讨论坑种植。！35我们可能会观察到在复杂村庄中与简单伙伴的对话以及在简单村庄中与复杂伙伴的对话的治疗效果，原因有两个：（i）如上所述，通常会有一个人被选为模型简单版本和复杂版本的种子，但（ii）这也可能是传播过程的结果。要理清这两种选择是很有挑战性的！27 !连接到两个种植者。由于网络位置是内生的，我们还可以控制个人是否连接到一个或两个简单、复杂或地理（实际或阴影）种子，但这些系数不显示在表中。因此，鉴定来自与实验产生的种子接近程度的变化。

例如，我们可以比较两个农民，他们都与两个“简单的种子”有关，但其中一个农民在随机分配给简单治疗的村庄，他的朋友接受了培训，而另一个没有。在理论模型中，个人在采用之前必须知情。作为一个经验问题，尚不清楚模型中使用的知识水平与“知情”相关。因此，在表5中，我们考虑了三个代表信息水平不断提高的变量：受访者是否听说过种植坑；被申请人是否知道如何进行坑内种植；以及受访者是否采用坑式种植（这不仅意味着了解，而且还意味着受访者收到的信号足够积极）。在第1季，培训使更多的信息传递给那些与种子直接相关的人。尤其是那些与两个种植者都有直接联系的人拥有最多的知识。这两种“知识”衡量标准都是如此：受访者是否听说过种植坑，以及他们是否报告能够实施。与那些与种子没有关系的受访者相比，有两种关系的受访者听说过坑栽的可能性高出8.4个百分点。这意味着相对于无关联个体的平均熟悉度，知识增加了33%。这种效应在统计学上也与连接到一个种子的效应显著不同（p=0.02）。他们也有6.2%的可能性报告知道如何种植植物，比未连接的个体增加108%，并且与连接到一个种子的效果显著不同（p=0.072）。

这些知识效应暗示了一个复杂的传染过程（l=2），而不是简单的传染。在与两种种子相关的家庭中，坑播意识和坑播知识的提高一直持续到第2季（第2列和第5列），28！两个连接比一个连接更为有利（p分别为0.04和0.095）。我们认为，在与一个或两个种子直接相关的个体中，第一年（第7列）的收养没有任何影响。然而，我们确实在第二年观察到了收养效应。这种结果的时间模式与我们的理论模型的建立是一致的：个人在第一年知情，然后一些人选择在第二年采用。第（8）栏显示，与那些没有联系的家庭相比，与受过训练的种子有两种联系的家庭在第二季收养的可能性高出3.9个百分点，这意味着收养倾向增加了90%。虽然2个连接的影响的点估计远远大于一个连接到一个种子的影响（3.9 pp，而1.2 pp），但我们不能从统计上拒绝仅连接到一个处理过的种子的家庭采用较少的频率（p=.17）。我们还观察到，在至少一个种子的路径长度2以内的个体（即朋友的朋友）更有可能采用2.2个百分点。随着时间的推移和知识在网络中的传播，个人学习种植坑的模型预测被削弱。在我们所有的三个因变量中，这种扩散可以通过我们省略的类别（与种子没有直接联系的个体）随着时间的推移知识和采用的大量增加来观察到。

在这一群体中，从第一年到第三年，认知度从22%增加到39%，而“知道如何”挖掘植物的比例从6%增加到15%，采用率从1%增加到4%。原则上，这种扩散应该会减少我们外部变异的力量，因为与知情人士的联系数量与农民可获得的信号数量的相关性变小。在实践中，到第3年，我们仍然可以看到两个直接联系对我们的两个知识变量之一的影响的显著性（“知道如何”种植坑，第6列），但我们不再看到在采用或意识种植坑方面与直接联系的显著差异。与这种精度下降是由于网络传播的假设相一致，我们发现在29年，那些与种子距离适中的人的采用率增加了！3： 第（9）列显示，路径长度2以内的家庭比社会距离较远的家庭更有可能（3.7 pp）收养。36综上所述，使用个人层面数据进行的分析表明，与没有直接联系的个体相比，最初与受过训练的种子关系密切的个体更有可能收养——如果该实验是在诱导基于社交网络的传播，人们会预料到这一点。数据还表明，有两个直接联系——而不仅仅是一个——对传播很重要。这是支持复杂传染模型的暗示性证据：农民在获得信息之前，可能需要了解多个知情的联系，然后自己采取行动。6、村级实验结果：基于理论的目标导向是否会提高采用率？在本节中，我们报告了四种研究村庄的村级结果实验结果，并用它们来检验简单和复杂传染理论的预测。

