nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
El reto que enfrenta la agricultura a nivel global es producir alimentos de manera eficiente, sustentable y reduciendo la pérdida de biodiversidad para una población mundial estimada en 9 100 millones de personas en 2050 (Fielke et al. 2020, Rockström et al. 2020). La revolución tecnológica que está experimentando la agricultura actual representa un desafío para los pequeños productores que buscan aprovechar los beneficios a largo plazo (Klerkx y Rose 2020). Por lo tanto, el estudio de los procesos de adopción de innovaciones agrícolas es de gran importancia. El análisis de los factores que influyen en los niveles de conocimientos, actitudes y percepciones (CAP) de un pequeño productor al tomar la decisión de adoptar o rechazar una innovación agrícola es esencial para las entidades encargadas de promover el desarrollo agrícola. Lo que se manifiesta en las agendas de investigación agrícola (Faure et al. 2012, Klerkx 2020).
La toma de decisiones por parte de los productores para la adopción o mejora de una innovación agrícola ha sido abordada desde perspectivas teóricas, como el comportamiento planificado y la maximización de utilidades. El comportamiento planificado se sustenta en la teoría sociopsicológica de la acción razonada y supone que los valores y actitudes individuales son determinantes en la elección de una innovación en lugar de otra (Hansson et al. 2012). Por otro lado, la maximización de utilidades se basa en la teoría económica-evolucionista y supone que una innovación se adopta cuando la utilidad de adoptar la innovación supera los beneficios de no adoptarla o adoptar otra (Borges et al., 2019).
La adopción de innovaciones agrícolas es un proceso complejo que está influenciado por diversos factores. Estos factores pueden agruparse en seis categorías: productor, unidad de producción, económicos, innovación, entorno político y entorno agrícola. Acerca de los factores relacionados con el productor y su unidad de producción Singh y Stout (2018) y Makate et al. (2019) destacan la importancia de variables como la aversión al riesgo, la edad, la escolaridad, la experiencia, el género, la capacidad técnica, la ocupación, el tamaño del hogar y la disponibilidad de agua y mano de obra en la adopción de innovaciones agrícolas. Sobre los factores económicos Feleke y Zegeye (2006) y Cammarano et al. (2017) resaltan la importancia de variables como el acceso a crédito, los activos agrícolas y no agrícolas, la inversión y el capital de trabajo, la rentabilidad, el acceso a clientes y mercados. En cuanto al factor innovación en sí misma también es un factor clave; al respecto, Rogers (2003) y Noppers et al. (2015) enfatizan la importancia de variables como compatibilidad, complejidad, complementariedad, observabilidad, ventaja relativa y tipo (producto, proceso, mercadotecnia y organizativa).
Sobre el entorno político y agrícola Díaz-José et al. (2016) y Olum et al. (2019) destacan que algunas de las variables más frecuentes son la información disponible y el acceso influenciado por los recursos públicos o privados, la continuidad, el escalamiento del programa de extensión, la gestión de redes técnicas, sociales, comerciales y la disponibilidad de tecnologías de la información y comunicación. Mientras que, Rodríguez et al. (2009) resalta las variables de cultura social, entorno geográfico, disponibilidad tecnológica y seguridad social. En los estudios sobre la adopción de innovaciones en modelos tradicionales de extensión (Prokopy et al. 2008, Meijer et al. 2015, Liu et al. 2018) existe un vacío de conocimiento acerca del efecto de variables sociales en la adopción de innovaciones y de variables relacionadas con la estructura de las relaciones y los vínculos sociales. Además, los estudios que existen han analizado observaciones, menores a 1 000, y han dejado de lado indicadores como la radialidad y la integración, que brindan información sobre las relaciones directas e indirectas de un pequeño productor para el aprendizaje. Por lo que son escasos los estudios con muestras amplias y que analizan los cambios en los niveles de innovación en el tiempo. Debido a lo anterior, el objetivo de este trabajo fue analizar el rol de las relaciones sociales en la adopción de innovaciones agrícolas sostenibles en pequeños productores de maíz, dentro del marco de un programa nacional de extensión. Para ello, se plantearon las siguientes preguntas: ¿cómo fue el proceso de adopción de innovaciones?, ¿cuáles fueron los factores que afectaron la adopción en el tiempo? y ¿qué papel jugaron las relaciones sociales en los procesos de adopción?
