Точные прогнозы — высокие урожаи: как цифровизация меняет сельское хозяйство

Цифровые инновации в сельском хозяйстве стали мощной силой в современном мире, преобразуя аграрный сектор и повышая устойчивость и эффективность методов ведения сельского хозяйства. В данном контексте настоящее исследование изучает влияние цифровых технологий, отражаемых индексом цифровой экономики и общества (DESI), на ключевые показатели эффективности сельского хозяйства, включая объем сельскохозяйственного производства и реальную производительность труда на одного человека.

В работе разрабатывается надежный аналитический метод для количественной оценки этих взаимосвязей с использованием прогностических моделей, таких как экспоненциальное сглаживание, ARIMA и искусственные нейронные сети. Данный метод всесторонне иллюстрирует взаимодействие экономических и технологических компонентов, включая производительность труда, объем сельскохозяйственного производства и ВВП на душу населения. Результаты демонстрируют, что цифровые технологии оказывают значительное влияние на объем сельскохозяйственного производства и производительность труда. Эти выводы иллюстрируют важность цифровой трансформации для модернизации и повышения общей эффективности сельского хозяйства. В заключении исследования подчеркивается необходимость интеграции цифровых технологий в аграрную политику для решения проблем производительности и обеспечения устойчивого роста в этом секторе.

Цифровая революция в сельском хозяйстве представляет собой трансформационный феномен, имеющий далеко идущие последствия для агропрактик. Согласно оценкам, к 2050 году численность мирового населения достигнет почти 10 миллиардов человек [1]. Этот демографический всплеск значительно увеличит спрос на основные ресурсы, особенно продовольствие, требуя большего объема и улучшенного качества. Глобальное производство продовольствия должно увеличиться приблизительно на 60–70%, чтобы удовлетворить потребности растущего населения [2,3].

Удовлетворение этого спроса создает проблемы, включая изменение климата, которое усугубит существующие риски и приведет к появлению новых, что усугубляется сложным взаимодействием экологических и социально-экономических факторов [4]. Изменение климата усиливает уязвимость традиционных сельскохозяйственных систем, напрямую влияя на продуктивность сельскохозяйственных культур, здоровье почв и доступность критически важных ресурсов, таких как вода. Решение этих проблем требует внедрения инновационных решений, таких как передовые цифровые технологии, устойчивые методы ведения сельского хозяйства и международное сотрудничество для управления продовольственными ресурсами [5]. Сельское хозяйство может развиваться, чтобы удовлетворить текущие и будущие глобальные потребности, только благодаря комплексному подходу, основанному на сотрудничестве и инновациях.

Расширение сельскохозяйственного производства на устойчивой основе главным образом зависит от достижений в области технологий и инновационных исследований [6]. Цифровые технологии предлагают перспективную стратегию для усиления роста сельского хозяйства за счет увеличения масштаба, эффективности и действенности процессов сельскохозяйственного производства. Точное земледелие, например, использует такие технологии, как искусственный интеллект (AI), передовые датчики и управленческие системы на основе данных, для оптимизации таких ресурсов, как вода, удобрения и пестициды, в соответствии с конкретными потребностями сельскохозяйственных культур [7].

Более того, дроны и технологии дистанционного зондирования предоставляют детальную информацию о состоянии сельскохозяйственных культур и факторах окружающей среды, обеспечивая быстрое и обоснованное принятие решений. Этот подход улучшает урожайность сельскохозяйственных культур, а также решает проблемы эрозии почв и утраты биоразнообразия. Таким образом, цифровое сельское хозяйство становится необходимым для модернизации сектора и обеспечения устойчивого будущего, которое ответственно и эффективно решает демографические и климатические проблемы.

Данное исследование направлено на разработку надежной аналитической основы для оценки взаимосвязи между цифровизацией и эффективностью сельского хозяйства, одновременно предлагая перспективы интеграции цифровых технологий в стратегии сельскохозяйственного развития. Исследование углубляет понимание взаимодействий между экономическими и технологическими переменными, включая DESI, производительность труда, объем сельскохозяйственного производства и ВВП на душу населения, используя прогностические модели, такие как искусственные нейронные сети, ARIMA и экспоненциальное сглаживание. Этот анализ предоставляет прочную основу для демонстрации значительного влияния цифровизации на сельское хозяйство и подчеркивает необходимость быстрой адаптации к новым технологическим реалиям.

Хотя влияние цифровых технологий на другие сектора экономики хорошо задокументировано, сельское хозяйство все еще нуждается в изучении. Ключевые проблемы включают необходимость в стандартизированных методологиях для количественной оценки эффектов этих технологий и сложность их адаптации к уникальным характеристикам сельскохозяйственного сектора, таким как высокая вариабельность и зависимость от природных факторов. Кроме того, немногие исследования прогностически анализируют влияние цифровизации на сельскохозяйственное производство и продуктивность для обеспечения устойчивости продовольственной системы. Оригинальность данного исследования заключается в интеграции передовых прогностических моделей для изучения влияния DESI на объем сельскохозяйственного производства и производительность. Результаты подчеркивают важность цифровой трансформации для модернизации сельского хозяйства, внося дальнейший значительный вклад в литературу.

Статья состоит из шести разделов: введение, обзор литературы и формулировка гипотез, материалы и методы, результаты, обсуждения и выводы. Вместе эти разделы предоставляют всестороннюю перспективу влияния цифровых технологий на сельское хозяйство.

2.1. Влияние цифровизации на общий объем производства и продуктивность сельского хозяйства

Многочисленные стратегии формируют сельское хозяйство в Европейском Союзе. Европейское зеленое соглашение представляет собой набор политических инициатив, направленных на то, чтобы сделать Европу первым климатически нейтральным континентом к 2050 году, опираясь на стратегию устойчивого роста, интегрирующую все экономические сектора [8]. Стратегия «От фермы до вилки» произвела революцию в агропродовольственных системах и ускорила переход к чистой, циркулярной экономике [9]. Эти программы подчеркивают, насколько важно для граждан, бизнеса и правительств работать вместе, чтобы гарантировать плавный переход.

Цифровое сельское хозяйство включает достижения и цифровые технологии в продовольственные системы, производственно-сбытовые цепочки и сельскохозяйственное производство [10]. Оно включает в себя такие идеи, как точное земледелие [11] и умное фермерство [12], которые используют данные и передовые технологии для максимизации сельскохозяйственных операций [13].

Цифровое сельское хозяйство, официально представленное в 1997 году, использует информационные и ГИС-технологии для повышения продуктивности сельского хозяйства, доходов фермеров и конкурентоспособности продукции [14]. С добавлением технологий обнаружения, таких как дистанционные датчики и датчики приближения, оно развилось в точное земледелие [15,16,17] и становится все более совместимым с цифровым управлением и мобильной связью. Управление сельскохозяйственными данными, точное распределение ресурсов и контроль производственных инструментов являются основными областями исследований в развитых странах [10]. Датчики и другие устройства Интернета вещей (IoT) помогают фермерам, улучшая управление производством через взаимосвязанные сети. Фермеры могли бы устанавливать графики посевных работ с помощью технологических устройств [18]. Несмотря на отсутствие единого мнения о цифровизированном сельском хозяйстве, исследования концентрируются на оценке информатизации сельского хозяйства и создании цифровых инфраструктур [14,19,20,21,22,23,24,25]. Эти инновационные методы повышают конкурентоспособность ферм за счет увеличения сельскохозяйственного производства устойчивым и ресурсоэффективным способом [26], позволяя фермерам получать более высокую прибыль при одновременном снижении воздействия на окружающую среду, что согласуется с глобальными целями устойчивого развития и защиты окружающей среды [23,24,27].

Внедрение точного земледелия предполагает более детальный и персонализированный подход по сравнению с традиционными методами ведения сельского хозяйства. Оно позволяет фермерам вносить нужное количество удобрений, воды или пестицидов, необходимое для каждого участка земли, на основе конкретных почвенных условий и состояния культур [28]. Этот подход повышает производительность и защищает окружающую среду, снижая риски загрязнения и истощения ресурсов. Кроме того, используя эти технологии, фермеры могут достичь более высоких урожаев в дальнейшем превосходного качества и более точно прогнозировать рыночный спрос, создавая условия для длительного устойчивого и конкурентоспособного сельского хозяйства [29].

Точное земледелие делает акцент на использовании передовых технологий для интеграции соответствующих данных в процессы принятия решений, ставя целью оптимизацию производства и решение сложных задач глобального аграрного сектора [30]. Его влияние выходит за рамки производства сельскохозяйственных культур, распространяясь на такие области, как управление водными ресурсами в виноградарстве [31,32], садоводстве [33,34], животноводстве [35,36] и управлении пастбищами [37,38]. Эти приложения подчеркивают его универсальность и актуальность в различных современных сельскохозяйственных областях [13,39]. Будучи больше, чем просто набором технологий, точное земледелие представляет собой интегрированную систему, которая преобразует практики управления ресурсами, развивая более устойчивое, конкурентоспособное сельское хозяйство, адаптируемое к текущим социально-экономическим и экологическим требованиям.

Цифровое сельское хозяйство полагается на датчики, умную технику, дроны и спутники для сбора и анализа огромных массивов данных. Они включают информацию о местоположении, погодных условиях, поведении сельскохозяйственных культур или животных, здоровье растений, потреблении ресурсов, использовании энергии, рыночных ценах и экономических показателях [10]. Цель состоит в том, чтобы повысить эффективность, снизить затраты и минимизировать воздействие на окружающую среду. Внедряя эти технологические решения, сельское хозяйство развивается в более устойчивую практику, решая такие проблемы, как изменение климата, рост мирового населения и потребности в продовольственной безопасности. Одновременно это облегчает большую прослеживаемость и прозрачность продукции по всей цепочке поставок, укрепляя доверие потребителей [11,12,13].

Данные, собранные с помощью цифровых технологий, оптимизируют системы сельскохозяйственного производства, решают общественные проблемы и обеспечивают лучший мониторинг спорных вопросов в агропромышленных цепочках и секторах [40]. Инновационные концепции, такие как точное земледелие (precision agriculture и precision farming), появившиеся в 1990-х годах [41], используют различные датчики, дроны и устройства мониторинга для сбора детальных данных о сельскохозяйственных культурах [42]. Эти технологии улучшают урожайность и устойчивость сельского хозяйства, одновременно сокращая отходы таких ресурсов, как вода и химические удобрения. Точное земледелие также позволяет проводить индивидуальные вмешательства, адаптируя практики к конкретным потребностям отдельных участков, повышая эффективность и минимизируя воздействие на окружающую среду [13,43].

Интеграция передовых цифровых технологий на каждом этапе сельскохозяйственных процессов, от планирования и посева до сбора урожая и распределения, знаменует начало цифровой сельскохозяйственной революции, или Сельского хозяйства 4.0 [44]. Сельское хозяйство 4.0 изменяет традиционные практики, предоставляя интегрированные решения глобальных проблем, таких как растущий спрос на продовольствие, изменение климата и ограниченность природных ресурсов. Этот подход опирается на широко распространенные технологии, такие как IoT, AI, большие данные и робототехнику, обеспечивая точное и эффективное управление сельскохозяйственными ресурсами [45,46,47,48].

Благодаря обмену данными и технологическим решениям фермеры по всему миру могут получить доступ к инновациям, которые улучшают производство, уменьшают воздействие на окружающую среду и способствуют устойчивому развитию. Следовательно, Сельское хозяйство 4.0 меняет способ производства продуктов питания и по-новому интерпретирует взаимодействие между технологией, окружающей средой и обществом [49,50]. Модель высоко гибкого производства, основанная на цифровизации и кастомизации, является целью так называемой «Индустрии 4.0» [46,47,50,51,52], которая параллельна этой четвертой сельскохозяйственной революции и позволяет осуществлять взаимодействие в реальном времени между людьми, продуктами и устройствами в производственных процессах [53]. Благодаря передовым технологиям, таким как IoT, дроны, робототехника и искусственный интеллект, внедрение парадигм Индустрии 4.0 значительно меняет сельское хозяйство [54,55,56].

Наряду с Индустрией 4.0 развивается Сельское хозяйство 4.0, осваивая новые цифровые технологии [5,46,47,48,49,50,51,52]. Устойчивость, инновации и устойчивость поощряются, когда аналогичные концепции и технологии применяются к сельскохозяйственным системам. Параллели между этими двумя революциями подчеркивают важность технологических инноваций и конвергенции в преобразовании аграрного и промышленного секторов. Как Индустрия 4.0, так и Сельское хозяйство 4.0 обладают потенциалом трансформировать способы использования ресурсов, повышая устойчивость и жизнеспособность в быстро меняющемся мире [53].

