Fostering artificial intelligence in the livestock sector: Adoption factors and policy insights from the case of Spain
Carlos Parra-Lopez · Carmen Carmona‐Torres
基于西班牙666家养殖场调查，用PLS-SEM分析AI采纳的影响因素与政策启示。
666份养殖场问卷，PLS-SEM建模，含中介、调节与分组分析。
AI采纳最依赖既有数字基础设施；感知收益仅间接起作用，集约场采纳率远高于粗放场。
可研究粗放养殖场数字基础设施与连接性短板，设计‘就绪度条件’式推广与补贴机制。
基于666个西班牙牧场样本的实证研究，揭示AI采纳受数字基础设施制约的“感知—能力鸿沟”，并提出“就绪条件式”补贴政策思路，对智慧畜牧推广与数字乡村政策设计有参考价值。
背景与目的 人工智能（Artificial Intelligence, AI）与精准畜牧业（Precision Livestock Farming, PLF）的融合为提升畜牧部门的生产力、动物福利和可持续性提供了重要机遇。然而，这些技术的采用仍然极不均衡。本研究超越描述性统计，探讨了西班牙畜牧部门中与AI采用相关的复杂交互因素。方法 基于一项全国性调查中抽取的666个西班牙畜牧养殖场的样本（该调查的抽样设计按2020年农业普查的子部门和地区比例进行），采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modelling, PLS-SEM）方法，评估了一个跨不同养殖系统和经营规模的综合采用框架。AI采用被建模为五个自我报告的AI系统类别的形成性复合变量，并通过中介、调节、子组和样本外预测分析（10,000次重抽样自助法）对框架进行了检验。主要发现 实证结果表明，AI采用与养殖场的基线技术基础设施关联最为密切（β = 0.6464，p < 0.001）；先进的预测工具似乎以已有的数字牧场记录、自动化饲喂系统和可互操作传感器生态系统为前提。“感知—能力差距”得到正式支持：感知收益仅通过基础设施基线间接与采用相关（仅间接中介），且其关联随基础设施的增加而增强（正向交互）。因此，在缺乏基础数字能力的情况下，对AI理论效益的认可或对公共补贴的知晓与采用并无独立关联。此外，研究识别出一条鲜明的结构性分界线：集约化和半集约化养殖场的采用率达到56.3%，而粗放型养殖场仅为24.4%（χ2 = 57.61，p < 0.001），因为传统粗放型系统面临严重的物理和连接障碍，使其处于系统性劣势。结果在反映性、计数、简化指标和逻辑斯谛设定下均稳健，且模型显示出显著的样本外预测能力（Q 2 predict ≈ 0.53）。结论 为促进更具包容性的数字化转型，研究结果表明政策制定者应采取“就绪条件”模型，确保养殖场