Materiales y métodos
Colecta de datos y variables analizadas
Este estudio se enfoca en pequeños productores de maíz de bajos ingresos. Estos productores tienen las características de obtener bajos rendimientos, menor superficie agrícola per cápita y estan situados en 15 entidades federativas del centro y sur de México (Campeche, Chiapas, Guanajuato, Guerrero, Hidalgo, Jalisco, Estado de México, Michoacán, Oaxaca, Puebla, Querétaro, Quintana Roo, Tlaxcala, Veracruz y Yucatán). Estas entidades han sido objeto de atención de la política pública de extensión agrícola, debido a que presentan mayores índices de marginación, dificultad de acceso a información y múltiples necesidades de soporte, para mejorar sus condiciones actuales.
Para la recolección de los datos, se aplicó una entrevista semiestructurada a 14 770 productores que participaron en un proceso nacional de extensión durante los años 2017 y 2018. El tamaño final de la muestra se basó en el criterio de selección de máxima variación Hernández et al. (2014). Se eligió esta muestra de productores porque, por un lado, proporcionan similitud en el contexto: fueron pequeños productores de maíz con superficies cultivadas menores a 5 ha y recibieron asistencia técnica; por otro lado, permiten tener una variación: tuvieron diferentes niveles de adopción de innovaciones, rendimientos y asociación.
La principal pregunta de la entrevista semiestructurada fue ¿De quién(es) aprendió las innovaciones que realiza en su unidad de producción? Adicionalmente, se obtuvo información de variables relacionadas con las características socioeconómicas de los productores y la estructura de sus unidades de producción (Tabla 1). Se garantizó la confidencialidad y el anonimato de los entrevistados utilizando el consentimiento de humano informado de forma oral.
Tabla 1 Variables analizadas.
| Variables | Unidad | Definición |
|---|---|---|
| InAI | % | El InAI (Índice de Adopción de Innovaciones) representa el porcentaje de innovaciones adoptadas por un productor, con relación al número total de innovaciones promovidas por el programa de extensión, a través del extensionista. Se calculó de la siguiente manera (Aguirre-López et al. 2020): |
| Acceso a información | ||
| Integración | % | La integración es un indicador de nodo empleado en el análisis de redes sociales que mide las relaciones recibidas por un actor. Su cálculo se basa en los grados de entrada y considera vínculos indirectos (Valente y Foreman 1998). Un productor con alto nivel de integración provee más conocimiento a su red, dado que es más consultado por otros productores. |
| Radialidad | % | La radialidad es el grado en que los lazos de un nodo llegan a la red y le brindan muchos caminos novedosos de información. Su cálculo se basa en los grados de salida y considera los vínculos indirectos (Valente y Foreman 1998, Costenbader y Valente 2003). Un productor con alto nivel de radialidad busca más conocimiento en su red, dado que tiene mayor disposición a preguntar a diversos actores. Así la disposición a preguntar se puede medir a través del cambio en radialidad. |
| Productor | ||
| Edad | Años | Número de años del productor. |
| Escolaridad | Años | Número de años de educación formal de un productor. |
| Unidad de producción | ||
| Superficie | Ha | Número de hectáreas sembradas con maíz para grano por el productor. |
| Rendimientos | t/ha | El rendimiento es el número de toneladas de maíz grano que cosechó el productor. |
| Autoconsumo | % | El autoconsumo es el porcentaje de maíz grano con respecto al rendimiento total, que un productor destina para su consumo. |
| Comercialización | ||
| Clientes | Número | Los clientes son el número de compradores de maíz grano reportados por un productor. |
Para el análisis de información en el tiempo. Se calcularon cambios en las variables Índice de Adopción de Innovaciones (InAI), integración, radialidad, rendimientos, autoconsumo y clientes, del 2017 al 2018, con la siguiente formula:
Donde: CVi es el cambio en la variable i, Vi 2018 y Vi 2017 son valores que toma la variable i en 2018 y 2017, respectivamente.