我们在调查中衡量技术采用情况，因为这最终是政策最关心的问题，因为采用情况可以比知情情况更准确地观察和衡量。6.1简单和复杂传染下扩散的出现为了产生具体的理论预测，我们首先假设简单传染（l=1）是正确的模型，在此假设下，我们在实验实施后的三个季度内，为我们200个村庄中的每个样本家庭模拟“了解新技术”的指标。如果简单的传染模型正确描述了我们环境中的技术扩散，这就允许我们创建一个我们应该在每个村庄观察的采用模式的模拟。接下来，我们重复同样的练习，但前提是复杂传染（l=2）是正确的模型，要生成技术扩散的预测，我们应该观察一下！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！36!这是一个比直接连接测试低的模型测试，因为它与种子的知情、间接连接的数量（未观察到）不完全相关。我们没有看到这个变量对知识成果的显著影响，尽管系数是正的。！30 !相反，复杂传染理论正确地描述了扩散过程。然后，我们将实际采用数据与这些模拟预测进行比较。有助于区分复杂传染和简单传染的阈值模型的一个关键特征是，对于几乎任何选择的种植者，扩散过程都将在简单传染下开始。然而，如果扩散过程很复杂，那么许多潜在的种子对将永远不会产生任何社会扩散。

这是因为，当两个种子在网络地图中彼此不近，并且它们不共享任何公共连接时，则没有其他个体连接到多个知情的种子，并且该技术从未扩散。这导致我们将重点放在样本村庄的传播作为一项关键成果。我们将“任何收养”定义为至少有一个家庭（种子除外）采用坑播的村庄的指标。我们的模型实际上模拟的是“知情”，而不是直接采用，但为了节省成本和易于处理，我们将模拟的知情率与数据中的采用率进行比较。37对“任何收养”的关注产生了一个尖锐的预测，可以将复杂传染与其他治疗区分开来：如果复杂传染是对传播过程的正确描述，那么在复杂治疗下，“任何收养”的指标应该明显高于所有其他治疗。请注意，对于简单的传染模型，类似的理论预测并不存在，因为如果世界很简单，所有四种治疗方法都可能出现某种扩散。图2的左半部分显示了当λ=1（简单传染）和λ=2（复杂传染）时，通过模拟所有样本村庄的模型预测的“任何采用”的村庄比例。38由于目标是将这些模拟与实际数据进行比较，我们设计了！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！37模拟模型中的采用将需要一些额外的假设，包括信号准确性的估计、净收益的分布以及先前可能存在的信念中的任何异质性。知情是必要的，但不足以采纳。

38这些模拟排除了12个村庄，其中至少有一个推广工作者选择的种子（基准）未在我们的社会网络普查中观察到。发生这种情况的原因是，在恩霍塔科塔，村庄的空间边界并非总是清晰划定的。31 !模拟结果反映了这样一个事实，即我们只对这些村庄的住户进行了随机抽样观察。39图2右侧部分显示了第2年和第3年数据中的经验对应项：“任何采用”率。当阈值设置为λ=1时，预计扩散会很普遍。在第二年，预计培训了Geo和Benchmark合作伙伴的村庄中有85%会有一些抽样扩散，而简单和复杂合作伙伴的抽样扩散率则高达94%。“任何扩散”的预测率在第3年甚至更高。如果扩散过程以复杂的传染为特征，则no扩散的风险增加。在这种情况下，该模型预测，在分配给简单、地理位置或基准合作伙伴的村庄中，有一半以上的村庄在第二年根本看不到任何抽样扩散。相比之下，当训练复杂的种子时，预计70%的村庄会经历一些扩散。将理论模拟与图2右侧的数据进行比较表明，数据在三种不同的方式上与复杂（而非简单）学习环境生成的模式更加一致。首先，简单的传染模拟表明，与数据中的真实情况相比，我们应该观察到有一些收养的村庄比例要高得多。其次，简单传染预测，“任何收养”的结果都不应该对最初接受培训的种植者的身份非常敏感。相反，种植者的身份在数据中显著改变了这一结果。

