埃塞俄比亚东部提格雷民族地区采用人工授精技术及其使用强度

背景

这项研究的重点是在埃塞俄比亚提格雷地区的Saesie-tsaedaemba地区采用人工授精(AI)技术的情况和程度。人工智能技术是近年来研究领域用于基因改良的最重要和最有价值的乳制品技术之一。然而，研究区域内关于影响人工智能采用决策和强度的主要因素的实证信息很少。本研究的目的是评估人工智能技术的采用现状及其强度，并找出影响人工智能技术采用和使用强度的主要因素。

方法

采用多阶段抽样技术选择研究地点和样本家庭。采用结构化访谈法，对204名样本农户进行数据收集。此外，关键信息者访谈被用于三角测量，验证和丰富的结果的家庭访谈。

结果

tobit模型回归结果显示，家庭的文化水平、产奶量、收入、培训、推广服务的获取、移动所有权、补充精料和杂交牛所有权与人工智能技术的采用和强度存在显著的正相关关系，而与农民培训中心(FTC)办公室的距离呈负相关关系。

结论

采用基于情境的人工智能技术对实现农户粮食安全至关重要。推广系统应该更加强调能力建设，这对于引入、采用和推广最佳乳制品技术实践至关重要。除了政府的努力外，私营部门对AI技术的参与对于实现AI技术的更广泛采用也很重要。

许多实证研究表明，埃塞俄比亚是一个资源丰富的国家，估计拥有非洲最大的牲畜数量[1，2，3.，4，5，6，7，8］．埃塞俄比亚目前的牛数量估计约为6039万头。在整个牛群中，母牛约占54.68%，其余45.32%是公牛。全国约98.24%的牛是地方品种。剩下的1.76%是杂交品种和外来品种，分别约占1.54和0.22% [7，9］．这说明杂交牛占总牛数的比例仍然可以忽略不计。

据埃塞俄比亚生物多样性保护研究所[10，有25个本土品种的牛。虽然本地品种对当地环境适应良好，但生产潜力较低;当地的奶牛几乎每两年生一次崽;平均每年只产147升牛奶。而在饲料充足和管理较好的地区，杂交品种几乎每年都能产仔，平均每年产奶2600-4600升[11］．同样，由[12在目前的埃塞俄比亚条件下，与传统奶牛生产系统管理的当地品种奶牛相比，杂交奶牛在城市前的奶牛系统中每泌乳量可增加6倍，在商业奶牛系统中可增加10倍。

在埃塞俄比亚，通过从外部来源(人工智能服务)引入基因或直接从其他潜在国家进口外来牛来修改当地牛的品种组成是遗传改良的主要策略[13］．提供杂交小母牛、提供人工智能服务和建立公牛服务站是家畜遗传改良的主要组成部分。然而，在其他技术中，人工智能是简单、快速和低价的技术[8，9］．另一方面，裁判。［10，14]指出，由于埃塞俄比亚的牲畜饲养普遍不受控制;右牛的选择标准一直没有得到应用和控制，这给遗传增强带来了困难。因此，人工智能被认为是牛遗传改良的主要工具。在许多非洲发展中国家进行了类似的研究，这些国家的农业气候条件与埃塞俄比亚相似，有良好的市场准入和充足的饲料，通过使用人工智能和激素同步杂交来实现遗传改良是最好的[8，14，15］．如文献Ref. [16在Zebu奶牛身上，人工智能技术使奶牛的产奶潜力每年几乎翻倍。此外，参考文献[16]确认纯泽布品种每年提供900升，而在相同管理下，杂交品种每年提供1500升。由此可见，人工智能在提高奶牛产奶量方面发挥着重要作用;如果把它与良好的畜牧业结合在一起，比如有效的热探测、饲养和健康管理，那么它就是合适的和最廉价的基因改良方法[6，8，17，18］．同样地，参考文献[19]解释说，牛的基因改良对于经济目的至关重要，尤其是牛奶生产，而人工智能技术是提高奶牛经营的盈利能力和可持续性以及改善农民生计的整体战略的重要组成部分。参考文献[20.]还指出，获得人工智能技术是乳业通过对当地奶牛进行基因改良来提高牛奶产量和生产力的适当策略。

