家庭农场绿色防控技术采纳行为的空间依赖性研究

高杨 董晋 张笑

摘要：本文依据黄淮海平原366户家庭农场的实地调研数据，在全域Moran's I检验的基础上，构建贝叶斯空间杜宾Probit模型，设定合适的空间权重矩阵，从中选择最优模型进行参数估计，并借助偏微分方法，分解特征变量对家庭农场绿色防控技术（GCT）采纳行为的直接效应和空间溢出效应。研究发现：相邻家庭农场绿色防控技术采纳行为存在空间相关性，其地理分布具有空间集聚特征；家庭农场相距2.0千米以内时，其绿色防控技术采纳行为的空间依赖性最强；农场主的受教育程度和风险偏好程度、家庭资金状况和劳动力数量、对绿色防控技术和化学农药危害的认知程度、从媒体获取信息的程度、是否认识已采纳GCT的农场主和是否参与技术培训的情况显著正向影响家庭农场的GCT采纳行为；家庭农场的GCT采纳行为主要受其特征变量的直接影响，但邻近家庭农场特征变量的空间溢出效应也不容忽视，尤其是邻近家庭农场的参与技术培训情况、劳动力数量和资金状况。

关键词：家庭农场 绿色防控技术 空间溢出效应 贝叶斯空间杜宾Probit模型 黄淮海平原

一 引言

化学农药是重要的农业生产资料，对防病治虫和实现稳产高产至关重要。但我国单位面积化学农药的平均用量比农业发达国家高2.5～5倍[1]，且农户擅自加大化学农药施用量、提高施用频率以及缩短间隔期等不规范行为普遍存在[2]，这不仅造成农户生产成本增加，也给社会带来农产品农药残留超标和环境污染问题。

为保障农业生产安全、农产品质量和生态环境安全，促进农业可持续发展，我国政府大力推广绿色防控技术（Green Control Techniques, GCT）。作为病虫害综合防治（Integrated Pest Management, IPM）的中国本土化实践，GCT具有优先采用生态调控、生物防治、物理防治和科学用药等资源节约型、环境友好型技术措施的特征。然而，GCT在我国仍以试验示范、点片实施为主，大面积推广应用仍任重而道远[3]。

厘清农户需求是GCT大面积推广应用的基础。为此，国内外学者开展了众多关于农户GCT（IPM）采纳行为的影响因素研究。从户主特征来看，蔡书凯[4]、刘洋等[5]、Murage等[6]和Korir等[7]研究证实，户主性别、受教育程度和风险偏好程度影响农户的GCT（IPM）采纳行为；从资源禀赋特征来看，Kabir和Rainis[8]、Hussian等[9]、姚文[10]和Allahyari等[11]研究表明，较大的耕地规模、良好的资金状况和充足的劳动力有利于农户采纳IPM；从心理认知特征来看，Shojaei等[12]、朱萌等[13]和吴雪莲等[14]均认为，认知水平是影响农户IPM采纳行为的重要因素；从信息特征来看，与乡邻的交流频率[15]、从媒体获取信息的程度[16-17]和参与技术培训情况[18]对农户IPM采纳行为具有显著影响。

可见，现有文献为本文的进一步研究提供了十分有价值的参考。然而，现有研究并未考虑农户GCT（IPM）采纳行为的空间依赖性，即现有研究聚焦于农户自身特征变量对其GCT（IPM）采纳行为的直接影响，忽视了邻近农户的采纳行为和特征变量对其采纳行为的空间溢出效应。若不考虑空间依赖性，不仅无法诠释空间结构对农户GCT采纳行为的影响，还会导致估计结果偏误[19-20]。

空间依赖性是指个人行为会随着社会群体的行为而改变，主要表现为距离相近的农户之间，其行为相似[21]。Lewis 等[22]、Bjørkhaug 和 Blekesaune[23]、Allaire等[24]和Tessema等[25]均证实，相邻农户的技术采纳行为并非彼此独立，而是存在空间依赖性。但现有研究大多以农业发达国家为例，以发展中国家为研究对象的文献相对缺乏。事实上，农业发达国家基于多元化的正式信息来推广农业技术，而发展中国家的正式信息相对稀缺，农户主要依靠邻居和朋友等非正式渠道获取农业技术信息，空间依赖性可能更强[26]。

此外，在市场经济和农业现代化的政策体系冲击下，我国农户日益分化为以兼业化、分散化为特征的传统农户和以专业化、集约化、组织化、社会化为特征的家庭农场，两者将会在相当长的时期内并存[27]。其中，家庭农场是未来我国农业发展的趋势，且在科技成果应用和绿色发展方面对传统农户具有引领功能[28][29]。但现有国内研究大多以传统农户为例，以家庭农场为研究对象的文献十分鲜见。

基于上述原因，本文以黄淮海平原366户家庭农场为例进行分析。首先，采用全域Moran's I，检验我国家庭农场GCT采纳行为的空间相关性；其次，建立贝叶斯空间杜宾Probit模型，并设定合适的空间权重矩阵，从中选择最优模型进行参数估计；再次，借助偏微分方法，分解特征变量对家庭农场GCT采纳行为的直接效应和空间溢出效应。