最后，复杂传染模拟预测，复杂的合作伙伴将通过某种方式最大化村庄的比例，这正是我们在数据中观察到的。表6的前两列在回归框架中复制了图2右侧的数据面板。在第二季中，“任何收养”的倾向在统计上显著！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！39模拟使用完整的社交网络来预测知情程度，这里通过采用来衡量。然后，我们从整个网络中采样，以更好地模拟我们的数据。在该模型中，第2年和第3年的任何采用率都是相同的。如果在第二年之前没有收养，那么在第三年就不可能有任何其他收养。然而，抽样过程会随着时间的推移产生图中所示的增长。如果采用率较低，如经验所示，则随机抽样可能会遗漏所有采用者。随着采用者数量的增加，随机样本更有可能选择采用者，因此图中的任何采用率都会随着时间的推移而增加。32！与基准村相比，被指定接受综合传染病治疗的村庄规模更大。与基准村42%的“任何收养”率相比，25%的差距很大。复杂村庄的“任何收养”率也比Geo村庄高15个百分点（p值=0.10），比接受简单传染病治疗的村庄高10个百分点（p值=0.30）。在第三季，简单村、复杂村和地理村的“任何收养”率均高于基准村。85%的复杂村庄至少有一个非种子采纳者，而简单村庄和地理村的比例为73%，基准村庄的比例为54%。

6.2表6第3列和第4列记录了处理对采用率的影响，采用率定义为每个农业季节采用坑栽的农民比例。与第二季的基准相比，简单传染村和复杂传染村的采用率都较高。与3.8%的基准比率相比，复杂和简单村庄的采用率都高出3.6个百分点。我们不能否认，简单、复杂和地理村的收养率是相同的。在第三季，所有四种类型的村庄的收养率都会增加。从第二季到第三季，基准村（参考类别）的采用率从3.8%提高到7.5%。由于第3季141个村庄的样本量较小，我们不能否认所有处理类型的采用率都是相同的，尽管综合体上的点估计仍然是最大的，其大小与第2季中观察到的效应大小相等。附录表A3显示了我们为创建图2.40左侧面板而进行的理论模拟产生的“数据”的类似回归结果。模拟预测，综合治疗应在“任何采用”和“采用率！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！40！我们从理论上模拟技术的“知情”率，而这并不像模拟的“至少一个人知情”是“任何采用”变量那样，可以作为“采用率”的代表。因此，我们需要谨慎地比较表6（数据）和附录表A3（模拟）中的第3列和第4列。33 !评分“如果实际学习环境复杂。

如果学习环境变得简单，那么我们应该预计到第三季时，目标策略的传播在统计上几乎没有差异，因为如果技术很容易传播，那么种子合作伙伴的选择相对来说并不重要。这些模式与我们在数据中观察到的大致一致：扩散过程太慢，无法与简单的传染相一致。我们对l=2的参数化并没有为数据提供完美的拟合。例如，附录表A3第2列和第4列中的模拟表明，如果学习环境复杂，那么综合治疗应该比简单治疗产生更高的采用率。在表6中，我们无法从统计学上区分这两种治疗方法。然而，总的来说，表6和图2中的实证结果似乎更符合复杂的学习环境，而不是简单的传染。6.3学习环境的异质性我们的理论微观基础表明，阈值模型将扩散描述为一个学习过程，在这个过程中，农民需要聚合信号，如果这些信号足够积极，则最终采取行动。因此，我们预计，我们的治疗方法将最有效地鼓励可能收到积极信号的农民采用。41我们使用两种不同的方法来确定样本农户的子集，对于这些农户来说，关于技术盈利能力的信号更可能是“好的”，我们使用这些农户来构建实证测试。首先，农业部建议仅在平地上进行坑式种植，而在平地上进行坑式种植的劳动力成本较低。42在我们的样本村庄进行的焦点小组讨论证实，村民们认为坑式种植更适合于平地而不是坡地。

