Análisis de Redes Sociales para una mejor comprensión de los procesos de innovación agrícola

Mario Monge Pérez, Frank Hartwich
Instituto Internacional de Investigación sobre Política Alimentaria (IFPRI)[1]

Resumen

Los estudios sobre adopción de innovaciones agrícolas han estado dominados por una perspectiva que considera a la decisión de adoptar como un asunto individual determinado por la utilidad el productor considera que podría percibir. En años recientes ha crecido el interés por comprender el papel de la interacción social en estos procesos. Poco a poco, conceptos como capital o aprendizaje social han ganado terreno entre los analistas. Sin embargo, son muy pocos los estudios en que se ha intentado aprovechar el potencial del Análisis de Redes Sociales para el abordaje de estos procesos.

En este estudio se analizaron los efectos de las interacciones entre los productores y otros actores relevantes en los procesos de innovación, con base en una muestra de 360 productores de 12 micro regiones de Bolivia. Específicamente, se puso a prueba el efecto de la frecuencia de interacción sobre la intensidad de la adopción, apoyándose en las herramientas provistas por los paquetes de software UCINET y NetDraw.

A nivel de micro regiones se hallaron efectos positivos y significativos de la densidad de las redes locales, y del prestigio del promotor de las innovaciones, sobre la intensidad promedio de adopción. A nivel individual, se dio una adopción más intensa entre quienes mostraron mayor frecuencia de contacto con la agencia promotora de las innovaciones y con otros productores, mayor centralidad de grado en la red, y mayor grado de vínculos simmelianos o cohesivos (embedded ties). Además, se obtuvo evidencia significativa del efecto de la equivalencia regular sobre los niveles de adopción.  El estudio muestra además el efecto positivo de incluir variables estructurales en un modelo econométrico tradicional de adopción.

Palabras clave: Adopción de innovaciones, Redes Bi-modales, Centralidad, Vínculos simmelianos, Regresión Tobit.

Abstract

Studies on adoption of agricultural innovations have been dominated by a perspective which considers adoption as an individual decision determined by the prospective utilities as perceived by the farmer. In recent years there is a growing interest for understanding the role of social interaction in these processes. Concepts like social capital or social learning have increasingly received attention among scholars. Nonetheless, only very few agricultural innovation studies have taken advantage of Social Network Analysis potential as a tool to ascertain these processes.

We analyzed the effects of interactions among farmers and other actors relevant for innovation processes, based on a sample of 360 farmers from 12 micro regions in Bolivia. Specifically, we explored the effects of interaction frequency on adoption intensity, considering the tools provided by UCINET and NetDraw software packages.

At a micro-regional level, positive and significant effects of both the network density and the prestige of the promoter of innovation were evidenced.  At the level of individual farmers, adoption was more intense among those with greater frequency of contact with the promoter and with other farmers, those with a larger degree centrality, and with a larger degree of embedded or cohesive ties. Besides, significant evidence of the effects of structural equivalence on adoption levels is also presented. The positive effects of including structural variables derived from SNA into traditional econometric models are also shown.   

Key words: Adoption of innovations, 2-mode networks, Centrality, Embedded ties, Tobit regression.

1. Introducción

“Toda innovación es una innovación social. La innovación no ocurre ‘ahí afuera’ en el mundo de los objetos…( )… la innovación sólo puede ser comprendida apropiadamente cuando se estudian las bases sociales de la misma.” (Tuomi 2002, p.5-6).

Dos grandes tradiciones han dominado los estudios sobre adopción de innovaciones agrícolas. De un lado se tiene una corriente que nació entre sociólogos rurales interesados en comprender las razones de la lenta difusión de la semilla de maíz híbrido entre los productores del estado de Iowa, Estados Unidos, a pesar de sus claras ventajas y del despliegue realizado para su difusión por parte de agentes de extensión y de la empresa privada (Ryan y Gross 1943).  En esta tradición la difusión se visualiza como un proceso epidémico gracias al cual la decisión de adoptar de un productor ocasiona el “contagio” posterior de otros con quienes el primero está en contacto o sobre quienes tiene alguna influencia. El contagio se da básicamente mediante la interacción entre productores, en tanto que los esfuerzos de los agentes externos afectan mayormente la toma de decisiones de la minoría de productores pioneros que están más atentos a las novedades externas (Rogers 2003).

De otro lado se tiene una tradición de cuño individualista, predominante entre economistas agrícolas, según la cual los productores deciden si adoptan o no de acuerdo con las utilidades que podrían obtener.  Así, cada productor sopesa de forma racional los costos y beneficios esperados antes de decidir. Dadas las grandes diferencias entre productores en términos de sus características individuales y de su dotación de recursos (en cantidad y calidad), cabe esperar grandes diferencias en cuanto a sus decisiones relativas a la adopción de innovaciones (Griliches 1957). Esta tradición ha tenido un papel predominante en el estudio de la innovación agrícola, sirviendo de base para muchas de las políticas, programas y sistemas utilizadas globalmente para promover el cambio tecnológico y el desarrollo agrícola en general (Ruttan, 1996).

Sin embargo, en años recientes se ha dado un creciente reconocimiento de la gran influencia que tienen las interacciones sociales sobre el comportamiento económico individual, el crecimiento económico y el desarrollo rural (cf. Fafchamps 2006, Granovetter 2005, Bebbington 1999, Manski 2000, Durston 2002, Woolcock y Narayan, 2000). Tal interés, que se refleja en la cuantiosa literatura surgida en la última década sobre capital social y sistemas de innovación, se ha venido extendiendo lentamente hasta el estudio de la innovación agrícola.  Cada vez son más comunes los estudios en que se consideran variables relacionadas con estos aspectos como parte de los modelos econométricos de adopción (cf. Pomp y Burger 1995, Boahene 1995, Isham 2002, Caviglia-Harris 2003, Moser y Barrett 2006, Munshi 2005, Feder y Savastano, 2006, Moxley y Lang 2006). 

Por ello resulta llamativo el poco uso que se ha hecho del análisis de redes sociales para abordar los efectos de la interacción social sobre la adopción de innovaciones. El presente trabajo pretendió servir a un mayor acercamiento entre las distintas tradiciones de análisis de la innovación agrícola a través de un estudio de adopción en que se integraron descriptores de la interacción social derivados del ARS como parate de un modelo econométrico.  El estudio aborda el efecto de los vínculos del productor con diversos actores, sobre su toma de decisiones relativas al volumen o intensidad de adopción. Se pone atención particular a la interacción del productor con los agentes externos (e.g., vendedores de insumos, compradores de producto, extensionistas, etc.) ampliamente reconocidos como actores clave en la literatura sobre difusión de innovaciones.  Se exploran distintas hipótesis derivadas de las diversas disciplinas que dan cuenta de los procesos sociales que subyacen a este tipo de decisiones.

El documento está estructurado de la siguiente forma. En la sección 2 se presenta el marco conceptual, donde se destacan los distintos elementos derivados de distintos enfoques y que dan forma a las hipótesis de trabajo. La sección 3 describe la metodología utilizada, detallando particularmente el procesamiento y análisis de datos realizados con ayuda de los métodos de ARS. La sección 4 describe los resultados.  El artículo concluye con una breve discusión sobre las implicaciones de este estudio de cara a la mejora de las políticas e intervenciones que pretenden promover la innovación entre los productores agrícolas pobres, y con algunas reflexiones relativas a las aplicaciones futuras del enfoque propuesto.

2. Marco teórico

El análisis de los distintos aspectos de la interacción social que influyen sobre las decisiones de los productores de cara a la adopción de innovaciones ha sido abordado desde muy diversas perspectivas.  Para algunos economistas, las redes sociales resultan determinantes como fuentes de acceso a la información,  insumos, infraestructura e instituciones requeridas para implementar la innovación (Kranton y Minehart 2001, Okten y Osili 2004, Hogset 2005, Fafchamps 2007).   La mayoría de sus estudios, sin embargo, se ha concentrado en la importancia de la interacción a través del aprendizaje social, i.e., el proceso por el cual los productores se enteran de la existencia de la innovación y de sus características, y se aprovechan de las experiencias de aquellos vecinos que les han antecedido en adoptar la innovación para actualizar sus creencias y actitudes conforme se reduce el nivel de incertidumbre que deben enfrentar de cara a la adopción (cf. Foster y Rosenzweig 1995, Conley y Udry 2001, 2004, Munshi 2005, Abadi Ghadim et al. 2005, Yamauchi, 2007). Los modelos que consideran los efectos del aprendizaje social son capaces de explicar el fenómeno de “conformidad localizada” (i.e., la homogeneización del comportamiento observado a nivel local) como resultado de la proximidad física y social entre productores, una observación de vieja data entre geógrafos y sociólogos rurales.  Otros estudios econométricos han hecho énfasis en el papel de la variedad y frecuencia del contacto del productor con distintas fuentes de información, proponiendo que una mayor exposición a fuentes apropiadas de información, a través de diversos canales, debería reducir la incertidumbre subjetiva y conducir a una adopción más temprana.

Este tipo de estudios podría enriquecerse enormemente si se consideran otros efectos de la interacción social que han sido puestos de manifiesto por el análisis de redes sociales en campos diversos. El ARS se ha utilizado incesantemente desde mediados del siglo XX para el estudio de la difusión de información e innovaciones en mercadotecnia, desarrollo industrial, sociología médica y otras áreas; pero su aplicación al estudio de la difusión de innovaciones agrícolas ha sido mucho más limitada en cantidad y profundidad (cf., Boahene et al. 1999, Conley y Udry 2001, Nyblom et al. 2003, Hogset 2005, Katungi 2006, Bandiera y Rasul 2006, Van den Broeck y Dercon, 2007).  Por esta razón se reseñan a continuación algunos de los aprendizajes generados en otros campos, a partir de los cuales se deriva un set de hipótesis para analizar con base en un set de datos obtenidos para tal fin y que pretende ser de utilidad para futuros estudios en este ámbito.