本文的边际贡献主要体现在以下三个方面：第一，鉴于当前国内研究主要以传统农户为例，本文拓展了研究对象，重点研究家庭农场GCT采纳行为；第二，较之于以往研究，本文关注空间溢出效应，不仅能诠释空间结构对家庭农场GCT采纳行为的影响，还避免了估计结果偏误；第三，本文以世界上最大的发展中国家——中国为例，“中国经验”将为其他发展中国家提供借鉴和参考。

二 文献回顾与变量选取

现有研究大多基于户主特征、资源禀赋特征、心理认知特征和信息特征，分析农户（家庭农场）GCT（IPM）采纳行为的影响因素[17] [30-31]。

（一）农场主特征

Kabir等（2015）指出，由于缺乏专业知识，户主为女性的农户往往不会采纳IPM；户主务农年限越长的农户，越倾向于沿袭传统的病虫害防治方法[32]。户主受教育程度越高，越能客观地评价IPM[7]；户主风险偏好程度越高，越能坦然接受采纳GCT的不确定性[33]。鉴于此，本文选取性别、务农年限、受教育程度和风险偏好程度作为农场主特征的衡量指标。

（二）资源禀赋特征

耕地、资金和劳动力作为家庭农场开展农业生产的基础条件，能够反映资源禀赋特征，且会对GCT采纳行为产生一定影响。具体而言，较小的耕地面积限制了家庭农场对IPM的采纳[34]；资金短缺使得农户缺乏采纳IPM的动力[35]；劳动力数量越少的家庭农场，越担忧没有充裕的劳动力学习并实施GCT，这种担忧情绪阻碍了其对GCT的采纳[36]。故本文通过耕地面积、资金状况和劳动力数量来衡量家庭农场的资源禀赋特征。

（三）心理认知特征

家庭农场主的心理认知对其 GCT 采纳行为具有一定的影响。Kabir等[37]研究表明，对IPM具有良好认知的农户，倾向于采纳IPM。Stallman和James[38]证实，了解化学农药危害的家庭农场主，往往愿意采纳 IPM。因此，本文以对GCT和化学农药危害的认知程度反映家庭农场主的心理认知特征。

（四）信息特征

媒体宣传是农户行为决策的标杆导向，从媒体获取信息的程度显著影响其IPM采纳行为[17]。Läpple等[21]发现，如果农户认识已采纳IPM的农场主，则其采纳概率要高10.9%。Sanglestsawai等[39]认为，农户参与田间学校培训能显著提高其技术认知水平和实践能力，从而促进其采纳IPM。因此，从媒体获取信息的程度、是否认识已采纳GCT的农场主和是否参与技术培训是本文衡量家庭农场信息特征的具体指标。

三 研究方法

（一）空间相关性检验

空间相关性检验是构建空间计量模型的必要前提[40]。现有研究大多采用全域Moran's I来检验空间相关性[41]。当空间相关性通过检验时，则证实邻近家庭农场的GCT采纳行为及其特征变量对家庭农场的GCT采纳行为可能存在空间溢出效应。

全域Moran's I的绝对值大小表示空间相关性的强弱。当-1≤Moran'sI＜0或0＜Moran'sI≤1时，均表示存在空间相关性，前者表示空间负相关，后者表示空间正相关；当Moran'sI=0时，表示空间不相关。其表达式为：

其中，n为样本数量，yi是家庭农场i 采纳行为的观测值，yj是邻近家庭农场 j 采纳行为的观测值，W 表示 n ×n 的空间权重矩阵。。

（二）贝叶斯空间杜宾Probit模型构建

家庭农场的技术采纳行为可被视作一次投资决策[42]。当家庭农场i采纳GCT的期望效用大于未采纳时的期望效用时，家庭农场i会采纳GCT，即：

其中，G表示家庭农场i采纳GCT的成本，包括信息收集成本、杀虫灯等设备投资成本以及技术运用不当而导致的初始收入损失。Pred代表家庭农场i采纳GCT所减少的化学农药施用成本。A代表家庭农场对GCT的态度，对其采纳行为可能产生积极影响，也可能产生消极影响[43]。πk（k=ad, no）代表家庭农场的收益，即：

其中，pk是指农产品销售价格；q是指产量，受到投入因素fk（如土地适宜性、劳动力投入、农资投入、机械化投入和灌溉设施投入）和空间因素F（如到农产品销售市场的距离）的影响；ck是指可变成本；s代表家庭农场采纳GCT所得到的农业补贴。

