作物管理中农民对决策支持工具的算法厌恶：基于意愿支付与UTAUT扩展的实证研究

《Food Policy》：Are farmers algorithm-averse? The case of decision support tools in crop management

　　

人工智能（AI）技术的进步有望变革农业系统，其中决策支持工具（DSTs）是一项极具前景的应用。然而，来自医学和金融领域的证据表明，即使用户面对优于人类替代方案的AI建议，仍表现出拒绝接受的倾向，这一现象被称为“算法厌恶”（AA）。本研究首次在农业情境中考察该现象。基于一项对250名德国农民的代表性样本调查数据，研究人员评估了农民对基于AI或人类顾问的小麦杀菌剂施用DSTs的使用意愿及支付意愿（WTP）。研究采用了一种新颖的、适用于实验研究的贝叶斯概率编程（Bayesian probabilistic programming）工作流，实现了对扩展版技术接受与使用统一理论（UTAUT）与经济实验的联合分析。结果表明，AA在农民决策中发挥重要作用：对大多数农民而言，基于AI的DST必须在表现上优于人类顾问11%至30%，才能被视为同等价值；同样，当两者表现相当时，基于AI的DST价格必须比人类顾问便宜21%至56%，才会被优先选择。这些发现凸显了将AA视为可能阻碍农业中前景广阔的AI技术采纳的认知偏差的重要性。由于通过鼓励农民采纳新技术来促进知识与创新是欧盟共同农业政策的主要目标之一，因此深入了解农民对新型AI工具的感知与接受至关重要。

**论文解读文章**

**研究背景与问题**
当前食品系统转型的核心特征之一是信息与通信技术（ICT）在农业系统中的深度融合。欧盟共同农业政策将鼓励农民采纳创新与数字化技术作为农业现代化的关键目标，而人工智能（AI）正是这一发展进程的核心要素。与传统信息系统不同，AI技术能够利用机器学习算法从海量、复杂、高分辨率的数据中持续学习，从而随时间推移不断提高预测精度。这种自适应学习能力使得AI工具能够生成更为精准的推荐，并降低作物管理中的不确定性。决策支持工具（DSTs）是AI在农业中的关键应用，旨在帮助农民在复杂性和不确定性条件下做出最优决策。然而，DSTs的采纳率普遍较低，尽管其具备改善投入品使用效率的潜力。农业经济学文献已广泛探讨决定农民DST采纳行为的因素，但既有研究多聚焦于传统DSTs，对AI-based DSTs的特殊性关注不足。

“算法厌恶”（AA）是指在算法建议表现明显优于人类建议的情况下，个体仍更倾向于人类建议的认知偏差。该现象在医疗和金融领域已被广泛研究，但在农业决策情境中几乎没有受到关注。放弃较优的算法建议而选择可能更差的人类建议，在经济学上构成对理性行为的偏离。鉴于AI-DSTs在农业中的持续发展，以及其在提升资源利用效率、增强农食系统韧性和粮食安全方面的巨大潜力，理解这种认知偏差对于促进有效的技术采纳至关重要。本研究旨在回答以下研究问题：“AA在农民使用AI-based DSTs的意愿中扮演什么角色？”

**研究内容与结论**
为回答上述问题，研究团队于2024年秋季开展了一项预先注册、经伦理批准的在线调查，样本为250名德国耕地农民。调查由两部分构成：一是基于技术接受与使用统一理论（UTAUT）的态度量表部分，用于测度农民对AI-DSTs的使用意愿；二是非激励性的假设性经济实验，用于测度农民对AI与人类顾问服务分别的支付意愿（WTP）。研究将UTAUT模型进行了扩展，引入了“AI焦虑”（AIA）作为新的潜在行为构念，并以此形式化AA。同时，研究首次将完整的贝叶斯概率编程（PP）工作流应用于实验研究，实现了对态度数据与经济实验数据的联合分析。

研究结果显示，AA在农民决策中扮演重要角色。绝大多数农民具有正的潜在AI焦虑水平。系数γ_AIA（AIA对行为意向的影响）均值为-0.56（90%最高后验密度区间HPDI为[-1.03; 0.00]），系数β_AA（AIA对WTP差异的影响）均值为-0.35（90% HPDI为[-0.40; -0.31]），均清晰为负，支持研究假设。在行为意向上，控制其他预测变量处于均值水平时，随着绩效期望增加，行为意向正向提升；但相同绩效期望水平下，AI焦虑水平越高，行为意向越低。在WTP实验中，AI中性个体倾向于选择表现更优的建议方（若AI表现更好则偏好AI，反之偏好人类）；而AI焦虑个体即使AI-DST表现更优，其对人类顾问的WTP仍然更高。基于模型计算，AI-DST平均需要比人类顾问表现好19%才能获得同等WTP；对于90%的后验样本，这一性能溢价介于11%至30%之间。以价格维度表示，当两者表现相同时，AI-DST平均需要比人类顾问便宜37%；对于90%的后验样本，该价格溢价介于21%至56%之间。