Хотя AI имеет огромный потенциал во многих областях, включая сельское хозяйство, его использование для снижения рисков потери урожая все еще находится в зачаточном состоянии. AI способствует этому, отслеживая и анализируя данные из различных источников (датчики, дроны, спутниковые снимки), предоставляя фермерам точную информацию о состоянии сельскохозяйственных культур и прогнозируя потенциальные риски, такие как нашествия вредителей или экстремальные погодные явления [29,57].

Внедрение цифровых инструментов в сельском хозяйстве широко изучалось через призму модели принятия технологий (TAM) и теории диффузии инноваций, которые подчеркивают роль воспринимаемой полезности и простоты использования в стимулировании внедрения технологий. Недавние исследования применили эти модели к точному земледелию, демонстрируя, как отношение фермеров и внешние факторы, такие как доступ к ресурсам, формируют принятие инновационных решений [58,59,60]. Теория инновационных сетей подчеркивает коллаборативную динамику между фермерами, поставщиками технологий и исследователями, которая играет ключевую роль в содействии обмену знаниями и совместному использованию ресурсов, облегчая эффективное внедрение передовых технологий в сельском хозяйстве [61,62].

Более того, социотехническая перспектива предоставляет интегрированный взгляд, рассматривая взаимодействие между техническими инновациями и социальными аспектами, такими как образование фермеров, развитие инфраструктуры и поддерживающая политика. Теория социотехнических систем предполагает, что успешное внедрение цифровых решений зависит от решения этих взаимосвязанных факторов, что подтверждается недавними выводами о барьерах и факторах, способствующих цифровой трансформации в сельском хозяйстве [63,64,65].

Это исследование основано на ресурсном подходе (RBV), который предоставляет надежную теоретическую основу для понимания того, как стратегические ресурсы, такие как цифровые технологии, способствуют повышению показателей сельского хозяйства. Эмпирические данные подчеркивают, как эти технологии способствуют повышению производительности и снижению затрат, определяя их как незаменимые инструменты для современных аграрных систем [66,67]. Рассматривая цифровые технологии как ценные, редкие, труднокопируемые и незаменимые ресурсы, RBV подчеркивает их роль в повышении производительности, эффективности и устойчивости сельского хозяйства. Эта перспектива позволяет анализу подчеркнуть, как интеграция цифровых решений может создать конкурентное преимущество для ферм, способствуя устойчивости и адаптивности перед лицом экономических и экологических проблем.

Первая гипотеза предполагает, что показатели цифровизации значительно влияют на общий объем производства и продуктивность сельского хозяйства, подчеркивая важность внедрения цифровых технологий в аграрном секторе для обеспечения устойчивости продовольственной системы.

Гипотеза H1.

В дальнейшем эволюция уровня цифровизации, измеряемая с помощью DESI, значительно влияет на объем сельскохозяйственного производства и производительность.

2.2. Влияние цифровизации на будущие тенденции в эволюции объема сельскохозяйственного производства и производительности

Цифровое сельское хозяйство включает передовые технологии для оптимизации использования ресурсов, повышения эффективности и снижения затрат в фермерстве, одновременно улучшая управление по всему аграрному сектору [10,68,69,70]. Интегрируя новые инструменты, такие как IoT, аналитика больших данных и AI, цифровое сельское хозяйство способствует созданию более устойчивой агропромышленной системы. Эти технологии обеспечивают мониторинг в реальном времени и точную адаптацию сельскохозяйственных процессов, поддерживая как производительность, так и трансформацию сельских районов. Фермеры получают новые возможности благодаря инновационным решениям для достижения более высокой прибыли и вклада в местную экономику [58].

Инвестиции в технологические исследования способствуют разработке устойчивых решений в аграрном секторе, которые все более необходимы для решения глобальных проблем, таких как рост населения, изменение климата и ограниченность природных ресурсов [5]. Сельское хозяйство 4.0 вводит инновационную парадигму, которая интегрирует передовые технологии во все аспекты сельскохозяйственного производства. Передовые датчики позволяют проводить мониторинг состояния почвы и растений в реальном времени, облегчая принятие обоснованных решений для сокращения отходов и оптимизации использования ресурсов [71]. Одновременно AI и большие данные позволяют проводить прогностический анализ таких рисков, как засуха или болезни сельскохозяйственных культур, предлагая упреждающие решения для минимизации потерь [48].

Робототехника продвигает автоматизацию в сельскохозяйственных процессах, таких как уборка урожая, снижая зависимость от ручного труда и повышая операционную эффективность. Технологии облачных вычислений обеспечивают бесперебойное хранение и доступ к сложным данным, способствуя глобальному сотрудничеству в исследованиях и быстрому внедрению инноваций [44]. Эти технологические достижения стимулируют рост производительности и смягчают воздействие на окружающую среду, способствуя устойчивым методам ведения сельского хозяйства.

Повышение производительности, наряду с экологическими мотивами и мотивами устойчивого развития, остается важным драйвером внедрения цифрового сельского хозяйства [72]. Повышая производительность, сельское хозяйство может удовлетворить потребности растущего населения, не превышая естественных пределов экосистем. Исследователи используют различные эконометрические и статистические методы для измерения производительности в сельском хозяйстве, анализируя различные временные и пространственные контексты [14,73,74,75,76]. Эти подходы предоставляют детальное понимание сдвигов в технологической эффективности и сельскохозяйственном прогрессе, формируя надежную основу для сравнения показателей в различных регионах и экономических контекстах. Кроме того, эти методы направляют политиков в разработке эффективной государственной политики для поддержки перехода к более устойчивому и экологически ответственному сельскому хозяйству.

Технологический прогресс является центральным в улучшении производительности в сельском хозяйстве [77]. Экологические нормы значительно влияют на сельскохозяйственные практики, формируя способы управления природными ресурсами, при этом соответствующие правовые框架 поощряют внедрение более «зеленых» технологий [78]. Кроме того, человеческий капитал и урбанизация играют важную роль в ускорении модернизации сельского хозяйства, поскольку молодые работники мигрируют в городские центры, а исследовательские и образовательные центры возникают, чтобы предоставить фермерам инновационные решения [79,80]. Внутренняя реструктуризация аграрного сектора, включая административную модернизацию и адаптацию к новым экономическим и экологическим условиям, является фундаментальной для повышения эффективности процессов и конкурентоспособности [81].

Техническая эффективность и оптимальное распределение ресурсов имеют решающее значение для достижения желаемых урожаев в условиях ограниченности сельскохозяйственных ресурсов [82,83]. Финансовая поддержка, особенно в отношении размера ферм и доступа к кредитам, играет важную роль в обеспечении сбалансированного развития сектора [84,85]. Новые цифровые технологии, включая AI, машинное обучение [86] и устройства IoT [87,88,89,90,91], улучшают точность и устойчивость сельского хозяйства, одновременно снижая воздействие на окружающую среду и увеличивая объем производства. Лучшая интеграция данных в сельскохозяйственных операциях становится возможной благодаря этим технологиям, которые поддерживают принятие решений на основе данных и поощряют современную стратегию, удовлетворяющую экологические и экономические цели XXI века.

Огромный сбор сельскохозяйственных данных вызывает серьезные опасения относительно конфиденциальности данных. Эти данные должны быть защищены от утечек и несанкционированного доступа [13,92,93]. Важно создать надежные законодательные框架 для решения проблем безопасности и конфиденциальности данных. Защита данных для укрепления доверия между фермерами и потребителями в отношении цифровых технологий в сельском хозяйстве подразумевает предотвращение незаконного доступа и поддержание прозрачности. Нормативные акты должны быстро меняться, чтобы решать новые проблемы, связанные с хранением, обработкой и обменом конфиденциальными данными по мере распространения цифровых технологий. Промышленность должна внедрять безопасные технологии и инвестировать в современные решения безопасности, чтобы полностью реализовать потенциал цифрового сельского хозяйства и проложить путь к более устойчивому и эффективному сельскохозяйственному будущему [94].

Вторая гипотеза утверждает, что показатели цифровизации могут влиять на закономерности в тенденциях объема сельскохозяйственного производства и производительности, подчеркивая необходимость интеграции цифровых технологий в аграрном секторе.

Гипотеза H2.

Эволюция уровня цифровизации, измеряемая с помощью DESI, значительно положительно влияет на будущие тенденции в общем объеме сельскохозяйственного производства и производительности.

В следующем разделе описывается дизайн исследования и методологии, используемые для изучения влияния цифровых технологий на продуктивность сельского хозяйства на основе идей, полученных из литературы.

3.1. Дизайн исследования

Дизайн исследования начался с постановки его целей. Основная цель состояла в том, чтобы изучить, как цифровые технологии, количественно оцениваемые с помощью индекса цифровой экономики и общества (DESI), влияют на ключевые показатели эффективности сельского хозяйства, такие как реальная производительность труда на одного человека и объем сельскохозяйственного производства. Анализ исследует динамические временные взаимосвязи между цифровизацией и метриками эффективности сельского хозяйства. Этот методологический выбор позволяет исследованию улавливать тенденции и немедленные эффекты во времени, предоставляя действенные идеи, актуальные для конкретного контекста цифровых трансформаций в сельском хозяйстве.

После определения целей следующим шагом стал всесторонний обзор специальной литературы. Этот обзор был направлен на то, чтобы поместить исследование в более широкий контекст цифровых трансформаций, формирующих современное сельское хозяйство. Предыдущие исследования были проанализированы для выявления пробелов в знаниях и построения прочной теоретической основы.

На основе литературы и поставленных целей были сформулированы исследовательские гипотезы для изучения прямого влияния DESI на производительность труда и объем сельскохозяйственного производства. В исследовании использовались надежные прогностические модели, включая искусственные нейронные сети, ARIMA и экспоненциальное сглаживание, что позволило проводить временной анализ и оценивать будущие тенденции. Выбор модели ARIMA обоснован ее пригодностью для анализа прямых временных взаимосвязей и улавливания динамических взаимодействий между показателями цифровизации и метриками эффективности сельского хозяйства. Строгий процесс валидации, связанный с моделью ARIMA (включая применение критериев Акаике и Байеса), обеспечивает надежность ее прогнозов и практическую значимость. Этот уровень точности поддерживает ее интеграцию в процессы сельскохозяйственного планирования, обеспечивая принятие обоснованных решений на основе понимания тенденций цифровизации.

Кроме того, модель ARIMA легко адаптируется к конкретным характеристикам данных, избегая ненужных аналитических сложностей, часто связанных с моделями латентных факторов. Модель ARIMA сохраняет продуманный баланс между детализацией и интерпретируемостью, используя DESI, составной индекс, который обобщает сложные данные о цифровизации. Надежность модели в контекстах с относительно короткими временными рядами повышает ее применимость в быстро развивающихся областях, таких как цифровизация, где обширные исторические панельные данные недоступны.

Результаты были представлены ясно и последовательно, с использованием графических визуализаций и статистических интерпретаций для подчеркивания выявленных взаимосвязей. В обсуждении и выводах была проведена обширная интерпретация результатов с их контекстуализацией в рамках практик и стратегий развития сельского хозяйства.

3.2. Выбранные переменные

В исследовании анализировалась взаимосвязь между цифровой экономикой и показателями аграрного сектора путем интеграции основных переменных, что дает представление об экономической и социальной динамике. Выбранным показателем цифровой экономики был DESI — взвешенный балл от 0 до 100, предоставляемый Европейской комиссией. DESI обобщает уровень цифровизации европейских экономик, анализируя такие области, как связь, человеческий капитал, цифровые государственные услуги и интеграция цифровых технологий [95]. Этот индекс хорошо известен своей способностью отражать прогресс цифровизации и ее влияние на экономические сектора.

Исследование включало переменную объема сельскохозяйственного производства (AGROUT), которая представляет стоимость сельскохозяйственной продукции в основных ценах [96]. Данные, предоставленные Евростатом по этому показателю, позволили провести детальный анализ вклада сельского хозяйства в общую экономику, подчеркивая динамику производства и адаптируемость сектора к экономическим и технологическим изменениям.

В исследовании использовалась переменная реального ВВП на душу населения (RGDPpc), выраженная в евро на душу населения и скорректированная по цепным объемам с базовым 2010 годом [97]. Также полученный из Евростата, этот показатель оценивает уровень жизни и общие экономические показатели, служа центральным элементом в понимании влияния цифровизации на различные экономические сектора, включая сельское хозяйство.

Наконец, анализ включал реальную производительность труда на одного человека (RLPpp), измеряемую как индекс с базой 2015 года, равной 100 [98]. Этот показатель отражает реальную производительность труда на одного занятого, предоставляя ценную информацию об эффективности использования ресурсов в различных секторах, включая сельское хозяйство. Данные о производительности предоставляют доказательства влияния цифровизации на эффективность труда, что является жизненно важным аспектом экономики, движимой инновациями и устойчивостью.