然而，家庭农场的期望效用无法直接观测。家庭农场是否采纳GCT是可以观测的，故定义示性函数：

若全域Moran's I显著，本文将构建空间杜宾Probit模型如下：

其中，y代表家庭农场GCT采纳行为的观测值向量。X为家庭农场特征变量向量，β代表其回归系数向量，Xβ表示家庭农场特征变量对其GCT采纳行为的直接影响。W表示空间权重矩阵，ρWy为空间滞后项，表示邻近家庭农场的采纳行为对家庭农场采纳行为的间接影响，ρ是其回归系数向量。WXθ为邻近家庭农场特征变量的空间加权线性组合，表示邻近家庭农场的特征变量对家庭农场采纳行为的间接影响，θ是其回归系数向量。ε～N（0, IN）表示随机误差项，IN为n维单位矩阵。

此外，在参数估计方面，本文采用基于Markov Chain Monte Carlo（MC-MC）抽样算法的贝叶斯估计法。该方法通过结合模型似然函数p（y| τ）和先验分布p（τ），估计未知参数τ=（β, θ, ρ），充分考虑先验信息的作用，从而优化了统计推断的结果，解决了参数的不确定性问题[44]。具体而言，首先给出参数的先验分布信息，进而应用贝叶斯定理得到参数的后验分布信息p（τ| y）：

此时，借助MCMC 抽样算法进行空间杜宾Probit 模型的后验分布抽样，抽样序列将收敛于模型参数的联合后验分布。进而，可以计算抽样序列的均值和方差，以获得参数估计值和标准误差。

（三）最优模型选择

由于空间依赖性具有随距离衰减的特征，因此需要选择合适的门槛值以保证每个样本家庭农场至少有一个与之相邻的家庭农场[26]。Roe等[45]指出，超过某个特定的门槛值后，空间溢出效应不再影响家庭农场的技术采纳行为，即超过这个门槛值的所有空间权重矩阵（Wij）均为零，可表示为：

其中，d代表空间溢出效应为零的门槛值。由于家庭农场技术采纳行为的空间依赖性半径为2.0 ～4.0千米[26]，本文分别将2.0千米、2.5千米、3.0千米、3.5千米、4.0千米（间隔500米）作为不同的门槛值，设定5个贝叶斯空间杜宾Probit模型。进而比较这5个模型的后验模型概率，从中选择最高的作为最优模型进行参数估计。

（四）空间影响分解

贝叶斯空间杜宾Probit模型的估计结果仅能证实特征变量对家庭农场GCT采纳行为的正向或反向影响，无法反映每个特征变量的直接效应和空间溢出效应[46]。因此，需要对模型中的直接效应和空间溢出效应进行分解。LeSage和Pace[47]指出，采用点估计方法，会导致模型估计偏误，而采用偏微分方法能避免这一问题。因此，本文基于偏微分方法，将特征变量对家庭农场GCT采纳行为的空间影响分解为直接效应和空间溢出效应。具体而言，将公式（5）转化为：

则y关于X的偏微分方程矩阵为：

其中，等号右端方程中，对角线元素的平均值为直接效应，表示家庭农场的特征变量对其GCT采纳行为的直接影响；非对角线元素的平均值为空间溢出效应，表示邻近家庭农场的特征变量对家庭农场GCT采纳行为的间接影响。

四 数据说明

（一）资料来源

黄淮海平原是我国重要的农产品生产基地，主要包括河北、河南、山东、安徽和江苏5个省份。上述五省的家庭农场均逾万户，且均有病虫害绿色防控示范区。因此，在上述五省展开问卷调查，对研究家庭农场GCT采纳行为的空间依赖性具有代表性。

调查分为两个阶段展开。第一阶段为预调研，2016年12月，调查小组在山东省随机选取了20户家庭农场进行入户访谈，了解其GCT采纳情况，并就相邻家庭农场的信息交流情况展开调查。根据预调研结果，对调查问卷中存在的不足予以完善。第二阶段为2017年1 ～2月的正式调研，采用多阶整群随机抽样方法。首先，在上述五省中随机选取10个地级市；其次，在每个地级市随机选取2个县（市、区）；再次，在各县（市、区）随机选取20户家庭农场作为样本。问卷由经过培训的研究生和高年级本科生采取入户访谈的方式填写。共发放问卷400份，剔除重要指标缺失的问卷，最终获得有效问卷366份，问卷有效率为91.5%。

此外，家庭农场特征变量的具体测量方法如下：农场主性别通过“男=1，女=0”来取值；农场主务农年限以“实际务农年数”来测量；农场主受教育程度采用“小学及以下=1，初中=2，高中或中专=3，大专及以上=4”的方法取值；经营耕地面积以“实际经营耕地面积”来测量；劳动力数量通过“实际家庭劳动力和长期雇工的加总”来取值；是否认识已采纳GCT的农场主和是否参与技术培训均以“是=1，否=0”来取值；其他变量皆采用李克特7级量表进行测量。