因此，我们期待对拥有平坦而非倾斜土地的农民产生更积极的治疗效果！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！41!该预测将阈值模型与基于模仿或感染的扩散模型区分开来，但不一定与其他也基于学习的扩散模型区分开来。！！42在具有一定坡度的土地上可以种植矿坑，但在这些情况下，矿坑需要进行不同的施工，我们的推广人员没有接受过该技术的培训。34 !其次，坑栽在马拉维通常是一项新技术，但在其新颖性方面，村庄之间存在着异质性。当技术真正新颖时，信息环境应该最受我们的处理方式的影响，这既是因为每一条新信息都会对后验信念产生更大的影响，也是因为如果网络中的一些农民已经了解到坑种植，那么处理方式之间的差异可能会变得不那么明显。43由于这些原因，我们预计在技术真正新颖的村庄会产生更大的治疗效果。表7通过将随机治疗与“农民可能收到良好信号”的指标相互作用，探讨了这两个维度治疗效果的异质性。该“良好信号”变量首先在第1列和第2列中定义为拥有平坦土地的农民，然后在第3列和第4列中重新定义为“基线技术熟悉度低于中值的村庄”。“不良信号”是指这些特征的相反。

估算公式：^）`3 ag；a0bhijkc}~od%bhEURook；%a1lmijkc（\\}ood%bhEURook；a]ncm}ood%bhEURook；%avnmmd%bhEURook；%awbhijkc}nmmd%bhEURook；%axlmijkc（\\}nmmd%bhEURook；ayncm}nmmd。我们的假设是，在那些收到积极信号的人中，如果真正的模型是复杂的，我们将在复杂的村庄中观察到更多的扩散。第（1）列和第（2）列显示，与基准村的平地农民相比，在简单、复杂和地理村拥有平地的农民在第2年的采用率更高。在第3年，我们看到，对于拥有平坦土地的农民来说，复杂村庄的采用率仍然高于基准村庄。第（3）列和第（4）列表明，在技术相对新颖的村庄，复合处理效果最好。在这个子样本中，采用率在统计上明显较高！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！43考虑到基线采用率约为0%，先前知情的农民不太可能传播有关该技术的积极信号。35 !在综合传染病治疗村，与第3年的简单传染病治疗和基准治疗进行比较。综上所述，这些异质性测试表明，基于复杂传染的目标定位在村庄类型和我们理论上预期的农民类型中最为有效。同样重要的是，在社会学习模式不太适合的村庄和农民群体中，这些结果并没有得到复制。我们认为这些测试强烈表明马拉维农村农业的社会学习环境具有复杂的传染特征。

这一观察结果所产生的政策影响是：（a）新技术问题最初针对的对象的网络位置，以及（b）基于复杂传染理论的目标定位可以相对于其他形式的目标定位提高技术扩散的速度和范围。7数据密集型目标确定方法的成本效益高、与政策相关的替代方案，而基于阈值模型的目标确定改进了技术扩散，因此获取社交网络图以实现这些收益是昂贵的。我们基于地理的治疗部门试图评估应用网络理论可以获得多少扩散效益，而不必求助于昂贵的数据收集方法（因为每个家庭的物理位置比网络关系更容易观察）。这一具体做法并非绝对成功。表1提供了一些关于原因的见解。尽管两个Geo种子通常聚集在一起，但在这种情况下，种子较差，与网络中其他种子的连接较少。将我们的实验结果与在复杂传染理论下识别最优种子的其他廉价方法的研究相结合，将使基于网络的目标定位更具政策相关性和可扩展性。在某些情况下，村庄内的相关群体可能为决策者所熟知，我们的结果表明，政策的关键目标是使个人饱和36！有一些经过训练的种子的群体。对于其他情况，我们可能需要推断更多关于网络的信息，最近的一些论文提出了有希望的、成本较低的推断网络特征的方法。

