推动畜牧业中人工智能的应用:来自西班牙案例的采用因素与政策启示

《Agricultural Systems》:Fostering artificial intelligence in the livestock sector: Adoption factors and policy insights from the case of Spain

【字体: 大 中 小 】 时间:2026年09月17日 来源:Agricultural Systems 6.2

编辑推荐:

   • 采用偏最小二乘结构方程模型(PLS-SEM)和中介检验对西班牙666个畜牧场进行了调查分析。 • 数字化和自动化基础与AI采纳之间的关联最强(β = 0.65)。 • 感知效益仅通过基础设施间接影响AI采纳(纯间接效应)。 • 集约化养殖系统中AI采纳率达56%,而粗放式

  

• 采用偏最小二乘结构方程模型(PLS-SEM)和中介检验对西班牙666个畜牧场进行了调查分析。
• 数字化和自动化基础与AI采纳之间的关联最强(β = 0.65)。
• 感知效益仅通过基础设施间接影响AI采纳(纯间接效应)。
• 集约化养殖系统中AI采纳率达56%,而粗放式系统仅为24%(p < 0.001)。
• 研究结果支持以准备度为先的补贴措施,并配套咨询服务。

引言

由于人口增长和收入提高,全球对畜牧产品的需求不断增加,给畜牧生产体系带来巨大压力(Henchion等,2021;Komarek等,2021)。在气候变化背景下,农业面临的主要挑战是如何以可持续的方式满足世界日益增长的食品需求(Parra-López等,2024a)。传统畜牧生产方法面临疾病暴发、资源利用效率低、劳动力短缺和环境影响等挑战(Abbate等,2023;Bao和Xie,2022;Benos等,2021)。人工智能(AI)技术,通常被纳入精准畜牧养殖(PLF)框架,有望应对这些挑战(Buonaiuto等,2026)。将AI技术整合到畜牧养殖中,通常被称为畜牧养殖4.0,涉及利用高级数据分析、机器学习、物联网、机器人和自动化来优化畜牧养殖实践(Abbate等,2023;Lezoche等,2020;Liu等,2021)。这些技术为提高畜牧业的产量、效率、动物福利和可持续性提供了重大机遇(Bao和Xie,2022;Benos等,2021)。在众多改进路径(如育种、精准营养、管理创新或制度改革)中,AI之所以值得特别关注,是因为它在感知、监测和执行子系统之上增加了一层预测和决策支持,而这些子系统正是那些做法日益依赖的基础(Tian等,2026)。然而,畜牧场是否能够真正吸收这种能力,仍是一个经验性问题,也是本文所探讨的核心问题。

本研究对AI系统的理解遵循欧盟《人工智能法案》的定义,即一种基于机器的系统,在具有不同水平的自主性和部署后可能的适应性情况下,从接收到的输入中推断如何生成输出(如预测、内容、建议或决策),从而影响物理或虚拟环境(European Union,2024)。这一定义将AI与固定规则式自动化区分开来:按预设时间表运行的自动喂食器属于自动化,而根据传感器数据进行推理调整喂食的系统则属于AI。数字化是指农场流程和记录的更广泛数字化转换,而精准畜牧养殖(PLF)则是指将传感、自动化和AI整合到畜牧管理中的基于传感器的管理范式(Tian等,2026)。全文中,"AI采纳"指自报使用符合上述定义的系统;第2.3节详细介绍了操作化定义及其注意事项。

AI在畜牧领域的应用现已涵盖:从生理、乳品和影像数据中进行动物健康监测、行为分析和疾病检测(乳房炎、呼吸系统疾病、跛行)(Bao和Xie,2022;Benos等,2021;Shaikh等,2022);饲料优化和污染检测(Saleem等,2021;Sonwani等,2022);通过可穿戴传感器和计算机视觉进行福利评估(Fuentes等,2022;Zhang等,2024);利用卫星和无人机对牧场进行遥感(Cheng等,2022;Omia等,2023;Rejeb等,2022;Wang等,2023);以及基因组选择(Ehret等,2015;Frizzarin等,2021;Nakhle和Harfouche,2021)。科学上尚不明确的不是AI能做什么,而是为什么在这些应用方面暴露程度相当的畜牧场,其是否采纳这些技术的差异却如此之大。

此外,这一前景并非无条件的。AI采纳涉及大量的数据和联网要求、网络安全风险、未解决的数据所有权问题以及潜在的供应商依赖,并可能扩大不同农场类型之间的数字鸿沟(Gupta等,2020;Ishaque等,2026;Sharma等,2026)。因此,平衡评估应将AI视为一种有条件机会,其净价值取决于农场的能力和制度环境,这强化了研究采纳条件而非假设普遍受益的必要性。

