Farmers' Behavior and Policy Design in the Era of Smart Farming Technology

Abstract

The agricultural sector faces a dual challenge: ensuring food security while simultaneously protecting the environment. Population growth, climate change, and environmental degradation exacerbate this challenge. A promising pathway to address it is a shift towards sustainable intensification—that is, achieving higher productivity while reducing negative environmental impact. Smart farming technologies (SFT), particularly those based on artificial intelligence (AI), offer substantial potential to support this transition by enabling autonomous monitoring and site- and time-specific management. Nevertheless, the adoption of these technologies by farmers remains limited, and substantial knowledge gaps persist regarding farmers' behavior towards SFT. At the policy level, the European Union's Common Agricultural Policy aims to promote digitalization and sustainable practices through financial incentives, but such programs have often been criticized as inefficient and ecologically ineffective. SFT could support more results-oriented policy instruments; however, research is lacking on how their capabilities could concretely influence policy design. <br/> This dissertation addresses these research gaps through empirical studies that examine the interaction between farmers, SFT, and agricultural policy in Europe. The aim is to deepen the understanding of the factors that influence farmer behavior, how SFT may reshape policy-making, and how optimal policies can leverage the potential of SFT to support sustainable intensification in the agricultural sector. Chapter 2 analyzes how "peer effects"—specifically verbal exchange and field observation among farmers—influence farmers' technology adoption decisions. Using survey data from 313 sugar beet farmers in Germany and a novel, spatially explicit survey tool, we employ a double-selection LASSO approach. The results show that both forms of peer effects significantly affect adoption and mutually reinforce one another. The likelihood of adoption is highest for farmers that observe many fields in close spatial proximity and verbally exchange with many adopters. Chapter 3 investigates farmers' preference for AI-based decision-support tools. Based on an online survey and an embedded economic experiment involving 250 German farmers, the chapter uses a novel Bayesian probabilistic programming approach to quantify the willingness to pay. The findings reveal clear "algorithm aversion": farmers prefer recommendations from human advisors over those generated by AI—even when the AI outperforms the human. The chapter introduces the concept of AI anxiety as a key behavioral factor and proposes its integration in future technology adoption models. Chapter 4 shifts the focus to agricultural policy by examining how smart weeding robots could affect the design of payments for ecosystem services. Using a simulation model, we explore how the robots' capabilities—selective weeding and autonomous monitoring—could enhance the efficiency of both action-based and results-based payments. We find that improved monitoring supports the efficiency of results-based schemes, while selective weeding can improve action-based approaches. Overall, the efficiency of both payment types increases compared to when no robot is used, which shifts the frontier of current policy design options. <br/> In sum, this dissertation contributes theoretically, empirically, and methodologically to a better understanding of farmers' behavior towards SFT and identifies how SFT could change agricultural policy design. The findings of this dissertation show that using SFT for sustainable intensification has the potential to make agricultural policies more effective. However, technology introduction alone is not sufficient—appropriate guidance is essential to ensure proper use. Social learning can help to address farmers' algorithm aversion. Policy makers, advisory services and technology developers should work together to facilitate large-scale adoption by clearly communicating benefits and reducing (perceived) efforts for farmers.

<strong>Das Entscheidungsverhalten von LandwirtInnen und Politikgestaltung im Zeitalter intelligenter Landtechnik</strong><br/>

