农民对气候行动的看法：来自一项信息实验的证据

《Journal of Agricultural Economics》：Farmers' Beliefs About Climate Action: Evidence From an Information Experiment

　　摘要

农民采纳气候变化缓解措施对于减少食品生产过程中的温室气体（GHG）排放至关重要。这些排放的一个主要来源是化学肥料的使用。在草原中引入三叶草可以通过减少对化学肥料的需求来缓解这一问题。在这项研究中，我们对300多名爱尔兰奶农进行了信息实验，以考察信息如何影响他们对三叶草采纳的看法，以及这种看法如何进而影响他们的后续意图。在方法上，我们结合了定性（即开放式问题）和定量（即点估计）的信念引出方法，为相关文献做出了贡献。这种方法提供了更详细的农民信念洞察，因为它能够捕捉到农民的第一反应，而不会产生预设的影响。我们的定性信念引出结果显示，在接触信息后，虽然大多数农民的观点没有改变，但有些人将担忧从“膨胀”和“困难”转变为“减少”和“可能”。定量测量表明，农民低估了三叶草减少化学肥料使用的潜力。这一发现对政策制定者来说很关键，因为类似的低估可能也存在于其他温室气体缓解措施中。重要的是，我们提供了信息可以纠正误解的因果证据。这突显了需要策略来积极改变农民的信念，以鼓励更广泛地采纳气候变化缓解措施。

1 引言

氮（N）是生命必需的元素。除了在人体中的生物学作用外，氮对于生产食物也是根本性的。它是农业中施肥和确保植物、草和作物生长的关键营养素。以化学肥料形式施用氮是最常见的促进植物生长的方法，特别是在欧洲、北美、东亚和南亚。然而，在农场层面，化学氮肥料的使用是这些地区一氧化二氮（N2O）排放的主要驱动力（Tian等人，2020年）。N2O是一种强效温室气体（GHG），具有较长的大气寿命，其全球变暖潜力是二氧化碳的265倍，其分子可以在大气中存在超过120年（政府间气候变化专门委员会，2013年）。如今，全球农业活动占N2O排放量的大约四分之三（Mbow等人，2020年），农业食品系统负责超过三分之一的全球温室气体排放（Crippa等人，2021年）。在爱尔兰，农业占国家N2O排放总量的92.6%（环境保护署，2022a, 2022b, 2022c）。化学氮肥料占这些排放量的40%（农业、食品和海洋部，2020年）。根据欧洲绿色协议，爱尔兰政府设定了到2050年减少温室气体排放并实现气候中和经济的具有法律约束力的目标（欧盟委员会，2020年）。这要求爱尔兰农业部门到2030年将温室气体排放量比2018年的水平减少25%。为了实现这些目标，政府的主要策略是实施新的农业实践，以减少农业中的温室气体排放并生产高质量的食物（环境、气候和通信部，2022年）。尽管这些实践有许多好处（Lanigan等人，2023年），但它们的采纳率仍然很低，且理解不足。一个受到政策关注的重要温室气体缓解措施是在放牧草场中加入三叶草（Oyinbo和Hansson，2024a, 2024b）。在本文中，我们的主要目的是提供信息提供如何影响农民对三叶草看法的因果证据，以便制定策略来增加农民采纳气候变化缓解措施。为此，我们对300多名爱尔兰奶农进行了信息实验，使用定性（即开放式问题）和定量（即点估计）方法来引出他们的信念。在放牧草场中加入三叶草是一项关键的温室气体缓解措施，因为它可以减少化学氮肥料的需求（Lanigan等人，2018年；Buckley等人，2020年；气候变化咨询委员会，2021年）。自2021年以来，爱尔兰政府特别建议农民采用这一做法（环境、气候和通信部，2021年），并制定了明确的指南，要求所有草地区域至少含有20%的三叶草（Hennessy、Kearney等人，2022年；Hennessy、O'Donovan等人，2022年）。这种做法允许从大气中自然固定氮，其益处已经得到了充分证明（例如，Caradus等人，1995年；Humphreys等人，2012年；Burchill等人，2014年；Egan等人，2018年）。因此，在以牧场为基础的广泛农业系统中，如在爱尔兰、澳大利亚、新西兰和美国威斯康星州，实施三叶草是一种有利的气候变化缓解措施。此外，由于环境法规和肥料成本的上升，在其他西欧国家（例如法国、德国、荷兰）也有很大的采纳潜力（Humphreys等人，2017年）。然而，尽管有文档记录的好处，三叶草和其他温室气体缓解措施的采纳率仍然很低（环境保护署，2022a, 2022b, 2022c）。这使我们怀疑农民可能缺乏对采纳这些措施所带来的经济、社会和环境利益的信念（例如，Zachmann等人，2023年；Reynaud和Ouvrard，2024年）。换句话说，农民可能对采纳的好处持有不准确或有偏见的看法。这就是本文旨在解决的核心问题：鉴于对温室气体缓解措施好处的可能缺乏信念，信息提供可能会也可能不会纠正或修正农民的不准确信念。总体而言，采纳过程决策始于农民接收到关于新农业实践的信息。关于创新的可用信息会影响农民的信念，进而影响他们是否采纳该实践的行为（Schultz，1975年；Feder等人，1985年）。重要的是，影响采纳决策的是农民对新技术的信念，而不是技术的实际好处（Chavas和Nauges，2020年）。因此，对新技术好处的误解可能会阻碍其广泛采纳。因此，信息干预很重要，因为它们可以帮助建立关于三叶草好处的积极信念，并促进采纳决策。然而，农业中的信息提供是一个复杂的过程，成功记录参差不齐（Aker，2011年；L?pple和Hennessy，2015年；Tjernstr?m等人，2021年）。因此，需要更多关于农民对新技术的看法以及如何成功影响他们信念的证据。虽然之前已经有在不同农业背景下进行信息提供实验（例如，Hanna等人，2014年；Peth等人，2018年；Buchholz和Musshoff，2021年），但只有少数研究探讨了农民如何接受关于创新的信息并随后修正他们的信念（例如，Tjernstr?m等人，2021年；Gars等人，2022年）。Tjernstr?m等人（2021年）研究了肯尼亚农民对提供农业投入回报信息的互动应用程序的反应，发现这显著改变了农民对石灰的看法。Gars等人（2022年）发现土壤测试信息影响了印度农民对最佳肥料使用的看法。根据Rogers等人（2014年）的研究，个人采纳决策可能会受到观察他人采纳行为的影响（这种现象称为社会学习）。这可能也适用于三叶草的采纳。如果农民了解到其他人已经成功采纳了三叶草等实践，这可能会影响他们自己的看法。因此，与仅从科学研究中获得信息相比，农民从其他农民那里获得有关采纳信息可能会产生不同的反应。然而，关于农民对科学建议与同行建议的反应，文献中的证据并不一致（例如，Barham等人，2018年；L?pple和Barham，2019年）。此外，信息传递的方式也很重要，但理解不足，先前的研究报道了类似信息框架对农民决策影响的有限效果（例如，Schubert，2017年；Wallander等人，2017年；Pellegrin等人，2018年；L?pple，2024年）。本研究 juga旨在通过测试了解其他农民采纳三叶草的行为是否会对采纳决策产生积极影响来解决这一差距。具体来说，在本文中，我们研究了关于三叶草节省肥料潜力的信息提供如何影响农民的信念及其后续采纳意图。我们对文献的主要贡献在于，我们在方法论方向上迈出了重要一步，即结合了定性（即开放式问题）和定量（即点估计）引出方法（Haaland等人，2023年；Stantcheva，2023年所指出的方向）。虽然在其他经济学领域也使用开放式问题来引出信念（例如，Stantcheva，2021年；Andre等人，2022年；D'acunto等人，2023年），但据我们所知，这是农业经济学中首次同时使用定性和定量信念引出的应用。这是我们的主要贡献，因为使用开放式问题可以更真实地反映农民在这种情况下认为重要的内容（捕捉农民最关心的元素）（Haaland等人，2024年），而之前的研究（例如，Costanigro等人，2015年）仅关注定量测量，这存在更高的预设或锚定反应风险。其次，鉴于欧洲及其他地区迫切需要实现气候行动目标，我们的发现可能提供有用的政策考虑，因为它们提供了关于信息如何影响农民对三叶草信念的实证证据，这些考虑 também 可以适用于其他温室气体缓解措施。第三，我们的研究是少数明确关注信息提供在促进温室气体缓解措施采纳中作用的研究之一。相比之下，大多数先前的研究评估了信息提供在农业投入和产出方面的影响（例如，Davis等人，2012年；Cawley等人，2018年；Nakano等人，2018年），或信息提示对参与保护计划或农业环境计划的影响（例如，?op和Njavro，2024年）。为此，我们使用了爱尔兰300多名奶农的信息实验。在实验中，我们将农民随机分配到两个处理组和一个主动对照组。处理组收到相同的事实信息，但一个组采用“科学框架”，另一个组采用“农民框架”。信息表明，根据当前关于三叶草的建议，化学氮肥料的使用可以减少90%。主动对照组收到了关于三叶草的“趣味事实”；这些信息与我们关注的变量无关。我们在信息提供之前和之后分别两次引出了所有农民对三叶草的信念。在定性信念引出方面，农民通过开放式问题表达了对最新三叶草采纳建议的看法。在定量方面，我们询问农民是否认为他们农场上的化学氮肥料使用会增加、减少或没有变化。那些表示肥料使用会增加或减少的农民被要求提供一个点估计。最后，我们询问了农民采纳三叶草的意图。这使我们也能够研究农民调整后的信念对其采纳意图的影响。我们假设信息将促使农民更新他们的信念，并增加他们认为的三叶草采纳带来的化学氮肥料使用减少量。我们预计这种信念的更新将增加农民采纳三叶草的意图。此外，我们预计农民的信息框架比科学框架更有效，这与文献中的先前发现一致（Barham等人，2018年）。本文的其余部分安排如下。第2部分解释了背景，强调了关注爱尔兰乳制品行业以及将三叶草引入放牧草场的重要性。第3部分介绍了实验设计，描述了样本并详细介绍了主要分析方法。然后我们在第4部分展示了结果，并在最后一部分进行了总结性评论。