（二）描述性统计

在366份有效问卷中，采纳 GCT 的家庭农场有174户，占比为47.5%，这与胡林英等[48]的调查结果相近（见表1）。

从农场主性别来看，样本均值为0.667，说明大多数农场主为男性。从务农年限来看，样本均值为12.566年。从受教育程度来看，初中和高中或中专的样本总和占68.58%，这与我国以中等受教育程度为主的劳动力结构相一致。从经营耕地面积来看，样本均值为135.874亩，面积100 ～300亩的样本数量最多，占比为55.19%，而面积在50～100亩和300亩以上的样本分别占38.8%和6.01%，这在一定程度上体现了家庭农场适度规模经营的特征。从劳动力数量来看，样本均值为7.970，有64.21%的样本家庭农场拥有劳动力数量为5～10人，有25.14%的样本家庭农场拥有劳动力数量为1～4人，其余10.65%的样本家庭农场拥有劳动力数量超过10人。就样本特征分布来看，与2013年我国农业部对家庭农场的统计结果基本一致，此次调查的样本具有一定的代表性。

五 模型估计结果

（一）空间相关性检验结果

检验结果表明，全域Moran's I为0.315，且在1%的水平下显著，这表明家庭农场的GCT采纳行为在地理空间上并非随机分布，而是具有空间关联性。原因在于：相邻家庭农场之间日常交流与业务往来频繁，具有较强的同群效应[49]。因此，有必要构建贝叶斯空间杜宾Probit模型，进一步对家庭农场GCT采纳行为的空间依赖性进行实证检验。

（二）最优模型选择结果

为设定合适的空间权重矩阵，分别将2.0千米、2.5千米、3.0千米、3.5千米、4.0千米作为不同的门槛值，设定5个贝叶斯空间杜宾Probit模型。如表2所示，以2.0千米为门槛值时，后验模型概率最高，为最优模型。同时，随着门槛值d的变大，越来越远的家庭农场被定义为“相邻家庭农场”，其空间滞后项系数ρ值逐渐减小。因此，本文假设：若家庭农场之间的距离超过2.0千米，则空间溢出效应为零。

（三）贝叶斯空间杜宾Probit模型估计结果

以2.0千米作为门槛值，设定空间权重矩阵，构建最优贝叶斯空间杜宾Probit模型（见表3）。估计结果表明：第一，邻近家庭农场采纳行为的空间滞后项显著，且系数ρ为正，这意味着家庭农场的GCT采纳行为存在空间依赖性，邻近家庭农场采纳GCT会提高家庭农场的GCT采纳率；第二，除经营耕地面积外，其他特征变量的空间滞后项均通过了显著性检验，这表明家庭农场的GCT采纳行为确实受到邻近家庭农场特征变量的影响。

此外，特征变量对家庭农场GCT采纳行为的影响如下。

从农场主特征来看，家庭农场主的受教育程度和风险偏好程度对其GCT采纳行为具有显著正向影响，性别和务农年限则具有显著反向影响。第一，农场主的受教育程度越高，其获取GCT信息的机会和渠道越多，理解能力越强，从而越可能采纳GCT[50]；第二，风险偏好程度高的农场主具有先动性特征，往往会通过采纳GCT，来达到降低化学农药成本和增加产量的目的[51]；第三，相比于男性，女性农场主的农产品质量安全和生态保护意识更强，故更可能采纳GCT[52]；第四，务农年限长的家庭农场主，往往在思想上较为保守，容易固守传统的病虫害防治方法[11]。

从资源禀赋特征来看，充裕的资金和劳动力是家庭农场主学习并实施新技术的前提[42]，故资金状况和劳动力数量显著正向影响家庭农场的GCT采纳行为。此外，经营耕地面积对家庭农场GCT采纳行为的影响并不显著。这是由于，当经营耕地面积超过临界点后，随着面积的增加，家庭农场在GCT规模效应的驱动下，均有动力采纳GCT[4]。就我国家庭农场而言，经营耕地面积均达到了各地方政府规定的规模标准并相对稳定[36]。

从心理认知特征来看，对GCT和化学农药危害的认知程度显著正向影响家庭农场的GCT采纳行为。不难理解，家庭农场对GCT和化学农药危害的认知程度越高，越倾向于采纳GCT[53]。

从信息特征来看，参与技术培训、认识已采纳GCT的农场主和从媒体获取信息的程度较高对家庭农场的GCT采纳行为产生显著积极影响。其原因在于：第一，参与技术培训是家庭农场掌握GCT操作规范的最有效途径，有助于其顺利开展GCT实践[54]；第二，家庭农场若认识已采纳GCT的农场主，可以依靠“搭便车”获取GCT的实践经验，从而促进其采纳GCT[55]；第三，我国农民闲暇时乐于观看新闻和农业节目，媒体所报道的GCT实施案例和典型经验会提高家庭农场对GCT效用的认知，激发其采纳GCT[14]。

（四）空间影响分解结果

尽管贝叶斯空间杜宾Probit模型的参数估计结果证实了特征变量对家庭农场GCT采纳行为的正向或反向影响，但其回归系数包含相邻家庭农场GCT采纳行为的反馈效应，无法准确体现直接影响与间接影响的大小。因此，需要剔除反馈效应[46] [56]。本文借助偏微分方法，将空间影响分解为直接效应和空间溢出效应（见表4）。

分解结果表明，农场主的受教育程度、参与技术培训情况、家庭资金状况、劳动力数量、对化学农药危害的认知程度、对GCT的认知程度、是否认识已采纳GCT的农场主、风险偏好程度和从媒体获取信息的程度正向影响家庭农场的GCT采纳行为，且总效应依次递减。第一，农场主受教育程度是影响家庭农场 GCT 采纳行为最为重要的因素，其直接效应占22.4%，空间溢出效应占5.9%。一方面，家庭农场主的受教育程度越高，意味着其学习技术的能力越强；另一方面，家庭农场主往往更会信服和模仿邻近受教育程度高的家庭农场主的技术采纳行为[57]。第二，与未参与技术培训的家庭农场相比，参与技术培训的家庭农场采纳 GCT 的概率高27.7%。其中，17.8%为直接效应，9.9%为空间溢出效应。众所周知，政府举办的农业技术培训面向区域内的所有家庭农场。相邻家庭农场共同参与技术培训，会相互学习和探讨技术操作规范，从而提高彼此的技术水平[48]。第三，家庭资金状况对家庭农场GCT采纳行为的总效应、直接效应和空间溢出效应分别为26.6%、18.7%和7.9%。相邻家庭农场之间通常存在资金借贷关系，充裕的资金为彼此采纳新技术提供了有力支持[58]。第四，家庭劳动力数量对家庭农场GCT采纳行为的总效应为19.8%，其中8.1%来自空间溢出效应。相邻家庭农场间的帮工现象较为普遍，充裕的劳动力为彼此采纳新技术提供了保障[59]。第五，对化学农药危害的认知程度对家庭农场的GCT采纳行为具有17.8%的总效应，并可细分为12.8%的直接效应和5.0%的空间溢出效应。对GCT的认知程度对家庭农场GCT采纳行为的总效应为16.4%，包含10.6%的直接效应和5.8%的空间溢出效应。家庭农场对化学农药危害和GCT的认知程度越高，越会采纳GCT。同时，与乡邻交流是家庭农场进行社会学习的方式之一，邻近家庭农场对化学农药和GCT的认知程度越高，越会提升家庭农场采纳GCT的概率[60]。第六，认识已采纳GCT的农场主对家庭农场GCT采纳行为的直接效应和空间溢出效应分别为9.3%和4.8%。若相邻家庭农场都认识已采纳GCT的农场主，则会加快GCT实践经验的扩散，从而增强彼此采纳GCT的信心和动力[21]。第七，农场主的风险偏好程度对家庭农场GCT采纳行为的总效应为10.7%，而空间溢出效应为2.6%。若相邻家庭农场均为风险偏好型，则彼此均会积极采纳GCT[36]。第八，从媒体获取信息的程度对家庭农场GCT采纳行为的总效应为8.5%，由6.2%的直接效应和2.3%的空间溢出效应组成。无论是家庭农场，还是邻近家庭农场，从媒体获取的信息程度越高，越会增强其对 GCT 的理解和采纳信心，从而有利于彼此采纳GCT[12]。

此外，女性农场主比男性农场主采纳GCT的概率高19.6%，这源于女性对化学农药潜在危害的关注度要高于男性[61]。同时，女性之间的交流往往比男性频繁，频繁交流进一步促进了女性农场主采纳GCT[62]。农场主务农年限对家庭农场GCT采纳行为的总效应为-15.8%，其中空间溢出效应为-5.7%。务农年限长的农场主往往对新技术较为排斥。同时，务农年限长的农场主往往是区域内的德高望重者，其建议发挥着重要作用，会对区域内家庭农场的GCT采纳行为产生反向影响[63]。经营耕地面积对家庭农场GCT采纳行为的总效应仅为0.6%，普遍小于其他变量的总效应，进一步印证了其对家庭农场GCT采纳行为的影响并不显著。

总体上，家庭农场的GCT采纳行为主要受特征变量的直接影响，但邻近家庭农场特征变量的空间溢出效应也不容忽视，尤其是邻近家庭农场的参与技术培训情况、劳动力数量和资金状况。

六 主要结论与政策建议

本文依据黄淮海平原366户家庭农场的实地调研数据，在全域Moran's I检验的基础上，构建贝叶斯空间杜宾Probit模型，设定合适的空间权重矩阵，从中选择最优模型进行参数估计，并借助偏微分方法，进一步分解特征变量对家庭农场GCT采纳行为的直接效应和空间溢出效应。

本文的主要结论如下：第一，家庭农场的GCT采纳行为存在空间相关性，其地理分布具有空间集聚特征；第二，家庭农场相距2.0千米以内时，其GCT采纳行为的空间依赖性最强；第三，农场主的受教育程度和风险偏好程度、家庭资金状况和劳动力数量、对GCT和化学农药危害的认知程度、从媒体获取信息的程度、是否认识已采纳GCT的农场主和是否参与技术培训显著正向影响家庭农场的GCT采纳行为，而农场主的性别和务农年限显著反向影响家庭农场的GCT采纳行为；第四，家庭农场的GCT采纳行为主要受特征变量的直接影响，但邻近家庭农场特征变量的空间溢出效应也不容忽视，尤其是邻近家庭农场的参与技术培训情况、劳动力数量和资金状况。

本文的主要研究结论对于GCT推广政策的制定具有以下政策含义。一是实行“非平衡推广战略”。鉴于家庭农场的GCT采纳行为具有空间集聚特征，应将政策向已有一定GCT应用基础的若干区域适当倾斜，使这些区域真正实现GCT的大面积应用，从而逐步向周边区域扩散。二是政策的多管齐下。通过提升技术培训效果、改善融资环境、注重宣传引导、加大对家庭农场主的再教育力度、加强基层技术推广队伍建设等，改善家庭农场的内在条件，为其采纳GCT减少障碍和压力。三是重视空间溢出效应。选择已参与技术培训、家庭劳动力数量充足和资金状况良好的家庭农场作为GCT采纳示范户，充分发挥其空间溢出效应。

参考文献

[1] Jin, J. , Wang, W. , He, R. , et al. ,“Pesticide Use and Risk Perceptions Among Small-Scale Farmers in Anqiu County, China, ”International Journal of Environmental Research and Public Health, 2017, 14（1）: 29.

[2] 王建华、马玉婷、李俏：《农业生产者农药施用行为选择与农产品安全》,《公共管理学报》2015年第1期。

[3] 王建强、王强、赵中华：《加快推进农作物病虫害绿色防控工作的对策建议》,《中国植保导刊》2015年第8期。

[4] 蔡书凯：《经济结构、耕地特征与病虫害绿色防控技术采纳的实证研究——基于安徽省740个水稻种植户的调查数据》,《中国农业大学学报》2013年第4期。

[5] 刘洋、熊学萍、刘海清等：《农户绿色防控技术采纳意愿及其影响因素研究——基于湖南省长沙市348个农户的调查数据》,《中国农业大学学报》2015年第4期。

[6] Murage, A. W. , Midega, C. A. O. , Pittchar, J. O. , et al. ,“Determinants of Adoption of Climate-Smart Push-Pull Technology for Enhanced Food Security Through Integrated Pest Management in Eastern Africa, ”Food Security, 2015, 7（3）: 709-724.

[7] Korir, J. K. , Affognon, H. D. , Ritho, C. N. , et al. ,“Grower Adoption of an Integrated Pest Management Package for Management of Mango-Infesting Fruit Flies（Diptera: Tephritidae）in Embu, Kenya, ”International Journal of Tropical Insect Science, 2015, 35（2）: 80-89.

[8] Kabir, M. H. , Rainis, R. ,“Integrated Pest Management Farming in Bangladesh:Present Scenario and Future Prospect, ”International Journal of Agricultural Technology， 2013, 9（3）: 515-527.

[9] Hussian, M. , Zia, S. , Saboor, A. ,“The Adoption of Integrated Pest Management （IPM）Technologies by Cotton Growers in the Punjab, ”Soil and Environment, 2011, 30（1）: 74-77.

[10] 姚文：《家庭资源禀赋、创业能力与环境友好型技术采用意愿——基于家庭农场视角》,《经济经纬》2016年第1期。

[11] Allahyari, M. S. , Damalas, C. A. , Ebadattalab, M. ,“Determinants of Integrated Pest Management Adoption for Olive Fruit Fly（Bactroceraoleae）in Roudbar, Iran, ”Crop Protection, 2016, 84: 113-120.

[12] Shojaei, S. H. , Hosseini, S. J. F. , Mirdamadi, M. , et al. ,“Investigating Barriers to Adoption of Integrated Pest Management Technologies in Iran, ”Annuals of Biological Research, 2013, 4（1）: 39-42.

[13] 朱萌、齐振宏、罗丽娜等：《基于Probit-ISM模型的稻农农业技术采用影响因素分析——以湖北省320户稻农为例》,《数理统计与管理》2016年第1期。

[14] 吴雪莲、张俊飚、何可：《农户高效农药喷雾技术采纳意愿——影响因素及其差异性分析》,《中国农业大学学报》2016年第4期。

[15] Genius, M. , Koundouri, P. , Nauges, C. , et al. ,“Information Transmission in Irrigation Technology Adoption and Diffusion: Social Learning, Extension Services and Spatial Effects, ”American Journal of Agricultural Economics, 2014, 96（1）: 328-344.

[16]赵连阁、蔡书凯：《农户IPM技术采纳行为影响因素分析——基于安徽省芜湖市的实证》,《农业经济问题》2012年第3期。

[17] Timprasert, S. , Datta, A. , Ranamukhaarachchi, S. L. ,“Factors Determining Adoption of Integrated Pest Management by Vegetable Growers in Nakhonratchasima Province Thailand, ”Crop Protection, 2014, 62: 32-39.

[18] Sharma, R. , Peshin, R. ,“Impact of Integrated Pest Management of Vegetables on Pesticide Use in Subtropical Jammu, India, ”Crop Protection, 2016, 84: 105-112.