**主要技术方法**
研究采用了贝叶斯概率编程（PP）工作流，该工作流由研究团队在Storm等（2024a）的基础上针对实验研究进行了扩展，其核心创新在于数据生成过程（DGP）的开发，包含变量操作化、统计模型公式化和实验框架设计三个迭代子步骤。变量操作化方面，AIA采用Wang和Wang（2022）开发的经过验证的16条目量表测量，UTAUT构念（绩效期望PE、努力期望EE、社会影响SI）基于Venkatesh等（2003）的原始条目并参考德国农民情境的相关研究。统计模型采用有序Logistic分布刻画Likert量表响应，对WTP实验部分假设ΔWTP服从正态分布，并以ΔPerformance和潜在AIA作为线性预测因子。实验设计方面，研究团队设置了AI-DST与人类顾问两种建议源，以“过去建议正确率”表征历史表现，组合出9种配对场景，每位受访者随机分配3个场景，WTP滑块范围0-150欧元。模型推断采用No-U-Turn采样器马尔可夫链蒙特卡洛（MCMC）方法，在Python环境中使用NumPyro和JAX实现。数据收集通过与德国农业出版社合作的市场研究公司“agri experts”线上渠道完成，样本特征与德国农业人口在年龄和生产制度上吻合良好，但农场规模略高于全国平均。

**研究结果**
**潜在AI焦虑分布**：基于模型的估计表明，样本中绝大多数农民呈现正的潜在AI焦虑水平，即可归类为“AI焦虑型”。

**AA对行为意向的影响（UTAUT模型）**：系数γ_AIA为-0.56，AIA对行为意向产生显著的负向影响。在给定绩效期望水平下，AI焦虑个体相较于AI中性个体表现出更低的行为意向，说明AIA扭曲了绩效期望向行为意向的转化，即AA在态度层面的体现。

**AA对WTP的影响（实验模型）**：系数β_AA为-0.35，AIA显著降低农民对AI-DST的相对WTP。即使在AI-DST表现与人类顾问相当或更优时，AI焦虑个体仍愿意为人类建议支付更高价格，形成WTP维度上的AA。

**性能溢价与价格溢价**：通过求解方程，计算出性能溢价的均值为19%，90% HPDI为[0.110; 0.295]，表明AI-DST需比人类顾问表现好11%-30%才能被同等评价。价格溢价方面，同等表现下AI-DST需比人类顾问便宜21%-56%（90% HPDI [-0.56; -0.21]）才会被优先选择。

**总结讨论**
研究将农业领域的AA结果与医疗、金融等其他领域进行比较。与Longoni等（2019）在医疗领域的研究相似，本研究观察到明显的价格溢价（均为37%左右）；但性能溢价方面，医疗领域仅需1%的准确率提升即可抵消效用差距，而农业领域需要11%-30%的表现优势，显著更高。这种差异可能源于农业决策涉及较高的风险与不确定性——农药施用效果依赖于自然生产条件、天气、气候、病害压力和市场价格等多重外部因素，风险环境可能加剧AA。与Cao等（2021）对英国商业管理者的研究相比，德国农民对AI工具的意愿均值（3.9）明显低于商业管理者（5.14，均在7点量表上），表明农民对AI的怀疑程度更高。研究还讨论了AA的可能原因，包括AI系统的不透明性（“黑箱”问题）、对AI忽视本地生产条件的担忧、对AI可能取代而非补充既有顾问关系的顾虑，以及同伴规范的影响。政策含义方面，将DST建议与保险机制结合、采用人类顾问与AI协作的混合模式、利用同伴效应提供教育和社交学习机会，以及设计以AA为考量的AI-DST界面，均是值得探索的干预路径。

**研究结论**
基于AI的决策支持工具在提高农业生产力和资源利用效率方面具有巨大潜力，但农民采纳是实现这一潜力的前提条件。本研究首次在农业情境中形式化并量化了算法厌恶（AA）——即AI焦虑对采纳意向和支付意愿的负面影响。研究结果表明，AA在农民的态度意愿和经济偏好中均发挥重要作用：随着AIA水平上升，采纳意向和WTP均显著下降。具体而言，AI-DST需比人类顾问表现优异11%-30%，或价格低廉21%-56%，才能被多数农民视为同等价值。这些发现为政策制定者设计有效促进和引导农民使用AI技术的措施提供了实证依据。AA不仅给个体农民带来潜在成本，也可能对整个社会造成福利损失，尤其是在算法持续优于人类建议的情况下。未来研究应将本框架拓展至其他采纳决策情境，深入探究AA的成因，并开发有效的干预和支持机制。本研究建议将AIA作为农民AI态度行为研究中的倾向性因素，纳入Déssart等（2019）提出的框架之中。尽管本研究依赖假设性情境，可能高估WTP绝对值，但研究关注的是两种建议方式WTP之间的相对差异，且采用了廉价谈话脚本等成熟方法以减轻相关偏差。随着AI-DSTs的日益普及，未来研究应聚焦于实际场景中的显示性偏好。