Académique Documents
Professionnel Documents
Culture Documents
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.
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
3
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
5
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
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
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.
11
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau A1
Caractérisation des entreprises interrogées.
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. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Tableau A2 parce qu'un soutien décisif de la direction à la modernisation encourage
Description et valeurs moyennes des variables de numérisation. l'introduction de développements plus complexes nécessitant
Variable Description de la variable Moyenne davantage de ressources techno- logiques. Acemoglu et al. (2022)
valeurs montrent que les entreprises qui sont plus "ouvertes à la perturbation"
Degré d'adoption 1. Connu ou non connu, mais pas adopté actuellement sont plus susceptibles de s'engager dans l'innovation radicale.
44 % En ce qui concerne le lien entre la numérisation et l'éco-innovation,
2. Dans la planification 7% le tableau 5 montre une plus forte concentration d'entreprises éco-
3. Dans l'installation 3% innovantes dans les deux premiers quartiles de l'IS. La moitié des
4. Récemment installé 4%
entreprises les mieux classées alignent leurs activités sur l'éco-
5. Installé depuis plus d'un an 40 %
Avantages Valeur moyenne 3.83 innovation ; par conséquent, deux domaines qui peuvent progresser
a) Amélioration de la planification et de la gestion 4.15 ensemble, la numérisation et la durabilité, commencent à gagner du
b) Amélioration de l'identification des problèmes 4.04 terrain. Ces deux concepts soutiennent les objectifs du plan d'action
c) Amélioration de la prise de décision 4.02 pour l'éco-innovation de la Commission européenne, qui se concentre
principalement sur les aspects suivants
d) Amélioration de la communication et de la coopération
avec 4.10 Les entreprises les plus actives dans le développement de l'innovation
les fournisseurs et les clients. sont celles qui créent des solutions technologiques permettant
e) Amélioration de la qualité des produits 3.28 d'optimiser le processus de production et de créer des avantages
(f) Gains de productivité 3.75
concurrentiels, qui doivent être alignés sur l'éco-innovation pour
Avantage (g) Augmentation des prestations 3.50
Valeur moyenne 4.01
garantir la réussite de la mise en œuvre de l'éco-innovation. Les
relatif
a) Contribue à réduire les coûts 4.11 entreprises les plus actives dans le développement de l'innovation sont
b) Améliore la productivité de l'entreprise 4.26 celles qui créent des solutions technologiques permettant d'optimiser
c) Aide à identifier de nouvelles opportunités (produits ou le processus de production et de créer des avantages concurrentiels
3.97
qui doivent être alignés sur l'éco-innovation pour assurer la réussite de
services)
(d) Facilite l'accès à de nouveaux clients ou marchés 3.93 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.
e) Permet à l'entreprise d'être plus durable et plus de chacun des DT du portefeuille analysé montre que plus le taux
respectueuse de l'environnement. 3.80
respectueuse de l'environnement. 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
Compatibilité Valeur moyenne 3.74
(a) Elle est cohérente avec les pratiques 3.76 qui l'utilisent dans tous les quartiles. En outre, le big data, l'IdO et
commerciales actuelles de l'entreprise. l'intel- ligence artificielle sont les technologies qui font la différence la
b) Il est compatible avec la culture et les valeurs 3.89 plus notable : en effet, plus de 40 % des entreprises qui les utilisent se
de l'entreprise.
c) Il est compatible avec l'infrastructure 3.56
situent dans le premier quartile. Ces résultats sont conformes à ceux
technologique actuelle de l'entreprise de Blichfeldt et Faullant (2021), qui ont constaté que dans les
(matériel et logiciel). 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.
