人工智能扩散对农业生产率与盈利能力的影响：来自巴基斯坦旁遮普省的经验证据

《Frontiers in Artificial Intelligence》：Improving farm productivity and profitability through AI diffusion: evidence from Punjab, Pakistan

　　

摘要专业翻译 引言： 农业仍然是巴基斯坦经济的核心，旁遮普省在全国农作物生产中占据最大份额。尽管人工智能（AI）赋能的农业技术在全球范围内快速推进，但其在发展中国家的农场间扩散仍然不均衡且研究不足。本研究考察了巴基斯坦旁遮普省农民中AI扩散的程度，并评估其与感知的农场生产率和盈利能力之间的关联。 方法： 研究以创新扩散理论（DoI）为基础，辅以资源基础观（RBV）和技术-组织-环境（TOE）框架，采用定量横断面设计，使用来自101名农民的调查数据。 结果： 研究结果表明，虽然对AI的认知和感知收益相对较高，但实际采纳程度仍处于中等水平（AI扩散：M = 18.27，SD = 3.71），表明感知价值与实施之间存在差距。AI扩散与感知的农场生产率（r = 0.617，p < 0.001）和感知的农场盈利能力（r = 0.607，p < 0.001）呈正相关。因此，研究结果证明了更大程度的AI扩散与更强的感知农场绩效之间存在统计学上显著的关联，但并未确立因果效应。 讨论： 观察到的感知-采纳差距与先前研究中识别的结构性障碍一致，包括高投资成本、有限的数字基础设施和技术能力制约。本研究通过联合考察AI扩散、生产率和盈利能力，为发展中经济体的数字农业提供了情境特定的证据。研究结果强调了基础设施、制度支持和能力建设在促进AI赋能农业技术更广泛、更有效采纳方面的重要性。

论文解读

一、研究背景与问题提出

农业在众多发展中国家的经济发展、就业和粮食安全中扮演着基石角色。在巴基斯坦，农业部门对国内生产总值和农村生计贡献显著，其中旁遮普省承担了全国农作物生产的最大份额，包括小麦、水稻、棉花和甘蔗。然而，该地区的农业生产率长期受到资源利用效率低下、气候变异性、生产成本上升以及持续性结构限制的制约，这些问题削弱了农场盈利能力和长期可持续性。人工智能（AI）作为最具影响力的数字技术之一，通过机器学习、预测分析、遥感、机器人和精准农业应用，能够支持作物监测、灌溉管理、病害检测、产量预测和运营规划，被视为农业4.0和可持续农业发展的关键组成部分。

尽管AI在发达农业系统中展现出显著的生产率提升潜力，但其在发展中国家的扩散极不均衡。在巴基斯坦旁遮普省，以小农和资源受限农场为主体的农业体系中，AI采纳仍处于早期阶段。现有研究将这种缓慢扩散归因于多重结构性障碍，包括数字基础设施有限、投资成本高昂、能源供应不可靠、技术专长不足以及制度支持薄弱。然而，现有文献存在三方面碎片化问题：其一，多数研究集中于技术采纳或生产率结果，对作为独立经济结果的农场盈利能力关注不足；其二，来自发展中国家农业经济体的证据相对有限；其三，鲜有研究整合技术、组织和环境视角来解释AI采纳的差异及其对经济绩效的影响。因此，本研究旨在考察巴基斯坦旁遮普省农民中AI扩散的程度，并探究其与农场生产率和盈利能力的关系。

二、研究设计与方法

研究人员采用定量横断面调查设计，基于创新扩散理论（DoI），并辅以资源基础观（RBV）和技术-组织-环境（TOE）框架，构建了多层面理论解释模型。数据通过结构化问卷在巴基斯坦旁遮普省收集，样本包括101名农民，采用非概率便利抽样方法，涵盖小型、中型和大型农场，其中中型农场（12–25英亩）占比最大（55.4%）。主要种植作物包括小麦（34.7%）、水稻（25.7%）、棉花（20.8%）和甘蔗（14.9%）。所有构念均采用多条目五点李克特量表测量，包括AI扩散（5个条目）、农场生产率（5个条目）和农场盈利能力（5个条目）。数据分析使用IBM SPSS Statistics，依次进行描述性统计、Cronbach's alpha信度检验、Pearson相关分析和线性回归分析。KMO值为0.887，Bartlett球形检验显著（χ2 = 665.18，p < 0.001），表明数据适合因子分析。三个构念的Cronbach's alpha系数介于0.779至0.830之间，均超过0.70的可接受阈值。

