Опубликовано 8 часов назад

Факторы, влияющие на внедрение технологий точного земледелия у мелких фермеров в Кентукки, и их последствия для политики и практики

Растущее давление на продовольственную безопасность и экологическую устойчивость обозначает важность эффективного использования сельскохозяйственных ресурсов. Технологии точного земледелия (ТТЗ) рассматриваются как одно из решений этих проблем. Различные заинтересованные стороны и организации, работающие в аграрном секторе, реализовали множество инициатив для содействия их внедрению. Несмотря на многочисленные инициативы, уровень распространения ТТЗ на малых фермах в Соединенных Штатах остается низким. Важно понять, какие социально-экономические и демографические факторы влияют на их решение о внедрении ТТЗ.

Цель данного исследования — предоставить практические рекомендации, которые помогут фермерам преодолеть существующие трудности и использовать преимущества передовых агропрактик, что в конечном итоге будет способствовать устойчивости и жизнеспособности аграрного сектора. В данном исследовании использовался смешанный подход (комбинация почтового опроса, личных интервью и фокус-групп) для изучения факторов, влияющих на внедрение ТТЗ мелкими фермерами в Кентукки. Данные были проанализированы с помощью метода бинарной логистической регрессии. Результаты показали, что размер фермы и больший стаж фермерской деятельности увеличивают вероятность внедрения ТТЗ, тогда как возраст фермеров отрицательно сказывался на внедрении. Другие демографические переменные, такие как пол, доход и образование, не оказывали существенного влияния на внедрение. Для стимулирования внедрения ТТЗ среди мелких фермеров в Кентукки политика должна быть сосредоточена на поддержке молодых фермеров, создании ТТЗ, пригодных для использования на малых фермах, и снижении барьеров. Кроме того, предоставление целевого обучения и ресурсов мелким фермерам может способствовать распространению этих технологий, тем самым повышая эффективность и устойчивость сельского хозяйства.

Ожидается, что к 2050 году глобальное население достигнет почти 10 миллиардов, что значительно увеличит спрос на продовольствие и сельскохозяйственную продукцию [1,2]. По данным ФАО [2], в 2050 году для питания растущего населения потребуется на 70% больше пищи. Сельское хозяйство является наиболее распространенным видом землепользования в мире и играет ключевой роль как в выживании человечества, так и в экономической стабильности [3,4]. Около 40% площади земель в мире занято сельскохозяйственным производством, которое существенно варьируется по размерам, продукции, технологиям и затратам [5]. Это разнообразие можно объяснить различиями в климате и биоразнообразии в различных регионах, выбором затрат, результатов и технологий, которые часто являются специфичными для конкретной местности. По мере роста мирового населения и изменения моделей потребления существует насущная необходимость повышения производительности сельского хозяйства для решения проблемы продовольственной безопасности, одновременно решая экологические проблемы, создаваемые сельскохозяйственной деятельностью, такие как изменение среды обитания, загрязнение и чрезмерная эксплуатация природных ресурсов [5,6,7,8].

Сельское хозяйство является не только поставщиком пищи, но и значительным драйвером экологических изменений [9]. Превращение природных экосистем в сельскохозяйственные угодья, интенсификация методов ведения сельского хозяйства и связанные с этим выбросы загрязняющих веществ значительно способствуют потере биоразнообразия и деградации экосистемных услуг [10]. Эти экологические последствия дополнительно усугубляются расширением продовольственных цепочек создания стоимости, которые связаны с значительным использованием энергии, транспортировкой и образованием отходов [7,11]. Например, с 1980 по 2000 год население США выросло на 24%, в то время как 34% пахотных земель и лесных угодий были преобразованы в городскую застройку, что увеличило давление на земельные ресурсы [12]. Кроме того, сельское хозяйство остается значительной жертвой и значительным фактором изменения климата. Однако аграрный сектор обладает потенциалом для борьбы с изменением климата путем использования улучшенных технологий на фермах, способствующих устойчивости. Этот контекст подчеркивает необходимость устойчивых сельскохозяйственных практик, которые балансируют производительность с сохранением окружающей среды.

Учитывая эти проблемы, точное земледелие стало ключевой инновацией в борьбе с продовольственной неуверенностью за счет повышения эффективности и устойчивости методов ведения сельского хозяйства [13,14]. Используя передовые технологии, такие как GPS, дистанционное зондирование и анализ данных, точное земледелие оптимизирует использование ресурсов, снижает экологический вред и повышает производительность сельского хозяйства [13,15,16]. Например, системы точного орошения используют датчики для контроля уровня влажности почвы, обеспечивая получение культурами оптимального количества воды без перелива. Эти достижения предлагают решение многих проблем, создаваемых традиционными методами ведения сельского хозяйства, сокращая неэффективность использования ресурсов, минимизируя воздействие на окружающую среду и увеличивая урожайность культур за счет предоставления точных данных о здоровье почвы, уровне влажности и состоянии культур. Внедрение точного земледелия не только отвечает растущему спросу на большее количество пищи, но и минимизирует негативные последствия традиционных сельскохозяйственных практик, что делает его важнейшим инструментом достижения глобальной продовольственной безопасности [14,16,17,18,19]. Точное земледелие помогает фермерам принимать основанные на данных решения, приводя к более эффективному использованию таких затрат, как вода, удобрения и пестициды, тем самым сокращая отходы и воздействие на окружающую среду и приводя к взаимовыгодным результатам как для фермеров, так и для окружающей среды [15,18,19,20]. Однако, несмотря на потенциальные преимущества, внедрение технологий точного земледелия на малых фермах остается ограниченным [13,15,16,21,22,23,24,25]. Согласно последнему отчету "America’s Farms and Ranches at a Glance" и сельскохозяйственной переписи USDA, более 88% ферм в Соединенных Штатах являются малыми фермами [26,27]. Малые фермы — это фермы с валовым доходом менее 250 000 долларов США в год [27]. Мелкие фермеры сталкиваются с уникальными проблемами, включая ограниченный доступ к финансовым ресурсам и техническим знаниям, что препятствует их способности внедрять передовые технологии [28,29]. Учитывая их ключевую роль в сельскохозяйственном производстве, поддержка мелких фермеров с помощью целевых программ и политик важнейшая для повышения производительности, устойчивости и экономической устойчивости, особенно поскольку они часто работают с низкой нормой прибыли и highly уязвимы к экологическим и рыночным колебаниям [27,30]. Поэтому важнейшая понимать факторы, влияющие на внедрение фермерами ТТЗ. Несколько исследований подчеркнули, что такие факторы, как размер фермы, уровень образования, доступ к информации и финансовые ресурсы, имеют ключевое значение в формировании процессов принятия решений о внедрении различных природоохранных практик и технологий [13,15,16,18,20,28,29,31,32,33,34]. Аналогичным образом, были разработаны различные теоретические основы для понимания факторов, влияющих на внедрение технологий. Модель принятия технологий (Technology Acceptance Model, TAM) предоставляет ценную основу для понимания внедрения технологий точного земледелия среди мелких фермеров. Согласно этой модели, воспринимаемая полезность, воспринимаемая простота использования, отношение к технологиям и внешние переменные, такие как образование фермеров и финансовые возможности, являются основными детерминантами внедрения технологий [35]. В контексте малых ферм воспринимаемая полезность отражает веру в то, что технологии точного земледелия могут повысить производительность, рентабельность и устойчивость фермы за счет повышения эффективности использования ресурсов, сокращения трудоемкости и минимизации экологических рисков. Воспринимаемая простота использования подчеркивает важность интуитивно понятных, удобных для пользователя технологий, которые требуют минимального обучения и усилий для интегрировать в существующие методы ведения сельского хозяйства. Упрощенные интерфейсы, интуитивно понятный дизайн и доступная техническая поддержка могут значительно улучшить это восприятие. Эти факторы формируют отношение фермеров к технологиям, влияя на их поведенческое намерение внедрить технологии точного земледелия. Дополнительно, внешние переменные, такие как образование фермеров, финансовая способность и доступ к технической поддержке, косвенно влияют на внедрение, формируя восприятие полезности и простоты использования [35,36,37]. Широко применяемая в различных секторах, включая сельское хозяйство, эта модель использовалась для понимания внедрения технологий точного земледелия фермерами [35,38,39]. Фермеры часто сталкиваются с барьерами, такими как сложность и высокие затраты при внедрении технологий точного земледелия. Это требует более глубокого изучения факторов, влияющих на принятие и интеграцию этих инструментов фермерами.