Banerjee et al（2018）指出，尽管在学习网络结构方面存在隐性挑战，但简单的问题是“如果我们想向村里的每个人传播关于新贷款产品的信息，你建议我们与谁交谈？”成功地识别出具有高特征向量中心性和扩散中心性的个体，最终改善了扩散过程。Breza et al（2017）认为，从较小样本收集的聚合关系数据与人口普查相结合，可以得出网络特征的准确估计。虽然我们无法从经验上测试这两种方法的可行性，但我们可以通过模拟探索一些可供推广官员用于确定有用合作伙伴的替代策略。与其他网络统计数据不同，我们利用了一个事实，即网络节点的“程度”（即与其他节点的直接连接数量）可以通过一次访谈来估计（Chandrasekhar和Lewis，2016）。在本节中，我们假设一个复杂的传染学习环境，在我们的数据中模拟了几种潜在的低成本策略的影响。我们假设一个推广代理进入一个村庄，随机选择一小部分农民进行采访，并且从我们的社交网络普查中只问了一个问题：“你经常与村里的任何人讨论农业吗？你经常与之谈论农业的人的名字是什么？”对这个问题的回答生成了一个小名单。然后，推广代理可以使用初始访谈的回复来选择任何后续访谈。我们模拟了附录中讨论的六种候选目标定位策略。

虽然大多数策略与最优复杂传染目标的表现并不具有竞争力，但我们发现，利用随机样本中最高程度响应者的策略可以接近最优目标的表现。更具体地说，如果我们对受访者的任何两个关系进行培训，我们只需进行两次总访谈，就可以获得73%的最佳采纳率。如果扩展代理识别出her37！两个最高学历的朋友（这需要额外5次左右的面试来确定哪些关系是最高学历的），并对这两个人进行培训，我们模拟，根据初始面试的数量，在最佳复杂合作伙伴下，这些经过培训的种子将获得84-90%的采纳率。直觉告诉我们，在复杂的学习环境中，最有用的方法是确定两个种子，它们至少有一个共同的连接，并且位于网络最大互连组件的中心附近。培训学历最高的农民的两个高学历朋友，可以保证至少有一个高学历的人会了解情况，并很有可能建立其他共同的关系。因此，这些模拟表明，在复杂的传染学习环境下，我们有可能以适中的成本了解网络结构的相关部分，以增强技术扩散。8结束语本文试图使用社会学习理论来增加新技术的传播。我们首先开发了一种理论驱动的方法，以选择种植者，根据对传播过程的不同理论假设，这些种植者预计将最大限度地传播马拉维生产性新农业技术的信息。

然后，我们利用与马拉维农业部合作进行的农业推广实地试验来实施这些选择。这使我们能够测试（a）与农业推广服务的现状方法相比，使用详细的社交网络数据进行理论驱动的目标定位是否可以提高技术采用率；（b） 数据密集度较低的方法可以产生类似的收益；（c） 用线性阈值模型的语言来说，新技术的学习环境是“复杂”或“简单”；（d）我们测量的扩散是否遵循阈值理论所建议的学习过程。38 !  理论和模拟为实验和数据提供了一些具体的预测。首先，只有在学习环境复杂的情况下，目标才是至关重要的，因为在简单的学习下，所有治疗方法在三年后都会产生同样大的采用收益。其次，如果扩散具有复杂的传染特性，那么将种子聚类到网络的同一部分是有用的；否则，没有人会跨过这一门槛，我们将观察不到采用。第三，在复杂学习下，与种子的多重联系应该可以预测采用。我们的估计表明，大多数农民只有从多个来源获得有关新技术的信息，才会被说服采用新技术。这意味着扩散遵循复杂的传染模式。我们的模拟表明，每个村庄只有大约10次访谈，就有可能确定能够触发扩散过程的个人。设计与特定预先制定的理论结构紧密联系的实验处理方法具有几个优点。首先，在设计治疗方法之前使用该模型，使我们致力于测试特定模型。

