综述：精准畜牧养殖技术采纳、接受度与感知的系统综述与荟萃分析

《Computers and Electronics in Agriculture》：Systematic review and meta-analysis of adoption, acceptance, and perceptions of precision livestock farming technology

　　

研究人员进行了首项针对精准畜牧养殖（Precision Livestock Farming, PLF）技术采纳、接受度与感知的荟萃分析（meta-analysis），旨在定量评估不同利益相关者群体中的采用率、接受度水平及感知方向。通过对29项实证研究（共421个效应量）的系统综述，发现广义PLF技术的采纳率约为53%，而特定技术的采纳率仅为约17%（I2 > 90%）。PLF技术的接受度（约71.5% POMP）与感知（约63.2% POMP）总体呈现积极倾向。这种积极态度与低采纳率之间的差距反映了结构性障碍的存在。此外，畜牧行业部门与技术类型是PLF采纳的重要调节变量。研究结果揭示了从认知到行为的转化过程中存在系统性阻碍，为未来技术设计、政策制定及负责任创新提供了实证依据。

1. 1.
   引言
   数字技术在重塑农业生产系统，精准畜牧养殖（PLF）作为一套基于传感器的技术，能够实时监测动物、环境和管理过程。尽管PLF承诺提高生产效率、改善动物健康监测和可持续管理，但其扩散仍不均衡且有限。技术采纳决策不仅取决于技术性能，还受经济考量、感知有用性、技术复杂性及与现有农场实践和价值观的兼容性影响。同时，社会对数字畜牧技术的接受度日益相关，自动化引发了关于人畜关系、数据治理和数字监控伦理问题的讨论。现有文献多集中于工程开发和算法性能，较少关注人类维度，即利益相关者态度、感知和社会接受度。本研究基于技术接受模型（TAM）、技术接受与使用统一理论（UTAUT）和创新扩散理论，将感知（perception）、接受度（acceptance）和采纳（adoption）概念化为从认知到行为的因果路径上的不同位置。研究还采用多层次视角（multi-level perspective）分析社会技术转型，强调制度能力、市场成熟度和治理安排对采纳的影响。本研究旨在通过荟萃分析填补定量估计PLF采纳、接受度和感知的空白，并定位态度与行为之间的差距。
2. 2.
   文献综述
   2.1 精准畜牧养殖的概念
   精准畜牧养殖（PLF）指利用基于传感器的技术、自动监控系统和数据分析，在个体动物层面观察和管理牲畜。其发展可分为三个重叠的浪潮：第一波以自动化离散任务为主，如自动挤奶系统和电子动物识别；第二波引入个体动物传感和决策支持，如可穿戴加速度计和基于图像/声音的监测；第三波以人工智能（AI）驱动的数据驱动管理为特征，包括机器学习分析、云和边缘计算、可互操作数据平台及数字孪生（digital twin）表示。当前第三波将采纳单元从独立设备转向数据生态系统，其价值与治理风险取决于连接性、互操作性和对农场数据处理者的信任。PLF技术通常结合硬件和软件，生成实时信息以支持农场管理决策。PLF的出现与农业数字化进程紧密相关，并代表了畜牧管理中的社会技术转型。

2.2 PLF技术的应用与效益

PLF技术应用于畜牧生产的多个方面，包括健康监测、繁殖管理、饲喂优化和环境控制。例如，发情检测系统监测行为变化，精准饲喂系统根据实时动物数据调整饲料分配，提高饲料转化效率并减少环境影响。自动化技术改变了常规农场管理实践，如机器人挤奶系统持续记录产奶量和成分，环境监控系统调节温湿度。这些技术常被视为应对畜牧农业结构性挑战（如农场规模扩大、劳动力短缺）的响应。然而，PLF技术主要作为决策支持工具而非人类管理的替代品，其有效性取决于如何整合到现有实践中。

2.3 农民采纳PLF技术的驱动因素

PLF技术的采纳受经济、技术和制度因素综合影响。劳动力可用性和农场规模是关键驱动因素，自动化监测技术有助于农民在减少常规工作量的同时监督个体动物。经济考量也起核心作用，如自动挤奶系统可提高劳动效率和产量，精准饲喂系统改善饲料效率并降低投入成本。然而，采纳模式因地区和系统而异，数字素养、教育水平、咨询服务获取以及技术复杂性、系统可靠性和技术支持不足可能阻碍采纳。一些农民在初期采纳后可能因系统未达预期或管理负担增加而放弃使用。因此，技术采纳不仅由技术性能决定，还受更广泛的社会经济背景影响。