ComplexitéValeur moyenne 3.66 Les technologies sont associées à la fois à la technologie et à
a) L'utilisation de nouveaux DT est facile pour l'entreprise 3.37 l'économie. Ces technologies sont associées
avec l'utilisation d'informations nécessitant un stockage de données en
nuage,
(b) Il serait possible d'utiliser de nouveaux DT 4.35
dans l'entreprise
ce qui génère une empreinte numérique importante. La collecte et
c) Les employés pourraient rapidement apprendre 3.25 l'analyse de ces informations peuvent faire passer le pouvoir de
à utiliser les nouveaux DT. décision en matière de gestion agricole des agriculteurs aux
entreprises privées. Dans une étude de cas d'un agriculteur
Gestion Valeur moyenne 3.71 analysées par Kayad et al. (2022), les données accumulées se sont
révélées être
soutien a) Promouvoir et soutenir l'utilisation des nouveaux 4.00
ont doublé environ tous les 16 mois au cours des deux dernières
DT
b) Participe activement au processus d'adoption 3.80 décennies. Les auteurs appellent les gouvernements et les
de nouveaux DT dans l'entreprise et le dirige. associations d'agriculteurs à sensibiliser les agriculteurs à ces
c) Est prêt à prendre des risques ou prend des 3.56 préoccupations et à protéger leurs données. En outre, l'adoption de la
risques pour conduire le processus d'adoption de
blockchain tout au long de la chaîne d'approvisionnement alimentaire.
nouveaux DT dans l'entreprise. nécessite une chaîne d'approvisionnement bien organisée et normalisée
entre tous les acteurs de l'UE.
(d) L'adoption de nouveaux DT est une priorité stratégique3.51
Entreprise Valeur moyenne 3.47 les principales parties prenantes (internes et externes), mais la
conception et le déploiement
capacité a) Infrastructure technologique adéquate pour 3.40 est une activité complexe et coûteuse (Cao et al., 2021). Les résultats
pouvoir mettre en œuvre les nouveaux DT montrent que cette technologie n'est pas entièrement développée dans
(b) une infrastructure technologique adéquate 3.40 ce secteur, ce qui limite son adoption par les entreprises.
pour pouvoir exploiter ou gérer les nouveaux DT
c) Les talents ou les compétences 3.55
nécessaires dans l'entreprise pour mettre en 6. Conclusions
œuvre de nouvelles technologies.
DTs 3.52 Cette étude met en lumière les moteurs internes et externes de l'économie
d) Les talents ou les compétences nécessaires
à l'entreprise pour exploiter ou gérer les européenne.
nouveaux DT.
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.
CompétitifValeur moyenne 3.55
14
C. Calafat-Marzal
pression et al. a) L'utilisation de nouveaux DT est une nécessité 3.71 entre les entreprises quiOrdinateurs
sont les et
meilleures
électroniqueet lesl'agriculture
dans moins bonnes
207 (2023)pour
stratégique pour être compétitif dans le secteur relever ce défi de la numérisation
107700 et leur orientation vers l'innovation
agroalimentaire car elle améliore l'image de et/ou l'éco-innovation. L'analyse conjointe de l'ensemble d'un
l'entreprise sur le marché. 3.52
portefeuille de technologies numériques offre une vision plus détaillée
(b) Les pratiques opérationnelles générales du
secteur rendent nécessaire l'adoption de 3.43
et plus complète de la situation pour la prise de décisions
nouveaux DT. commerciales et politiques. C'est pourquoi l'étude analyse la mise en
(c) La concurrence est un facteur important œuvre des DT les plus simples (Internet, commerce électronique,
dans la décision d'adopter de nouveaux gestion d'entreprise, etc.
DT.
Soutien externeValeur moyenne 3.18 ) et les plus complexes et les plus perturbateurs.
a) Les politiques gouvernementales favorisent la 2.71 (big data, IoT, intelligence artificielle et blockchain), en recueillant des
numérisation du secteur agroalimentaire
informations primaires auprès de 200 entreprises du secteur
(b) Connaître l'existence d'agences 3.37
gouvernementales qui fournissent des services, agroalimentaire.
des conseils ou un soutien financier pour Les résultats révèlent que la mise en œuvre de la DT est
l'adoption de nouveaux DT. 3.45 conditionnée par des facteurs internes et externes. Le soutien de la
c) Le soutien des fournisseurs de technologie est direction, qui est interne, et la pression de la concurrence, qui est
un facteur dans la décision d'adopter de
nouveaux DT.
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
17
C. Calafat-Marzal et al. Ordinateurs et électronique dans l'agriculture 207 (2023)
envsci.2018.12.014. 107700
curation, Analyse formelle, Méthodologie, Logiciel, Supervision, ben Amara, D., Chen, H., 2022. Driving factors for eco-innovation orientation : meeting
Visualisation, Rédaction - révision et édition. R. Puertas : Curation de sustainable growth in Tunisian agribusiness. International Entrepreneurship and
Management Journal 18, 713-732. https://doi.org/10.1007/s11365-021-00792-0.
données, Analyse formelle, Méthodologie, Logiciels, Supervision,
Blichfeldt, H., Faullant, R., 2021. Performance effects of digital technology adoption and product
Validation, Rédaction - version originale, Rédaction - révision et & service innovation - a process-industry perspective (Effets de performance de
édition. 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.