[19] Anselin, L. , Bera, A. K. , Spatial Dependence in Linear Regression Models with An Introduction to Spatial Econometrics, Basel Switzerland: Marcel Dekler, 1998.

[20] Boncinelli, F. , Bartolini, F. , Brunori, G. , et al. ,“Spatial Analysis of the Participation Inagri-Environment Measures Fororganic Farming, ”Renewable Agriculture and Food Systems, 2015, 31（4）, 375-386.

[21] Läpple, D. , Kelley, H. ,“Spatial Dependence in the Adoption of Organic Drystock Farming in Ireland, ”European Review of Agricultural Economics, 2015, 42（2）: 315 -337.

[22] Lewis, D. J. , Barham B. L. , Robinson, B. ,“Are There Spatial Spillovers in the Adoption of Clean Technology? The Case of Organic Dairy Farming, ”Land Economics, 2011, 87: 250-267.

[23] Bjørkhaug, H. , Blekesaune, A. ,“Development of Organic Farming in Norway: A Statistical Analysis of Neighbourhood Effects, ”Geoforum, 2013, 45: 201-210.

[24] Allaire, G. , Poméon, T. , Maigné, E. , et al. ,“Territorial Analysis of the Diffusion of Organic Farming in France: Between Heterogeneity and Spatial Dependence, ”Ecological Indicators, 2015, 59: 70-81.

[25] Tessema, Y. M. , Asafu-Adjaye, J. , Kassie, M. , et al. ,“Do Neighbours Matter in Technology Adoption? The Case of Conservation Tillage in Northwest Ethiopia, ”African Journal of Agricultural and Resource Economics, 2016, 11（3）: 211-225.

[26] Wollni, M. , Andersson, C. ,“Spatial Patterns of Organic Agriculture Adoption:Evidence from Honduras, ”Ecological Economics, 2014, 97: 120-128.

[27] Gao, Y. , Zhang, X. , Wu, L. , et al. ,“Resource Basis, Ecosystem and Growth of Grain Family Farm in China: Based on Rough Set Theory and Hierarchical Linear Model, ”Agricultural Systems, 2017, 154: 157-167.

[28] 何秀荣：《关于我国农业经营规模的思考》,《农业经济问题》2016年第9期。

[29] 朱启臻、胡鹏辉、许汉泽：《论家庭农场：优势、条件与规模》,《农业经济问题》2014年第7期。

[30] Hou, B. , Wang, Z. W. , Ying, R. Y. ,“Pesticide Residues and Wheat Farmer's Cognition: A China Scenario, ”Agricultural Research, 2016, 5（1）: 51-63.

[31] Lalani, B. , Dorward, P. , Holloway, G. , et al. ,“Smallholder Farmers' Motivations for Using Conservation Agriculture and the Roles of Yield, Labour and Soil Fertility in Decision Making, ”Agricultural Systems, 2016, 146: 80-90.

[32] Kabir, M. H. , Rainis, R. ,“Adoption and Intensity of Integrated Pest Management （IPM）Vegetable Farming in Bangladesh: An Approach to Sustainable Agricultural Development, ”Environment Development and Sustainability, 2015, 17（6）: 1413-1429.

[33] 储成兵：《农户病虫害综合防治技术的采纳决策和采纳密度研究——基于DoubleHurdle模型的实证分析》,《农业技术经济》2015年第9期。

[34] Goldberger, J. R. , Lehrer, N. ,“Biological Control Adoption in Western U. S. Orchard Systems: Results from Grower Surveys, ”Biological Control, 2016, 102:101-111.

[35] Rezaei, M. M. , Hayati, D. , Rafiee, Z. ,“Analysis of Administrative Barriers to Pistachio Integrated Pest Management: A Case Study in Rafsanjan City, ”International Journal of Modern Management and Foresight, 2014, 1: 35-43.

[36] Gao, Y. , Zhang, X. , Lu, J. , et al. ,“Adoption Behavior of Green Control Techniques by Family Farms in China: Evidence From 676 Family Farms in HuangHuai-Hai Plain, ”Crop Protection, 2017, 99: 76-84.

[37] Kabir, M. H. , Rainis, R. , Azad, J. ,“Are Spatial Factors Important in the Adoption of Eco-Friendly Agricultural Technologies? Evidence on Integrated Pest Management（IPM）, ”Journal of Geographic Information System, 2017, 9: 98-113.

[38] Stallman, H. R. , James, H. S. ,“Determinants Affecting Farmers'Willingness to Cooperate to Control Pests, ”Ecological Economics, 2015, 117: 182-192.

[39] Sanglestsawai, S. , Rejesus, R. M. , Yorobe, J. M. ,“Economic Impacts of Integrated Pest Management（IPM）Farmer Field Schools（FFS）: Evidence from Onion Farmers in The Philippines, ”Agricultural Economics, 2015, 46: 149-162.