2 背景

2.1 爱尔兰乳制品行业

由于2015年欧盟牛奶配额的取消，爱尔兰乳制品行业经历了显著扩张。2010年至2021年间，奶牛数量和牛奶产量分别增长了50%和74%（中央统计局，2023b，2023d）。这种扩张对农场和总体层面的化学氮肥料使用率产生了影响，进而影响了温室气体排放。例如，2010年至2021年间，爱尔兰农业的温室气体排放增加了17%（环境保护署，2022a，2022b，2022c）。在此期间，全国化学氮肥料的使用增加了18%（中央统计局，2023c）。2020年，乳制品行业占全国化学氮肥料使用的50%以上（农业、食品和海洋部，2020年）。为了解决农业扩张对环境的负面影响，爱尔兰气候行动计划制定了针对不同行业的温室气体减排措施。对于农业部门，这些措施包括减少化肥使用、提高动物生产效率、发展有机和本土生物甲烷产业，以及为畜牧业农民提供多样化的发展途径（环境、气候和通信部 2022年）。为了实现到2030年温室气体排放量相对于2018年减少25%的目标，必须采纳这些措施。除了在饲料草中引入三叶草外，还提倡以下农业实践以减少化肥使用：种植多种草种、使用保护性尿素、施用石灰以及改进营养管理计划（Lanigan等人2018年；Fitzmaurice 2022年）。从更广泛的角度来看，采用这些做法有助于降低单位产出的排放强度，从而帮助满足食品需求。最终，这有助于避免因减少奶牛数量而可能危及粮食安全的情况（Matthews 2023年）。2022年的证据表明，减少化学氮肥的施用量可以显著降低农业领域的温室气体排放。当年，由于化肥价格高昂，化学氮肥的使用量减少了14%，导致农业领域的温室气体排放量相比2021年减少了1.2%（环境保护局2022a、2022b、2022c）。这再次强调了推广能够减少化肥使用的农业实践的重要性。为此，政府还推出了新的举措（例如AgNaV、Signpost计划）来支持农民采纳这些实践。

2.2 在饲料草中引入三叶草

在奶牛场中引入三叶草是一种关键做法，因为它具有显著的环境和经济效益（Lanigan等人2023年）。传统上，爱尔兰的奶牛场使用纯多年生黑麦草草地。由于三叶草具有固氮能力和高效利用氮的能力，可以在草地上种植三叶草以减少对化学氮肥的依赖（Caradus等人2013年；环境、气候和通信部2022年）。文献中记录了不同情况下减少化学氮肥使用量的数据：一些研究显示减少了100公斤氮/公顷（例如Egan等人2018年、2015年），另一些研究显示减少了200公斤氮/公顷（例如Byrne 2023年；农业、食品和海洋部2023年），还有一些研究甚至完全取消了化学氮肥的施用（例如Humphreys等人2017年；Scully等人2021年）。三叶草还减少了氨和N2O的排放，相比传统多年生黑麦草提高了碳封存能力，并能快速吸收动物排泄物中的氮元素；此外，由于其高营养价值和饲用价值，对动物健康也有益处（Ledgard等人2009年；Humphreys等人2012年；Lanigan等人2018年）。除了环境效益外，引入三叶草还能带来显著的经济效益，如提高生产力并降低生产成本。一方面，它通过增加动物饲料摄入量10%-35%来提高生产力，并提供更多的干物质用于放牧或青贮保存（Caradus等人1995年；Andrews等人2007年；Egan等人2018年）。在某些情况下，还观察到了牛奶产量的增加（例如Johnson和Thomson 1996年；Egan等人2018年；Schaub等人2020年）。另一方面，它通过减少昂贵的化学氮肥的使用量来降低成本。鉴于其带来的多重好处，重视这种做法的重要性不言而喻。除了爱尔兰之外，在欧洲向环境可持续奶牛场转型过程中，关于引入三叶草的研究也在法国（例如Rouillé等人2022年）、德国（例如Reinsch等人2020年）和荷兰（例如Alderkamp等人2024年）等地出现。尽管如此，引入三叶草也有一定的成本需要考虑，包括重新播种的直接成本（估计为每公顷116.14欧元）以及额外的维护成本（例如每4到5年重新播种以保持草地持久性，或使用专门针对三叶草的除草剂）（Humphreys和Lawless 2006年；Buckley等人2020年）。此外，引入三叶草还需要较高的管理投入。为了实现这一目标，政府还启动了新的项目（例如AgNaV、Signpost计划）来支持农民采纳这些做法。

3 方法论

3.1 实验设计

我们使用Qualtrics（2005）设计了一个嵌入调查中的信息实验。调查内容包括农场特征、随机信息实验以及农民的社会经济特征。完整的调查内容可以在附录A.1中找到。我们的实验设计和假设已在开放科学框架上预先注册。此外，该实验还获得了戈尔韦大学伦理委员会的批准。

实验设计分为四个阶段（见图1）。对于研究信念更新的调查实验，Fuster和Zafar（2023年）以及Haaland等人（2023年）建议采用一种在处理前后收集信念的 Within 方法。一些例子包括Bleemer和Zafar（2018年）、Roth和Wohlfart（2020年）、Cullen和Perez-Truglia（2022年）等人的研究。在第一阶段，我们在处理之前收集了农民对引入三叶草的看法（即农民的先验信念）。正如所提到的，我们结合了Haaland等人（2023年）和Stantcheva（2023年）建议的定性定量信念测量方法。定性方面，我们提出了以下开放式问题：
“目前建议奶农在其所有草地面积中至少种植20%的三叶草。当您听到这个建议时，您会想到什么？”我们在设计这个问题时参考了Ferrario和Stantcheva（2022年）的建议。利用这个问题来捕捉农民的一阶信念（即在考虑引入三叶草时的担忧和考虑因素）。然后，从定量角度，受访者在以下假设情景下提供了点估计：
“目前建议奶农在其所有草地面积中至少种植20%的三叶草。假设您已经在您的农场实施了这一建议，您认为您的化学氮肥施用量会如何变化？”可选的答案包括：“增加：”、“减少：”或“无变化”。如果选择了“增加：”或“减少：”，则要求参与者提供具体的变化幅度。使用假设情景让参与者预测结果是一种越来越受欢迎的方法来衡量信念（例如Wiswall和Zafar 2018年；Andre等人2022年；Attanasio等人2022年）。具体来说，这个问题类似于Armantier等人（2017年）用于收集连续结果信念的方法。