Точное земледелие предлагает множество преимуществ, включая увеличение прибыли фермерских хозяйств за счет эффективного управления ресурсами, сокращение потерь урожая, минимизацию экологических рисков и оптимизацию использования сельскохозяйственных затрат [15,24]. Такие технологии, как дифференцированное внесение питательных веществ и агрохимикатов, точное орошение и мониторинг почвы, могут привести к значительной экономии средств и более высокой отдаче от инвестиций [18]. Эти технологии также помогают повысить урожайность культур и снизить затраты на рабочую силу, дополнительно повышая экономическую жизнеспособность. Поскольку на внедрение технологий точного земледелия влияют различные социальные, экономические и экологические факторы, понимание этих факторов, влияющих на внедрение точного земледелия мелкими фермерами, предоставит ценные insights в потенциал устойчивого развития сельского хозяйства. Используя передовые технологии и устраняя ключевые барьеры, точное земледелие может повысить производительность, устойчивость и экономическую устойчивость малых ферм. Поэтому, применяя Модель принятия технологий (TAM) в качестве основы, это исследование направлен понять, как различные характеристики фермеров и их убеждения в полезности и удобстве использования ТТЗ влияют на их внедрение [32,40]. Это исследование направлен предоставить практические рекомендации, которые могут помочь фермерам преодолеть существующие проблемы и использовать преимущества передовых агропрактик, что в конечном итоге будет способствовать устойчивости и жизнеспособности аграрного сектора.

2.1. Сбор данных

Это исследование проводилось в штате Кентукки, расположенном в восточно-южно-центральном регионе Соединенных Штатов (Рисунок 1). Сельское хозяйство является важнейшим компонентом экономики Кентукки. По состоянию на 2022 год в Кентукки насчитывается примерно 69 425 ферм [27]. Большинство ферм являются мелкими со средним размером фермы 179 акров по сравнению со средним национальным показателем в 463 акра [27]. В сельском хозяйстве Кентукки преобладают малые фермы, где более 63% ферм имеют годовой объем продаж менее 10 000 долларов США, а 97% ферм имеют площадь менее 1000 акров [27].

Рисунок 1. Карта, показывающая расположение района исследования и распределение респондентов по разным округам Кентукки.

2.2. Методы обследования

Данные для этого исследования получены из комбинации почтовых опросов, личных интервью и обсуждений в фокус-группах. Целевая популяция нашего исследования — малые фермы в Кентукки. Геокодированные адреса ферм были получены из Офиса оценки собственности (Property Valuation Assessment, PVA) выбранных округов в Кентукки. Основой для выбора образцов было количество принадлежащей или управляемой земли, представляющей малые фермы. Мы исключили участки площадью менее пяти акров (т.е. владельцев) из рамки выборки, чтобы избежать земель в городских районах. Мы взвесили по проценту владельцев в каждом выбранном округе, чтобы выбрать больше образцов из округов с более высокой долей владения более пяти акров. Анкета опроса была разработана и доработана на основе отзывов нескольких обсуждений в фокус-группах (FGD), проведенных в разных округах. Эти FGD в основном выявили технологии, которые используют фермеры, и проблемы, с которыми фермеры сталкиваются в использовании технологий; типы образования и обучения, которые участники получили о технологии, и другую информацию из Университета штата Кентукки (KSU). Кроме того, также была выявлена информация о том, какую помощь участники намерены получить от KSU, например, обучение и workshops. Перед рассылкой опроса выбранным землевладельцам мы проверили анкету опроса на 12 малых фермерах в центральном Кентукки. Все проверенные опросы были заполнены респондентами и возвращены нам. Используя ответы из проверенных опросов, мы дополнительно модифицировали анкету, упростив ее и сократив количество вопросов перед их распространением. Институциональный наблюдательный совет (IRB) Университета штата Кентукки рассмотрел и одобрил окончательный опрос.

Анкета состояла из 20 страниц и включала в себя всего четыре различных раздела. Раздел A состоял из вопросов, связанных с характеристиками фермы. Раздел B состоял из технологий, используемых в сельском хозяйстве. Раздел C состоял из 11 вопросов, относящихся к социально-экономическим и демографическим характеристикам респондентов. Запрашивалась информация о социально-экономических характеристиках фермеров, таких как возраст, пол, уровень образования, годовой доход, доход вне фермы, общая площадь в собственности и т.д. Повторные последующие почтовые запросы рассылались с помощью агентов по кооперативному расширению (Coop Ext) KSU и через Третьи четверги (Third Thursday Thing, TTT) — Workshops по устойчивому сельскому хозяйству KSU на исследовательской ферме Гарольда Бенсона и на Конференции малых фермеров в Кентукки. Эти усилия привели к в общей сложности 98 полным пригодным для использования ответам на опрос, которые были использованы в анализе. Ответы на опрос были проанализированы с помощью программного обеспечения R Studio версии 3.6 и Microsoft Excel 2021.

2.3. Спецификация модели и статистический анализ

Мы использовали модель бинарной логистической регрессии для анализа взаимосвязи между различными социально-экономическими и демографическими переменными фермеров и их внедрением ТТЗ. Зависимая переменная, которая является внедрением точного земледелия, представляет собой категориальную переменную с двумя возможными категориями, представленными как Y в уравнении (1). Респондентам, которые внедрили Технологии Точного Земледелия (ТТЗ), было присвоено значение 1, если они приняли решение о внедрении, и значение 0 в противном случае (Таблица 1). Вероятностная (логистическая) модель предпочтительнее традиционных моделей линейной регрессии при анализе факторов, влияющих на внедрение ТТЗ, потому что оценки параметров из первой являются асимптотически состоятельными и эффективными. Условная вероятность внедрения технологии лежит между нулем (0) и единицей (1). Вероятность принятия ТТЗ изучалась путем определения следующего уравнения:

Таблица 1. Описательная статистика переменных, использованных в анализе.

В уравнениях (1) и (2) Pi — это вероятность того, что Y равен 1, когда принимается решение о внедрении, и нулю (0) в противном случае для заданных значений Xi (i = 1, 2, 3, … n). Xi указывает на независимые объясняющие переменные. Здесь 𝛽0 представляет точку пересечения, а 𝛽𝑖 представляет коэффициенты, которые должны быть оценены.

