《Smart Agricultural Technology》：Beyond Adoption: Understanding Data Use Behavior in Digital Agriculture
编辑推荐：
数字农业技术（Digital Agricultural Technologies, DATs）对于农业部门的增长至关重要。然而，仅仅采纳DATs并不足以充分发挥其价值，关键还在于将DATs生成的数据整合到农场决策之中。本研究利用来自阿尔伯塔省、马尼托巴省和萨斯
数字农业技术（Digital Agricultural Technologies, DATs）对于农业部门的增长至关重要。然而，仅仅采纳DATs并不足以充分发挥其价值，关键还在于将DATs生成的数据整合到农场决策之中。本研究利用来自阿尔伯塔省、马尼托巴省和萨斯喀彻温省的调查数据，探讨了影响生产者数据使用行为的决定因素。研究发现，感知有用性、风险感知、数字素养缺乏、利他行为以及主动行为是高数据使用行为的关键驱动因素。研究结果为政策制定者和技术提供者提供了见解，有助于加强农业中的数据驱动决策。
# 数字农业采纳后数据使用行为研究：理论拓展、实证检验与实践启示——基于加拿大草原三省商业生产者的分析
## 一、研究背景与问题提出
全球粮食需求的持续增长与气候变化的严峻挑战，正推动农业部门经历深刻转型。在成本控制与精准高效生产需求的双重驱动下，数字农业技术（Digital Agricultural Technologies, DATs）——包括精准农业系统、物联网（IoT）传感器、GPS导航机械和数字农场管理平台——被视为提升农场管理水平的关键工具。DATs通过采集和分析实时数据，能够优化投入品使用、增强作物监测、提高产量和生产率，并改善风险管理。然而，DATs的价值实现并不仅仅取决于技术的采纳。大量证据表明，相当比例的生产者在初始采纳后并未充分使用DATs生成的数据，导致技术潜力无法充分发挥。此外，高质量农场级数据是训练人工智能（Artificial Intelligence, AI）预测模型和优化决策支持系统的必要基础，数据参与不足将制约农业智能化未来的创新发展。
现有技术采纳研究——无论是基于技术接受模型（Technology Acceptance Model, TAM）还是整合型技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT）——主要聚焦于采纳前阶段的影响因素，对采纳后的数据使用行为关注有限。本研究旨在填补这一理论空白，将分析焦点从“是否采纳”转向“采纳后如何使用数据”，系统考察行为和心理因素如何影响生产者将DATs生成数据整合到农场管理决策中的强度。
## 二、研究设计与核心发现
研究人员利用来自加拿大阿尔伯塔省、萨斯喀彻温省和马尼托巴省587份商业农作物和畜牧（肉牛和奶牛）生产者的独特调查数据，最终分析样本为392名至少采纳一种DATs的生产者。实证分析采用二元Logit回归模型，并计算平均边际效应（Average Marginal Effects, AMEs）以解释变量影响。
研究发现：感知有用性、利他行为和主动行为与高数据使用强度显著正相关；风险感知和数字素养缺乏则显著降低高数据使用的概率。值得关注的是，人口统计特征（年龄、教育、性别）与数据使用强度无显著关联，数据治理担忧、信任和便利条件缺乏在采纳后阶段亦未呈现显著影响。该研究从理论上将UTAUT框架的核心构念系统地重新映射到采纳后情境，构成了一种真正的概念扩展，而非简单套用现有框架。
## 三、关键技术与方法
研究人员采用问卷调查法收集数据，样本队列来源于加拿大阿尔伯塔省、萨斯喀彻温省和马尼托巴省经营面积大于700英亩的商业农作物和畜牧生产者，通过在线方式发放3,310份邀请，回收587份有效问卷（回复率约17.7%）。核心分析方法包括：（1）确认性因子分析（Confirmatory Factor Analysis, CFA）构建潜在变量（利他行为、治理担忧、便利条件缺乏、社会支持、主动行为）；（2）二元Logit回归模型估计各因素对高数据使用强度的影响；（3）平均边际效应分析量化自变量变化对概率的影响；（4）广义有序Logistic回归作为稳健性检验；（5）方差膨胀因子（Variance Inflation Factor, VIF）检测多重共线性（平均VIF=1.32）。
## 四、研究结果
### 4.1 描述性统计
在数据使用强度方面，40.3%的生产者报告高数据使用，54%报告低数据使用，6%表示不使用数据。较大农场的生产者在决策中展现出更高水平的数据整合。样本生产者的平均风险感知为3.2，数字素养缺乏均值为3.1（量表1-5），反映中等水平的风险担忧与素养不足。感知有用性均值为3.5，表明采纳者认可数据对优化资源投入的积极作用。数据治理担忧得分较高（均值≥3.8），特别体现在隐私、所有权和利益分配公平性方面。便利条件缺乏均值≥3.0，说明服务商支持不足、平台界面不友好、互操作性受限等挑战普遍存在。利他行为均值偏低（≥2.5），表明生产者对外部机构共享数据持保留态度。