在第二阶段，参与者被随机分配到三个组之一：两个组接受处理，一个组作为对照组。在信息实验的相关文献中，信息框架对行为影响的研究较少（例如A. Banerjee等人2020年；Bernard等人2023年；Dylong和Koenings 2023年）。因此，虽然处理组的农民接收到关于三叶草的相同事实信息，但每个组的消息框架不同。我们采用了信息框架中的来源选择机制，即信息传播者提供的信息中包含或不包含某些来源可以给接收者带来情感倾向（例如积极或消极的情绪）（Tankard Jr 2001年；De Vreese 2005年）。第一个处理组得到了基于科学研究的框架信息：
“科学研究表明，通过在所有草地面积中至少种植20%的三叶草，可以将化学氮肥的使用量减少90%。根据这些研究，对于平均奶农而言，这意味着化学氮肥的施用量可以从166.6公斤/公顷减少到16.6公斤/公顷（数据基于2021年爱尔兰奶农的平均化学氮肥施用量）。第二个处理组采用了农民视角的框架。我们保持了第一个处理组中的事实信息不变，但添加了一条提到其他奶农使用三叶草经验的句子。这一新信息来源在第一处理组中被省略，但在第二个处理组中可能会对农民产生情感影响。特别是，这一处理旨在针对Rogers等人（2014年）描述的社会学习行为反应。也就是说，了解到其他人已经采纳并从三叶草中获益可能会促使农民尝试模仿或采用类似的行为（尽管不完全相同）。虽然这一处理主要通过社会学习的角度探索行为变化，但需要认识到其他社会影响机制也可能起作用或与这一框架重叠（这种重叠在行为框架中很常见）。例如，一些反应可能反映了所谓的‘从众’或‘同伴压力’效应，即个人在了解同伴行为或大多数人的行为后调整自己的行为（Bernard等人2023年；D'Acunto等人2024年；Kabirigi等人2024年）。根据Rogers等人（2014年）的观点，通过社会学习产生行为变化并不一定需要大多数人的支持，因为通常（早期的）采用者只是少数。重要的是，即使没有大多数人的采用信号，了解到一些同伴已经采用了某种做法（从而证明该做法在技术上是可行的）也是有启发性的。被分配到第二处理的农民看到了以下信息：
“科学研究表明，通过在所有草地面积中至少种植20%的三叶草，可以将化学氮肥的使用量减少90%。根据这些研究，对于平均奶农而言，这意味着化学氮肥的施用量可以从166.6公斤/公顷减少到16.6公斤/公顷（数据基于2021年爱尔兰奶农的平均化学氮肥施用量）。通过在信息中突出新的信息来源，可以产生选择效应（框架的基本特征），从而微妙地向接收者暗示某些方面（在这种情况下是信息来源）（Lecheler和De Vreese 2019年）。这种新的信息来源的加入还避免了实验者需求效应。这种方法允许对不同处理组进行比较，并借鉴了Coibion等人（2018年）和Bernard等人（2023年）的研究。因此，所有处理组的参与者都被告知，按照建议的水平引入三叶草可以将化学氮肥的使用量减少90%。这一减少百分比是基于D. Hennessy等人（2019年）和D. Hennessy、O'Donovan等人（2022年）的研究计算得出的，这些研究表明引入三叶草后化学氮肥的施用量可以减少150公斤/公顷。”

对于被随机分配到对照组的参与者，我们采用了主动控制策略。因此，对照组农民收到的信息与我们的结果变量无关。我们向他们展示了以下关于三叶草的“趣味事实”：
“三叶草的叶子数量可以超过四片。有记录的最高叶片数量是56片，由日本农民Shigeo Obara发现，他因此在2009年获得了吉尼斯世界纪录。虽然有些人认为4片叶子的三叶草象征好运，5片叶子的三叶草象征财富，但56片叶子的三叶草象征的意义尚不清楚。”

在第三阶段，我们重新收集了所有参与者的定性和定量信念。在这个阶段，再次使用了用于收集先验信念的相同问题来了解农民的后验信念。虽然这种被试内部方法适用于研究信念更新，但Haaland等人（2023年）和Fuster和Zafar（2023年）也指出它可能存在实验者需求效应的风险。然而，使用多种收集方法，尤其是开放式问题，有助于检测和减轻潜在的实验者需求效应，这与仅依赖量表或选择为基础的测量方法不同（Stantcheva 2021年、2023年）。此外，正如Fuster和Zafar（2023）所指出的，被试内部设计可以减少处理效应估计的误差（即误差项），因为它保持了不可观察的特征不变。最后，在第四阶段，我们收集了农民采用三叶草的意向。这些意图是通过概率方法来衡量的，每个参与者都被问及他们在未来五年内在其所有农田的草地上至少建立20%三叶草含量的可能性。为了激励参与，我们使用随机抽取了三十张50欧元的代金券。这也有助于减轻潜在的实验者需求效应。这种效应与参与者陈述准确信念的效用有关（De Quidt等人，2018年），但与一些之前激励信念更新的研究不同（例如，Bullock等人，2015年；Prior等人，2015年），这项研究并没有与这一决定相关的金钱激励。此外，调查回应是匿名的，这也有助于最小化此类效应（Stantcheva，2021年，2023年）。

3.2 数据

调查实验从2023年1月23日持续到2023年2月28日。数据收集仅限于爱尔兰共和国的奶农。招募参与奶农的主要渠道是通过Teagasc的农场顾问。此外，还在受欢迎的农业媒体上发布了实验的在线链接，并在农业会议上直接接触了农民。在收集数据之前，我们的目标样本量是288名奶农，这个数字是根据我们之前的经验、可用资源和功效分析确定的。288名奶农的样本量将使我们能够检测到农民信念至少10%的更新（即，我们感兴趣的最小效应大小）。然而，在1月30日的早上，我们收到了一个自动化机器人发送的欺诈性回应。我们对有用回应进行了彻底的识别，以确定何时可以停止数据收集。我们记录了1097份回应，包括已完成的、未完成的和欺诈性的回应。根据Goodrich等人的指南（2023年）清理记录后，有318份奶农的回应被认为适合分析。

表1显示了整个样本的特征。平均而言，农场的面积为81公顷，牛群规模为137头奶牛。因此，我们的农场样本明显大于2022年的全国平均水平，即65公顷的农场面积和93头奶牛的牛群规模（Dillon等人，2023年）。同样，我们样本中2022年化学氮肥的平均施用量为222.30公斤氮/公顷，显著高于2022年的全国平均水平156.8公斤氮/公顷，这考虑到更大的农场和牛群规模是合理的（Buckley，2023年）。

表1. 控制变量的描述性统计。对照组
T1：科学框架
T2：农民框架
完整样本

农场面积（公顷）
84.09 (57.89)
74.87 (44.37)
84.57 (72.10)
81.03 (59.02)

牛群规模（头）
141.65 (120.32)
127.27 (83.33)
141.32 (87.70)
136.52 (97.83)

养殖密度（农场面积/牛群规模）
1.71 (0.58)
1.77 (0.62)
1.82 (0.60)
1.77 (0.60)

施肥量（公斤氮/公顷）
212.47 (155.65)
220.51 (160.76)
233.53 (157.59)
222.30 (157.83)

三叶草含量（%加权平均值）
6.06 (4.83)
5.73 (4.67)
6.51 (4.62)
6.10 (4.70)