Déclaration d'intérêts concurrents 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.
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.
Remerciements
Annexe 1. .
Annexe 2. .
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. Ordinateurs et électronique dans l'agriculture 207 (2023)
107700
Indice d'inclusion. J. Rural Stud. 80, 195-210. https://doi.org/10.1016/j. Schulze Schwering, D., Bergmann, L., Isabel Sonntag, W., 2022. How to encourage
jrurstud.2020.09.001. farmers to digitize ? a study on user typologies and motivations of farm management
Martí, L., Carlos Martín, J., Puertas, R., Carlos, J., 2017. A Dea-Logistics information systems. Comput. Electron Agric. 199, 107133 https://doi.org/
Performance Index. J. Appl. Econ. 20, 169-192. https://doi.org/10.1016/S1514- 10.1016/j.compag.2022.107133.
0326(17)30008- 9. Schwering, D.S., Hollenbeck, A., Krone, S., Spiller, A., Lemken, D., 2022. Crop protection
Martí, L., Cervello'-Royo, R., Puertas, R., 2022. Analysis of the nexus between country market segmentation : relationship between buyer segments and the use of digital
risk, environmental policies, and human development (Analyse du lien entre le risque sales channels (segmentation du marché de la protection des cultures : relation entre
pays, les politiques environnementales et le développement humain). Energy Res. les segments d'acheteurs et l'utilisation des canaux de vente numériques).
Soc. Sci. 92 https://doi.org/10.1016/j.erss.2022.102767. International Food and Agribusiness Management Review 1-20.
Marti, L., Puertas, R., García-A'lvarez-Coque, J.M., 2021. The effects on European https://doi.org/10.22434/ifamr2021.0095.
importers' food safety controls in the time of COVID-19 (Les effets des contrôles de Sexton, T.R., Silkman, R.H., Hogan, A.J., 1986. Data envelopment analysis : Critique and
sécurité alimentaire des importateurs européens à l'époque de COVID-19). Food extensions. New Directions for Program Evaluation 1986, 73-105. https://doi.org/
Control 125, 107952. https://doi.org/10.1002/ev.1441.
Maudos, J., Salamanca, J., 2020. Observatorio sobre el sector agroalimentario espan˜ol en el Shang, L., Heckelei, T., Gerullis, M.K., Bo¨rner, J., Rasch, S., 2021. Adoption et diffusion des
contexto europeo. Cajamar. technologies agricoles numériques - intégration des preuves au niveau de
Mondejar, M.E., Avtar, R., Diaz, H.L.B., Dubey, R.K., Esteban, J., Go'mez-Morales, A., l'exploitation et de l'interaction des systèmes. Agric. Syst. 190
Hallam, B., Mbungu, N.T., Okolo, C.C., Prasad, K.A., She, Q., Garcia-Segura, S., https://doi.org/10.1016/j.agsy.2021.103074.
2021. La numérisation pour atteindre les objectifs de développement durable : Shepherd, M., Turner, J.A., Small, B., Wheeler, D., 2020. Priorités pour la science afin
étapes vers une planète verte intelligente. Sci. Total Environ. 794 de surmonter les obstacles qui contrecarrent la pleine promesse de la révolution
https://doi.org/10.1016/j. scitotenv.2021.148539. de l'"agriculture numérique".
Oltra-Mestre, M.J., Hargaden, V., Coughlan, P., Segura-García del Río, B., 2021. J. Sci. Food Agric. 100, 5083-5092. https://doi.org/10.1002/jsfa.9346.
L'innovation dans le secteur agroalimentaire : Exploiter les opportunités de Tey, Y.S., Brindal, M., 2012. Facteurs influençant l'adoption des technologies
l'industrie 4.0. Creativity and Innovation Management 30, 198-210. agricoles de précision : un examen des implications politiques. Precis. Agric. 13,
https://doi.org/https://doi. org/10.1111/caim.12418. 713-730. https:// doi.org/10.1007/s11119-012-9273-6.
Pathak, H.S., Brown, P., Best, T., 2019. Une revue systématique de la littérature sur Vecchio, Y., de Rosa, M., Adinolfi, F., Bartoli, L., Masi, M., 2020. Adoption of
les facteurs affectant le processus d'adoption de l'agriculture de précision. Precis. precision farming tools : a context-related analysis (Adoption d'outils d'agriculture
Agric. 20, 1292-1316. https://doi.org/10.1007/s11119-019-09653-x. de précision : une analyse contextuelle). Land Use Policy 94, 104481. https://doi.
Pichlak, M., Szromek, A.R., 2021. Eco-innovation, durabilité et innovation de modèle org/10.1016/j.landusepol.2020.104481.
d'entreprise par la dynamique de l'innovation ouverte. J. Open Innovation : Technol. Verhoef, P.C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Qi Dong, J., Fabian, N.,
Market, and Complexity 7. https://doi.org/10.3390/joitmc7020149. Haenlein, M., 2021. La transformation numérique : une réflexion multidisciplinaire
Popkova, E.G., Sergi, B.S., 2022. Smart Innovation in Agriculture. Springer. ed. Springer. et un programme de recherche. J. Bus. Res. 122, 889-901.
https://doi.org/10.1007/978-981-16-7633-8. https://doi.org/10.1016/j. jbusres.2019.09.022.
Premkumar, G., Roberts, M., 1999. Adoption of new information technologies in rural Wang, Z., Liu, Q., Zhang, B., 2022. Quels types de projets d'amélioration de l'efficacité
small businesses. Omega (Westport) 27, 467-484. https://doi.org/10.1016/S0305- énergétique des bâtiments devraient être privilégiés ? Efficiency evaluation with
0483(98)00071-1. three-stage data envelopment analysis (DEA). Renew. Sustain. Energy Rev. 161
Pu, X., Chong, A.Y.L., Cai, Z., Lim, M.K., Tan, K.H., 2019. Tirer parti des systèmes https://doi.org/10.1016/j. rser.2022.112392.
d'information interorganisationnels à norme ouverte pour l'adaptabilité et Wolfert, S., Ge, L., Verdouw, C., Bogaardt, M.J., 2017. Big Data dans l'agriculture
l'alignement des processus : une analyse empirique. Int. J. Oper. Prod. Manag. intelligente - une revue. Agric. Syst. 153, 69-80.
39, 962-992. https://doi.org/ 10.1108/IJOPM-12-2018-0747. https://doi.org/10.1016/j.agsy.2017.01.023.
Puertas Medina, R.M., Martín Martín, J.M., Guaita Martínez, J.M., Serdeira Azevedo, P., Xu, W., Ou, P., Fan, W., 2017. Antécédents de l'assimilation de l'ERP et son impact sur
2022. Analyse du rôle de l'innovation et de l'efficacité dans les destinations la valeur de l'ERP : un modèle basé sur la TOE et un test empirique. Inf. Syst. Front.
côtières affectées par la saisonnalité du tourisme. J. Innov. Knowl. 7 19, 13-30. https://doi. org/10.1007/s10796-015-9583-0.
https://doi.org/10.1016/j. jik.2022.100163. Yoon, C., Lim, D., Park, C., 2020. Facteurs affectant l'adoption des fermes intelligentes :
Rajan, C.A., Baral, R., 2015. Adoption of ERP system : an empirical study of factors le cas de la Corée. Comput. Human Behav. 108, 106309 https://doi.org/10.1016/j.
influencing the usage of ERP and its impact on end user. IIMB Manag. Rev. 27, chb.2020.106309.
105-117. https://doi.org/10.1016/j.iimb.2015.04.008. Zeng, Z., Li, S., Lian, J.W., Li, J., Chen, T., Li, Y., 2021. Switching behavior in the
Rose, D.C., Chilvers, J., 2018. Agriculture 4.0 : élargir l'innovation responsable à l'ère de adoption of a land information system in China : a perspective of the
l'agriculture intelligente. Front Sustain Food Syst. 2, 1-7. https://doi.org/10.3389/ le cadre de l'automatisation de la poussée et de la traction. Land Use Policy 109,
fufss.2018.00087. 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.
11