除技术进步外,欧盟和西班牙都将农业食品部门的数字化转型列为优先事项,以提升效率、竞争力和可持续性。在欧盟层面,2030年数字十年政策计划设定了明确扩展至农村地区的连通性和数字化目标(European Union,2022),共同农业政策正与这些气候和数字目标对接,以推进农村地区的现代化。同时,西班牙的国家数字战略旨在缩小数字鸿沟并提高行业盈利能力(MAPA,2019)。这反映了对建立有韧性的农业部门的强烈协调承诺。

尽管效益前景光明且制度支持有力,但数字技术在农业食品领域(特别是畜牧领域)的采纳仍面临重大挑战。主要障碍包括基础设施有限、成本高、技术复杂、数字技能缺口显著、变革阻力以及数据所有权和隐私担忧(Annosi等,2020;Durrant等,2021;Kumar等,2021)。在畜牧领域的具体情况下,数字技术可能需要大量基础设施、数据管理系统和培训投资,这往往是小型农场所无法承受的(Groher等,2020;Neethirajan和Kemp,2021)。最新研究证实,实际挑战——如农村地区互联网连通性差和传感器维护复杂——阻碍了运营效率,限制了欧洲养猪和家禽行业对精准畜牧养殖工具感知效益(Banhazi等,2024)。此外,个人风险偏好和对数据隐私的信任对管理软件和无人机的使用具有关键影响(Boyer等,2024)。另一个深层次的障碍是生产系统之间的显著技术差距:集约化系统是现有精准畜牧解决方案的主要目标,而粗放式和小型农户系统(如粗放式山羊或绵羊养殖)面临基础设施约束、传感器可靠性问题和兼容性挑战,使其被排除在数字革命之外,技术准备度水平低下(Kichamu等,2026)。最后,采用这些技术需要显著的组织适应,包括员工培训和渐进式工作流程调整以及以人为本的变革管理,而不仅仅是硬件安装(Zavodna等,2025)。因此,农民态度和科技准备度的调查必须全面纳入任何技术发展之中(Kopler等,2023;Mallinger等,2024)。

西班牙因其高度二元化的畜牧部门,成为考察AI采纳结构关联和障碍的相关案例。一方面,西班牙是欧洲主要的高集约化、技术驱动和出口导向的畜牧产品生产商,特别是在生猪和家禽领域。另一方面,它维持着大量传统的粗放式系统,如牧林木经营体系,这对绵羊、山羊和牛肉生产以及农村生物多样性至关重要。2020年,西班牙有169,576个畜牧场:其中34,673个养猪场支撑了欧洲最大的集约化出口产业之一,而90,557个养牛场和61,131个养羊场则包括具有高度自然价值的粗放式和牧林木经营体系(INE,2022)。这种二元结构提供了一个独特场景,用于分析不同运营规模和环境约束如何塑造数字技术的采纳。由于这两个极端涵盖了欧洲畜牧系统的范围,跨系统估算的关联对技术饱和和基础设施匮乏的环境均具有参考价值,使西班牙案例具有超越国界的分析价值。

在西班牙,已有研究识别了农业食品部门整体(MAPA,2018a,MAPA,2018b;Martinez-Gomez等,2022;Sadjadi和Fernández,2023)、合作社内部(Ciruela-Lorenzo等,2020;Jorge Vázquez等,2019)和橄榄油行业(Parra-López等,2021;Parra-López等,2024b;Reina-Usuga等,2022;Reina-Usuga等,2023)的数字化转型障碍和对策建议。近期,西班牙农业渔业和食品部(MAPA,2022)对666名畜牧生产者及其他利益相关方进行了数字化调查,涵盖数字技能、设备使用、连通性、培训、咨询服务、公共支持和人口统计数据。原始数据作为开放数据发布,描述性分析报告(MAPA和Cajamar,2023)总结了主要发现。根据该调查,约73%的西班牙畜牧场目前收集某种形式的活动数字信息。基础自动化已广泛普及:73.4%的畜牧场至少有一项活动实现了自动化,自动饲料分配最为常见(52.4%),其次是设施环境控制(45.9%)(MAPA和Cajamar,2023)。然而,尽管这些基础传感和自动化技术的渗透率相当高,该行业在将这些原始数据转化为通过高级AI实现的预测性和可执行智能方面面临关键瓶颈。该文献的三个局限性界定了本研究要填补的空白。第一,现有的西班牙证据是描述性的,未对畜牧AI采纳的基于理论的多变量模型进行检验。第二,以往的研究很少区分高级AI与底层的数字化和自动化层,因此尚不清楚AI采用的关键约束是感知还是能力。第三,集约化系统和粗放式系统之间的结构异质性尚未被正式考察为差异采纳路径的来源。