年龄=1表示大于46岁（%）
53.47
49.55
44.34
49.06

性别=1表示男性（%）
92.08
93.69
92.45
92.77

知识转移参与=1表示参与（%）
79.21
77.48
80.19
78.93

一般教育=1表示具有三级教育（%）
55.45
63.06
67.92
62.26

农业教育=1表示具有三级教育（%）
22.77
31.53
27.36
27.36

观察次数
101
111
106
318

注：标准差以括号形式报告。总体而言，各组之间的平均值没有显著差异（t检验和Kruskal–Wallis检验的p值在附录A.5—表A1中报告）。

为了减少异常值的影响，响应数据在95百分位处进行了Winsonize处理。一个需要进一步解释的关键控制变量是受访者草地中现有的三叶草含量。为了捕捉三叶草含量，我们使用了一个总和恒定的问题，询问2022年草地中以下三叶草含量的百分比选项：‘0%三叶草’，‘1%–4%三叶草’，‘5%–9%三叶草’，‘10%–14%三叶草’，‘15%–19%三叶草’和‘20%或更多三叶草’。答案加起来为100%（例如，农场80%的草地可能含有0%的三叶草，20%可能含有5%–9%的三叶草）。在分析中，我们使用了从0%到20%范围内的响应的加权平均值。整个样本中的平均三叶草含量为6.10%。在整个样本中，只有四名农民实际上在其所有农田的草地上实现了推荐的20%三叶草含量水平。相反，有128名样本农民在超过一半的农田草地上没有三叶草，九名农民在所有农田草地上都没有三叶草。这表明，虽然几乎所有农民都有种植三叶草的一些经验，但他们几乎都有很大的潜力将三叶草含量增加到推荐的水平。需要注意的是，三叶草通常在草种混合物中的比例很低，所以农民通常默认就有一些三叶草，但不会主动促进其达到推荐水平（Teagasc，2011年）。关于其他变量，根据L?pple和Osaawe（2023年）以及L?pple（2024年）的研究，我们创建了一个二元变量，如果农民年龄超过46岁则赋值为1，否则为0，样本中有49.06%的人超过了这一门槛。知识转移参与情况使用一个二元变量来捕捉，如果农民参与了Signpost计划则赋值为1，否则为0，有78.93%的样本表示参与。表1还展示了各处理组的描述性统计。Kruskal–Wallis检验确认各组之间的平均值没有显著差异。这表明随机化是有效的；因此，农民的可观察特征在处理组和对照组之间是平衡的。

3.3 方法论

我们的主要结果变量是农民对采用三叶草的先验和后验信念，以及他们采用三叶草的意图。如前所述，农民的先验和后验信念是通过定性和定量测量方法得出的。关于定性信念，我们进行了文本分析，从中获得了描述性和推论性结果。我们使用了三种文本分析方法：词云图、关键词度和主题分析。尽管词云图和关键词度使用了相同的自动化预处理步骤，但对于主题分析，我们遵循了Bursztyn等人（2020年）和Andre等人（2022年）的方法，对手动编码了响应。我们创建了一个额外的分类变量来捕捉从先验到后验信念的变化。因此，这个变量代表了更新后的定性信念。为此，我们检查了先验和后验信念，并且不管受试者是否属于处理组，我们将他们的信念更新分为：‘意见的积极变化’、‘消极变化’、‘没有变化，但保持总体积极态度’、‘没有变化，但保持总体消极态度’，以及一个剩余的类别‘其他’。作为分类的指导原则，如果农民的先验回答关注与三叶草采用相关的问题或不同意采用建议，而后验回答提到了采用的好处或同意采用建议或任何采用意图，则被视为积极变化。相反的情况被视为消极变化。对两个‘没有变化’类别进行了区分，以识别那些明显持有积极或消极三叶草信念但信念没有改变的多数受访者。例如，一名参与者的先验信念是：‘非常劳动密集’。但是，这名参与者的后验信念是：‘减少肥料使用是非常值得的’。因此，这名农民的信念更新被归类为积极变化。相反，另一名参与者在先验信念中提到：‘减少化学肥料’。然而，这名参与者的后验信念是：‘重新播种三叶草和在草坪上维持它的成本’。因此，这名农民的信念更新被归类为消极变化。需要注意的是，回答开放式信念问题是可选的。我们假设后验信念中没有回答表示没有意见变化。此外，我们使用AI工具ChatGPT（OpenAI，2022年）重新检查了我们的分类。用于每个受试者的标准聊天信息包含在附录A.7中。我们观察到68.77%的评分者间可靠性（Landis和Koch，1977年）。使用OLS回归，我们估计了处理对更新后定性信念的影响（方程1）。更新后定性信念的类别被用作因变量。这些因变量是二元的，等于1表示每个更新后定性信念的类别，否则为0。

（1）关于定量信念，最初的描述性结果是通过计算更新后的信念和误解得出的。更新后的信念是后验信念和先验信念之间的差异。误解，也称为‘误解’或‘认知差距’，定义为我们处理中呈现的实际值与先验信念之间的差异（例如，Stantcheva，2021年；Fuster等人，2022年）。然而，重要的是要认识到农民的信念可能受到他们独特环境的影响（例如，当地土壤条件、经验），因为这些信念本质上嵌入在他们所处的环境中（Vecchio等人，2024年），而不仅仅是判断错误或知识缺乏的反映。在计量经济分析中，我们使用两阶段最小二乘回归（2SLS）来估计处理效应（例如，Roth等人，2022年；Schnorpfeil等人，2023年）。这种2SLS策略首先允许我们估计处理对更新后信念的影响，然后通过它们对信念的影响来评估处理如何影响意图（即，基于工具变量的外生性假设）。由于信息处理是随机分配的，因此满足外生性要求。与基于更新后信念的意图的‘朴素’回归相比，使用信息处理作为更新后信念的工具变量有助于减少对可能影响意图的遗漏变量的担忧。在第一个阶段，我们如下估计了处理对农民更新后信念的影响：

（2）其中索引代表受访者，分别代表关于三叶草采用的先验和后验信念。是一个分类变量，如果受访者接受了科学框架的信息处理则赋值为1，如果接受了农民框架的信息处理则赋值为2，如果参与者被随机分配到对照组则赋值为0。系数提供了每种处理相对于对照组对信念变化的平均效应的估计。在第二阶段，我们检查信息处理如何通过更新后的信念影响农民的采用意图。第一阶段预测的更新后信念被用作意图的回归量：

（3）系数衡量了由信息处理驱动的更新后信念对意图的平均效应。自然地，当包括我们的控制变量时，在所有方程中都添加了一个向量。

4 结果与讨论

4.1 描述性结果：定性信念

我们首先展示了先验和后验定性信念的词云图（图2）。在A面板（先验信念）中，出现次数最多的词汇包括‘膨胀’、‘困难’、‘管理’和‘建立’。A面板中的词汇与B面板中对照组后验信念中的词汇相似，表明实验设计是有效的。相比之下，当呈现科学信息框架（C面板）时，农民后验信念中最常使用的词汇不同（例如，‘减少’、‘氮’、‘肥料’、‘春天’、‘可能’）。在农民框架下的后验信念（D面板）显示出类似的结果。总体而言，词云图提供了有用的初步描述性见解，即农民回应中最常见的词汇在处理后似乎发生了变化。

接下来，我们进行了关键词度分析，结果显示在图3中。同样，表明了良好的实验控制，对照组中先验和后验信念使用的词汇频率没有显著差异（A面板）。然而，这一分析确认了处理组之间先验和后验信念的差异。图3

更具体地说，在暴露于科学框架和农民框架的参与者之间，可以发现先验和后验信念之间的关键词有明显差异。对于处于科学框架下的参与者（B面板），先验信念中提到的关键词集中在三叶草采用的相关问题或关切上，如‘管理’、‘时间’、‘困难’、‘膨胀’。相比之下，后验信念中提到的关键词与采用带来的好处或信息处理有关：“减少”、“可能”和“氮”。农民视角下回应中的关键词（C组）非常相似，只有两个区别：“工作”和“节省”。“工作”被认为是一个关键词，在先验信念中出现的频率显著高于后验信念。相比之下，在接收到信息后，“节省”成为一个与采用好处相关的关键词。接下来，对手工编码的回应进行主题分析将为我们提供更多关于在先验和后验信念中提到的最常见元素的背景信息。作为我们对定性信念分析的第三部分，我们确定了提到的主题及其频率（即每个主题被提到的频率）。在图4中展示了主题分析中定义的更广泛类别。在先验信念中（A组），最常提到的类别是三叶草管理问题（29.25%）。这与之前的定性研究结果一致，这些研究指出在考虑采用可持续实践时，农场管理是一个重要的主题（Ranjan等人，2019年）。例如，Brodt等人（2008年）发现，关于防止杂草进入农田的担忧是与采用树篱相关的最常被提到的主题之一。同样，Ndah等人（2018年）发现，杂草控制是受访者农民在采用保护性农业时报告的主要挑战。