Los productores se agruparon en adoptantes cuando tuvieron cambios en su InAI mayores o iguales que cero, lo que indicó que mantuvieron o aumentaron su nivel de adopción de innovaciones en el año 2018 comparado con el 2017 (81.2% de los productores cumplieron esta condición). Mientras que, los productores no adoptantes tuvieron cambios en su InAI menores que cero (18.8% de los productores cumplieron esta condición), lo que indica que disminuyeron su nivel de adopción en el mismo periodo. Las innovaciones analizadas se definieron con ayuda de los extensionistas. Algunas innovaciones varían dependiendo del estado. No obstante, las innovaciones dentro de un mismo estado de un año a otro no cambiaron.
Para el cálculo del InAI se consideraron 27 innovaciones, de las cuales 15 fueron innovaciones sustentables (con asterisco) alineadas a una producción responsable, conservación de la biodiversidad y el suelo: análisis foliar, análisis suelo*, biofertilizantes*, bioinsecticidas*, cal micronizada*, camas permanentes*, composta*, criollos mejorados*, cultivos de cobertura*, desvare, feromonas, fertilización (NPK), maíz híbrido MasAgro (semilla de maíz híbrido de la red de semilleros de MasAgro), insectos benéficos*, maíz mejorado MasAgro, mejoradores de suelo (cal agrícola y/o cal dolomítica y/o humus de lombriz y/o humus líquido)*, micorrizas y azospirillum*, micronutrientes, monitoreo plagas*, nivelación de suelos, poscosecha (uso de bolsa plástica y/o silo metálico y/o lona de PVC flexible), rastra, cobertura de suelo con rastrojo*, semillas mejoradas diversas (semilla mejorada de frijol y/o semilla de avena y/o mezclas de avena más ebo y/o girasol y/o chía y/o linaza y/o ajonjolí y/o calabaza)*, siembra directa (sembradora de precisión)*, subsoleo, tratamiento para semillas.
Métodos de análisis de datos
Para explicar el fenómeno de adopción de innovaciones. Primero, se analizaron los patrones en las innovaciones adoptadas, sus niveles de adopción y los perfiles de los productores. Para luego analizar los factores que influyeron en el aprendizaje de innovaciones en el tiempo y se exploraron las fuentes de información.
Para analizar los patrones de innovaciones adoptadas por los productores, se construyeron redes de aprendizaje mediante matrices de afiliación. La matriz de afiliación se denota por A = aik representa la afiliación de los productores con las innovaciones (Wasserman y Faust 1994, Faust 1997). El elemento A toma el valor uno, si el productor i adopta la innovación k, y toma el valor cero en caso contrario. Así, la cantidad de innovaciones que realiza un productor está dada por la suma de cada fila, mientras que el número de productores que adopta una innovación está dado por la suma de cada columna. Los actores y las innovaciones también se pueden representar de forma independiente como una red modo uno.
Para construir la red de actores, se empleó la matriz dada por X N que indica el número de relaciones compartidas por cada par de actores. Posteriormente, se construyó una matriz de adyacencia a partir de X N de tamaño n x n. Un elemento de X N es notado por Xik N con i, k ∈ N. Xik N toma el valor uno, si i y k tienen al menos una innovación en común y toma el valor de cero, si i ≠ k.
Si dos productores comparten dos innovaciones diferentes, se puede establecer el valor del coeficiente Xik N = 2 y la matriz de valores es: Xv N = A × A T . Donde A es la matriz de afiliación y A T es la matriz transpuesta. Los valores en la diagonal de Xv N representan el número de innovaciones adoptadas por cada productor. Para construir la red de innovaciones se empleó el mismo método. Se creó un mapa de calor con la red de innovaciones y el coeficiente de Q Yule’s, que sirve para observar la similitud que hay entre los patrones emergentes de adopción de innovaciones en los productores (Lewis-Beck et al. 2004). Para comprender las diferencias en el perfil de los productores adoptantes y no adoptantes en las variables de escolaridad, edad, superficie sembrada, cambio en rendimientos, cambio en autoconsumo, cambio en número de clientes, cambio en radialidad y cambio en integración, se realizó una prueba t-Student pareada con una probabilidad de error menor a 0.01.