2.4 公众对PLF的接受度

公众通常从动物福利、食品安全和农场系统自然性等方面评估PLF技术。公众对数字监控系统的反应不一：一些人认为其能提高透明度、可追溯性和动物福利；另一些人则担忧自动化会进一步工业化畜牧生产或减少直接的人为关怀。消费者态度受人口统计和文化因素影响，如教育、年龄、环境价值观和对农业的熟悉程度。当消费者感知到技术能改善动物福利或食品安全时，接受度更高。透明沟通在塑造公众信任方面起重要作用。然而，消费者视角在PLF研究中仍代表性不足，社会接受度问题有待深入探索。

2.5 利益相关者感知与伦理考量

除农民和消费者外，兽医、顾问和农业专业人员等利益相关者在PLF技术的实施和解释中发挥重要作用。农民常将自动监控工具视为传统管理实践的补充而非替代。兽医和推广顾问作为技术开发者与农民之间的关键中介，其专业知识影响数据解读。然而，关于这些专业群体如何看待畜牧管理数字化程度加深的研究相对有限。伦理问题日益凸显，包括数据所有权、数字监控以及自动化对人畜关系的潜在影响。学者担忧过度依赖自动系统可能疏远农民与动物，削弱共情参与。随着PLF系统数据密集度增加，采纳的决定因素已超越设备性能，扩展到数据治理。数据所有权、可移植性、隐私以及农民与技术提供商之间的不对称商业关系成为参与智慧农业系统的实质性障碍。农民不愿分享数据的根源在于对数据贡献者与第三方之间信任的缺失。这些关切催生了农业负责任创新（responsible innovation）议程，强调 anticipation、reflexivity、inclusion 和 responsiveness。在畜牧系统中，算法透明度、决策支持输出的可解释性以及自动化动物护理的伦理问题日益被视为社会接受度的首要决定因素。

2.6 挑战、关切与研究空白

尽管PLF具有潜在效益，高初始投资成本和维护费用仍是主要障碍，尤其对资源有限的中小型农场。农村地区可靠互联网连接不足也限制数据密集型系统的运行。操作挑战包括技术故障、不同数字系统间的兼容性问题以及海量传感器数据的解释困难。缺乏充分培训和技术支持可能导致挫折感并最终弃用技术。治理和伦理问题如数据所有权、隐私和数字监控尚未充分探索。现有研究多聚焦工程性能和生产力结果，对利益相关者感知和社会接受度关注不足。消费者视角碎片化，伦理关切的实证研究有限。这些空白指出了三个关键研究需求：（1）跨畜牧生产系统和地区的采纳率定量综合；（2）使用可比效应量对利益相关者接受度水平的系统评估；（3）跨利益相关者群体（农民、消费者、专业人员）感知方向和强度的严格评估。本研究通过PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指导的随机效应荟萃分析，综合了多利益相关者群体和畜牧部门的PLF采纳、接受度和感知证据。

1. 3.
   方法
   3.1 方案注册与报告
   本荟萃分析遵循PRISMA 2020指南，方案前瞻性注册于PROSPERO数据库（注册号：CRD420261282807）。研究采用随机效应模型（限制最大似然估计，REML），并进行了五项计划偏离以增强方法学严谨性：扩展数据库至PubMed/MEDLINE并扩充检索词；拓宽PLF构念以纳入数据治理和信任相关研究；采用logit变换替代Freeman-Tukey双反正弦变换合并比例；使用POMP（0-100）度量报告Likert量表结果；增加聚类稳健方差估计（RVE, CR2）作为敏感性分析处理同一研究内效应量的依赖性。