然而，在我们实验的后验信念中（B组），这一类别的频率在科学组和农民组中的参与者中都有所下降（分别为16.22%和17.92%）。同样，动物健康问题在处理组的先验信念中更常被提及（每个处理组约为16%），而在他们的后验信念中则较少提及（科学组为8.11%，农民组为11.32%）。在三叶草采用带来的好处方面，这种看法在处理组的后验信念中更为常见（科学组为15.32%，农民组为24.53%），而在他们的先验信念中则较少（每个处理组均为10%）。然而，与当前采用的推荐意见的一致性在处理组的后验信念中也比较少（科学组为13.51%，农民组为12.26%），而在他们的先验信念中则较多（每个处理组均为25%）。总体而言，当接触到信息处理后，各类别的频率发生了显著变化。关于更新的定性信念，图5和附录A.8—表A3展示了每个类别的频率。值得注意的是，大多数农民没有改变他们的观点，包括处理组中的绝大多数人。鉴于这一结果，实验者需求效应似乎不太可能是原因。此外，大多数农民对三叶草的采用持负面看法（科学组为43.24%，农民组为34.91%）。样本中较小比例的农民，即科学组中的15.32%和农民组中的19.81%，他们的观点发生了积极变化。另外，我们发现科学组中有11.71%的农民和农民组中有15.09%的农民的观点发生了负面变化。虽然大多数观点变化出现在接受处理的农民中（67人），我们也发现对照组中有一小部分农民改变了他们的回答（13人），其中7.92%的人表达了积极的转变。

4.2 OLS结果：定性信念

接下来，我们根据信息处理对更新的定性信念进行了OLS回归分析（即方程1）。结果展示在表2中。表2. 信息处理对更新定性信念的影响。OLS

更新后的定性信念

无变化—负面
无变化—正面
正面变化
负面变化

（1）
（2）
（3）
（4）

T1：科学视角
-0.08（0.07）
-0.09（0.06）
0.08*（0.04）
0.07*（0.04）

T2：农民视角
-0.14**（0.07）
-0.11*（0.06）
0.12**（0.05）
0.10**（0.04）

牧群规模
-0.00（0.00）
-0.00（0.00）
-0.00（0.00）
0.00（0.00）

施肥量
0.00*（0.00）
-0.00（0.00）
-0.00（0.00）
-0.00（0.00）

三叶草含量
-0.02***（0.01）
0.02***（0.01）
0.00（0.00）
-0.00（0.00）

年龄
0.10*（0.06）
-0.05（0.06）
-0.03（0.04）
-0.01（0.04）

性别
-0.01（0.10）
0.08（0.09）
-0.11（0.10）
0.06（0.05）

知识转移
0.03（0.07）
-0.00（0.06）
-0.03（0.05）
0.02（0.04）

农业教育
0.11*（0.07）
-0.08（0.06）
-0.02（0.05）
0.00（0.04）

R
2

0.06
0.05
0.03
0.03

观察值
318
318
318
318

注：稳健的标准误差在括号中报告。统计显著性：*p 0.10；**p 0.05；***p 0.01。总体而言，与对照组相比，农民组的参与者认为他们的观点没有变化的概率显著较低（第1和2列）。特别是，这些参与者保持一般负面观点的可能性降低了14%，保持一般正面观点的可能性降低了11%。此外，农民组经历正面变化的可能性增加了12%（第3列）。然而，农民组也有可能出现负面观点变化（第4列）。这表明并非所有农民都相信三叶草采用的好处，或者可能不信任我们的信息处理。对于科学组，我们也发现了类似的正负变化结果（第3和4列），但科学组并没有显著减少观点无变化的情况，与农民组相反（第1和2列）。鉴于信息处理突出了三叶草采用的积极方面，人们预计只会发现观点的正面变化。然而，尽管只是一小部分农民，最初提到好处或同意采用建议的农民中，有些后来将焦点转向了问题或分歧。这些负面变化的存在表明了先前文献中所谓的“回旋镖效应”。这是指信息处理产生了意外的效果（Hart和Nisbet 2012）。例如，在Chabe-Ferret等人（2019）分析农民节水决策的实验中，发现最初不打算用于灌溉的农民在接收到信息处理后实际上开始了灌溉。在Zachmann等人（2023）的实验中观察到回旋镖效应，即接受信息处理的农民减少了而不是增加了他们计划种植的抗真菌葡萄藤的比例。Peth和Mu?hoff（2020）也发现了回旋镖效应，即信息处理增加了农民违反水资源保护规则的行为。虽然这些先前的研究没有使用开放式问题的定性回答，但这些回答使我们能够识别出这种“回旋镖效应”。这种效应的一个潜在原因是信息处理被视为描述性规范，传达了其他人的平均行为（Alm等人，2019）。在心理学中，描述性规范已被证明有可能产生这样的“回旋镖效应”（Schultz等人，2007），尤其是在农民的基线信念或行为偏离规范时。在下一小节中，我们将根据我们的定量预期措施分析这些基线或先验信念。

4.3 描述性结果：定量信念

我们首先在表3中展示了我们的结果变量的描述性统计。表格顶部显示，农民低估了在三叶草按照推荐水平采用后化学氮肥施用量的减少。平均而言，农民的先验信念表示认为化学氮肥施用量减少了20.50%（最后一列）。因此，估计值与90%的肥料减少潜力相差69.50%，表明农民对三叶草的好处的误解相当大。这些初步的描述性结果增加了最近的实验文献，这些文献表明农民倾向于低估或误解温室气体缓解措施的潜在好处（例如，Zachmann等人，2023年；Reynaud和Ouvrard 2024年）。尽管在文献中已经充分证明了感知对采用可持续实践的影响（Dessart等人，2019年），或者大多数先前的研究倾向于假设农民误解了其好处（Chai等人，2023年；Oyinbo和Hansson 2024a，2024b），但通常忽视了通过量化感知与实际好处来明确测量农民误解的研究。表3. 结果变量的描述性统计。对照组

T1：科学视角
T2：农民视角
全样本a

表3中的描述性统计数据显示，农民普遍低估了在三叶草推荐水平下化学氮肥施用量的减少。平均而言，农民的先验信念表明他们认为化学氮肥施用量减少了20.50%（最后一列）。因此，这些估计值与90%的肥料减少潜力相差69.50%，表明农民对三叶草好处的误解很大。这些初步的描述性结果增加了最近的实验文献，这些文献表明农民倾向于低估或误解温室气体缓解措施的潜在好处（例如，Zachmann等人，2023年；Reynaud和Ouvrard 2024年）。虽然感知对采用可持续实践的影响在文献中已经得到充分证明（Dessart等人，2019年），或者大多数以前的研究倾向于假设农民误解了这些好处（Chai等人，2023年；Oyinbo和Hansson 2024a，2024b），但明确通过量化感知与实际好处的差异来测量农民误解的研究通常被忽略。

表3的底部显示，农民的平均意图显示他们在农场建立推荐水平的三叶草含量的概率为55.25%。结果表明，各组之间的平均意图没有显著差异。

4.4 2SLS结果：定量信念

表4报告了根据信息处理对更新的定量信念的回归结果（即方程2）。首先，我们在第1和第2列中合并了处理组。总体而言，提供信息显著增加了农民的更新信念18.91%（第1列）。在控制农民特征后（第2列），这种效果为18.54%。然后，我们分别估计了处理效果，以分析信息框架如何影响信念的更新（第3和第4列）。如第4列所示，使用科学框架向参与者介绍三叶草的好处显著平均增加了他们认为的化学氮肥施用量的减少17.73%，与对照组相比。当使用农民框架时，农民认为的减少增加了19.39%，这一比例高于科学框架（线性检验的p值为0.37）。