Предсказанные вероятности бинарной логистической модели используются для прогнозирования или объяснения результатов; однако результаты обычно сообщаются с использованием отношения шансов [41]. Согласно [42], шансы — это отношение вероятности того, что благоприятное событие произойдет, к вероятности того, что неблагоприятное событие произойдет. Значение отношения шансов колеблется от нуля до бесконечности. Отношение шансов, равное 1, указывает на то, что данная независимая переменная не влияет на шансы положительного исхода. Отношение шансов меньше 1 предполагает, что независимая переменная связана с более низкими шансами исхода, в то время как отношение шансов больше 1 указывает на то, что оно связано с более высокими шансами исхода. Следуя [43], статистическая формула для расчета отношения шансов имеет вид

В уравнении (3) отношение шансов является экспоненциальной функцией коэффициента регрессии (b1).

Взяв натуральный логарифм уравнения (3), получим следующее, как показано в уравнении (4).

где Li — натуральный логарифм шансов внедрения ТТЗ, который называется логитом, Xi — независимые переменные, Pi — вероятность того, что фермер внедрит ТТЗ при заданных Xi, и βi представляет параметры, которые должны быть оценены. Логит определяется как значение натурального логарифма шансов в пользу желаемого положительного результата (в нашем случае — внедрения ТТЗ) [44].

Для анализа процента внедривших и не внедривших ТТЗ использовались таблицы сопряженности для процентного распределения частот независимых переменных. Мы использовали критерий хи-квадрат Пирсона, чтобы найти связь между переменными и внедрением ТТЗ, заданную [45].

2.4. Переменные, использованные в модели

Предполагается, что набор объясняющих переменных влияет на решение о внедрении технологий точного земледелия (ТТЗ) (Рисунок 2). На основе обзора литературы по внедрению и прошлых результатов исследований, а также с учетом информации из неформального опроса относительно большого числа факторов, которые, как ожидалось, повлияют на решения фермеров о внедрении, мы выбрали семь потенциальных объясняющих переменных. Дополнительно, выбор объясняющих переменных и аналитического подхода в основном основывался на Модели принятия технологий. Перед использованием модели бинарной логистической регрессии мы провели тесты на мультиколлинеарность между объясняющими переменными, чтобы убедиться, что наши результаты не искажены, и были идентифицированы и удалены highly коррелированные непрерывные переменные. Мы не обнаружили высокой мультиколлинеарности между семью переменными, рассматриваемыми в окончательной модели. В дополнение к этому, мы провели критерий хи-квадрат Пирсона с поправкой Йейтса на непрерывность между зависимой переменной (категориальной) и независимыми переменными (категориальными) [45]. Мы выбрали только те переменные, которые показали значимую связь между зависимой и независимой переменными. Этот шаг был выполнен для удаления не вносящих вклад/шумовых переменных. Дополнительно, мы использовали точечно-бисериальный тест корреляции между зависимой переменной (категориальной) и независимыми переменными (непрерывными) [46,47]. Проведение этих тестов перед моделью бинарной логистической регрессии гарантирует, что результаты нашей логистической модели точны.

Рисунок 2. Социально-экономические и демографические переменные, влияющие на внедрение технологий точного земледелия (ТТЗ).

Мы использовали социально-демографические переменные (т.е. возраст, пол, образование, опыт ведения сельского хозяйства в годах, соответствующий опыт), экономические переменные (доход) и характеристики фермы (т.е. размер фермы) в качестве основных детерминант внедрения ТТЗ [20,48,49,50,51].

Результаты показали, что большинство респондентов внедрили по крайней мере одну технологию точного земледелия (ТЗ), при этом GPS был наиболее часто используемым инструментом (Таблица 2).

Таблица 2. Различные технологии точного земледелия, доступные для внедрения фермерами Кентукки.

Около одной четверти (24%) от общего числа респондентов были внедряющими, а 76% — не внедряющими ТТЗ (Таблица 3). Большинство (70%) респондентов были мужчинами. Результаты показывают, что около 77% опрошенных фермеров имеют уровень образования до колледжа или выше (бакалавриат и аспирантура). Возраст респондентов в опросе варьировался от 28 лет до старше 85 лет, средний возраст составлял 62 года. Большинство (63%) фермеров сообщили о доходах от 50 000 до 99 999 долларов США, что отражает мелких фермеров. Средний размер фермы респондентов составлял 137,6 акров.

Таблица 3. Описание внедривших и не внедривших технологии точного земледелия в районе исследования.

Мы обнаружили, что 54% фермеров, которые владели или управляли более чем 100 акрами, были внедряющими ТТЗ, и только 28% фермеров, которые владели более чем 100 акрами земли, были не внедряющими (Таблица 3). Эта разница была статистически значимой на уровне 5%. Более того, общий опыт ведения сельского хозяйства в годах показал, что те фермеры, которые имели опыт ведения сельского хозяйства более 30 лет, внедряли точное земледелие (50%), чем те, кто не внедрял ТТЗ (26%). Эта разница также оказалась статистически значимой на уровне 5%.

Из внедривших точное земледелие 79% были мужчинами и 21% женщинами. Аналогично, 72% были мужчинами и 28% женщинами среди не внедряющих. Большинство респондентов были в возрасте от 25 до 50 лет или старше 50 лет. Среди возрастных групп от 25 до 50 лет было больше внедряющих, чем среди групп фермеров старшего возраста (старше 50 лет). Уровень образования выше колледжа выше (88%) среди внедряющих ТТЗ, чем среди не внедряющих (77%). Эти результаты предполагают, что более молодые, лучше образованные, с сравнительно большей площадью фермы, скорее всего, попробуют и внедрят ТТЗ.

Результаты бинарной логистической регрессии показывают, что три из семи независимых переменных были статистически значимы при p ≤ (0,05) (Таблица 4). Значение X2, равное 19,81, указывает на то, что модель очень хорошо соответствует данным, и оно статистически значимо при p ≤ 0,05. McFadden и Cragg–Uhler (R2) составили 0,58 и 0,47 соответственно. Значение R2 указывало на то, что наша модель бинарной логистической регрессии объясняет существенную дисперсию зависимой переменной, т.е. внедрение технологий точного земледелия (ТТЗ) (Таблица 4).

Таблица 4. Биномиальная логистическая регрессионная модель внедрения точного земледелия мелкими фермерами в зависимости от выбранных социальных и экономических независимых переменных.

Переменная, измеряющая возраст фермера, оказала отрицательное и значительное влияние на внедрение фермером точного земледелия. Соответствующая статистика отношения шансов указывает на то, что увеличение возраста фермера на одну единицу соответствовало восьмипроцентному снижению шансов внедрения точного земледелия. Другая переменная, измеряющая количество лет, которые фермеры потратили на сельское хозяйство, была положительной и значимой. Соответствующая статистика отношения шансов указывает на то, что увеличение опыта фермера в годах на единицу соответствовало увеличению шансов внедрения точного земледелия примерно на четыре процента. Третья переменная, измеряющая размер фермы, была значимой и положительной. Соответствующая статистика отношения шансов указывает на то, что увеличение размера фермы на один акр приводит к трехпроцентному увеличению шансов внедрения точного земледелия на их фермах.

