基于网络理论的目标定位能否提高技术采用率？

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。e\'是一年的傻瓜。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。