在表5中，我们展示了处理对意图的影响。第一阶段的F统计量为17.89，确认这两种处理手段都是第二阶段意图更新回归的有效工具（即方程3）。意图

面板A：2SLS
更新后的信念（）
-0.22（0.20）
-0.20（0.20）
第一阶段F统计量
19.53
17.89
Anderson–Rubin p值
0.42
0.56

面板B：简化形式
T1：科学框架
-5.66（4.29）
-4.25（4.24）
T2：农民框架
-3.11（4.30）
-3.47（4.21）

牧群规模
0.00（0.02）
化肥施用量
-0.02（0.01）
三叶草含量
1.63***（0.38）
年龄
-2.93（3.77）
性别
3.74（4.89）
知识转移
6.64（4.23）
农业教育
-8.81**（4.18）

R2
0.01
0.08

控制变量
否
是

观察数量
318
318

注：稳健标准误差以括号形式报告。统计显著性：*p < 0.10；**p < 0.05；***p < 0.01。Anderson–Rubin检验支持估计结果的可靠性。方程（3）的结果在表5的面板A中呈现，其简化形式在面板B中呈现。关于农民的意图，我们在2SLS和简化形式中均未发现显著效应。如果存在强烈的实验者需求效应，那么可以预期治疗组的采纳意愿会更高。这一空结果也有助于缓解对此类效应的担忧。先前研究的证据表明，更新后的信念对其他经济变量的影响通常是适度的或没有统计显著性（例如，Hanspal等人2021年；Cantner和Rolvering 2023年；Schnorpfeil等人2023年）。总体而言，第二阶段的效应难以检测，因为意图并不等同于最终的采纳决定，而且信息提供并不能解决调整后的期望对后续自我报告变量的因果效应识别问题（Fuster和Zafar 2023年）。在第一阶段实现农民信念的改变已经具有挑战性，这一点从先前研究的空结果中可以得到证明（例如，Schaub等人2023年；Zachmann等人2023年）。此外，这与Aguiar-Noury等人（2025年）的研究结果有明显区别，他们的研究表明感知确实在解释农民采纳三叶草的意图方面很重要，但没有探讨信念更新对这些意图的影响。需要提醒的是，采纳三叶草是对化学氮肥的一种替代。这一空结果表明，仅靠信念更新可能不足以减少化学氮肥的施用量。Biagini（2025年）也发现了关于保险采纳对化学肥料施用影响的类似空结果。这些空结果是可以理解的，特别是考虑到历史上对化学氮肥的需求被认为是无弹性的（Burrell 1989年）。最终，目标不应该是仅仅增加自我报告的意愿，而应该是实际的采纳行为，因为众所周知的“意图-行为差距”，即意愿很少反映实际行为（Hennessy等人2016年）。尽管如此，提高采纳信念的准确性仍然是实现这一目标的重要第一步。从更广泛的角度来看，尽管先前的研究已经证明了信息提示在农业经济其他领域（主要是农民参与保护计划、水资源管理决策和农业环境方案）的有效性，但在文献中仍有相当大的空间来研究更新后的信念对后续采纳行为的影响（?op和Njavro 2024年）。

4.5 定性与定量信念的对比
在比较定性和定量结果时，观察到大多数受治疗的农民并未改变他们的定性信念，而他们的平均定量信念显示出了积极的更新。这种对比很重要，因为它有助于缓解对潜在实验者需求效应的担忧，并突出了使用多种引出方法在within-subject设计中研究信念更新的价值，正如Fuster和Zafar（2023年）、Haaland等人（2023年）以及Stantcheva（2023年）所建议的。如果存在强烈的需求效应，我们会预期在定性和定量测量中都会出现更加统一的积极变化。此外，受治疗农民中负面定性意见的强烈持续性表明，观察到的定量信念更新更有可能归因于治疗本身，而不是为了配合实验。在开放式回答中未发现农民意识到调查的实验性质及其目标的证据。这些发现也可能促使我们考虑农民在更新后的定性信念类别中是否存在差异，或者他们的定量信念是什么。附录A.14—表A14按更新后的定性信念类别显示了控制变量和结果变量的描述性统计。在农民特征方面发现了微小差异，特别是在种植密度和三叶草含量方面。附录A.14显示，保持积极观点或观点有所改善的农民比那些保持消极观点或观点有所恶化的农民拥有更多的三叶草含量。关于结果变量，附录A.14表明，观点发生负面变化的农民的定量信念更新仍然高于那些观点未发生变化的农民，这表明观点的负面变化并不一定意味着治疗后的定量信念降低。

5 结论
在本文中，我们探讨了信息提供如何影响农民对于关键温室气体缓解措施——将三叶草引入牧草中的信念。为了确定因果关系，我们对爱尔兰的318名奶农进行了随机信息实验。我们设计了两种信息处理方式和一个主动控制组。这些处理方式提供了关于三叶草节省化肥潜力的信息，基于不同的框架（即科学框架和农民框架）。我们的实验设计是新颖的，因为它结合了定性（即开放式问题）和定量（即点估计）的信念测量方法。因此，除了分析定量信念外，我们还使用了三种文本分析方法来考察定性信念（即词云图、关键词分析和主题分析）。从治疗前的定性信念来看，我们发现大多数农民关注的问题和挑战，特别是与三叶草管理和动物健康相关的问题。在接触治疗信息后，尽管大多数农民的观点保持不变，但我们发现了一些关键词和主要话题的变化。例如，我们的发现表明，在接触治疗后，农民更频繁地提到三叶草采纳带来的好处。虽然大多数观点保持不变，但一些农民确实考虑了这些信息并更新了他们对一个未知或不受欢迎农业实践的信念。通过我们的定量信念数据，我们记录到农民低估了三叶草采纳可以实现的化学氮肥减少量。这不仅代表了采纳的阻碍，还表明农民可能对了解三叶草的兴趣不足。然而，正如假设的那样，信息干预可以纠正农民对三叶草采纳的误解，并将他们感知到的化学氮肥减少量提高了18.54%。此外，接受农民框架处理的农民比那些接触科学框架处理的农民更新了更多的信念。这些发现提出了两个重要的政策建议。首先，政策应该增加关于三叶草的信息宣传活动。根据我们的发现，这将提高农民信念的准确性。不仅对三叶草，而且对其他温室气体缓解措施的误解很可能存在，信息提供可能是一种成本效益高的纠正方法。纠正这些误解也可能增加绿色政策包的可接受性，正如Vona（2023年）所指出的。此外，这些宣传活动应该旨在强调好处，并解决农民的管理和动物健康问题，正如我们的定性信念测量（例如词云图分析）所揭示的。在向农民提供信息时忽略三叶草采纳的相关问题会阻碍采纳率，因为当农民听到当前的采纳建议时，这些问题会首先浮现在他们的脑海中。其次，鉴于信息提供并未改变农民的意图，且信念更新有限，这些发现表明除了信息和知识的缺乏之外，还有其他阻碍采纳的因素，这与Mastenbroek等人（2021年）的发现相似。除了动物健康问题外，其他潜在的障碍还包括特定的农场土壤条件或根深蒂固的信念（即对变化的强烈抵抗）。为了克服这一点，可能需要更广泛地推广现有的采用三叶草的财政激励措施（例如，农业、食品和海洋部2023年），因为这些激励措施很可能被农民所不知。重要的是要认识到，仅仅提高自我报告的意愿是不够的，更重要的是实际的采纳行为，因为众所周知的“意图-行为差距”（Hennessy等人2016年）。尽管如此，提高采纳信念的准确性可以是实现这一目标的重要第一步。从更广泛的角度来看，尽管先前的研究已经证明了信息提示在农业经济其他领域（主要是农民参与保护计划、水资源管理决策和农业环境方案）的有效性，但在文献中仍有很大的空间来研究更新后的信念对后续采纳行为的影响（?op和Njavro 2024年）。