Однако другие независимые переменные, такие как Пол, Доход, Размер фермы, Образование и Связанный опыт, не оказали статистически значимого влияния на внедрение точного земледелия.

Барьеры для внедрения технологий точного земледелия

При рассмотрении барьеров для внедрения ТТЗ мы обнаружили, что наиболее значительным барьером для внедрения ТТЗ была их высокая стоимость, причем почти 20% респондентов определили ее как основное препятствие (Рисунок 3). Сложность и отсутствие рентабельности также были заметными проблемами, о которых сообщили примерно 15% и 12% респондентов соответственно. Проблемы конфиденциальности, отсутствие уверенности и трудоемкость технологии были дополнительными барьерами, каждый из которых был идентифицирован примерно 10% участников. Меньшие, но заметные доли респондентов выделили неопределенность в отношении выгод и постоянно развивающийся характер технологии. Географические ограничения, недоверие к технологиям и восприятие риска были идентифицированы как барьеры менее чем 5% участников, что указывает на то, что это сравнительно незначительные проблемы. Финансовые и операционные проблемы доминировали среди барьеров, подчеркивая необходимость целевых вмешательств для решения этих проблем.

Рисунок 3. Социальные, экономические и экологические факторы, которые являются барьерами для внедрения технологий точного земледелия.

Фермеры сталкиваются со значительными проблемами при внедрении технологий точного земледелия (ТТЗ) из-за финансовых, инфраструктурных и географических барьеров. Многие респонденты сообщили об использовании традиционного оборудования, такого как тракторы и комбайны, при этом новые технологии, такие как дроны и автоматизированные системы, часто считаются полезными, но финансово недоступными. Один фермер подчеркнул это мнение, заявив: "Средства ограничены. Технологии — это прекрасно, если они доступны по цене для всех". Фермеры также подчеркнули важность доступности, простоты и практической значимости при рассмотрении новых технологий. Для небольших хозяйств воспринимаемая применимость ТТЗ варьируется. Один фермер отметил: "Точное земледелие используется только в саду/высоком тоннеле. Из-за небольшой площади и большого разнообразия выращиваемых овощей мы используем многочисленные анализы почвы на запланированных участках, варьируем начальное количество удобрений в соответствии с результатами анализа почвы, затем проводим фертигацию по площади на основе рекомендаций консультационной службы".

Отсутствие адекватной технологической поддержки дополнительно усугубляет эти проблемы, и фермеры часто обращаются к YouTube и социальным сетям для обучения, поскольку университетские и консультационные workshops иногда не отвечают конкретным технологическим потребностям. Фермеры также выразили обеспокоенность по поводу безопасности данных и сложности онлайн-транзакций. Чтобы улучшить показатели внедрения, они выразили strong желание получить руководство от университетов, местных консультантов и государственно-частных партнерств, specifically в выборе подходящих ТТЗ и получении практического обучения в области программного обеспечения, оборудования и разработки приложений. Эти insights подчеркивают необходимость целевой поддержки и доступных решений, чтобы сделать ТТЗ жизнеспособными для более широкого круга фермерских хозяйств.

Результаты этого исследования предоставляют различные важные идеи для политиков и заинтересованных сторон, чтобы понять движущие факторы внедрения ТТЗ и разработать выполнимые стратегии для увеличения его внедрения среди мелких фермеров в Кентукки и за его пределами. Анализ данных опроса выявил множество социально-экономических факторов, влияющих на внедрение ТТЗ.

Характеристики фермы были идентифицированы как детерминанта природоохранного поведения фермеров [52]. Наши результаты указывают на то, что характеристика фермы (размер фермы) положительно и значимо связана с внедрением фермером ТТЗ. Крупные фермы связаны с более высокой вероятностью внедрения ТТЗ, что аналогично выводам предыдущих исследований [48,53,54,55,56]. Крупные фермы показывают более высокие показатели внедрения ТТЗ, движимые потенциально более высокими выгодами по сравнению с затратами на инвестиции и эффектом масштаба [57]. Однако значительно высокие затраты на внедрение технологии, ограниченная техническая поддержка и ограниченный доступ к финансовой поддержке являются барьерами для внедрения ТТЗ для ферм малого размера [58]. Наши результаты согласуются с исследованием, где фермеры определили высокие инвестиционные затраты и размер фермы как основные барьеры для внедрения ТТЗ [59]. Это подчеркивает необходимость экономических стимулов, чтобы помочь мелким фермам преодолеть эти проблемы. Дополнительно, фермеры с большим опытом ведения сельского хозяйства, особенно те, кто использует передовые инструменты и оборудование, более склонны к внедрению Технологий Точного Земледелия (ТТЗ). Это предполагает, что знакомство с технологиями и современными сельскохозяйственными инструментами значительно повышает вероятность внедрения ТТЗ [60]. Напротив, характеристики фермеров (возраст) имеют значительную отрицательную связь с внедрением ТТЗ. Возраст респондентов в опросе варьировался от 28 лет до старше 85 лет, в среднем составляя 62 года, что выше среднего возраста сельскохозяйственных производителей, сообщенного Сельскохозяйственной переписью Министерства сельского хозяйства США (2023 г.), т.е. 57,5 лет [27]. Это означает, что более молодые фермеры с большей вероятностью внедрят ТТЗ, аналогично выводам [32,61]. Вероятно, это связано с тем, что молодые фермеры больше ориентированы на технологии и имеют более длительные временные рамки для планирования [62]. Пожилые фермеры часто проявляют нежелание внедрять современные технологии из-за их незнакомства с технологиями и скептического отношения к их преимуществам [63]. Однако несколько исследований идентифицируют, что ТТЗ предлагают более высокие экономические и экологические выгоды, которые перевешивают затраты, связанные с внедрением ТТЗ [58,59,64,65,66,67]. Преимущества варьируются от ощутимой экономии на топливе, рабочей силе и затратах до повышения производительности [68] и сокращения выбросов парниковых газов, приводя к экологической устойчивости и экономическим выгодам [59,64]. Дополнительно, уровень образования положительно влияет на внедрение технологий среди фермеров [32,69,70]. Более высокие уровни образования (уровень колледжа или выше) обычно приводят к лучшему пониманию и внедрению технологий точного земледелия. Однако в этом исследовании не было обнаружено статистически значимого влияния образования, дохода и пола на внедрение ТТЗ [33,71]. Это контрастирует с выводами [72], которые обнаружили, что образование является значительным фактором при внедрении ТТЗ на основе Интернета вещей в среднезападном регионе США. С точки зрения гендера, сельское хозяйство в основном является деятельностью, возглавляемой мужчинами, среди мелких фермеров в Кентукки. Однако влияние пола не является значительным во внедрении ТТЗ. Это аналогично выводам [73], которые показали отсутствие значительного влияния пола на уровень и интенсивность внедрения улучшенных сортов кукурузы. Это означает, что пол может не быть значительным фактором, влияющим на внедрение. Однако он остается основным фактором интереса. Исследование, проведенное [74] на большой выборке фермеров Среднего Запада США, подчеркнуло, что восприятие экологического риска фермерами и идентичность фермеров сильно влияют на внедрение ТТЗ по сравнению с социально-демографическими переменными, такими как образование и доход. Идентичность фермера предполагает, как фермеры воспринимают свою роль, например, как защитники природы, граждански настроенные, ориентированные на производство, эксперты и слушатели, которые учатся, посещая другие фермы или учась у коллег [74]. В дополнение к этому, рентабельность и воспринимаемая простота технологии оказались более значимо влияющими на внедрение ТТЗ, чем факторы образования и пола [23]. Более того, незначительный результат переменных, таких как пол, доход и образование, может быть следствием сильного влияния операционных факторов, практического опыта, доступности внешних услуг и простоты доступной технологии, чем социально-демографических факторов на малых фермах, как подчеркивается в исследовании [67]. Небольшой размер выборки может быть другой причиной, по которой исследование не предоставило достаточной дисперсии для оценки значимой взаимосвязи. Внедрение ТТЗ варьируется по всему миру в зависимости от социальных, экономических, географических и технических факторов наряду с политическими вмешательствами. Наше исследование показывает схожие модели внедрения в других регионах, одновременно выявляя уникальные драйверы и барьеры для внедрения. Авторы [23] показали, что рентабельность и простота использования влияют на внедрение ТТЗ в Северном Китае. [75] обнаружили, что экономия на масштабе стимулирует внедрение среди крупных ферм в Венгрии, в то время как для малых ферм существуют модели кооперации, благоприятствующие внедрению ТТЗ. Это может быть путем вперед для мелких фермеров в Кентукки. Другое исследование выявило, что меньшие фермы зависят от общих ресурсов для внедрения технологий в Германии и Дании [52]. Аналогично, субсидии были важным фактором, стимулирующим внедрение ТТЗ среди малых ферм в Венгрии и Германии [76]. Поскольку стоимость идентифицирована как основной барьер в нашем исследовании, кооперативное земледелие, экономические стимулы, такие как субсидии, кредиты с низкими процентами и т.д., могли бы снизить этот барьер для пользы мелких фермеров [77]. Сравнение результатов нашего исследования с международными сценариями подчеркивает необходимость государственно-частных партнерств заинтересованных сторон для всестороннего обучения и ресурсов, учитывающих региональные вариации и потребности мелких фермеров в Кентукки. В практическом сценарии эффективная реализация образования, осведомленности, обучения и предоставления ресурсов требует участия нескольких заинтересованных сторон, в которых государственный сектор, частные компании, университеты и консультанты будут играть важную роль. Государственные органы на федеральном и государственном уровнях должны инициировать национальные стратегии внедрения ТТЗ [78]. Чтобы поддержать эту инициативу, государственные учреждения, частные компании, университеты, группы фермеров и некоммерческие организации должны сотрудничать с правительством. Консультационные службы могли бы сыграть ключевую роль в распространении обучения и ресурсов для внедрения ТТЗ. Профессиональное обучение, обучение по принципу "равный-равному" и консультационные услуги для фермеров считаются очень важными для поощрения мелких фермеров [79]. Практическое обучение использованию технологий, таких как БПЛА, ГИС и другие датчики, вместе с демонстрациями на местах, фермерскими полевыми школами и полевыми днями, может эффективно обучать фермеров [80,81]. Способствуя устойчивому внедрению этих технологий и укрепляя доверие через консультантов, мы можем значительно повысить внедрение технологий точного земледелия (ТТЗ) среди малых ферм в Кентукки. Расширение сельскохозяйственных технологий и усилия по охвату для внедрения точного земледелия должны ориентироваться на молодых фермеров. Университетские семинары бесценны, но Агенты/Специалисты по распространению знаний могут не знать желаемую технологию. Поэтому координация с опытным персоналом или организациями может увеличить поддержку фермерам, а также возможности для обучения фермеров.