Para analizar los factores que influyeron en el aprendizaje de innovaciones en el tiempo y los cambios en radialidad según la entidad federativa, se elaboró un diagrama de violín. Donde solo se consideró el indicador de radialidad, porque resultó significativo entre los productores adoptantes y no adoptantes. Con el fin de examinar la probabilidad de que los productores mantengan o aumenten sus niveles de innovación de un año a otro, se especificó un modelo logit (Gujarati y Porter 2014, Suvedi et al. 2017) bajo el siguiente criterio:
Donde: L = logaritmo de la razón de probabilidades; ln = logaritmo natural;
Donde: “Δ Adopción de innovaciones” es la variable dicotómica = L; Δ = CV i = cambio en la variable; SCHO son los años de escolaridad del productor; AGE es la edad del productor; AREA es la superficie sembrada; YIE rendimiento maíz grano; CON autoconsumo; CLI número de clientes; RAD radialidad; INT integración. Para validar la robustez del modelo los datos se dividieron en dos partes de forma aleatoria. El primero con el 70% de los datos (10 339 observaciones) denominado conjunto de entrenamiento que se empleó para construir el modelo; y el segundo con el 30% de los datos (4 431 observaciones) denominado conjunto de validación, el cual fue utilizado para validar el modelo.
Sobre las fuentes de información para la adopción de innovaciones se analizaron a partir de la matriz de afiliación y diagrama de cuerdas basados en la especialización de las innovaciones. La especialización de las innovaciones con base en el nivel de complejidad fue genérica y especializada. El análisis y la visualización se realizaron a través de los softwares Ucinet versión 6.365 y RStudio versión 4.0 (paquete Circlize y paquete Igraph).
Resultados
Patrones de adopción de innovaciones y perfil de productores
La adopción de innovaciones en los pequeños productores sigue patrones de asociación positivos y negativos. Prueba de ello son los patrones representados con el indicador Q de Yule’s (Figura 1a). Una asociación positiva (Q Yule’s ≈ +1, Azul) es, cuando un productor incorpora rastrojo al suelo y combina esta innovación con el uso de cal micronizada, la aplicación de bioinsecticidas y/o el uso de insectos benéficos. Mientras que, una asociación negativa (Q Yule’s ≈ -1, Rojo) es cuando un productor da tratamiento a la semilla y no combina esta innovación con la incorporación de rastrojo al suelo, la aplicación de biofertilizantes o el monitoreo de plagas. Una mayor adopción no implica mayor asociación de las innovaciones. Esto se observa cuando se contrastan los patrones de adopción con la tasa de adopción de innovaciones (Figura 1b ), como la fertilización (NPK). A diferencia de innovaciones sustentables como incorporación de rastrojo al suelo o aplicación de biofertilizantes que no son las más adoptadas, pero tienen una asociación muy marcada con otras innovaciones sustentables.
Figura 1 Patrones de adopción de innovaciones. a) mapa de calor del indicador de correlación Q de Yule’s que muestra como cada práctica se adopta una asociada a la otra, desde +1 (positivo - azul) a -1 (negativo - rojo), b) gráfico de barras que muestra las tasas de adopción de innovaciones.
El perfil de los productores adoptantes está relacionado con actores que tienen alto número de vínculos (cambio en radialidad), disponen de más clientes para vender, tienen más superficie sembrada, mantienen sus rendimientos y destinan menos de su producción para autoconsumo. Como se muestra en las diferencias significativas (P < 0.01) entre productores adoptantes y no adoptantes de un año a otro (Tabla 2). En complemento, no se encontraron diferencias significativas (P < 0.05) en la escolaridad, la edad y la disposición del productor para enseñar a otros productores (cambio en integración).
Tabla 2 Perfil de productores adoptantes y no adoptantes.
| Variable (Unidad de medida) | Medidas adoptantes | Medidas no adoptantes |
|---|---|---|
| Escolaridad (años) | 4.38a ± 3.43 | 4.51a ± 3.36 |
| Edad (años) | 62.78a ± 12.96 | 62.84a ± 12.87 |
| Superficie (ha) | 2.08a ± 1.70 | 1.83b ± 1.28 |
| Cambio en rendimientos (t/ha) | -0.03a ± 1.73 | -0.13b ± 1.54 |
| Cambio en autoconsumo | 0.51a ± 34.25 | 3.75b ± 32.80 |
| Cambio en número de clientes (clientes) | 0.17a ± 0.71 | -0.02b ± 0.57 |
| Cambio en radialidad (%) | 0.0251a ± 0.055 | 0.0028b ± 0.069 |
| Cambio en integración (%) | 0.0013a ± 0.076 | 0.0004a ± 0.017 |
a y b = letras distintas para medias de productores adoptantes y no adoptantes indican diferencias estadísticas significativas (t-Student pareada, 0.01), ± = desviación estándar.
Redes equilibradas, diversidad de relaciones y mercado
La capacidad de un productor para vincularse con actores mejores conectados no está relacionada con la entidad federativa. Dado que los productores adoptantes tienen mayor radialidad que los no adoptantes en todos los entornos (Figura 2). Se encontró heterogeneidad en los niveles de adopción de innovaciones entre entornos, lo que se observa en los diagramas de violines. Los productores que mantienen sus vínculos sociales de un año a otro aumentan sus niveles de innovación. Esto se refleja en la relación que guardan los adoptantes con los cambios positivos en radialidad (línea azul, circulo). Por el contrario, los no adoptantes presentaron cambios negativos en sus niveles de radialidad (línea naranja, triángulo).
Figura 2 Relación entre innovación y radialidad. Los diagramas de violines se presentan ordenados de izquierda a derecha del menor al mayor promedio de cambios positivos en su InAI. El gráfico de líneas muestra los cambios porcentuales del indicador de radialidad para el mismo periodo.
La probabilidad (P ≤ 0.01) de que un pequeño productor mantenga o aumente sus niveles de innovación de un año a otro, se explica por el aumento en radialidad, el aumento en el número de clientes, la superficie sembrada y el nivel de escolaridad (Tabla 3). El aumento del cambio en radialidad en 0.01 unidades de un año a otro aumenta los odd ratios de cambio positivo en la adopción de innovaciones en 6.02 veces. También, el aumento de un cliente de un año a otro aumenta los odd ratios de cambios positivos en la adopción de innovaciones en 1.39 veces. Así, el aumento de una hectárea en la superficie sembrada aumenta los odd ratios de la adopción innovaciones en 1.11 veces de un año a otro. Lo anterior, si el resto de las variables se mantienen constantes. Por otra parte, el aumento de un año de escolaridad disminuiría los odd ratios de cambios positivos en la adopción de innovaciones en 1.02 veces menos. Por otro lado, las variables como la edad, el cambio en rendimientos, el cambio en autoconsumo y el cambio en integración no son significativas (P > 0.05) en las decisiones que toma un productor para adoptar innovaciones de un año a otro.
Tabla 3 Parámetros para estimar la probabilidad de adopción de innovaciones.
| Variable | Coeficientes | Z-Valor | Odd ratios |
|---|---|---|---|
| Escolaridad | -0.023 ± 0.008 | -2.712 | 0.978** |
| Edad | -0.004±0.002 | -1.797 | 0.996ns |
| Superficie | 0.110±0.02 | 5.362 | 1.116*** |
| Cambio en rendimientos | 0.014±0.016 | 0.896 | 1.014ns |
| Cambio en autoconsumo | -0003±0.001 | -0.416 | 1.000ns |
| Cambio en número de clientes | 0.329±0.041 | 8.035 | 1.390*** |
| Cambio en radialidad | 6.401±0.443 | 14.445 | 602.629*** |
| Cambio en integración | -0.124±0.117 | -1.054 | 0.884ns |
| Constante | 1.447±0.166 | 8.732 | 4.251*** |
El modelo de regresión logística tuvo un poder predictivo del 80.91%. ± = desviación estándar. Códigos de significancia: ‘***’0.01 ‘**’0.05.
Se encontró que se aprenden diferentes innovaciones de diferentes actores, la importancia de los actores cambia según el tipo de innovaciones. Los productores consultan diferentes fuentes de información [extensionistas (35%), productores (23%), proveedores (21%) e instituciones de gobierno (14%)] para fortalecer su brecha CAP (Figura 3). Los productores son sujetos activos en las redes, deciden las innovaciones que adoptan y los actores que consultan.
