《Cogent Food & Agriculture》：The impact of digital technology adoption on farm profitability for smallholder sunflower farmers: empirical evidence from Singida, Tanzania
编辑推荐：
摘要专业翻译
本研究考察了坦桑尼亚辛吉达地区伊兰巴县小农户向日葵种植者采纳数字技术对其农场盈利性的影响。研究利用通过结构化问卷收集的174名农户横截面数据，采用内生转换回归（Endogenous Switching Regression, ESR）模型，并辅以
摘要专业翻译
本研究考察了坦桑尼亚辛吉达地区伊兰巴县小农户向日葵种植者采纳数字技术对其农场盈利性的影响。研究利用通过结构化问卷收集的174名农户横截面数据，采用内生转换回归（Endogenous Switching Regression, ESR）模型，并辅以普通最小二乘法（OLS）、传统两阶段最小二乘法（2SLS）以及基于异方差性生成的工具变量（Lewbel-IV）进行稳健性检验。ESR估计结果表明，处理组平均处理效应（Average Treatment Effect on the Treated, ATT）为正，提示当前采纳者具有更高的预测盈利性；而未处理组平均处理效应（Average Treatment Effect on the Untreated, ATU）为负，表明当前未采纳者在采纳情境下可能无法获得类似收益。然而，尽管OLS回归中的采纳系数为正且具有统计显著性，传统2SLS与Lewbel-IV估计的采纳系数则明显更小且统计上不显著。上述结果表明，所估计的盈利性效应对于识别假设较为敏感。数字技能与教育水平是更为稳健的盈利性决定因素。研究结论认为，数字技术能够支持农场盈利性，但收益取决于农户的接受度与互补性能力，而非仅取决于采纳行为本身。
论文解读文章
一、研究背景与问题提出
农业在众多发展中国家，尤其是非洲地区，仍是经济增长与减贫的基石。小农户贡献了全球近三分之一的粮食供给。为提升生产率、市场准入与农村发展水平，非洲各国包括坦桑尼亚在内，纷纷推行变革性举措与创新。其中，数字技术被视为改善农业绩效的有力工具，如数字平台、移动电话及移动支付等金融科技，已在数据收集、信息传播以及获取实时天气、市场价格与农艺建议等资源方面发挥重要作用。尽管数字农业在非洲迅速扩张，但数字技术对坦桑尼亚小农户向日葵种植者盈利性的实际影响仍未得到充分理解。高交易成本、现代技术获取受限及政策缺陷持续制约着技术采纳。农户与买方之间持续存在的信息不对称、不透明的定价体系以及推广服务不足，构成了市场参与和公平收益的障碍。向日葵生产是坦桑尼亚中部小农户的重要商业活动，与家庭收入、食用油价值链、本地加工及农村市场参与紧密相关。辛吉达地区是坦桑尼亚主要的向日葵产区之一，该作物商业化被视为改善小农户生计的重要路径。然而，向日葵种植者面临产出价格波动、信息约束、推广与市场服务获取有限以及技术获取不均等多重挑战。因此，以伊兰巴县为研究区域，考察数字技术采纳能否转化为农场层面的可衡量经济收益，具有重要的实证价值。
二、研究内容与主要结论
研究人员针对上述问题，在坦桑尼亚辛吉达地区伊兰巴县开展了实证研究，旨在考察数字技术采纳对小农户向日葵种植者农场盈利性的影响。研究采用混合方法设计，结合定量与定性横截面数据收集方式。通过多阶段抽样，最终完成174名农户的有效样本调查。研究运用毛利润分析（Gross Margin Analysis, GMA）测算农户盈利性，并以内生转换回归（ESR）模型为核心分析方法，联合估计技术采纳决策与盈利性结果方程，以纠正选择性偏差与内生性问题。同时辅以OLS、传统2SLS及Lewbel异方差性生成工具变量等多种稳健性检验。研究发现，约63.2%的受访者至少采纳了一种数字技术。ESR模型估计的ATT为正且统计显著，表明当前采纳者因采纳数字技术获得了更高的毛利润；而ATU为负且显著，提示当前未采纳者若在缺乏相应技能与基础设施条件下贸然采纳，可能面临盈利性下降。数字技能与教育水平在采纳者与非采纳者两组中均对盈利性具有显著正向影响，是更为稳健的盈利性决定因素。然而，传统2SLS与Lewbel-IV估计的采纳系数明显更小且统计不显著，表明盈利性效应对于识别假设较为敏感。研究结论强调，数字技术能够支持农场盈利性，但收益取决于农户的接受度与互补性能力，而非仅取决于采纳行为本身。
三、关键技术与方法概述
本研究的数据来源于坦桑尼亚辛吉达地区伊兰巴县174名小农户向日葵种植者的结构化问卷田野调查，调查历时8天，由4名经过培训的访员及1名现场督导实施。核心分析方法包括：其一，毛利润分析（GMA），以每英亩坦桑尼亚先令（TZS/acre）为单位测算农户盈利性；其二，内生转换回归（ESR）模型，采用全信息最大似然法（Full Information Maximum Likelihood, FIML）联合估计采纳决策方程与两个体制下的盈利性结果方程，并基于反事实框架计算处理效应；其三，稳健性检验体系，包括带异方差稳健标准误的OLS回归、传统2SLS工具变量回归，以及基于Lewbel（2012）异方差性生成内部工具变量的IV估计。此外，研究还进行了多重共线性检验（VIF）、异方差性检验（Breusch–Pagan/Cook–Weisberg）及排除限制条件检验等诊断测试。
四、研究结果
