基于网络理论的目标定位能否提高技术采用率？

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）。

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。

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。

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。

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。

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。

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。

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.

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。

尽管推广人员可以选择核心个体，但基准种子也只有10%的时间是简单种子，只有12%的时间是复杂种子。最小的重叠是Geo种子与所有其他种子之间的重叠。正如预期的那样，模拟还生成了不同的聚类模式：我们的随机家庭样本中有35%与一个简单种子相关，6%与两个简单种子相关。相比之下，18%的家庭与两种复杂的种子有关。对于基于地理位置的种子，10%的家庭连接到两个种子。表1描述了在四种不同目标策略下选择的种植者在可观察特征方面的差异。此表旨在提供模型在选择谁作为种子方面的差异，因此分析包括实际种子和潜在（反事实）种子（即影子农民），以最大限度地扩大样本量。29表1中最引人注目的模式是，在地理处理下被选为种子的农民明显比其他种子贫穷。这是因为许多家庭住在马拉维的一块地上。地理位置靠近人口众多的家庭将机械地拥有更少的土地，而这些家庭总体上往往更穷。因此，虽然使用地理作为网络代理的想法可能是！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！28!这比偶然发生的情况更常见。我们样本中的中位数村庄有58户家庭，因此3.45%的家庭是每种类型的种植者。如果所有种子选择都是随机且相互独立的，那么一种类型的种子也是其他三种类型之一的种子的概率为4<4<V[5\\]3\'4！29表1未显示各治疗组村庄随机化的平衡。