4.5 定性与定量信念的对比
在比较定性和定量结果时，观察到大多数受治疗的农民并没有改变他们的定性信念，而他们的平均定量信念却显示出积极的更新。这种对比很重要，因为它有助于缓解对潜在实验者需求效应的担忧，并强调了在within-subject设计中使用多种引出方法研究信念更新的价值，正如Fuster和Zafar（2023年）、Haaland等人（2023年）以及Stantcheva（2023年）所建议的。如果存在强烈的需求效应，我们会预期在定性和定量测量中都会出现更加统一的积极变化。此外，受治疗农民中负面定性意见的强烈持久性表明，观察到的定量信念更新更可能归因于治疗本身，而不是为了配合实验。在开放式回答中未发现农民意识到调查的实验性质及其目标的证据。这些发现也可能促使我们考虑农民在更新后的定性信念类别中是否存在差异，或者他们的定量信念是什么。附录A.14—表A14按更新后的定性信念类别显示了控制变量和结果变量的描述性统计。在农民特征方面发现了微小差异，特别是在种植密度和三叶草含量方面。附录A.14显示，保持积极观点或观点有所改善的农民比那些保持消极观点或观点有所恶化的农民拥有更多的三叶草含量。关于结果变量，附录A.14表明，观点发生负面变化的农民的定量信念更新仍然高于那些观点未发生变化的农民，这表明观点的负面变化并不一定意味着治疗后的定量信念降低。**注释**

1. 尽管欧盟在应对欧洲各地农民抗议后撤回了一些《绿色协议》措施，但爱尔兰政府仍维持其25%的温室气体减排目标（Matthews 2024）。

2. CAN化肥价格：870欧元/吨（中央统计局2023a）。

3. 当消化过程中产生的气体在瘤胃中积聚且无法排出时，就会出现动物健康问题（McDonnell 2021）。

4. 可在此处在线获取。与预先注册内容的偏差在附录A.2中透明地报告。

5. 参考编号：2022.10.001。

6. 请注意，这个问题询问的是农民的观点，而不是他们的计划或未来打算采取的行动。

7. 为了简洁易懂，这些研究的其他细节没有在此详细说明（Stantcheva 2023）。此外，使用一个标准数字有助于解决文献中和之前提到的化学氮肥施用量不同的问题。

8. 参考文献：《Yomiuri》（2008）和《吉尼斯世界纪录》（2009）。

9. 爱尔兰农业和食品发展局。

10. 首先，我们在Agriland上发布了广告；随后，《爱尔兰农民杂志》也进行了报道。

11. 功效分析见附录A.3。

12. 该账户被确定为潜在的欺诈账户（Goodrich等人2023）。

13. 数据清洗的步骤见附录A.4。

14. 在收集数据之前，基于以往的经验（例如L?pple 2023；L?pple和Osawe 2023）以及数据收集程序，我们预见了可能会出现这种情况。

15. 一些农民可能觉得难以回答关于化学氮肥使用的问题，因此他们可以说明他们偏好的测量值及其置信度水平。大多数农民（63.21%）对自己的回答非常确定。我们对答案进行了95百分位数的Winsor化处理，并仅用2021年的全国平均水平替换了六个错误的条目。

16. 在关键性分析中，比较了先前信念和随后信念中使用的单词的相对频率。我们将最小词频设置为十个。我们使用了一种检验来测试原假设，即单词在先前和随后信念中的出现频率是否相等。当一个单词在统计上显著时，它就被认为是关键词（Ferrario和Stantcheva 2022）。

17. 使用Benoit等人（2018）的R包完成了这项分析。

18. 首先，我们识别每个回答中提到的具体元素，然后将它们汇总成更广泛的类别。详情见附录A.6——表A2。

19. 在解释词云图时，单词越大，说明它被提到的频率越高。

20. 不同水平的化肥施用对信念的影响变化见附录A.11——表A6。

21. 稳健性检验见附录A.12——表A7–A9。

22. 基于更新后的定量信念对意图进行OLS“朴素”回归的结果见附录A.13——表A13。

23. 在R中使用的公式示例（HyLown Consulting n.d.）：

```
mu = 45
mu0 = 55
sd = 35
alpha = 0.05
beta = 0.20
(n = (sd * (qnorm(1 - alpha / 2) + qnorm(1 - beta)) / (mu - mu0))^2
```

24. “其他”这一残差类别没有包含在评分者间的一致性评估中。在解决冲突之前，初始的评分者间一致性为62.45%，仍在可接受范围内。我们在冲突情况下重新评估了分类方式，随后使用的分类方式用于结果分析。附录A中展示了修订后的评分者间一致性。

**1. 完整调查**

**2. 与预先注册的偏差**

在这一附录中，我们承认了与预先注册内容的偏差。虽然这类偏差很常见（例如Schaak等人2024），但报告得不多（van den Akker等人2024）。根据Lakens（2024）的指导原则，我们的偏差属于常见且轻微的偏差，并且我们在这里已经透明地报告了这些偏差。首先，实际获得的样本量与预先注册时指定的目标不一致。在收集数据之前，我们设定的目标样本量是288名奶农，这是一个基于我们以往经验、可用资源和功效分析的合理目标。然而，由于自动机器人的欺诈性回答，我们未能在达到288个样本的目标时立即停止数据收集。在数据收集过程中，我们仔细估计了有用的回答数量，以确定何时可以停止数据收集。由于这些欺诈性回答，数据收集停止后需要进行彻底的数据清洗，最终有318条来自奶农的回答可用于分析。其次，我们使用了“信念”一词代替了“预期”（即将先前的“预期”、“随后”和“更新后的预期”变量重新命名为“信念”）。在展示本文时，其他研究者对这种表达方式更接受。第三，在预先注册时，我们没有具体提到工具变量估计，而是使用了更为通用的术语“多元回归模型”来估计处理结果变量。Lakens（2024）指出，从简单模型转向更复杂模型的偏差是常见的，而且这有助于更好地检验我们的假设。最后，意愿接受（WTA）是预先注册的一部分，但没有包含在正文中。我们原本预计信息处理会通过更新后的信念降低农民接受三叶草的意愿，因为这些信息突出了三叶草节省化肥的潜力。然而，数据显示处理组的WTA值高于对照组，尽管没有统计学上的显著效果。一种可能的解释是，农民在了解到化肥节省的潜力后提高了他们的预期WTA值，但这缺乏足够的理论依据。因此，根据早前的反馈，我们决定不在正文中包括这一分析，而是在附录中报告。

**3. 功效分析**

以下信息是本次实验预先注册的一部分（可在此处在线获取）：

假设功效为80%，显著性水平为5%，进行了功效分析。我们的研究表明，通过采用三叶草，化学氮肥的用量可以减少90%。因此，我们假设这种减少的一半是一个合理的先验定量信念（45%）。此外，我们将最小感兴趣的效果定义为信念更新10%。低于10%的效果被认为不足以引起政策制定者的关注。鉴于我们研究的独特背景，模仿其他研究的效果大小并不理想。以下计算是根据Chow等人（2008, 58）提到的双样本等价检验进行的。如果我们假设农民的先验定量信念平均表明化学氮肥的用量减少了45%，标准差为35%，那么每个处理组需要96名农民来检测10%的差异（两个处理组和一个活性对照组）。同样，如果我们假设农民的随后定量信念平均表明减少了55%，标准差为35%，那么每个组也需要96名农民来检测10%的差异。最后，如果我们假设农民表示在未来不久内有65%的概率采用三叶草（即采纳的意愿），标准差为35%，那么每个组也需要96名农民。