4.1 诊断检验
多重共线性检验显示所有解释变量的方差膨胀因子（Variance Inflation Factor, VIF）均小于10，1/VIF均大于0.10，表明不存在多重共线性问题。Breusch–Pagan/Cook–Weisberg检验拒绝了误差方差恒定的原假设（χ2=13.72，p=0.0002），表明存在异方差性，因此线性回归与工具变量稳健性检验中采用了异方差稳健标准误。排除限制条件检验显示，数字技术强度、数字技术感知及采购合同三个变量在OLS模型中联合不显著（p=0.514），满足排除限制条件，被保留在ESR模型的采纳方程中。模型整体拟合方面，Wald卡方值为108.06（p=0.000），表明解释变量联合显著。方程独立性Wald检验（χ2=3.70，p=0.1573）未拒绝采纳方程与结果方程独立的原假设，但采纳者体制的相关系数ρ?=0.525（p=0.057）在10%水平上边际显著，提示特定群体可能存在选择性效应。
4.2 数字技术采纳的决定因素
ESR模型采纳方程估计结果显示，数字技术强度（系数=4.65，p=0.013）对采纳概率具有显著正向影响，表明对数字工具更深入的参与能提升采纳可能性。采购合同（系数=?1.91，p<0.001）与采纳概率显著负相关，可能因为合同安排中农户已从买方或中间商获得预定价格信息、投入品供应安排及市场保障，从而降低了通过数字平台寻求额外市场信息的动力。电力获取（系数=0.49，p=0.066）在10%水平上边际显著正向影响采纳概率，反映可靠能源基础设施对数字设备使用的支撑作用。教育水平、数字技术感知、家庭劳动力、性别、年龄、农民组织成员身份及政策支持等变量在采纳方程中统计不显著。
4.3 采纳者与非采纳者的毛利润决定因素
在非采纳者中，教育水平每提升一个等级，毛利润增加约248,111.40坦桑尼亚先令/英亩（p=0.004）；数字技能提升带来790,761.70先令/英亩的盈利性增长（p=0.001）。在采纳者中，数字技能效应更强，毛利润增加1,168,225先令/英亩（p=0.000）；教育水平贡献126,003.90先令/英亩（p=0.014）。家庭劳动力（43,229.32先令/英亩，p=0.035）与性别（男性农户多赚99,198.85先令/英亩，p=0.040）仅在采纳者中显著。农民组织成员身份在非采纳者中正向显著（β=195,759.3先令/英亩，p=0.033），但在采纳者中负向显著（β=?146,373先令/英亩，p=0.030），提示数字工具可能替代了机构支持在市场与信息获取方面的作用。政策支持对两组均负向且不显著。
4.4 数字技术采纳对盈利性的估计影响
ESR模型反事实分析显示，采纳者的实际平均毛利润为426,917.6先令/英亩，其反事实未采纳情境下为285,517.7先令/英亩，ATT为141,400先令/英亩（p=0.000），在1%水平上显著。非采纳者的实际毛利润为185,003.20先令/英亩，其反事实采纳情境下为131,065.30先令/英亩，ATU为?53,937.95先令/英亩（p=0.007），显著为负。转换异质性（Transitional Heterogeneity, TH）为195,338先令/英亩，表明采纳者从技术中获得的收益显著高于非采纳者可能获得的收益。
4.5 OLS稳健性检验
OLS回归结果显示，数字技术采纳（β=108,424.6，p=0.032）、数字技能（β=1,111,062，p<0.001）、教育水平（β=130,472.3，p=0.002）及家庭劳动力（β=35,354.16，p=0.017）均为毛利润的显著正向决定因素，与ESR估计结果基本一致。
4.6 2SLS稳健性检验
2SLS估计中，排除工具在第一阶段联合显著（F=45.35，p<0.001），过度识别检验未拒绝工具有效性（J=2.15，p=0.342）。但数字技术采纳的2SLS系数大幅缩小且统计不显著（β=15,967.26先令/英亩，稳健标准误=69,529.20，p=0.818）。
4.7 Lewbel异方差性生成工具变量稳健性检验
Lewbel-IV估计的采纳系数为1,021.1，稳健标准误68,153.5，p=0.988，统计不显著。Hansen型过度识别检验未拒绝生成工具集的有效性（J=13.50，DF=9，p=0.141）。2SLS系数的95%置信区间（?120,307至152,242先令/英亩）完全包含OLS估计值，表明数据无法在统计上区分OLS与2SLS估计，显著性差异更可能源于IV估计在有限样本下的精度损失，而非真实效应差异。
五、讨论与结论
研究结果表明，数字技术采纳与当前采纳者的较高盈利性相关，但该效应并非在所有识别策略下均稳健。ESR模型估计出正向显著的ATT，OLS也得出正向显著的采纳系数，但2SLS与Lewbel-IV估计的系数均大幅缩小且不显著。最稳健的结论是互补性人力资本因素——尤其是数字技能与教育——对盈利性的重要作用。研究结论认为，数字技术可在农户具备相应能力与赋能条件时促进盈利性提升，但仅靠采纳本身不应被预期产生自动的盈利性收益。政策层面，研究建议农业主管部门利用《数字经济战略框架（2024–2034）》制定情境化、可操作的农业数字支持战略；与能源部门合作扩大农村电气化；加强以农户为中心的数字能力建设并纳入农户接受度评估；以及评估现有数字农业支持项目，推动政策支持从普惠式向精准化转变，将支持直接与盈利性结果挂钩。