[40] Hui, E. C. M. , Liang, C. ,“Spatial Spillover Effect of Urban Landscape Views on Property Price, ”Applied Geography, 2016, 72: 26-35.

[41] 龚维进、徐春华：《交通便利性、开放水平与中国房价——基于空间杜宾模型的分析》,《国际贸易问题》2017年第2期。

[42] Schmidtner, E. , Lippert, C. , Engler, B. , et al. ,“Spatial Distribution of Organic Farming in Germany: Does Neighbourhood Matter? ”European Review of Agricultural Economics, 2012, 39（4）: 661-683.

[43] Läpple, D. , Kelley, H. ,“Understanding the Uptake of Organic Farming: Accounting for Heterogeneities Among Irish Farmers, ”Ecological Economics, 2013, 88: 11-19.

[44] LeSage, J. , Pace, K. R. , Lam, N. , et al. ,“New Orleans Business Recovery in the Aftermath of Hurricane Katrina, ”Journal of the Royal Statistical Society, 2011, 174 （4）: 1007-1027.

[45] Roe, B. , Irwin, E. G. , Sharp, J. S. ,“Pigs in Space: Modeling the Spatial Structure of Hog Production in Traditional and Non-Traditional Production Regions, ”American Journal of Agricultural Economics, 2002, 84（2）: 259-278.

[46] Yang, W. , Sharp, B. ,“Spatial Dependence and Determinants of Dairy Farmers' Adoption of Best Management Practices for Water Protection in New Zealand, ”Environmental Management, 2017, 59: 594-603.

[47] LeSage, J. , Pace, K. R. , Introduction to Spatial Econometrics, New York: Taylor and Francis-CRC Press, 2009.

[48] 胡林英、杜佩、陈富桥等：《茶农绿色防控技术采用行为影响因素实证研究》,《茶叶科学》2017年第3期。

[49] Dharshing, S. ,“Household Dynamics of Technology Adoption: A Spatial Econometric Analysis of Residential Solar Photovoltaic（PV）Systems in Germany, ”Energy Research & Social Science, 2017, 23: 113-124.

[50] Supriya, U. , Ram, D. ,“Comparative Profile of Adoption of Integrated Pest Management（IPM）on Cabbage and Cauliflower Growers, ”Research Journal of Agricultural Sciences, 2013, 4（5）: 640-643.

[51] Asadpour, H. ,“Socio-Economic Factors Affecting the Development of Biological Technologies StemBorer Pest in Rice Fields of Mazandaran, ”Agricultural Economic and Development, 2011, 19（76）: 231-252.

[52] 尹世久、高杨、吴林海：《构建中国特色的食品安全社会共治体系：理论与实践》，人民出版社，2017。

[53] Jørs, E. , Aramayo, A. , Huici, O. , et al. ,“Obstacles and Opportunities for Diffusion of Integrated Pest Management Strategies Reported by Bolivian Small-Scale Farmers and Agronomists, ”Environmental Health Insights, 2017, 11: 1-14.

[54] Paul, J. , Sierra, J. , Causeret, F. , et al. ,“Factors Affecting the Adoption of Compost Use by Farmers in Small Tropical Caribbean Islands, ”Journal of Cleaner Production, 2017, 142（4）: 1387-1396.

[55] 王格玲、陆迁：《社会网络影响农户技术采用倒U型关系的检验——以甘肃省民勤县节水灌溉技术采用为例》,《农业技术经济》2015年第10期。

[56] 李飞、曾福生：《基于空间杜宾模型的农业基础设施空间溢出效应》,《经济地理》2016年第6期。

[57] Wollni, M. , Brammer, B. ,“Productive Efficiency of Specialty and Conventional Coffee Farmers in Costa Rica: Accounting for Technological Heterogeneity and Self-Selection, ”Food Policy, 2012, 37: 67-76.

[58] Gong, Y. , Baylis, K. , Xu, J. , et al. ,“Farmers' Risk Preferences and Pesticide Use Decisions: Evidence from Field Experiments in China, ”Agricultural Economics， 2016, 47（4）: 411-421.

[59] Boncinelli, F. , Riccioli, F. , Casini, L. ,“Spatial Structure of Organic Viticulture:Evidence from Chianti（Italy）, ”New Medit, 2017, 16（2）: 55-63.

[60] Grovermann, C. , Schreinemachers, P. , Riwthong, S. , et al. ,“‘Smart' Policies to Reduce Pesticide Use and Avoid Income Trade-Offs: An Agent-Based Model Applied to Thai Agriculture, ”Ecological Economics, 2017, 132: 91-103.

[61] 尹世久：《信息不对称、认证有效性与消费者偏好：以有机食品为例》，中国社会科学出版社，2013。

[62] Mzoughi, N. ,“Farmers Adoption of Integrated Crop Protection and Organic Farming:Do Moral and Social Concerns Matter? ”Ecological Economics, 2011, 70: 1536-1545.

[63] 应瑞瑶、徐斌：《农户采纳农业社会化服务的示范效应分析——以病虫害统防统治为例》,《中国农村经济》2014年第8期。