Technology adoption and upscaling of detailed farm-level models

Abstract

Adoption of digital farming technology can be an important driver for agricultural productivity enhancement and transformation towards a sustainable farming system. Thus, understanding farmers’ technology adoption decisions and evaluating their economic and environmental impacts are crucial for policy-makers to steer the adoption and diffusion process of such disruptive technologies. <br /> This thesis contributes to the modelling of digital farming technologies adoption and develops modelling tools for impact evaluation of such technologies. First, we develop a conceptual framework for Agent-based Models (ABMs) that simulate the adoption and diffusion of digital farming technologies based on the existing empirical farm-level adoption studies of precision and digital farming technologies and ABMs of agricultural innovations. Second, we compare the importance of different contextual and technical specifications (farming systems, labour costs, technology attributes and plot characteristics) in determining farmers’ investment limits and their potential adoption behaviour of digital farming technologies, using the example of weeding robots. Finally, we explore the feasibility of using state-of-the-art Neural Networks (NNs) as surrogate models of detailed farm-level models to facilitate the upscaling of those models. <br /> The results show that farmers’ adoption decisions of digital farming technologies are influenced by various factors including farm and operator characteristics, interactions, technology attributes, and institutional and psychological factors. Further, contextual and technical specifications matter a lot in farmers’ investment limits and adoption decisions of digital farming technologies. For example, adoption of weeding robots might first start among organic farms, while high supervision costs of weeding robots could be an important factor in the adoption decision of conventional farms. When seasonal labour becomes more costly and the use of herbicide is severely restricted, robotic weeding can be attractive to both organic and conventional farms. It also proves that NNs are efficient in approximating detailed farm-level models and can be employed as surrogate models without losing accuracy in relevant perspectives. This thesis contributes to the connections between farm-level models and ABMs and paves the way for future researchers to model and assess technology adoption, especially digital farming technologies, on a large scale.

Die Annahme digitaler Technologien in der Landwirtschaft kann ein wichtiger Treiber für die Steigerung der landwirtschaftlichen Produktivität und die Transformation hin zu einem nachhaltigen Landwirtschaftssystem sein. Das Verständnis der Entscheidungen der Landwirte zur Nutzung von Technologien und die Bewertung ihrer wirtschaftlichen und ökologischen Auswirkungen sind von entscheidender Bedeutung für die politischen Entscheidungsträger, um den Annahme- und Verbreitungsprozess solcher disruptiver Technologien zu steuern.<br /> Diese Dissertation zielt darauf ab, zur Modellierung der Annahme digitaler Technologien in der Landwirtschaft beizutragen und Methoden für die Bewertung der Auswirkung solcher Technologien zu entwickeln. Zunächst konstruieren wir einen konzeptionellen Rahmen für agentenbasierte Modellierung hinsichtlich der Annahme und Verbreitung digitaler Technologien in der Landwirtschaft. Dieser Rahmen basiert auf den bestehenden empirischen Studien zur Annahme von Präzisions- und digitalen Technologien auf Farmebene sowie der agentenbasierten Modellierung landwirtschaftlicher Innovationen. Weiterhin vergleichen wir die Bedeutung verschiedener kontextueller und technischer Spezifikationen (Landwirtschaftssysteme, Arbeitskosten, Technologieattribute und Parzellenmerkmale) bei der Bestimmung der Zahlungsbereitschaft von Landwirten und damit ihrer potenziellen Akzeptanz digitaler Technologien am Beispiel von Unkrautrobotern. Schließlich untersuchen wir die Machbarkeit der Verwendung modernster neuronaler Netze als Surrogat-Modelle für detaillierte landwirtschaftliche Betriebsmodelle, um deren Hochskalierung zu erleichtern.<br /> Die Ergebnisse zeigen, dass die Entscheidungen der Landwirte zur Annahme digitaler Technologien von verschiedenen Faktoren beeinflusst werden, darunter Betriebs- und Nutzermerkmale, Interaktionen, Technologieattribute sowie institutionelle und psychologische Faktoren. Außerdem spielen kontextbezogene und technische Spezifikationen eine große Rolle für die Zahlungsbereitschaft der Landwirte und die potenzielle Akzeptanz digitaler Technologien. Beispielsweise könnte die Annahme von Unkrautrobotern zuerst in Bio-Betrieben beginnen, während die hohe Überwachungskosten von Unkrautrobotern ein wichtiger Faktor bei der Nutzungsentscheidung konventioneller Betriebe sein könnten. Wenn Saisonarbeit kostspieliger wird und der Einsatz von Herbiziden stark eingeschränkt ist, könnten Unkrautroboter sowohl für biologische als auch für konventionelle Betriebe attraktiv sein. Die Ergebnisse zeigen auch, dass neuronale Netze bei der Annäherung detaillierter Betriebsmodelle effizient sind und als Surrogat-Modelle verwendet werden können, ohne dass die Genauigkeit der Simulation in relevanter Weise eingeschränkt wird. Diese Dissertation trägt zur Verbindung zwischen Betriebsmodellen und agentenbasierten Modellen bei und ebnet den Weg für zukünftige Forscher, die Annahme von Technologien, insbesondere Technologien für die digitale Landwirtschaft, in großem Maßstab zu modellieren und zu bewerten.