Aportes del enfoque de Redes Sociales

Las redes sociales afectan la difusión de innovaciones a través de sus efectos sobre procesos de aprendizaje social, evaluación conjunta, influencia social y acción colectiva (Kohler et al. 2007, Hogset 2005). Los efectos del aprendizaje social se describieron más arriba. La evaluación conjunta permite a los miembros de la red reinterpretar y moderar innovaciones riesgosas, tornándolas más realistas y significativas para el contexto local. La influencia social implica aquellos mecanismos que fuerzan al acatamiento de las normas sociales, así como los efectos de las opiniones y actitudes prevalecientes sobre las preferencias y la conducta del individuo[2]. Finalmente, las redes actúan como mecanismos que ayudan a resolver las externalidades y los problemas de coordinación para la acción colectiva.

La mayoría de los estudios de difusión realizados con un enfoque de redes sociales visualizan la difusión como un proceso de comunicación homogenizante, por el cual las actitudes y conductas individuales se ven influenciadas por la micro estructura social (Wejnert 2002). Se percibe entonces como un proceso de contagio determinado por factores de cohesión social, equivalencia regular, popularidad, rango (acceso) y proximidad espacial, y debido a los cuales los investigadores han generado distintos modelos para predecir los efectos de la estructura sobre el cambio en las actitudes entre personas ligadas por distintos tipos de relación y/o que ocupan ciertas posiciones en la estructura[3].

·         Cohesión: la interacción directa entre individuos, especialmente entre miembros de subgrupos con gran proximidad afectiva, explica en buena medida los procesos de adopción. La cohesión facilita el intercambio de conocimientos al reducir los impedimentos competitivos y motivacionales que se dan por el mero hecho de que tal transferencia es beneficiosa para el receptor pero costosa para la fuente; la presencia de vínculos densos con terceros comunes alrededor de una relación ayuda a superar tales impedimentos (Reagans y McEvily 2003). Además, los subgrupos densos (cliques) contienen a muchos de los referentes preferidos por sus miembros individuales y generan en éstos un sentido de pertenencia que impone sobre ellos mayor presión para comportarse conforme a lo esperado. Debido a ambos efectos (comparación-competencia de un lado, y presión hacia la conformidad, de otro), cabe esperar que a mayor densidad de vínculos dentro de un grupo o subgrupo, mayor será similitud esperable en el comportamiento de sus miembros. Los vínculos fuertes (homófilos) que caracterizan las relaciones cohesivas, son clave para la difusión al interior de la red (especialmente para la transmisión de conocimiento tácito, que es característico de las innovaciones técnicas), debido a su rol relevante en los procesos de influencia, comparación y aprendizaje social[4].  Las variables más comunes para predecir la adopción están por ello inversamente relacionadas con el tamaño de la red, y son directamente proporcionales a la densidad de la misma. La frecuencia de interacción entre los miembros refleja también ambos efectos.

·         Equivalencia Regular: Para autores como Burt (1987), la competencia entre personas de estatus similar (i.e., entre personas con grupos de referencia y posición estructural semejantes) es la fuerza motriz del contagio.  Las personas que poseen vínculos con tipos similares de personas, tienden a comportarse de forma similar, aún y cuando no existan conexiones directas entre ellas. A mayor equivalencia regular entre dos actores, mayor similitud se esperará en su conducta. De acuerdo con Wejnert (2002), la equivalencia regular se halla determinada por factores demográficos (género, edad, raza, estado civil), sociales (educación, ocupación), y culturales (lenguaje, tradición, religión, valores y normas). 

·         Rango: Los vínculos débiles y heterófilos (Liu y Duff 1972, Granovetter 1973 y 1982, Hansen 1999, Levin y Cross 2004) son fundamentales durante la difusión temprana de nuevas ideas y comportamientos, debido a que ellos brindan acceso a regiones de la red que de otra forma se hallarían desconectadas, así como vínculos a fuentes externas y no redundantes de información.  Burt (1992, 2005) en su revisión de la hipótesis de Granovetter sobre la “fuerza de los vínculos débiles”, ha sugerido que, más que en la debilidad del vínculo, la importancia de estos vínculos descansa en la función “puente” de los actores que amplían el rango de la red y cubren los vacíos estructurales de la misma, actuando como intermediarios de la información entre subgrupos.  A causa de este papel, tales intermediarios usualmente adoptan de tempranamente la innovación.  Además, la ventaja posicional de estos intermediarios constituye su “capital social”.

·         Popularidad: Los miembros prominentes y bien conectados (i.e., aquellos con alta centralidad), que son usualmente calificados como líderes de opinión, generalmente adoptan pronto aquellas innovaciones que son consistentes con las normas grupales, a la vez que se resisten a adoptar aquellas innovaciones que no encajan con las mismas.  Al contrario, los miembros marginales de la red se ven menos afectados por los juicios del resto, por lo que con mayor probabilidad se les halla entre los primeros en adoptar las innovaciones no congruentes con los valores y normas grupales (Becker 1970, Rogers 2003). Esta línea de argumentación explica también el contagio que se dan en relaciones no recíprocas: por un lado, los miembros de menor rango podrían verse motivados a adoptar debido a su aspiración a parecerse a sus líderes; por otro, la decisión de adoptar por parte de miembros prestigiosos puede arrastrar a otros por la misma vía al variar los patrones locales de juicio.

·         Proximidad Espacial: El contagio entre actores físicamente próximos es uno de los hallazgos más comunes en la literatura sobre difusión. La proximidad geográfica facilita diferentes tipos de interacción y procesos de influencia; por ello, los datos de ubicación geográfica suelen tener un buen poder de predicción de los patrones de difusión. Estos modelos suponen que los miembros de la red están distribuidos de tal forma en el espacio social que su cercanía física se corresponde con su cercanía relacional: entre más cerca vivan dos personas, más fuertemente vinculados deberán estar, más probable es que posean los mismos referentes y, por lo tanto, sería de esperar que sus actitudes y conductas sean muy parecidas.  Estos modelos son, sin embargo, muy restrictivos debido a que implican que no se presentan asimetrías, intransitividad o subgrupos en las relaciones existentes en la red. Nyblom et al. (2003) representan una aplicación reciente de este tipo de modelos a la difusión de innovaciones agrícolas.

Más allá de estos modelos generales, los efectos de la red sobre las actitudes y el comportamiento innovador pueden también predecirse analizando la estructura de relaciones a distintos niveles: nodal (individual), diádico, triádico, subgrupo y red completa (cf. Monge y Contractor 2003).

·         Nivel individual: los actores con mayores niveles de centralidad (de grado) suelen ser líderes de opinión. Como se indicó más arriba, ellos usualmente adoptan más temprano que los demás las innovaciones culturalmente aceptables, en tanto se muestran como oponentes de aquellas culturalmente inaceptables (Becker 1970).  En un análisis reciente sobre las diversas medidas de centralidad y su grado de ajuste para reflejar el flujo de distintos tipos de elementos entre los actores de una red, Borgatti (2005) señala que la centralidad de grados es una buena medida de la influencia inmediata, es decir, de la probabilidad de “infección” como una función del número de actores con los cuales el productor o productora focal se hallan vinculados. Por otro lado, el Eigenvector de distancias geodésicas es también una buena medida para el riesgo del nodo de ser contagiado, pudiéndose utilizar con propiedad para analizar procesos de “influencia”. La diferencia entre ambas medidas es que la centralidad de grados no considera los efectos indirectos de más largo plazo.

·         Nivel de díadas: a este nivel, las actitudes y la similitud en el comportamiento se ven afectadas por:

o        La frecuencia de interacción: a mayor frecuencia, más posibilidades de que ambas partes aprendan a interpretar las actitudes del otro de forma correcta

o        La multiplicidad de interacciones: a mayor variedad de relaciones (positivas) que vinculen a dos actores, más ampliamente coincidirán ambos miembros de la díada

o        La fuerza de la interacción: los vínculos más fuertes en relaciones positivas conducen a un acuerdo más fuerte entre los miembros de la díada.

o        La asimetría de la interacción: en relaciones basadas en la autoridad, la asimetría puede prevenir la comparación o provocar desacuerdo, mientras que en relaciones basadas en la estima, los subordinados pueden tomar a sus superiores como modelos a imitar (Erickson 1988).

·         Nivel de triada: los conceptos de balance estructural y transitividad (Wasserman y Faust 1994), han sido utilizados para predecir similitud entre actores basándose en la mera estabilidad de la estructura.  La estabilidad implica que, en una estructura triádica, un no adoptador vinculado con otros dos que ya han adoptado, acabará por adoptar. Krackhardt (1998 y 1999) y Krackhardt y Kilduff (2002) señalan además que las díadas unidas por vínculos simmelianos (i.e., díadas encapsuladas en cliques de 3 personas) llegan a estar de acuerdo de forma más fuerte que los miembros de otras díadas. Extendiendo estos argumentos, podría pensarse que un actor ligado a otros dos actores que adoptan una innovación de manera intensa, adoptará también de forma intensa; y que alguien vinculado fuertemente a otros dos actores fuertemente vinculados entre sí y que han adoptado intensamente (o que promueven abiertamente la innovación), acabará por adoptar aún más intensamente que lo que podría predecirse a partir de un análisis meramente diádico.

·         Nivel de red: al compararles con estructuras más difusas, las redes centralizadas, tales como las que tienen un arreglo Centro-periferia, agilizan  el paso de la difusión una vez que el elemento que se difunde alcanza el núcleo de líderes de opinión y otros actores de alta centralidad (Rogers, 2003)[5]. 