**4. 欺诈性回答的数据清洗步骤**

以下是用于清洗欺诈性回答的步骤：

- 删除开放式问题中答案重复的记录：我们首先检查了2023年1月30日上午收到的个别回答。我们使用开放式问题对信念进行了定性测量，因为这些回答在参与者之间不太可能重复。验证了那些在开放式问题中回答重复的受访者的电子邮件地址和IP地址。如果被认为是高欺诈风险的，就将其移除。我们对2023年1月30日上午收到的所有其他回答重复进行了同样的检查，特别关注爱尔兰以外的电子邮件地址和IP地址。如果存在高欺诈风险，就移除这些回答。
- 删除不完整的回答，即调查完成度低于80%的回答。
- 删除浏览信息处理时间少于两秒的记录。
- 仔细检查所有记录，再次特别关注爱尔兰以外的电子邮件地址和IP地址。如果存在高欺诈风险，就移除这些回答。

**5. 控制变量的统计检验**

**表A1. 控制变量的统计检验。控制组 vs T1a
控制组 vs T2a
T1 vs T2a
Kruskal–Wallis检验**

| | 控制组 | T1组 | T2组 | Kruskal–Wallis检验 |
|---------|---------|---------|---------|---------------|
| 农场规模 | 0.19 | 0.96 | 0.23 | 0.60 |
| 牧群规模 | 0.31 | 0.98 | 0.23 | 0.23 |
| 放牧密度 | 0.46 | 0.17 | 0.54 | 0.19 |
| 化肥用量 | 0.71 | 0.33 | 0.55 | 0.62 |
| 三叶草含量 | 0.62 | 0.49 | 0.22 | 0.36 |
| 年龄 | 0.57 | 0.19 | 0.44 | 0.42 |
| 性别 | 0.65 | 0.92 | 0.72 | 0.89 |
| 知识转移参与 | 0.76 | 0.86 | 0.63 | 0.88 |
| 一般教育 | 0.26 | 0.07 | 0.45 | 0.18 |
| 农业教育 | 0.15 | 0.45 | 0.50 | 0.36 |

注：总体而言，各组的均值在统计上没有显著差异，除了控制组和处理组2之间的一般教育水平略有差异。

a. 两组之间的t检验的p值。
b. 三组之间的Kruskal–Wallis检验的p值。

**6. 回答类型分类：手动编码**

**表A2. 回答类型分类：手动编码。更广泛的类别**

| | 具体元素 |
|------------|-------------------|
| 三叶草管理问题 | 管理难度（例如：杂草、维护困难）；放牧难度（例如：轮作困难）；三叶草种植困难（例如：过度播种或重新播种的问题） |
| | |
| 动物健康问题 | 肠胀（例如：母牛抽搐、酸中毒）；饥饿的母牛；其他动物健康问题（例如：尿液问题、生育问题） |
| | |
| 产出问题 | 利润低；草皮覆盖不足（例如：生长缓慢、草地开放、季节性问题）；维持生产（例如：干物质不一致） |
| | |
| 输入问题 | 成本高（例如：缺乏自己的播种机）；劳动强度高（例如：耗时、时间不足）；学习曲线（例如：缺乏知识、不了解如何使用三叶草肥料） | |
| | |
| 农场条件问题 | 土壤肥力；土地类型；偷猎 |
| | |
| 天气问题 | 干旱；湿地；洪水 |
| | |
| 其他问题 | 温室气体问题被夸大；其他个人问题（例如：不同的心态、信心问题） |
| | |
| 感受到的好处 | 对环境有益；减少化学肥料使用（例如：减少对化学氮的依赖、氮固定、替代化学肥料、零氮使用）；降低成本（例如：节省化学肥料成本） | |
| | |
| 不同意/同意 | 对当前三叶草含量建议的总体反对/同意 |
| | |
| 意图 | 表示采纳当前三叶草含量的意愿 |
| | |
| 不同意/同意信息 | 对提供的信息的总体反对/同意 |
| | |
| 无变化——负面/正面观点 | 在后续回答中没有变化，但在先前的回答中有负面/正面观点 |
| | |
| 其他 | 残余类别 |

注：这些分类也用于调查问题8的回答：“三叶草含量低的原因”（附录A.16——表A16）。

**7. ChatGPT消息**

以下消息用于请求ChatGPT对更新后的定性信念进行分类：

“在我的调查中，参与者对同一个问题回答了两次。问题是：‘当前对奶农的建议是在所有草地上种植至少20%的三叶草。听到这个建议后，请告诉我们你的想法。’我想创建一个新的变量‘回答更新’。这个变量的目的是为了找出从第一次回答到第二次回答时意见是否有变化。为此，我创建了五个类别：‘意见的正面变化’、‘意见的负面变化’、‘没有变化但保持总体负面观点’、‘没有变化但保持总体正面观点’以及‘其他’（剩余类别）。请帮助我根据这五个类别对回答进行分类。对于主题[主题ID]，第一次回答是：[先前信念]；第二次回答是：[随后信念]。它对应于哪个类别？’”

有时，ChatGPT在分类那些只回答了一次或回答没有变化的受访者时遇到了困难。然后，显示了两个后续问题：“请仅考虑第一个/第二个回答”，或者“属于哪个‘无变化’类别：‘没有变化但保持总体负面观点’，或者‘没有变化但保持总体正面观点’？”没有变化—负面
没有变化—正面
正面变化
负面变化

**表格A：控制变量**
**农场规模（公顷）**
77.89（41.08）
80.96（54.25）
73.83（53.50）
90.81（61.80）
79.66（49.77）

**畜群规模（奶牛数量）**
136.56（88.74）
132.73（104.42）
131.98（83.84）
154.15（128.36）
136.60（97.83）

**放养密度（农场规模/畜群规模）**
1.76（0.47）
1.66（0.52）
2.09（0.96）
1.70（0.53）
1.77*（0.60）

**化肥施用量（千克氮/公顷）**
239.43（172.24）
218.06（157.38）
207.50（148.84）
203.47（103.32）
224.14（158.01）

**三叶草含量（加权平均百分比）**
5.19（4.19）
7.29（5.04）
6.80（4.49）
5.20（4.84）
6.08***（4.67）

**年龄** = 1（如果超过46岁）
53.33
47.96
43.48
44.12
49.20

**性别** = 1（如果是男性）
93.33
93.88
86.96
97.06
92.97

**知识转移** = 1（如果有参与）
80.74
78.57
73.91
82.35
79.23

**农业教育** = 1（如果达到第三层次）
28.89
24.49
28.26
29.41
27.48

**表格B：结果变量**
**先前的信念（百分比变化）**
18.93（17.23）
20.66（20.45）
23.70（21.33）
22.00（16.61）
20.51（18.85）

**后来的信念（百分比变化）**
23.41（32.02）
31.44（37.51）
43.93（40.45）
41.26（31.55）
30.88***（35.78）

**更新的信念（百分比变化）**
4.47（31.15）
10.78（35.09）
20.24（35.11）
19.26（29.08）
10.37***（33.24）

**采纳意图（采纳的可能性百分比）**
39.96（28.37）
73.34（27.32）
58.80（30.50）
59.41（26.73）
55.29***（31.54）

**观察结果**
135
98
46
34
313

**注：标准差以括号形式给出。**
a. 数据在95百分位数处进行了Winsor化处理。
b. 统计显著性基于Kruskal–Wallis检验（四个组之间）：*p < 0.10；**p < 0.05；***p < 0.01。组间t检验见附录A.15—表A15（例如，“正面变化”组的放养密度比“没有变化”的两组更集中）。

**表A15：根据更新后的定性信念进行的t检验**
**负面变化 vs. 没有变化—正面**
**负面变化 vs. 没有变化—负面**
**正面变化 vs. 没有变化—负面**
**正面变化 vs. 没有变化—正面**
**没有变化—负面 vs. 没有变化—正面**

**放养密度**
**三叶草含量**
**后来的信念**
**更新的信念**
**采纳意图**

**注：负面变化与正面变化之间的t检验无显著差异。统计显著性：*p < 0.10；**p < 0.05；***p < 0.01。**

**表A16：三叶草含量低的理由（对照组）**
**原因**
1. 建立困难
2. 不适合我的农场系统
3. 劳动力成本高
4. 草地管理困难
5. 缺乏信息
6. 土壤肥力差
7. 学习曲线长
8. 其他动物健康问题
9. 湿地
10. 无效
11. 不感兴趣
12. 缺乏效率
13. 其他