此外，[2，21]发现人工智能是埃塞俄比亚40多年来使用最普遍、最有价值的生物技术。人工智能技术已被推广机构推向农民，但其采用程度和强度尚未确定。21年前，提格雷国家大区(Tigray State)的首府(Mekelle)和阿迪格拉特镇开始提供人工智能技术。目前该地区用于杂交育种的品种有纯HF、泽西、贝盖特和杂交HF贝盖特(50%)[22］．

此外，根据农业和农村发展办公室和中央统计局(CSA)报告CSA [9，22，23]，人工智能技术已经成为该地区使用超过15年的最重要、最常用和最有价值的生物技术之一。相反，尽管已经做出了大量努力来传播AI服务，但在不同的农业生态环境中以及在类似的农业生态环境中，农户对AI服务的采用可能存在很大差异，这可能取决于农民对该技术的看法和意识。此外，跨时空采用不同技术受到不同因素及其关联的影响。如文献Ref. [24在美国，采用改良乳制品技术的可能性受到人口、经济、制度和社会等因素的阻碍。采用或拒绝农业技术的决定取决于小农的目标、成本和技术收益[25，26］．尽管在埃塞俄比亚进行了几项技术采用研究，但关于影响农民采用决策和人工智能技术采用强度的主要因素的实证信息有限。因此，本研究的主要目的是评估人工智能技术的采用和使用强度的现状，并分析研究区域内影响人工智能技术采用和使用强度的主要因素。

研究网站

这项研究于2019年在位于亚的斯亚贝巴以北约883公里的埃塞俄比亚提格雷Saesie-tsaedaemba区东部国家地区进行。东部与阿法尔地区接壤，北部与伊罗布地区接壤，西北部与甘塔阿菲舍姆地区接壤，西南部与哈森地区接壤，南部与克里特阿乌莱洛地区接壤。Atsbi Wenbrta在东南部报道。研究现场图如图所示。1．

Saesie-tsaedaemba区有26个农村农民协会和2个城市农民协会，共有31264户，估计总人口为139191人。此外，在全区户主中，既种庄稼又养牲畜的占69.31%，只种庄稼的占26.28%，只养牲畜的占4.41%。估计了该地区的牲畜总数;牛98,276(本地90,990和杂交7286)，绵羊124,997，山羊46,950，驴15,577，马96，骡子33和骆驼6 [27，28］．

抽样程序和样本大小

本研究采用调查设计和三阶段抽样技术，选择研究地点和样本住户。在东部地区的多个地区中，Saesie-tsaedaemba地区被有意选中，该地区有许多牛存在和饲养，由于该地区被许多发展机构，如农业和农村发展局(BoARD)承认为牛奶走廊。其次，采用简单随机抽样的方法，从28个农民协会中选取了两个(Sikata和Hadushhiwot)。最后，从两个pa中选择样本家庭。选取样本家庭，采用系统抽样方法。

样本量的规定依据的是1967年的Yemane，引用的文献为[28)简化公式。该公式用于95%置信区间的代表性样本的测定。具体描述如下:

在哪里

n=样本量取自两个农会的总牧牛户。

N=两个农会(1798年)牛主户主的总人数。

e=误差容许范围(0.066)。

1 =事件发生的概率。

根据上述样本量确定计算，得出样本户204户。在研究区域的所有户主中，只有48个家庭收养了孩子，其余的家庭都没有收养。这是由于尽管人工智能技术的长期引入及其对研究区域的农民的有用性，其在农民中的采用率仍然很低的原因。因此，作为一名研究人员，我们不想忽视人工智能技术的采用者，以及该技术在改善农民生活和确保家庭粮食安全方面的关键作用。因此，作者决定使用未经审查的数据，即整个48个人工智能技术采用者和156个非采用者，以实现研究的目标。