为弥补这一空白,本研究基于Montes de Oca Munguia等(2021)对农业创新采纳模型的整合,该模型将采纳的决定因素分为四个要素:绩效评估、学习过程、个体决策与外部影响的互动以及潜在采纳者的特征。该框架被优先于单一理论替代方案(如技术接受模型或计划行为理论),因为它明确将农场结构和制度因素与个体感知并置于同一个框架中,这在生产体系差异巨大的行业中尤为必要。按照本杂志的系统导向,采纳不被视为孤立的个体选择,而是农场结构、咨询机构、基础设施禀赋和政策工具共同生产的成果;因此,分析不仅检验平行直接关联,还通过中介和调节检验这些要素的交互作用。第2.1节阐述该框架并推导出六条假设。

超越描述性统计,本文旨在理解与西班牙畜牧部门AI采纳相关的复杂交互因素。为实现稳健的经验分析,本研究追求四个具体目标:1)基于农业创新扩散的更广泛文献,建立AI采纳的综合理论框架;2)评估采纳因素(技术基础设施、学习过程以及农场结构特征,如运营规模和生产体系)与农民实施智能系统决策之间的直接和间接关联;3)识别从基础农场数字化向高级预测AI转型的主要结构瓶颈;以及4)制定有针对性的、基于证据的政策建议,以促进行业更包容的数字化转型。由于数据为横截面观察性数据,所有目标涉及关联和预测结构而非因果效应证明。本研究采用基于偏最小二乘结构方程建模(PLS-SEM)的多变量建模方法,旨在为未来研究和制度战略提供坚实的实证基础。

方法

为实证考察西班牙畜牧部门AI采纳的相关因素,本研究采用了一种将概念性采纳理论与定量路径建模相结合的综合方法。研究设计分为六个顺序阶段:首先,建立理论框架和假设以理解农业中的创新采纳(第2.1节);其次,描述调查设计并针对2020年样本评估样本

样本概况与采纳模式

666个有效样本的样本涵盖了西班牙畜牧部门的广泛截面。样本以男性经营者为主(68.9%),管理着小规模畜牧场(中位数为2名工人),大部分运营集约化(43.7%)或半集约化(36.0%)生产体系,而30.2%报告进行粗放式生产(单独或组合);生产体系为多变量。受访者主要管理肉牛(36.9%,主要为肉牛)、生猪(33.5%)和

讨论与政策含义

本研究的结果揭示,西班牙畜牧部门AI的采纳并非孤立的技术飞跃,而是一个高度互联的数字生态系统的集大成。

结构模型表明,人工智能的采用主要与现有技术基础设施(IID)相关,其次是结构化学习过程(LEP)和农场结构特征(CPA),而通用的绩效感知(EVP)未显示出独立效应。

结论:畜牧业数字化转型,常被概念化为畜牧业4.0,具有应对全球粮食安全和环境可持续性双重挑战的显著潜力。本研究开发并实证检验了一个整合性的人工智能采用框架,并识别出与以下观点一致的关联:基础性自动化和数字化操作作为畜牧业中高级人工智能应用的使能条件。使用带中介效应的PLS-SEM方法,

数据与代码可用性:原始调查微观数据可从西班牙农业、渔业和食品部(MAPA, 2022; https://www.mapa.gob.es/es/desarrollo-rural/temas/innovacion-medio-rural/digitalizacion/publicaciones)公开获取。完整问卷(英文翻译)见附件I,数据准备和估计代码见附件II,完整的问题到构念映射见附件III。Bootstrap、中介、调节、子组、稳健性分析等执行脚本

CRediT作者贡献声明:Carlos Parra-López:撰写——审阅与编辑,撰写——原稿撰写,可视化,验证,监督,软件,方法学,调查,形式分析,概念化。Carmen Carmona-Torres:撰写——审阅与编辑,撰写——原稿撰写,可视化,验证,调查,概念化。

伦理声明:本研究分析了由MAPA作为开放数据发布的匿名化二级微观数据。该调查由农业食品部门数字化转型观测站(MAPA和Cajamar集团)实施,已获得受访者的同意;数据集不含个人标识信息,对其进行的二次分析无需额外伦理审批。

利益冲突声明:作者声明,他们没有已知的可能影响本论文所述工作的竞争性经济利益或个人关系。

致谢:作者感谢农业食品部门数字化转型观测站(MAPA和Cajamar集团)将调查微观数据作为开放数据发布。

Carlos Parra-López | Carmen Carmona-Torres
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号