这消除了搜索潜在理论模型的可能性，从而事后合理化数据中令人惊讶（可能是虚假）的模式。其次，由于我们的治疗臂本身包含了理论模型的结构，我们可以使用这些“结构实验”直接证明简单或复杂传染模型的含义。我们提供了模拟的反事实和实际的实证结果，让读者能够查看实验所揭示的简单或复杂传染。第三，虽然我们的方法是程式化的，但它可能允许更大程度的外部有效性，因为我们测试的理论是独立于上下文制定的。文学作品中其他试图通过社交网络传播新技术的尝试的结果可能取决于上下文！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！44!Kremer等人（2011年）确定并招募“大使”促进肯尼亚农村的水氯化，Miller和Mobarak（2014年）first markets在孟加拉国村庄将炉灶改进为“意见领袖”，然后再将其销售给其他人，BenYishay和Mobarak（2015年）鼓励“主要农民”和“同行农民”与马拉维的农业推广官员合作！39 !因为他们依靠当地机构（如当地领导人或焦点小组）来确定网络合作伙伴。虽然在其他环境中学习可能不会遵循复杂的传染模式，但理论的使用导致了在用于选择个体的目标上透明的治疗方法。40 !参考文献Acemoglu，D.，Ozdaglar，A.，和Yildiz，E.（2011）。社交网络创新传播。IEEE决策与控制会议（CDC）。Akbarpour，M.、Malladi，S.、Saberi，A.（2018）。还有几个种子：网络传播目标的价值。

Mimeo，斯坦福大学。Alvarez，F.E.、Buera，F.J.、Lucas Jr，R.E.（2013）。思想流动、经济增长和贸易。国家经济研究局。Anderson，J.，&Feder，G.（2007）。农业推广。《农业经济学手册》（第2343-2378页）。Bandiera，O.，&Rasul，I.（2006）。莫桑比克北部的社交网络和技术采用。《经济杂志》，116（514），869-902。Banerjee，A.、Breza，E.、Chandrasekhar，A.G.、Mobius，M.（2016）。与穿制服的特工进行天真的学习。Mimeo，斯坦福大学。Banerjee，A.、Breza，E.、Chandrasekhar，A.、Golub，B.（2018）。少即是多：印度停用期间信息传递的实验证据。NBER第24679号工作文件。Banerjee，A.、Chandrasekhar，A.G.、Duflo，E.、Jackson，M.O.（2013）。小额信贷的传播。《科学》，3416144。Banerjee，A.、Chandrasekhar，A.G.、Duflo，E.、Jackson，M.O.（n.d.）。八卦和识别社交网络中的核心人物。Mimeo，斯坦福大学。Bardhan，P.，&Udry，a.C.（1999）。发展微观经济学。牛津大学出版社。Beaman，L.（2012年）。社会网络和劳动力市场结果的动态：美国经济研究评论中重新安置的难民的证据，79（1），128-161。BenYishay，A.，&Mobarak，A.M.（2018）。社交学习和交流。即将出版的《经济研究评论》。Breza，E.、Chandrasekhar，A.、McCormick，T.H.、Pan，M.（2017）。使用聚合的关系数据在没有网络数据的情况下可行地识别网络结构。Mimeo，斯坦福大学。Bursztyn，L.、Ederer，F.、Ferman，B.、Yuchtman，N.（2014）。理解同伴效应背后的机制：来自财务决策现场实验的证据。《计量经济学》，82（4），1273-1301。Carrel，S.，Secerdote，B.L.，&West，J.E.（2013）。

从自然变化到最优政策？内生性同龄人群体形成的重要性。《计量经济学》，81（3），855-882。Centola，D.（2010年）。在线社交网络实验中行为的传播。科学，3291194-1197.41！Centola，D.，&Macy，M.（2007年）。复杂的传染病和长期关系的弱点。《美国社会学杂志》，113，702-34。Chandrasekhar，A.，&Lewis，R.（2016）。抽样网络的计量经济学。Mimeo，斯坦福大学。Chandrasekhar，A.、Larregy，H.，&Xandri，J.P.（2012）。社交网络学习测试模型：来自框架现场实验的证据。Mimeo，斯坦福大学。Christakis，N.A.，&Fowler，J.H.（2010）。用于早期检测传染性疫情的社交网络传感器。PloS One，5（9），e12948。Coleman，J.、Katz，E.、Menzel，H.（1957）。创新在医生中的传播。社会计量学，20（4），253-270。Conley，T.，&Udry，C.（2010）。学习新技术。《美国经济评论》，100（1），35-69。Derpsch，R.（2001年）。保护性耕作、免耕及相关技术。《保护性农业，世界性的挑战》，161-170。Derpsch，R.（2004年）。作物生产历史，有无耕作。前缘，150-154。Doumit，G.、Gattellari，M.、Grimshaw，J.、O\'Brien，M.A.（2007）。地方意见领袖：对专业实践和卫生保健结果的影响。Cochrane数据库系统评价，24（1），CD000125。Duflo，E.，&Saez，E.（2003）。信息和社会互动在退休计划决策中的作用：来自随机实验的证据。《经济学季刊》，118（3），815-842。Duflo，E.、Kremer，M.、Robinson，J.（2011）。推动农民使用化肥：来自肯尼亚的理论和实验证据。《美国经济评论》，101（6），2350-90。Feld，S.L.（1991年）。为什么你的朋友比你有更多的朋友。