数据收集的类型、来源和方法

该研究涉及了来自一手和二手来源的定性和定量类型的数据，以获得AI技术的采用和强度的整体图像。通过访谈法、结构化问卷调查法和焦点小组讨论法收集初步数据。此外，从两个农民协会中选择了20名愿意分享其在牲畜遗传改良方面经验的受访者，根据清单开展了两次焦点小组讨论(FGD)。每个烟气脱硫的目标规模为10人，假设一些受邀者不会回应。在关键线人访谈的情况下，采访了包括农业官员、专家和有经验的农民在内的四名男子和两名妇女。这些关键信息源被认为是具有第一手知识和能力的社区专家，能够对研究领域的人工智能技术提供深入的见解。二手数据也从相关文献中收集，如出版的书籍、同行评议期刊、会议论文、必要时的政府和非政府办公室报告(如STEOARD和CSA)。

数据分析方法

本研究采用描述性统计与计量模型相结合的方法对数据进行分析。定量数据来自抽样调查对象，使用百分比频率、平均值和标准差对其进行描述和汇总。定性资料采用叙述分析法和内容分析法进行分析。

从文献的实证研究来看，许多研究者使用tobit模型来识别技术采用决策和技术使用强度的影响因素。例如，在埃塞俄比亚进行的收养研究[29，30.]使用tobit模型确定了在埃塞俄比亚南部民族民族地区国家Gedeo区的yga -cheffe地区采用和使用咖啡技术包的决定因素。同样的,(31，32，33]使用tobit模型评估了影响埃塞俄比亚南部阿拉巴特殊地区采用改良扁豆生产包装的因素和采用强度，以及其他作者[34]还利用tobit模型评估了埃塞俄比亚奥罗米亚伊卢阿巴博拉区梅图区香根草/香根草/技术采用和使用强度的决定因素。

之所以选择该模型，是因为tobit模型比其他分析模型(logistic或probit)具有优势，因为它揭示了采用该技术的概率和使用强度[25］．tobit模型中使用的因变量是家庭拥有的牛总数中通过AI杂交牛的比例，如[35］

在哪里的一个=人工智能技术的杂交牛比例得分值。

它是一个连续变量，通过AI技术用杂交牛比例的得分值来测量。采用者分配1，非采用者分配0。其中，采用者是拥有至少一头通过AI技术杂交牛的农民，而非采用者是那些没有通过该技术杂交牛的农民。根据人工智能技术的使用情况，将收养家庭的最终收养结果分为低、中、高三类。不采用人工智能的群体被给予0分，并作为一个单独的类别来调查影响人工智能技术采用的因素及其强度。这构成了4个不同的类别，用于评估人工智能技术的采用和强度。将受访者分为非采用者、低采用者、中采用者和高采用者的采用率指数得分范围分别为0、0.01-0.33、0.34-0.66和0.67-1.00，与[29，31］．这意味着实际的采用强度评分范围从0到1。采用分值为0表示不采用AI技术，采用分值为1表示采用AI技术，家庭所有的牛都是通过AI技术杂交的。

Tobit模型规范

Tobit模型可用于分析影响人工智能技术采用和使用强度的主要因素。后(35，36，37]，检验AI技术采用的影响因素和采用强度的tobit模型可以指定为

在哪里

\ (Y_{我}= \)观察因变量，即人工智能技术杂交牛的总数;

\ (Y_{我}^ {*}= \)代表AI技术使用的不可观察的潜在(存在)变量。

\(间{我}= \)影响人工智能技术采用和使用强度的因素向量。

\ (\ beta_{我}= \)未知参数向量。

\ (u_{我}= \)独立正态分布的残差，其均值为零，方差相同\ \(σ^ {2}\)．

模型参数通过最大化tobit似然函数估计，其形式如下[25，27]：

在哪里\ \ (f)而且\ \ (F)密度函数和累积分布函数分别为\ (Y_{我}^ {*}\),分别。

\(\frac{\Pi}{{y_{i}^{*} \le 0}}\)表示它们的乘积我的\ (Y_{我}^ {*}\ le 0 \),

\(\frac{\Pi}{{y_{i}^{*} > 0}}\)表示它们的乘积我的\ (Y_{我}^ {*}> 0 \)．

用推断未删减线性模型中系数的方法来解释tobit的系数可能是不明智的[36］．因此，我们必须计算估计的tobit模型的导数，以预测变量变化的影响。

参考文献[38]提出了以下技术来分解解释变量的影响为采用效应和强度效应。因此，在X_我(解释变量)有两个影响。它影响的条件均值Y_我在分布的正部分。本研究也采用了类似的方法。