Discusión
La superficie sembrada y la adopción de innovaciones tienen relación positiva. Mientras que algunos autores coinciden con estos resultados (Wu 2022), otros no encontraron la superficie como una limitante (Obiero et al. 2019). Sin embargo, en el contexto de países en desarrollo como el caso de México, existe una relación directa en entre el tamaño de la finca y el posible nivel de capitalización, debido a que los agricultores con mayor superficie cuentan con un nivel de capitalización más alto que les permite invertir en conocimientos, tecnología y por tanto están más propensos a la innovación. Al respecto, Makate et al. (2019) indican como la capitalización de las fincas se relaciona con el nivel de adopción de innovaciones, otros estudios han encontrado relación directa entre la innovación y el tamaño de la finca en combinación con otras variables como acceso a conocimientos, acceso a mercados, disponibilidad de mano de obra y rendimientos del cultivo (Priegnitz et al. 2019). La superficie sembrada es una variable que ha sido ampliamente estudiada en relación con la adopción de innovaciones en la agricultura. Sin embargo, esta variable no es suficiente para explicar la adopción de innovaciones. Otras variables como el acceso a mercados también desempañan un papel importante.
El número de clientes y la adopción de innovaciones también tienen una relación positiva. Los resultados de investigaciones recientes han encontrado una relación positiva entre ambas variables (Fuetsch 2022). Esta relación se explica por la relación entre el número de clientes y el acceso a mercado. Los agricultores con mayor acceso a mercado tienen mayor certeza de comercialización, mejores ingresos y por tanto adoptan innovaciones que demanda el mercado (Ullah et al. 2022). Los agricultores que tienen una variedad de clientes tienen mayor probabilidad de estar expuestos a nuevas ideas e innovaciones. En este sentido, las relaciones sociales también influyen en la adopción de innovaciones.
La diversidad de relaciones sociales es un factor importante que puede influir en la adopción de innovaciones agrícolas. Las relaciones sociales pueden proporcionar a los agricultores información, apoyo y recursos que pueden facilitar la adopción de innovaciones. Estudios han encontrado que las relaciones sociales pueden proporcionar a los agricultores información sobre nuevas tecnologías y prácticas agrícolas (Ma y Yang 2023), también pueden proporcionar apoyo de otros agricultores que han adoptado innovaciones, y también pueden proporcionar recursos financieros o materiales que pueden ser necesarios para adoptar innovaciones (Ullah et al. 2022). Sin embargo, no es suficiente tener un elevado número de vínculos en la red. Es necesario que los vínculos que establecen los productores de un año a otro sean con actores diversos y bien conectados en la red. Esto se debe a que las relaciones con actores diversos pueden proporcionar a los agricultores una gama más amplia de información y perspectivas (Camacho-Villa et al. 2023). Entonces, las relaciones con actores bien conectados en la red facilitan el acceso a recursos y oportunidades que mejoran la adopción de la innovación.
Los productores con mayor superficie sembrada, mayor vinculación con el mercado, mayor número de relaciones sociales centradas en relaciones con pares, técnicos, instituciones, proveedores y consumidores son más propensos a adoptar innovaciones agrícolas. Sin embargo, para los productores con menor superficie sembrada, no vinculados al mercado y con pocas relaciones sociales centradas en pares, se pueden proponer estrategias que fomenten el acceso a recursos, capacitación y asistencia técnica y fortalecimiento de las relaciones sociales. Al respecto Ogundari (2022) indica como los productores que acceden a recursos financieros, materiales y de conocimiento a través de programas gubernamentales, organizaciones de productores y otros actores tienen impactos positivos en su productividad; también los productores pueden participar en actividades que les permitan establecer relaciones con otros agricultores, agentes de cambio y otros actores relevantes (Camacho-Villa et al. 2023, Ullah et al. 2022). Estas estrategias pueden ayudar a los productores a superar las barreras que les impiden adoptar innovaciones.
Conclusiones
Los vínculos sociales que establece y gestiona un pequeño productor son un elemento importante para aumentar la adopción de innovaciones agrícolas en el tiempo. Las variables como edad y escolaridad están limitadas para explicar la adopción de innovaciones, porque solo funcionan en contextos concretos. Las relaciones sociales diversas medidas por el indicador de radialidad juega un papel importante en el aumento del InAI. Actores como el gobierno, el sector privado, las instituciones y consumidores juegan roles importantes en la difusión de innovaciones, por lo que ningún productor innova más de lo que sus relaciones le permiten. Un análisis con este enfoque permite identificar necesidades de innovación y en función de esto, quienes diseñen, implementen o evalúen programas de extensión podrían emplear métodos que orienten mejor los procesos de adopción de innovaciones para que los productores accedan a mayor y mejor conocimiento.