《美国社会学杂志》，96（6），1464-1477年。Foster，A.，&Rosenzweig，M.（1995）。在实践中学习和向他人学习：农业中的人力资本和技术变革。《政治经济学杂志》，103（6），1176-1209。格兰诺维特。(1978). 集体行为的阈值模型。《美国社会学杂志》，61420-1443年。Grilliches，Z.（1957年）。杂交玉米：技术变革经济学的探索。《计量经济学》，25（4），501-522。Haggblade，S.，&Tembo，G.（2003）。赞比亚的保护性农业。EPTD第108号讨论文件。国际粮食政策研究所。Jackson，M.（2008）。社会和经济网络。新泽西州普林斯顿：普林斯顿大学出版社。42 !Jackson，M.，&Storms，E.C.（2018）。行为社区和网络的原子结构。Mimeo，从SSRN检索：https://ssrn.com/abstract=3049748.Kim，D.A.、Hwong，A.R.、Derek，S.D.、Alex，H.A.、O\'Malley，J.、Fowler，J.H.、Christakis，N.A.（2015）。以最大化人群行为改变为目标的社交网络：一项群集随机对照试验。《柳叶刀》，386（9989），145-153。Kremer，M.、Miguel，E.、Mullainathan，S.、Null，C.、Zwane，A.（2011）。社会工程：来自肯尼亚一系列实验的证据。加州大学伯克利分校Mimeo。Magruder，J.（2010）。南非的代际网络、失业和不平等。《美国经济杂志》：应用经济学，2（1），62-85。Manski，C.（1993年）。内生社会效应的识别：反思问题。《经济研究评论》，60（3），531-542。Miller，G.，和Mobarak，M.A.（2015）。通过社交网络学习新技术：孟加拉国非放射性炉灶的实验证据。《营销科学》，34（4），480-499。Monsted，B.、Sapiezynski，P.、Ferrara，E.、Lehmann，S.（2017）。

社交媒体中信息复杂传播的证据：一项使用推特机器人的实验。PloS ONE，12（9），e0184148。Munshi，K.（2004）。异质人群中的社会学习：印度绿色革命中的技术传播。《发展经济学杂志》，73（1），185-215。Munshi，K.（2007）。动态农业经济中的信息网络。《发展经济学手册》，4（48），3085-3113。Munshi，K.（2008）。社会学习和发展。在L.E.Blume和S.N.Durlauf的《新帕尔格雷夫经济学词典》中。帕尔格雷夫·麦克米伦。Mwato，I.L.，Mkandawire，A.B.，和Mughogho，S.K.（1999）。马拉维南部小农玉米生产的作物残渣和肥料联合投入。《非洲作物科学杂志》，7（4），365-373。Nkhuzenje，H.（2003年）。马拉维南部Zomba区小农农场中混杂和特定大豆品种残留物对土壤肥力改善和玉米产量的贡献：论文。马拉维Zomba。Nyirongo，J.、Mughogho，S.、Kumwenda，J.（1999）。马拉维堆肥和火成磷矿改良剂土壤肥力研究。《非洲作物科学杂志》，7（4），415-422。Oster，E.，&Thornton，R.（2012）。技术采用的决定因素：月经杯使用中的个人价值观和同伴效应。《欧洲经济协会杂志》，10（6），1263-1293年。Perla，J.，&Tonetti，C.（2014）。均衡模仿和增长。《政治经济学杂志》，122（1），52-76.43！Rogers，E.M.（1962）。创新的传播。纽约：新闻自由。Ryan，B.，&Gross，N.C.（1943）。杂交种子在爱荷华州两个农村社区的传播。农村社会学，8（1），15-24。Udry，C.（2010年）。非洲农业经济学：一项研究计划的注释。《非洲农业和资源经济学杂志》，5（1）。世界银行。(2008).