El rol de los agentes de cambio como miembros de la red

De acuerdo con Frambach (1993), la teoría sobre difusión de innovaciones ha tomado tradicionalmente una perspectiva sesgada al lado del agente que adopta, ignorando con frecuencia la influencia del proveedor en los modelos de difusión. Incluso en los estudios que hacen énfasis en las interacciones sociales, los agentes “externos” y su posible influencia generalmente son omitidos, como si los únicos vínculos relevantes fueran aquellos existentes entre los actores locales. Sin embargo, tal omisión puede conducir a interpretaciones erróneas de los procesos[6].

Parte de este sesgo puede deberse a que una de las generalizaciones básicas en la teoría clásica de la difusión de innovaciones (Rogers 2003) es que las fuentes externas de información son mayormente relevantes para diseminar información sobre la innovación en los estadios iniciales del proceso de difusión, y resultan por lo tanto relevantes sólo para persuadir a la minoría de productores (pioneros y adoptadores tempraneros), en tanto que resultan secundarias para la toma de decisiones de la mayoría de los actores, para la cual las interacciones entre pares adquieren un rol central.  En contra de este simplismo, autores como Lin y Burt (1975) o Carey (1999) han señalado la importancia de no asimilar a los agentes de cambio con los medios masivos de comunicación, mostrando para ello el rol diferencial de los distintos interlocutores (medios masivos, extensionistas, vendedores, amigos, vecinos y otros productores) en las diversas fases del proceso de adopción.

Pero resulta claro que entre los productores y los distintos actores y agentes con quienes ellos interactúan, se desarrolla un vínculo social capaz de incidir fuertemente sobre la toma de decisiones del productor. Se trata de una relación asimétrica, pero los vínculos no son formales, lo cual limita la aplicabilidad de enfoques surgidos en el ámbito organizacional para explicar procesos de influencia y de transferencia de información en relaciones verticales (cf. Sparrowe y Liden 2005, Newell y Swan 1995), en donde hay un gran espacio para la presión coercitiva que surge entre miembros de una jerarquía formal.

Debe indicarse, sin embargo, que tales observaciones no aplican de lleno a los estudios de adopción de innovaciones agrícolas en los que, con alguna frecuencia, se ha incluido la interacción de los productores con los servicios de extensión como un factor determinante, y con efectos por lo general positivos y significativos en la velocidad de difusión (cf. Coleman 1951, Wilkening 1956, Rogers y Beal 1958, Copp et al. 1958, Polgar et al. 1963, Lin y Burt 1975, Opare et al. 1977, Feder et al. 1987, Birkhaeuser et al. 1991, Strauss et al. 1991, Hussain et al. 1994, Glendinning et al. 2001, Dinar et al. 2007). 

En estos estudios el énfasis no recae tanto en el hecho de la interacción social, cuanto en la extensión agrícola como suplemento al capital humano del productor y como mecanismo de reducción de la incertidumbre. Por lo tanto, dicha variable se asocia regularmente con la decisión de adoptar o no, y por lo tanto, con la prontitud con que se toma la decisión inicial de hacerlo. Casi no se encuentran, por ello, estudios que hayan vinculado la frecuencia de interacción con los agentes de cambio con la intensidad de adopción.

No obstante, la promoción de innovaciones entre productores pobres de los países en desarrollo por parte de proyectos y extensionistas va usualmente acompañada de una diversidad de incentivos (que buscan reducir el riesgo que enfrenta el productor, así como paliar sus limitadas capacidades de absorción y de inversión), tales como la provisión subsidiada de insumos, infraestructura y asesoría técnica, o el apoyo a la comercialización del producto (para asegurar ganancias al hogar mientras se incuban sus capacidades empresariales, etc.).  El despliegue de tales mecanismos tiene el efecto de producir curvas de difusión más inclinadas, que alcanzan sus límites superiores en plazos más cortos. Y su aplicación es aún más intensiva por parte de aquellos proyectos urgidos por cumplir con las metas cuantitativas y los plazos permitidos por los organismos financieros.

Por tales motivos, es razonable argüir que los agentes de cambio tienen un papel mucho más influyente sobre las tasas de adopción de los pequeños productores que lo que usualmente se reconoce en la literatura. Y tal influencia estará mediada forzosamente por el grado de interacción que surja entre dichos agentes y los productores, razón por la cual, es fundamental considerar a tales actores como parte de la red social en que los productores agrícolas se desempeñan.

Hipótesis a analizar

Con base en los aportes anteriores se formuló el siguiente set de hipótesis sobre los efectos de la interacción social sobre la adopción de innovaciones agrícolas:

Tabla 1. Set de hipótesis a analizar en el presente estudio.

Nivel	Hipótesis	Operacionalización de la hipótesis
Regional (red)	1. Regiones con mayor interacción social presentan tasas promedio de adopción más intensas.	Redes con mayor densidad de vínculos presentan mayores tasas promedio de adopción
	2. Regiones en donde la interacción está más concentrada alrededor de pocos actores centrales presentan una difusión más rápida	A mayor centralización de la red, menor será el lapso transcurrido desde el momento en que los productores cobran conciencia de la innovación hasta su adopción
	3. Regiones en que el promotor tiene más prestigio entre los agentes de cambio adoptan más rápida e intensamente	A mayor centralidad de grados del promotor del set de innovaciones en la red de agentes de influencia social, mayores tasas promedio y menor el lapso promedio requerido para su adopción
Individual	3. Productores[7] con una mayor interacción con otros actores adoptan de forma más rápida e intensa	Entre mayor sea el número de actores con quienes un productor interactúa de forma frecuente o muy frecuente al respecto de la innovación (i.e., a mayor centralidad de grados en la red que muestra sólo las interacciones frecuentes y muy frecuentes entre actores), más rápida e intensa su adopción.
	4. Productores expuestos a un esfuerzo persuasivo más fuerte por parte de otros actores de la red, adoptan en un lapso menor y de forma intensa.	La adopción es más rápida e intensa: a) A mayor interacción del productor con el promotor principal de la innovación
		b) A mayor interacción del productor con otros agentes técnicos
		c) A mayor interacción del productor con agentes del mercado (vendedores de insumos, compradores de producto, transportistas)
		d) A menor interacción del productor con otros productores
		e) A mayor interacción del productor con otros actores que a su vez están fuertemente vinculados con el promotor principal de la innovación (i.e., a mayor índice de vínculos simmelianos)
	5. El nivel de adopción de los productores está determinado por aquél de sus referentes locales	A mayor equivalencia estructural entre dos productores, mayor similitud habrá en sus niveles de adopción

Metodología

Sitio, participantes y tipo de información recabada

Los datos para este estudio se colectaron entre los meses de Agosto y Diciembre de 2005, como parte de un estudio del Instituto Internacional de Investigación sobre Política Alimentaria (IFPRI) realizado con la colaboración del Sistema Boliviano de Tecnología Agropecuaria (SIBTA), las Fundaciones Trópico Húmedo y Valles, y PROINPA (una organización dedicada a la investigación y promoción de productos andinos).

El estudio se realizó con productores de 3 actividades agrícolas (Acuicultura, Maní y Quinua) en distintas regiones de Bolivia. Por cada actividad se seleccionaron 4 distintas micro regiones de producción, y en cada una de ellas se entrevistó a un total de 30 productores, considerando al menos 5 no adoptadores en cada micro región, para una muestra conjunta de 120 productores por actividad y 360 productores en total (60 de ellos no adoptadores).

A cada productor se le indagó sobre sobre el grado de uso de las innovaciones promovidas, sobre la percepción del productor con respecto a las utilidades que podría obtener de la innovación, sus características sociodemográficas y su dotación de recursos determinantes de su capacidad de absorción de innovaciones. Además se les consultó sobre su interacción con Agentes de Cambio (extensionistas e investigadores del sector público, técnicos de proyectos y ONG, vendedores de insumos, compradores de producto y transportistas) y con actores locales (vecinos, parientes, organizaciones de productores y gobiernos o autoridades locales). 

Este tipo de datos permite generar redes de afiliación, en donde los “actores” (i.e., los productores) reportan sobre su afiliación a los distintos “eventos” (i.e., sobre sus vínculos con distintos agentes de cambio y actores locales). La relación de interés para este estudio fue la frecuencia de intercambio de información entre actores sobre la innovación. 

Una vez que se completó la recolección de datos entre los productores, se consolidó una lista de los agentes mencionados en cada micro región, para entrevistarles con el fin de levantar información sobre la intensidad de sus vínculos con los demás agentes (“eventos”) mencionados por los productores.

Estimación de variables y análisis de datos

La tabla 2 resume las variables utilizadas en el presente estudio. 

Tabla 2. Variables utilizadas en el estudio

Variable	Descripción	Tipo
Dependientes: INTENSIDAD	Porcentaje promedio de adopción de los componentes del set de innovaciones promovido en cada micro región.	Continua (%)
INTENSREG	Promedio de intensidades reportadas en cada micro región	Continua (%)
LAPSO	Lapso desde el momento en que se conoce del set de innovaciones hasta adoptar alguno de sus componentes	Continua (años)
LAPSOREG	Promedio de los lapsos reportados en cada micro región	Continua (años)
Independientes: a) Relacionales
DENSIDAD	Densidad de la red de cada micro región	Continua (índice)
CENTRAZN	Grado de centralización de la red de cada micro región	Continua (índice)
PRESTIGIO	Centralidad del promotor en red de agentes de cambio	Continua (índice)
CENTRALIDAD	Centralidad de grados de cada productor	Continua (índice)
PROMOTOR	Frecuencia de interacción del productor con el promotor principal del set de innovaciones	Ordinal
OTROSTEC	Frecuencia de interacción con otros agentes técnicos (investigadores, extensionistas, proyectos y ONG)	Ordinal
OTROSMER	Frecuencia de interacción con agentes ligados al mercado (vendedores de insumos, compradores y transportistas)	Ordinal
OTROSPRO	Frecuencia de interacción con otros productores (vecinos, familiares)	Ordinal
SIMMEL	Grado de cohesión de los vínculos del productor con otros agentes de cambio ligados fuertemente al promotor	Continua (índice)
EQUIVREG	Grado de equivalencia regular entre pares de actores	Dummy
b) Otras
DISTANC	Distancia al mercado en que comercializan el producto	Continua (Km.)
DISTANREG	Distancia promedio al mercado en cada micro región	Continua (Km.)
CONSUMO	Porción del producto que se destina al autoconsumo	Continua (%)
EDUCA	Nivel educativo del jefe de familia	Ordinal
PROPEXPE	Propensión a la experimentación	Ordinal
PRODUCC	Aumento esperado en producción gracias a la innovación	Ordinal

Se describe a continuación la forma de estimación de aquellas variables en que se consideran importantes algunos detalles.