Der Agrarsektor steht vor der doppelten Herausforderung, Ernährungssicherheit zu gewährleisten und gleichzeitig die Umwelt zu schützen. Bevölkerungswachstum, Klimawandel und Umweltbelastungen verschärfen diese Herausforderung. Ein vielversprechender Lösungsansatz ist der Wandel hin zur nachhaltigen Intensivierung – das bedeutet: gesteigerte Produktion bei verminderten Umweltauswirkungen. Intelligente Agrartechnologien (Smart Farming Technologies, SFT), insbesondere solche auf Basis künstlicher Intelligenz (KI), bieten großes Potenzial zur Unterstützung dieses Wandels durch autonome Datenerfassung sowie zeit- und standortgenaue Bewirtschaftung. Allerdings verwenden Landwirt*innen SFT bislang nur in begrenztem Ausmaß und die Gründe dafür sind noch nicht vollständig geklärt. Politisch verfolgt die EU-Agrarpolitik das Ziel, die Digitalisierung und nachhaltige Praktiken durch Anreize zu fördern, wurde aber vielfach als ineffizient kritisiert. SFT könnten hier durch ergebnisorientierte Ansätze unterstützen – jedoch fehlt es an Forschung zur Integration ihrer Potenziale in der Politikgestaltung. <br/> Die vorliegende Dissertation adressiert diese Wissenslücken durch empirische Studien zur Interaktion von Landwirt*innen, SFT und Agrarpolitik in Europa. Ziel ist es zu verstehen, welche Faktoren das Verhalten von Landwirt*innen beeinflussen, wie SFT die Politikgestaltung verändern könnten und welche politischen Maßnahmen ergriffen werden müssten, um das Potenzial digitaler Technologien für eine nachhaltige Intensivierung zu nutzen. Kapitel 2 analysiert, wie sogenannte "Peer-Effekte" – insbesondere verbaler Austausch und Wahrnehmung von Feldern anderer Landwirt*innen – die Technologienutzungsentscheidung beeinflussen. Basierend auf Umfragedaten von 313 Landwirt*innen in Deutschland und einem innovativen, räumlich-expliziten Erhebungsinstrument zeigt eine Double-Selection-LASSO-Analyse, dass beide Peer-Mechanismen positiv mit der Nutzungsentscheidung zusammenhängen und sich gegenseitig verstärken. Die Wahrscheinlichkeit der Technologienutzung ist am höchsten für Landwirt*innen, die viele Felder in räumlicher Nähe wahrnehmen, auf denen die neue Technologie genutzt wird und die mit vielen anderen Nutzer*innen sprechen. In Kapitel 3 wird die Zahlungsbereitschaft von 250 Landwirt*innen für KI-basierte Entscheidungshilfen anhand eines Online-Experiments untersucht. Die Ergebnisse eines bayesianischen Modells zeigen eine klare "Algorithmus-Aversion": Landwirt*innen bevorzugen menschliche Empfehlungen gegenüber KI, selbst bei überlegener Leistung der KI. Das Kapitel führt das Konzept der KI-Angst als zentralen Erklärungsfaktor für zukünftige Verhaltensmodelle ein. Kapitel 4 verlagert den Fokus auf die Politikgestaltung: Mit Hilfe eines Simulationsmodells wird untersucht, wie intelligente Unkrautroboter die Ausgestaltung von Zahlungen für Ökosystemleistungen beeinflussen können. Die Fähigkeiten der Roboter (selektive Bekämpfung und autonome Datenerfassung) erhöhen die Effizienz sowohl aktions- als auch ergebnisbasierter Politikansätze. Dies verschiebt die bisherigen Grenzen der Politikdesignoptionen. <br/> Diese Arbeit leistet aus theoretischer, empirischer und methodischer Perspektive einen Beitrag zum Verständnis des Technologieverhaltens von Landwirt*innen und zur Rolle von SFT in der Agrarpolitik. Sie zeigt auf, wie SFT effizient zur Politikgestaltung genutzt werden können. Soziale Lernprozess können helfen, der KI-Skepsis von Landwirt*innen entgegenzutreten. Eine erfolgreiche Technologie-Einführung erfordert jedoch Unterstützung: Entscheidungsträger in Politik, Beratung und Technologieentwicklung sollten gemeinsam die Potentiale kommunizieren, wahrgenommene Hürden abbauen und die Fähigkeiten von SFT zur Unterstützung nachhaltiger Intensivierung gezielt einsetzen.