Различные факторы влияют на внедрение технологий точного земледелия мелкими фермерами в Кентукки. Внедрение ТТЗ может преобразовать малое фермерство только путем вовлечения молодого поколения с годами опыта и знаний для внедрения передовых методов. Также остается несколько ограничений, включая финансовые, для внедрения ТТЗ в Кентукки, поскольку оборудование, инструменты и связанное с ними аппаратное обеспечение для внедрения ТТЗ слишком дороги, чтобы их можно было позволить на малых фермах, даже если эти технологии полезны в долгосрочной перспективе. Кроме того, такие технологии, как ТТЗ, требуют специального обучения и образования, которые могут быть трудоемкими и оставаться ограничением для внедрения ТТЗ. Фермеры заинтересованы в недорогих, простых, экономичных по времени и труду, ориентированных на ферму технологиях. Дополнительно, мелкие фермеры в Кентукки сталкиваются с инфраструктурными и географическими ограничениями, которые препятствуют внедрению технологий, способствуя экономическим трудностям во многих сельских районах. Поэтому целевое обучение, связанное с точным земледелием, повышение осведомленности о преимуществах ТТЗ и предоставление ресурсов могут оказаться полезными для помощи опытным фермерам в использовании точного земледелия. Политики и федеральные программы должны разрабатывать программы обучения и образования, а также субсидии для увеличения разработки и внедрения методов точного земледелия среди мелких фермеров.

Ограничением этого исследования является небольшой размер выборки и географический охват, что ограничивает более широкую применимость наших выводов. Опрос проводился в период COVID-19, что могло привести к низкому уровню ответов. В опросе могла быть ошибка ответа, поскольку восприятие преимуществ и барьеров ТТЗ сильно субъективно. Мы признаем, что перекрестный характер этого исследования является другим ограничением, которое не фиксирует изменения в адаптационном поведении фермеров. Например, рыночные и политические изменения происходят часто и неожиданно, что может изменить уровень внедрения ТТЗ с течением времени. Будущие исследования должны применять лонгитюдные исследования и охватывать больше географических локаций и малых ферм в Кентукки, чтобы найти лучшие технологии, внедряемые малыми фермами, и факторы, влияющие на внедрение в различных контекстах. Более того, лонгитюдное исследование было бы полезным для захвата тенденций внедрения ТТЗ и анализа затрат и выгод, одновременно capturing понимание экономических изменений на фоне различных политик.

1. FAO. More People, More Food, Worse Water? A Global Review on Water Pollution from Agriculture; Mateo-Sagasta, J., Zadeh, S.M., Turral, H., Eds.; FAO: Colombo, Sri Lanka, 2018; ISBN 9789251307298. [Google Scholar]

2. van Dijk, M.; Morley, T.; Rau, M.L.; Saghai, Y. A Meta-Analysis of Projected Global Food Demand and Population at Risk of Hunger for the Period 2010–2050. Nat. Food 2021, 2, 494–501. [Google Scholar] [CrossRef] [PubMed]

3. Foley, J.A.; DeFries, R.; Asner, G.P.; Barford, C.; Bonan, G.; Carpenter, S.R.; Chapin, F.S.; Coe, M.T.; Daily, G.C.; Gibbs, H.K.; et al. Global Consequences of Land Use. Science 2005, 309, 570–574. [Google Scholar] [CrossRef]

4. Dudley, N.; Alexander, S. Agriculture and Biodiversity: A Review. Biodiversity 2017, 18, 45–49. [Google Scholar] [CrossRef]

5. Ritche, H.; Roser, M. Half of the World’s Habitable Land Is Used for Agriculture. Available online: https://ourworldindata.org/global-land-for-agriculture (accessed on 6 December 2024).