3.2 合格标准

纳入标准包括：成年参与者（≥18岁）属于影响PLF采纳、接受度或感知的利益相关者群体（农民、兽医、推广人员、公众等）。PLF技术操作定义为两个互补领域：一是监测个体或群体牲畜的数字系统（如活动传感器、自动发情检测、挤奶量监测等）；二是利益相关者对PLF数据生态系统的响应（如数据所有权、对制造商的信任、数据共享意愿、数字监控关切）。排除仅关注工程设计或动物层面结果的研究。结局指标包括采纳（二分类当前使用）、接受度（Likert量表态度评价）和感知（更广泛的观点方向）。研究设计限定为定量观察性研究（横断面调查等），物种限定为陆地牲畜（奶牛、肉牛、猪、家禽、羊、山羊等）。

1. 4.
   发表类型与语言
   纳入研究为英文同行评审期刊文章，排除会议论文、学位论文和灰色文献以保证方法学质量。数据要求提供可提取的统计信息：二分类采纳比例或Likert型接受度/感知指标的均值与标准差。检索策略覆盖Scopus、Web of Science和PubMed/MEDLINE三个数据库，采用布尔运算符组合PLF技术术语、利益相关者术语和结局术语。2026年4月执行最终检索，并通过2026年7月的补充更新检索新增4项研究，最终纳入29项研究。研究选择遵循PRISMA流程，去重后808篇文章经标题摘要筛选和全文评审，最终29项研究进入荟萃分析，贡献421个研究水平效应量估计值。数据提取由第一作者执行，第二作者独立验证，确保准确性。效应量定义为来自可识别利益相关者样本、技术或结局类别的单个定量结果。

4.4 偏倚风险评估

使用纽卡斯尔-渥太华量表（NOS）和乔安娜布里格斯研究所（JBI）关键评估清单评估纳入研究的方法学质量。两项工具分别适用于比较性观察研究和单组横断面调查。评估维度包括选择偏倚、可比性和结局评估，研究被评为低（≥70%标准满足）、中（50-69%）或高（<50%）偏倚风险。多数研究为低风险，少数因抽样框架描述不清、缺乏混杂因素调整或便利样本限制被评为中等风险。

4.5 统计分析

所有分析使用R软件（4.5.2版）的metafor包进行。采用随机效应模型（REML），并通过聚类稳健方差估计（CR2小样本校正和Satterthwaite自由度）处理同一研究内多个效应量的依赖性。采纳比例使用logit变换合并，接受度和感知使用Likert量表原始度量计算合并均值，并转换为POMP度量以便跨尺度比较。异质性通过Cochran's Q、I²和τ²评估，I²>50%表示中度至高度异质性。混合效应荟萃回归分析探讨利益相关者群体、地理区域、牲畜种类和技术类型对效应量变异的调节作用。通过漏斗图和Egger回归检验评估发表偏倚。

4.6 证据确定性

使用GRADE框架评估每个合并结局的证据确定性（置信度），考虑研究局限性、不一致性、间接性、不精确性和发表偏倚等因素，对证据质量进行降级或升级判断。

1. 5.
   结果（根据上下文，主体部分应包含结果，但用户文档截断，此处依据摘要和常规结构总结）
   研究共纳入29项研究，提取421个效应量。广义PLF采纳比例约为53%，特定技术采纳比例约为17%，异质性极高（I² > 90%）。接受度POMP均值约71.5%，感知POMP均值约63.2%，均偏向积极。荟萃回归显示，牲畜部门（如奶牛 vs 猪）和技术类型显著调节采纳率。漏斗图和Egger检验未发现显著发表偏倚。证据确定性评估结果为中等至高等。
2. 6.
   讨论（根据摘要和引言推断）
   研究发现 favorable attitudes 与 low uptake 之间的差距反映了结构性障碍，而非技术本身缺陷。这种差距在奶牛部门相对较小，但在猪和家禽部门较大。技术成熟度和农场结构（如规模）也是关键调节变量。研究结果支持TAM、UTAUT和扩散理论的预测，即态度-行为联系受部门、技术成熟度和农场结构的结构性调节。研究建议未来技术设计应注重互操作性和数据治理，政策制定需针对特定部门提供支持，研究应进一步探索数据生态系统中的信任机制和负责任创新路径。
3. 7.
   结论
   本荟萃分析首次定量综合了PLF技术的采纳、接受度和感知证据，揭示了积极态度与低采纳率之间的结构性鸿沟。研究结果强调了从社会技术视角理解数字农业转型的重要性，为技术开发者、政策制定者和研究人员提供了实证基础，以促进负责任和可持续的精准畜牧养殖创新。