1.解释变量对因变量期望值的边际效应为

在哪里

\(\frac{{\beta_{i} X_{i}}}{sigma}\)用\ (Z \)后,(38］

2.采用技术为自变量的概率的变化\(间{我}\)变化\ (Y_{我}^ {*}\)是

3.收养强度的变化与收养者中解释变量的变化有关

为了避免多重共线性的问题，在执行tobit模型之前，对连续变量和虚拟变量都进行了检查。对于连续解释变量是否存在多重共线性，对于虚拟变量是否存在偶然性系数(CC)，通常会提出不同的方法[39］．

根据参考文献。［36，39] VIF (X_我)可以定义为

\(VIF = \frac{1}{{1 - R_{i}^{2}}}\),地点:\ (R_{我}^ {2}\)是多重相关系数之间\(间{我}\)以及其他解释变量。对于所选的每个连续解释变量，\(间{我}\)是否回归所有其他连续解释变量，决定系数\ (R_{我}^ {2}\)为每种情况构造。的值越高\ (R_{我}^ {2}\)VIF的值越大\(间{我}\)使得变量之间有更大的共线性\(间{我}\)．根据经验，对于连续变量，如果VIF的值为10或以上，则这些变量被称为共线(如果的值为\ (R_{我}^ {2}\)是1，它会导致更大的VIF，并导致变量之间完美的多重共线性)，而对于哑变量来说，它是共线的[39］．

从卡方计算虚拟变量的相似性、偶然性系数(χ²)值来检测多重共线性问题(虚拟变量之间的关联程度:

在哪里C．C=相依系数,n=样本量,\ \ (chi ^ {2} \)卡方值。

人工智能技术的采用现状和采用强度

正如我们在方法部分中解释的那样，采用强度得分的计算方法是，将通过AI技术拥有的杂交牛的数量除以各自家庭拥有的牛的总数，这使我们能够知道每个样本农户的采用水平。各收养类别的平均收养得分结果见表1．

如果仔细分析调查对象家庭的领养分数，可以发现大部分(76.47%)家庭的领养分数为0分(非领养家庭)。在所有抽样的户主中，9.80%的户主采用强度得分在0.01 ~ 0.33之间，12.26%的被访者采用强度得分在0.34 ~ 0.66之间，只有1.47%的被访者采用强度得分在0.67 ~ 1.00之间。在48种适配器中，41.67%的受访者属于低采纳者类别，52.08%的受访者属于中等采纳者类别，6.25%的受访者的采纳得分为0.67 - 1，属于高采纳者类别(表1)．单因素方差分析显示有显著的平均差异(F= 1019.17;P= 0000)四个采用类别的采用得分在1%的显著水平，这表明样本受访者的采用水平存在差异。人工智能技术在研究区域的使用率仍然很低。

采用人工智能技术类别的样本家庭人口、社会经济和制度特征

表中总结了受访者的人口、社会经济和制度特征的描述性统计分析结果2而且3.．表格2显示了连续变量对人工智能技术的采用和采用强度的影响。

家庭规模(FAMSZ)是人口统计因素之一，它有助于描述受访者，并提供有关样本和人口的可用劳动力的线索。基于这些假设，我们假设家庭规模与人工智能技术的采用和采用强度有积极和显著的关系。表中描述性统计结果2表明样本人口、无、低、中、高收养者类别的平均家庭规模分别为5.42、5.14、6.45、6.16和6.67F数值显示，在1%显著水平下，采用者类别间存在显著的平均差异。研究结果表明，与假设一致，人工智能技术的采用必然与家庭规模有关。家庭规模大是劳动力可用性的一个指标，前提是年龄范围内的活跃劳动力的比例高。一些不从事生产劳动的家庭成员也参与了养牛、饲养、发情时跟踪等简单的农场活动。

描述性结果显示，样本家庭、非采用者、低采用者、中等采用者和高采用者家庭距离居住地的平均步行距离(DSAI) min分别为41.45、48.56、43.50、41.20和26.67 min。的F检验表明，与受精地点的距离为1%显著水平;这表明，不同类别的收养者在受精地点距离上存在显著差异，这意味着;与采用类别相比，更好的人工智能技术采用者住在人工智能服务站附近。

