Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

Ordinateurs et électronique dans l'agriculture 207 (2023)

107700

Listes des contenus disponibles sur ScienceDirect

Ordinateurs et électronique dans

l'agriculture
Page d'accueil du journal : www.elsevier.com/locate/compag

Agroalimentaire 4.0 : Facteurs et liens avec l'innovation et l'éco-innovation

C. Calafat-Marzal a,*M. S'anchez-Garcíab , L. Martia , R. Puertas a
a Departamento de Economía y Ciencias Sociales. Universitat Polit`ecnica de Val`encia. Camino de Vera, s/n. Valence. Espagne
b Departamento de Gesti'on de Empresas. Universidad Pública de Navarra. Campus de Arrosadia. Pamplona. Pamplona. Espagne

A R T I C L E EN F A B S T R A C T
O
La transformation numérique touche toutes les étapes de la chaîne de valeur agroalimentaire. La numérisation est
Mots-clés : combinée à des innovations et éco-innovations pour obtenir un avantage concurrentiel et assurer une meilleure
Efficience croisée compétitivité durable. Cependant, toutes les technologies n'ont pas été mises en œuvre de la même manière et au
DEA même rythme par les différentes entreprises du secteur agroalimentaire. L'objectif de cette recherche est
Technologies numériques d'identifier les moteurs internes et externes de la digitalisation dans les entreprises agroalimentaires et de
Innovation développer un indice synthétique pour classer les entreprises en fonction de ces moteurs, avant d'examiner la
Éco-innovation relation entre la position dans le classement et l'innovation. Les résultats révèlent que les moteurs décisifs sont le
soutien de la direction et la pression concurrentielle plutôt que le soutien externe des politiques gouvernementales
ou des fournisseurs. Les entreprises les mieux classées en termes de processus de numérisation sont plus
proactives dans l'introduction d'innovations de produits et d'innovations radicales et sont les plus éco-innovantes et
donc orientées vers la durabilité. Enfin, les résultats montrent que la numérisation du secteur est marquée par la
profondeur de la m i s e en œuvre des technologies, en particulier l'IdO, le big data et l'intelligence artificielle. La
technologie Blockchain ne fait actuellement pas de dif- férence car elle n'est pas largement utilisée.

1. Introduction de l'accès et de l'utilisation de l'internet, du commerce électronique et

Les entreprises doivent devenir des entreprises intelligentes et
doivent inévitablement utiliser les technologies numériques pour
renforcer leur compétitivité (Verhoef et al., 2021). La mise en œuvre et
l'application des technologies numériques dans le secteur
agroalimentaire nécessitent l'engagement des différents acteurs du
secteur qui seront impliqués dans le processus de transformation
numérique : les agriculteurs, les producteurs, l'industrie alimentaire, la
chaîne d'approvisionnement et le marché (Ancín et al., 2022). Les
évolutions de la DT ont été désignées par différents noms, tels que
Agriculture 4.0, Smart Agriculture 4.0, Smart Farming 4.0 (da Silveira
et al., 2021 ; Rose et Chilvers, 2018), Smart Farming (Wolfert et al.,
2017) et Digital Agriculture (Shepherd et al., 2020), entre autres. S'il
inclut l'ensemble de la chaîne de production agroalimentaire, de la
production agricole à la consommation alimentaire, le terme utilisé est
agri- food 4.0.
L'impact d'événements perturbateurs tels que le changement
climatique, le Brexit et la pandémie mondiale a mis en évidence le rôle
joué par les capacités d'innovation dans le renforcement de la
résilience, de la visibilité, de la redondance, de la rapidité et de la
flexibilité de la chaîne d'approvisionnement alimentaire (Oltra-Mestre
et al., 2021). Plusieurs études ont exploré les effets de DT spécifiques sur
la performance et l'innovation des entreprises, en se concentrant sur les
technologies les plus élémentaires, les technologies de l'information et
de la communication (TIC) et les technologies de l'information et de la
communication (TIC).
des systèmes de gestion d'entreprise, à des approches perturbatrices
avancées visant l'efficacité (informatique en nuage), la connectivité
(internet des objets, IoT), la désintermédiation de la confiance
(blockchain) et l'automatisation (big data et intelligence artificielle)
(Brenner et Hartl, 2021). Toutefois, l'effet de l'adoption des DT sur un
ensemble plus large de DT spécifiques (c'est-à-dire le port- folio DT)
dans le secteur agroalimentaire a été moins analysé (Blichfeldt et
Faullant, 2021).
Les effets de cette nouvelle façon de faire des affaires restent à
définir (Galanakis et al., 2021) et les impacts des DT restent inconnus
(Lopez- Ridaura et al., 2021). La littérature montre l'absence de mise
en œuvre globale des DT dans l'ensemble du secteur agroalimentaire,
principalement en raison du profil type des entreprises du secteur :
principalement des petites et moyennes entreprises (PME) avec des
budgets limités et un faible accès aux ressources financières (Ahikiriza
et al., 2022 ; Haberli et al., 2017 ; Makinde et al., 2022). En outre, ils
présentent de faibles niveaux de renouvellement générationnel et des
compétences insuffisantes en matière de technologies de l'information
et de la communication (Marshall et al., 2020). Le soutien des cadres
supérieurs est un autre obstacle à la modernisation du secteur (Pu et
al., 2019).
Dans ce contexte, où la numérisation (qui englobe l'utilisation de
l'ensemble du portefeuille DT) et l'innovation rencontrent la durabilité
environnementale, cette recherche a un double objectif. Premièrement,
elle cherche à fournir des preuves
 * Auteur correspondant.
Adresses électroniques : macamar3@esp.upv.es (C. Calafat-Marzal), mersan@unavarra.es (M. Sa'nchez-García), mlmarti@esp.upv.es (L. Marti),
rpuertas@esp.upv.es (R. Puertas).

https://doi.org/10.1016/j.compag.2023.107700
Reçu le 9 décembre 2022 ; Reçu sous forme révisée le 29 janvier 2023 ; Accepté le 4 février 2023.
Disponible en ligne le 21 février 2023
0168-1699/© 2023 Le(s) auteur(s). Publié par Elsevier B.V. Il s'agit d'un article en libre accès sous licence CC BY-NC-ND (http://creativecommons.org/licenses/by- nc-
nd/4.0/).
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau 1
Analyse de la littérature en fonction des moteurs de la numérisation.
Auteur DT analysé Secteur Conducteurs1 Description des conducteurs

(Chatterjee et al, Intelligence artificielle Industriel 1;2;3;4;5; Interne - Technologique

6
2021)
(Shang et al., 2021) Technologies agricoles numériques 1. Avantage relatif : L'adoption des technologies numériques améliore la productivité des
Agroalimentaire 1;2;3 entreprises
(Maroufkhani et al., Big data Industrie 1;2;3;4 et réduit les coûts.
2020) ; 5; 2. Compatibilité : Perception et degré d'alignement avec la culture, les valeurs,
6;8;9 les pratiques commerciales et l'infrastructure disponible de l'entreprise.
(Zeng et al., 2021) Systèmes d'information foncière Agriculture 7 3. Complexité : Niveau de difficulté et de limitation de la compréhension et de l'utilisation
(Yoon et al., 2020) Agriculture intelligente Agroalimentaire 1 ; 2 ; 3 ; 6 4. Capacité de l'entreprise : Accessibilité des ressources organisationnelles
;9 nécessaires à la mise en œuvre, au fonctionnement et/ou à la gestion.
(Haberli-Junior et al., Planification des ressources Agriculture 1;2;3;4 Interne - organisationnel
2019)- de l'entreprise (ERP) ; 5;
6;8
(Barnes et al., 2019) Agriculture de Agriculture 7 5. Le soutien de la direction : L'engagement de la direction de l'entreprise a un impact
précision significatif car elle oriente, adapte le budget, intègre les services et les processus.
technologies
(Kamrath et al., Technologies pour améliorer Agriculture 1;2;3;4 Interne - Comportement
2018) l'emballage ; 5; Degré d'adoption : Mesure de l'adoption des DT par l'entreprise. Il va de l'adoption totale à
6;8;9 l'adoption totale.
(Haberli et al., 2017) ERP Agroalimentaire 1 ; 2 ; 3 ; 4 ; ignorance de les avoir installées il y a plus d'un an.
5; 7. Bénéfice net perçu : Amélioration de la planification et de la gestion, de
6;8;9 l'identification des problèmes, de la prise de décision, de la communication et de
(Xu et al., 2017) ERP Industriel 1;2;3;4; la coopération avec les fournisseurs et les entreprises.
5;8
(Rajan et Baral, ERP Industriel 1;2;3;4;5 les clients, la qualité des produits et la productivité.
2015)) ;8
(Tey et Brindal, Technologies Agriculture 7 Externe
2012) agricoles de précision
(Adrian et al., 2005) Agriculture de Agriculture 7 8. Pression concurrentielle : degré de pression exercé sur l'entreprise par les
précision concurrents d'un secteur.
technologies
(Premkumar et Technologies de Agroalimentaire 1 ; 2 ; 3 ; 5 9. Soutien externe : Soutien administratif et financier dans le processus
Roberts, 1999) l'information et de la ; 6; d'introduction et d'utilisation des DT, à la fois de la part des
communication 8;9 administrations publiques et des fournisseurs.
1 Le numéro fait référence au conducteur décrit dans la colonne suivante.

soutien de la direction et capacité) et externes (pression concurrentielle

sur les moteurs internes et externes du développement numérique
et soutien externe) de l'adoption de la DT.
du secteur. D'autre part, l'objectif est de développer un indicateur
Q2. La position des entreprises agroalimentaires dans le classement
synthétique (IS) qui peut être utilisé pour classer les entreprises sur
réalisé à l'aide de l'indice synthétique (IS) est-elle conditionnée par leur
la base de ces moteurs, permettant ainsi de caractériser les
orientation en matière d'innovation et/ou d'éco-innovation ?
entreprises en fonction de leur position dans le classement. Cette
La réponse à cette question dépendra du classement de la
recherche représente une nouvelle contribution à la littérature, en
numérisation selon les résultats de l'IS, qui permettra de caractériser
définissant des lignes d'action qui faciliteront la transition vers le
les entreprises les mieux classées qui peuvent servir de modèle pour
secteur agroalimentaire moderne exigé par le marché. La
aider à améliorer la stratégie du secteur vers la mise en œuvre de la
communauté scientifique a développé une littérature abondante
DT. Dans le processus de caractérisation des entreprises, nous
visant à déterminer la contribution des facteurs internes et externes
examinons la relation entre le classement des entreprises et le type
à ce processus. Le présent document va plus loin en construisant un
d'innovations développées par l'entreprise, y compris les éco-
indice synthétique (IS) basé sur les moteurs technologiques, ce qui nous
innovations. En outre, il sera possible de
permet de détecter les opportunités et les obstacles pour les
entreprises confrontées au défi de la numérisation. En outre,
l'ensemble du portefeuille DT est inclus dans l'analyse afin de
déterminer quelles technologies jouent le rôle le plus important dans
la promotion de la numérisation du secteur. Les résultats aideront à
guider les décideurs dans la tâche ardue de mettre en œuvre des
politiques innovantes qui encouragent les entreprises
agroalimentaires à utiliser les DT pour stimuler la compétitivité et
renforcer leur position sur le marché. L'analyse s'appuie sur des
informations statistiques primaires collectées dans le cadre d'une
enquête menée en 2022 auprès d'entreprises agroalimentaires
espagnoles afin d'obtenir des données sur leur activité au cours de
la période 2017-2021. Plus précisément, l'objectif est de répondre
à deux questions de recherche :
Q1. Les moteurs internes et externes de la numérisation affectent-
ils uniformément la mise en œuvre des DT dans le secteur
agroalimentaire ?
L'objectif est de déterminer s'il existe différents modèles de
comportement des entreprises en fonction des facteurs internes (degré
d'adoption, avantages, avantage relatif, compatibilité, complexité,
2
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
analyser le classement obtenu par rapport à la mise en œuvre de
107700
chaque type de technologie, à la fois en termes d'étendue (nombre
de DT) et de profondeur (degré d'utilisation des DT), ce qui permet une
analyse plus précise. Les résultats peuvent être utilisés pour définir
des interventions politiques et sectorielles qui favorisent le progrès du
secteur agroalimentaire.
Le reste du document est structuré comme suit. La section 2
présente une revue de la littérature sur la transition numérique du
secteur agroalimentaire, afin de montrer le chemin parcouru et de
définir les objectifs de l'étude. La section 3 décrit la méthodologie et les
informations statistiques utilisées dans l'analyse empirique. La
section 4 présente les résultats, qui permettent de répondre aux
questions de recherche posées, et les discute par rapport à la
littérature existante. Enfin, la section 5 résume les conclusions, les
implications pour la gestion et les perspectives de recherche future.

2. La transformation numérique du secteur agroalimentaire

: Connexions et moteurs

La capacité technologique des entreprises est un élément

essentiel pour accélérer leurs activités d'innovation et est considérée
comme l'une des capacités dynamiques les plus pertinentes pour
obtenir un avantage concurrentiel et une compétitivité durable
(Blichfeldt et Faullant, 2021 ; DeLay et al., 2022). Une question clé
est de savoir si l'adoption de la technologie peut aider les entreprises
à devenir plus innovantes dans tous les types d'innovation (produit,
processus, organisation et marketing). Une autre question est de
savoir si la numérisation stimule davantage les innovations
progressives ou radicales (Acemoglu et al., 2022 ; Blichfeldt et
Faullant, 2021 ; Linnan et al., 2021). En outre, le développement et la
mise en œuvre des DT sont combinés avec des innovations, à la fois
générales et spécifiquement orientées vers la durabilité, telles que les
éco-innovations. Mon- dejar et at. (2021) analyse le lien entre la
numérisation du secteur agroalimentaire et la réalisation des objectifs
de développement durable (ODD).
Plusieurs études ont exploré les effets de DT spécifiques sur les
performances des entreprises (da Silveira et al., 2021) et sur
l'innovation, et analysé les moteurs internes et externes. Le tableau 1
présente une sélection d'études qui analysent la mise en œuvre de
DT spécifiques dans des secteurs liés à la présente étude, ainsi que
les principaux moteurs du point de vue de la gestion d'entreprise.
Cette classification distingue les moteurs selon qu'ils

3
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700

Fig. 1. Degré d'adoption des DT du portefeuille sélectionné.

Fig. 2. Niveau moyen d'acceptation des moteurs de la

numérisation.

l'Institut européen d'innovation et de technologie (EIT). Un exemple

sont internes ou externes à l'entreprise. Les facteurs internes
spécifique est l'EIT Food, qui relie les partenaires de la chaîne de valeur
comprennent ceux qui sont liés à la technologie elle-même (Internal-
alimentaire des universités, des instituts de recherche et des entreprises.
T), à l'organisation de l'entreprise (Internal-O), à l'attitude vis-à-vis de
l'adoption des technologies de l'information (Inter- nal-A). Les facteurs
externes comprennent la pression concurrentielle et la capacité
d'accéder à un soutien externe. Ces facteurs seront utilisés pour
examiner l'ensemble du portefeuille de DT et fournir une vue plus
complète de la mise en œuvre de la numérisation dans le secteur.
La plupart des études analysent les facteurs internes ou
endogènes qui influencent l'intention d'adopter les technologies de
l'information dans les organisations. En revanche, les facteurs
externes sont moins souvent étudiés, la pression concurrentielle étant
généralement le facteur pris en compte et le soutien externe étant
négligé. Cependant, les gouvernements ont un impact sur l'adoption
des technologies dans les PME (Yoon et al., 2020). Dans le contexte
européen, des initiatives et des actions ont été développées, telles que
les communautés de la connaissance et de l'innovation (CCI) de
4
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
des centres, des instituts et des entreprises dans les pays européens.
107700
En outre, la création de la "Smart Specialisation Platform" dédiée au
secteur agroalimentaire permet des actions de collaboration entre les
régions de l'UE (Ciampi Stanˇcov'a et Cavicchi, 2019).
Les moteurs technologiques internes sont analysés dans la
plupart des études citées, à l'exception de la capacité. Ce facteur est
associé aux compétences, aux connaissances, aux capacités et à
l'infrastructure nécessaires à la mise en œuvre et à l'exploitation des
DT, et est donc essentiel à l'efficacité des DT sur le lieu de travail. Le
facteur organisationnel interne est analysé dans l'étude la plus
pertinente en la matière, où l'on constate que le soutien de la
direction générale est un facteur déterminant de l'adoption réussie de
l'innovation. La perception du bénéfice net est un facteur pris en
compte dans les études analysant les technologies de précision. Ces
études soulignent le fait que les adoptants ont tendance à exploiter
de plus grandes surfaces et soulignent que cela indique la capacité à
assumer un certain risque lorsqu'ils investissent dans des
technologies plus récentes et plus vastes (Barnes et al., 2019).

5
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700

Fig. 3. Conception de la recherche.

d'autres plus perturbateurs, récents et complexes (big data, IoT,

3. Matériels et méthodes
intelligence artificielle et blockchain). Le degré d'adoption de chacun de
ces DT a été évalué
3.1. Matériaux

L'analyse empirique se concentre sur le secteur agroalimentaire

espagnol, l'un des secteurs industriels les plus importants du pays. En
outre, il représente 10,1 % de l'ensemble du secteur agroalimentaire
de l'UE, derrière la France et l'Italie (Maudos et Salamanca, 2020).
L'échantillon est composé d'entreprises des secteurs de
l'agriculture et de l'industrie agroalimentaire. Les données statistiques
sur le secteur agricole en Espagne (Gobierno de Espan˜a, 2022)
indiquent qu'il est presque entièrement composé de PME : seules 0,1 %
des entreprises sont de grande taille (plus de 250 employés). Parmi
les PME du secteur agricole, 62,7 % n'ont pas d'employés, 33,8 %
sont des micro-entreprises (1-9 employés), 3,1 % sont des petites
entreprises (10-49 employés) et 0,3 % sont de taille moyenne (50-249
employés). L'industrie agroalimentaire est la première branche
manufacturière du secteur industriel, avec un chiffre d'affaires de 126
354,1 M€, ce qui représente
25,4 % du secteur manufacturier, 22,5 % de l'emploi total, et
20,6 % de la valeur ajoutée. Parmi ces entreprises agroalimentaires,
96,5 % sont des petites entreprises et 79,5 % des micro-entreprises.
L'échantillon de l'étude comprend des entreprises de toutes ces tailles,
ce qui reflète les caractéristiques du secteur. Les informations
provenant des entreprises agroalimentaires espagnoles ont été
obtenues par téléphone en mars 2022. Au total, 200 enquêtes ont été
administrées à des entreprises sélectionnées pour avoir mené des
activités de recherche et de développement au cours de la période
2017-2021, y compris des entreprises appartenant aux différentes
communautés autonomes et au secteur (agriculture et industrie
agroalimentaire). Les caractéristiques et la répartition territoriale de
l'échantillon peuvent être consultées à l'annexe 1 (tableau A1 et figure
A1 respectivement). Sur l'ensemble de l'échantillon, 78 % sont des
petites entreprises 1(<50 travailleurs). En ce qui concerne l'activité
d'innovation, plus des deux tiers ont réalisé des innovations de produit
et de procédé au cours des années analysées (78,5 % et 76,5 %,
respectivement), avec plus d'entreprises réalisant des innovations
radicales que des innovations incrémentales (59 % et 42 %,
respectivement). En outre, la moitié d'entre elles ont fait preuve
d'intérêt pour les questions environnementales (Eco-innova-
tion, 52,5 %).
Les DT étudiés vont des plus simples (internet, commerce
électronique, systèmes de gestion et informatique en nuage) à

6
C. Calafat-Marzal et al. 4. Méthodes Ordinateurs et électronique dans l'agriculture 207 (2023)
sur une échelle de cinq points, où 1 indique que l'entreprise ne
107700
connaît pas ou n'a pas installé cette technologie et 5 indique qu'elle
Après avoir décrit l'échantillon, les DT et les moteurs utilisés pour
est installée depuis plus d'un an. La figure 1 montre les valeurs
répondre aux deux questions de recherche, différentes méthodes sont
moyennes obtenues pour chaque DT et le pourcentage de mise en
appliquées aux informations primaires collectées auprès des
œuvre. Ainsi, les DT les plus simples sont utilisés par 70 à 100 % des
entreprises agroalimentaires. La figure 3 présente les principales
entreprises, en raison de leur facilité d'accès et d'utilisation. À
méthodes utilisées dans l'analyse empirique.
l'inverse, les DT les plus complexes, comme l'intelligence artificielle,
L'application de l'analyse en grappes apporte une réponse à la
ne sont utilisés que par un peu plus de 55 % des entreprises.
question 1 en identifiant les modèles possibles de comportement des
Pour les autres conducteurs, une échelle de Likert en 5 points a été
entreprises autour des facteurs internes et externes qui influencent la
utilisée, où 1 signifie "pas du tout d'accord" et 5 "tout à fait d'accord".
2Pour la plupart des pilotes, le degré d'acceptation moyen est mise en œuvre de la DT. Cette méthode a déjà été utilisée dans la
littérature sur la numérisation pour étudier la relation entre les
supérieur à 3, ce qui indique un bon degré d'acceptation, bien qu'il y
segments d'acheteurs et l'utilisation des canaux de vente numériques
ait une certaine marge d'amélioration (Fig. 2).
(Schwering et al., 2022), pour comparer le degré de pénétration dans
Plus précisément, les moteurs internes obtiennent de meilleurs
différents pays (Popkova et Sergi, 2022) et pour analyser les
résultats que les moteurs externes. L'avantage relatif est le mieux
typologies et les motivations des utilisateurs par rapport aux systèmes
noté, avec un score moyen supérieur à 4, suivi par les avantages
d'information sur la gestion agricole (Schulze Schwering et al., 2022).
(3,83), la compatibilité (3,73) et le soutien de la direction (3,71). Ce
Le processus de regroupement est divisé en trois étapes. Tout
déterminant présente la plus grande variabilité (écart-type = 1,02),
d'abord, une analyse hiérarchique des grappes est effectuée au
c'est-à-dire le plus faible niveau de correspondance entre les
moyen de la méthode de Ward, en utilisant le carré de la distance
entreprises. La complexité enregistre un score moyen de 3,65, mais
euclidienne pour identifier les grappes possibles. Deuxièmement,
c'est celui qui présente la plus faible variabilité (écart-type = 0,8). Le
après une comparaison systématique des grappes possibles, un
soutien externe (3,18) a la valeur moyenne la plus faible.
dendrogramme est construit pour déterminer le nombre de grappes
convenant à l'étude

1 Les petites entreprises représentent 81 % du secteur agroalimentaire en Espagne (ministère de l'Agriculture, de l'Alimentation et des Affaires rurales).
Industrie, 2022). 2 Les valeurs moyennes utilisées figurent à l'annexe 2.

7
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau 2
Clusters basés sur les moteurs internes et externes de la mise en œuvre de la DT.
Type. Conducteur Cl 1 Les adoptants Cl 2 Adopteurs modérés Cl 3 Les nouveaux Moyenne Kruskal- Wallis H Valeur p
forts. adoptants Total
Interne-A Degré d'adoption 4.11 3.71 3.09 3.65 36.45 0.00
Interne-A Avantages 4.44 3.96 3.04 3.83 87.30 0.00
Interne-T Avantage relatif 4.69 4.10 3.21 4.01 103.90 0.00
Interne-T Compatibilité 4.57 3.60 3.08 3.74 92.01 0.00
Interne-T Complexité 4.09 3.77 3.06 3.66 48.32 0.00
Interne-O Soutien à la gestion 4.64 3.65 2.88 3.71 97.49 0.00
Interne-O Capacité 3.95 3.47 2.98 3.47 39.26 0.00
Externe Pression concurrentielle 4.32 3.67 2.61 3.55 88.06 0.00
Externe Soutien externe 3.44 3.59 2.34 3.18 77.01 0.00
Caractérisation des grappes CL1 CL2 CL3 Total Chi-sq Cont. Coeff. Valeur p
Nombre d'entreprises (%) 29.5 41.0 29.5
Secteur (%) 4.896 0.155 0.086
Entreprises agricoles 17.5 20.5 11.5 49.5
Entreprises industrielles 12.0 20.5 18.0 50.5
Taille de l'entreprise (%)
Micro-entreprises (<10 employés) 8.5 7.5 9.5 25.5 8.491 0.202 0.204
Petite (10-50 employés) 11.5 22.0 15.5 49.0
Taille moyenne (50-250 employés) 8.0 10.0 4.0 22.0
Grande (plus de 250 employés) 1.5 1.5 0.5 3.5

échantillon. Enfin, le test de Kruskal-Wallis est utilisé pour tester les où m et s correspondent respectivement au nombre d'entrées et de
différences significatives entre les variables dans les groupes établis. sorties ; yrj la valeur de la sortie r de la jème DMU ; xij la valeur de
Pour répondre à la question 2, il faut tout d'abord élaborer un indice l'entrée i de la jème DMU ; urk le poids de la sortie r ; vik le poids de
d'intégrité basé sur les facteurs technologiques, qui servira ensuite à l'entrée i ; Ekj est la valeur d'efficacité de la DMU j calculée à l'aide des
classer les entreprises. L'étape suivante consiste à examiner si la poids optimaux.
position de l'entreprise dans l'IS est liée au profil innovant et/ou éco-
innovant de l'entreprise, ainsi qu'à l'ampleur et à la profondeur de la
mise en œuvre des différents types de DT. L'IS est construit au moyen
d'une variante de l'analyse de développement des données (DEA)
appelée efficacité croisée (EC).
L'AED repose sur des modèles de programmation linéaire non
paramétriques, dans lesquels les intrants et les extrants qui définissent
chaque observation (unités de prise de décision, UDP) sont combinés
pour construire une frontière de production. L'objectif est soit de
maximiser les résultats avec les ressources disponibles (orientation
vers les résultats), soit de minimiser les intrants avec les résultats
définis (orientation vers les intrants). La distance de chaque DMU par
rapport à la frontière détermine le niveau d'efficacité, dont la valeur est
comprise entre 0 et 1, 1 correspondant aux observations qui atteignent
le degré d'efficacité maximal. La formulation originale de l'AED est
attribuée à Charnes et al. (1978), qui n'ont considéré que des
augmentations proportionnelles des variables, c'est-à-dire qu'ils ont
développé le modèle sous l'hypothèse de rendements d'échelle
constants (CRS). Par la suite, pour analyser des situations plus
réalistes, Banker et al. (1984) ont reformulé la DEA avec des
rendements d'échelle variables (VRS). Cette méthode a été largement
utilisée par la communauté scientifique pour déterminer les niveaux
d'efficacité dans de nombreux domaines de l'économie, tels que la
consommation d'eau (García-Molla' et al., 2021), l'éco-innovation (Kiani
Mavi et Kiani Mavi, 2021) et même l'énergie (Wang et al., 2022).
L'EC est défini selon les mêmes principes que la DEA, mais son
objectif est différent : il s'agit d'établir un classement de toutes les
observations qui composent l'échantillon. Cela permet aux chercheurs
de contourner l'une des principales limites de la DEA, à savoir que
deux UGD différentes peuvent obtenir le même score d'efficacité. La
formulation originale de l'EC est attribuée à Sexton et al. (1986) et a
ensuite été validée par Doyle et Green (1994). Elle consiste à effectuer
une évaluation par paire, c'est-à-dire à déterminer les valeurs
d'efficacité n fois pour chacune des UGD, en utilisant les poids
optimaux obtenus lors de l'évaluation individuelle de chacune d'entre
elles. La matrice CE est construite à partir des éléments calculés selon
l'expression suivante :
∑s
urkyrj
r=1
CEkj= ∑ m j = 1, �, n ; k = 1, �, n (1)
vikxij
i=1

8
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
de l'UGD k et prend des valeurs comprises entre 0 et 1. Ainsi, l'EC de
107700
chaque UGD est calculé en faisant la moyenne des scores par paire.
1
CEj = ∑Ekj j = 1, �, n (2)
n k∕=j
Comme la DEA, cette méthode nécessite la spécification des
intrants et des extrants. A cette fin, une analyse en composantes
principales (ACP) a été effectuée avant l'EC, afin de regrouper les
variables obtenues à partir des enquêtes en facteurs. La méthode de
rotation varimax a été utilisée à cette fin, en utilisant les statistiques
des tests de KMO et de Bartlett (Schwering et al., 2022).
Compte tenu de la nature des données utilisées, il est nécessaire de
convertir les intrants en facteurs à améliorer en appliquant une trans-
formation monotone décroissante, c'est-à-dire en soustrayant la
valeur maximale de la variable de la valeur originale (Martí et al.,
2017 ; Puertas Medina et al., 2022). Cette approche a été largement
utilisée dans la littérature pour la construction des SI (de Castro-
Pardo et al., 2022 ; Martí et al., 2022).
Le principal avantage de l'EC est que, en plus de fournir un
classement unique des DMU, il élimine les schémas de pondération
irréalistes sans nécessiter l'élicitation de restrictions de poids de la
part d'experts en applica- tion (Anderson et al., 2002). Les calculs
sont effectués à l'aide du progiciel statistique deaR mis en œuvre
dans Rstudio (Coll-Serrano et al., 2018).
Enfin, des tableaux de contingence sont établis et le test du chi-
quarré de Pearson est réalisé pour caractériser les clusters établis et
identifier l'association entre la position des entreprises dans le
classement et le profil innovant et/ou éco-innovant. Pour ce faire, le
classement est divisé en quartiles. Le premier quartile représente les
50 premières entreprises du classement, et ainsi de suite. Le lien
entre les quartiles et les innovations des entreprises est analysé, en
se concentrant sur le type (produit, processus, organisation et
marketing), la vitesse (incrémentale ou radicale), l'orientation vers la
durabilité (si elles ont mené des activités d'éco-innovation). Toutes
les variables sont converties en variables nominales pour être
analysées à l'aide de tableaux de contingence. Cette technique a
récemment été utilisée pour étudier les associations entre les facteurs
dans différents domaines, tels que le secteur de l'énergie (Martí et al.,
2022), la sécurité alimentaire (Marti et al., 2021) et l'éducation (Aleixo
et al., 2020).

5. Résultats et discussion

5.1. Q1. Les moteurs internes et externes de la numérisation

affectent-ils uniformément la mise en œuvre des DT dans le secteur
agroalimentaire ?

En appliquant l'analyse en grappes, les observations de

l'échantillon ont été réparties en trois groupes en fonction des moteurs
internes et externes de l'économie.

9
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau 3 Tableau 5
Matrice des composantes tournées de l'ACP des moteurs de la numérisation. Pourcentage d'entreprises dans les quartiles de l'IS par groupe, type
Type Conducteur Facteur 1 Facteur 2 d'innovation, éco-innovation et type de technologie.

Interne-O Capacité 0.890 0.097 SI Numérisation (Quartiles)

Interne-T Complexité 0.767 0.204
Premiè Deuxième Troisiè Quatriè Total
Interne-T Compatibilité 0.740 0.271
Interne-O Soutien à la gestion 0.601 0.471 re % memen me
Interne-A Degré d'adoption 0.541 0.257 % t %
Externe Pression concurrentielle 0.120 0.835 %
Interne-A Avantages 0.271 0.808 Groupement Fort 19.9 9.5 1.0 0.0 29.5
Interne-T Avantage relatif 0.379 0.756 d'entreprises
Externe Soutien externe 0.166 0.559 Modéré 6.0 15.5 17.0 2.5 41.0
Résultats des L'émergenc 0.0 0.0 7.0 22.5 29.5
tests Types de
e
Bartlett, valeur p = 0,000 et KMO = 0,848
l'innovation
Pourcentage de variance expliquée 60,96
Produit(*) Oui 22.5 19.5 21.0 15.5 78.5
%. Alpha de Cronbach = 0,858
Non 2.5 5.5 4.0 9.5 21.5
Processus Oui 20.0 20.0 18.0 18.5 76.5
Non 5.0 5.0 7.0 6.5 23.5
Organisation Oui 15.0 14.0 16.0 16.5 61.5
Tableau 4
Non 10.0 11.0 9.0 8.5 38.5
Relation entre la position de l'entreprise dans le classement et l'appartenance à Marketing Oui 14.0 12.5 17.5 14.5 58.5
un groupe, les types d'innovation et les types de technologie. Non 11.0 12.5 7.5 10.5 41.5
Variable X-Variable Y Chi-sq Contingence p- Incrémentale Oui
Non 11.0
8.0 11.5
8.0 11.5
9.5 8.0
15.5 42.0
41.0
coefficient valeur Non 14.0 13.5 13.5 17.0 58.0
Éco-innovation(*) Oui 14.5 16.5 12.5 9.0 52.5
Radical(*) Oui 17.0 17.0 15.5 9.5 59.0
Non 10.5 8.5 12.5 16.0 47.5
Classement - 184.733 0.693 0.000
Appartenance
Type de
à un groupe
technologie
Classement - Type d'innovation
Accès à l'internet Oui 24.0 24.5 24.5 23.0 96.0
Produit 12.887 0.246 0.005 utiliser
Processus 1.418 0.084 0.701 Non 1.0 0.5 0.5 2.0 4.0
Organisation 1.246 0.079 0.742
Commerce Oui 17.0 16.0 14.0 10.5 57.5
Marketing 4.346 0.146 0.226
électronique(*)
Incrémentale 2.791 0.117 0.425 Non 8.0 9.0 11.0 14.5 42.5
Radical 12.650 0.244 0.005 Entreprise Oui 18.0 19.0 15.5 11.5 64.0
Éco-innovation 9.845 0.217 0.020 ressource Non 7.0 6.0 9.5 13.5 36.0
Classement - Type de planification(*)
technologie
Nuage Oui 20.0 20.0 16.5 12.5 69.0
a. Accès et utilisation de l'internet 3.125 0.124 0.373
informatique(*)
b. Commerce électronique 8.082 0.197 0.044
Non 5.0 5.0 8.5 12.5 31.0
c. Planification des ressources de 11.688 0.235 0.009
l'entreprise Big data(*) Oui 9.0 6.0 4.5 1.0 20.5
d. Informatique en nuage 18.462 0.291 0.000 Non 16.0 19.0 20.5 24.0 79.5
e. Big data 19.168 0.296 0.000 IoT(*) Oui 14.0 10.0 5.5 4.5 34.0
f. Internet des objets (IoT) 25.435 0.336 0.000 Non 11.0 15.0 19.5 20.5 66.0
g. Intelligence artificielle 11.097 0.229 0.011 Artificiel Oui 7.0 5.5 1.5 2.0 16.0
le renseignement(*)
h. Blockchain 5.174 0.159 0.160 Non 18.0 19.5 23.5 23.0 84.0
Blockchain
facilement Oui
la productivité 5.0s'adaptant
en 7.5 aux6.0 4.0changement
effets du 22.50
la numérisation. Les groupes définis révèlent des profils Non 20.0 17.5 19.0 21.0 77.50
climatique (Zhai et al., 2020). Toutefois, les entreprises
comportementaux différents (tableau 2).
agroalimentaires exigent un accès plus souple au financement pour
Groupe 1 (CL1), les grands adeptes : Ce groupe est composé de 59
pouvoir mettre en œuvre les mesures de modernisation.
entreprises (29,5 % de l'échantillon), dont la plupart sont des entreprises
les développements requis par le marché (Ammann et al., 2022).
agricoles. Les entreprises de CL1 enregistrent des valeurs plus
élevées pour les moteurs que la moyenne de l'ensemble de Groupe 2 (CL2), adopteurs modérés : Comprend 82 entreprises (41 %
l'échantillon. Elles présentent une différence particulièrement notable des
par rapport aux autres clusters pour le déterminant interne relatif à la
personne qui devrait promouvoir et diriger l'adoption de la DT
(Soutien de la direction, 4,64), enregistrant une valeur supérieure de
près d'un point à celle des autres clusters. Ce groupe affiche des
valeurs élevées pour les variables technologiques internes (avantage
relatif, 4,69 ; compatibilité, 4,57 ; complexité, 4,09). Selon Vecchio et
al. (2020), la mise en œuvre de la DT est conditionnée par la facilité
d'utilisation et la capacité à intégrer ces technologies dans les
routines quotidiennes. Les résultats de l'enquête de Pathak et al.
(2019) confirment que l'avantage relatif et la motivation sont les
facteurs qui influencent le plus fortement l'adoption de la DT dans
l'agriculture. En outre, le soutien externe, tant privé que public,
devrait être encouragé pour parvenir à une modernisation qui
contribue à atténuer la pression concurrentielle (Pression
concurrentielle, 4,32) et à améliorer l'accès aux ressources financières
qui permettent la bonne numérisation du secteur (Capacité, 3,95). À
l'opposé, le soutien externe, malgré la valeur enregistrée (3,44),
présente peu de différence avec le reste des clusters, ce qui indique
une marge d'amélioration. La modernisation permet d'augmenter plus
10
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
(*) Relation significative selon le test du chi-deux.

de l'échantillon), répartis équitablement entre l'agriculture et l'industrie.

Les notes moyennes attribuées par les entreprises de CL2 aux
facteurs de DT sont plus élevées que la moyenne de l'échantillon, à
l'exception des variables organisationnelles internes Soutien de la
direction (3,65) et Capacité (3,47). L'adoption des DT nécessite des
changements organisationnels et infrastructurels qui peuvent être
difficiles à mettre en œuvre pour certaines entreprises. Les résultats
de Vecchio et al. (2020) montrent qu'il existe une "inertie
organisationnelle" dans le secteur agricole, qui empêche la mise en
œuvre de nouvelles technologies. Il existe une certaine intolérance à
l'égard de la numérisation en raison de son apparente divergence
avec les valeurs, la culture et l'infrastructure des entreprises agricoles
(Compatibilité, 3.60). Selon Chatterjee et al. (2021), la compatibilité
organisationnelle influe sur l'utilité perçue. Les scores des autres
dimensions sont similaires à ceux décrits pour les entreprises du CL1.
Groupe 3 (CL3), les nouveaux adoptants : Ce groupe est composé de
59 entreprises (29,5 % de l'échantillon) et provient principalement du
secteur industriel.
secteur.
Les entreprises de la CL3 obtiennent des scores inférieurs à la
moyenne pour tous les moteurs. Les plus mauvais scores sont
enregistrés dans la catégorie des moteurs organisationnels internes
(soutien à la gestion, 2,88 ; capacité, 2,88) et externes (pression
concurrentielle, 2,61 ; soutien externe, 2,34), qui sont des éléments
clés pour assurer la modernisation du secteur. À cet égard,
Chatterjee et al. (2021) et Maroufkhani et al. (2020) expliquent qu'une
action décisive et la vision des décideurs sont essentielles pour créer
un écosystème favorable.

11
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau A1
Caractérisation des entreprises interrogées.

l'appartenance à chaque quartile du classement et les variables

pour les nouvelles technologies. Les cadres supérieurs doivent stimuler
décrites.
le changement organisationnel, en communiquant la bonne vision pour
l'entreprise (Kandil et al., 2018). L'apprentissage continu et la diffusion
mondiale du besoin de technologie sont essentiels pour garantir le
succès de cette entreprise (Maroufkhani et al., 2020).
En résumé, les différences entre les notes attribuées aux moteurs
internes et externes de la numérisation marquent la différence entre
les adoptants forts et les adoptants émergents, le soutien de la
direction et la compétitivité étant les divergences les plus notables.
Ces résultats coïncident avec ceux rapportés par (Annosi et al.,
2020), qui ont conclu que parmi les différents facteurs associés à
l'adoption de la DT, les variables organisationnelles sont les plus
importantes, et ceux de Lioutas et al. (2021), qui ont souligné que le
soutien de la direction est décisif pour promouvoir, diriger et être prêt à
prendre les risques nécessaires à une numérisation réussie. Le
soutien externe, avec des scores plus faibles et peu de différence
entre les groupes, est un facteur qui peut encore être amélioré.
Après avoir déterminé les facteurs internes et externes qui
différencient principalement les clusters les uns des autres, nous
établissons un classement basé sur les facteurs, afin d'identifier et de
caractériser les meilleures et les pires entreprises. Cela nous
permettra de répondre à la deuxième question de recherche.
Q2. La position des entreprises agroalimentaires dans le
classement réalisé à l'aide de l'IS est-elle conditionnée par leur
orientation en matière d'innovation et/ou d'éco-innovation ?
Avant de construire l'IS, les facteurs doivent être classés en
entrées et en sorties. À cette fin, une ACP a été réalisée, identifiant
deux facteurs (Bartlett, valeur p = 0,000 et KMO = 0,848), avec une
variance totale expliquée de plus de 60 % (tableau 3). En outre, la
matrice des composantes en rotation montre un regroupement clair
des variables. Le facteur 1 est composé de facteurs internes qui
représentent les besoins de l'entreprise lors de l'adoption de DT
(compatibilité, complexité et capacité), liés aux pratiques
commerciales et culturelles, à l'infrastructure technologique et aux
compétences. Le facteur 2 définit le résultat de la numérisation et
comprend deux facteurs internes (bénéfices et avantage relatif) et
deux facteurs externes (pression concurrentielle et soutien externe).
Compte tenu de ces résultats, le facteur 1 est attribué aux intrants et le
facteur 2 aux résultats, comme l'exige l'application de l'EC.
L'IS construit au moyen de l'EC permet de produire un classement
des entreprises agroalimentaires, qui peut ensuite être divisé en
quartiles. Le tableau 4 présente les statistiques des relations entre

12
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
Les résultats révèlent que l'innovation de produit, l'innovation
107700
radicale et l'éco-innovation sont associées à la position dans l'IS (le
Chi-sq présente une valeur p < 0,05), mais aucune association n'est
trouvée avec les autres options d'innovation (valeur p supérieure à
0,05). Les associations entre les types de DT et la position des
entreprises dans le classement sont toutes significatives, sauf pour la
technologie la plus accessible (accès et utilisation de l'internet) et la
plus perturbatrice (Blockchain). Ainsi, l'IdO, le big data et
l'informatique en nuage présentent le lien le plus fort entre la position
dans le classement et la mise en œuvre, façonnant le degré de
numérisation du secteur.
Les tableaux de contingence ci-dessous montrent le pourcentage
d'entreprises dans chaque quartile de l'IS et dans chacune des
variables analysées (tableau 5). (Voir tableau A1.tableau A2.).
Les entreprises les mieux placées dans le classement (premier
quartile de l'IS) se situent principalement dans la catégorie CL1
(grands adoptants) et quelques-unes dans la catégorie CL2
(adoptants modérés). Les entreprises les moins bien classées se
trouvent principalement dans la catégorie CL3 (adopteurs
émergents).
Un grand pourcentage des entreprises les mieux classées sont
des innovateurs de produits. L'adoption de technologies et
l'innovation requièrent des compétences différentes : l'innovation de
produits exige que l'entreprise assimile les besoins des clients pour
concevoir de nouveaux produits, tandis que l'adoption de
technologies requiert des compétences techniques pour faciliter leur
application (Oltra-Mestre et al., 2021). Il a été démontré que
l'adoption et l'utilisation des DT dans les entreprises sont associées à
la capacité d'introduire de nouveaux produits sur les marchés, ce qui
confère aux entreprises un avantage concurrentiel. Ali et al. (2021),
dans leur étude sur les entreprises agroalimentaires indiennes,
suggèrent qu'une plus grande profondeur dans l'adoption des
technologies est nécessaire pour diversifier les innovations de
produits. Oltra-Mestre et al. (2021) décrivent comment les DT mises
en œuvre dans les entreprises agroalimentaires espagnoles ont
amélioré la fonctionnalité pour répondre aux besoins des clients avec
des produits plus esthétiques. Les résultats obtenus par Blichfeldt et
Faullant (2021) concernant les industries de transformation montrent
que les entreprises ayant des niveaux plus élevés d'innovation de
produits sont associées à un degré plus élevé de mise en œuvre de
la DT.
La relation entre la position dans l'IS et l'innovation radicale
indique que le pourcentage d'entreprises qui réalisent des innovations
radicales est plus élevé dans le premier quartile. Ces types
d'innovations conduisent à des changements fondamentaux et offrent
des opportunités de répondre à des perturbations majeures ; elles
sont donc souvent associées au développement et à l'utilisation de
nouvelles technologies (Blichfeldt et Faullant, 2021). Pichlak et Szro-
mek (2021) ont constaté que les entreprises les plus innovantes en
Pologne ont des capacités technologiques plus élevées et sont
principalement engagées dans des in- novations radicales. Linnan et
al. (2021) indiquent que la relation leadership-innovation est plus forte
pour les innovations radicales que pour les innovations incrémentales

13
 C. Calafat-Marzal et al.
Tableau A2
Description et valeurs moyennes des variables de numérisation.
Variable Description de la variable
Degré d'adoption 1. Connu ou non connu, mais pas adopté actuellement
44 %
2. Dans la planification
3. Dans l'installation
4. Récemment installé
5. Installé depuis plus d'un an
Avantages Valeur moyenne
a) Amélioration de la planification et de la gestion
b) Amélioration de l'identification des problèmes
c) Amélioration de la prise de décision
d) Amélioration de la communication et de la coopération
avec
les fournisseurs et les clients.
e) Amélioration de la qualité des produits
(f) Gains de productivité
Avantage (g) Augmentation des prestations
Valeur moyenne
relatif
a) Contribue à réduire les coûts
b) Améliore la productivité de l'entreprise
c) Aide à identifier de nouvelles opportunités (produits ou
3.97
services)
(d) Facilite l'accès à de nouveaux clients ou marchés 3.93
e) Permet à l'entreprise d'être plus durable et plus
respectueuse de l'environnement.
respectueuse de l'environnement.
Compatibilité Valeur moyenne
(a) Elle est cohérente avec les pratiques
commerciales actuelles de l'entreprise.
b) Il est compatible avec la culture et les valeurs
de l'entreprise.
c) Il est compatible avec l'infrastructure
technologique actuelle de l'entreprise
(matériel et logiciel).
ComplexitéValeur moyenne
a) L'utilisation de nouveaux DT est facile pour l'entreprise 3.37
(b) Il serait possible d'utiliser de nouveaux DT
dans l'entreprise
c) Les employés pourraient rapidement apprendre
à utiliser les nouveaux DT.
Gestion Valeur moyenne
soutien a) Promouvoir et soutenir l'utilisation des nouveaux
DT
b) Participe activement au processus d'adoption
de nouveaux DT dans l'entreprise et le dirige.
c) Est prêt à prendre des risques ou prend des
risques pour conduire le processus d'adoption de
nouveaux DT dans l'entreprise.
(d) L'adoption de nouveaux DT est une priorité stratégique3.51
Entreprise Valeur moyenne
capacité a) Infrastructure technologique adéquate pour
pouvoir mettre en œuvre les nouveaux DT
(b) une infrastructure technologique adéquate
pour pouvoir exploiter ou gérer les nouveaux DT
c) Les talents ou les compétences
nécessaires dans l'entreprise pour mettre en
œuvre de nouvelles technologies.
DTs
d) Les talents ou les compétences nécessaires
à l'entreprise pour exploiter ou gérer les
nouveaux DT.
CompétitifValeur moyenne
Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
parce qu'un soutien décisif de la direction à la modernisation encourage
l'introduction de développements plus complexes nécessitant
Moyenne davantage de ressources techno- logiques. Acemoglu et al. (2022)
valeurs montrent que les entreprises qui sont plus "ouvertes à la perturbation"
sont plus susceptibles de s'engager dans l'innovation radicale.
En ce qui concerne le lien entre la numérisation et l'éco-innovation,
7% le tableau 5 montre une plus forte concentration d'entreprises éco-
3% innovantes dans les deux premiers quartiles de l'IS. La moitié des
4%
entreprises les mieux classées alignent leurs activités sur l'éco-
40 %
3.83 innovation ; par conséquent, deux domaines qui peuvent progresser
4.15 ensemble, la numérisation et la durabilité, commencent à gagner du
4.04 terrain. Ces deux concepts soutiennent les objectifs du plan d'action
4.02 pour l'éco-innovation de la Commission européenne, qui se concentre
principalement sur les aspects suivants
4.10 Les entreprises les plus actives dans le développement de l'innovation
sont celles qui créent des solutions technologiques permettant
3.28 d'optimiser le processus de production et de créer des avantages
3.75
concurrentiels, qui doivent être alignés sur l'éco-innovation pour
3.50
4.01
garantir la réussite de la mise en œuvre de l'éco-innovation. Les
4.11 entreprises les plus actives dans le développement de l'innovation sont
4.26 celles qui créent des solutions technologiques permettant d'optimiser
le processus de production et de créer des avantages concurrentiels
qui doivent être alignés sur l'éco-innovation pour assurer la réussite de
la mise en œuvre de l'économie circulaire (ben Amara et Chen, 2022 ;
Pichlak et Szromek, 2021).
Enfin, la relation entre la position dans le classement et le nombre
d'habitants de la ville a été examinée.
de chacun des DT du portefeuille analysé montre que plus le taux
3.80
d'intérêt est élevé, plus le taux d'intérêt est faible, plus le taux d'intérêt est
élevé.
complexité de la technologie, plus le pourcentage d'entreprises est faible
3.74
3.76 qui l'utilisent dans tous les quartiles. En outre, le big data, l'IdO et
l'intel- ligence artificielle sont les technologies qui font la différence la
3.89 plus notable : en effet, plus de 40 % des entreprises qui les utilisent se
3.56
situent dans le premier quartile. Ces résultats sont conformes à ceux
de Blichfeldt et Faullant (2021), qui ont constaté que dans les
entreprises les plus technologiques, il y a un effet direct de l'adoption
de la DT sur l'avantage concurrentiel, tandis que l'effet est moindre.
3.66 Les technologies sont associées à la fois à la technologie et à
l'économie. Ces technologies sont associées
avec l'utilisation d'informations nécessitant un stockage de données en
nuage,
4.35
ce qui génère une empreinte numérique importante. La collecte et
3.25 l'analyse de ces informations peuvent faire passer le pouvoir de
décision en matière de gestion agricole des agriculteurs aux
entreprises privées. Dans une étude de cas d'un agriculteur
3.71 analysées par Kayad et al. (2022), les données accumulées se sont
révélées être
4.00
ont doublé environ tous les 16 mois au cours des deux dernières
3.80 décennies. Les auteurs appellent les gouvernements et les
associations d'agriculteurs à sensibiliser les agriculteurs à ces
3.56 préoccupations et à protéger leurs données. En outre, l'adoption de la
blockchain tout au long de la chaîne d'approvisionnement alimentaire.
nécessite une chaîne d'approvisionnement bien organisée et normalisée
entre tous les acteurs de l'UE.
3.47 les principales parties prenantes (internes et externes), mais la
conception et le déploiement
3.40 est une activité complexe et coûteuse (Cao et al., 2021). Les résultats
montrent que cette technologie n'est pas entièrement développée dans
3.40 ce secteur, ce qui limite son adoption par les entreprises.
3.55
6. Conclusions
3.52 Cette étude met en lumière les moteurs internes et externes de l'économie
européenne.
le degré de numérisation des entreprises agroalimentaires, et la relation
entre le degré de numérisation des entreprises agroalimentaires et le degré
de numérisation des entreprises agroalimentaires.
3.55
14
C. Calafat-Marzal
pression et al. a) L'utilisation de nouveaux DT est une nécessité
stratégique pour être compétitif dans le secteur
agroalimentaire car elle améliore l'image de
l'entreprise sur le marché.
(b) Les pratiques opérationnelles générales du
secteur rendent nécessaire l'adoption de
nouveaux DT.
(c) La concurrence est un facteur important
dans la décision d'adopter de nouveaux
DT.
Soutien externeValeur moyenne
a) Les politiques gouvernementales favorisent la
numérisation du secteur agroalimentaire
(b) Connaître l'existence d'agences
gouvernementales qui fournissent des services,
des conseils ou un soutien financier pour
l'adoption de nouveaux DT.
c) Le soutien des fournisseurs de technologie est
un facteur dans la décision d'adopter de
nouveaux DT.
3.71 entre les entreprises quiOrdinateurs
sont les et
meilleures
électroniqueet lesl'agriculture
dans moins bonnes
207 (2023)pour
relever ce défi de la numérisation
107700 et leur orientation vers l'innovation
et/ou l'éco-innovation. L'analyse conjointe de l'ensemble d'un
3.52
portefeuille de technologies numériques offre une vision plus détaillée
3.43
et plus complète de la situation pour la prise de décisions
commerciales et politiques. C'est pourquoi l'étude analyse la mise en
œuvre des DT les plus simples (Internet, commerce électronique,
gestion d'entreprise, etc.
3.18 ) et les plus complexes et les plus perturbateurs.
2.71 (big data, IoT, intelligence artificielle et blockchain), en recueillant des
informations primaires auprès de 200 entreprises du secteur
3.37
agroalimentaire.
Les résultats révèlent que la mise en œuvre de la DT est
3.45 conditionnée par des facteurs internes et externes. Le soutien de la
direction, qui est interne, et la pression de la concurrence, qui est
externe, font les plus grandes différences entre les entreprises. Le
soutien externe, en revanche, produit les différences les plus faibles.
Cela indique que les entreprises plus numérisées ont mis en œuvre
ces technologies pour faire face à la pression concurrentielle, ce qui
nécessite principalement le soutien de la direction pour promouvoir,
diriger et être prêt à prendre des risques, plutôt que le soutien de
l'entreprise.
15
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700

Fig. A1. Répartition territoriale de l'échantillon.

En résumé, la recherche souligne l'importance de comprendre

le soutien externe des politiques gouvernementales ou des
l'évolution de la digitalisation dans un secteur aussi stratégique que
fournisseurs de l'entreprise. La compatibilité des technologies
l'agroalimentaire.
numériques avec les pratiques, les valeurs, la culture et l'infrastructure
de l'entreprise, ainsi que la capacité à exploiter et à gérer les
technologies sont les facteurs internes qui font la différence entre le
groupe le plus avancé sur le plan numérique et les autres. En outre,
les résultats indiquent qu'un pourcentage élevé d'entreprises du
secteur freinent le processus de numérisation en raison d'un manque
d'investissement dans les compétences et l'infrastructure
technologique. Parmi les facteurs comportementaux internes,
l'évaluation des avantages des technologies numériques est plus
faible dans les entreprises les moins technologiques, ce qui réduit leur
intérêt pour la mise en œuvre de ces technologies.
Le processus de numérisation des entreprises agroalimentaires est
lié à leur orientation en matière d'innovation ainsi qu'à l'éco-innovation.
Plus précisément, la position dans le classement basé sur les moteurs
internes et externes est liée à l'innovation de produit des entreprises,
mais rien n'indique qu'elle soit liée aux autres types d'innovation -
processus, marketing et organisation. Les entreprises les mieux
classées sont plus proactives dans l'introduction d'innovations
radicales, alors qu'il n'y a pas de telles différences entre les
entreprises en ce qui concerne l'introduction d'innovations
incrémentales. On constate également que les DT s'alignent de plus
en plus sur les mesures qui favorisent la durabilité, comme le confirme
le pourcentage plus élevé d'entreprises qui mènent des activités d'éco-
innovation dans le groupe des entreprises les mieux classées.
Enfin, les résultats indiquent que la numérisation du secteur est
marquée par le degré de complexité des technologies. Ainsi, le
pourcentage d'entreprises les mieux classées augmente de manière
significative avec le degré de complexité, en particulier dans les
technologies IoT, big data et intelli- gence artificielle. La technologie
Blockchain n'est actuellement mise en œuvre que par 22 % des
entreprises et ne fait pas la différence dans la numérisation du secteur.
16
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
qui dépend de l'utilisation des ressources naturelles pour sa
107700
croissance. Les informations obtenues peuvent aider à orienter le
secteur vers la modernisation. À cette fin, la direction de l'entreprise
doit être consciente de l'importance de la pression concurrentielle
dans ce secteur et promouvoir et diriger une stratégie de
numérisation. En outre, les politiques publiques et privées devraient
chercher à renforcer le secteur avec des professionnels bien formés,
compétitifs et compétents dans l'application des technologies de
rupture. De telles mesures peuvent aider les entreprises qui sont à la
traîne à rattraper les entreprises de premier plan, permettant un
développement conjoint du secteur orienté vers des innovations
radicales et des actions durables.
Toutefois, l'étude comporte certaines limites qu'il convient de
garder à l'esprit pour bien comprendre les implications. L'une d'entre
elles est la portée géographique : répéter l'enquête dans d'autres
pays pourrait révéler des réalités différentes. Il pourrait également
être utile d'étendre le questionnaire pour saisir les caractéristiques de
l'adopteur de la numérisation, telles que l'âge, l'éducation, la
formation à la numérisation, etc. En outre, bien que la présente étude
analyse et décrive la position des entreprises dans le classement, elle
pourrait être étendue à d'autres méthodes, telles que la modélisation
des équations structurelles par les moindres carrés partiels (PLS-SEM)
ou l'analyse comparative qualitative par ensembles flous (fsQCA) afin
d'identifier les conditions nécessaires et suffisantes pour que le
résultat se produise, dans ce cas, la mise en œuvre des technologies
numériques dans le secteur.

Déclaration de contribution des auteurs du CRediT

C. Calafat-Marzal : Conceptualisation, Conservation des

données, Analyse formelle, Investigation, Méthodologie,
Administration du projet, Ressources, Supervision, Visualisation,
Rédaction - version originale, Rédaction - révision et édition. M.
Sa'nchez-García : Conceptualisation, Analyse formelle, Acquisition
de fonds, Investigation, Administration du projet, Ressources,
Supervision, Validation, Rédaction - révision et édition. L. Marti :
Données

17
C. Calafat-Marzal et al.
curation, Analyse formelle, Méthodologie, Logiciel, Supervision,
Visualisation, Rédaction - révision et édition. R. Puertas : Curation de
données, Analyse formelle, Méthodologie, Logiciels, Supervision,
Validation, Rédaction - version originale, Rédaction - révision et
édition.
Déclaration d'intérêts concurrents
Les auteurs déclarent qu'ils n'ont pas d'intérêts financiers
concurrents connus ou de relations personnelles qui auraient pu
sembler influencer le travail présenté dans cet article.
Ordinateurs et électronique dans l'agriculture 207 (2023)
envsci.2018.12.014. 107700
ben Amara, D., Chen, H., 2022. Driving factors for eco-innovation orientation : meeting
sustainable growth in Tunisian agribusiness. International Entrepreneurship and
Management Journal 18, 713-732. https://doi.org/10.1007/s11365-021-00792-0.
Blichfeldt, H., Faullant, R., 2021. Performance effects of digital technology adoption and product
& service innovation - a process-industry perspective (Effets de performance de
l'adoption de la technologie numérique et de l'innovation en matière de produits et de
services - une perspective industrielle). Technovation 105.
https://doi.org/10.1016/j.technovation.2021.102275.
Brenner, B., Hartl, B., 2021. La relation perçue entre la numérisation et la durabilité
écologique, économique et sociale. J. Clean Prod. 315, 128128 https://
doi.org/10.1016/j.jclepro.2021.128128.

Disponibilité des données

Les données seront mises à disposition sur demande.

Remerciements

Ce travail a été soutenu par le ministère espagnol de la Science et

de l'Innovation, AEI/10.13039/501100011033 et les fonds FEDER (UE)
"Una manera de hacer Europa", par le biais des projets de recherche
RTI2018-093791-B-C21 et RTI2018-093791-B-C22.

Annexe 1. .

Caractérisation de l'échantillon et description des variables de

numérisation et de leurs valeurs moyennes.
(Voir figure A1.)

Annexe 2. .

Description des variables de numérisation et de leurs valeurs

moyennes.

Références

Acemoglu, D., Akcigit, U., Celik, M.A., 2022. Radical and incremental innovation : the
roles of firms, managers, and innovators (Innovation radicale et incrémentale : le
rôle des entreprises, des managers et des innovateurs). Am. Econ. J. Macroecon.
14, 199-249. https://doi.org/10.1257/mac.20170410.
Adrian, A.M., Norwood, S.H., Mask, P.L., 2005. Producers' perceptions and attitudes
toward precision agriculture technologies (Perceptions et attitudes des
producteurs à l'égard des technologies de l'agriculture de précision). Comput.
Electron Agric. 48, 256-271. https://doi.org/10.1016/j.compag.2005.04.004.
Ahikiriza, E., Wesana, J., van Huylenbroeck, G., Kabbiri, R., de Steur, H., Lauwers,
L., Gellynck, X., 2022. Farmer knowledge and the intention to use smartphone-based
information management technologies in Uganda (Connaissances des agriculteurs
et intention d'utiliser des technologies de gestion de l'information basées sur des
smartphones en Ouganda). Comput. Electron Agric. 202
https://doi.org/10.1016/j.compag.2022.107413.
Aleixo, A.M., Azeiteiro, U.M., Leal, S., 2020. Les objectifs de développement durable
sont-ils mis en œuvre dans l'offre formative de l'enseignement supérieur portugais ?
Int. J. Sustain. High. Educ.
Ali, J., Reed, M.R., Saghaian, S.H., 2021. Determinants of product innovation in food and
agribusiness small and medium enterprises : evidence from enterprise survey data of
india. Int. Food and Agribusiness Manage. Rev. 24, 777-796. https://doi.org/
10.22434/IFAMR2019.0210.
Ammann, J., Umst¨atter, C., el Benni, N., 2022. The adoption of precision agriculture
enabling technologies in Swiss outdoor vegetable production : a Delphi study (L'adoption
des technologies de l'agriculture de précision dans la production de légumes de plein
air en Suisse : une étude Delphi). Precis Agric. 23, 1354-1374.
https://doi.org/10.1007/s11119-022-09889-0.
Ancín, M., Pindado, E., S'anchez, M., 2022. Nouvelles tendances dans le processus
global de transformation numérique du secteur agroalimentaire : une étude
exploratoire basée sur Twitter. Agric. Syst. 203, 103520
https://doi.org/10.1016/j.agsy.2022.103520.
Anderson, T.R., Hollingsworth, K., Inman, L., 2002. The Fixed Weighting Nature of A
Cross-Evaluation Model (La nature de la pondération fixe d'un modèle d'évaluation
croisée). J. Prod. Anal. 17, 249-255.
Annosi, M.C., Brunetta, F., Capo, F., Heideveld, L., 2020. La numérisation dans
l'industrie agroalimentaire : la relation entre la technologie et le développement durable.
Manag. Decis. 58, 1737-1757. https://doi.org/10.1108/MD-09-2019-1328.
Barnes, A., de Soto, I., Eory, V., Beck, B., Balafoutis, A., Sa'nchez, B., Vangeyte, J.,
Fountas, S., van der Wal, T., Go'mez-Barbero, M., 2019. Facteurs d'influence et
incitations sur l'intention d'adopter des technologies agricoles de précision dans les
systèmes d'agriculture arable. Environ. Sci. Policy 93, 66-74. https://doi.org/10.1016/j.

10
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
Cao, S., Powell, W., Foth, M., Natanelov, V., Miller, T., Dulleck, U., 2021. Renforcer la
confiance des consommateurs dans la traçabilité de la chaîne 107700
d'approvisionnement du bœuf avec un mécanisme de réconciliation homme-
machine basé sur la blockchain. Comput. Electron Agric. 180 https://doi.org/
10.1016/j.compag.2020.105886.
Charnes, A., Cooper, W.W., Rhodes, E., 1978. Mesurer l'efficacité des unités de prise
de décision. Eur. J. Oper Res. 2, 429-444. https://doi.org/10.1016/0377-2217(78)
90138-8.
Chatterjee, S., Rana, N.P., Dwivedi, Y.K., Baabdullah, A.M., 2021. Understanding AI
adoption in manufacturing and production firms using an integrated TAM-TOE
model (Comprendre l'adoption de l'IA dans les entreprises de fabrication et de
production en utilisant un modèle TAM-TOE intégré). Technol. Forecast Soc.
Change 170, 120880. https://doi.org/10.1016/j. techfore.2021.120880.
Ciampi Stanˇcova', K., Cavicchi, A., 2019. Politiques et instruments de l'UE pour soutenir le
secteur agroalimentaire. In : SmArt SpeciAlisAtion And the Agri-Food System : A
EuropeAn Perspective. Springer International Publishing, Cham, pp. 25-42.
https://doi.org/ 10.1007/978-3-319-91500-5_2.
Coll-Serrano, V., Benítez, R., Bolo's, V., 2018. Analyse de l'enveloppement des données
avec dear. R Package Version 1.
Commission, E., 2022. L'éco-innovation, clé de la compétitivité future de l'Europe.
https://doi.org/10.2779/4155.
da Silveira, F., Lermen, F.H., Amaral, F.G., 2021. Aperçu du développement de
l'agriculture 4.0 : examen systématique des descriptions, des technologies, des
obstacles, des avantages et des inconvénients. Comput. Electron Agric.
https://doi.org/10.1016/j. compag.2021.106405.
de Castro-Pardo, M., Fern'andez Martínez, P., P'erez Zabaleta, A., 2022. Une première
évaluation de la sécurité de l'eau en Europe à l'aide d'une approche DEA.
Sustainable Technol. Entrepreneurship 1, 100002.
https://doi.org/10.1016/j.stae.2022.100002.
de Espan˜a, G., 2022. 2022. Cifras PYME, Datos enero.
DeLay, N.D., Thompson, N.M., Mintert, J.R., 2022. Precision agriculture
technology adoption and technical efficiency. J. Agric. Econ. 73, 195-219.
https://doi.org/ 10.1111/1477-9552.12440.
Doyle, J., Green, R., 1994. Efficiency and cross-efficiency in DEA : derivations,
meanings and uses. J. Operations Res. Soc. 45, 567-578.
Galanakis, C.M., Rizou, M., Aldawoud, T.M.S., Ucak, I., Rowan, N.J., 2021. Innovations et
ruptures technologiques dans le secteur alimentaire au cours de la pandémie
de COVID-19 et de l'ère post-lockdown. Trends Food Sci. Technol. 110, 193-
200. https://doi.org/ 10.1016/j.tifs.2021.02.002.
García-Moll'a, M., Puertas, R., Carles Sanchis-Ibor, , 2021. Application de l'analyse
de l'enveloppement des données pour évaluer les investissements dans la
modernisation des systèmes d'irrigation à gestion collective à Valence (Espagne).
Water Resources Management. https://doi.org/10.1007/s11269-021-02986-1.
Haberli, C., Oliveira, T., Yanaze, M., 2017. Comprendre les déterminants de l'adoption
de la technologie de planification des ressources de l'entreprise (ERP) dans le
contexte agroalimentaire : le cas du Midwest du Brésil. Int. Food and Agribusiness
Manage. Rev. 20, 729-746. https://doi.org/10.22434/IFAMR2016.0093.
Haberli-Junior, C., Oliveira, T., Yanaze, M., 2019. Les étapes d'adoption
(Évaluation, Adoption et Routinisation) des systèmes ERP avec fonctionnalité de
business analytics dans le contexte des exploitations agricoles. Comput. Electron
Agric. 156, 334-348. https://doi.org/ 10.1016/j.compag.2018.11.028.
Kamrath, C., Rajendran, S., Nenguwo, N., Afari-Sefa, V., Bro¨ring, S., 2018.
Comportement d'adoption des commerçants du marché : une analyse basée sur le
modèle d'acceptation de la technologie et la théorie du comportement planifié. Int. Food
and Agribusiness Manage. Rev. 21, 771-790.
https://doi.org/10.22434/IFAMR2017.0043.
Kandil, A.M.N.A., Ragheb, M.A., Ragab, A.A., Farouk, M., 2018. Examen de l'effet du
modèle TOE sur l'adoption du cloud computing en Égypte. The Business & Manag.
Rev. 9, 113-123.
Kayad, A., Sozzi, M., Paraforos, D.S., Rodrigues, F.A., Cohen, Y., Fountas, S.,
Francisco, M.J., Pezzuolo, A., Grigolato, S., Marinello, F., 2022. How many
gigabytes per hectare are available in the digital agriculture era ? a digitization
footprint estimation. Comput. Electron Agric. 198 https://doi.org/10.1016/j.
compag.2022.107080.
Kiani Mavi, R., Kiani Mavi, N., 2021. National eco-innovation analysis with big data :
a common-weights model for dynamic DEA. Technol. Forecast. Soc. Change
162. https://doi.org/10.1016/j.techfore.2020.120369.
Linnan, G., Hui, L., Phong Ba, L., 2021. Déterminants de l'innovation radicale et
incrémentale : l'influence du leadership transformationnel, du partage des
connaissances et de la culture centrée sur les connaissances. Eur. J. Innov.
Manag. https://doi.org/10.1108/EJIM- 12-2020-0478.
Lioutas, E.D., Charatsari, C., de Rosa, M., 2021. La numérisation de l'agriculture : un
moyen de résoudre le problème alimentaire ou un dilemme de chariot ? Technol.
Soc. 67, 101744 https://doi. org/10.1016/J.TECHSOC.2021.101744.
Lopez-Ridaura, S., Sanders, A., Barba-Escoto, L., Wiegel, J., Mayorga-Cortes, M.,
Gonzalez-Esquivel, C., Lopez-Ramirez, M.A., Escoto-Masis, R.M., Morales-
Galindo, E., García-Barcena, T.S., 2021. Impact immédiat de la pandémie de
COVID-19 sur les systèmes agricoles en Amérique centrale et au Mexique. Agric.
Syst. 192 https://doi.org/ 10.1016/j.agsy.2021.103178.
Makinde, A., Islam, M.M., Wood, K.M., Conlin, E., Williams, M., Scott, S.D., 2022.
Étude des perceptions, de l'adoption et de l'utilisation des technologies numériques
dans l'industrie bovine canadienne. Comput. Electron Agric. 198
https://doi.org/10.1016/j. compag.2022.107095.
Maroufkhani, P., Tseng, M.L., Iranmanesh, M., Ismail, W.K.W., Khalid, H., 2020. L'adoption
de l'analyse des big data : déterminants et performances parmi les petites et
moyennes entreprises. Int. J. Inf. Manage 54, 102190. https://doi.org/10.1016/j.
ijinfomgt.2020.102190.
Marshall, A., Dezuanni, M., Burgess, J., Thomas, J., Wilson, C.K., 2020. Australian
farmers left behind in the digital economy - Insights from the Australian Digital

10
C. Calafat-Marzal et al.
Indice d'inclusion. J. Rural Stud. 80, 195-210. https://doi.org/10.1016/j.
jrurstud.2020.09.001.
Martí, L., Carlos Martín, J., Puertas, R., Carlos, J., 2017. A Dea-Logistics
Performance Index. J. Appl. Econ. 20, 169-192. https://doi.org/10.1016/S1514-
0326(17)30008- 9.
Martí, L., Cervello'-Royo, R., Puertas, R., 2022. Analysis of the nexus between country
risk, environmental policies, and human development (Analyse du lien entre le risque
pays, les politiques environnementales et le développement humain). Energy Res.
Soc. Sci. 92 https://doi.org/10.1016/j.erss.2022.102767.
Marti, L., Puertas, R., García-A'lvarez-Coque, J.M., 2021. The effects on European
importers' food safety controls in the time of COVID-19 (Les effets des contrôles de
sécurité alimentaire des importateurs européens à l'époque de COVID-19). Food
Control 125, 107952.
Maudos, J., Salamanca, J., 2020. Observatorio sobre el sector agroalimentario espan˜ol en el
contexto europeo. Cajamar.
Mondejar, M.E., Avtar, R., Diaz, H.L.B., Dubey, R.K., Esteban, J., Go'mez-Morales, A.,
Hallam, B., Mbungu, N.T., Okolo, C.C., Prasad, K.A., She, Q., Garcia-Segura, S.,
2021. La numérisation pour atteindre les objectifs de développement durable :
étapes vers une planète verte intelligente. Sci. Total Environ. 794
https://doi.org/10.1016/j. scitotenv.2021.148539.
Oltra-Mestre, M.J., Hargaden, V., Coughlan, P., Segura-García del Río, B., 2021.
L'innovation dans le secteur agroalimentaire : Exploiter les opportunités de
l'industrie 4.0. Creativity and Innovation Management 30, 198-210.
https://doi.org/https://doi. org/10.1111/caim.12418.
Pathak, H.S., Brown, P., Best, T., 2019. Une revue systématique de la littérature sur
les facteurs affectant le processus d'adoption de l'agriculture de précision. Precis.
Agric. 20, 1292-1316. https://doi.org/10.1007/s11119-019-09653-x.
Pichlak, M., Szromek, A.R., 2021. Eco-innovation, durabilité et innovation de modèle
d'entreprise par la dynamique de l'innovation ouverte. J. Open Innovation : Technol.
Market, and Complexity 7. https://doi.org/10.3390/joitmc7020149.
Popkova, E.G., Sergi, B.S., 2022. Smart Innovation in Agriculture. Springer. ed. Springer.
https://doi.org/10.1007/978-981-16-7633-8.
Premkumar, G., Roberts, M., 1999. Adoption of new information technologies in rural
small businesses. Omega (Westport) 27, 467-484. https://doi.org/10.1016/S0305-
0483(98)00071-1.
Pu, X., Chong, A.Y.L., Cai, Z., Lim, M.K., Tan, K.H., 2019. Tirer parti des systèmes
d'information interorganisationnels à norme ouverte pour l'adaptabilité et
l'alignement des processus : une analyse empirique. Int. J. Oper. Prod. Manag.
39, 962-992. https://doi.org/ 10.1108/IJOPM-12-2018-0747.
Puertas Medina, R.M., Martín Martín, J.M., Guaita Martínez, J.M., Serdeira Azevedo, P.,
2022. Analyse du rôle de l'innovation et de l'efficacité dans les destinations
côtières affectées par la saisonnalité du tourisme. J. Innov. Knowl. 7
https://doi.org/10.1016/j. jik.2022.100163.
Rajan, C.A., Baral, R., 2015. Adoption of ERP system : an empirical study of factors
influencing the usage of ERP and its impact on end user. IIMB Manag. Rev. 27,
105-117. https://doi.org/10.1016/j.iimb.2015.04.008.
Rose, D.C., Chilvers, J., 2018. Agriculture 4.0 : élargir l'innovation responsable à l'ère de
l'agriculture intelligente. Front Sustain Food Syst. 2, 1-7. https://doi.org/10.3389/
fufss.2018.00087.
11
Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Schulze Schwering, D., Bergmann, L., Isabel Sonntag, W., 2022. How to encourage
farmers to digitize ? a study on user typologies and motivations of farm management
information systems. Comput. Electron Agric. 199, 107133 https://doi.org/
10.1016/j.compag.2022.107133.
Schwering, D.S., Hollenbeck, A., Krone, S., Spiller, A., Lemken, D., 2022. Crop protection
market segmentation : relationship between buyer segments and the use of digital
sales channels (segmentation du marché de la protection des cultures : relation entre
les segments d'acheteurs et l'utilisation des canaux de vente numériques).
International Food and Agribusiness Management Review 1-20.
https://doi.org/10.22434/ifamr2021.0095.
Sexton, T.R., Silkman, R.H., Hogan, A.J., 1986. Data envelopment analysis : Critique and
extensions. New Directions for Program Evaluation 1986, 73-105. https://doi.org/
https://doi.org/10.1002/ev.1441.
Shang, L., Heckelei, T., Gerullis, M.K., Bo¨rner, J., Rasch, S., 2021. Adoption et diffusion des
technologies agricoles numériques - intégration des preuves au niveau de
l'exploitation et de l'interaction des systèmes. Agric. Syst. 190
https://doi.org/10.1016/j.agsy.2021.103074.
Shepherd, M., Turner, J.A., Small, B., Wheeler, D., 2020. Priorités pour la science afin
de surmonter les obstacles qui contrecarrent la pleine promesse de la révolution
de l'"agriculture numérique".
J. Sci. Food Agric. 100, 5083-5092. https://doi.org/10.1002/jsfa.9346.
Tey, Y.S., Brindal, M., 2012. Facteurs influençant l'adoption des technologies
agricoles de précision : un examen des implications politiques. Precis. Agric. 13,
713-730. https:// doi.org/10.1007/s11119-012-9273-6.
Vecchio, Y., de Rosa, M., Adinolfi, F., Bartoli, L., Masi, M., 2020. Adoption of
precision farming tools : a context-related analysis (Adoption d'outils d'agriculture
de précision : une analyse contextuelle). Land Use Policy 94, 104481. https://doi.
org/10.1016/j.landusepol.2020.104481.
Verhoef, P.C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Qi Dong, J., Fabian, N.,
Haenlein, M., 2021. La transformation numérique : une réflexion multidisciplinaire
et un programme de recherche. J. Bus. Res. 122, 889-901.
https://doi.org/10.1016/j. jbusres.2019.09.022.
Wang, Z., Liu, Q., Zhang, B., 2022. Quels types de projets d'amélioration de l'efficacité
énergétique des bâtiments devraient être privilégiés ? Efficiency evaluation with
three-stage data envelopment analysis (DEA). Renew. Sustain. Energy Rev. 161
https://doi.org/10.1016/j. rser.2022.112392.
Wolfert, S., Ge, L., Verdouw, C., Bogaardt, M.J., 2017. Big Data dans l'agriculture
intelligente - une revue. Agric. Syst. 153, 69-80.
https://doi.org/10.1016/j.agsy.2017.01.023.
Xu, W., Ou, P., Fan, W., 2017. Antécédents de l'assimilation de l'ERP et son impact sur
la valeur de l'ERP : un modèle basé sur la TOE et un test empirique. Inf. Syst. Front.
19, 13-30. https://doi. org/10.1007/s10796-015-9583-0.
Yoon, C., Lim, D., Park, C., 2020. Facteurs affectant l'adoption des fermes intelligentes :
le cas de la Corée. Comput. Human Behav. 108, 106309 https://doi.org/10.1016/j.
chb.2020.106309.
Zeng, Z., Li, S., Lian, J.W., Li, J., Chen, T., Li, Y., 2021. Switching behavior in the
adoption of a land information system in China : a perspective of the
le cadre de l'automatisation de la poussée et de la traction. Land Use Policy 109,
105629. https://doi.org/ 10.1016/j.landusepol.2021.105629.
Zhai, Z., Martínez, J.F., Beltran, V., Martínez, N.L., 2020. Systèmes d'aide à la décision
pour l'agriculture 4.0 : étude et défis. Comput. Electron Agric. https://doi.org/
10.1016/j.compag.2020.105256.