FICHE DE LECTURE
Référence
Kanika Khanna, (2024). ADOPTION OF SMART FARMING TECHNOLOGIES: A DEMOGRAPHIC AND TECHNOLOGICAL ANALYSIS
10.29121/shodhkosh.v5.i1.2024.5316
Mots-clés
Agriculture intelligente (Smart Agriculture) – Artificial Intelligence – Blockchain – Adoption technologique – Prise de décision basée sur les données–
Développement
- Introduction
L’article met en évidence les défis majeurs auxquels l’agriculture mondiale est confrontée : nourrir une population croissante tout en limitant son impact environnemental. Il est ainsi rappelé que « agricultural systems will need to produce 70 percent more food » d’ici 2050, ce qui impose une transformation profonde des pratiques agricoles.
Dans ce contexte, l’agriculture intelligente (smart agriculture) apparaît comme une solution innovante reposant sur l’intégration de technologies avancées telles que l’IoT, l’intelligence artificielle, la blockchain et le Big Data. Ces technologies permettent « greater precision in resource management, data driven decision making and sustainable practices ».
Cependant, l’adoption de ces innovations reste inégale selon plusieurs facteurs démographiques (âge, éducation, taille de l’exploitation, localisation), ce qui constitue le cœur de la problématique de l’étude.
Objectifs de recherche
L’étude vise à :
- analyser l’influence des facteurs démographiques sur l’adoption,
- étudier les perceptions des agriculteurs selon cinq dimensions (efficacité, coût, facilité d’usage, impact environnemental, intention d’adoption).
- Revue de littérature
2.1. Intégration technologique dans l’agriculture intelligente
Les technologies numériques jouent un rôle central dans la transformation agricole. Les systèmes IoT permettent par exemple « real-time monitoring of the most critical parameters of agriculture », améliorant la gestion des ressources.
L’intelligence artificielle renforce cette dynamique en facilitant la prédiction (rendements, maladies), tandis que la blockchain garantit « transparency and traceability of the supply chain ».
Malgré ces avantages, leur adoption reste freinée par leur coût et leur complexité.
2.2. Rôle de la data dans l’agriculture de précision
Le Big Data permet de transformer des données massives en décisions opérationnelles. Il offre aux agriculteurs une meilleure compréhension des sols, du climat et des cultures, favorisant une agriculture plus efficiente.
Cependant, plusieurs limites persistent : « data privacy, lack of standardisation and high technical expertise ».
2.3. Impact environnemental et durabilité
L’agriculture est responsable d’une part importante des émissions de gaz à effet de serre. Les technologies intelligentes permettent de réduire cet impact en optimisant les intrants et en limitant les pertes.
Ainsi, elles contribuent à « reducing resource wastage and preventing environmental degradation ».
2.4. Perspectives globales
L’adoption varie fortement selon les régions. Les politiques publiques (subventions, formations) jouent un rôle clé, mais les inégalités d’infrastructures et le « digital divide » restent des obstacles majeurs.
2.5. Limites de la littérature
L’article souligne un manque d’études empiriques sur les facteurs démographiques, la majorité des travaux se concentrant sur les aspects techniques. Cette recherche vise donc à combler ce manque.
- Méthodologie
L’étude repose sur une approche quantitative basée sur une enquête auprès de 150 agriculteurs.
Collecte des données
Les variables étudiées incluent :
- âge,
- niveau d’éducation,
- taille de l’exploitation,
- localisation géographique.
Instrument de mesure
Un questionnaire basé sur une échelle de Likert (5 points) analyse cinq dimensions :
- efficacité,
- coût,
- facilité d’utilisation,
- bénéfices environnementaux,
- intention d’adoption.
Hypothèses
Quatre hypothèses sont testées, notamment :
- l’impact de l’éducation,
- l’influence de la facilité d’usage,
- le rôle des préoccupations environnementales,
- l’effet de l’âge.
- Analyse des données
4.1. Analyse démographique
Les résultats montrent une prédominance des agriculteurs jeunes (25–40 ans), suggérant leur ouverture à l’innovation. À l’inverse, les plus âgés sont moins enclins à adopter ces technologies.
4.2. Analyse des perceptions
Les résultats indiquent :
- forte perception des bénéfices environnementaux (moyenne = 4,5),
- bonne perception de l’efficacité (4,2),
- mais réserves sur le coût (3,8).
Les agriculteurs reconnaissent notamment que « smart technologies enhance productivity », mais restent freinés par l’investissement initial.
4.3. Test des hypothèses
- H1 (éducation) : relation significative confirmée (« significant relationship… χ² = 5.5, p = 0.04 »)
- H2 (facilité d’usage) : influence forte (β = 0,65)
- H3 (environnement) : facteur déterminant (« significantly higher willingness to adopt »)
- H4 (âge) : adoption plus élevée chez les jeunes (jusqu’à 80 %)
- Discussion
Les résultats confirment que l’adoption dépend fortement :
- de l’éducation,
- de l’âge,
- des préoccupations environnementales,
- de la facilité d’utilisation.
Les bénéfices environnementaux apparaissent comme le principal levier d’adoption, tandis que le coût reste un frein majeur.
Par ailleurs, l’étude met en évidence des inégalités territoriales, notamment liées aux infrastructures numériques.
- Conclusion
L’agriculture intelligente constitue une réponse pertinente aux défis alimentaires et environnementaux. L’étude montre que :
- les jeunes agriculteurs et les plus diplômés adoptent davantage ces technologies,
- les préoccupations écologiques favorisent leur diffusion,
- mais les coûts initiaux limitent leur généralisation.
Ainsi, des politiques publiques adaptées sont nécessaires : formation, subventions, amélioration des infrastructures.
Comme le souligne l’article, ces transformations sont essentielles pour construire « a more resilient, more efficient, and more sustainable agricultural sector »
Conclusion
Cette recherche apporte une contribution importante en intégrant une dimension démographique à l’analyse de l’adoption des technologies agricoles. Elle met en évidence que la transition vers une agriculture intelligente ne dépend pas uniquement des technologies disponibles, mais aussi des caractéristiques sociales des agriculteurs.
Références bibliographiques
Khanna, K. (2024). Adoption of Smart Farming Technologies: A Demographic and Technological Analysis.
Zhang, Y. et al. (2022). Blockchain: An emerging novel technology to upgrade the current fresh fruit supply chain.
OECD (2021). Digital Agriculture: Opportunities and Challenges.