样本家庭、非采养者、低采养者、中等采养者和高采养者从家到农民培训中心的平均步行距离(分钟)分别为46.83、48.56、43.50、41.20和26.67 min。如表所示2，单因素方差分析在1%显著水平上具有高度统计学意义;这意味着四组间的FTC距离存在显著的平均差异，说明较好的采用者居住在FTC附近，这与受精办公室的距离相似。

畜牧业生产是混合养殖体系的组成部分。牲畜是能源、粪便和现金收入的来源。后(32]，将样本农户所有家畜的种类和户长换算为热带家畜单位(TLU)，便于农户间比较。全区、无采养者、低采养者、中采养者和高采养者的平均畜养规模分别为5.23、5.15、5.12、5.32和11.33F值具有统计学意义。这意味着在采用者的类别中，TLU所有权的差异在1%的显著水平上是高度统计显著的。

样本家庭、非采用者、低采用者、中采用者和高采用者的平均杂交牛大小(HYBRIDC)分别为0.79、0.35、2.2、2.2和3头F< 1%显著性水平，差异有统计学意义。这意味着，在没有、低、中、高饲养者之间，杂交牛的保有量存在显著的平均差异，这意味着拥有杂交牛/小母牛与人工智能技术的采用和强度呈正相关。

在研究区，奶牛的平均日产量(yield)分别为3.10、2.30、5.35、5.32和11.33 L /头/天，分别为无、低、中、高养牛户。未采用者、低采用者、中采用者和高采用者的日产奶量水平差异在1%显著水平上达到显著水平，表明人工智能杂交牛的产奶量高于天然抠图杂交牛(本地和天然抠图杂交牛的组合)。关键信息提供者报告称，高产奶牛仍然是研究区域内提高小型奶牛养殖户技术采用率的潜在因素。

同样的,表2清楚地显示样本家庭的平均收入(INCOMHH)为8619.95埃塞俄比亚比尔(ETB)。无采用者、低采用者、中采用者和高采用者的平均农场收入分别为8002.05、10374.5、10349.60和14640 ETB。分析结果还清楚地表明，在1%的显著性水平下，样本AI技术采纳者类别之间存在显著的年度农场收入差异。这说明农场收入与人工智能技术的采用决策呈正相关关系，并具有统计学显著性影响。

表中为虚拟变量总体结果的汇总结果3.结果表明，在考虑的假设变量中，除性别外，所有的虚拟变量，即获得培训、移动饲养、浓缩饲料补充实践和获得推广服务/ DAs访问，均在小于1%的概率水平上显著，而HHH的文化水平在10%的显著水平上显著。

从表中可以看出3.，在所有受访家庭中，大部分(82.35%)是文盲，其余17.65%(36)是文盲。此外，78.85%的非采用者、85%的低采用者、100%的中等采用者和100%的高采用者具有读写能力。χ²= 7.4165;df= 3;p= 0.060，)人工智能技术的采用和采用强度意味着有文化的家庭更受鼓励采用人工智能技术。

在接受培训方面，48.04%的受访人口接受过畜牧生产方面的培训，51.96%的受访人口没有接受过培训。有36.54%的非养畜者、95%的低养畜者、80%的中等养畜者和66.67%的高养畜者参加过区级和地区级的畜牧生产培训。类似地，皮尔逊卡方检验表明，接受培训与采用AI技术之间存在显著关系，显著性水平低于1%。这清楚地表明，在参与人工智能技术采用方面，受过培训的家庭和未受过培训的家庭之间存在差距。因此，研究结果清楚地表明，与没有接受过培训的家庭相比，接受过培训的家庭更能采用AI技术。

在204名样本受访者中，54.90%的农民报告与开发机构有过接触，其余45.10%的农民报告在过去1年内没有与开发机构接触3.)．研究还显示，非采用者、低采用者、中采用者和高采用者分别有46.15%、70%、92%和100%的人与推广代理人有过接触。卡方结果显示，就农民与推广代理人的联系而言，不同收养类别之间存在统计学显著差异。