Таблица 1 представляет переменные, используемые в эмпирическом исследовании.

Таблица 1. Переменные исследования.

Исследование направлено на то, чтобы подчеркнуть сложные связи между цифровой трансформацией и экономической эффективностью в аграрном секторе. Интеграция цифровых технологий в сельское хозяйство может значительно повлиять на производительность и длительную устойчивость.

3.3. Методы исследования

Анализ искусственных нейронных сетей (ANNs) представляет собой инновационный подход для анализа сложных взаимосвязей между переменными, успешно применяемый в различных экономических и социальных областях. В этом исследовании ANNs использовались для оценки влияния цифровизации, измеряемой с помощью DESI, и экономического роста, представленного реальным ВВП на душу населения (RGDPpc), на объем сельскохозяйственного производства (AGROUT) и реальную производительность труда на одного человека (RLPpp). Этот метод эффективно интерпретирует тонкие и нелинейные взаимозависимости, которые традиционные подходы могут упустить [99].

Используя ANNs, исследование предоставляет новый взгляд на влияние цифровизации и экономического роста, создавая основу для принятия обоснованных решений в государственной политике и стратегиях экономического и социального развития. Этот подход предоставляет прогнозы и улучшает понимание динамики переменных, прокладывая путь к более эффективному сельскому хозяйству и более высокой производительности труда.

Модель многослойного персептрона (MLP) была выбрана для определения этих влияний (1):

w, x — векторы весов и входных данных;

b — смещение;

i — случаи;

φ — функции активации.

В качестве функций активации мы использовали функцию гиперболического тангенса (2):

n — входные переменные;

f(n) — выходные переменные.

Модель авторегрессии интегрированного скользящего среднего (ARIMA) является одним из самых надежных и широко применяемых методов для анализа временных рядов. Ее эффективность заключается в улавливании сложных взаимосвязей между переменными во времени и предоставлении точных краткосрочных и среднесрочных прогнозов. Первоначально разработанная Боксом и Дженкинсом [100], модель интегрирует три фундаментальных компонента, что обеспечивает гибкость и применимость в различных областях.

Внедрение модели ARIMA следует четко определенному процессу, который включает идентификацию параметров, их оценку и валидацию [101]. Анализ графиков автокорреляции и частной автокорреляции на этапе идентификации помогает определить оптимальные значения параметров. Последующая оценка параметров включает специализированные алгоритмы, в то время как валидация модели использует статистические критерии, такие как информационный критерий Акаике (AIC) и тесты на автокорреляцию остатков [102]. Этот строгий процесс обеспечивает разработку надежных моделей, способных давать достоверные прогнозы [103]. Общая формула модели ARIMA (3) отражает этот всесторонний подход.

X_t — ряд данных

L — оператор запаздывания

φ_i — параметры авторегрессионной части модели

θ_i — параметры скользящего среднего

ε_t — ошибка

Параллельно с моделью ARIMA методы экспоненциального сглаживания предлагают еще один ценный подход к прогнозированию временных рядов. Разработанная Брауном [104], модель экспоненциального сглаживания основана на простой, но мощной методологии, которая присваивает больший вес недавним значениям, эффективно улавливая текущие тенденции и сезонность. Она особенно полезна для длительных временных рядов, характеризующихся циклическими вариациями, сезонностью или резкими изменениями.

Успешное применение этого метода требует точной параметризации. Коэффициенты α (уровень), β (тренд) и F_(t+m) (прогноз на следующий шаг) итеративно калибруются для минимизации ошибок прогноза (4)–(6).

y_t — наблюдаемое значение в момент времени t;

S_t — сглаженное значение для уровня в момент времени t;

b_t — оцененный тренд в момент времени t;

α — параметр сглаживания для уровня;

β — параметр сглаживания для тренда;

F_(t+m) — прогнозируемое значение на m шагов вперед от момента t.

Настраивая эти параметры, метод адаптируется к изменениям во временном ряду, предоставляя точные и релевантные прогнозы.

Модели ARIMA и экспоненциального сглаживания Брауна являются надежными инструментами для анализа временных рядов, каждый из которых имеет свои сильные стороны, адаптированные к конкретным контекстам. В то время как модель ARIMA особенно эффективна, когда улавливание недавних тенденций в данных является решающим, модели экспоненциального сглаживания лучше подходят для длительных взаимосвязей. Оба метода находят применение в различных областях, поддерживая принятие обоснованных решений на основе тщательных прогнозов.

В следующем разделе представлены результаты, полученные в ходе применения моделей и проверки гипотез, что обеспечивает более глубокое понимание влияния цифровизации на эффективность сельского хозяйства.

Изучение гипотезы H1 включало использование анализа искусственных нейронных сетей для установления взаимосвязей между переменными модели. Входной слой состоит из независимых переменных, которые подаются в модель: DESI (индекс цифровой экономики и общества) и RGDPpc (реальный валовой внутренний продукт на душу населения). Эти переменные соединяются с блоками скрытого слоя через веса, которые корректируются во время обучения. Входной слой также включает член смещения, позволяя сети улавливать более сложные взаимосвязи.

Скрытый слой содержит два блока (нейрона): H(1:1) и H(1:2). Эти блоки отвечают за улавливание нелинейных взаимосвязей между входами и выходами. H(1:1) может представлять прямые эффекты цифровизации на производительность труда и объем сельскохозяйственного производства, в то время как H(1:2) может отражать косвенные влияния, такие как улучшение сельскохозяйственной инфраструктуры. Выходной слой содержит две зависимые переменные: RLPpp (реальная производительность труда на одного человека) и AGROUT (объем сельскохозяйственного производства). Сводка модели показывает, что фазы обучения и тестирования MLP демонстрируют надежную производительность (Таблица 2).

Таблица 2. Сводка модели.

Рисунок 1 иллюстрирует взаимосвязи внутри модели MLP, в то время как Таблица 3 представляет оцененные параметры модели.

Рисунок 1. Модель MLP. Источник: разработано автором с использованием SPSS v.27 (IBM Corporation, Armonk, NY, USA).

Таблица 3. Оценки параметров.

Входные термины с весами влияют на блок H(1:1): для DESI вес составляет 1.353, для RGDPpc — 0.323, а вклад смещения равен −0.175. Аналогично, H(1:2) получает входные сигналы с весами 2.136 для DESI и 0.856 для RGDPpc, со смещением 0.671. На RLPpp влияют скрытые блоки с весами 1.100 для H(1:1) и 1.715 для H(1:2), а также смещение 0.723. Эти значения указывают на то, что оба скрытых блока играют значительную роль в определении производительности труда. На AGROUT аналогично влияют H(1:1) и H(1:2) с весами 0.784 и 1.730 соответственно и смещением −0.506. Эти значения подчеркивают значительный вклад скрытого слоя в оценку объема сельскохозяйственного производства.

Структура модели раскрывает, как сложные взаимосвязи между цифровизацией, экономическим ростом, производительностью труда и объемом сельскохозяйственного производства улавливаются и обрабатываются в слоях нейронной сети. Результаты подчеркивают положительную взаимосвязь между DESI и выходными переменными AGROUT и RLPpp, что предполагает, что цифровизация стимулирует производительность и объем сельскохозяйственного производства. Фермеры могут более эффективно контролировать посевы, оптимизировать использование ресурсов и сокращать потери, внедряя AI, IoT, сельскохозяйственные дроны и программное обеспечение для управления посевами. Кроме того, экономический рост, измеряемый через RGDPpc, облегчает доступ к этим технологиям, создавая благоприятную среду для устойчивого развития сельского хозяйства.

Гипотеза H1 утверждает, что эволюция цифровизации, измеряемая с помощью DESI, оказывает значительное положительное влияние на будущую траекторию объема сельскохозяйственного производства. Подтверждение этой гипотезы имеет важные последствия как для исследований, так и для государственной политики. С одной стороны, это подчеркивает, насколько важна цифровизация для содействия устойчивому сельскому хозяйству и экономическому процветанию, создавая основу для дальнейших исследований точных механизмов ее работы. С другой стороны, чтобы оптимизировать преимущества цифровизации для сельского хозяйства, это подчеркивает необходимость финансирования сельской цифровой инфраструктуры и повышения цифровой грамотности фермеров.

Исследование гипотезы H2 потребовало применения прогностических моделей (Brown и ARIMA) для прогнозирования тенденций исследуемых переменных на будущие периоды. Первым шагом была идентификация трендов переменных на основе прошлого развития событий.

Прогностические модели с использованием метода экспоненциального сглаживания Брауна выявили устойчивую восходящую тенденцию для RGDPpc и RLPpp. В этом анализе использовались исторические данные с 2001 по 2022 год и были предоставлены прогнозы на 2023–2028 годы, подчеркивающие стабильность экономического роста и устойчивое повышение производительности.

Для RLPpp коэффициент сглаживания Alpha (0.461) был статистически значимым (p < 0.001), демонстрируя, что модель сбалансировала влияние недавних и более старых точек данных. Аналогично, коэффициент Alpha для RGDPpc (0.427) также был статистически значимым (p < 0.001), отражая одинаково распределенное влияние исторических и недавних тенденций на прогнозируемую траекторию. Статистика соответствия подчеркивает надежность и достоверность модели Брауна в улавливании тенденций и предоставлении точных прогнозов для анализируемых переменных (Таблица 4).

Таблица 4. Параметры моделей Брауна для RGDPpc и RLPpp в зависимости от предыдущей годовой эволюции.

Значения стационарного R-квадрат и R-квадрат в среднем 0.930 указывают на высокую объясняющую способность и сильную способность модели улавливать вариацию в данных. Значения RMSE (среднеквадратическая ошибка) и MAE (средняя абсолютная ошибка) подчеркивают точность прогнозов модели с относительно низкими средними показателями ошибки. Значение MAPE (средняя абсолютная процентная ошибка) 2.013% подтверждает точность модели в прогнозировании результатов, отражая минимальное отклонение от фактических значений. Хотя значения MaxAPE и MaxAE показывают некоторые более высокие экстремумы, они, вероятно, являются выбросами и не умаляют общей надежности модели. Нормализованное значение BIC предполагает, что модель хорошо балансирует между качеством подгонки и сложностью.

Прогнозы RLPpp указывают на неуклонный рост со 116.96 в 2023 году до 125.10 в 2028 году, сигнализируя о постоянных улучшениях производительности труда. Технологические достижения, повышение эффективности человеческих ресурсов и модернизированные экономические практики, вероятно, будут стимулировать эти улучшения. Эта восходящая динамика предполагает благоприятные условия для длительного экономического роста.

Прогнозы для RGDPpc демонстрируют последовательный рост с 29452 евро на душу населения в 2023 году до 31605 евро на душу населения в 2028 году. Эти значения отражают устойчивое экономическое расширение, предполагая надежную макроэкономическую среду с сильной адаптируемостью к меняющимся факторам. Рост RGDPpc подчеркивает макроэкономический контекст, в котором инвестиции и государственная политика поддерживают неуклонное развитие.

Рисунок 2 и Таблица A1 в Приложении A представляют детальные прогнозы для RGDPpc и RLPpp с использованием экспоненциального сглаживания.

Рисунок 2. Прогнозы RGDPpc и RLPpp в зависимости от предыдущей годовой эволюции с использованием модели Брауна. Источник: разработано автором с использованием SPSS v.27 (IBM Corporation, Armonk, NY, USA).

Эти прогнозы подчеркивают постоянную важность инвестирования в технологии и развитие человеческого капитала как ключевых движущих сил экономических показателей и производительности. Кроме того, они подчеркивают необходимость балансирования стабильности и инноваций для поддержки устойчивого и конкурентоспособного роста.

Модели ARIMA для переменных DESI и AGROUT, основанные на данных с 2017 по 2022 год, предоставили важные сведения о цифровизации и эффективности сельского хозяйства на прогнозируемый период 2023–2028 годов. Для DESI модель предполагала среднегодовой рост приблизительно на 3.62, подтвержденный статистически значимыми трендами, отражающими неуклонный прогресс цифровизации. Отрицательная константа модели (−7266.648) является скорректированной начальной точкой, при этом коэффициент года указывает на восходящую траекторию.

Прогнозы AGROUT на основе модели ARIMA показали среднегодовой рост примерно на 23 038 миллионов евро, подтвержденный статистически значимыми коэффициентами года. Хотя отрицательная константа модели (−46 079 931.086) может показаться нелогичной, положительная длительная тенденция является гораздо более значимой. Модели ARIMA предоставляют надежные результаты, эффективно улавливая временные закономерности и предлагая значимые прогнозы для DESI и AGROUT в зависимости от предыдущей годовой эволюции (Таблица 5).

