基于网络理论的目标定位能否提高技术采用率？

策略B与随机选择完全相同，只有2次初始访谈，因此同样会获得57%的采纳率；然而，随着推广代理采访更多的人来识别这些高学历的个人，它的表现会更好一些，在总共10次采访中，实现了70%的复杂传染采纳。策略C和D都利用了初始随机样本中程度最高的受访者。这些策略在我们考虑的策略中表现最好。策略C仅通过两次总面试就实现了73%的优化采纳率，随着面试次数增加到10次以更好地识别高学历个人，这一比例略微增加到优化采纳率的76%。策略D是我们表现最好的策略，通过2次初始访谈（需要对关系进行8次总访谈），达到了84%的优化采纳率，通过8次初始访谈（和13次总访谈），达到了90%的优化采纳率。策略E总共需要4次面试，达到优化采纳率的69%。策略F通过2次访谈实现了60%的优化采纳，通过10次访谈实现了67%的优化采纳。显然，最有效的策略是识别高学历农民并培养其人际关系。考虑到复杂的传染学习过程的性质，直觉是明确的：培养一个高学历的人的两个高学历朋友意味着在网络的同一部分有许多联系的三个人将获得信息。对于群集网络，其他网络也可能会这样做。

!图1：网络地图0%20%40%60%80%100%Complex Sim YR2 Complex Sim YR2 Simple Sim YR2 Simple Sim YR3实际数据YR2实际数据YR3基准简单复杂Geonon种子在数据和模拟中采用图2%的村庄中，其中至少有一些（1）（2）种子0.126**（0.061）采用PP 0.443**（0.210）N 959 959平均值ShadowsSeason 2,3***p<0.01，**p<0.05，*p<0.1规范还包括农场总规模、村庄规模和村庄肥料、堆肥和坑栽的基线使用的地区和季节固定效应和控制。农业产量提高了。样本仅包括种子和影子（反事实）农民。不包括基准村。

标准误差在村一级聚集。农业产量对数稳定3：相对于影子（反事实）农民的实际种子产量（1）（2）（3）（4）-0.008-0.0360.019-0.008（0.024）（0.037）（0.017）（0.034）0.006-0.0270.013-0.045（0.024）（0.036）（0.015）（0.033）0.002-0.068**0.031-0.054*（0.031）（0.031）（0.035）（0.032）-0.037**-0.062**-0.007-0.064*（0.017）（0.024）（0.022）（0.038）0.064***0.0290.054*0.021（0.021）（0.020）（0.029）（0.020）0.059***0.067***0.054**0.083***（0.018）（0.025）（0.024）（0.030）0.042**0.0220.0260.031（0.020）（0.023）（0.022）（0.029）良好信号类型平地Flat LandUnmiliartechunfamilialtechyear2 32 3N3546 2645 3954 3023基准处理中的不良信号平均值0.066 0.123 0.046 0.104SD0.248 0.33 0.21 0.305简单，良好=复杂好，0.828 0.113 0.986 0.032复合，好=Geo，好0.482 0.103 0.297 0.138简单，好=Geo，Good0.364 0.755 0.351 0.680注意稳定7：农民水平治疗决策的异质性ArmsBad信号*simpleBad信号*Complexbad信号*geoGood信号所有列均包括重新随机化程序中使用的对照（基线时使用堆肥的村庄百分比；基线时使用肥料的村庄百分比；基线时使用坑式种植的村庄百分比）；村庄规模及其广场；和地区固定效应。标准误差在村一级聚集。良好信号*简单参考组在基准治疗中是不良信号接受者。***p<0.01，**p<0.05，*p<0.1p-系数中的等式值：良好信号*复杂信号*GeoIn列（1）-（2），任何平坦土地的房屋均为信号良好=1的房屋，所有倾斜土地的房屋均为信号良好=0的房屋。

在第（3）列至第（4）列中，在不到4.32%的家庭医生（主题医生）曾在基线时尝试过坑式种植的村庄中，使用的是那些信号良好=1的人。第3年的样本（第2列和第4列）仅涵盖2个地区（姆万扎和麦金加）。复杂地理基准包括25.51%3.83%10.11%6.00%12.36%6.74%NotesEach row表明，该行所示目标策略的潜在种子也可能是列中所示目标策略的种子。表A2：不同的靶向策略选择相同个体作为种子的频率Benc hmark column exa仅对分配给基准治疗的村庄进行采矿。