表格3.进一步显示，在所有样本住户中，只有22.06%的住户为牛/奶牛提供补充饲料，例如麦麸及本地饮品残渣“Hatela”，这一数字较[40研究发现，约有54%的农民用浓缩饲料喂养牛。在所有样本家庭中，13.46%的非收养户、40%的低收养户、56%的中等收养户和66.67%的高收养户给予补充饲料。的P卡方统计值表明，浓缩饲料补充实践与收养类别显著相关，这意味着相比之下，为牛/奶牛提供补充饲料的家庭比不提供补充饲料的家庭更喜欢人工智能收养。

使用移动设备也是一种重要的口头交流手段，用于寻求更新的农业推广服务。研究结果显示，38.73%的样本家庭是手机主人，而剩余的61.27%不是个人手机主人，因为他的奶牛发情时，AI技术人员会呼叫他。另外，未使用手机者(28.85%)、低使用手机者(55%)、中等使用手机者(80%)、高使用手机者(100%)中都拥有个人手机。研究结果表明，手机拥有量对提高研究区农户对人工智能技术的采用决策具有显著的正向影响。

影响农户采用人工智能技术及其采用强度的决定因素

总共假设了15个独立变量来影响研究区域内AI技术的采用。然而，tobit模型的结果显示，只有9个自变量，即户主的文化水平(LITERAT)、接受培训的机会(TRAIN)、户主拥有杂交牛的数量(HYBRIDC)、扩展联系(EXTEN)、平均日产奶量(yield)、户主的收入(INCOMHH)、到农民培训中心的距离(DFTC)、饲料的补充(FEDSUPP)和获得移动设备的机会(mobile)显著影响农民收养(表)4)．除了与FTC办公室的距离呈负相关外，所有显著变量都与人工智能技术的采用和强度呈正相关。

所有被发现的影响人工智能技术使用的采用和强度的变量在影响农户决策方面可能没有类似的贡献。因此，使用[建议的分解程序]37]，我们使用tobit模型的结果来评估解释变量的变化对采用和使用强度的影响，结果如表所示5．

户主的读写能力(读写能力)

正如假设的那样，该模型表明，在解释人工智能技术的采用决策和强度使用方面，识字率发现了正相关关系，并且在统计上显著性低于5%的显著性水平。表格4显示识字使人工智能技术的采用概率和采用强度分别提高9.79%和2.35%。这意味着，有文化的家庭比没有文化的家庭更容易获得信息合成，并更好地理解新农业技术(AI技术)的好处，进而采用该技术。这一结果与[16，41］．

接受培训(TRAIN)

培训被发现是解释采用决定的重要变量之一。tobit模型结果表明，它在解释AI技术的采用决策和强度使用方面的统计显著性低于1%的显著性水平。我们还使用了偏导数来检验该变量对AI技术使用的概率和程度的影响。该模型的测试结果表明，农户经过培训后，采用和密集使用AI技术的概率分别提高了14.97%和2.78%。这可能是因为受过训练的农民比没有受过训练的农民更容易获得关于奶牛场的信息和农业知识，特别是在人工智能技术方面。这一结果与Refs的结果一致。［5，42］．

杂交牛数量(HYBRIDC)

上述tobit模型的结果显示，与假设相符，在小于1%的显著性水平下，它在解释AI技术的采用决策和强度使用方面具有统计学显著性。这一结果与[43，44］．其边际效应分析表明，杂交牛数量每增加一个单位，采用AI技术的概率和强度分别增加7.43%和1.41%。这一发现的一个可能原因是，拥有杂交牛的农民可能对杂交牛的重要性有更多的了解，并被鼓励集中使用人工智能技术。

DAs接触(EXTEN)

DAs接触(EXTEN)是最重要的解释变量，与我们的先验预期一致，在分别影响采用AI技术的概率和强度使用的5%和1%的显著性水平上，这是积极的，统计上显著性的。推广人员访问过的家庭对使用人工智能技术的兴趣增加了，因为他们获得了有价值的信息、知识和技能。这名实习生可以通过加强人工智能的使用来影响农民的利益。模型结果显示，推广人员访问的家庭获得了更好和更新的信息，采用人工智能技术的概率和使用强度分别提高了12.67%和2.46%。该结果与尼日利亚的收养研究结果一致[20.，45］．