三、研究结果

4.1 受访者社会经济特征

样本中最大的年龄组为25–34岁（33.7%），其次为35–44岁（23.8%）。多数受访者为监督员（38.6%）或管理者（32.7%），28.7%为农场所有者。样本反映了旁遮普省农业经营的多样化截面，涵盖管理责任、农场规模和种植活动的差异。

4.2 描述性统计

AI扩散的复合均值为18.27（SD = 3.71），表明实际采纳处于中等水平。感知农场生产率的均值为19.08（SD = 3.66），感知农场盈利能力的均值最高，为19.64（SD = 3.20）。条目层面分析显示，53.5%的受访者同意或强烈同意其农场目前使用AI工具（如传感器、无人机或智能灌溉），而71.3%同意AI改善作物管理决策。感知生产率方面，75.3%同意AI改善农场条件监测；感知盈利能力方面，81.2%同意AI能识别盈利的作物管理策略。这些模式表明农民对AI潜在收益的积极感知与实际使用程度之间存在明显差距。

4.3 信度分析

AI扩散、农场生产率和农场盈利能力的Cronbach's alpha分别为0.779、0.830和0.784，均超过0.70阈值，表明测量量表具有可接受的内部一致性。

4.4 相关分析

Pearson相关分析显示，AI扩散与农场生产率呈显著正相关（r = 0.617，p < 0.001），与农场盈利能力亦呈显著正相关（r = 0.607，p < 0.001）。农场生产率与农场盈利能力之间的相关性最强（r = 0.749，p < 0.001），表明更高的感知生产率与更高的感知财务绩效密切相关。

4.5 假设检验：线性回归分析

模型1（H1）：AI扩散是农场生产率的显著正向预测因子（B = 0.608，t = 7.800，p < 0.001），模型解释了38.1%的方差（R2 = 0.381；F = 60.841，p < 0.001），H1获得支持。

模型2（H2）：AI扩散是农场盈利能力的显著正向预测因子（B = 0.525，t = 7.601，p < 0.001），模型解释了36.8%的方差（R2 = 0.368；F = 57.768，p < 0.001），H2获得支持。

模型3（H3）：农场生产率是农场盈利能力的显著正向预测因子（B = 0.656，t = 11.247，p < 0.001），模型解释了56.1%的方差（R2 = 0.561；F = 126.504，p < 0.001），H3获得支持。

4.6 假设结果汇总

三项假设均在0.001显著性水平上获得支持，表明AI扩散与感知农场生产率、感知农场盈利能力以及生产率与盈利能力之间均存在显著正向关联。

四、讨论与结论

讨论部分指出，旁遮普省的AI扩散处于转型阶段，表现为认知度高但实际采纳中等，这一"感知-采纳差距"与结构性障碍（投资成本、基础设施、技术能力和制度支持）一致。从DoI视角看，该模式符合早期采纳阶段特征；研究提出"受约束的扩散"概念，强调扩散取决于赋能环境而非仅由创新属性驱动。AI扩散与生产率的关联（R2 = 0.381）表明AI作为赋能而非替代性创新的作用；与盈利能力的关联（R2 = 0.368）扩展了既有文献对生产率结果的过度关注。生产率与盈利能力的强关联（R2 = 0.561）支持了二者作为紧密相关但分析上不同的绩效维度。研究识别出"扩散-绩效差距"，从TOE视角解释了环境与制度条件对采纳的影响。

研究结论部分指出，本研究考察了巴基斯坦旁遮普省AI赋能农业技术的扩散情况及其与感知农场生产率和盈利能力的关系。研究通过联合考察生产率和盈利能力，为发展中经济体的数字农业提供了情境特定证据。研究结果强调了基础设施、制度支持和能力建设在促进AI技术更广泛、更有效采纳中的重要性。未来研究应通过纵向设计、概率抽样和直接测量结构性障碍因素，进一步验证和扩展这些发现。