基于网络理论的目标定位能否提高技术采用率？

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替代策略，推广官员可以使用这些策略来确定有用的合作伙伴。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。