年产奶量(MLKYLD)

如模型输出结果所示，在10%和5%的显著性水平下，该变量对AI技术采用的可能性和AI技术使用的强度有正向显著影响。日产奶量的边际变化使人工智能技术的采用概率和使用强度分别提高2.83%和0.54%。可能的原因可能是，获得更好牛奶产量的家庭更受鼓励采用乳制品技术/人工智能技术。研究结果与[16]，表明人工智能的采用与牛奶产量和牛的生产力水平有关。很明显，农业生产人类消费的营养食品，而食品消费决定了家庭的营养状况。因此，营养良好的家庭拥有强壮和健康的身体，使他们能够在农业生产和生产力方面容易采纳、创新和提高生产力。

户主收入(INCOMHH)

Tobit模型结果显示，在5%的显著性水平下，家庭年收入对人工智能技术的采用可能性和使用强度有正向显著影响。户主收入每增加一个单位，采用AI技术的概率和强度分别增加0.003%和0.00056%。以上结果说明年收入较好的户主通常会购买体型和体型较好的奶牛进行授精。如果用从一头大牛身上采集的精液对一头小母牛进行人工授精，可能会出现产犊困难。然后，贫困农民拥有的那些体型较小的奶牛就被限制使用该技术。这一结果与[45］．这意味着家庭有可能有更好的年收入和能够确保粮食自给自足。

距离农民培训中心(DFTC)

假设户主与联邦贸易委员会的距离对采用率和采用率有负向影响。模型结果如表所示4表明该变量对人工智能技术采用概率和使用程度的影响为负，在5%显著水平上为静态显著，对人工智能技术采用概率和采用强度的边际效应分别为−0.0072485和−0.001379;—FTC距离家庭住宅距离每增加一个单位，收养概率和收养强度分别降低约0.73%和0.14%。其原因可能是，居住在离公平交易委员会较远的农户没有或只有有限的新技术信息。另外，在没有手机号码的奶牛进入发情期时，如果需要呼叫人工智能技术人员等扩展服务，就会到联邦贸易委员会，得到手机号码后，如果住在联邦贸易委员会附近，就会亲自或通过DAs的帮助，及时呼叫技术人员。

饲料补充规程(FEDSUPP)

是否决定采用任何一项创新(技术)，取决于是否有相关的投入[45］．这表明，是否决定采用一项目前的技术可能取决于是否利用以前可利用的补充投入。在农场中提供浓缩的补充饲料，而不是放牧和只提供粗饲料，被认为是乳制品生产中的一种补充做法，预计将积极影响AI技术的采用，因为它被认为是相互关联的技术。tobit模型输出结果表明，饲粮补充对人工智能技术采用的可能性和采用人工智能技术的强度分别在5%和1%的显著性水平上有正向显著影响。tobit模型的分解结果表明，在其他因素不变的假设下，补充精饲料的家庭采用AI技术的概率和使用强度分别比不补充精饲料的家庭提高了18.18%和2.97%。这一结果与假设一致，即补充饲料可以获得更好的产量和提高盈利能力，因为它在畜牧业中有更高的反应。这一结果得到了烟气脱硫参与者的大力支持。例如，在fgd期间，他们强烈指出:“当人工智能与优秀的畜牧业结合在一起时，成功的机会大大增加。充足的喂养使我们拥有体型良好的奶牛，适合人工授精，精液质量更好。”这项研究与Refs的研究相似。［6，46]研究在尼泊尔的纳瓦尔帕西和奇旺地区对奶牛采用人工授精技术，以及对牛奶生产的影响。

移动所有权(移动)

回归输出中，拥有手机是影响AI技术采纳决策和采纳强度的积极因素，在5%显著水平上达到统计学显著水平;这意味着对人工智能技术的采用决策和强度有移动支持。该研究的关键信息者肯定，在促进AI技术的主要原因中，移动所有权首先被提到。该变量的边际效应显示，与没有移动设备的家庭相比，拥有移动设备的家庭采用AI技术的概率和强度分别增加了11.52%和2.07%。产生积极影响的主要原因可能是;当奶牛发情时，有手机的农民打电话给人工智能技术人员，技术人员会准时到达。另一方面，没有移动电话的家庭会步行到授精办公室，在发情期已经过去后才到。根据许多作者的说法，授精的时机对成功怀孕率非常关键[47，48，49］．此外，它还表明，拥有移动设备可以改善获取信息的能力，因此农民可以轻松理解人工智能技术的好处。