### 4.2 数据使用行为的回归结果
基于392名至少采纳一种DATs的生产者样本，二元Logit回归结果显示：
**农户与农场特征。** 年龄、教育和性别对高数据使用强度无显著影响。土地面积每增加1,000英亩，高数据使用概率提高1.2个百分点（p<0.1）。采纳DATs数量较多的生产者，其高数据使用概率提高7.5个百分点（Model 1）。农作物生产者比畜牧生产者高数据使用概率低29.3个百分点（p<0.05）。
**风险感知。** 风险感知与高数据使用强度显著负相关（AME=-0.081, p<0.01），认为DATs风险超过收益的生产者，高数据使用概率降低8.1个百分点。进一步交互效应分析表明，这一负向关联在高采纳者中更为显著——采纳多种DATs的生产者因运营和财务风险敞口更大，对数据隐私、系统可靠性和技术风险更为敏感。
**社会支持。** 社会支持与高数据使用强度显著负相关（AME=-0.043, p<0.05），依赖同群咨询解决问题的生产者，其独立数据参与程度反而较低。
**利他行为。** 利他行为与高数据使用强度显著正相关（AME=0.087, p<0.05），愿意为集体利益共享数据（如与其他DATs服务商、学术研究人员共享）的生产者，高数据使用概率提高8.7个百分点。
**感知有用性。** 感知有用性与高数据使用强度显著正相关（AME=0.204, p<0.01），感知数据能优化资源投入的生产者高数据使用概率提高20.4个百分点，是所有因素中效应最强的。
**数字素养缺乏。** 数字素养缺乏与高数据使用强度显著负相关（AME=-0.098, p<0.01），缺乏数据解读技能的生产者高数据使用概率降低9.8个百分点。
**主动行为。** 主动行为与高数据使用强度显著正相关（AME=0.149, p<0.01），积极寻求DATs信息、参与实验和研讨会的生产者高数据使用概率提高14.9个百分点。
**非显著因素。** 数据治理担忧、对服务商的信任、便利条件缺乏在采纳后阶段与数据使用强度无显著关联，表明这些因素主要构成采纳门槛而非持续使用的障碍。
## 五、讨论与结论
### 5.1 讨论
本研究的核心贡献在于揭示了采纳后阶段行为和心理因素的支配性作用。感知有用性作为最强预测因子，验证了TAM框架在采纳后情境的适用性，生产者会根据数据实际带来的可感知收益调整投入认知和操作精力。主动行为的重要性表明技术采纳是一个持续学习和知识积累的动态过程，而非一次性决策。利他行为的数据发现具有新颖性——将数据共享意愿视为集体福利导向的体现，说明生产者的合作取向与自身数据参与之间存在正向强化机制。
风险感知的负向效应及其在高采纳者中的增强模式，揭示了高风险敞口生产者在数据依赖与风险规避之间的张力。数字素养缺乏的显著负效应说明，技能不足是独立于采纳决策的持续障碍。社会支持的负向关联则表明，依赖型同群支持可能替代而非促进独立的数字能力建设。
数据治理担忧和信任在采纳后阶段的非显著性值得关注。研究人员认为，商业化成熟的生产者可能已在既有的治理框架内运作，降低了这些因素的显著性；或者治理因素主要作用于采纳决策而非持续数据整合。然而，确保透明的数据治理框架仍是重要的基础性保障。
### 5.2 研究结论
本研究通过证明行为和心理因素比社会人口特征更能有力地预测商业农业生产者持续的数据使用行为，为采纳后数据使用研究的日益丰富的文献做出了贡献。研究结果表明，从DATs采纳到有意义的数据整合的转变，主要受生产者的感知、态度和主动参与所塑造，而非仅由人口统计或结构性因素所决定。具体而言，数据感知有用性、开放/主动行为以及对同群共享的利他动机与较高的数据使用强度正相关，而风险感知和数字素养缺乏则降低了高数据使用的可能性。相比之下，年龄、教育和性别等人口统计变量与采纳后数据使用行为的关联有限。
这些研究结果意味着，旨在支持农业数据驱动决策的政策和项目，应优先考虑行为和认知方面的赋能因素，同时配合技术基础设施投资。推广服务、农业教育者和DATs提供者可通过设计干预措施来增强数字素养、通过体验式学习降低感知技术风险，并营造促进生产者间知识交流的社会学习环境。此外，提高DATs生成洞见的清晰度和可获取性，可增强生产者对数据价值的感知并促进持续参与。随着农业持续数字化转型，加强生产者的行为和认知能力对于充分实现数据驱动农场管理的全部潜力至关重要。
研究人员指出，本研究存在若干局限性。样本局限于加拿大草原三省商业农作物和畜牧生产者，地理集中性限制了对其他区域和农业系统的推广性；分析样本因变量缺失而减少，可能影响代表性；较低的回复率（17.7%）和在线调查方式可能导致样本偏向数字素养更高的生产者；横截面设计限制了因果关系的推断。未来研究可采用纵向设计或随机田间试验，以厘清数据使用行为的因果机制和干预效果。
