推文人 | 李静

原文信息：Annemie Maertens & Christopher B. Barrett (2012). Measuring Social Networks’ Effects on Agricultural Technology adoption. AJAE.

技术发展，尤其是农业技术，驱动着劳动生产率、收入、粮食安全以及经济增长的可持续发展。但是先进的技术并不能立即、完全地被采纳。因此任何对新技术扩散的经济理解都依赖与对技术采纳的动态性的理解。然而社会科学长期强调社会网络在新技术扩散中的作用（Rogers, 1962），经济学家聚焦在投入品的供给（包括财产）和输出市场，以及与农场规模相关的自我保险、家庭财富、从推广服务的学习等（Feder, Just, and Zilberman, 1985）。

图片来源：谷歌图片

 

近期，经济学家开始探索社交网络如何影响农民对新技术的学习和采用。将社会网络引入到技术采纳模型中，可以为政策目标提供一系列潜在的外部性。假定各种的信息传播渠道和相关的社会乘数效应，哪些群体应该成为推广服务或补贴的目标，从而产生最大的效应？如果政府通过现有的社会网络在一定程度上排挤了非正式服务，那么政府采取坚定举措的效果如何?为了让更广泛的网络了解一项新技术，谁应该承担初始试验的费用。关于社会网络在技术采纳中的作用的新兴文献直接涉及到这些重要问题。本文简洁地综述这类文献，主要是在社会网络的测量方面（Foster and Rosenzweig, 2010提供了一个更广泛的综述。）

 

社会网络是指由个体成员及其信息、金钱、货物或服务流动链接所形成的。链接的重要性与链接上的交换频率不统—，如，Granovetter（1973）发现“弱”的低频链接在求职过程中比“强”的高频链接更重要。一般，不同的链接可能具有不同的价值和行为影响。一个给定的链接可能是单向的，也就是说，流动是单向的，如从农业出版物到农民或者从专业农民到初学者；但或者是双向的。社会网络可能是混合了这两种类型的链接。

 

识别和测量社会网络（也被称为“社会交互作用”）对技术采纳的影响效果是一件重要的事情（see, e.g., Manski 1993, Brock and Durlauf, 2000）。

 

第一个挑战是确定适当的参考组（谁在研究对象的网络中？）网络是由预期/假设或回顾/激活链接定义的吗？是否包括直接（“一阶”）链接或间接（“高阶”）链接？一旦确定了网络，从有限样本中包含的信息获得农民的社会网络的精确图片也不简单。现有的方法都有缺点，我们将在下面进一步讨论。

 

第二，即使社会网络得到了很好的测量，从个体行为的相关性推断因果社会互动效果也是很困难的。在一个确定的参照组中，几乎可以肯定存在个体之间的相关属性。研究对象的行为和特征不仅影响社交网络的形成和结构，也可能影响其他网络成员的行为，这不仅会引起经济结果的变化，还会导致网络结构内生发展的反馈 (Barrett 2005, Jackson, 2008; Stephens, 2009; Chantarat and Barrett)。因此，无论是由于这些匹配和选择效应、共同的外部（农业生态学或经济）环境还是其他混杂因素，行为和结果中的虚假相关性往往导致研究者夸大社会交往效应的重要性。

 

第三，当研究对象相互作用并同时改变行为，本质上产生“反射问题”。在这种情况下，基本上难以将内生与外生效应分开。

 

一些理论上的考虑

 

社会学习的理论模型有以下不同的维度：1）在什么时间段，农民最看重什么？2）农民吸收什么类型的信息，这些信息来自于谁？3）农民怎么学习，如他怎么转变他的观念？4）怎么把信念转化为行动？5）研究对象在策略上进行互动吗？

 

大多数技术采纳的经济模型都假设农民对未来农业利润的贴现进行估值。考虑到对(不可避免的)风险的态度，尽管有其他的方法，如前景理论和最大期望效用理论，但预期折现效用模型是一种流行的工具。一些研究强调，除了利润的时间路径之外的其他考虑因素，如行为一致性，其他人的幸福感（Barrett 2005, Moser and Barrett, 2006）或者提出一种基于特征的方法，允许个体偏好与性状相结合（Useche, Barham, and Foltz, 2009）。在适当情况下，可考虑这些因素。农民的目标会影响他所观测的链接和他所跟踪的信息。

 

一个典型的模型假设农民通过观察别人的试验来学习。与通过实践学习相比，这增加了信息质量的不确定性，部分是因为对关键补充投入(如灌溉、土壤质量)的认识不够准确。因此，农民参与“不完全学习”，并按比例权衡每一条信息的价值(Conley and Udry, 2001)。对联系人行为的细节（如，新技术的适用区域）或联系人的信息来源（如，与推广机构的连接）的了解也可以让农民推断出联系人提供的信息的精确性。与此相关的是，农民可能对这种技术持有不同的信念，以至于它不适合使用一种独特的函数形式来进行规范，对于这种形式，研究对象可以学习一组参数(即全球学习)。事实上，农民自己对其学习过程更恰当地描述为“本地学习”(Conley and Udry, 2010; Maertens, 2010)。

 

农民利用现有的信息来转变他的信念。即使有更通用的专门学习模型，但大多数模型仍假设贝叶斯更新，因为它在分析上很简单，并且与预期的效用框架一致。采纳决定取决于农民更新的信念。但除非学习本身是目的，否则具有前瞻性的农民可能会采取策略性延迟，他们会得出这样的结论：试验的成本超过了积极学习的潜在收益，因此他们倾向于等待，并观察其他人昂贵的试验（Foster and Rosenzweig, 1995）。

 

测量社会网络的挑战

 

衡量社会学习效果的实证挑战有两方面：正确地定义和度量网络的属性，收集足够的数据来适当地控制可能产生虚假相关性的因素。最简单的方法将社会网络等同于某些群体中的成员，如村庄、种姓或性别。在缺少明确的网络数据时，这种做法很常用（Foster and Rosenzweig, 1995; Munshi, 2004）。但这肯定是对网络的错误描述，尤其在缺乏群体间或群体内变异的外源性来源时。或者，人们可以对一个村庄进行人口普查，并要求所有农民列出他们的信息联系人。这种耗时的方法可能适用于狭小而封闭的村庄环境（Van Der Broeck and Dercon, 2011）。但这对于较大的地理和社会单位而言，通常是不可行的；而对过小的单位进行人口普查可能会人为地截断所测量的社交网络。

 

如果研究者决定抽样而不是普查，文献中会出现几种技术。一个常见的技术是受访者驱动的“滚雪球抽样”(即受试者从他们的熟人中招募更多的受访者)。当一个人对网络本身的特性感兴趣时，滚雪球抽样是有用的，但结果是家庭样本不具有代表性，因此不适合传统的推论。另一种常见的方法是使用“样本内网络”方法，询问每个农民与样本中其他每个人的链接。然而，这种方法人为地截断了网络，并且可能导致存在结构化网络时行为的偏差估计，因为不可观察的变量影响链接的概率，以及独立地影响采纳行为(Santos and Barrett, 2008, Chandrasekhar and Lewis, 2011)。或者，可以要求农民列出他学习的一定数量的人（通常是5到10人，或者在某些情况下是无限制的） (Bandiera and Rasul, 2006)。如果调查限制了农民可以说出的链接数量，那么对行为估计的截断偏差就成为一个问题。此外，当用开放的方式询问一个人的网络时，虽节省了时间，这种方法可能会导致农民的“强”网络链接，而不是“弱”网络链接，并且很可能在被调查者包含或忘记链接的标准中存在未观察到的异质性。

 

这就使我们了解了如何构建链接问题的重要性。研究者不可避免地会得到不同的答案，取决于他是否问一个农民他是否认识某个人或他是否和某个人谈论农业等。因此，将一个人的社交网络问题与一个社会学习模型联系起来是很重要的。例如，为了让农民直接从接触者的试验中学习，他必须至少观察接触者的技术选择，以及相应的投出和产出情况。如“农民的X品种选择是什么”这样的问题可能是合适的。但是，即使农民声称知道接触者的行为或结果，他们往往也不了解情况，忘记了他们曾经知道的事情，或者把自己的信念和行动投射到别人身上（Hogset and Barrett 2010）。虽然农民真正重要的是在决策的时他的信念，是否正确或不正确的，以及他对这些信念的确信。这种想要的准确性就需要报告的和实际行为的信息以及接触的结果，同时也意味着联系人需包含在样本中。

 

这就带来了最后的抽样技术：“样本内随机匹配”，其中每个农民都与样本中随机抽取的个体（通常是5到10）匹配，并且对于每组匹配，研究者要询问农民与匹配者关系的细节，包括农民对匹配对象的农业活动和结果的了解（Coney and Udry, 2010; Santos and Barrett, 2010; Maertens, 2010）。Santos and Barrett（2008）的研究结果，通过对埃塞俄比亚牧民网络进行蒙特卡罗模拟，表明该方法优于“样本内网络”方法。虽然该方法具有在现有样本中可以以时间有效方式集成的优点，并且可以在随后的回归分析中使用预测链接作为生成的回归变量，但是在某些网络结构的存在下需要谨慎。如果样本遗漏了一个关键网络节点，即如果一个人有很多链接，那么由此产生的变量偏差可能会很大。