数字奶牛养殖中的结构性选择:巴西南部家庭农场传感器项圈采纳的农场结构、经营者与基础设施关联

《Dairy》:Structural Selectivity in Digital Dairy Farming: Evidence from Sensor-Collar Adoption Among Family Farms in Southern Brazil

【字体: 大 中 小 】 时间:2026年10月21日 来源:Dairy 3.0

编辑推荐:

  数字技术日益用于奶牛养殖,以提高效率、可持续性和动物管理,但其采纳可能在异质性农场间存在差异。本研究考察巴西南部南里奥格兰德州家庭奶牛场对传感器项圈(sensor-collar)的采纳情况,重点关注农场结构、经营者层面和基础设施特征。原始数据来自142份问卷;

  
数字技术日益用于奶牛养殖,以提高效率、可持续性和动物管理,但其采纳可能在异质性农场间存在差异。本研究考察巴西南部南里奥格兰德州家庭奶牛场对传感器项圈(sensor-collar)的采纳情况,重点关注农场结构、经营者层面和基础设施特征。原始数据来自142份问卷;分析140份完整案例,包括39个采纳者和101个非采纳者。采用Mann–Whitney U检验和卡方(chi-square)检验比较采纳者与非采纳者,随后进行多变量逻辑回归(multivariable logistic regression)。敏感性分析包括后向消除(backward elimination)和对数转换后的畜群规模。采纳者在全部六项观察特征上均存在显著差异。在全模型中,畜群规模是采纳最强且最稳健的相关因素。在简约模型中,畜群规模仍与采纳强烈相关(每增加1头动物,比值比(OR, odds ratio)=1.013;p < 0.001),集约化饲喂系统的采纳几率约为放牧系统的三倍(OR = 3.20;p = 0.053),更好的道路条件与采纳呈正相关(每提高一个等级 OR = 1.46;p = 0.082)。总体而言,采纳呈现结构性分化特征,以生产规模为主导,并由生产强度和物理可达性补充,符合结构性选择(structural selectivity)的数字技术扩散模式。
研究背景:奶牛养殖在巴西经济中具有战略作用,为农村地区创造收入和就业,并支撑大量以家庭为基础的农场。作为全球主要牛奶生产国之一,巴西面临提高生产率、效率和可持续性的压力。在南里奥格兰德州,奶牛养殖深度植根于家庭农业,但日益受到生产成本上升、劳动力约束、市场波动和更严格质量要求的挑战。在此背景下,数字技术被推广用于改善管理效率、降低生产风险并支持奶牛系统长期可持续性。在精准畜牧(Precision Livestock Farming, PLF)框架内,传感器项圈、耳标和自动行为监测系统等动物监测技术可连续跟踪动物活动、反刍、采食行为和健康状况,从而实现更早、更准确的管理干预。然而,其扩散在国家、生产系统和农场类型间并不均衡,采纳通常更集中于较大、技术投入更高的经营体。这引发争论:农业数字化是拓宽技术机会,还是强化异质性农场间既有差异。农业技术采纳研究关注农场规模、人力资本、技术援助、信息获取、信贷和制度支持等特征;在数字农业中,这些特征嵌入农场组织、资源和生产系统差异。奶牛养殖证据一致指向生产规模是精准技术采纳的重要相关因素,但培训、生产者经验和继承规划等经营者层面特征在同时考虑农场结构、生产强度和基础设施后,其独立关联可能减弱。因此,本研究以结构性选择描述一种扩散模式:采纳与农场结构和基础设施条件的关联系统性强于与经营者层面特征的关联;生产规模可能占主导,生产强度和物理可达性可能构成补充环境。研究目的是比较动物监测技术采纳者与非采纳者在农场结构、经营者层面、家庭/组织和基础设施特征上的差异,并评估这些特征在联合考虑时哪些仍与采纳相关。其意义在于补充全球南方重要奶区PLF研究有限的证据,并概念上回应包容性农业数字化争论:技术采纳是否更多与更广泛结构剖面相关,而非主要由经营者特征解释。

研究人员开展了横断面问卷研究,分析巴西南里奥格兰德州家庭奶牛场传感器项圈采纳情况,结论是采纳呈现结构性分化:生产规模最强且最稳健,生产强度和道路可达性提供方向一致的补充信号,而培训、继承和经验在同时调整后不显著。其重要意义在于提示数字奶牛技术采纳机会在异质性农场结构间分布不均,评估数字化包容性需考虑结构条件。

方法概述:研究在巴西南里奥格兰德州开展,采用非概率抽样;因缺乏公开抽样框,生产商从一家传感器项圈技术公司提供的采纳与非采纳奶牛场名单中接触,样本对应技术商业可达范围内的农场。获得142份有效问卷,分析140份完整案例(39个采纳者、101个非采纳者)。因变量为当前使用传感器项圈动物监测技术。双变量阶段对数值和有序变量用Mann–Whitney U检验、分类变量用卡方检验;随后拟合包含畜群规模、饲喂系统集约化、正式技术培训、明确继承、奶牛养殖经验和道路条件的多变量逻辑回归;并进行Firth惩罚似然(Firth’s penalized-likelihood logistic regression)、后向消除(p<0.10)及畜群规模自然对数转换的敏感性分析;以McFadden伪R2、受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)和Hosmer–Lemeshow检验评价模型。

3.1 采纳者与非采纳者呈现不同农场特征
通过双变量比较,140个农场中39个(27.9%)采纳。采纳者畜群规模中位数108头对60头(p<0.001),采用集约化饲喂系统者占89.7%对58.4%(p<0.001),道路条件中位数4对3(p=0.041),正式培训82.1%对57.4%(p=0.011),明确继承71.8%对50.5%(p=0.037),奶牛养殖经验中位数16年对15年(p=0.049)。结论是采纳者并非仅由单一特征区分,而呈现跨越结构、技术、社会和基础设施维度的较广泛农场与生产者剖面。

3.2 整合模型与关联层级
通过多变量逻辑回归同时调整六项特征,关联出现层级:畜群规模仍最强且估计最精确(OR=1.012;95%置信区间(CI, confidence interval)1.004–1.020;p=0.004);集约化饲喂系统估计OR=2.69(95% CI 0.80–9.12;p=0.111);道路条件OR=1.47(95% CI 0.95–2.27;p=0.084);正式培训、明确继承和生产者经验不再达到5%显著阈值。模型AUC=0.83,Hosmer–Lemeshow检验p=0.67,正确分类80%。结论是整合模型细化而非推翻双变量模式:生产规模主导,生产强度和物理可达性方向一致但统计不确定性较大,经营者与家庭层面关联明显衰减。

3.3 稳健性分析
通过Firth惩罚似然、后向消除及对数畜群规模替换进行敏感性分析:Firth模型中系数绝对值约小5–12%,符号和关联层级不变,畜群规模仍是唯一置信区间排除零的预测变量(OR=1.011;95% CI 1.004–1.019;p=0.001);简约模型中畜群规模OR=1.013(95% CI 1.006–1.021;p<0.001),集约化OR=3.20(95% CI 0.98–10.37;p=0.053),道路条件OR=1.46(95% CI 0.95–2.25;p=0.082);对数畜群规模OR=3.89(95% CI 1.73–8.72;p=0.001),McFadden R2=0.26。结论是生产规模是最稳定的经验模式,生产强度和道路条件的正估计未消失;结果支持规模主导、并由生产强度和物理可达性构成更广泛结构背景的结构分化采纳模式。

讨论部分总结:原文将双变量广泛差异与调整后层级解释为结构性选择,即采纳与农场结构和基础设施条件关联更强,生产规模是最稳健维度;生产集约化和道路可达性是补充结构信号。培训、继承和经验虽可区分采纳者,但同时调整后不显著,原文强调这可能反映其与结构变量的部分重叠、培训相对采纳的时序不确定、39个采纳事件导致精度有限,不能据此否定其在采纳后有效使用中的潜在价值。原文提出规模关联的经济解释,如固定成本可随畜群规模分摊、较大农场劳动管理复杂性更高,但指出这些机制未被直接测量。原文还把结果置于数字农业规模偏向和农村数字鸿沟讨论中,认为政策不能仅依赖信息传播、数字素养和技术培训,可考虑合作社集体采购监测基础设施、家庭农业信贷(如Pronaf)、订阅或租赁安排、推广服务(如Emater/RS-Ascar)及农村道路维护;局限包括非概率抽样、横断面设计、采纳者数量少、畜群规模为总牛数而非实际监测动物数,以及未纳入的经济、制度和市场因素。

研究结论翻译:在巴西南里奥格兰德州分析的家庭奶牛场中,传感器项圈技术采纳者表现出明显的多维特征。他们经营更大的畜群,更常与集约化饲喂系统和更好的道路可达性相关联,并在培训、继承和奶牛养殖经验方面与非采纳者不同。然而,在进行同时调整后,生产规模成为采纳最强且最稳健的相关因素。饲喂系统集约化保留了规模可观但估计不精确的正相关,而道路条件显示出较弱但方向一致的证据。培训、继承规划和生产者经验在调整后不再与采纳保持统计学关联。总体而言,这些发现支持数字奶牛技术扩散的结构性选择模式。该模式超越简单的农场规模效应:生产规模是主要经验维度,而生产强度和物理可达性提供补充性结构信号。因此,结果表明,采纳动物监测技术的机会在异质性奶牛场配置间分布不均。这些结果并未确立这些特征因果决定采纳,也未表明数字化本身会增加不平等,但表明在评估奶牛养殖数字化转型的包容性时应考虑结构异质性。从政策角度看,扩大智能奶牛技术的可及性可能需要超越信息提供和技术培训的措施。能力建设举措仍然相关,但应对措施还可包括集体或合作采购安排、适应家庭农业的融资机制、适合较小规模和放牧系统的技术,以及改善农村可达性。这些政策含义应被视为政策设计和未来评估的方向,而非本研究所证明的效应。未来研究应检验类似结构模式是否出现在其他数字技术和奶牛生产情境中。代表性抽样、纵向设计和混合方法可阐明采纳因素的时间顺序,识别规模相关差异背后的经济和组织机制,并确定结构性选择的采纳最终是否转化为技术收益获取的不平等或农场绩效的长期差异。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号