En el caso de la INTENSIDAD de la adopción, para cada productor se estimó un promedio de acuerdo con el siguiente procedimiento: Como diversas innovaciones fueron promovidas a la vez en cada micro región, cada una fue considerada como componente del set de innovaciones que era posible adoptar por parte del productor. La intensidad de adopción de cada componente fue estimada por el entrevistador en una escala porcentual, de acuerdo con el grado máximo posible de uso (e.g., área sembrada, producción procesada, etc.). La INTENSIDAD corresponde entonces al promedio de los grados de utilización de los distintos componentes promovidos.

Para estimar la DENSIDAD de la red, primero se obtuvo la socio-matriz del gráfico bi-partito a partir de cada red bi-modal. Luego se dicotomizó tales datos estableciendo el límite de inclusión por encima de 3 en la escala Likert, de forma que sólo se considerase como existentes aquellos vínculos con quienes los productores indicaron interactuar de forma frecuente o muy frecuente. Una vez transformados los datos de esta forma, la densidad de cada red micro-regional se estimó a través de UCINET (Borgatti et al. 2002).

La centralización (CENTRAZN) se estima comúnmente con base en la fórmula propuesta por Freeman, ∑ [c_* - c_i] / max ∑ [c_* - c_i], que corresponde a sumar las diferencias entre c_*, i.e. el nivel de centralidad del actor que tuvo el índice más alto, y c_i, el nivel de cada uno de los demás actores, normalizadas de acuerdo al máximo nivel de centralización posible (max ∑ [c_* - c_i]), que es el del gráfico en forma de estrella. En el presente caso la estimación se hizo de acuerdo con el procedimiento sugerido por Everett y Borgatti (2005) para extender las medidas de centralización a las redes bi-modales. En este estudio se utilizó básicamente la centralidad de grados de cada productor (CENTRALID), que corresponde al conteo vínculos del productor con los distintos “eventos” (agentes de influencia social) normalizado por el número máximo posible de eventos al que el productor podría haber estado vinculado.  Para estimar la centralización también fue necesario estimar la centralidad de grados de cada evento, i.e., el conteo de actores que dijeron estar afiliados a un evento, normalizado según el máximo número de actores que el evento pudo haber abarcado.  Con estos datos se identifica el actor de mayor centralidad en toda la red (ya sea “actor” o “evento”) y se le utiliza para estimar el dividendo en la fórmula de Freeman.  El divisor, a su vez, se estima de acuerdo con la siguiente fórmula propuesta por los autores citados para estimar el máximo nivel de centralización posible en redes bi-modales: (n_o – n_i – n_o + 1) (n_i + n_o) / (n_in_o), en donde n_o es el tamaño del set de nodos al que pertenece aquél con el mayor grado de centralidad (c_*), y que podría ser tanto el set de actores como el set de eventos, y n_i es el set complementario.

La variable PRESTIGIO corresponde a la centralidad de grado de entrada del promotor de las innovaciones en la red de interacción entre los distintos agentes de influencia social señalados por los productores.

En el caso de las variables PROMOTOR, OTROSTEC, OTROSMER y OTROSPRO, la frecuencia de la interacción se valoró de acuerdo con la siguiente escala Likert: 5= muy frecuente, 4= frecuente, 3= intermedia, 2= infrecuente, 1= muy infrecuente.

SIMMEL: Para estimar este índice se utilizó el siguiente procedimiento. Primero, a partir de la red de afiliación obtenida para cada micro región, se generó una nueva red de afiliación modificada en la que se eliminó la columna correspondiente al promotor principal de la innovación en dicha localidad. La matriz así generada se multiplicó luego por una nueva matriz consistente únicamente en una columna que contenía los datos de frecuencia de interacción entre el promotor y cada uno de los demás agentes de influencia social que figuran como columnas o “eventos” en la red de afiliación modificada[8]. Con este procedimiento se obtuvo entonces una única columna de índices que muestra el grado en que los vínculos de cada productor con todos los otros agentes de la red distintos del promotor principal de la innovación se hallan “encapsulados” y por ello sesgados a favorecer más la innovación debido a la existencia de un vínculo fuerte entre esos agentes y el promotor principal de la innovación.  No se trata en este caso de una triada, sino de díadas “simmelianas” (embedded ties) o cohesivas, en la forma descrita por Krackhardt y Kilduff (2002) y Reagans y McEvily (2003).

Para estimar el grado de equivalencia regular, EQUIVREG, entre los distintos productores, se utilizó el siguiente procedimiento.  Primero, las redes bi-modales de cada micro región fueron dicotomizadas para considerar sólo aquellos vínculos frecuentes y muy frecuentes. Luego, las redes bi-modales binarizadas fueron transformadas en matrices de 1 modo de las redes de afiliación, interesándonos básicamente la que muestra a los productores en filas y columnas, y cuyas celdas representan el número de “eventos” en que cada par de productores coincide (i.e., el número de agentes de cambio de la micro región con los que ambos productores coinciden en estar vinculados de manera frecuente o muy frecuente).   Luego se estimó el grado de similitud entre cada par de actores utilizando el coeficiente de Jaccard[9], y luego se obtuvo el grado de correlación entre la matriz de dichos coeficientes de Jaccard y otra matriz, generada mediante UCINET, que contenía el valor absoluto de las diferencias entre las intensidades de adopción de ambos miembros de cada díada.

Las variables EDUCA, PROPEXPE y PRODUCC, de tipo ordinal, fueron evaluadas de acuerdo con las siguientes escalas Likert: EDUCA, desde 5= Muy alta a 1= Rudimentaria;  PROPEXPE, desde 5= le gusta mucho experimentar, hasta 1= no le gusta para nada; y PRODUCC, desde 5= muy alto, hasta 1= insignificante.

Para probar las distintas hipótesis indicadas anteriormente, se utilizaron las herramientas de correlación y regresión provistas por UCINET para Windows (Borgatti et al. 2002). Como se trata de datos relacionales, no independientes, se utilizaron procedimientos alternativos como pruebas de permutación o pruebas de correlación de matrices mediante procedimientos de asignación cuadrática (QAP) según lo indicado en cada caso (cf. Krackhardt 1987 y 1988; Hanneman y Riddle 2005).  Por último, las distintas variables que se consideraron como determinantes significativos de la adopción a nivel individual se combinan en sendos modelos econométricos Tobit[10] en los que se incluyen/excluyen variables relativas a la estructura de sus interacciones sociales, a fin de comparar el efecto de la inclusión de este tipo de variables.

Resultados

Antes de presenter los resultados de las pruebas de hipótesis se realizó un análisis descriptivo de los datos relacionales para visualizar los patrones estructurales de las interacciones que los productores indicaron mantener con un rango de agentes que explícitamente (a través de transferencia de tecnología, asesoramiento técnico o aprendizaje conjunto) o implícitamente (proveyendo información o sus opiniones) ejercen influencia sobre las decisiones de adopción de los productores.

Interacciones efectivas de adoptadores y no adoptadores

Al analizar los datos al nivel más agregado possible (i.e., trabajando con los promedios a nivel de subsectores y regions), y definiendo 0.7 como el punto de corte para decidir sobre la existencia o no de vínculos entre el adoptador promedio y cualquiera de las 10 categorías de agented de cambio[11], se obtuvo un gráfico simple que muestra las categorías de agentes con las cuales los productores adoptadores y no adoptadores mantienen interacciones que ellos consideran efectivas para hallar soluciones a sus problemas técnicos (Figura 1). Los agentes con los cuales no se hallaron vínculos efectivos se listan en la esquina superior izquierda de la figura.

Aparentemente, a este nivel de agregación, la mayor diferencia entre adoptadores y no adoptadores se debe a que los primeros consideran efectivas su interacción con ONGs y con asociaciones de productores, en tanto que los segundos no. Las interacciones de los productores con el sector público y con los agentes del mercado fueron considerados no efectivos por ambos por más del 70% de los productores de ambos grupos (sí y no adoptadores). En el otro extremo se presentan las interacciones con vecinos y familiars, cuya interacción resulta efectiva tanto para adoptadores como no adoptadores. Es interesante indicar que las ONG y los proyectos fueron los únicos agentes externos con quienes los productores mantuvieron vínculos efectivos; esto resulta consistente con el hecho de que fueron dichos agentes quienes, en la mayoría de las regiones, promovieron de manera activa la introducción de innovaciones entre los productores.

Figura 1. Agentes con quienes el productor promedio (adoptador y no adoptador) mantiene interacciones efectivas

Las figuras 2a–c desagregan las interacciones efectivas según subsector. Los patrones que se observan son similares a los que se muestran en la figura 1, aunque con ciertas particularidades: en el caso de la acuicultura (figura 2a), los no adoptadores mantienen vínculos efectivos con los compradores de producto. Esto se debe a que dichos agentes a menudo discuten aspectos de la calidad del producto con los productores y les brindan información sobre las formas de mejorar su producto en esos aspectos.

