社会技术路径塑造农民对数字农业技术的采纳

《Cogent Food & Agriculture》：Socio-technical pathways shaping farmers’ adoption of digital agriculture technologies

　　

数字农业日益被认为是一种社会技术转型，而不仅仅是技术转变，然而关于制度、能力和市场因素如何共同塑造采纳的实证证据仍然有限。本研究开发并测试了一个综合的社会技术框架（socio-technical framework），以解释农民对农业数字技术的采纳。利用来自印度拉贾斯坦邦（Rajasthan）504名农民的横截面调查数据和偏最小二乘结构方程模型（partial least squares structural equation modelling，PLS-SEM），研究人员检验了政府支持（government support）、数字素养（digital literacy）、技术获取（technology access）、成本可负担性（cost affordability）、信任（trust）、社会影响（social influence）、市场条件（market conditions）和生产效益（production benefits）的作用。研究发现，数字素养是一个关键能力，它加强了技术获取和市场参与，而政府支持提高了数字素养、可负担性和信任。技术获取和成本可负担性直接影响采纳，而社会影响和信任通过感知的生产效益间接影响采纳。该模型表现出中等到高的解释力和预测力，突出了农业数字采纳的系统性。结果表明，仅扩大数字基础设施是不够的；成功的采纳还需要加强农民的能力、减少经济障碍并建立制度信任。本研究提供了社会技术采纳的综合实证解释，并为在小型农户主导、气候受限的背景下推进包容性和可持续的数字农业提供了基于证据的政策见解。

**论文解读：社会技术路径塑造农民对数字农业技术的采纳**

**研究背景与问题**
二十世纪农业技术变革（如机械化、化肥、灌溉）大幅提升了粮食产量，但也带来了土地和水资源压力、环境退化、成本上升及气候变化脆弱性等新约束。数字农业被视为解决这些问题的关键，但其采纳并非单纯的技术升级，而是涉及制度、能力、经济和社会因素的复杂社会技术转型。然而，现有实证研究对制度、能力和市场因素如何共同塑造采纳仍缺乏整合性分析。本研究聚焦于印度拉贾斯坦邦——一个气候敏感、小农户主导、数字基础设施不均的地区，旨在通过构建并检验一个综合的社会技术框架，解释农民采纳数字农业技术的驱动机制。研究结果发表在《Cogent Food》。

**研究设计与方法**
研究人员采用横截面调查设计，于2024年3月至2025年7月期间，在印度拉贾斯坦邦的7个行政区（Ajmer、Bharatpur、Bikaner、Jaipur、Jodhpur、Kota、Udaipur）进行分层抽样，依据土地持有规模（边缘、小、半中型、中型、大型）对504名农民进行面对面问卷调查。问卷采用七点李克特量表，测量政府支持、数字素养、技术获取、成本可负担性、信任、社会影响、市场条件、生产效益及采纳行为等构念。主要技术方法包括：使用偏最小二乘结构方程模型（PLS-SEM）进行路径分析，通过bootstrapping（5000次重抽样）检验假设显著性，并用PLSpredict评估模型预测能力；同时进行探索性因子分析（KMO=0.829，Bartlett检验p<0.001）及共同方法偏差检验（Harman单因子检验<50%）。

**研究结果**

**人口统计特征**
样本中年龄以41-50岁为主（26.4%），男性占91.7%，教育水平以高中（35.1%）和本科（26%）为主，年收入多集中在10.1万-20万卢比（30.6%），超过30年务农经验的占30.2%，边际土地持有（30%）和谷物种植（33.7%）占比最高。

**测量模型结果**
所有指标载荷超过0.70，复合信度（rho_c）和Cronbach's alpha均>0.70，平均方差提取量（AVE）>0.50，表明指标可靠性和收敛效度良好。通过Fornell-Larcker准则和异质-单质比率（HTMT<0.9）确认了判别效度。

**结构模型结果**
- **政府支持**：显著正向影响数字素养（β=0.609，p<0.001）、成本可负担性（β=0.435，p<0.001）和信任（β=0.485，p<0.001），支持H1-H3。
- **数字素养**：显著正向影响技术获取（β=0.814，p<0.001）和市场条件（β=0.733，p<0.001），支持H4-H5。
- **成本可负担性**：显著正向影响数字技术采纳（β=0.287，p<0.001），支持H6。
- **技术获取**：显著正向影响数字技术采纳（β=0.403，p<0.001），支持H7。
- **社会影响**：显著正向影响信任（β=0.388，p<0.001）和生产效益（β=0.290，p<0.001），支持H8-H9。
- **信任**：显著正向影响生产效益（β=0.170，p<0.001），支持H10。
- **市场条件**：显著正向影响生产效益（β=0.174，p<0.001），支持H11。
- **生产效益**：显著正向影响数字技术采纳（β=0.197，p<0.001），支持H12。

**模型解释力与预测力**
技术获取的R²为0.662，市场条件的R²为0.538，数字技术采纳的R²为0.455，均为中等至强解释力。效应量（f²）显示数字素养对技术获取（f²=1.957）和市场条件（f²=1.163）有极大效应，政府支持对数字素养（f²=0.591）等有中到大效应。PLSpredict显示所有内生构念的Q²>0，表明模型具有样本外预测能力。

**讨论与结论**
讨论部分强调，政府支持通过提升数字素养、可负担性和信任间接促进采纳，数字素养是连接制度支持与有效技术使用及市场参与的关键能力。社会影响和信任通过生产效益间接影响采纳，表明采纳是一个迭代过程，而非一次性事件。研究结论指出，数字农业的成功采纳需要多维协同：仅靠基础设施投资不足，必须加强农民能力、降低经济障碍、建立制度信任，并营造有利的市场条件。该框架为气候敏感、小农户主导的地区提供了政策启示，如针对性的数字素养培训、成本补贴、数据治理透明化等。未来研究可采用纵向设计探讨因果机制，并关注性别差异及技术特定分析。