Таблица 5. Параметры моделей ARIMA для DESI и AGROUT в зависимости от предыдущей годовой эволюции.

Статистика соответствия модели ARIMA указывает на надежную производительность в улавливании динамики данных. Значения стационарного R-квадрат и R-квадрат в среднем составляют 0.824, демонстрируя существенную способность объяснять изменчивость внутри набора данных. Значения RMSE и MAE показывают прогностическую точность модели, хотя они выше, чем в некоторых других моделях, что отражает изменчивость данных.

Значение MAPE в 3.742% предполагает, что модель ARIMA сохраняет приемлемый уровень точности в прогнозах, при этом отклонения остаются в допустимых пределах.

Ожидается, что DESI увеличится с 54.07 в 2023 году до 72.16 в 2028 году, что указывает на ускоренную цифровую трансформацию с потенциально значительными последствиями в различных экономических секторах, включая сельское хозяйство. Прогнозы AGROUT предсказывают рост с 525 317 миллионов евро в 2023 году до 640 506 миллионов евро в 2028 году, отражая постепенные улучшения в объеме сельскохозяйственного производства. Этот рост может быть следствием модернизированных сельскохозяйственных технологий и прямых эффектов цифровизации.

Рисунок 3 и Таблица A1 в Приложении A иллюстрируют прогнозы RGDPpc и RLPpp с использованием моделей ARIMA.

Рисунок 3. Прогнозы RGDPpc и RLPpp в зависимости от предыдущей годовой эволюции с использованием модели ARIMA. Источник: разработано автором с использованием SPSS v.27 (IBM Corporation, Armonk, NY, USA).

Рост DESI указывает на широкое внедрение цифровых технологий, которые оптимизируют сельскохозяйственные процессы, снижают операционные расходы и улучшают урожайность.

Модели ARIMA, исследующие влияние DESI на AGROUT и RLPpp, выявляют положительное влияние цифровизации на эффективность сельского хозяйства и производительность труда на прогнозируемый период 2023–2028 годов. Для AGROUT коэффициент DESI (6911.650), статистически значимый (p = 0.010), показывает, что каждая дополнительная единица DESI коррелирует с увеличением объема сельскохозяйственного производства примерно на 6912 миллионов евро. Эти значения подчеркивают существенную роль цифровой трансформации в сельском хозяйстве. Константа модели (158 519.754) отражает базовый уровень объема сельскохозяйственного производства, скорректированный с учетом других переменных.

Для RLPpp коэффициент DESI (0.460) указывает на статистически значимую положительную взаимосвязь (p = 0.047), при этом каждая единица DESI вносит вклад приблизительно в 0.46 в RLPpp. Этот вывод подчеркивает, как цифровизация повышает эффективность экономической деятельности и производительность труда в сельском хозяйстве и смежных секторах. Константа (92.403) обозначает скорректированный базовый уровень производительности труда. Модели ARIMA предоставляют надежные результаты, эффективно улавливая временные закономерности и предлагая значимые прогнозы для AGROUT и RLPpp в зависимости от эволюции DESI (Таблица 6).

Таблица 6. Параметры моделей ARIMA для AGROUT и RLPpp в зависимости от эволюции DESI.

Сводка соответствия модели ARIMA указывает на высокую способность улавливать изменчивость данных, о чем свидетельствуют значения стационарного R-квадрат и R-квадрат в среднем 0.754. Эти значения отражают высокий уровень объясняющей способности и согласованности прогнозов. Значения RMSE и MAE подчеркивают точность модели с умеренными отклонениями в абсолютном выражении, в то время как MAPE 2.69% предполагает, что модель сохраняет надежную степень прогностической точности относительно величины данных. Значения MaxAPE и MaxAE указывают на случайные более значительные отклонения, которые могут возникать из-за конкретных аномалий или наблюдений с высокой изменчивостью. Нормализованный показатель BIC предполагает разумный компромисс между сложностью модели и качеством подгонки.

Прогнозы AGROUT показывают неуклонный рост с примерно 532 226 миллионов евро в 2023 году до 657 283 миллионов евро в 2028 году. Эта восходящая тенденция отражает продолжающиеся улучшения в объеме сельскохозяйственного производства, главным образом связанные с внедрением цифровых технологий. Цифровизация улучшает эффективность производства, оптимизирует использование ресурсов и сокращает потери, позволяя аграрному сектору лучше удовлетворять рыночный спрос.

Для RLPpp прогнозы показывают постепенный рост производительности труда со 117.27 в 2023 году до 125.59 в 2028 году. Эта тенденция отражает последовательный прогресс, поддерживаемый растущими уровнями цифровизации. Внедрение цифровых технологий облегчает лучшее использование труда и ресурсов, повышая эффективность и сокращая время, необходимое для различных операций.

Рисунок 4 и Таблица A1 в Приложении A представляют прогнозы для AGROUT и RLPpp с использованием моделей ARIMA.

Рисунок 4. Прогнозы AGROUT и RLPpp в зависимости от эволюции DESI с использованием модели ARIMA. Источник: разработано автором с использованием SPSS v.27 (IBM Corporation, Armonk, NY, USA).

Полученные результаты иллюстрируют, что цифровизация, измеряемая с помощью DESI, играет фундаментальную роль в определении объема сельскохозяйственного производства и производительности труда. Рост DESI сигнализирует не только о технологической модернизации, но и о создании более конкурентоспособной и устойчивой сельскохозяйственной среды.

На период 2023–2028 годов ожидается, что сельское хозяйство и производительность труда будут демонстрировать положительную динамику по мере того, как цифровизация продолжает расширяться и трансформировать традиционные операционные модели. Эти результаты подчеркивают важность политики, поддерживающей внедрение цифровых технологий, особенно в сельских районах, чтобы полностью использовать их потенциал для стимулирования экономического развития и устойчивости сельского хозяйства.

Модели ARIMA, основанные на RGDPpc как независимой переменной, выявляют тенденции и демонстрируют, как экономический рост влияет на объем сельскохозяйственного производства и производительность труда в течение прогнозируемого периода 2023–2028 годов.

Для AGROUT-Модель_1 коэффициент RGDPpc является положительным (0.034) и незначительно значимым (p = 0.051). Эти значения предполагают умеренную взаимосвязь между общим экономическим ростом и объемом сельскохозяйственного производства, указывая на то, что улучшения ВВП на душу населения вносят положительный, но не решающий вклад в сельскохозяйственный прогресс. Отрицательная константа (−299.408) незначима.

Коэффициент RGDPpc для RLPpp-Модель_2 не является статистически значимым (p = 0.311), что предполагает более слабую связь между ВВП на душу населения и производительностью труда. Однако константа (7.631) значима (p = 0.039), что указывает на основополагающее влияние на производительность труда, потенциально обусловленное дополнительными немоделируемыми факторами. Модели ARIMA предоставляют функциональное, но не очень точное представление данных, что делает их подходящим инструментом для улавливания общих закономерностей (Таблица 7).

Таблица 7. Параметры моделей ARIMA для AGROUT и RLPpp в зависимости от RGDPpc.

Сводка соответствия модели ARIMA отражает умеренный уровень прогностической точности. Значения стационарного R-квадрат и R-квадрат, в среднем около 0.45, указывают на то, что модель улавливает почти половину изменчивости данных, что предполагает возможность улучшения объясняющей способности. Значение MAPE 3.876% демонстрирует приемлемую прогностическую точность, в то время как MaxAPE и MaxAE подчеркивают случайные более значительные отклонения, вероятно, отражающие выбросы или высокую изменчивость в определенных точках данных. Нормализованные значения BIC предполагают, что модель поддерживает баланс между сложностью и подгонкой, хотя они также указывают на то, что более простые модели также могут быть изучены.

Для AGROUT прогнозы предсказывают неуклонный рост с примерно 512 020 миллионов евро в 2023 году до 623 569 миллионов евро в 2028 году. Эта восходящая тенденция отражает постепенное увеличение объема сельскохозяйственного производства, чему способствуют интеграция цифровых технологий и рост ВВП на душу населения. Прогнозы RLPpp указывают на медленный, но неуклонный рост производительности труда со 114.62 в 2023 году до 119.48 в 2028 году. Это скромное увеличение, вероятно, связано с технологическими достижениями и общими экономическими условиями.

Рисунок 5 и Таблица A1 в Приложении A представляют прогнозы для AGROUT и RLPpp с использованием моделей ARIMA.

Рисунок 5. Прогнозы AGROUT и RLPpp в зависимости от эволюции RGDPpc с использованием модели ARIMA. Источник: разработано автором с использованием SPSS v.27 (IBM Corporation, Armonk, NY, USA).

В целом, результаты предполагают, что ВВП на душу населения играет умеренную роль во влиянии на объем сельскохозяйственного производства, в то время как его влияние на производительность труда менее выражено. На период 2023–2028 годов ожидается стабильное расширение сельского хозяйства и скромный рост производительности труда. Эти тенденции выявляют неиспользованный потенциал, который может быть раскрыт с помощью более целенаправленной политики и увеличения инвестиций в цифровизацию.

Анализ прогнозов RLPpp и AGROUT по трем сценариям, основанным на годовой эволюции, а также на эволюции RGDPpc и DESI, выявляет значительные различия между этими прогностическими моделями. Эти различия предоставляют понимание детерминант и позволяют оценить обоснованность гипотезы H2.

Для RLPpp очевиден последовательный рост по всем сценариям (Рисунок 6).

Рисунок 6. Прогнозы RLPpp в зависимости от предыдущей годовой эволюции, а также от эволюции RGDPpc и DESI. Источник: разработано автором на основе расчетных данных.

Однако прогнозы, основанные на DESI, систематически превышают прогнозы, полученные на основе RGDPpc или годовых тенденций. Например, в 2023 году производительность труда на человека, спрогнозированная с использованием DESI, составляет 117.27 по сравнению со 114.62 на основе RGDPpc. Этот разрыв увеличивается к 2028 году: DESI прогнозирует уровень производительности 125.59 против 119.48 по модели RGDPpc. Это расхождение предполагает, что цифровизация играет центральную роль в повышении производительности труда, поддерживая гипотезу о том, что DESI оказывает значительное положительное влияние.

Для AGROUT различия в сценариях еще более выражены (Рисунок 7).

Рисунок 7. Прогнозы AGROUT в зависимости от предыдущей годовой эволюции, а также от эволюции RGDPpc и DESI. Источник: разработано автором на основе расчетных данных.

Прогнозы, основанные на DESI, указывают на значительно более высокий общий объем сельскохозяйственного производства по сравнению с прогнозами, основанными на RGDPpc или годовых тенденциях. Например, в 2023 году прогноз на основе DESI оценивает 532 225.79 миллионов евро по сравнению с 512 020.3 миллионами евро с использованием RGDPpc. К 2028 году прогноз на основе DESI оценивает объем сельскохозяйственного производства в 657 283.23 миллиона евро, что более чем на 33 000 миллионов евро выше прогноза на основе RGDPpc.

Эти результаты подчеркивают более сильное и прямое влияние цифровизации на эффективность сельского хозяйства. Сравнивая две переменные, влияние цифровизации более выражено для общего объема сельскохозяйственного производства, чем для производительности труда. Тем не менее, DESI последовательно демонстрирует значительный положительный эффект, подтверждая, что технологический прогресс и цифровая интеграция приносят существенные выгоды.

Этот анализ подтверждает гипотезу H2, подтверждая, что цифровизация стимулирует рост производства и повышает эффективность использования сельскохозяйственных ресурсов. Результаты предполагают, что цифровизация, отраженная в DESI, является ключевым катализатором развития сельского хозяйства, положительно влияя на объем производства и производительность. В контексте, где устойчивость и эффективность становятся все более незаменимыми, внедрение цифровых технологий становится фундаментальной стратегией для будущего сельского хозяйства.

Цифровое сельское хозяйство стало преобразующим подходом к сельскохозяйственному производству, использующим передовые технологии для оптимизации методов ведения сельского хозяйства и повышения устойчивости. Способствуя обмену знаниями и продвижению обмена передовым опытом среди фермеров, цифровое сельское хозяйство решает критические общественные проблемы, такие как обеспечение продовольственной безопасности, сокращение неравенства в доступе к технологиям и повышение эффективности использования ресурсов. Этот трансформационный потенциал, подкрепленный интеграцией таких технологий, как датчики, дроны и искусственный интеллект (AI), переопределяет сельскохозяйственные процессы.