Figura 2a. Agentes con quienes el adoptador y el no adoptador promedio en acuicultura mantienen interacciones efectivas

En el caso de producción de quinua (Figura 2b), la figura que emerge es igual a la mostrada en la figura 1, en donde los no adoptadores mantienen vínculos efectivos sólo con otros productores, en tanto que los adoptadores indican tener vínculos efectivos con las asociaciones de productores y las ONGs. Esto refleja el alto grado de asociación hallado entre los productores de quinua en la región del altiplano. El estudio reveló también que pocos productores en esa region mantienen relaciones individuales con los agentes de cambio o realizan sus decisiones de forma independiente; en lugar de ello, sus decisiones parecen tomarse de forma colectiva bajo la guía de las asociaciones de productores, a las cuales la mayoría de los productores pertenece.

En cuanto a los productores de maní (Figura 2c), los adoptadores mantienen interacciones efectivas no solo con ONGs y asociaciones de productores, sino también con agentes del mercado (tales como compradores de producto y vendedores de insumos). Ello refleja una gran orientación hacia el Mercado en esta actividad; de hecho, un 93% de los productores de maní venden parte de su producto (Hartwich et al. 2006), vinculándose gracias a ello con una amplia gama de compradores de producto y vendedores de insumos. Además, algunas ONGs y proyectos que promueven nuevas formas de producción y comercialización de maní, mantienen y facilitan el acercamiento a compradores y vendedores de insumos.

Figura 2b. Agentes con quienes el adoptador y no adoptador promedio mantienen vínculos efectivos en producción de quinua

Una apreciación más profunda de la estructura de interacciones en la que se encuentan involucrados los productores se pudo obtener al graficar los vínculos con los distintos tipos de agente con quienes cada uno de los productores entrevistados indicó tener vínculos efectivos. La figura 3 muestra la totalidad de dichos vínculos, mostrando con claridad a vecinos, familiares y asociaciones de productores, así como a las ONGs, en una posición central de la red, lo que indica que más productores indicaron tener vínculos efectivos con esos 4 tipos de agente. La mayoría de los entrevistados señaló que esos agentes son las fuentes más efectivas de información en la red de agentes con quienes ellos interactúan para resolver sus problemas tecnológicos. Al otro extremo, las organizaciones gubernamentales de investigación y los agentes de extensión ocuparon una posición más bien marginal en la percepción de los productores. Esto refleja ciertamente el cese virtual de los servicios técnicos del gobierno ocurrido tiempo atrás. De hecho, es solo recientemente que las actividades de investigación y extensión se han promovido de nuevo por parte del SIBTA, aunque ahora principalmente a través de terceros, tales como ONGs, asociaciones de productores y consultores independientes.

Figura 2c. Agentes con quienes el adoptador y no adoptador promedio mantienen interacciones efectivas en producción de maní

Entre los no adoptadores, una proporción considerable (10 %) no reportó interacciones efectivas con ninguno de los agentes (como muestran los nodos negros aislados a la izquierda de la figura 3); entre los adoptadores, este grupo representó sólo un 5 % (nodos grises aislados a la izquierda). Los no adoptadores que indicaron tener interacciones efectivas se hallan concentrados en la porción inferior de la figura 3 debido a que tales interacciones se dan principalmente con otros productores (vecinos y familiares) y con agentes del mercado (compradores de producto y vendedores de insumos). Mientras tanto, los adoptadores se distribuyen de manera más amplia en la figura, reflejando así las muy distintas interacciones efectivas que cada uno de ellos considera mantener con los demás agentes.

Figura 3. Agentes con quienes los diversos productores señalaron tener una interacción efectiva

Cuadros blancos = agentes; puntos grises = adoptadores; puntos negros = no adoptadores; productores aislados en el margen izquierdo.

Al desagregar la figura anterior por sector (figuras 4a–c), los gráficos muestran patrones similares de interacción, aunque con las siguientes particularidades: las ONGs tuvieron una posición bastante central en acuicultura, una intermedia en la producción de quinua, y una más bien marginal en la producción de maní. Por un lado, esto refleja las dudas de los productores de quinua con respecto a sus interacciones con ONGs (y su cercana afinidad con sus asociaciones). Por otro lado, entre los productores de maní, esto señala los esfuerzos de promoción de innovaciones llevados a cabo por las ONGs y las asociaciones de productores (en ocasiones a través de proyectos financiados con fondos públicos).

Figura 4a. Afiliación de los piscicultores a distintos tipos de agentes de cambio

Puntos azules = adoptadores; puntos rojos = no adoptadores.

Como se mostró en las figures 2a–c, los productores de maní parecen tener una interacción mucho más efectiva con los agentes del mercado, al compararlos con sus contrapartes en producción de quinua y acuicultura. Entre los productores de quinua, una proporción mucho mayor se mostró negative en cuanto a la efectividad de sus interacciones con otros agentes, lo que refleja un fenómeno cultural más amplio que se da en el altiplano, y por el cual los productores locales son bastante escépticos en relación con los nuevos patrones de producción propuestos por agentes externos a la comunidad (Muñoz Elsner et al. 2004).

Figura 4b. Afiliación de los productores de maní a distintos tipos de agentes

Figura 4c. Afiliación de los productores de quinua a distintos tipos de agente

Redes de interacción entre los distintos agentes que influyen en las decisiones de los productores

Con el fin de completer esta sección gráfica, las figuras 5a–c muestran, para cada subsector, los patrones de interacción existentes entre el principal promotor de la innovación en cada una de las 4 micro regiones analizadas (cuadros azules) y los demás tipos de agentes de la innovación (círculos rojos).  El grosor de las líneas representa brinda una idea de la frecuencia de las interacciones (las líneas muestran sólo las interacciones muy frecuentes, frecuentes e intermedias).

Figura 5a. Principales promotores de la innovación en acuicultura, y sus contrapartes más frecuentes en tales esfuerzos

Figura 5b. Principales promotores de la innovación en maní, y sus contrapartes más frecuentes en tales esfuerzos

Figura 5c. Principales promotores de la innovación en quinua y sus contrapartes más frecuentes en tales esfuerzos

Aparentemente, cada promoter de la innovación se halla involucrado en un set distinto de relaciones. Por ejemplo, mientras que la Fundación FDTA-TH (Fundación de Desarrollo y Transferencia Agrícola - Trópico Húmedo) en Trinidad (acuicultura) y ANAPO (Asociación de Productores de Oleaginosas y Trigo) en Mairana (maní) mantienen un contacto frecuente con 6 o más tipos de agente, las ONG CICDA (Centro Internacional de Cooperación para el Desarrollo Agrícola) y PROSUKO (Programa Suka Kollos) en el altiplano sur y Pucarani (quinua), respectivamente, escasamente mantienen contacto con otros dos tipos de agente. En general, las redes de interacción entre agentes de innovación fueron más densas y ricas en producción de maní, intermedias en acuicultura, y dispersas en quinua.

Prueba de Hipótesis - Efectos a nivel de red (micro región)

La tabla 3 presenta los datos obtenidos a nivel de cada micro región, para la prueba de hipótesis con respecto a los efectos de la estructura de la red sobre la intensidad y prontitud promedio de adopción de las innovaciones promovidas.

La intensidad promedio de adopción entre las 12 micro regiones estudiadas fue de un 53.5%, con un rango entre 27.4 y 72.5%; el lapso promedio transcurrido desde el momento en que el productor conoció del set de innovaciones propuesto hasta que decidió adoptar al menos uno de sus componentes, fue de 1.34 años (rango: 0.27 - 4.4 años).  La densidad promedio de estas 12 redes fue de 33.7% (rango: 11.8 – 44.2%); la centralización promedio fue del 58% (rango: 38.5 – 76.4%), la distancia promedio al mercado fue de 26.5 Km. (rango: 6.3 – 74.8 Km.) y el índice promedio de prestigio del promotor de las innovaciones fue de 24.6 (rango: 5.9 – 45.8).

Tabla 3. Promedios, desviaciones estándar y correlaciones entre las variables de nivel micro regional

Variable	Promedio	Desv.Est.	1	2	3	4	5	6
1. INTENSREG	53.52	11.41	-
2. LAPSOREG	1.34	1.30	.045	-
3. DENSIDAD	33.70	9.78	.711***	-.198	-
4. CENTRAZN	58.06	11.41	-.146	.337	-.519	-
5. PRESTIGIO	24.57	11.53	.120	-.778***	.320	-.156	-
6. DISTREG	26.50	19.69	-.353	.390	-.406	.489	-.379	-

***p ‹ .01

Los coeficientes de correlación obtenidos muestran una asociación positiva y significativa entre la densidad de la red y la intensidad promedio de adopción, así como negativa y significativa entre el índice de prestigio del promotor de las innovaciones (en la red de agentes de influencia social) y el lapso promedio requerido en la región para adoptar.  Se observa también correlaciones altas y negativas (aunque no significativas) entre la densidad de la red y tanto la centralización de la misma como la distancia promedio a los mercados. También hay una correlación alta y positiva (aunque no significativa) entre la centralización de la red y la distancia a los mercados. En todos los casos, los signos son conforme a lo esperado: redes donde los miembros están geográficamente más alejados se corresponden con aquellas en que hay menos conexiones y una mayor dependencia alrededor de un pequeño grupo de actores más activo.

Al combinar las variables anteriores en un modelo de regresión lineal simple para cada una de ambas variables dependientes, se obtuvieron los resultados que se resumen en la tabla 4.  Aún con el reducido número de redes a comparar en esta parte del estudio, las regresiones anteriores presentan evidencia estadísticamente significativa para apoyar la hipótesis 1 y parcialmente la hipótesis 3 (i.e., el prestigio del promotor afecta la prontitud con que las innovaciones son adoptadas, pero no la intensidad de tal adopción).  En el caso de la hipótesis 2, los resultados obtenidos no fueron significativos e incluso el signo mismo de la relación es contrario a lo estipulado a la hipótesis.

Tabla 4. Coeficientes de regresión lineal (OLS) a nivel de micro regiones para la intensidad promedio y el lapso promedio requerido para la adopción.

                                     Error estándar entre paréntesis; **p ‹ .05

Prueba de Hipótesis - Efectos a nivel individual

La tabla 5 muestra los datos respectivos a las variables a utilizar en la prueba de las hipótesis 3 y 4 sobre efectos de la estructura de la red en la intensidad y prontitud de la adopción de las innovaciones.

Tabla 5. Promedios, desviaciones estándar y correlaciones entre variables a nivel individual.

Variable	Prom.	Desv.Est.	1	2	3	4	5	6
1. INTENSITY	53,28	24,93	-
2. LAPSO	1,13	2,25	0,00	-
3. CENTRALID	0,34	0,21	0,33**	0,02	-
4. PROMOTOR	3,69	1,10	0,27**	-0,11**	0,35**	-
5. OTROSTEC	2,34	1,07	-0,04	-0,03	0,40**	0,01	-
6. OTROSMER	2,58	0,87	0,05	-0,01	0,45**	0,02	0,21**	-
7. OTROSPRO	3,53	0,77	0,27**	-0,05	0,60**	0,36**	0,05	0,13*
8. SIMMEL	37,26	19,31	0,21**	-0,11	0,47**	0,08	0,48**	0,59**
9. DISTANC	26,25	38,66	-0,10	0,09	-0,05	-0,14*	-0,14*	-0,10
10. CONSUMO	32,91	37,37	-0,31**	-0,01	-0,24**	0,09	0,03	-0,37**
11. EDUCA	2,96	1,02	0,09*	0,06*	-0,01	-0,20**	0,15**	0,07
12. PROPEXPE	3,84	1,06	0,13**	-0,04	0,15**	-0,04	0,23**	0,15**
13. PRODUCC	3,74	0,92	0,11*	0,00	0,18**	0,12*	0,09	0,06
Variable	7	8	9	10	11	12	13	-
7. OTROSPRO	-
8. SIMMEL	0,10	-
9. DISTANC	-0,18**	0,01	-
10. CONSUMO	-0,20**	-0,39**	0,02	-
11. EDUCA	-0,09	-0,01	-0,04	0,01	-
12. PROPEXPE	0,03	0,07	-0,01	-0,08	0,30**	-
13. PRODUCC	0,08	0,12**	-0,00	-0,15**	0,01	0,15**	-

Los coeficientes de correlación corresponden al test de Pearson excepto para las variables de ordinales (nos. 4, 11, 12 y 13), para las que se indica el coeficiente del test Tau-B de Kendall.   **p ‹ .01; * ‹ .05

Los test de correlación muestran una asociación positiva y significativa entre muchas de las variables independientes y la intensidad de adopción.  Según los mismos, los productores presentan un mayor grado de uso de la innovación cuando tienen una mayor centralidad del productor en la red, una mayor frecuencia de interacción con el promotor de la innovación y con otros productores, un mayor grado de vínculos simmelianos, un menor autoconsumo de su producción, mayores niveles educativo y de propensión a la experimentación, y cuando perciben que la innovación acarreará mayores incrementos en la producción. En cuanto al lapso requerido para la adopción, el mismo es significativamente menor para los productores que tienen una interacción más frecuente con el promotor de la innovación y se ve alargado levemente entre los productores con niveles de educación mayor. En todos los efectos son los que cabría esperar de acuerdo con la teoría, salvo en el caso de la educación y el lapso requerido para adoptar. En el presente caso, el efecto es pequeño pero significativo, lo que podría interpretarse como que un mayor nivel educativo en estas micro regiones implica que los productores requieren algo más de tiempo y discusión para ser convencidos y/o convencerse a sí mismos antes de optar por la innovación.

Los coeficientes de correlación obtenidos son acordes con la mayor parte de lo previsto según las hipótesis 3 y 4.  En el caso de la intensidad, la interacción con los agentes del mercado no parece jugar mayor papel, salvo quizá cuando se trata de agentes fuertemente vinculados con el promotor de la innovación, como se ve reflejado por la correlación positiva y significativa del índice de vínculos simmelianos con la frecuencia de interacción con los agente del mercado. Por otro lado, la relación es contraria a lo estipulado en parte d) de la hipótesis 4, donde se partió del supuesto de que las comunidades en las micro regiones de análisis se comportarían de forma conservadora. Por el contrario, la evidencia muestra que una mayor interacción con otros productores conduce a una mayor intensidad de adopción.  Esto podría reflejar también el hecho de que los promotores de la innovación en estas micro regiones se apoyan en técnicas grupales de comunicación/extensión, lo que queda reflejado en la asociación alta y significativa entre las frecuencia de interacción con el promotor y con los otros productores.

En el caso del lapso requerido para adoptar, aunque sólo uno de los coeficientes fue significativo, el signo de la asociación en casi todos los casos fue negativo (de nuevo, en el sentido previsto salvo en el caso de la interacción con otros productores, que una vez más parece favorecer la innovación). Sólo para el índice de centralidad se tuvo una asociación negativa, lo que podría sugerir que algunos elementos del set de innovaciones podrían ser algo cuestionados culturalmente, razón por la cual los líderes de opinión tomarían algo más de tiempo en aceptarlos.

Este análisis también revela claramente que el indicador de centralidad utilizado está fuerte y significativamente correlacionado con todas las demás variables relativas a la interacción social (lo cual es esperable debido a la propia forma de calcular la centralidad), así como algunas de las variables sociodemográficas cuya asociación era menos obvia pero igualmente razonable (a mayor centralidad, menor autoconsumo, mayor propensión a la experimentación y mayores expectativas en torno a los beneficios de la innovación).

Los resultados anteriores fueron útiles también para seleccionar las variables relacionales a incluir como parte del modelo de regresión, a fin de evitar problemas de multicolinearidad.  Se optó por utilizar dos versiones del modelo, incluyendo en una sólo el indicador de centralidad de grados del productor, y en la otra, las variables relacionadas con la frecuencia de interacción con el promotor y con los otros productores, y el índice de presencia de vínculos simmelianos. 

La tabla 6 muestra los resultados de los análisis comparativos de regresión Tobit, utilizando modelos con y sin variables relativas a la interacción social.  El número de observaciones válidas se redujo de 360 a 296 por causa de datos perdidos para algunas de las variables consideradas en el modelo.  En el modelo 1 (sin variables relacionales), la variable más determinante de la intensidad de la adopción corresponde al indicador de las utilidades esperadas gracias a la innovación. En el modelo 2 se incluyó la centralidad de grado del productor como variable relacional (no se incluyeron otras en vista del alto grado de correlación de la misma con las otras variables relacionales consideradas).  Dicha variable resultó ser la más determinante de la intensidad de adopción. Además, el grado de ajuste del modelo mejora marginalmente, en tanto que la relevancia de las otras variables consideradas mantiene el mismo patrón observado en el modelo 1. Finalmente, en el modelo 3 se incluyen como variables relacionales las frecuencias de interacción con el promotor y con otros productores, así como el índice de vínculos simmelianos. En este último caso el grado de ajuste del modelo se reduce sensiblemente, pero sus resultados nos permiten adentrarnos desagregar parcialmente el efecto causado en el modelo anterior por el índice de centralidad. Como se indicó en la metodología, los vínculos analizados en este trabajo tienen valor asignado de acuerdo con la frecuencia de la interacción. Por lo tanto una mayor centralidad en esta red significa un mayor número de vínculos frecuentes. El modelo 3 nos permite visualizar algo ya anunciado por los coeficientes de correlación: son los vínculos frecuentes con el promotor de la innovación, y con otros productores, los que realmente resultan determinantes.

Tabla 6. Coeficientes Tobit para predecir la intensidad de adopción individual (n = 296)

                   Error estándar entre paréntesis; ***p ‹ .01; ** p ‹ .05; * p ‹ .10

El modelo 3 también nos deja ver cómo algunas variables que parecían clave pierden completamente su poder de predicción con una pequeña variación en la especificación del modelo. Tal es el caso de la propensión a la experimentación (la actitud hacia el riesgo).  En suma, esta sencilla comparación de modelos permite apuntar evidencias constructivas para acercar tradiciones: no son única ni primordialmente las variables económicas las que a la larga determinan el comportamiento individual ante la innovación, pero tampoco se trata de un proceso de contagio social en el que no median las valoraciones individuales sobre costos y beneficios.  Se obtiene una imagen más ponderada del aporte de ambos tipos de factores cuando se les combina en un modelo econométrico, algo que resulta facilitado mediante los diversos parámetros estructurales que se pueden generar a través del ARS, y sin que los modelos vean reducida su capacidad de explicativa.

Por último, con respecto a la hipótesis 5, el coeficiente de correlación de Pearson obtenido a través del test de correlación QAP entre las matrices de similitudes de Jaccard y de diferencias entre los niveles de adopción de cada díada, fue -0.073 (** p ‹ .05). Como se aprecia, el nivel de asociación entre ambas matrices es bajo pero significativo y negativo, de forma que a mayor similitud entre dos productores al respecto de su estructura de vínculos, menor diferencia existirá en sus niveles de adopción.  Para confirmar estos datos, el mismo test se realizó a lo interno de cada micro región (datos no mostrados): el coeficiente de regresión fue negativo y significativo en 8 de ellas, negativo pero no significativo en otras tres, y positivo y no significativo en tan sólo una micro región. De esta forma, la evidencia obtenida brinda soporte a la existencia de una débil pero consistente asociación entre la equivalencia estructural y la intensidad de adopción, lo que equivale a hablar de una cierta tendencia, entre los productores consultados, a competir y/o imitar a sus referentes[12].

Discusión

Este trabajo presenta evidencia sobre procesos de influencia social y competencia que estarían incidiendo en las decisiones de los pequeños productores con respecto a su grado de adopción de innovaciones. La influencia social (i.e., las presiones para cumplir con las normas y estándares aceptados socialmente) fue evidenciada mediante las pruebas de hipótesis relativas a los efectos de la cohesión sobre los niveles de adopción, tanto a nivel de red como de díadas (hipótesis 1, 3 y 4e). En términos generales, a más intensa la actividad de la red en que se participa, y la participación individual del propio productor, menores son las probabilidades de comportarse de una forma distinta a la de sus pares. En las micro regiones estudiadas, que se muestran receptivas a las innovaciones promovidas, la presión por actuar conforme con lo esperado socialmente actúa a favor de la innovación, induciéndola. Por otro lado la competencia con los referentes sociales, un proceso según el cual los productores se verían movidos hacia la innovación una vez que sus semejantes lo hayan hecho (aquellos con patrones semejantes de vinculación social, sin que se requiera que entre ellos medie vínculo alguno), también fue evidenciada mediante la evidencia obtenida sobre los efectos de la equivalencia estructura (hipótesis 5). 

Las medidas de cohesión utilizadas en el presente estudio deben, no obstante, tomarse con alguna cautela, dado que no se derivan de los vínculos existentes en una red social en sentido estricto.  Como se indicó en la metodología, los datos relacionales obtenidos para el presente estudio permiten sacar provecho de las herramientas del ARS para su análisis, pero describen ante todo la afiliación de los productores con ciertos agentes (individuales o categóricos) de cambio[13].  Aún y cuando, entre dichos “agentes”, se incluyó a los otros productores, las interacciones individuales entre productores no fueron abordadas. 

En este sentido, las medidas de densidad a nivel de red nos dan tan sólo una aproximación gruesa a la cohesión que podría obtenerse al considerar el set completo de pares (y de otros actores aquí tratados como categorías) con quienes cada productor interactúa. Podría argüirse que, al estimar los datos de esta forma, la contribución de los agentes externos aparece sobre-estimada en las medidas de cohesión. En respuesta cabe argumentar que este tipo de tratamiento es útil también para abarcar las diferencias cualitativas entre vínculos horizontales (entre pares) y verticales (con autoridades o agentes externos, más asimétricos).  En todo caso, y a pesar de estas deficiencias –que estarían introduciendo en todo caso un sesgo sistemático-, la evidencia obtenida permitió dar soporte a las hipótesis que predicen efectos positivos de la cohesión, la prominencia (centralidad) individual y la competencia por status, sobre el grado de participación de los pequeños productores en los procesos de innovación.

A pesar de que el tipo de información utilizada no es óptima para un análisis en profundidad de las interacciones sociales, es importante destacar a la vez que los procedimientos descritos en este trabajo dan una buena idea de los muchos aspectos de las relaciones sociales que pueden explorarse aún con sets de datos derivados de trabajos econométricos convencionales, con la simple adición de unas breves preguntas sobre las interacciones con distintos actores en los instrumentos de consulta.

En particular, el enfoque utilizado es sumamente útil para analizar la interacción del productor con otros actores externos, elemento central de la hipótesis 4 y sobre el que la evidencia provista por este estudio fue bastante clara en cuanto a su papel central como determinante del proceso de adopción. Este tipo de relación está un tanto marginada en la literatura sobre ARS e innovación, y resulta de particular importancia en escenarios de desarrollo, donde una diversidad de agentes se aproxima a propósito y de forma recurrente a los pequeños productores, con el objeto de promover, poner en práctica, desarrollar conjuntamente y/o brindar soporte a la implementación de innovaciones institucionales, organizacionales y técnicas.  Estos agentes externos utilizan, para tales efectos, distintos mecanismos de persuasión que tienen enorme efecto sobre las tasas de adopción. Por ello es fundamental comprender mejor tales interacciones y la forma en que las mismas pueden mejorarse con el propósito de hacer de la innovación un proceso más efectivo, equitativo y empoderador.

De cara al futuro es necesario realizar estudios en esta línea pero que profundicen en las interacciones a lo interno de las comunidades, lo cual permitiría explorar en mayor detalle los distintos roles ejercidos por distintos productores (tal como el de los líderes de opinión, de vieja data en los estudios sobre difusión de innovaciones agrícolas).  Para ello se requiere utilizar nuevos enfoques de cara al muestreo, utilizando por ejemplo la técnica de bola de nieve, o en concentrar los esfuerzos en pequeños estudios de caso locales tratados en profundidad.  Los estudios de caso permitirían abordar otro aspecto importante, cual es el de la multiplicidad de relaciones (redes) que ligan a un mismo conjunto de actores (p.ej., relaciones de intercambio de productos, de información, de acceso a crédito, etc.), todas las cuales pueden ejercer distintas influencias sobre el proceso de innovación. Se debe, por último, detallar más en los agentes específicos, sus relaciones con cada productor individual, y los mecanismos de persuasión utilizados, como paso para comprender mejor los procesos sociales que afectan el cambio de actitudes que sirve de antesala a la adopción de innovaciones.

Bibliografía

Abadi Ghadim, A. K.; Pannell, D. J.; Burton, M. P. 2005. Risk, uncertainty, and learning in adoption of a crop innovation. Agricultural Economics 33: 1-9.

Bandiera, O.; Rasul, I.  2006.  Social Networks and Technology Adoption in Northern Mozambique.   Economic Journal 116 (514): 869-902.

Bebbington, A.  1999.  Capitals and Capabilities: A Framework for Analyzing Peasant Viability, Rural Livelihoods and Poverty.  World Development 27: 2021-2044.

Becker, M. H.  1970.  Sociometric Location and Innovativeness: Reformulation and Extension of the Diffusion Model.  American Sociological Review 35 (2): 267-282.

Birkhaeuser, D.; Evenson, R. E.; Feder, G.  1991.  The Economic Impact of Agricultural Extension: A Review.  Economic Development and Cultural Change 39: 507-521.

Boahene, K. 1995. Innovation Adoption as a Socio-Economic Process: The Case of Ghanaian Cocoa Industry.  Ph.D. Dissertation. Utrecht, The Netherlands: Utrecht University.

Boahene, K.; Snijders, T. A. B.; Folmer, H.  1999.  An Integrated Socioeconomic Analysis of Innovation Adoption: The Case of Hybrid Cocoa in Ghana.  Journal of Policy Modelling 21 (2): 167-184

Borgatti, S. P.  2005.  Centrality and network flow.  Social Networks 27: 55-71.

Borgatti, S. P.; Everett, M. G.; Freeman, L. C.  2002.  Ucinet for Windows: Software for Social Network Analysis. Harvard: Analytic Technologies.

Burt, R. S. 1980.  Innovation as a Structural Interest: Rethinking the Impact of Network Position on Innovation Adoption.  Social Networks 2: 327-355.

Burt, R. S. 1987.  Social Contagion and Innovation: Cohesion versus structural equivalence.  American Journal of Sociology 92: 1287-1335.

Burt, R. S.  1992.  Structural Holes: The Social Structure of Competition.  Cambridge:  Harvard University Press. 

Burt, R. S. 2005.  Brokerage and Closure: An Introduction to Social Capital.  Oxford: Oxford University Press. 

Carey, H. A.  1999.  Communication in Extension. A teaching and learning guide.  Rome: FAO.

Caviglia-Harris, J. L.  2003.  Sustainable Agricultural Practices in Rondonia, Brazil: Do Local Farmer Organizations Affect Adoption Rates.  Economic Development and Cultural Change 52: 23-49.

Coleman, L.  1951.  Differential Contact with Extension Work in a New York Rural Community.  Rural Sociology 16: 207-216.

Conley, T. G.; Udry, C. R. 2004.  Learning About a New Technology: Pineapple in Ghana.  Discussion Paper No. 817. Yale University - Economic Growth Center.

Conley, T. G.; Udry, C. R. 2001.  Social learning through networks: the adoption of new agricultural technologies in Ghana.  American Journal of Agricultural Economics 83 (3): 668-673.

Copp, J. H.  1958.  Toward generalization in farm practice research.  Rural Sociology 23: 103-111.

Dagenne, A.; Forsé, M.  1999.  Introducing Social Networks.  London, Sage Publications. 

Dinar, A.; Karagiannis, G.; Tzouvelekas, V.  2007.  Evaluating the impact of agricultural extension on farms’ performance in Crete: a nonneutral stochastic frontier approach.  Agricultural Economics 36: 135-146.

Doss, C. R. 2006.  Analyzing technology adoption using microstudies: limitations, challenges and opportunities for improvement.  Agricultural Economics 34: 207-219.

Durston, J. 2002.  El capital social campesino en la gestión del desarrollo rural. Diadas, equipos, puentes y escaleras.  Santiago de Chile: CEPAL.

Erickson, B. H. 1988. The relational basis of attitudes. In: Social structures: a network approach.  Wellman, B.; Berkowitz, S. D. (eds.). New York: Cambridge University Press.

Everett, M. G.; Borgatti, S. P.  2005.  Extending Centrality.  In: Models and Methods in Social Network Analysis.  Carrington, P.J; Scott, J & S. Wasserman (eds).  New York: Cambridge University Press.

Fafchamps, M.  2007.  The formation of risk sharing networks.  Journal of Development Economics 83: 326-350.

Fafchamps, M.  2006.  Development and Social Capital.  Journal of Development Studies 42:  1180-1198.

Feder, G.; Lau, L. J.; Slade, R. H. 1987.  Does Agricultural Extension Pay? The Training and Visit System in Northwest India.  American Journal of Agricultural Economics 69: 677-686.

Feder, G.; Savastano, S.  2006. The Role of Opinion Leaders in the Diffusion of New Knowledge: The Case of Integrated Pest Management.  World Development 34 (7): 1287-1300.