《2008年世界发展报告：农业促进发展》。华盛顿特区：世界银行！44 !附录A.1。第6.2节附录表A3中的收养回归模拟反映了我们在确定治疗伙伴时使用的简单和复杂学习环境参数化下应观察的收养模式。表A3给出了两种不同技术采用措施的模拟结果：采用率和非种子采用者村庄的指标。我们预测了现场实施的所有四种实验武器的这些结果。面板A显示了基于λ=1（简单传染）模型模拟的各治疗组的预期观察结果，面板B报告了λ=2（复杂传染）下的预测结果。45在所有情况下，我们都使用模拟传染（知情）来预测采用结果，如正文所述。第（1）-（2）列显示了采用率结果的结果。即使学习环境很简单，复杂的合作伙伴最初也会在第二年最大限度地提高采用率，但在第三年，当简单的种子经过培训时，采用率最高。然而，对于在简单传染条件下模拟的这些结果，训练简单和复杂种子的效果在统计学上无法区分（p=0.73）。在简单传染下，接受Geo种子培训的村庄的收养率最低。第（3）-（4）列显示了一组非常相似的结果，用于判断是否有人在简单传染下采用。综上所述，这些结果表明，即使传染过程很简单，简单治疗预计也不会主导其他靶向策略。

这强化了一种直觉，即如果农民真的有一个较低的收养门槛，传播过程不太可能对信息最初的目标人群特别敏感！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！45该表在两个关键维度上与图1不同：（1）这使用了已实现的随机化，而不是图1中的所有村庄，（2）包括了实证分析中的其他分层控制变量。！45 !  相反，当我们在假设复杂传染模型正确的情况下进行模拟时，预计复杂治疗会比所有其他治疗显著增加采用率（表A3的面板B）。在这两年中，综合治疗在所有采用结果方面均优于简单、Geo和基准治疗（对差异效应进行统计测试，每次比较的p值均低于0.001）。A.2。成本效益目标策略的模拟在我们的模拟中，我们假设我们的扩展代理从候选受访者的随机样本开始，并且能够筛选出少于2个连接的个人。46我们假设推广代理从总共2-10名随机农民的名单开始。从随机抽样的农民开始，我们征求每个农民的联系，并计算每个随机农民的程度。然后，我们将重点放在6个候选人目标定位策略上：A.从该列表中随机挑选两个人（用作基准）B.从该列表中挑选两个学历最高的人C.从该列表中随机挑选两个学历最高的人的朋友D。

从随机样本中培训最高学历农民的两个最高学历关系人（需要采访最高学历受访者的所有关系人以确定其学历），E.从该列表中随机选择两个农民；采访他们的两个联系人（随机选择），并培训两个联系人的联系人47 F。培训最高学历的受访者和他的一个联系人（随机）！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！46由于这些人在社会上相当孤立，我们预计这样的筛查不会特别具有挑战性；如果不是，则可能会适度增加实施成本，因为代理必须提出筛选问题，以从随机样本中确定关联个人的子集。！47!这种识别核心人物的“朋友之友”方法受到Kim等人（2015）、Feld（1991）和Christakis and Fowler（2010）的启发，他们指出，随机选择的连接往往比网络中随机选择的节点更为重要。我们再次假设扩展代理能够筛选出总连接数不到两个的潜在学员。！46 !对于这五种候选策略中的每一种，我们在对我们的复杂传染治疗所选择的种子进行四轮模拟后，模拟采用率。我们发现，策略A，随机选择两个农民，实现了复杂传染病治疗产生的57%的采用率。然后，我们可以查看其他目标策略在随机基准之上的性能。