Исследования широко изучали роль принятия решений на основе данных и аналитики больших данных в точном земледелии. Эти инструменты позволяют фермерам делать осознанный и эффективный выбор, основанный на непрерывном мониторинге и анализе критически важных данных о почве, климате, здоровье сельскохозяйственных культур и использовании ресурсов [105,106,107,108,109]. Такие технологии, как почвенные и воздушные датчики, позволяют отслеживать состояние сельскохозяйственных культур и условия окружающей среды в реальном времени, обеспечивая своевременные вмешательства. Одновременно программное обеспечение на основе AI анализирует огромные массивы данных, предоставляя точные прогнозы относительно потребностей в удобрениях, поведения культур и управления водными ресурсами [110,111,112]. Такие достижения иллюстрируют практические применения цифрового сельского хозяйства, такие как оптимизация графиков орошения или настройка внесения питательных веществ, что напрямую повышает производительность и устойчивость.

Результаты исследования подтверждают гипотезу H1, демонстрируя, что цифровизация оказывает значительное и положительное влияние на объем сельскохозяйственного производства. Взаимосвязи между индексом цифровой экономики и общества (DESI), RGDPpc и выходными переменными, такими как производительность труда (RLPpp) и объем сельскохозяйственного производства (AGROUT), были объяснены с помощью искусственных нейронных сетей. Эти результаты согласуются с существующей литературой, подчеркивающей преобразующий потенциал Сельского хозяйства 4.0 в повышении устойчивости и эффективности аграрного сектора [50,52]. Передовые технологии, включая IoT, AI и робототехнику, облегчают оптимизацию ресурсов, сокращение отходов и улучшение устойчивости к изменению климата [113,114]. Например, системы на основе IoT позволяют фермерам удаленно контролировать уровень влажности почвы, сокращая потери воды при поддержании оптимальных условий для культур.

Это исследование также подчеркивает синергетические эффекты цифровизации в сочетании с экономическими переменными, такими как RGDPpc. Эти результаты перекликаются с другими исследованиями, которые подчеркивают необходимость финансовых и технологических ресурсов для широкого внедрения Сельского хозяйства 4.0 [5,61]. Однако в литературе также выявлены значительные проблемы, включая неравный доступ к технологиям, высокие затраты и потенциальные экологические риски [25,115]. Решение этих барьеров имеет решающее значение для реализации всего потенциала цифровизации. Внедрение хорошо продуманной государственной политики, способствующей равному доступу к цифровым технологиям и уделяющей приоритетное внимание экологической устойчивости, имеет важное значение для обеспечения всеобъемлющих выгод в различных регионах и демографических группах.

Результаты этого исследования не только подтверждают гипотезу H1, но и вносят вклад в более широкий дискурс об использовании Сельского хозяйства 4.0 как стратегического инструмента для трансформации сельского хозяйства. Цифровизация представляет собой как возможность, так и ответственность, предлагая путь к более эффективному, устойчивому и ответственному аграрному сектору. Например, программы цифровых консультационных услуг могут преодолеть разрыв в знаниях, предоставляя фермерам индивидуальные консультации и решения в реальном времени, адаптированные к их контексту.

Результаты, связанные с гипотезой H2, дополнительно подтверждают преобразующую роль цифровизации в современном сельском хозяйстве. Недавние исследования подтверждают растущее влияние цифровых технологий на объем сельскохозяйственного производства и производительность труда, подчеркивая их способность оптимизировать процессы и обеспечивать существенные экономические выгоды [116]. Эти достижения повышают операционную эффективность, а также улучшают качество и количество продукции за счет минимизации потерь и более устойчивого использования ресурсов. Например, Чандио [117] иллюстрирует роль метеорологических данных в реальном времени в повышении урожайности зерновых в Китае, в то время как Вельтин и др. [118] и Симеонаки и др. [119] документируют экономические преимущества цифровых технологий для фермеров, демонстрируя как немедленные, так и длительные выгоды. Эти результаты согласуются с результатами исследования, которые показывают, что влияние цифровизации превосходит традиционные детерминанты, такие как экономический рост и годовые тенденции.

Тем не менее, преимущества цифровизации распределены неравномерно. Многие технологии все еще находятся на стадии разработки и сталкиваются со значительными проблемами в применении, в частности, в регионах с ограниченными цифровыми ресурсами или технологическим опытом. Трухильо-Баррера и др. [120] и Чинсеу и др. [121] подчеркивают необходимость локальных адаптаций и постоянных усовершенствований новых технологий для обеспечения их эффективности. Кроме того, Виссер и др. [122] подчеркивают риски, связанные с незрелыми технологиями, которые могут показывать низкую производительность или выходить из строя в определенных условиях.

Внедрение цифровых решений также зависит от эффективной коммуникации их преимуществ фермерам. Исследования Мурендо и др. [123], Динеша и др. [124] и Калфаса и др. [29] подчеркивают важность эффективного распространения информации и постоянного диалога между фермерами и экспертами. Например, полевые школы фермеров и программы обучения с участием могут улучшить понимание и внедрение цифровых инструментов, укрепляя доверие к их практической полезности. Более того, доступ к технической поддержке и применимым знаниям облегчает переход к современным цифровым практикам [125].

Результаты, связанные с гипотезой H2, подтверждают критическую роль цифровизации как катализатора развития сельского хозяйства, одновременно подчеркивая сложности, связанные с ее реализацией. Успешное внедрение цифровых технологий зависит от таких факторов, как государственная поддержка, образование фермеров и развитие соответствующей инфраструктуры. Решение этих предварительных условий необходимо для обеспечения того, чтобы преимущества цифровизации были равнодоступны и чтобы ее длительное влияние на сельское хозяйство было максимальным. Инвестиции в широкополосную связь в сельских районах могут значительно сократить цифровой разрыв, позволяя фермерам в отдаленных районах пользоваться преимуществами передовых технологий. Эти идеи вносят вклад в более нюансированное понимание роли цифровизации в сельском хозяйстве, подчеркивая необходимость совместного, инклюзивного и дальновидного подхода для использования ее преобразующего потенциала.

Обсуждение этих результатов создает основу для изучения более широких последствий, в частности, того, как цифровая трансформация может быть использована для повышения продуктивности и устойчивости сельского хозяйства.

6.1. Теоретические последствия

Это исследование предлагает ценную информацию о взаимосвязи между цифровизацией и эффективностью сельского хозяйства, опираясь на существующие перспективы трансформации сельскохозяйственных систем. Подтверждая положительное влияние цифровизации, измеряемой с помощью DESI, на производительность труда и общий объем сельскохозяйственного производства, это исследование подчеркивает важность интеграции цифровых технологий в теоретические модели, объясняющие современную динамику сельского хозяйства. Это исследование связывает теоретические конструкции с практическими приложениями, включая примеры из реальной жизни, такие как влияние IoT на оптимизацию ресурсов и AI на прогнозную аналитику. Этот вклад добавляет новое измерение в литературу, подчеркивая роль цифровизации как ключевого драйвера в создании более устойчивой и жизнеспособной сельскохозяйственной системы.

Исследование поддерживает европейское видение сельского хозяйства, преобразованного посредством цифровизации, в соответствии с Европейским зеленым соглашением и стратегией «От фермы до вилки». Эти политические инициативы выступают за гармонизацию экономических, экологических и социальных целей. Полученные результаты демонстрируют, как цифровизация может стать краеугольным камнем в достижении этого баланса, предоставляя теоретическую основу для понимания того, как интеграция технологий решает глобальные приоритеты, такие как защита окружающей среды, сокращение неравенства и обеспечение продовольственной безопасности. Эта перспектива подчеркивает цифровизацию не только как инструмент, но и как платформу для системной трансформации.

Это исследование также переопределяет традиционное понимание продуктивности и эффективности сельского хозяйства, предлагая подход, в котором технологический прогресс выступает в качестве преобразующей силы. Встраивая цифровизацию в теоретические модели сельского хозяйства, исследование создает аналитическую основу, которая объясняет не только экономический рост, но и процессы адаптации к изменению климата и глобальному давлению на ресурсы. Теоретические последствия выходят за рамки традиционных экономических парадигм, предоставляя понимание того, как цифровые инновации способствуют созданию более адаптивного и устойчивого аграрного сектора.

Таким образом, это исследование вносит вклад в расширение современной сельскохозяйственной теории, выдвигая на первый план парадигму, в которой цифровизация является одновременно драйвером изменений и необходимым условием для формирования устойчивого, адаптируемого и инклюзивного сельскохозяйственного будущего. Оно поощряет реконфигурацию теоретического мышления, подчеркивая важность глобальной перспективы, которая объединяет технологию, политику и устойчивость в единое видение для развития сельского хозяйства.

6.2. Практические последствия

Поскольку мир сталкивается с быстрым ростом населения и растущим давлением на природные ресурсы, эта статья предоставляет ценную информацию о преобразовании методов ведения сельского хозяйства посредством цифровизации. Результаты исследования подчеркивают значительное влияние цифровых технологий на эффективность сельского хозяйства, в частности на производительность труда и рост объема производства. Эти результаты подчеркивают, что цифровизация больше не является необязательной инновацией, а стратегической необходимостью для будущего сельского хозяйства.

Исследование подтверждает, что цифровизация сельского хозяйства является краеугольным камнем Сельского хозяйства 4.0, концепции, которая переопределяет сельскохозяйственное производство через интегрированные и устойчивые решения. Например, метеорологические данные в реальном времени и аналитика на основе AI позволяют фермерам оптимизировать орошение и внесение удобрений, что приводит к значительному повышению производительности. Эта трансформация повышает эффективность и производительность, а также оживляет сельские сообщества, принося значительные экономические и социальные выгоды. Кроме того, цифровые технологии облегчают лучший доступ к рынкам, прозрачность в цепочках поставок и сокращение потерь ресурсов, решая некоторые из наиболее насущных проблем глобального сельского хозяйства.

В целом, участие в цифровизации сельского хозяйства представляет собой инвестиции в будущее, способные переопределить устойчивость и продовольственную безопасность в глобальном масштабе. Это стратегическое направление является решающим для удовлетворения растущих потребностей в производстве продовольствия и построения сельскохозяйственной системы, способной выдерживать экономическую и экологическую неопределенность, одновременно предлагая устойчивые решения для будущих поколений. Практические шаги (расширение сельской широкополосной инфраструктуры и обеспечение цифрового образования для фермеров) необходимы для того, чтобы эти выгоды были доступны всем.

6.3. Ограничения и дальнейшие исследования

Хотя результаты подтверждают гипотезу о том, что цифровизация значительно влияет на эффективность сельского хозяйства, это исследование не охватывает все аспекты и полностью не объясняет взаимозависимости между анализируемыми факторами.

Одно ограничение касается использованных данных, которые, хотя и являются актуальными и современными, не охватывают весь спектр региональной и национальной изменчивости в уровнях цифровизации и сельскохозяйственных контекстах. Каждый регион имеет уникальные характеристики с точки зрения доступных ресурсов, цифровой инфраструктуры и государственной политики, которые могут влиять на то, как цифровизация способствует эффективности сельского хозяйства. Расширение анализа для включения большего количества регионов и более широкого спектра контекстуальных переменных могло бы предоставить более обобщаемые выводы.

Кроме того, динамическая природа цифровых технологий создает методологические проблемы. Быстрые технологические достижения могут сделать некоторые модели устаревшими за короткий промежуток времени. В исследовании использовались данные, доступные на тот момент из Евростата и базы данных DESI Европейской комиссии.

Другим ограничением является сложность изолирования эффектов цифровизации от других детерминант эффективности сельского хозяйства, таких как сельскохозяйственная политика, изменение климата или динамика глобального рынка. Хотя методология пытается учесть эти факторы путем выявления смещений, их влияние не может быть исключено. Разработка более сложных моделей, которые интегрируют более широкий круг переменных и учитывают их взаимодействия, могла бы улучшить понимание механизмов, с помощью которых цифровизация влияет на сельское хозяйство.

Исследование фокусируется на временных взаимосвязях и не включает детальный тест на причинно-следственную связь между цифровизацией, измеряемой с помощью DESI, и сельскохозяйственными показателями, такими как производительность труда или объем сельскохозяйственного производства. Хотя модели, такие как модель ARIMA и искусственные нейронные сети, позволяют оценивать тенденции и делать прогнозы, они не могут предоставить окончательных доказательств причинно-следственных связей. Будущие исследования могли бы выиграть от использования дополнительных подходов, таких как структурные эконометрические модели, для дальнейшего изучения причинно-следственных механизмов между цифровизацией и эффективностью сельского хозяйства.

Заметное ограничение этого исследования заключается в его опоре на анализ временных рядов, который, хотя и эффективен для улавливания временной динамики, не учитывает потенциальную межсекционную гетерогенность в различных регионах или странах. Этот подход может ограничить обобщаемость результатов на более широкие контексты, поскольку он фокусируется исключительно на временных взаимосвязях без изучения структурных вариаций. Будущие исследования могли бы решить это ограничение, включив анализ панельных данных в методологическую основу. Комбинируя временные и межсекционные аспекты, такие исследования могли бы предоставить более нюансированное понимание того, как цифровизация влияет на эффективность сельского хозяйства в различных регионах или странах. Эта многомерная перспектива позволила бы сделать более надежные и всеобъемлющие выводы, повышая актуальность и применимость результатов в различных контекстах.

Анализ фокусируется на общем влиянии цифровизации на аграрный сектор без детального изучения эффектов цифровых технологий на различные сельскохозяйственные подсекторы, такие как растениеводство, животноводство или аквакультура. Будущие исследования могут более детально рассмотреть эти подсекторы, изучая цифровые трансформации в различных областях сельского хозяйства и предоставляя более полное понимание их влияния на аграрный сектор. Кроме того, анализ взаимосвязи между цифровизацией и устойчивостью сельского хозяйства мог бы предоставить важные идеи, в частности в отношении перехода к более экологически чистым методам ведения сельского хозяйства.

Исследование подчеркивает необходимость междисциплинарных подходов, которые объединяют экономические, технологические и социальные перспективы для создания интегрированного понимания трансформации сельского хозяйства. Такой подход обещает поддержать разработку более эффективной политики, адаптированной к потребностям аграрного сектора.

Это исследование рассматривает текущие глобальные проблемы, включая растущий спрос на продовольствие, давление на ресурсы и необходимость модернизации сельского хозяйства. Оно подчеркивает важную роль цифровизации в преобразовании аграрного сектора в более устойчивую, жизнеспособную и ориентированную на будущее систему. Полученные результаты подтверждают гипотезу о том, что технологический прогресс, измеряемый через DESI, значительно влияет на продуктивность сельского хозяйства и эффективность труда.

Цифровизация становится не просто инструментом экономического роста, но стратегическим фактором, способным переопределить традиционные методы ведения сельского хозяйства, делая их более адаптируемыми к текущим вызовам. В глобальном контексте, отмеченном растущим давлением на ресурсы, изменением климата и жесткими рыночными требованиями, внедрение цифровых технологий в сельское хозяйство больше не является выбором, а необходимостью. Посредством анализа эффектов DESI эта статья подчеркивает существенный вклад, который цифровизация может внести в повышение экономической отдачи и устойчивости сельского хозяйства.

Исследование также предоставляет прочную теоретическую основу для понимания взаимосвязи между технологией и сельским хозяйством, дополняя существующую литературу актуальными данными и выводами. Только комплексный подход может привести к эффективному переходу к сельскому хозяйству, которое производит больше и делает это ответственно по отношению к окружающей среде и обществу, подчеркивая роль цифровизации в формировании устойчивого будущего для сельского хозяйства.

| DESI | индекс цифровой экономики и общества |

| GDP | валовой внутренний продукт |

| AGROUT | объем сельскохозяйственного производства |

| RGDPpc | реальный ВВП на душу населения |

| RLPpp | реальная производительность труда на одного человека |

| IoT | Интернет вещей |

| AI | искусственный интеллект |

| ANN | искусственная нейронная сеть |

| ARIMA | авторегрессионное интегрированное скользящее среднее |

1.    Food and Agriculture Organization. The Future of Food and Agriculture—Trends and Challenges; Food and Agriculture Organization of the United Nations: Rome, Italy, 2017. [Google Scholar]

2.    Powell, N.; Ji, X.; Ravash, R.; Edlington, J.; Dolferus, R. Yield stability for cereals in a changing climate. Funct. Plant Biol. 2012, 39, 539–552. [Google Scholar] [CrossRef] [PubMed]

3.    Food and Agriculture Organization. The State of Food and Agriculture. Climate Change, Agriculture and Food Security; Food and Agriculture Organization of the United Nations: Rome, Italy, 2016. [Google Scholar]

4.    Stocker, T.F.; Qin, D.; Plattner, G.K.; Tignor, M.M.; Allen, S.K.; Boschung, J.; Nauels, A.; Xia, Y.; Bex, V.; Midgley, P.M. Climate Change 2013: The Physical Science Basis. In Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (IPCC); Cambridge University Press: Cambridge, UK, 2014. [Google Scholar]

5.    Araujo, S.O.; Peres, R.S.; Barata, J.; Lidon, F.; Ramalho, J.C. Characterising the Agriculture 4.0 Landscape—Emerging Trends, Challenges and Opportunities. Agronomy 2021, 11, 667. [Google Scholar] [CrossRef]

6.    Bahn, R.A.; Yehya, A.A.K.; Zurayk, R. Digitalization for Sustainable Agri-Food Systems: Potential, Status, and Risks for the MENA Region. Sustainability 2021, 13, 3223. [Google Scholar] [CrossRef]

7.    Mukhopadhyay, S.C. (Ed.) Smart Sensing Technology for Agriculture and Environmental Monitoring; Springer: Berlin/Heidelberg, Germany, 2012. [Google Scholar] [CrossRef]

8.    European Commission. The European Green Deal. Available online: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=COM%3A2019%3A640%3AFIN (accessed on 23 November 2024).

9.    European Commission. Farm to Fork Strategy: For a Fair, Healthy and Environmentally-Friendly Food System. Available online: https://food.ec.europa.eu/horizontal-topics/farm-fork-strategy_en (accessed on 13 November 2024).

10. Klerkx, L.; Jakku, E.; Labarthe, P. A Review of Social Science on Digital Agriculture, Smart Farming and Agriculture 4.0: New Contributions and a Future Research Agenda. NJAS—Wagening. J. Life Sci. 2019, 90–91, 100315. [Google Scholar] [CrossRef]

11. Daponte, P.; De Vito, L.; Glielmo, L.; Iannelli, L.; Liuzza, D.; Picariello, F.; Silano, G. A Review on the Use of Drones for Precision Agriculture. In Proceedings of the IOP Conference Series: Earth and Environmental Science; IOP Publishing: Bristol, UK, 2019; Volume 275. [Google Scholar] [CrossRef]

12. Blok, V.; Gremmen, B. Agricultural Technologies as Living Machines: Toward a Biomimetic Conceptualization of Smart Farming Technologies. Ethics Policy Environ. 2018, 21, 246–263. [Google Scholar] [CrossRef]

13. Fuentes-Peñailillo, F.; Gutter, K.; Vega, R.; Silva, G.C. Transformative Technologies in Digital Agriculture: Leveraging Internet of Things, Remote Sensing, and Artificial Intelligence for Smart Crop Management. J. Sens. Actuator Netw. 2024, 13, 39. [Google Scholar] [CrossRef]

14. Zhou, X.; Chen, T.; Zhang, B. Research on the Impact of Digital Agriculture Development on Agricultural Green Total Factor Productivity. Land 2023, 12, 195. [Google Scholar] [CrossRef]

15. Subaeva, A.K.; Nizamutdinov, M.M.; Mavlieva, L.M. Changes of the agricultural staff potential in the transition to digital agriculture. BIO Web Conf. 2020, 17, 00178. [Google Scholar] [CrossRef]

16. Birner, R.; Daum, T.; Pray, C. Who drives the agricultural digital revolution? A review of supply-side trends, players and challenges. Appl. Econ. Perspect. Policy 2021, 43, 1260–1285. [Google Scholar] [CrossRef]

17. Hackfort, S. Patterns of Inequalities in Digital Agriculture: A Systematic Literature Review. Sustainability 2021, 13, 12345. [Google Scholar] [CrossRef]

18. Walter, A. How will digitalization change agriculture? Int. Trade Forum 2016, 2016, 28–29. [Google Scholar] [CrossRef]

19. Garske, B.; Bau, A.; Ekardt, F. Digitalization and AI in European Agriculture: A Strategy for Achieving Climate and Biodiversity Targets? Sustainability 2021, 13, 4652. [Google Scholar] [CrossRef]

20. MacPherson, J.; Voglhuber-Slavinsky, A.; Olbrisch, M.; Schobel, P.; Donitz, E.; Mouratiadou, I.; Helming, K. Future agricultural systems and the role of digitalization for achieving sustainability goals. A review. Agron. Sustain. Dev. 2022, 42, 70. [Google Scholar] [CrossRef] [PubMed]

21. Donaldson, A. Digital from farm to fork: Infrastructures of quality and control in food supply chains. J. Rural Stud. 2022, 91, 228–235. [Google Scholar] [CrossRef]

22. Zhang, J.C. Digital Development Strategy of Agricultural Planting and Breeding Enterprises Based on Intelligent Sensors. Wirel. Commun. Mob. Comput. 2022, 2022, 6495191. [Google Scholar] [CrossRef]

23. Santiteerakul, S.; Sopadang, A.; Yaibuathet Tippayawong, K.; Tamvimol, K. The Role of Smart Technology in Sustainable Agriculture: A Case Study of Wangree Plant Factory. Sustainability 2020, 12, 4640. [Google Scholar] [CrossRef]

24. Pathmudi, V.R.; Khatri, N.; Kumar, S.; Abdul-Qawy, A.S.H.; Vyas, A.K. A systematic review of IoT technologies and their constituents for smart and sustainable agriculture applications. Sci. African 2023, 19, e01577. [Google Scholar] [CrossRef]

25. Jabbari, A.; Humayed, A.; Reegu, F.A.; Uddin, M.; Gulzar, Y.; Majid, M. Smart Farming Revolution: Farmer’s Perception and Adoption of Smart IoT Technologies for Crop Health Monitoring and Yield Prediction in Jizan, Saudi Arabia. Sustainability 2023, 15, 14541. [Google Scholar] [CrossRef]

26. Bocean, C.G. A Longitudinal Analysis of the Impact of Digital Technologies on Sustainable Food Production and Consumption in the European Union. Foods 2024, 13, 1281. [Google Scholar] [CrossRef]

27. Bocean, C.G.; Sitnikov, C.S. Relationships among social and environmental responsibility and business. Amfiteatru Econ. 2013, 15, 759–768. [Google Scholar]

28. Teklu, A.; Simane, B.; Bezabih, M. Multiple adoption of climate-smart agriculture innovation for agricultural sustainability: Empirical evidence from the Upper Blue Nile Highlands of Ethiopia. Clim. Risk Manag. 2023, 39, 100477. [Google Scholar] [CrossRef]

29. Kalfas, D.; Kalogiannidis, S.; Papaevangelou, O.; Melfou, K.; Chatzitheodoridis, F. Integration of Technology in Agricultural Practices towards Agricultural Sustainability: A Case Study of Greece. Sustainability 2024, 16, 2664. [Google Scholar] [CrossRef]

30. 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]

31. Gutter, K.; Ortega-Farias, S.; Fuentes-Penailillo, F.; Moreno, M.; Vega-Ibânez, R.; Riveros-Burgos, C.; Albornoz, J. Estimation of Vineyard Water Status Using Infrared Thermometry Measured at Two Positions of the Canopy. Acta Hortic. 2022, 1335, 331–337. [Google Scholar] [CrossRef]

32. Vega-Ibânez, R.; Ortega-Farias, S.; Fuentes-Penailillo, F.; Gutter, K.; Albornoz, J. Estimation of Midday Stem Water Potential in Grapevine Leaves (‘Cabernet Sauvignon’) Using Spectral Reflectance Indices. Acta Hortic. 2022, 1335, 325–330. [Google Scholar] [CrossRef]

33. Divya, A.; Sungeetha, D.; Ramesh, S. Horticulture Image Based Weed Detection in Feature Extraction with Dimensionality Reduction Using Deep Learning Architecture. In Proceedings of the 2023 3rd International Conference on Artificial Intelligence and Signal Processing (AISP), Vijayawada, India, 18–20 March 2023; pp. 1–8. [Google Scholar]

34. Saigal, A.; Aremu, B.; Perumal, A. Plants Health Monitoring and Prediction for Precision Horticulture. World J. Adv. Res. Rev. 2023, 17, 967–973. [Google Scholar] [CrossRef]

35. Aquilani, C.; Confessore, A.; Bozzi, R.; Sirtori, F.; Pugliese, C. Review: Precision Livestock Farming Technologies in Pasture-Based Livestock Systems. Animal 2022, 16, 100429. [Google Scholar] [CrossRef]

36. Yin, M.; Ma, R.; Luo, H.; Li, J.; Zhao, Q.; Zhang, M. Non-Contact Sensing Technology Enables Precision Livestock Farming in Smart Farms. Comput. Electron. Agric. 2023, 212, 108171. [Google Scholar] [CrossRef]

37. Ford, J.; Sadgrove, E.; Paul, D. Developing an Extreme Learning Machine Based Approach to Weed Segmentation in Pastures. Smart Agric. Technol. 2023, 5, 100288. [Google Scholar] [CrossRef]

38. Thomson, A.; Jacobs, J.; Morse-McNabb, E. Comparing the Predictive Ability of Sentinel-2 Multispectral Imagery and a Proximal Hyperspectral Sensor for the Estimation of Pasture Nutritive Characteristics in an Intensive Rotational Grazing System. Comput. Electron. Agric. 2023, 214, 108275. [Google Scholar] [CrossRef]

39. Carrasco, G.; Fuentes-Penailillo, F.; Perez, R.; Rebolledo, P.; Manriquez, P. An Approach to a Vertical Farming Low-Cost to Reach Sustainable Vegetable Crops. In Proceedings of the 2022 IEEE International Conference on Automation/25th Congress of the Chilean Association of Automatic Control: For the Development of Sustainable Agricultural Systems, ICA-ACCA 2022, Curicö, Chile, 24–28 October 2022; Institute of Electrical and Electronics Engineers Inc.: New York, NY, USA, 2022. [Google Scholar] [CrossRef]

40. Eastwood, C.; Klerkx, L.; Ayre, M.; Dela Rue, B. Managing Socio-Ethical Challenges in the Development of Smart Farming: From a Fragmented to a Comprehensive Approach for Responsible Research and Innovation. J. Agric. Environ. Ethics 2019, 32, 741–768. [Google Scholar] [CrossRef]

41. Masi, M.; Di Pasquale, J.; Vecchio, Y.; Capitanio, F. Precision Farming: Barriers of Variable Rate Technology Adoption in Italy. Land 2023, 12, 1084. [Google Scholar] [CrossRef]

42. Ezenne, G.I.; Jupp, L.; Mantel, S.K.; Tanner, J.L. Current and Potential Capabilities of UAS for Crop Water Productivity in Precision Agriculture. Agric. Water Manag. 2019, 218, 158–164. [Google Scholar] [CrossRef]

43. Karunathilake, E.M.B.M.; Le, A.T.; Heo, S.; Chung, Y.S.; Mansoor, S. The Path to Smart Farming: Innovations and Opportunities in Precision Agriculture. Agriculture 2023, 13, 1593. [Google Scholar] [CrossRef]

44. Trendov, N.M.; Varas, S.; Zeng, M. Digital Technologies in Agriculture and Rural Areas: Status Report; FAO: Rome, Italy, 2019. [Google Scholar]

45. Rose, D.C.; Chilvers, J. Agriculture 4.0: Broadening responsible innovation in an era of smart farming. Front. Sustain. Food Syst. 2018, 2, 87. [Google Scholar] [CrossRef]

46. Zambon, I.; Cecchini, M.; Egidi, G.; Saporito, M.G.; Colantoni, A. Revolution 4.0: Industry vs. agriculture in a future development for SMEs. Processes 2019, 7, 36. [Google Scholar] [CrossRef]

47. Liu, Y.; Ma, X.; Shu, L.; Hancke, G.P.; Abu-Mahfouz, A.M. From Industry 4.0 to Agriculture 4.0: Current Status, Enabling Technologies, and Research Challenges. IEEE Trans. Ind. Inform. 2020, 17, 4322–4334. [Google Scholar] [CrossRef]

48. Zhai, Z.; Martinez, J.F.; Beltran, V.; Martinez, N.L. Decision support systems for agriculture 4.0: Survey and challenges. Comput. Electron. Agric. 2020, 170, 105256. [Google Scholar] [CrossRef]

49. De Clercq, M.; Vats, A.; Biel, A. Agriculture 4.0: The Future of Farming Technology. In Proceedings of the World Government Summit, Dubai, United Arab Emirates, 2018; Available online: https://www.bollettinoadapt.it/wp-content/uploads/2019/12/OliverWyman-Report_English-LOW.pdf (accessed on 27 December 2024).

50. Kovacs, I.; Husti, I. The role of digitalization in agricultural 4.0—How can Industry 4.0 be connected to agriculture? Hung. Agric. Eng. 2018, 33, 38–42. [Google Scholar] [CrossRef]

51. Lezoche, M.; Hernandez, J.E.; Diaz, M.D.M.E.A.; Panetto, H.; Kacprzyk, J. Agri-food 4.0: A survey of the supply chains and technologies for the future agriculture. Comput. Ind. 2020, 117, 103187. [Google Scholar] [CrossRef]

52. Sott, M.K.; Furstenau, L.B.; Kipper, L.M.; Giraldo, F.D.; Lopez-Robles, J.R.; Cobo, M.J.; Zahid, A.; Abbasi, Q.H.; Imran, M.A. Precision Techniques and Agriculture 4.0 Technologies to Promote Sustainability in the Coffee Sector: State of the Art, Challenges and Future Trends. IEEE Access 2020, 8, 149854–149867. [Google Scholar] [CrossRef]

53. Zhou, K.; Liu, T.; Zhou, L. Industry 4.0: Towards future industrial opportunities and challenges. In Proceedings of the 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Zhangjiajie, China, 15–17 August 2015; pp. 2147–2152. [Google Scholar] [CrossRef]

54. Sinha, B.B.; Dhanalakshmi, R. Recent advancements and challenges of Internet of Things in smart agriculture: A survey. Future Gener. Comput. Syst. 2022, 126, 169–184. [Google Scholar] [CrossRef]

55. Friha, O.; Ferrag, M.A.; Shu, L.; Maglaras, L.; Wang, X. Internet of Things for the Future of Smart Agriculture: A Comprehensive Survey of Emerging Technologies. IEEE/CAA J. Autom. Sin. 2021, 8, 718–752. [Google Scholar] [CrossRef]

56. Fasciolo, B.; Panza, L.; Lombardi, F. Exploring the Integration of Industry 4.0 Technologies in Agriculture: A Comprehensive Bibliometric Review. Sustainability 2024, 16, 8948. [Google Scholar] [CrossRef]

57. Raouhi, E.M.; Lachgar, M.; Hrimech, H.; Kartit, A. Unmanned Aerial Vehicle-based Applications in Smart Farming: A Systematic Review. Int. J. Adv. Comput. Sci. Appl. 2023, 14, 2023. [Google Scholar] [CrossRef]

58. Mohr, S.; Kühl, R. Acceptance of artificial intelligence in German agriculture: An application of the technology acceptance model and the theory of planned behavior. Precision Agric. 2021, 22, 1816–1844. [Google Scholar] [CrossRef]

59. Castiblanco Jimenez, I.A.; Cepeda García, L.C.; Marcolin, F.; Violante, M.G.; Vezzetti, E. Validation of a TAM Extension in Agriculture: Exploring the Determinants of Acceptance of an e-Learning Platform. Appl. Sci. 2021, 11, 4672. [Google Scholar] [CrossRef]

60. Parmaksiz, O.; Cinar, G. Technology Acceptance among Farmers: Examples of Agricultural Unmanned Aerial Vehicles. Agronomy 2023, 13, 2077. [Google Scholar] [CrossRef]

61. Chen, X.; Li, T. Diffusion of Agricultural Technology Innovation: Research Progress of Innovation Diffusion in Chinese Agricultural Science and Technology Parks. Sustainability 2022, 14, 15008. [Google Scholar] [CrossRef]

62. Gutiérrez Cano, L.F.; Zartha Sossa, J.W.; Moreno Sarta, J.F.; Oviedo Lopera, J.C.; Quintero Saavedra, J.I.; Suárez Guzmán, L.M.; Agudelo Tapasco, D.A. National Agricultural Innovation System (NAIS): Diagnosis, Gaps, and Mapping of Actors. Sustainability 2024, 16, 3294. [Google Scholar] [CrossRef]

63. Martens, K.; Zscheischler, J. The Digital Transformation of the Agricultural Value Chain: Discourses on Opportunities, Challenges and Controversial Perspectives on Governance Approaches. Sustainability 2022, 14, 3905. [Google Scholar] [CrossRef]

64. Yuan, Y.; Sun, Y. Practices, Challenges, and Future of Digital Transformation in Smallholder Agriculture: Insights from a Literature Review. Agriculture 2024, 14, 2193. [Google Scholar] [CrossRef]

65. Salemink, K.; Strijker, D.; Bosworth, G. Rural development in the digital age: A systematic literature review on unequal ICT availability, adoption, and use in rural areas. J. Rural. Stud. 2017, 54, 360–371. [Google Scholar] [CrossRef]

66. De Silva, L.; Jayamaha, N.; Garnevska, E. Sustainable Farmer Development for Agri-Food Supply Chains in Developing Countries. Sustainability 2023, 15, 15099. [Google Scholar] [CrossRef]

67. Petcu, M.A.; Sobolevschi-David, M.-I.; Curea, S.C.; Moise, D.F. Integrating Artificial Intelligence in the Sustainable Development of Agriculture: Applications and Challenges in the Resource-Based Theory Approach. Electronics 2024, 13, 4580. [Google Scholar] [CrossRef]

68. Leng, X.C.; Tong, G.J. The Digital Economy Empowers the Sustainable Development of China’s Agriculture-Related Industries. Sustainability 2022, 14, 10967. [Google Scholar] [CrossRef]

69. Runck, B.C.; Joglekar, A.; Silverstein, K.A.T.; Chan-Kang, C.; Pardey, P.G.; Wilgenbusch, J.C. Digital agriculture platforms: Driving data-enabled agricultural innovation in a world fraught with privacy and security concerns. Agron. J. 2022, 114, 2635–2643. [Google Scholar] [CrossRef]

70. Zhu, Y.Y.; Zhang, Y.; Piao, H.L. Does Agricultural Mechanization Improve the Green Total Factor Productivity of China’s Planting Industry? Energies 2022, 15, 940. [Google Scholar] [CrossRef]

71. Shi, X.; An, X.; Zhao, Q.; Liu, H.; Xia, L.; Sun, X.; Guo, Y. State-of-the-art Internet of things in protected agriculture. Sensors 2019, 19, 1833. [Google Scholar] [CrossRef]

72. Fang, F.; Zhao, J.; Di, J.; Zhang, L.J. Spatial correlations and driving mechanisms of low-carbon agricultural development in China. Front. Environ. Sci. 2022, 10, 1014652. [Google Scholar] [CrossRef]

73. Rezek, J.P.; Perrin, R.K. Environmentally Adjusted Agricultural Productivity in the Great Plains. West. J. Agric. Econ. 2004, 29, 346–369. [Google Scholar] [CrossRef]

74. Akroush, S.N.; Dhehibi, B.; Aw-Hassan, A. Agricultural Growth Accounting and Total Factor Productivity in Jordan Trends determinants and future challenges. Int. J. Product. Manag. Assess. Technol. 2016, 4, 1–14. [Google Scholar] [CrossRef]

75. Baráth, L.; Fertö, I. Accounting for TFP Growth in Global Agriculture—A Common-Factor-Approach-Based TFP Estimation. AGRIS Online Pap. Econ. Inform. 2020, 12, 3–13. [Google Scholar] [CrossRef]

76. Bocean, C.G. A Cross-Sectional Analysis of the Relationship between Digital Technology Use and Agricultural Productivity in EU Countries. Agriculture 2024, 14, 519. [Google Scholar] [CrossRef]

77. He, W.C.; Li, E.L.; Cui, Z.Z. Evaluation and Influence Factor of Green Efficiency of China’s Agricultural Innovation from the Perspective of Technical Transformation. Chin. Geogr. Sci. 2021, 31, 313–328. [Google Scholar] [CrossRef]

78. Rusiawan, W.; Tjiptoherijanto, P.; Suganda, E.; Darmajanti, L. Assessment of Green Total Factor Productivity Impact on Sustainable Indonesia Productivity Growth. Procedia Environ. Sci. 2015, 28, 493–501. [Google Scholar] [CrossRef]

79. Barro, R.J.; Lee, J.W. A new data set of educational attainment in the world, 1950–2010. J. Dev. Econ. 2013, 104, 184–198. [Google Scholar] [CrossRef]

80. Li, T.C.; Han, D.R.; Ding, Y.Y.; Shi, Z.Y. How Does the Development of the Internet Affect Green Total Factor Productivity? Evidence From China. IEEE Access 2020, 8, 216477–216490. [Google Scholar] [CrossRef]

81. Hong, M.Y.; Tian, M.J.; Wang, J. Digital Inclusive Finance, Agricultural Industrial Structure Optimization and Agricultural Green Total Factor Productivity. Sustainability 2022, 14, 11450. [Google Scholar] [CrossRef]

82. Syverson, C. What Determines Productivity? J. Econ. Lit. 2011, 49, 326–365. [Google Scholar] [CrossRef]

83. Hu, J.F.; Wang, Z.; Huang, Q.H. Factor allocation structure and green-biased technological progress in Chinese agriculture. Econ. Res. Ekon. Istrazivanja 2021, 34, 2034–2058. [Google Scholar] [CrossRef]

84. Wang, L.; Tang, J.Y.; Tang, M.Q.; Su, M.Y.; Guo, L.L. Scale of Operation, Financial Support, and Agricultural Green Total Factor Productivity: Evidence from China. Int. J. Environ. Res. Public Health 2022, 19, 9043. [Google Scholar] [CrossRef] [PubMed]

85. Xu, Q.H.; Zhu, P.X.; Tang, L. Agricultural Services: Another Way of Farmland Utilization and Its Effect on Agricultural Green Total Factor Productivity in China. Land 2022, 11, 1170. [Google Scholar] [CrossRef]

86. Shaikh, T.A.; Mir, W.A.; Rasool, T.; Sofi, S. Machine Learning for Smart Agriculture and Precision Farming: Towards Making the Fields Talk. Arch. Comput. Methods Eng. 2022, 29, 4557–4597. [Google Scholar] [CrossRef]

87. Prakash, C.; Singh, L.P.; Gupta, A.; Lohan, S.K. Advancements in Smart Farming: A Comprehensive Review of IoT, Wireless Communication, Sensors, and Hardware for Agricultural Automation. Sens. Actuators A Phys. 2023, 362, 114605. [Google Scholar] [CrossRef]

88. Morchid, A.; El Alami, R.; Raezah, A.A.; Sabbar, Y. Applications of Internet of Things (IoT) and Sensors Technology to Increase Food Security and Agricultural Sustainability: Beneits and Challenges. Ain Shams Eng. J. 2023, 15, 102509. [Google Scholar] [CrossRef]

89. Fuentes-Penailillo, F.; Acevedo-Opazo, C.; Ortega-Farias, S.; Rivera, M.; Verdugo-Vâsquez, N. Spatialized System to Monitor Vine Flowering: Towards a Methodology Based on a Low-Cost Wireless Sensor Network. Comput. Electron. Agric. 2021, 187, 106233. [Google Scholar] [CrossRef]

90. Porciello, J.; Coggins, S.; Mabaya, E.; Otunba-Payne, G. Digital Agriculture Services in Low- and Middle-Income Countries: A Systematic Scoping Review. Glob. Food Sec. 2022, 34, 100640. [Google Scholar] [CrossRef]

91. Li, F.; Zang, D.; Chandio, A.A.; Yang, D.; Jiang, Y. Farmers’ Adoption of Digital Technology and Agricultural Entrepreneurial Willingness: Evidence from China. Technol. Soc. 2023, 73, 102253. [Google Scholar] [CrossRef]

92. McCampbell, M.; Schumann, C.; Klerkx, L. Good Intentions in Complex Realities: Challenges for Designing Responsibly in Digital Agriculture in Low-Income Countries. Sociol. Ruralis 2022, 62, 279–304. [Google Scholar] [CrossRef]

93. Jakku, E.; Fielke, S.; Fleming, A.; Stitzlein, C. Reflecting on Opportunities and Challenges Regarding Implementation of Responsible Digital Agri-Technology Innovation. Sociol. Ruralis 2022, 62, 363–388. [Google Scholar] [CrossRef]

94. Mowla, M.N.; Mowla, N.; Shah, A.F.M.S.; Rabie, K.M.; Shongwe, T. Internet of Things and Wireless Sensor Networks for Smart Agriculture Applications: A Survey. IEEE Access 2023, 11, 145813–145852. [Google Scholar] [CrossRef]

95. European Commission. DESI 2022 Composite Index. Available online: https://digital-decade-desi.digital-strategy.ec.europa.eu/datasets/desi-2022/charts/desi-composite?indicator=desi_sliders&breakdownGroup=desi&period=2017&unit=pc_desi_sliders&desi_dps=5 (accessed on 16 November 2024).

96. Eurostat. Output of the Agricultural Industry—Basic and Producer Prices. Available online: https://ec.europa.eu/eurostat/databrowser/view/tag00102/default/table?lang=en&category=t_agr.t_aact (accessed on 16 November 2024).

97. Eurostat. Real GDP per Capita. Available online: https://ec.europa.eu/eurostat/databrowser/view/sdg_08_10/default/table?lang=en (accessed on 16 November 2024).

98. Eurostat. Labour Productivity and Unit Labour Costs at Industry Level. Available online: https://ec.europa.eu/eurostat/databrowser/view/nama_10_lp_a21/default/table?lang=en (accessed on 16 November 2024).

99. IBM Neural Networks. Available online: https://www.ibm.com/products/spss-statistics/neural-networks (accessed on 7 November 2024).

100.                Box, G.E.P.; Jenkins, G.M.; Reinsel, G.C.; Ljung, G.M. Time Series Analysis: Forecasting and Control, 5th ed.; Wiley: Hoboken, NJ, USA, 2015. [Google Scholar]

101.                Papoulis, A.; Pillai, S.U. Probability, Random Variables, and Stochastic Processes; Tata McGraw-Hill: New York, NY, USA, 2002. [Google Scholar]

102.                Hyndman, R.J.; Athanasopoulos, G. Forecasting: Principles and Practice, 2nd ed.; OTexts: Melbourne, Australia, 2018; Available online: https://otexts.com/fpp2/ (accessed on 19 November 2024).

103.                Hamilton, J. Time Series Analysis; Princeton University Press: Princeton, NJ, USA, 1994. [Google Scholar]

104.                Brown, R.G. Smoothing, Forecasting and Prediction of Discrete Time Series; Courier Corporation: Chelmsford, MA, USA, 2004. [Google Scholar]

105.                Karanisa, T.; Achour, Y.; Ouammi, A.; Sayadi, S. Smart Greenhouses as the Path towards Precision Agriculture in the Food-Energy and Water Nexus: Case Study of Qatar. Environ. Syst. Decis. 2022, 42, 521–546. [Google Scholar] [CrossRef]

106.                Zude-Sasse, M.; Akbari, E.; Tsoulias, N.; Psiroukis, V.; Fountas, S.; Ehsani, R. Sensing in Precision Horticulture. In Sensing Approaches for Precision Agriculture; Kerry, R., Escolà, A., Eds.; Springer International Publishing: Cham, Switzerland, 2021; pp. 221–251. [Google Scholar] [CrossRef]

107.                Ludwig-Ohm, S.; Hildner, P.; Isaak, M.; Dirksmeyer, W.; Schattenberg, J. The Contribution of Horticulture 4.0 Innovations to More Sustainable Horticulture. Procedia Comput. Sci. 2023, 217, 465–477. [Google Scholar] [CrossRef]

108.                Zhang, M.; Han, Y.; Li, D.; Xu, S.; Huang, Y. Smart Horticulture as an Emerging Interdisciplinary Field Combining Novel Solutions: Past Development, Current Challenges, and Future Perspectives. Hortic. Plant. J. 2023, 10, 1257–1273. [Google Scholar] [CrossRef]

109.                Odintsov Vaintrub, M.; Levit, H.; Chincarini, M.; Fusaro, I.; Giammarco, M.; Vignola, G. Review: Precision Livestock Farming, Automats and New Technologies: Possible Applications in Extensive Dairy Sheep Farming. Animal 2021, 15, 100143. [Google Scholar] [CrossRef]

110.                Shaikh, T.A.; Rasool, T.; Rasheed Lone, F. Towards Leveraging the Role of Machine Learning and Artificial Intelligence in Precision Agriculture and Smart Farming. Comput. Electron. Agric. 2022, 198, 107119. [Google Scholar] [CrossRef]

111.                Mishra, S.; Sharma, S.K. Advanced Contribution of IoT in Agricultural Production for the Development of Smart Livestock Environments. Internet Things 2023, 22, 100724. [Google Scholar] [CrossRef]

112.                Pedrayes, O.D.; Usamentiaga, R. Satellite Imagery Dataset of Manure Application on Pasture Fields. Data Brief. 2023, 46, 108786. [Google Scholar] [CrossRef]

113.                Talavera, J.M.; Tobon, L.E.; Gomez, J.A.; Culman, M.A.; Aranda, J.M.; Parra, D.T.; Quiroz, L.A.; Hoyos, A.; Garreta, L.E. Review of IoT applications in agro-industrial and environmental fields. Comput. Electron. Agric. 2017, 142, 283–297. [Google Scholar] [CrossRef]

114.                Muangprathub, J.; Boonnam, N.; Kajornkasirat, S.; Lekbangpong, N.; Wanichsombat, A.; Nillaor, P. IoT and agriculture data analysis for smart farm. Comput. Electron. Agric. 2019, 156, 467–474. [Google Scholar] [CrossRef]

115.                Dhanaraju, M.; Chenniappan, P.; Ramalingam, K.; Pazhanivelan, S.; Kaliaperumal, R. Smart Farming: Internet of Things (IoT)-Based Sustainable Agriculture. Agriculture 2022, 12, 1745. [Google Scholar] [CrossRef]

116.                Geng, W.; Liu, L.; Zhao, J.; Kang, X.; Wang, W. Digital Technologies Adoption and Economic Benefits in Agriculture: A Mixed-Methods Approach. Sustainability 2024, 16, 4431. [Google Scholar] [CrossRef]

117.                Chandio, A.A.; Özdemir, D.; Gokmenoglu, K.K.; Usman, M.; Jiang, Y. Digital Agriculture for Sustainable Development in China: The Promise of Computerization. Technol. Soc. 2024, 76, 102479. [Google Scholar] [CrossRef]

118.                Weltin, M.; Zasada, I.; Hüttel, S. Relevance of Portfolio Effects in Adopting Sustainable Farming Practices. J. Clean. Prod. 2021, 313, 127809. [Google Scholar] [CrossRef]

119.                Symeonaki, E.; Arvanitis, K.; Piromalis, D. A Context-Aware Middleware Cloud Approach for Integrating Precision Farming Facilities into the IoT toward Agriculture 4.0. Appl. Sci. 2020, 10, 813. [Google Scholar] [CrossRef]

120.                Trujillo-Barrera, A.; Pennings, J.M.E.; Hofenk, D. Understanding Producers’ Motives for Adopting Sustainable Practices: The Role of Expected Rewards, Risk Perception and Risk Tolerance. Eur. Rev. Agric. Econ. 2016, 43, 359–382. [Google Scholar] [CrossRef]

121.                Chinseu, E.; Dougill, A.; Stringer, L. Why Do Smallholder Farmers Disadopt Conservation Agriculture? Insights from Malawi. Land Degrad. Dev. 2019, 30, 533–543. [Google Scholar] [CrossRef]

122.                Visser, O.; Sippel, S.R.; Thiemann, L. Imprecision Farming? Examining the (in)Accuracy and Risks of Digital Agriculture. J. Rural Stud. 2021, 86, 623–632. [Google Scholar] [CrossRef]

123.                Murendo, C.; Gwara, S.; Mpofu, N.; Pedzisa, T.; Mazvimavi, K.; Chivenge, P. The adoption of a portfolio of sustainable agricultural practices by smallholder farmers in Zimbabwe. In Proceedings of the 5th International Conference of the African Association of Agricultural Economists, Addis Ababa, Ethiopia, 23–26 September 2016; pp. 1–16. [Google Scholar]

124.                Dinesh, D.; Zougmore, R.B.; Vervoort, J.; Totin, E.; Thornton, P.K.; Solomon, D.; Shirsath, P.B.; Pede, V.O.; Lopez Noriega, I.; Läderach, P.; et al. Facilitating Change for Climate-Smart Agriculture through Science-Policy Engagement. Sustainability 2018, 10, 2616. [Google Scholar] [CrossRef]

125.                Elbasi, E.; Mostafa, N.; AlArnaout, Z.; Zreikat, A.I.; Cina, E.; Varghese, G.; Shdefat, A.; Topcu, A.E.; Abdelbaki, W.; Mathew, S.; et al. Artificial Intelligence Technology in the Agricultural Sector: A Systematic Literature Review. IEEE Access 2023, 11, 171–202. [Google Scholar] [CrossRef]

Vărzaru AA. Digital Revolution in Agriculture: Using Predictive Models to Enhance Agricultural Performance Through Digital Technology. Agriculture. 2025; 15(3):258. https://doi.org/10.3390/agriculture15030258

Перевод статьи « Digital Revolution in Agriculture: Using Predictive Models to Enhance Agricultural Performance Through Digital Technology» автора Vărzaru AA., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык