The Complexity of Multidimensional Learning in Agriculture

可持续农业技术的推广对减贫和粮食安全至关重要，但这些技术往往是知识密集型的，需要农民同时调整多种投入品和耕作方式。该研究在肯尼亚西部 Siaya 地区进行了一项随机对照试验，在 96 个村庄中随机选取 48 个村庄，邀请 10 名农民（分层抽样高技能和低技能农民）参与连续三个种植季的农艺试验（2×3 设计，比较不同投入品组合），追踪其后六个种植季的动态学习、投入采纳和利润变化。研究发现两个核心谜题：（1）尽管试验初期处理组农民利润不升反降，投入品采纳率却持续上升；（2）高技能农民（HSF）与低技能农民（LSF）之间的农业知识差距随时间扩大而非收敛。为解释这些现象，论文构建了一个拓展的目标投入模型（target input model），核心创新在于引入多维投入决策空间和技能依赖的学习信号精度。在该模型中，投入品之间的互补性和替代性意味着采纳一项新技术需要重新优化其他投入维度——这种「再优化」过程带来短期成本。前瞻性农民在「利用已知」和「探索未知」之间进行动态权衡（multi-armed bandit 问题），高技能农民因每次观察的信息精度更高，愿承受更大的短期利润损失进行探索。实证发现支持这一框架：处理组农民在非试验地块上的投入调整频率增加，但也犯了更多错误；长期而言，投入变更幅度最大的高技能农民最终实现了利润增长；低技能农民更多依赖模仿高技能农民的选择（滞后 1-2 季），且对高技能农民的投入使用更为了解。机器学习异质性分析（Chernozhukov et al. 2025）显示，仅顶部五分之一分位数农民的处理效应显著为正。研究结论对农业推广政策具有深远含义：推广新技术组合时应辅以降低「再优化成本」的措施，而非简单展示投入品效果。