采用基于情境的人工智能技术在提高牛的整体生产率和乳制品生产方面发挥着不可或缺的作用，尤其是在改善农户生计和实现粮食安全方面发挥着至关重要的作用。然而，研究结果显示，农户对人工智能技术的采用还处于初级阶段。在204名抽样调查对象中，只有48户(23.5%)的家庭采用了人工智能技术。

tobit回归模型结果显示，农户的文化水平、牲畜生产培训、杂交牛饲养、推广服务的获得、奶牛的产奶量、农户的收入、流动所有权和浓缩饲料的补充与农户采用人工智能技术的概率和采用强度存在显著正相关关系。同样，与FTC的距离也对农民使用人工智能技术的可能性及其强度产生了负面影响。

为了提高农户对人工智能技术的采用程度和采用强度，本文作者提出以下建议，以改善农户的生计。(1)政府应创造有利的环境，使私营部门切实有效地参与。(2)对人工智能技术进行适当的培训和意识培养，如当农民的奶牛处于发情早期阶段时及早报告，这是非常重要的，应该给予这些培训和认识，以克服这一问题。因此，发展机构和推广人员应该更加重视培训和参观畜牧场，更好地提供相关的技术咨询和支持。(3)人工智能技术人员应将自己的手机号码张贴出来，方便畜主和农户获取。(4)进一步扩大高产奶量奶牛的生产规模，使其具有较好的体型和状态，对提高高产奶量奶牛的生活水平具有重要作用。(5)人工智能技术人员对研究区奶牛精液活力进行跟踪检查，提高奶牛受胎率。

本研究的数据集可根据要求从通讯作者处获得。

人工智能:

人工授精

TLU:

热带牲畜单位

联邦贸易委员会:

农民培训中心

STEOARD:

Saesie-tsaedaemba农业和农村发展办公室

作者非常感谢参与调查并为我们提供大量信息的农民和收集数据的统计人员。我们也感谢匿名审稿人的建设性意见。

作者感谢Tigray农业研究所(TARI)提供的财政支持。

作者和联系

1. Tigray农业研究所，Humera农业研究中心，Mek 'ele，埃塞俄比亚

   Yemane重金盖布里

2. 梅克尔大学农村发展与农业推广系，埃塞俄比亚梅克莱

   Gebrehiwot Weldegebrial Gebru

3. 梅克尔大学动物野生动物和牧场科学系，埃塞俄比亚梅克莱

   Kahsa Tadel盖布里

贡献

Gebre设计了这项研究，分析了数据，并起草了手稿。Gebru和Gebre对手稿进行了修改，并进行了一些分析和解释。所有作者阅读并批准最终稿。

相应的作者

对应到Gebrehiwot Weldegebrial Gebru．

伦理批准和同意参与

不适用。

同意出版

所有作者撰写、阅读、修改并通过最终稿。

相互竞争的利益

作者声明他们之间没有利益冲突。

出版商的注意

beplay.cc官方施普林格《自然》对出版的地图和机构附属关系中的管辖权要求保持中立。

附录

假设自变量列表(表6)．

开放获取本文根据知识共享署名4.0国际许可协议授权，该协议允许以任何媒介或格式使用、共享、改编、分发和复制，只要您适当地注明原作者和源代码，提供知识共享许可协议的链接，并说明是否进行了修改。本文中的图像或其他第三方材料均包含在本文的知识共享许可中，除非在材料的信用额度中另有说明。如果材料不包含在文章的知识共享许可中，并且您的预期使用不被法定法规允许或超过允许的使用，您将需要直接从版权所有者获得许可。如欲查阅本牌照副本，请浏览http://creativecommons.org/licenses/by/4.0/．知识共享公共领域转让豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据，除非在对数据的信用额度中另有说明。

再版和权限