6. Tilman, D.; Balzer, C.; Hill, J.; Befort, B.L. Global Food Demand and the Sustainable Intensification of Agriculture. Proc. Natl. Acad. Sci. USA 2011, 108, 20260–20264. [Google Scholar] [CrossRef] [PubMed]

7. Tilman, D. Global Environmental Impacts of Agricultural Expansion: The Need for Sustainable and Efficient Practices. Proc. Natl. Acad. Sci. USA 1999, 96, 5995–6000. [Google Scholar] [CrossRef]

8. Tilman, D.; Cassman, K.G.; Matson, P.A.; Naylor, R.; Polasky, S. Agricultural Sustainability and Intensive Production Practices. Nature 2002, 418, 671–677. [Google Scholar] [CrossRef] [PubMed]

9. Hazell, P.; Wood, S. Drivers of Change in Global Agriculture. Philos. Trans. R. Soc. B Biol. Sci. 2008, 363, 495–515. [Google Scholar] [CrossRef] [PubMed]

10. Emmerson, M.; Morales, M.B.; Oñate, J.J.; Batáry, P.; Berendse, F.; Liira, J.; Aavik, T.; Guerrero, I.; Bommarco, R.; Eggers, S.; et al. How Agricultural Intensification Affects Biodiversity and Ecosystem Services. Adv. Ecol. Res. 2016, 55, 43–97. [Google Scholar] [CrossRef]

11. Tanentzap, A.J.; Lamb, A.; Walker, S.; Farmer, A. Resolving Conflicts between Agriculture and the Natural Environment. PLoS Biol. 2015, 13, e1002242. [Google Scholar] [CrossRef]

12. Alig, R.J.; Kline, J.D.; Lichtenstein, M. Urbanization on the US Landscape: Looking Ahead in the 21st Century. Landsc. Urban Plan. 2004, 69, 219–234. [Google Scholar] [CrossRef]

13. Tey, Y.S.; Brindal, M. Factors Influencing the Adoption of Precision Agricultural Technologies: A Review for Policy Implications. Precis. Agric. 2012, 13, 713–730. [Google Scholar] [CrossRef]

14. Barrett, C.B. Overcoming Global Food Security Challenges through Science and Solidarity. Am. J. Agric. Econ. 2021, 103, 422–447. [Google Scholar] [CrossRef]

15. Barbosa Júnior, M.R.; Moreira, B.R.D.A.; Carreira, V.D.S.; de Brito Filho, A.L.; Trentin, C.; de Souza, F.L.P.; Tedesco, D.; Setiyono, T.; Flores, J.P.; Ampatzidis, Y.; et al. Precision Agriculture in the United States: A Comprehensive Meta-Review Inspiring Further Research, Innovation, and Adoption. Comput. Electron. Agric. 2024, 221, 108993. [Google Scholar] [CrossRef]

16. Pathak, H.S.; Brown, P.; Best, T. A Systematic Literature Review of the Factors Affecting the Precision Agriculture Adoption Process. Precis. Agric. 2019, 20, 1292–1316. [Google Scholar] [CrossRef]

17. Kumar, R.; Mishra, R.; Gupta, H.P.; Dutta, T. Smart Sensing for Agriculture: Applications, Advancements, and Challenges. IEEE Consum. Electron. Mag. 2021, 10, 51–56. [Google Scholar] [CrossRef]

18. Upadhaya, S.; Arbuckle, J.G.; Schulte, L.A. Individual- and County-Level Factors Associated with Farmers ’ Use of 4R Plus Nutrient Management Practices. J. Soil Water Conserv. 2023, 78, 412–429. [Google Scholar] [CrossRef]

19. Yarashynskaya, A.; Prus, P. Precision Agriculture Implementation Factors and Adoption Potential: The Case Study of Polish Agriculture. Agronomy 2022, 12, 2226. [Google Scholar] [CrossRef]

20. Pierpaoli, E.; Carli, G.; Pignatti, E.; Canavari, M. Drivers of Precision Agriculture Technologies Adoption: A Literature Review. Procedia Technol. 2013, 8, 61–69. [Google Scholar] [CrossRef]

21. Ayerdi Gotor, A.; Marraccini, E.; Leclercq, C.; Scheurer, O. Precision Farming Uses Typology in Arable Crop-Oriented Farms in Northern France. Precis. Agric. 2020, 21, 131–146. [Google Scholar] [CrossRef]

22. Gabriel, A.; Gandorfer, M. Adoption of Digital Technologies in Agriculture—An Inventory in a European Small-Scale Farming Region. Precis. Agric. 2023, 24, 68–91. [Google Scholar] [CrossRef]

23. Kendall, H.; Clark, B.; Li, W.; Jin, S.; Jones, G.D.; Chen, J.; Taylor, J.; Li, Z.; Frewer, L.J. Precision Agriculture Technology Adoption: A Qualitative Study of Small-Scale Commercial “Family Farms” Located in the North China Plain; Springer: New York, NY, USA, 2022; Volume 23, ISBN 0123456789. [Google Scholar]

24. Koutsos, T.M.; Koutsos, T. Benefits from the Adoption of Precision Agriculture Technologies. A Systematic Review. In International Workshop “Information Technology, Sustainable Development, Scientific Network & Nature Protection”; Aristotle University of Thessaloniki: Thessaloniki, Greece, 2017. [Google Scholar]

25. Owusu-Sekyere, E.; Hatab, A.A.; Lagerkvist, C.J.; Pérez-Ruiz, M.; Šarauskis, E.; Kriaučiūnienė, Z.; Almoujahed, M.B.; Apolo-Apolo, O.E.; Mouazen, A.M. Farmers’ Willingness to Adopt Precision Agricultural Technologies to Reduce Mycotoxin Contamination in Grain: Evidence from Grain Farmers in Spain and Lithuania. Precis. Agric. 2024, 25, 2292–2320. [Google Scholar] [CrossRef]

26. Whitt, C.; Lacy, K.; Lim, K. America’s Farms and Ranches at a Glance: 2023 Edition; (Report No. EIB-263); U.S. Department of Agriculture, Economic Research Service: Washington, DC, USA, 2023. [CrossRef]

27. USDA. NASS 2022 Census of Agriculture Kentucky State and County Data; USDA: Washington, DC, USA, 2024; Volume 1.

28. Dhillon, R.; Moncur, Q. Small-Scale Farming: A Review of Challenges and Potential Opportunities Offered by Technological Advancements. Sustainability 2023, 15, 15478. [Google Scholar] [CrossRef]

29. Smidt, H.J.; Jokonya, O. Factors Affecting Digital Technology Adoption by Small-Scale Farmers in Agriculture Value Chains (AVCs) in South Africa. Inf. Technol. Dev. 2022, 28, 558–584. [Google Scholar] [CrossRef]

30. Iles, K.; Ma, Z.; Erwin, A. Identifying the Common Ground: Small-Scale Farmer Identity and Community Revised and Resubmitted to the Journal of Rural Studies. J. Rural Stud. 2020, 78, 25–35. [Google Scholar] [CrossRef]

31. Upadhaya, S.; Arbuckle, J.G. Examining Factors Associated with Farmers’ Climate-Adaptive and Maladaptive Actions in the US Midwest. Front. Clim. 2021, 3, 70. [Google Scholar] [CrossRef]