Foster, D.; Rosenzweig, M. 1995. Learning by Doing and Learning from Others: Human Capital and Technical Change in Agriculture. Journal of Political Economy 103: 1176-1209.

Frambach, R. T.  1993. An Integrated Model of Organizational Adoption and Diffusion of Innovations.  European Journal of Marketing 27 (5): 22-41.

Friedkin, N. E. 1984.  Structural Cohesion and Equivalence Explanations of Social Homogeneity.  Sociological Methods and Research 12: 234-261.

Friedkin, N. E. 1999.  Social Influence Networks and Opinion Change.  Advances in Group Processes 16: 1-29.

Friedkin, N. E. and E. C. Johnssen. 1997.  Social positions in influence networks.  Social Networks 19: 209-222.

Glendinning, A.; Mahapatra, A.; Mitchell, C. P.  2001.  Modes of Communication and Effectiveness of Agroforestry Extension in Eastern India.  Human Ecology 29: 283-305.

Granovetter, M. 1982.  The strength of weak ties: A network theory revisited.  In: Social Structure and Network Analysis.  Marsden, P. V.; Lin, N. (eds.).  Newbury Park, CA.: Sage. 

Granovetter, M. 1973.  The strength of weak ties.  American Journal of Sociology 78: 1360-1380.

Granovetter, M.  2005.  The Impact of Social Structure on Economic Outcomes.  Journal of Economic Perspectives 19: 33-50.

Greene, W. H. 1990.  Econometric Analysis. New York: McMillan.

Griliches, Z. 1957.  Hybrid Corn: An Exploration in the Economics of Technological Change.  Econometrica 25: 501-522.

Hanneman, R. A., M. Riddle. 2005. Introduction to social network methods. Riverside, CA: University of California, Riverside (published in digital form at http://faculty.ucr.edu/~hanneman/)

Hogset, H. 2005. Social Networks and Rural Development: Theory and Applications in the Kenyan Highlands. Ph.D. Dissertation. Ithaca, New Cork: Cornell University

Hogset, H.  2005.  Social Networks and Technology Adoption.  BASIS Policy Brief No. 6.  Basis Collaborative Research Support Program. Ithaca, New York: Cornell University.

Hussain, S.S.; Byerlee, D.; Heisey, P.W.  1994.  Impacts of training and visit extension system on farmers’ knowledge and adoption of technology: evidence from Pakistan.  Agricultural Economics 10: 39-47.

Isham, J. 2002. The effect of Social Capital on Technology Adoption: Evidence from Rural Tanzania.  Journal of African Economies 11: 39-60.

Katungi, E. M. 2006.  Social Capital and Technology Adoption on Small Farms: The Case of Banana Production Technology in Uganda.  PhD Dissertation. Pretoria, South Africa: University of Pretoria.

Kohler, H-P., Behrman, J. R.; Watkins, S. C.  2007.  Social Networks and HIV/AIDS Risk Perceptions.  Demography 44: 1-33.

Krackhardt, D. 1987.  QAP Partialling as a test of spuriousness.  Social Networks 9: 171-186.

Krackhardt, D. 1988.  Predicting with networks: Nonparametric multiple regression analysis of dyadic data.  Social Networks 10: 359-381.

Krackhard, D. 1998. Simmelian Ties: Super Strong and Sticky. In: Power and Influence in Organizations. R. Kramer & M. Neale (eds.). Thousand Oaks, California, Sage.

Krackhardt, D. 1999.  The ties that torture: Simmelian tie analysis in organizations.  Research in the Sociology of Organizations 16: 183-210.

Krackhardt, D.; Kilduff, M.  2002. Structure, culture and Simmelian Ties in Entrepreneurial Firms.  Social Networks 24: 279-290.

Kranton, Rachel E. y Minehart, D.  2001.  A Theory of Buyer-Seller Networks.  American Economic Review 91 (3): 485-508.

Levin, D. Z.; Cross, R. 2004. The Strength of Weak Ties you can Trust: The Mediating Role of Trust in Effective Knowledge Transfer.  Management Science 50: 1477-1490.

Lin, N.;  Burt, R. S.  1975.  Differential Effects of Information Channels in the Process of Information Diffusion.  Social Forces 54 (1): 256-274.

Liu, W. T.; Duff, R. W.  1972.  The Strength in Weak Ties.  The Public Opinion Quarterly 36: 361-366.

Manski, C. F.  2000.  Economic Analysis of Social Interactions.  Journal of Economic Perspectives 14: 115-136.

Marsden, P. V.; Friedkin, N. E.  1994.  Network Studies of Social Influence.  In: Advances in Social Network Analysis. Research in the Social and Behavioral Sciences. Wasserman, S.; Galaskiewicz, J. (eds.). London: Sage. 

McPherson, M.; Smith-Lovin, L.; Cook, J. M. 2001. Birds of a Feather: Homophily in Social Networks.  Annual Review of Sociology 27: 415-444.

Michaelson, A.; Contractor, N. S.  1992.  Structural Position and Perceived Similarity.  Social Psychology Quarterly 55:

Mizruchi, M. S.  1993.  Cohesion, equivalence and similarity of "">  Social Networks 15: 275-307.

Monge, P. R.; Contractor, N. S. 2003. Theories of Communication Networks.  New York: Oxford University Press.

Moser, C. M.; Barrett, C. B.  2006.  The Complex Dynamics of Smallholder Technology Adoption: The Case of SRI in Madagascar.  Agricultural Economics 35: 373-388

Moxley, R. L.; Lang, K. B.  2006.  The importance of social context influences on new farm technology sustainability: community and sub-community characteristics in Jamaica.  Technology in Society 28: 393-406.

Munshi, K.  2005.  Social Learning in a Heterogeneous Population: Technology Diffusion in the Indian Green Revolution.  Journal of Development Economics 73 (1): 185-215.

Newell, S.; Swan, J.  1995.  Professional associations as important mediators of the innovation process.  Science Communication 16: 371-387.

Nyblom, J.; Borgatti, S.; Roslakka, J.; Salo, M. A.  2003.  Statistical analysis of network data – an application to diffusion of innovation.  Social Networks 25: 175-195.

Obstfeld, D.  2005.  Social Networks, the Tertius Iungens Orientation, and Involvement in Innovation.  Administrative Science Quarterly 50: 100-130.

Okten, Cagla y Osili, U. O.  2004.  Social Networks and Credit Access in Indonesia.  World Development 32 (7): 1225-1246.

Opare, K. D.  1977.  The role of Agricultural Extension in the Adoption of Innovations by Cocoa Growers in Ghana.  Rural Sociology 42: 72-82.

Polgar, S.; Dunphy, H.; Cox, B.  1963.  Diffusion and Farming Advice: A Test of Some Current Notions.  Social Forces 42: 104-111.

Pomp, M.; Burger, K.  1995. Innovation and Imitation: Adoption of Cocoa by Indonesian Smallholders.  World Development 23 (3): 423-431.

Reagans, R.; McEvily, B.  2003.  Network Structure and Knowledge Transfer: The Effects of Cohesion and Range.  Administrative Science Quarterly 48: 240-267.

Rogers, E. M. 2003. Diffusion of Innovations. 5 ed. New York: Free Press.

Rogers, E. M.; Beal, G. M. 1958.  The Importance of Personal Influence in the Adoption of Technical Changes.  Social Forces 36 (4): 329-335.

Ruttan, V. W. 1996. What happened to technology adoption-diffusion research?  Sociologia Ruralis 36: 51-73.

Ryan, B.; Gross, N. C. 1943. The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology 8: 15-24.

Sparrowe, R. T.; Liden, R. C.  2005.  Two Routes to Influence: Integrating Leader-Member Exchange and Social Network Perspectives.  Administrative Science Quarterly 50: 505-535.

Strang, D.; Soule, S.  1998.  Diffusion in Organizations and Social Movements: From Hybrid Corn to Poison Pills.  Annual Review of Sociology 24: 265-290.

Strauss, J.; Barbosa, M.; Teixeira, S.; Thomas, D.; Gomes Junior, R.  1991.  Role of education and extension in the adoption of technology:  a study of upland rice and soybean farmers in Central-West Brazil.  Agricultural Economics 5: 341-359.

Tuomi, I.  2002. Networks of Innovation. Change and meaning in the Age of the Internet. New York: Oxford University Press. 

Valente, T. W. 1996.  Social network thresholds in the diffusion of innovations.  Social Networks 18: 69-89.

Valente, T. W.  2005.  Network Models and Methods for Studying the Diffusion of Innovations.  In: Models and Methods in Social Network Analysis.  Carrington, P.J; Scott, J & S. Wasserman (eds).  New York: Cambridge University Press.

Van den Broeck, Katleen y Dercon, S.  2007.  Social Interactions in Growing Bananas: Evidence from a Tanzanian Village.  CSAE Working Paper 2007-05.

Van den Bulte, C.; Lillien, G. L. 2001.  Medical innovation revisited: Social contagion versus marketing effort.  American Journal of Sociology 106: 1409-1435.

Wasserman, S.; Faust, K.  1994. Social Network Analysis.  Methods and Applications.  New York: Cambridge University Press. 

Wejnert, B.  2002.  Integrating Models of Diffusion of Innovations: A Conceptual Framework.  Annual Review of Sociology 28: 297-326.

Wilkening, E. A. 1956. Roles of communicating agents in technological change in agriculture.  Social Forces 34: 361-367.

Woolcock, M.; Narayan, D.  2000.  Social Capital: Implications for Development Theory, Research and Policy.  The World Bank Research Observer 15: 225-249.

Yamauchi, F.  2007.  Social learning, neighbourhood effects and investment in human capital: Evidence from Green-Revolution India.  Journal of Development Economics 83: 37-62.