智能农业技术采纳与感知影响：基于意大利农场的实证研究

尽管现有文献日益强调智能农业技术（Smart Farming Technologies, SFTs）在提升农场产量、效率和可持续性方面的潜力，但相关证据仍主要集中于感知驱动因素、采纳障碍及采纳意愿，而非实际采纳者观察到的结果。此外，这些技术在实际农场条件下是否带来经济和资源相关影响，尚未得到足够关注。本研究通过提供意大利智能农业采纳及感知影响的国家层面评估，弥补了上述研究空白，重点识别了采纳的决定因素，量化了感知的经济和资源节约影响，并考察了不同技术和地区间的异质性。 研究人员利用来自345个农场的调查数据，应用描述性分析、Probit模型及Heckman选择模型，考察了七类SFTs的采纳情况及其对收入、成本、水资源、劳动力、肥料和农药使用的影响。结果表明，采纳主要由农户的数字知识、合作社成员身份、性别和耕地面积决定，而正规教育和年龄的作用相对有限。在各类SFTs中，机器人与自动驾驶车辆、决策支持系统（Decision Support Systems, DSS）及数据采集技术 consistently showed the highest mean impacts，而农场管理信息系统（Farm Management Information Systems, FMIS）和云平台等管理导向型工具则显示出较 modest 的收益。尽管北部和中部地区采纳率更高，但南部及岛屿地区的农场报告了显著更高的收入增长、成本削减及投入品节约。总体而言，研究结果表明，SFTs primarily function as a mechanism for narrowing performance gaps by delivering the largest marginal benefits where constraints are most severe。

论文解读：意大利智能农业技术采纳与影响评估

一、研究背景与问题提出

随着工业4.0（Industry 4.0）浪潮的推进，物联网（IoT）、云计算及人工智能（AI）等创新技术正驱动农业向“农业4.0”（Agriculture 4.0）转型，即智能农业（Smart Farming）。欧盟共同农业政策（CAP 2023–27）亦明确支持农业数字化。意大利作为全球食品领域的重要参与者和农机制造强国，其农业4.0市场价值虽在增长，但数字化成熟度呈现两极分化：仅8%的农场达到成熟水平，57%处于数字化不活跃状态。尽管84%的农场曾获公共激励，但新农场采纳速度缓慢，且市场在近期出现波动。

现有研究存在三个显著缺口：第一，多数研究聚焦于单一技术或特定作物系统，缺乏对多种SFTs组合采纳的综合性分析；第二，证据多集中于采纳意愿和假设性收益，缺乏基于真实采纳者感知的经济与资源节约 impact 的实证数据；第三，缺乏采用严谨计量经济学模型（如Probit-Heckman模型）对采纳与影响进行联合分析的全国性研究。这导致政策设计与农场决策缺乏可靠依据。

二、研究设计与技术方法

本研究基于2025年8月至10月在意大利全国范围内开展的农场层面问卷调查，最终保留345份有效样本。研究覆盖七类SFTs：数据采集系统、自动驾驶车辆与机器人、智能互联机械、移动便携设备、决策支持系统（DSS）、农场管理信息系统（FMIS）及云数字基础设施。研究人员构建了二元采纳变量（AnyTech），并针对六项感知 impact（收入增长、成本、水、劳动力、肥料、农药节约）建立 econometric 模型。

关键方法：

1. 1.
   样本与变量设计：采用非概率便利抽样结合网络扩散策略，通过Agriliv平台及Edagricole出版网络收集数据。核心变量包括农场结构、农户 socio-demographic 特征及七类技术采纳状态。
2. 2.
   模型构建：首先使用Probit模型估计至少采纳一种SFT的概率（RQ1）；随后采用Heckman两步选择模型纠正样本选择偏差，估计采纳对六项 impact 的边际效应（RQ2 & RQ3）。
3. 3.
   统计处理：应用描述性统计分析区域异质性（NUTS-1分类）与技术组合分布，并检验模型的正态性、外生性及独立性假设。

三、研究结果与发现

1. 采纳决定因素：数字素养与合作社的关键作用

Probit模型结果显示，农户的数字知识水平与合作社成员身份是驱动SFT采纳的最显著因素。耕地面积（规模）与性别（男性）亦呈现正向影响。相比之下，正规教育程度与年龄的影响相对有限。这表明“软性”能力与社会资本比传统人口学特征更能预测采纳行为。

2. 技术异质性：硬件与DSS表现更优

在七类技术中，机器人与自动驾驶车辆、DSS及数据采集技术 consistently showed the highest mean impacts，农户报告了显著的收入增长与资源节约。而FMIS与云平台等管理类工具 perceived impacts 相对 modest。这反映了操作层技术（operational tech）比管理层工具（managerial tools）更易产生直观效益。

3. 区域异质性：南部地区的“追赶效应”

尽管意大利北部与中部地区在技术 adoption rate 上领先，但南部及岛屿地区的采纳者报告了显著更高的收入增长、成本削减及投入品节约。这表明SFTs在基础设施或资源约束更严格的地区，发挥了“缩小表现差距”（narrowing performance gaps）的作用，即边际收益更高。

4. 影响机制：资源替代与效率路径

Heckman模型结果显示，SFTs adoption 显著 associated with 成本削减与 labour savings，同时促进了 water、fertiliser 与 pesticide 的减量使用。这表明技术主要通过资源替代效应（substitution effect）与精准化决策（precision decision-making）提升经济与环境绩效。

四、讨论与结论

本研究通过全国性样本证实，SFTs 的实际 impact 并非均匀分布，而是受到技术类型、区域资源禀赋与农户社会资本的多重调节。研究挑战了“高投入区域必然高回报”的假设，揭示了后发地区在技术采纳后的高弹性增长潜力。政策含义在于：应优先加强农户数字技能培训与合作社网络建设，而非单纯依赖硬件补贴。

结论翻译：

研究结果表明，采纳主要由农民的数字知识、合作社成员身份、性别和耕地面积决定，而正规教育和年龄的作用更为有限。在智能农业技术中，机器人及自动驾驶车辆、决策支持系统（DSS）和数据采集技术 consistently showed the highest mean impacts，而如农场管理信息系统（FMIS）和云平台等管理导向型工具则显示出更 modest 的收益。尽管北部和中部地区采纳率更高，但南部和岛屿地区的农场报告了显著更高的收入增长、成本削减和投入节约。总体而言，研究结果表明，智能农业技术 primarily function as a mechanism for narrowing performance gaps by delivering the largest marginal benefits where constraints are most severe。