32. Gyawali, B.R.; Paudel, K.P.; Jean, R.; Banerjee, S. “Ban” Adoption of Computer-Based Technology (CBT) in Agriculture in Kentucky, USA: Opportunities and Barriers. Technol. Soc. 2023, 72, 102202. [Google Scholar] [CrossRef]

33. Mishra, B.; Gyawali, B.R.; Paudel, K.P.; Poudyal, N.C.; Simon, M.F.; Dasgupta, S.; Antonious, G. Adoption of Sustainable Agriculture Practices among Farmers in Kentucky, USA. Environ. Manag. 2018, 62, 1060–1072. [Google Scholar] [CrossRef]

34. Prokopy, L.S.; Floress, K.; Klotthor-Weinkauf, D.; Baumgart-Getz, A. Determinants of Agricultural Best Management Practice Adoption: Evidence from the Literature. J. Soil Water Conserv. 2008, 63, 300–311. [Google Scholar] [CrossRef]

35. Marikyan, D.; Papagiannidis, S. Technology Acceptance Model: A Review; Papagia, S., Ed.; TheoryHub Book: Newcastle upon Tyne, UK, 2024; ISBN 9781591407928. [Google Scholar]

36. Carli, G.; Xhakollari, V.; Tagliaventi, M.R. How to Model the Adoption and Perception of Precision Agriculture Technologies. In Precision Agriculture: Technology and Economic Perspectives. Progress in Precision Agriculture; Springer: Cham, Switzerland, 2017; pp. 223–249. [Google Scholar] [CrossRef]

37. Lai, P. The Literature Review of Technology Adoption Models and Theories for the Novelty Technology. J. Inf. Syst. Technol. Manag. 2017, 14, 21–38. [Google Scholar] [CrossRef]

38. Davis, F.D. A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. Ph.D. Thesis, Massachusetts Institute of Technology, Cambridge, MA, USA, 1986. [Google Scholar]

39. Venkatesh, V.; Bala, H. Technology Acceptance Model 3 and a Research Agenda on Interventions. Decis. Sci. 2008, 39, 273–315. [Google Scholar] [CrossRef]

40. Aljarrah, E.; Elrehail, H.; Aababneh, B. E-Voting in Jordan: Assessing Readiness and Developing a System. Comput. Human Behav. 2016, 63, 860–867. [Google Scholar] [CrossRef]

41. Harris, J.K. Primer on Binary Logistic Regression. Fam. Med. Community Health 2021, 9, e001290. [Google Scholar] [CrossRef] [PubMed]

42. Szumilas, M. Explaining Odds Ratios. J. Can. Acad. Child Adolesc. Psychiatry 2010, 19, 227–229. [Google Scholar] [PubMed]

43. Bell, C.D.; Roberts, R.K.; English, B.C.; Park, W.M. A Logit Analysis of Participation in Tennessee’s Forest Stewardship Program. J. Agric. Appl. Econ. 1994, 26, 463–472. [Google Scholar] [CrossRef]

44. Berkson, J. Application of the Logistic Function to Bio-Assay. J. Am. Stat. Assoc. 1944, 39, 357–365. [Google Scholar]

45. Andrés, A.M.; Hernández, M.Á.; Moreno, F.G. The Yates, Conover, and Mantel Statistics in 2 × 2 Tables Revisited (and Extended). Stat. Neerl. 2024, 78, 334–356. [Google Scholar] [CrossRef]

46. Shantal, M.; Othman, Z.; Bakar, A.A. Impact of Missing Data on Correlation Coefficient Values: Deletion and Imputation Methods for Data Preparation. Malaysian J. Fundam. Appl. Sci. 2023, 19, 1052–1067. [Google Scholar] [CrossRef]

47. Lakhani, O.; Shah, S.; Raiththa, P. Computer vision and machine learning for assessing thyroid nodule composition: Advancing towards ML-Thyroid imaging reporting and data system development. Thyroid Res. Pract. 2023, 20, 42. [Google Scholar] [CrossRef]

48. Paustian, M.; Theuvsen, L. Adoption of Precision Agriculture Technologies by German Crop Farmers. Precis. Agric. 2017, 18, 701–716. [Google Scholar] [CrossRef]

49. McBride, W.D.; Daberkow, S.G. Information and the Adoption of Precision Farming Technologies. J. Agribus. 2016, 22, 18. [Google Scholar]

50. Reichardt, M.; Jurgens, C. Adoption and Perspective of Precision Farming (PF) in Germany: Results of Several Surveys among the Different Agricultural Target Groups. Precis. Agric. 2009, 10, 73–94. [Google Scholar] [CrossRef]

51. Roberts, R.K.; English, B.C.; Larson, J.A.; Cochran, R.L.; Goodman, W.R.; Larkin, S.L.; Marra, M.C.; Martin, S.W.; Shurley, W.D.; Reeves, J.M. Adoption of Site-Specific Information and Variable-Rate Technologies in Cotton Precision Farming. J. Agric. Appl. Econ. 2004, 36, 143–158. [Google Scholar] [CrossRef]

52. Tamirat, T.W.; Pedersen, S.M.; Lind, K.M. Farm and Operator Characteristics Affecting Adoption of Precision Agriculture in Denmark and Germany. Acta Agric. Scand. Sect. B Soil Plant Sci. 2018, 68, 349–357. [Google Scholar] [CrossRef]

53. McFadden, J.; Njuki, E.; Griffin, T. Precision Agriculture in the Digital Era: Recent Adoption on US Farms; EIB-248; U.S. Department of Agriculture, Economic Research Service: Washington, DC, USA, 2023; Volume 46.

54. Mohr, S.; Kühl, R. Acceptance of Artificial Intelligence in German Agriculture: An Application of the Technology Acceptance Model and the Theory of Planned Behavior. Precis. Agric. 2021, 22, 1816–1844. [Google Scholar] [CrossRef]

55. Robertson, M.J.; Llewellyn, R.S.; Mandel, R.; Lawes, R.; Bramley, R.G.V.; Swift, L.; Metz, N.; O’Callaghan, C. Adoption of Variable Rate Fertiliser Application in the Australian Grains Industry: Status, Issues and Prospects. Precis. Agric. 2012, 13, 181–199. [Google Scholar] [CrossRef]

56. Vecchio, Y.; Agnusdei, G.P.; Miglietta, P.P.; Capitanio, F. Adoption of Precision Farming Tools: The Case of Italian Farmers. Int. J. Environ. Res. Public Health 2020, 17, 869. [Google Scholar] [CrossRef] [PubMed]

57. Schimmelpfennig, D. Farm Profits and Adoption of Precision Agriculture; ERR-217; U.S. Department of Agriculture, Economic Research Service: Washington, DC, USA, 2016; Volume 46. Available online: https://www.ers.usda.gov/publications/pub-details?pubid=80325 (accessed on 6 December 2024).

58. Mizik, T. How Can Precision Farming Work on a Small Scale? A Systematic Literature Review. Precis. Agric. 2023, 24, 384–406. [Google Scholar] [CrossRef]

59. Soto, I.; Barnes, A.; Balafoutis, A.; Beck, B.; Sánchez, B.; Vangeyte, J.; Fountas, S.; Van der Wal, T.; Eory, V.; Gómez-Barbero, M. The Contribution of Precision Agriculture Technologies to Farm Productivity and the Mitigation of Greenhouse Gas Emissions in the EU; Publications Office of the European Union: Luxembourg, 2019; ISBN 9789279928345. [Google Scholar]

60. Kolady, D.E.; Van der Sluis, E.; Uddin, M.M.; Deutz, A.P. Determinants of Adoption and Adoption Intensity of Precision Agriculture Technologies: Evidence from South Dakota. Precis. Agric. 2021, 22, 689–710. [Google Scholar] [CrossRef]

61. Blasch, J.; Van Der Kroon, B.; Van Beukering, P.; Munster, R.; Fabiani, S.; Nino, P.; Vanino, S. Farmer Preferences for Adopting Precision Farming Technologies: A Case Study from Italy. Eur. Rev. Agric. Econ. 2022, 49, 33–81. [Google Scholar] [CrossRef]

62. Larson, J.A.; Roberts, R.K.; English, B.C.; Larkin, S.L.; Marra, M.C.; Martin, S.W.; Paxton, K.W.; Reeves, J.M. Factors Affecting Farmer Adoption of Remotely Sensed Imagery for Precision Management in Cotton Production. Precis. Agric. 2008, 9, 195–208. [Google Scholar] [CrossRef]

63. Wang, T.; Jin, H.; Sieverding, H.L. Factors Affecting Farmer Perceived Challenges towards Precision Agriculture. Precis. Agric. 2023, 24, 2456–2478. [Google Scholar] [CrossRef]

64. Balafoutis, A.; Beck, B.; Fountas, S.; Vangeyte, J.; Van Der Wal, T.; Soto, I.; Gómez-Barbero, M.; Barnes, A.; Eory, V. Precision Agriculture Technologies Positively Contributing to Ghg Emissions Mitigation, Farm Productivity and Economics. Sustainability 2017, 9, 1339. [Google Scholar] [CrossRef]

65. Yatribi, T. Factors Affecting Precision Agriculture Adoption: A Systematic Litterature Review. Econ.-Innov. Econ. Res. J. 2020, 8, 103–121. [Google Scholar] [CrossRef]

66. Finger, R.; Swinton, S.M.; El Benni, N.; Walter, A. Precision Farming at the Nexus of Agricultural Production and the Environment. Annu. Rev. Resour. Econ. 2019, 11, 313–335. [Google Scholar] [CrossRef]

67. Loures, L.; Chamizo, A.; Ferreira, P.; Loures, A.; Castanho, R.; Panagopoulos, T. Assessing the Effectiveness of Precision Agriculture Management Systems in Mediterranean Small Farms. Sustainability 2020, 12, 3765. [Google Scholar] [CrossRef]

68. Bora, G.C.; Nowatzki, J.F.; Roberts, D.C. Energy Savings by Adopting Precision Agriculture in Rural USA. Energy Sustain. Soc. 2012, 2, 2. [Google Scholar] [CrossRef]

69. Grusy, R. Precision Farming in Central Kentucky: Evaluating Public and Precision Farming in Central Kentucky: Evaluating Public and Private Sector Influence on the Adoption Decision Private Sector Influence on the Adoption Decision. Soil Sci. News Views 2003, 23, 2. [Google Scholar]

70. Luther, Z.R.; Swinton, S.M.; van Deynze, B. What Drives Voluntary Adoption of Farming Practices That Can Abate Nutrient Pollution? J. Soil Water Conserv. 2020, 75, 640–650. [Google Scholar] [CrossRef]

71. “Ban” Banerjee, S.; Martin, S.W.; Roberts, R.K.; Larkin, S.L.; Larson, J.A.; Paxton, K.W.; English, B.C.; Marra, M.C.; Reeves, J.M. A Binary Logit Estimation of Factors Affecting Adoption of GPS Guidance Systems by Cotton Producers. J. Agric. Appl. Econ. 2008, 40, 345–355. [Google Scholar] [CrossRef]

72. Hundal, G.S.; Laux, C.M.; Buckmaster, D.; Sutton, M.J.; Langemeier, M. Exploring Barriers to the Adoption of Internet of Things-Based Precision Agriculture Practices. Agriculture 2023, 13, 163. [Google Scholar] [CrossRef]

73. Gebre, G.G.; Isoda, H.; Rahut, D.B.; Amekawa, Y.; Nomura, H. Gender Differences in the Adoption of Agricultural Technology: The Case of Improved Maize Varieties in Southern Ethiopia. Womens. Stud. Int. Forum 2019, 76, 102264. [Google Scholar] [CrossRef]

74. Gardezi, M.; Bronson, K. Examining the Social and Biophysical Determinants of U.S. Midwestern Corn Farmers’ Adoption of Precision Agriculture. Precis. Agric. 2020, 21, 549–568. [Google Scholar] [CrossRef]

75. Czibere, I.; Kovách, I.; Loncsák, N. Hungarian Farmers and the Adoption of Precision Farming. Eur. Countrys. 2023, 15, 366–380. [Google Scholar] [CrossRef]

76. Barnes, A.P.; Soto, I.; Eory, V.; Beck, B.; Balafoutis, A.; Sánchez, B.; Vangeyte, J.; Fountas, S.; van der Wal, T.; Gómez-Barbero, M. Exploring the Adoption of Precision Agricultural Technologies: A Cross Regional Study of EU Farmers. Land Use Policy 2019, 80, 163–174. [Google Scholar] [CrossRef]

77. Belayneh, M. Factors Affecting the Adoption and Effectiveness of Soil and Water Conservation Measures among Small-Holder Rural Farmers: The Case of Gumara Watershed. Resour. Conserv. Recycl. Adv. 2023, 18, 200159. [Google Scholar] [CrossRef]

78. Crumpler, B.E. Sustainable Agriculture in Oklahoma: A Study of Oklahoma Cooperative Extension Needs for Precision Agriculture Education and Other Obstacles in the Adoption of Precision Agriculture in Oklahoma; Oklahoma State University: Stillwater, OK, USA, 2004; Volume 1. [Google Scholar]

79. Reichardt, M.; Jürgens, C.; Klöble, U.; Hüter, J.; Moser, K. Dissemination of Precision Farming in Germany: Acceptance, Adoption, Obstacles, Knowledge Transfer and Training Activities. Precis. Agric. 2009, 10, 525–545. [Google Scholar] [CrossRef]

80. Fausti, S.; Erickson, B.; Clay, S.; Schumacher, L.; Clay, D.; Danielle, S. Educator Survey: Do Institutions Provide the Precision Agriculture Education Needed by Agribusiness? J. Agribus. 2018, 36, 41–64. [Google Scholar]

81. Michailidis, A.; Charatsari, C.; Bournaris, T.; Loizou, E.; Paltaki, A.; Lazaridou, D.; Lioutas, E.D. A First View on the Competencies and Training Needs of Farmers Working with and Researchers Working on Precision Agriculture Technologies. Agriculture 2024, 14, 99. [Google Scholar] [CrossRef]

Pandeya S, Gyawali BR, Upadhaya S. Factors Influencing Precision Agriculture Technology Adoption Among Small-Scale Farmers in Kentucky and Their Implications for Policy and Practice. Agriculture. 2025; 15(2):177. https://doi.org/10.3390/agriculture15020177

Перевод статьи «Factors Influencing Precision Agriculture Technology Adoption Among Small-Scale Farmers in Kentucky and Their Implications for Policy and Practice» авторов Pandeya S, Gyawali BR, Upadhaya S., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык