Precision Farming in der deutschen Landwirtschaft. Eine Studie zu Einflussfaktoren auf die Nutzung und Handlungsempfehlungen

Inhaltsverzeichnis

I Abbildungsverzeichnis

II Tabellenverzeichnis

III Abkürzungsverzeichnis

IV Gendererklärung
1. Zusammenfassung
2. Abstract
3. Einleitung
3.1 Problemstellung
3.2 Zielsetzung
3.3 Vorgehensweise
4. Branchenübersicht Precision Farming
4.1 Teilflächenspezifische Düngung
5.Stand der Forschung
5.1 Ökonomische Bewertung
5.2 Ökologische Bewertung
5.3 Akzeptanz von Precision Farming / Hypothesengenerierung
6. Empirische Studie
6.1 Datenerhebung und Studiendesign
6.2 Auswertungsmethodik
7. Ergebnisse und Diskussion
7.1 Beschreibung der Stichprobe
7.2 Analytische Auswertung der Umfrageergebnisse
7.3 Motive zur Nutzung von Precision Farming
7.4 Einfluss der Betriebsgröße auf die Nutzung von Precision Farming
7.5 Einfluss des Ausbildungsstandes auf die Nutzung von Precision Farming
7.6 Die Wirtschaftlichkeit als Einflussfaktor auf die Nutzung von Precision Farming
7.8 Datenschutz und -sicherheit als Einflussfaktor auf die Nutzung von Precision Farming
7.9 Zukünftige Entwicklung von Precision Farming
8. Limitationen der empirischen Studie
9. Fazit

V Literaturverzeichnis

I Abbildungsverzeichnis

Abbildung 1: Einfluss verschiedener Variablen auf die Adaption von Precision Farming

Abbildung 2: Nutzung der verschiedenen PF-Technologien in der Stichprobe

Abbildung 3: Berufsbildungsabschluss als Einflussgröße auf die PF-Nutzung

Abbildung 4: Bewirtschaftete Fläche als Einflussgröße auf die PF-Nutzung

Abbildung 5: Variablen, die sich für eine Adaption verbessern müssen

Abbildung 6: Zufriedenheit der PF-Nutzer bezüglich einzelner Variablen

Abbildung 7: Zufriedenheit bezüglich einzelner Variablen bei der teilflächenspezifischen Düngung

Abbildung 8: Motive zur Nutzung von Precision Farming

Abbildung 9: Zusammenfassung der Ergebnisse aus der statistischen Hypothesenüberprüfung

Abbildung 10: Einschätzung der zukünftigen Entwicklung von Precision Farming

II Tabellenverzeichnis

Tabelle 1: Ökonomische Effekte des Einsatzes von Precision Farming

Tabelle 2: Faktorenanalyse zu Motiven für die Nutzung von Precision Farming

III Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

IV Gendererklärung

Aus Gründen der besseren Lesbarkeit wird die Sprachform des generischen Maskulinums in dieser Mas­terarbeit angewendet. Es wird an dieser Stelle darauf hingewiesen, dass die ausschließliche Verwendung der männlichen Form geschlechtsunabhängig verstanden werden soll.

1. Zusammenfassung

Mit Precision Farming hält aktuell eine vielversprechende Innovation Einzug in die Landwirtschaft. Trotz der Vorteile, die die Technologie mit sich bringen soll, findet die Implementierung in der land­wirtschaftlichen Praxis nur langsam statt. Im Rahmen der Masterarbeit wurde eine empirische Studie zur Untersuchung von Einflussfaktoren auf die Adaption von Precision Farming in der deutschen Land­wirtschaft durchgeführt. Die Ergebnisse der Online-Umfrage konnten einen Einfluss der Variablen Be­rufsbildungsabschluss, Betriebsgröße, Wirtschaftlichkeit sowie Datenschutz herausstellen. Die Litera­turanalyse mehrerer ökonomischer Bewertungen zeigte nur in wenigen Fällen einen Vorteil der teilflä­chenspezifischen Düngung auf. Demgegenüber ergab die Online-Umfrage eine subjektiv gesteigerte Zufriedenheit hinsichtlich ökonomischer Variablen bei den Landwirten, die durch die Nutzung der Technologie hervorgerufen wurde. Hinsichtlich positiver ökologischer Auswirkungen von Precision Farming deckte sich die festgestellte gesteigerte Zufriedenheit der Umfrageteilnehmer mit den Ergeb­nissen der Literaturanalyse. Insgesamt sind von verschiedenen Akteuren der landwirtschaftlichen Bran­che weitere Anstrengungen zur Verbesserung der Technologie notwendig, aber auch, um die breite Adaption von Precision Farming in Deutschland zu fördern und so zu einer nachhaltigen Zielerreichung in den Bereichen Umwelt-, Boden- und Artenschutz beizutragen.

Schlüsselwörter: Precision Farming, teilflächenspezifische Düngung, Adaption, ökonomische Bewer­tung, ökologische Bewertung

2. Abstract

Precision Farming is a promising innovation that is currently making its way into agriculture. Despite the benefits the technology is supposed to bring, the implementation in the agricultural practice takes its place slowly. Within the scope of the master thesis, an empirical study was conducted to investigate factors influencing the adaptation of Precision Farming in German agriculture. The results of the online survey were able to highlight the influence of the variables vocational qualification, farm size, economic efficiency, and data protection. The literature analysis of several economic evaluations showed an eco­nomic advantage of site-specific fertilization only in a few cases. In contrast, the online survey revealed a subjectively increased satisfaction regarding to the economic variables among farmers that was caused by using the technology. In terms of the positive ecological impacts of Precision Farming, the increased satisfaction of survey participants coincided with the results of the literature analysis. Overall, further efforts are needed from various players in the agricultural sector to improve the technology and to pro­mote the widespread adaptation of Precision Farming in Germany to contribute to the sustainable achievement of goals in the areas of environmental, soil and species protection.

Keywords: Precision Farming, site-specific fertilization, adaption, economic evaluation, ecological as­sessment

3. Einleitung

Lange Zeit war der Ackerbau aufgrund des steigenden Bedarfs an Lebensmitteln nur durch die Steige­rung der Produktivität geprägt (HEMMERLING ET AL., 2015). Klimatische Veränderungen, steigende Umweltauflagen, Flächenschwund und das Wachstum der Weltbevölkerung stellen die Landwirtschaft aktuell vor große Herausforderungen bei der Ernährungssicherung (SCHLEICHER & GANDORFER, 2018). Zudem sieht die Gesellschaft die Ziele in Bezug auf Klima-, Umwelt-, Tier-, Boden- und Biodiversi­tätsschutz von der Landwirtschaft nicht ausreichend erfüllt (DETER, 2019).

Zur Lösung dieser Probleme rückt die Digitalisierung mit ihren vielseitigen Potenzialen derzeit so stark in den Fokus, wie keine andere Innovation. Hierdurch sollen die beiden oftmals gegenüberstehenden Ziele Lebensmittelerzeugung und Umweltschutz vereint und die abgeleiteten Maßnahmen durch breite Zustimmung in der Gesellschaft getragen werden können (DLG E.V., 2018). Eine vielversprechende Technologie, die aktuell Einzug in die Landwirtschaft hält, ist Precision Farming. Durch den Einsatz von Positionsbestimmungssystemen (GPS) und Stickstoff-Sensoren kann der Output bezogen auf den Input gesteigert werden, da landwirtschaftliche Nutzflächen durch den Einsatz dieser Technik ortsdiffe­renziert und präzise bewirtschaftet werden können (NOACK, 2016). Trotz der Vorteile, die die Techno­logie zum effizienteren Einsatz von Betriebsmitteln mit sich bringt, findet die Implementierung von Precision Farming auf den landwirtschaftlichen Betrieben nur langsam statt (LANGENBERG ET AL., 2017). Die Vorteile der Technologien scheinen für die Implementierung auf den landwirtschaftlichen Betrieben nicht auszureichen (SCHLEICHER & GANDORFER, 2018).

3.1 Problemstellung

Welchen Nutzen ziehen Landwirte aus Precision Farming? Mit welchen Motiven wird Precision Far­ming eingesetzt und welche Einflussgrößen verhindern eine breite Nutzung von Precision Farming in der deutschen Landwirtschaft?

3.2 Zielsetzung

Ziel der empirischen Studie ist es, die durch eine vorangegangene Literaturanalyse herausgestellten Ein­flussfaktoren auf die Adaption von Precision Farming in der deutschen Landwirtschaft durch eine On­line-Umfrage weitergehend zu untersuchen. Aus den Ergebnissen werden dann Handlungsempfehlun­gen für die verschiedenen Akteure der landwirtschaftlichen Branche abgeleitet, um die Adaption von Precision Farming in Deutschland zu fördern.

3.3 Vorgehensweise

Im Rahmen dieser Arbeit wird zur Beantwortung der Forschungsfrage im ersten Teil eine Eingrenzung auf die teilflächenspezifische Düngung unter dem Oberbegriff Precision Farming vorgenommen. Diese soll im nächsten Schritt näher beschrieben und ihre Potenziale sowie Vorteile herausgestellt werden. Dabei werden durch eine Literaturanalyse Hypothesen generiert, die durch eine Online-Umfrage bei den Landwirten überprüft werden sollen.

Im zweiten Teil der Arbeit sollen die Motive zur Anwendung von Precision Farming aus den Umfrage­ergebnissen analysiert und die Hypothesen aus der Literaturanalyse überprüft werden. Nach der Vor­stellung der wesentlichen Ergebnisse aus der Umfrage soll im Rahmen der Diskussion herausgestellt werden, inwieweit sich die tatsächlich wahrgenommenen Vorteile von Precision Farming mit den Punk­ten der Literaturanalyse decken. Abschließend soll die Leitfrage beantwortet werden, ob die Technolo­gien tatsächlich einen Mehrwehrt bieten oder nur durch aktuelle Trends von den Herstellern auf den Markt gebracht werden, ohne einen Mehrnutzen für den einzelnen landwirtschaftlichen Betrieb zu lie­fern. Dabei soll die Frage geklärt werden, welche Faktoren von einzelnen Akteuren der landwirtschaft­lichen Branche verbessert werden müssen, um die Adaption von Precision Farming in der deutschen Landwirtschaft weiter zu fördern.

4. Branchenübersicht Precision Farming

Im Folgenden soll zunächst der Begriff Precision Farming definiert werden, um dann daraus drei Tech­nologien der teilflächenspezifischen Düngung mit ihren Vor- und Nachteilen näher vorzustellen.

Der Begriff Precision Farming oder auch Präzisionspflanzenbau umfasst die zielgerichtete und ortsdif­ferenzierte Bewirtschaftung von landwirtschaftlichen Nutzflächen (PÖßNECK, 2011). Hierzu werden un­terschiedliche Verknüpfungen aus GIS-fähigen Bordcomputern, satellitengestützten Ortungssystemen und Sensoren zur Analyse von Boden- und Pflanzenzuständen genutzt. Dabei ist es wichtig, hervorzu­heben, dass es sich bei Precision Farming erstens nicht um die Technologie, sondern um das Manage­ment der ackerbaulichen Variabilität (zeitlich und räumlich) handelt. Zweitens werden mit Precision Farming die Treiber für die Veränderung bestehender Systeme, also die Verbesserung von wirtschaftli­chen Erträgen bei gleichzeitiger Reduktion von Umweltbeeinträchtigungen erfasst. Dadurch arbeiten die Technologien an einer Effizienzsteigerung des landwirtschaftlichen Produktionsprozesses (BLACKMORE, 2002). Die teilflächenspezifische Betrachtung von Boden und Pflanzenbeständen eröff­net Potenziale zur genaueren Ausbringung landwirtschaftlicher Betriebsmittel und kann dadurch den Ressourceneinsatz reduzieren (FINGER ET AL., 2019). Insgesamt werden so Effizienzgewinne aufgrund des verminderten Betriebsmitteleinsatzes und der exakten Applikation erzeugt (WAGNER, 2010). Klein­räumige Differenzen in Bezug auf die Wachstumsbedingungen sind auf nahezu jeder Ackerfläche vor­zufinden. Diese zu erkennen und mit entsprechenden Maßnahmen darauf zu reagieren, ist die Heraus­forderung im Ackerbau. Bei der Erfüllung dieser Aufgabe stellt Precision Farming ein wichtiges Ele­ment dar (HÜTER ET AL., 2005).

Neben Precision Farming gibt es weitere Begriffe, die synonym in der Literatur verwendet werden. Im deutschsprachigen Raum werden Begriffe wie Teilflächenbewirtschaftung, kleinräumige Bestandsfüh­rung oder teilflächenspezifische Bewirtschaftung genutzt. Im englischsprachigen Raum sind oftmals die Begriffe precision agriculture, site-specific farming oder grid farming typische Synonyme (RÖSCH ET AL., 2005). Im Rahmen dieser Arbeit wird der Begriff Precision Farming auch in abgekürzter Form als PF verwendet.

4.1 Teilflächenspezifische Düngung

Wesentliche Verfahrensschritte vom Precision Farming sind Datenerfassung, -management und -inter­pretation nach agronomischen Entscheidungsregeln oder -modellen und zuletzt die Anwendung der ge­wonnenen Informationen in Bewirtschaftungsmaßahmen (THÖLE, 2010). Bei der Betrachtung der Be­ziehung zwischen Datenerfassung und Anwendung der gewonnenen Daten in einer ackerbaulichen Maßnahme kann grundsätzlich zwischen der Düngung auf schlageinheitlicher und teilflächenspezifi­scher Ebene mit variabler Ausbringmenge unterschieden werden. Die variable Düngung lässt sich dann weiter unterteilen nach:

- dem Kartenansatz (Offline-Ansatz)
- dem Sensoransatz (Online-Ansatz)
- dem kombinierten Verfahren (Sensoransatz mit Kartenüberlagerung) (EHLERT, 2010).

Bei Offline-Verfahren besteht zwischen den bereits oben genannten Verfahrensschritten der Datener­fassung, -verarbeitung und Durchführung einer Bewirtschaftungsmaßnahme kein direkter zeitlicher Zu­sammenhang (THÖLE, 2010). Der einzelne Schlag wird dabei in kleine, rechteckige, sogenannte Raster­zellen aufgeteilt, die mit Koordinaten versehen sind. Jeder Zelle im Raster wird dann ein Soll- oder Applikationswert für die entsprechende Bewirtschaftungsmaßnahme zugewiesen. Daraus entsteht die sogenannte Applikationskarte. Die Basisinformationen, aus denen die Applikationswerte abgeleitet wer­den, können zum Beispiel Ertragswerte, Bodenkarten oder Vegetationsindizes aus Satellitenbildern sein. Dabei werden Basisinformationen über bestimmte Merkmale eines Schlages zu einem früheren Zeit­punkt gesammelt. Das Auswerten und Erstellen der Applikationskarten sowie deren Nutzung für eine Bewirtschaftungsmaßnahme findet zu einem späteren Zeitpunkt statt (LUDOWICY ET AL., 2002). Die Sollwerte für die zu applizierenden Düngermengen werden online oder mittels Datenträger auf das Ter­minal des Traktors oder der Ausbringmaschine übertragen, sodass darauf basierend die Maschinensteu­erung erfolgen kann. Für die Zuordnung der Sollwerte aus der Applikationskarte zur Position der Ma­schine ist ein Positionierungssystem, wie das Global Positioning System (GPS) notwendig (EHLERT, 2010). Das Positionierungssystem ist darüber hinaus wichtig, um die tatsächlich applizierte Nährstoff­menge georeferenziert aufzuzeichnen. Mit diesen Werten kann ein Abgleich mit den zuvor festgelegten Sollwerten durchgeführt werden (THÖLE, 2010). Offline-Verfahren sind vorteilhaft, wenn die Parame­ter, die durch die Bewirtschaftungsmaßnahmen beeinflusst werden sollen, über die Zeit relativ stabil bleiben, wie z. B. die Versorgung mit Grundnährstoffen oder die Startgabe von Stickstoff im Frühjahr. Dies ist notwendig, da die erhobenen Daten aus Bodenuntersuchungen schon einige Wochen alt sein können, aber beispielsweise erst im Frühjahr in einer Düngerapplikationskarte Anwendung finden (RÖSCH ET AL., 2005). Darüber hinaus lässt sich durch die vor der Bewirtschaftungsmaßnahme festge­legten Rasterdaten die insgesamt zu applizierende Menge berechnen, sodass Restmengen vermieden werden können (KLUGE, 2011). Einschränkungen zeigen sich durch den Arbeitsaufwand und die anfal­lenden Kosten für die Bodenbeprobungen und -analysen. Ein weiterer Nachteil der Offline-Verfahren besteht in der Verwaltung und Analyse der großen Datenmengen sowie dem Arbeitsaufwand der Ent­scheidungsfindung mit Hilfe von geeigneten Regeln und Modellen (KARPINSKI, 2014; MEYER-AURICH ET AL., 2008). Bei der Nutzung von Ertragskarten können die Ertragsmuster in den Folgejahren der Datenerhebung oftmals voneinander abweichen. Das Erstellen von Applikationskarten für die Stick­stoffdüngung auf Basis von Ertragskarten aus dem vorherigen Jahr kann daher zu größeren Abweichun­gen von den tatsächlichen Versorgungszuständen der Pflanzen führen (BLACKMORE, 2002).

Online-Verfahren sind im Vergleich zu Offline-Verfahren zeitlich integriert. Dabei werden die für die Maßnahme relevanten Merkmale, wie z. B. die Stickstoffversorgung des Bestands durch ihre optischen, mechanischen oder biochemischen Eigenschaften direkt im Feld durch Sensoren erfasst (KARPINSKI, 2014). Am Traktor angebrachte Sensoren oder Kameras nehmen kontinuierlich ein Signal oder ein Bild auf. Die gemessenen Daten werden mit den entsprechenden Hard- und Softwarelösungen auf dem Trak­tor direkt in einen Sollwert überführt, nach dem dann die Bewirtschaftungsmaßnahme (z. B. Stickstoff­düngung) unmittelbar gesteuert wird (KLUGE, 2011). Online-Verfahren werden vor allem dann einge­setzt, wenn es sich um schnell ändernde Bedingungen handelt und dadurch eine möglichst aktuelle Da­tengrundlage notwendig ist, wie bei dem Stickstoffbedarf der Kulturpflanzen in der Vegetationsphase (RÖSCH ET AL., 2005). Der Online-Ansatz ist für die Praxis attraktiv, weil Arbeitszeit und -aufwand durch die Erstellung von Applikationskarten im Vergleich zum Offline-Ansatz entfallen (THÖLE, 2010). Für die Erfassung der Bestandsparameter werden Algorithmen eingesetzt, die zunächst über Richt- oder Orientierungswerte durch Fachkenntnisse des Anwenders aus bisherigen Maßnahmen kalibriert werden müssen (EHLERT, 2010).

Im Online-Verfahren mit Kartenüberlagerung wird der Sensoransatz mit dem Kartenansatz verknüpft. Hierbei werden die Informationen, die mit Echtzeitsensoren erfasst werden, mit Werten aus vorhanden Karten abgeglichen und fließen dann in die Applikationssteuerung ein (EHLERT, 2010). Durch die Zu­sammenführung der beiden Systeme in einem Ansatz kann die zu applizierende Düngemenge auf Grundlage einer größeren Datenbasis berechnet werden. Eine exaktere Anpassung der Düngung an den realen Stickstoffbedarf der Pflanzen wird dadurch ermöglicht. Dennoch ist der Arbeitsaufwand wie beim Offline-Ansatz nicht zu vernachlässigen. Zudem steigen die Kosten, da Systeme und Software aus bei­den oben genannten Ansätzen miteinander verknüpft werden (RÖSCH ET AL., 2005).

5. Stand der Forschung

5.1 Ökonomische Bewertung

Nach den Untersuchungen von MEYER-AURICH ET AL. (2008) ist es wichtig, dass eine ökonomische Bewertung von Precision Farming alle relevanten monetären und nichtmonetären Aspekte berücksich­tigt. Hierzu zählen unter anderem die Auswirkungen auf Ernteertrag, Betriebsmitteleinsatz, Verände­rungen im Management und Arbeitsqualität. In diesem Rahmen werden vier Kostenarten unterschieden, die bei der Einführung von Precision Farming auf Betriebsebene entstehen (vgl. Tab. 1) (MEYER- AURICH ET AL., 2008).

Tabelle 2: Ökonomische Effekte des Einsatzes von Precision Farming

Abbildung in dieser Leseprobe nicht enthalten

Quelle: nach M EYER -A URICH ET AL . (2008), verändert

Zu den Leistungen, die die Einführung von PF-Technologien mit sich bringen kann, zählt unter anderem die Minderung von Produktionsrisiken, da die Betriebsmittel nur dort eingesetzt werden, wo sie auch benötigt werden (LOWENBERG-DEBOER, 1999). Der Einsatz von Precision Farming zeigt weitere posi­tive Effekte auf die Risikominimierung bei der Produktion von Backweizen, sodass die Proteingehalte weniger häufig unter 13 % liegen (NADI KARATAY ET AL., 2018). Weitere Vorteile bei der Anwendung von Precision Farming ergeben sich aus Ertragseffekten bei gleichzeitig vermindertem Einsatz von Be­triebsmitteln. Aber auch durch eine effizientere Betriebsführung aufgrund besserer Kommunikations­möglichkeiten und höherer Arbeitsqualität durch stärker automatisierte Arbeitsabläufe (MEYER-AURICH ET AL., 2008) (vgl. Tabelle 1).

5.2 Ökologische Bewertung

Durch die Anwendung von Precision Farming können positive Effekte auf die Umwelt erzielt werden (BONGIOVANNI & LOWENBERG-DEBOER, 2004; EHLERT, 2010; FINGER ET AL., 2019; PÖßNECK, 2011). Bei der differenzierten Stickstoffdüngung können Düngereinsparungen bei gleichen oder höheren Er­trägen erzielt werden (RÖSCH ET AL., 2005). Die zu Umweltbeeinträchtigungen führenden Einflüsse werden primär vermieden, weil Düngemittel nur dort ausgebracht werden, wo sie von den Pflanzen aufgenommen werden. Dadurch werden unproduktive Überschüsse vermieden, die sonst potenziell zu negativen Umweltbeeinträchtigungen führen können (GANDORFER, 2006). Aber auch bei der teilflä­chenspezifischen Aussaat, Bodenbearbeitung oder dem Pflanzenschutz ergeben sich Einsparungspoten­ziale bei den jeweils eingesetzten Betriebsmitteln (RÖSCH ET AL., 2005). Dazu zeigen REICHE ET AL. (2002) in ihren Untersuchungen zur ökologischen Auswertung von Precision Farming, dass sich mit der teilschlagspezifischen Bewirtschaftung die Nitrat-Sickerwasserverluste um 8 - 12 kg Stickstoff (N) pro Hektar (ha) und Jahr bei gleichbleibender Gesamtdüngermenge reduzieren lassen (REICHE ET AL., 2002). Die Stickstoffeffizienz wird durch den Einsatz der teilflächenspezifischen Stickstoffdüngung auf ertragsschwachen Standorten verbessert (EBERTSEDER ET AL., 2003). Die Potenziale der Düngereinspa­rungen hat WAGNER (2010) untersucht. Die Ergebnisse zeigen, dass mit dem Offline-Ansatz eine Dezi­tonne Weizen mit 3 kg Stickstoff erzeugt wurde. Bei dem Online-Ansatz mit 2,6 kg N und beim kom­binierten Ansatz mit 2,1 kg N. Betriebsüblich wurde eine Dezitonne Weizen mit 2,7 kg N erzeugt, wodurch sich Einsparpotenziale vor allem beim kombinierten Ansatz zeigen (WAGNER, 2010). Im Rah­men des pre-agro-II-Projektes konnten durch die Nutzung von Precision Farming blütenreiche Acker­bereiche besser erhalten und gefördert werden. Zudem übt die Nutzung von PF einen positiven Einfluss auf den Erhalt der Kulturlandschaft sowie der Habitatfunktion von Ackerflächen und den Aufbau von integrierten Biotop-Verbundsystemen aus (REICHARDT & JÜRGENS, 2008).

Die teilflächenspezifische Düngung ist ein wichtiger Schritt, um die Pflanzenernährung ökologisch bes­ser verträglich zu machen (EBERTSEDER ET AL., 2003). MAIDL ET AL. (2004) zeigen, dass die Stickstoff­nutzungseffizienz bei der teilflächenspezifischen Düngung im kombinierten Verfahren aus Sensoransatz mit Kartenüberlagerung im Winterweizen verbessert werden kann. Zudem hat sich die Homogenität in der Proteinkonzentration durch diesen Ansatz für den gesamten Schlag verbessert (MAIDL ET AL., 2004). GANDORFER (2006) zeigt, dass der Proteingehalt durch den kombinierten Ansatz um ein Prozent höher ist als bei konventioneller Düngung (GANDORFER, 2006). Dabei lassen sich so auf auswaschungsgefähr­deten Teilschlägen hohe Bilanzüberschüsse und damit das Risiko eines möglichen Nitrateintrages in das Grundwasser vermeiden (MAIDL ET AL., 2004; SCHULTE-OSTERMANN & WAGNER, 2021). Aber auch VUOLO ET AL. (2019) kommen in ihren Untersuchungen zu dem Schluss, dass Precision Farming einen wesentlichen Einfluss auf die Einsparung von Ressourcen und die Reduktion von Umwelteinwirkungen haben kann (VUOLO ET AL., 2019). Mit der Auswertung von 15 Studien zu Umweltwirkungen von teil­flächenspezifisch ausgebrachten Stickstoffdüngern zeigen auch BONGIOVANNI UND LOWENBERG-DE- BOER (2004) auf, dass die Stickstoffauswaschung in den meisten Fällen verringert werden konnte (BONGIOVANNI & LOWENBERG-DEBOER, 2004).

Aus der Literaturrecherche lässt sich insgesamt ableiten, dass PF positive Leistungen für den Biotop- und Artenschutz zum Beispiel durch das Aussparen sensibler Bereiche oder bei der Einhaltung von Nutzungsauflagen (Abstandsauflagen zu Fließgewässern) im Rahmen der Agrarpolitik erbringen kann (RÖSCH ET AL., 2005). Zudem ist es mit der Anwendung von Precision Farming möglich, Stickstoff­überschüsse abzubauen und so negative Umwelteinflüsse zu reduzieren (REICHE ET AL., 2002).

5.3 Akzeptanz von Precision Farming / Hypothesengenerierung

Damit Precision Farming erfolgreich eingeführt werden kann, ist die Akzeptanz dieser Technologien seitens der Landwirte eine wesentliche Voraussetzung (RÖSCH ET AL., 2005). Die ökonomischen Effekte stehen als wichtigstes Argument für den Einsatz von Precision Farming im Vordergrund. Die Ergeb­nisse, die durch teilflächenspezifisch arbeitende Technologien erzielt werden, führen jedoch nur in we­nigen Fällen zu ökonomischen Vorteilen (GANDORFER, 2006; GANDORFER & MEYER-AURICH, 2017; RÖSCH ET AL., 2005). Kriterien, die einen wesentlichen Einfluss auf die Akzeptanz von PF haben, sind unter anderem die Betriebsgröße, die angebauten Kulturen sowie die Heterogenität der Ackerflächen (DABERKOW & MCBRIDE, 2003; GANDORFER, 2006; KARPINSKI, 2014; WAGNER, 2010). Seitens der Technologien führen bis heute die technische Störanfälligkeit, Inkompatibilität, unklare ökonomische Vorteile, komplizierte Bedienung, fehlendes IT-Knowhow sowie ein hoher Investitionsbedarf zu einer mangelnden Akzeptanz seitens der Landwirte (SCHLEICHER & GANDORFER, 2018). Diese Akzeptanz­hemmnisse sollen durch eine Literaturanalyse für die Hypothesengenerierung herausgearbeitet werden. Auf Grundlage der generierten Hypothesen werden die Akzeptanzhemmnisse durch eine Online-Um­frage mit Landwirten als Zielgruppe überprüft.

Grundsätzlich ist davon auszugehen, dass jüngere Betriebsleiter ein größeres technologisches Verständ­nis haben und durch ihre besseren Computerkenntnisse verstärkt Precision Farming auf ihren Betrieben einsetzten (REICHARDT ET AL., 2009; RÖSCH ET AL., 2005). ROBERTS ET AL. (2004) zeigen in ihren Un­tersuchungen einen signifikanten Zusammenhang zwischen dem Alter und der Integration von PF-Tech­nologien auf den Betrieben. Dabei nutzen junge Landwirte häufiger PF auf den Betrieben als ältere Betriebsleiter (ROBERTS ET AL., 2004). Demgegenüber ist nach REICHHARDT UND JÜRGENS (2008) da­von auszugehen, dass die Mehrheit der Nutzer von Precision Farming zwischen 35 und 55 Jahren alt ist. Somit scheint das Alter einen Einfluss auf die Einführung von Precision Farming zu haben, obwohl nicht klar ist, welche Altersgruppe eher Precision Farming einsetzt. Zur weiteren Überprüfung wird daher die folgende Hypothese formuliert:

H1: Das Alter des Betriebsleiters hat einen Einfluss auf die Adaption von Precision Farming

Einen positiven Einfluss auf die Akzeptanz von Precision Farming stellt der Berufsbildungsabschluss nach den Untersuchungen von REICHARDT ET AL. (2009) dar. Die nötigen Kenntnisse zum Einsatz der Technologien und das gesteigerte Interesse Neues auszuprobieren, zeigen verstärkt die Landwirte mit einem höheren Berufsbildungsabschluss. Dabei haben im Befragungszeitraum von 2001 bis 2006 durch­schnittlich 37,3 bis 40,4 % der PF-Nutzer einen Universitätsabschluss (REICHARDT ET AL., 2009). Die Wahrscheinlichkeit zur Adaption von PF steigt, je höher der Ausbildungsstand ist (DABERKOW & MCBRIDE, 2003).

H2: Der Ausbildungsstand beeinflusst die Adaption von Precision Farming positiv

SCHAPER & GANDORFER (2018) zeigen in ihrer Forschung auf, dass der hohe Investitionsbedarf der wichtigste Grund gegen die Anwendung von Precision Farming ist. Große Betriebe sind eher gewillt in Precision Farming zu investieren, da sich die Technologien durch eine höhere Flächenausstattung und somit bessere Auslastung schneller amortisieren (KARPINSKI, 2014). Zudem zeigen die Betriebe durch ihre größere Flächenausstattung auch ein gesteigertes Interesse an teil- oder vollautomatisierten Syste­men (VUOLO ET AL., 2019). Nach REICHARDT ET AL. (2009) schwankt die durchschnittliche Be­triebsgröße der Precision Farming-Nutzer zwischen 250 und 380 Hektar im Erhebungszeitraum seiner Studie von 2005 bis 2007, während der durchschnittliche landwirtschaftliche Betrieb 2005 mit 43,1 Hektar wesentlich kleiner war. Der Großteil der Betriebe, die PF angewendet haben, war in den neuen Bundesländern angesiedelt (REICHARDT ET AL., 2009). In der Studie von PAUSTIAN UND THEUVSEN (2016) zeigt sich, dass der Anteil der Precision Farming Nutzer bei den kleinen Betrieben (1 - 99 Hektar) bei 9 % liegt, während der Anteil auf den Großbetrieben mit über 500 Hektar bei 69 % liegt (PAUSTIAN & THEUVSEN, 2016).

H3: Mit steigender Betriebsgröße nimmt die Wahrscheinlichkeit zur Nutzung von Precision Farming zu

GANDORFER (2006) berechnet in seiner ökonomischen Bewertung des Einsatzes vom Offline-Ansatz einen Vorteil der teilflächenspezifischen Düngung bei Winterweizen von - 10 €/Hektar (ha) bis + 11 €/ha. Beim kombinierten Ansatz in Winterweizen zeigt sich ein ökonomischer Vorteil von + 2 €/ha bis + 32 €/ha. Die Stickstoffbilanzsalden haben sich in der Auswertung kaum voneinander unterschieden (GANDORFER, 2006). Auch andere Ergebnisse aus der Literatur weisen nicht auf eindeutige wirtschaft­liche Vorteile durch den Einsatz von teilflächenspezifischer Düngung hin (KARPINSKI, 2014; RÖSCH ET AL., 2005). Die Ergebnisse von WAGNER (2010) zeigen, dass die Stickstoffkosten freie Leistung durch den Offline-Ansatz 16,80 €/ha unter dem im Versuch angenommenen betriebsüblichen Durchschnitt liegen. Demgegenüber berechnet WAGNER (2010), dass die Leistung des Online-Ansatzes 1,70 €/ha und des kombinierten Ansatzes 24,20 €/ha über dem betriebsüblichen Durchschnitt liegt und somit ökono­mische Vorteile mit sich bringen kann. Trotz der signifikanten Vorteile des kombinierten Ansatzes weist WAGNER (2010) auf die für die ökonomischen Ergebnisse entscheidenden Witterungsbedingungen und die schwierige Übertragung der Ergebnisse auf andere Standorte hin (WAGNER, 2010). GANDORFER (2006) zeigt, dass die ökonomischen Potenziale einer teilflächenspezifisch optimierten Düngung be­grenzt sind, über die Jahre starken Schwankungen durch die Witterungseinflüsse unterliegen und von den Annahmen bei der teilflächenspezifischen Produktionsfunktion determiniert werden (GANDORFER, 2006). Durch die teilflächenspezifische Düngung lässt sich dennoch der Betriebsmitteleinsatz bei gleichbleibenden oder höheren Erträgen reduzieren (RÖSCH ET AL., 2005). Aus der geschilderten unkla­ren ökonomischen Vorteilhaftigkeit der teilflächenspezifischen Düngung lässt sich die folgende Hypo­these ableiten:

H4: Unklare ökonomische Vorteile beeinflussen die Adaption von Precision Farming negativ

Ein Faktor, der durch die Digitalisierung auch in anderen Bereichen immer wieder für Bedenken bei den Anwendern sorgt, ist der Datenschutz. Dabei ist die relative Nennung dieser Variable vom Zeitraum 2009 bis 2012 zu den Jahren 2013 bis 2016 stark angewachsen und zeigt die aktuelle Relevanz dieses Themas. Diese Problematik betrifft die Landwirte auch bei der Anwendung von Precision Farming, da hierbei teilweise sensible Betriebsdaten offengelegt werden (SCHLEICHER & GANDORFER, 2018). Es entstehen Zweifel dadurch, dass die Daten von Kreditgebern oder Regierungen zur Betriebskontrolle genutzt werden könnten (RÖSCH ET AL., 2005). Die Schaffung eines rechtlichen Rahmens zur Regelung des Datenbesitzes und der Nutzung der Daten gilt als wichtige Voraussetzung, um die Akzeptanz in Bezug auf den Datenschutz zu steigern (FINGER ET AL., 2019).

H5: Unsicherheiten in Bezug auf den Datenschutz beeinflussen die Adaption von Precision Farming negativ

Abbildung 1 fasst die aus der Literaturanalyse herausgestellten Einflussvariablen auf die Adaption von Precision Farming zusammen. Im Rahmen der selbst durchgeführten empirischen Studie soll im Fol­genden überprüft werden, inwieweit die Einflussvariablen durch die Umfrageergebnisse bestätigt wer­den können.

Abbildung 1: Einfluss verschiedener Variablen auf die Adaption von Precision Farming

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

6. Empirische Studie

Im folgenden Kapitel werden verwendete Methoden und Materialien zur Durchführung und Auswertung der Umfrage beschrieben. Im zweiten Schritt wird die Methodik zur statistischen Analyse näher erläu­tert.

6.1 Datenerhebung und Studiendesign

Mit der Umfrage sollten Faktoren überprüft werden, die die Adaption von Precision Farming auf den landwirtschaftlichen Betrieben nach den Ergebnissen der Literaturanalyse beeinflussen. Adressat der Umfrage waren landwirtschaftliche Betriebe in Deutschland, unabhängig von ihren betrieblichen Schwerpunkten. Die Umfrage wurde ausschließlich online durchgeführt, sodass die Verbreitung über verschiedene Wege im Internet erfolgte. Beispielsweise sind hier E-Mail-Verteiler von Hochschulen und Unternehmenskontakte im Bereich Precision Farming zu nennen. Weiterhin wurde die Umfrage über Social-Media-Kanäle von verschiedenen Agrarzeitungen und Verbänden geteilt, um eine möglichst breite Abdeckung in der landwirtschaftlichen Branche zu erreichen. Die Umfrage wurde am 11. Januar 2021 freigeschaltet. Die Feldzeit der Umfrage hat 4 Wochen betragen. Die vollständige Beantwortung des Fragebogens dauerte etwa 10 Minuten.

Der Fragebogen wurde auf Grundlage der vorangegangen Literaturanalyse entwickelt und sollte dem­entsprechend auch der Überprüfung der oben herausgestellten Hypothesen dienen. Der Fragebogen glie­dert sich in drei wesentliche Abschnitte. Nach einer Filterfrage, ob auf dem jeweiligen Betrieb Precision Farming eingesetzt wird oder nicht, wurden zunächst betriebliche Charakteristika abgefragt. Im zweiten Teil wurden zum einen die Motive, die die Betriebe zum Einsatz von Precision Farming bewegen, aber auch die Zufriedenheit bezüglich einzelner Variablen abgefragt. Im dritten Frageblock des zweiten Teils sollten die Teilnehmer die zukünftigen Entwicklungen von Precision Farming und der teilflächenspezi­fischen Düngung einschätzen. Da schon direkt zu Beginn der Umfrage zwischen den Betrieben unter­schieden wurde, die Precision Farming nutzen und denen, die die Technologie nicht einsetzen, wurden die Fragen im zweiten Block entsprechend für die beiden Gruppen individualisiert. Demzufolge wurden Betriebe, die kein Precision Farming einsetzen befragt, welche Faktoren sich verbessern müssen, damit sie die Technologie einsetzen. Im letzten Teil wurden dann soziodemografische Fragen gestellt. Mit Ausnahme der betrieblichen und soziodemografischen Charakteristika wurden die Fragen mit Hilfe ei­ner fünfstufigen Likert-Skala von 1 (stimme voll und ganz zu) bis 5 (lehne voll und ganz ab) gestellt. Im zweiten Teil zu Fragen des Einsatzes von Precision Farming wurden gezielt Pflichtfragen genutzt, sodass den Teilnehmern ein Überspringen dieser Fragen nicht möglich war.

Nach der Datenerhebung wurde eine Bereinigung des Datensatzes vorgenommen. Dabei wurden Da­tensätze mit vielen unvollständigen Angaben, aber auch Datensätze von Teilnehmern mit einer sehr kurzen Bearbeitungszeit von weniger als 2 Minuten von der Auswertung ausgeschlossen. Am Ende der durchgeführten Datenbereinigung standen für die Auswertung mit der Statistiksoftware IBM SPSS Sta­tistics 26 insgesamt 267 Datensätze zur Verfügung. Die Ausschöpfungsquote der insgesamt rund 900 Teilnehmer lag bei 32 %.

6.2 Auswertungsmethodik

Neben der deskriptiven Statistik zur Beschreibung der Stichprobe wurde dann im Rahmen der qualitativ­explorativen Vorgehensweise der Einfluss einzelner Variablen auf die Adaption von Precision Farming mit Hilfe von Regressions- und Faktorenanalysen untersucht.

Um den Einfluss einzelner Variablen auf die Adaption von Precision Farming statistisch untersuchen zu können, wrden bivariate logistische Regressionen¹ durchgeführt. Dabei wurden für die Ergebnisanalyse das R2 und der Regressionskoeffizient B (Beta-Wert) als Kenngrößen herangezogen. Das R2 ist ein Gü­temaß der linearen Regression und gibt an, wie gut sich die unabhängigen Variablen zur Erklärung der Varianz der abhängigen Variablen eignen. Dabei liegt das R2 immer zwischen 0 % (unbrauchbares Mo­dell) und 100 % (optimale Modelanpassung). Der Regressionskoeffizient B gibt an, um wie viele Ein­heiten der Wert eines Kriteriums abfällt oder ansteigt, wenn der Prädikator um eins größer wird (URBAN & MAYERL, 2011).

Fragen und Statements, die zu ähnlichem Antwortverhalten geführt haben, können mit der Faktorenana­lyse zusammengefasst werden. Wenn eine hohe Korrelation zwischen den einzelnen Fragen besteht, wird davon ausgegangen, dass die Variablen auf einen gemeinsamen Faktor laden (BACKHAUS ET AL., 2016). Vor der Faktorenanalyse wurden die Daten mittels Kaiser-Meyer-Olkin-Kriterium (KMO) und Bartlett-Test auf ihre Eignung für die Faktorenanalyse geprüft. Die beiden Werte zeigen, inwieweit die Variablen in Zusammenhang miteinander stehen und geben somit Aufschluss über die Eignung für die Faktorenanalyse. Die KMO-Werte können zwischen 0 und 1 liegen. Bei einem Wert über 0,5 können die Variablen für eine Auswertung herangezogen werden (CLEFF, 2015). Mit Hilfe des Cronbach's Al­pha (Ca) wurden die Faktoren dann auf ihre Reliabilität und anhand der erklärten Gesamtvarianz auf ihre Validität geprüft. Der Wertebereich von Cronbach‘s Alpha liegt zwischen 0 und 1. Ein Cronbach's Alpha von größer als 0,7 deutet dabei auf eine reliable Abbildung der Variablen durch den Faktor hin (HAIR ET AL., 2009).

7. Ergebnisse und Diskussion

Nach der rein deskriptiven Analyse der Stichprobe sollen die Ergebnisse im Folgenden analytisch zur Überprüfung der Hypothesen ausgewertet und diskutiert werden. Dazu wird primär die binär logistische Regressionsanalyse eingesetzt, um Einflüsse einzelner Variablen auf die Nutzung von Precision Far­ming statistisch zu erklären. Zur Überprüfung der Motive zum Einsatz von Precision Farming wird eine Faktorenanalyse durchgeführt.

7.1 Beschreibung der Stichprobe

Das durchschnittliche Alter der Teilnehmer liegt bei 33,8 Jahren während im nationalen Durchschnitt in der Landwirtschaft lediglich 25 % jünger als 45 Jahre sind (PASCHER ET AL., 2020). Der Anteil männ­licher Teilnehmer liegt bei 91,4 % in der Stichprobe. Zum Vergleich liegt der Anteil der Frauen in der landwirtschaftlichen Ausbildung mit 17 % höher, als der Anteil in der Umfrage (PASCHER ET AL., 2020). Mit 49,1 % haben überdurchschnittlich viele Probanden einen Hochschulabschluss. Davon haben 24 % einen Bachelor-Abschluss.

In der Stichprobe sind Betriebe aus Norddeutschland mit 45,3 % (Mecklenburg-Vorpommern, Schles­wig-Holstein, Niedersachsen) und mit 29,2 % aus Westdeutschland (Nordrhein-Westfalen, Rheinland­Pfalz, Saarland, Hessen) am stärksten vertreten, während sich nach der bundesweiten Erhebung aber auch ein großer Teil der Betriebe in den süddeutschen Bundesländern wiederfindet (PASCHER ET AL., 2020).

In Bezug auf die bewirtschaftete Fläche sind die Betriebe zwischen 51 bis 100 Hektar mit 23,2 % und Betriebe mit 101 bis 200 Hektar mit 26,6 % am stärksten vertreten. Dem folgen dann mit 19,1 % Anteil an der Stichprobe die Betriebe mit einer bewirtschafteten Fläche von 201 bis 500 Hektar. Währenddes­sen sind in der gesamten landwirtschaftlichen Branche Betriebe mit unter 10 Hektar (25,1 %) und Be­triebe mit 21 bis 50 Hektar (23,4 %) am stärksten vertreten (PASCHER ET AL., 2020). Somit sind die teilnehmenden Betriebe in der Stichprobe wesentlich größer als im Bundesdurchschnitt.

Mit 33,7 % ist der größte Anteil der Umfrageteilnehmer in der Position des Betriebsinhabers und mit 32,2 % als Familienarbeitskraft tätig. Nach der bundesweiten Statistik machen ebenfalls die Familien­arbeitskräfte (47,8 %) den größten Anteil der Arbeitskräfte in der Landwirtschaft aus. Die Position des Betriebsleiters üben 18,4 % und die des klassischen Angestellten 8,6 % aus.

Bei der Multiple-Choice-Frage zu den Betriebsschwerpunkten ist der Ackerbau mit 82,0 % unter den Teilnehmern der Umfrage am stärksten vertreten. Dem folgen mit 52,8 % die Tierhalter / Veredelungs­betriebe, die Energieerzeuger mit 25,8 % und die Futter anbauenden Betriebe mit 24,0 %. Weniger stark vertreten sind die Schwerpunkte Forstwirtschaft (7,1 %), Sonderkulturanbau (4,5 %) sowie andere Schwerpunkte (2,6 %).

In der Stichprobe werden 84,3 % der Betriebe im Haupterwerb geführt, während 15,0 % als Nebener­werbsbetriebe geführt werden. Demgegenüber werden im Bundesschnitt rund 52 % der Betriebe im Nebenerwerb geführt (PASCHER ET AL., 2020). Von den 267 Betrieben wirtschaften 242 (90,6 %) kon­ventionell, 10 (3,7 %) ökologisch und 13 (4,9 %) Betriebe wirtschaften sowohl konventionell als auch ökologisch. Zwei Umfrageteilnehmer gaben zu dieser Frage keine Antwort.

Eine Hofnachfolge steht bei 31,5 % der Betriebe aktuell nicht an. Bei 46,4 % der Betriebe steht in den kommenden Jahren eine Hofnachfolge an, die bereits geklärt ist. 14,6 % geben an, dass die Hofnachfolge ansteht, aber noch nicht geklärt ist. Bei 3,7 % läuft der Betrieb in den nächsten Jahren aus. Zur Frage nach der zukünftigen strategischen Ausrichtung wollen 43,4 % der Betriebe den gegenwärtigen Stand halten, 31,5 % setzen auf Wachstum und 17,6 % wollen eine Nischenstrategie entwickeln. Demgegen­über werden 3,0 % den Betrieb in den nächsten Jahren aufgeben, 2,6 % wollen den Betrieb verkleinern und für 1,9 % steht die Verpachtung des Betriebes fest.

Insgesamt zeigt sich, dass die Stichprobe bei den soziodemografischen und betrieblichen Punkten nur zum Teil mit denen des Situationsberichtes vom deutschen Bauernverband übereinstimmt (PASCHER ET AL., 2020). Somit müssen zur Adaption von Precision Farming in Zukunft weitere Forschungen mit einer größeren und repräsentativen Stichprobe durchgeführt werden. Dennoch können die Ergebnisse auf verschiedene Entwicklungen im Bereich Precision Farming aufmerksam machen und notwendige Handlungsempfehlungen für eine breite Anwendung der Technologie aufzeigen.

7.2 Analytische Auswertung der Umfrageergebnisse

Zu Beginn der Umfrage wurde eine Filterfrage bezüglich der Nutzung von Precision Farming gestellt. Danach setzen 185 Teilnehmer (69,3 %) Precision Farming auf ihrem Betrieb ein, während die übrigen 82 (30,7 %) diese Technologie nicht nutzen. Bei der genaueren Unterscheidung der Nutzung einzelner Technologien aus dem Bereich Precision Farming zeigt sich, dass nahezu alle Betriebe Lenksysteme einsetzen (95,1 %). Danach folgen die teilflächenspezifische Düngung (45,4 %), die Ertragskartierung (40,0 %), die teilflächenspezifische Aussaat (33,0 %), der teilflächenspezifische Pflanzenschutz (31,9 %) und die teilflächenspezifische Grunddüngung / Kalkung (27,6 %). Mit geringer Häufigkeit werden auf den Betrieben Feldroboter und Drohnen (7,6 %) sowie die teilflächenspezifische Bodenbearbeitung (5,9 %) eingesetzt (vgl. Abb. 2). Die teilflächenspezifische Düngung lässt sich, wie in Kapitel 2.1 schon beschrieben, in drei Verfahren unterteilen. Dabei nutzen von 84 Betrieben, die die teilflächenspezifische Düngung anwenden, 49 den Offline-Ansatz. 20 Betriebe setzten den kombinierten Ansatz und 15 Be­triebe den Online-Ansatz ein. Demnach scheint der Offline-Ansatz am häufigsten in der Praxis Anwen­dung zu finden. Die Ergebnisse stehen damit der Studie von KARPINSKI (2014) gegenüber. Nach ihren Ergebnissen kommt der Online-Ansatz in der landwirtschaftlichen Praxis am häufigsten zum Einsatz (KARPINSKI, 2014).

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

In Bezug auf das Alter lassen sich keine signifikanten Unterschiede zwischen den Gruppen feststellen. Das durchschnittliche Alter der Precision Farming einsetzenden Landwirte liegt mit 34 Jahren nur knapp über dem der nicht PF einsetzenden Landwirte (33 Jahre). Die durchgeführte Regressionsanalyse zeigt keinen Einfluss des Alters auf die Nutzung von Precision Farming, sodass die Ergebnisse von DABERKOW & MCBRIDE (2003), REICHARDT ET AL. (2009) und RÖSCH ET AL. (2005) nicht belegt wer­den können. Weder ein höheres noch ein niedrigeres Alter haben einen Einfluss auf die Nutzung von Precision Farming. Das R2 liegt bei 0,002 und der Regressionskoeffizient bei -0,007 mit einem Signifi­kanzniveau von 0,520. Die nicht festzustellenden Effekte durch das Alter auf die Adaption von Precision Farming nach den Umfrageergebnissen, lässt sich möglicherweise durch die primäre Verteilung der Umfrage über social Media und die Kanäle von Universitäten begründen. Dadurch wurden zum Großteil jüngere Personen angesprochen, die Umfrage zu beantworten, sodass der Unterschied zwischen den beiden Gruppen in Bezug auf das Alter sehr gering ausfällt. Hypothese 1 „Das Alter des Betriebsleiters hat einen Einfluss auf die Adaption von Precision Farming“ kann somit nicht bestätigt werden.

Das Bildungsniveau wird in mehreren Quellen als weiterer Einflussfaktor auf die Adaption von Preci­sion Farming gesehen (DABERKOW & MCBRIDE, 2003; REICHARDT ET AL., 2009). Dabei zeigen sich besser ausgebildete Betriebsleiter offener gegenüber neuen Technologien und adaptieren diese auch schneller auf ihren Betrieben bzw. sind eher dazu bereit neue Dinge auszuprobieren (DABERKOW & MCBRIDE, 2003). In Abbildung 3 werden die Berufsbildungsabschlüsse unterteilt nach Precision Far- ming-Nutzern und den Betrieben, die Precision Farming nicht einsetzen, dargestellt.

Es zeigt sich, dass die Betriebsleiter, die kein Precision Farming einsetzen, als Berufsbildungsabschluss vor allem die klassische Lehre / Berufsausbildung (24,4 %) oder einen Fachschulabschluss (31,7 %) absolviert haben. Dem gegenüber haben die Betriebsleiter, die Precision Farming einsetzen, mit 26,5 % überwiegend mindestens einen Bachelorabschluss. Aber auch bei den weiteren Hochschulabschlüssen liegen die Precision Farming einsetzenden Betriebe anteilsmäßig über den nicht PF einsetzenden Be­trieben. Die Ergebnisse der bivariaten logistischen Regression zeigen die Unterschiede zwischen den beiden Gruppen PF-Nutzer und nicht PF-Nutzer, die mit einem R2 von 0,039 und einem Beta-Wert von 0,150** bestätigt werden. Es bleibt festzuhalten, dass der Ausbildungsstand einen positiven Einfluss auf die Adaption von Precision Farming hat. Hypothese 2: „ Der Ausbildungsstand beeinflusst die Adaption von Precision Farming positiv“ kann somit bestätigt werden.

Abbildung 3: Berufsbildungsabschluss als Einflussgröße auf die PF-Nutzung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Als weiterer Einflussfaktor auf die Adaption von Precision Farming wurde im Rahmen der Literatur­analyse die bewirtschaftete Fläche der Betriebe herausgearbeitet. Abbildung 4 zeigt dazu die Verteilung der Betriebsgrößen, unterteilt nach den beiden Gruppen. Die PF einsetzenden Betriebe sind dabei deut­lich stärker in den größeren Kategorien vertreten als die nicht Precision Farming einsetzenden Betriebe. Die durchgeführte Regressionsanalyse bestätigt hierbei den Zusammenhang zwischen der Betriebsgröße und der Nutzung von Precision Farming mit einem R2 von 0,211 und einem Beta-Wert von - 0,653***. Dadurch kann Hypothese 3 „ Die Betriebsgröße hat einen positiven Einfluss auf die Adaption von Pre­cision Farming“ bestätigt werden . Diesen Zusammenhang zwischen Adaption und Betriebsgröße zei­gen auch schon DABERKOW & MCBRIDE (2003), LAMBERT & LOWENBERG-DEBOER (2000), PAUSTIAN & THEUVSEN (2016) sowie REICHARDT & JÜRGENS (2008).

Abbildung 4: Bewirtschaftete Fläche als Einflussgröße auf die PF-Nutzung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Abbildung 5 stellt Variablen dar, die sich aus Sicht der aktuell nicht PF einsetzenden Betriebe verbessern müssen. Zum Einfluss der Wirtschaftlichkeit auf die Adaption von Precision Farming lässt sich heraus­stellen, dass die aktuell nicht Precision Farming einsetzenden Betriebe diesbezüglich noch deutlichen Verbesserungsbedarf sehen. Die Statements Anschaffungskosten, Einsparung von Betriebsmitteln und Effekte auf die Deckungsbeiträge pro Hektar sind drei der fünf Variablen mit dem größten Verbesse­rungsbedarf (vgl. Abb. 5).

Abbildung 5: Variablen, die sich für eine Adaption verbessern müssen

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Gleichermaßen sorgen die Anschaffungskosten bei den PF einsetzenden Betrieben auch für Unzufrie­denheit, aber dafür sind die Betriebe mit den positiven Effekten auf den Betriebsmittelverbrauch pro Hektar sehr zufrieden (Mittelwert = 2,14) (vgl. Abb. 6). Die bivariate logistische Regressionsanalyse zeigt, dass sich die Zufriedenheit von Variablen bezüglich der Wirtschaftlichkeit bei Adaption von Pre­cision Farming verbessert². Das R2 liegt bei 0,410 und der Regressionskoeffizient B bei - 2,333***. Für die Regressionsanalyse wurden die Variablen positive Effekte auf den Deckungsbeitrag pro Hektar, po­sitive Effekte auf den Betriebsmittelverbrauch, positive Effekte auf die Ernteerträge und positive Effekte auf die Erntequalitäten mit einbezogen. Hypothese 4 „ Unklare ökonomische Vorteile beeinflussen die Adaption von Precision Farming negativ“ kann somit bestätigt werden. Demgegenüber stellen die Be­triebe Konkurrenzeffekte bei der Entscheidung zur Adaption von Precision Farming hinten an. Sie las­sen sich weniger davon beeinflussen, ob der Nachbarbetrieb Precision Farming einsetzt oder nicht.

Auch bei Datenschutz und Datenhoheit sehen die Betriebe in Übereinstimmung mit den Ergebnissen von SCHLEICHER & GANDORFER (2018) einen Verbesserungsbedarf. Mit der durchgeführten Faktoren­analyse lassen sich die Variablen nicht sinnvoll auf einzelne Faktoren verdichten. Die bivariate logisti­sche Regressionsanalyse zeigt hingegen einen höchstsignifikanten Zusammenhang zwischen der Zufrie­denheit in Bezug auf Datenschutz und -hoheit und der Adaption von Precision Farming. Das R2 liegt bei 0,161 und der Regressionskoeffizient B bei - 0,693***. Hypothese 5 „ Unsicherheiten in Bezug auf den Datenschutz beeinflussen die Adaption von Precision Farming negativ“ kann somit bestätigt werden.

Die Bewertung einzelner Statements der nicht Precision Farming einsetzenden Betriebe spiegelt sich ähnlich in der Zufriedenheit der Statements bei den Precision Farming einsetzenden Betrieben wider. Abbildung 6 zeigt dazu die Mittelwerte ausgewählter Statements.

Abbildung 6: Zufriedenheit der PF-Nutzer bezüglich einzelner Variablen

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung Dabei sind die Precision Farming einsetzenden Betriebe besonders zufrieden mit der Entlastung der Mitarbeiter, den Senkungen vom Betriebsmittelverbrauch und den positiven Auswirkungen auf die Um­welt, die der Einsatz von Precision Farming mit sich bringt. Demgegenüber werden die Faktoren An­schaffungskosten der Technik, Kompatibilität mit anderen Geräten / Maschinen sowie das Schulungs­und Weiterbildungsangebot von den Betrieben schlechter bewertet. Durch eine Faktorenanalyse ließen sich die einzelnen Statements jedoch nicht sinnvoll zusammenfassen.

Abbildung 7: Zufriedenheit bezüglich einzelner Variablen bei der teilflächenspezifischen Düngung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Im Vergleich zur allgemeinen Bewertung von Precision Farming zeigen sich bei der Bewertung der teilflächenspezifischen Düngung nur geringfügige Unterschiede. Neben den positiven Effekten auf den Betriebsmittelverbrauch und den Umweltauswirkungen sind die Landwirte besonders mit der Erken­nung von Bestandsheterogenitäten zufrieden. Weniger zufrieden sind die Landwirte neben den Anschaf­fungskosten, dem Schulungs- und Weiterbildungsangebot, der Kompatibilität mit anderen Geräten / Maschinen auch mit dem Planungsaufwand für eine Düngungsmaßnahme.

7.3 Motive zur Nutzung von Precision Farming

Um die wichtigsten unabhängigen Faktoren zu extrahieren und einzelnen Kategorien zuzuordnen, wurde im Rahmen dieser Arbeit eine Faktorenanalyse zur Bestimmung der Motive für die Nutzung von PF durchgeführt. Das Kaiser-Meyer-Olkin-Kriterium liegt bei 0,769 und der Bartlett-Test ist hochsignifi­kant p < 0.001. Somit eignen sich die Variablen gut für die Faktorenanalyse, bei der ausschließlich.

Variablen mit Eigenwerten > 1 genutzt wurden. Dabei wurden 11 Statements auf drei Faktoren verdich­tet, die 56,8 % der Gesamtvarianz erklären (vgl. Abb. 8).

Abbildung 8: Motive zur Nutzung von Precision Farming

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Der erste Faktor „Wirtschaftlichkeit“ eint die Variablen Steigerung der Produktqualitäten, Steigerung der Deckungsbeiträge pro Hektar und Steigerung der Ernteerträge. Der zweite Faktor „Positives Ar­beitsumfeld / Mitarbeitermotivation“ umfasst die Variablen Gesellschaftliche Akzeptanz steigern, Mo­tivationssteigerung der Mitarbeiter, Arbeitszeiten reduzieren, Arbeitserleichterung und Interesse an fort­schrittlichen Technologien. Im dritten Faktor „Umweltschutz“ werden die Variablen Risiko der Nit­ratauswaschung senken, Stickstoffbilanzüberschüsse reduzieren und Einflüsse auf die Umwelt reduzie­ren zusammengefasst.

Um die interne Konsistenz der Variablen aus den zuvor hergeleiteten Faktoren zu bestimmen, wurde Cronbachs Alpha (Ca) berechnet (vgl. Tabelle 1). Werte ab 0,7 sind dabei akzeptabel. Bis auf den Faktor „Wirtschaftlichkeit“ sind die Zusammenhänge zwischen den einzelnen Variablen gut erklärbar.

Tabelle 2: Faktorenanalyse zu Motiven für die Nutzung von Precision Farming

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

Die Mittelwerte zu den vorgegebenen Statements zeigen, dass für die Betriebe das Interesse an fort­schrittlichen / digitalen Technologien (Mittelwert =1,62) den größten Einfluss auf den Einsatz von Precision Farming ausübt. Dem folgt das Motiv Arbeitserleichterung (Mittelwert = 1,86) an zweiter Stelle (vgl. Abb. 8). Das Ergebnis zeigt, dass sich die Landwirte von subjektiven Faktoren bei ihrer Entscheidung zur Nutzung von Precision Farming beeinflussen lassen. Zwar spielen auch wirtschaftli­che Faktoren bei der Entscheidung eine wichtige Rolle, aber die beiden subjektiven Faktoren überwie­gen nach dem Vergleich der gegebenen Antworten über die Mittelwerte. Die Faktorenanalyse zeigt, dass die Landwirte Precision Farming nach bestimmten Motiven einsetzen, die die in den drei Fakto­ren zusammengefassten Variablen verstärkt in den Fokus stellen.

Abbildung 9 fasst abschließend die gewonnenen Umfrageergebnisse zur statistischen Überprüfung der Hypothesen in einem Schaubild zusammen. Dabei hat lediglich das Alter nach der Auswertung der Umfrage kein Einfluss auf die Adaption von Precision Farming. im Folgenden sollen die Ergebnisse und ihr Einfluss auf die Adaption von Precision Farming diskutiert und für einzelne Akteure Hand­lungsoptionen abgeleitet werden, um die Anwendung von Precision Farming in der landwirtschaftli­chen Praxis zu fördern.

Abbildung 9: Zusammenfassung der Ergebnisse aus der statistischen Hypothesenüberprüfung

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

7.4 Einfluss der Betriebsgröße auf die Nutzung von Precision Farming

Die Auswertung der Zufriedenheit bestimmter Aspekte von Precision Farming im Rahmen der Umfrage zeigt, dass vor allem die hohen Anschaffungskosten der Technik mit einem Mittelwert von 3,73 für Unzufriedenheit bei den Anwendern sorgen (vgl. Abb. 6). Auf die Frage „Was muss sich verbessern, damit Sie Precision Farming einsetzen?“ wird das Statement „die Anschaffungskosten müssen sinken“ mit einem Mittelwert von 1,40 auch bei den nicht Precision Farming einsetzenden Betrieben am wich­tigsten bewertet (vgl. Abb. 5). Somit scheinen die Kosten der Technik aktuell das größte Hindernis für die Adaption zu sein, wie es auch die Ergebnisse von BLASCH ET AL. (2020) zeigen. Dieses Ergebnis spiegelt sich in der Umfrage bei der Verbreitung von Precision Farming wider, nach dem vor allem die großen Betriebe Precision Farming einsetzen. Hier amortisieren sich die Anschaffungskosten durch eine gesteigerte Auslastung schneller. Da die durchschnittliche Betriebsgröße in der deutschen Landwirt­schaft jedoch bei 62,5 Hektar liegt (PASCHER ET AL., 2020), ist eine breite Nutzung der Technik durch die kleinen Betriebe mit Bezug auf die Anschaffungskosten in naher Zukunft nicht zu erwarten. Eine repräsentative Befragung zeigt, dass der durchschnittliche PF einsetzende Betrieb 250 bis 380 Hektar in den Jahren 2005 bis 2007 bewirtschaftet hat (REICHARDT & JÜRGENS, 2008). Die gewonnenen Infor­mationen aus der eigenen Umfrage bestätigen diese Ergebnisse, sodass vor allem die Betriebe in den Gruppen 101 bis 200 Hektar und 201 bis 500 Hektar stark auf den Einsatz von Precision Farming setzen. Aber auch bei den noch größeren Betrieben ist der Anteil der PF einsetzenden Betriebe signifikant hö­her. Teilweise sind schon Kostendegressionen durch den technischen Fortschritt eingetreten, aber den­noch scheinen die Kosten für den Einsatz der Technologie für viele Betriebe nicht dem erwarteten Nut­zen gegenüberzustehen (RÖSCH ET AL., 2005). Um einen Anreiz für die Betriebe zu schaffen, in moderne Technologien zu investieren, werden aktuell Investitionsförderprogramme angeboten, mit denen bis zu 40 % der Anschaffungskosten vom Bund übernommen werden und damit zur Verbesserung des Um­welt-, Klima- oder Verbraucherschutzes beitragen sollen (MEYER, 2020). Landwirte von Großbetrieben scheinen eine zentrale Rolle in sozialen Netzwerken für die regionale Verbreitung moderner Technolo­gien zu spielen. Der Informationsaustausch zwischen Landwirten, die gleichermaßen neue Technolo­gien eingeführt haben, ist dabei besonders stark und stellt sich als weiterer Treiber für deren Implemen­tierung heraus. Demzufolge können fortschrittliche Landwirte in sozialen Netzwerken als Multiplikato­ren für die Verbreitung von Precision Farming in der Landwirtschaft gesehen werden (ALBIZUA ET AL., 2020). Die Ergebnisse von BLASCH ET AL. (2020) zeigen, dass 88,5 % der Landwirte, die zum ersten Mal Precision Farming nutzen auch mindestens einen anderen Anwender kennen, während dieser Anteil bei den Betrieben ohne Nutzung von Precision Farming nur bei 36,9 % liegt. Somit kann die Förderung der Vernetzung und des Wissensaustauschs zwischen den Landwirten sowie die finanzielle Unterstüt­zung bei den anfänglich hohen Investitionskosten ein Schlüssel für eine breite Anwendung von Precision Farming sein. Die Landwirte nutzen für das Erlangen von Fachinformationen vor allem den Austausch mit benachbarten Landwirten und unabhängigen Beratern, sodass diese Kanäle auch bei den skeptischen Landwirten für den Informationsaustausch besonders wichtig sind (BLASCH ET AL., 2020).

Um Precision Farming in kleinen Betriebsstrukturen rentabel einzusetzen, wird die Möglichkeit disku­tiert, die Technologien überbetrieblich einzusetzen (GANDORFER, 2006; VINZENT ET AL., 2019). Dabei kann die teilflächenspezifische, sensorgestützte Stickstoffdüngung im kombinierten Ansatz auch in kleinstrukturierten Gebieten eine Möglichkeit zum erfolgreichen Einsatz von Precision Farming bieten. Die genaue Planung der Arbeitsabläufe sowie die technische Schulung der Anwender sind dabei eine wichtige Voraussetzung, um negative Umwelteffekte zu vermeiden und einen effizienten Einsatz der Technik zu gewährleisten. Zudem müssen sich mehrere Betriebe finden, die offen für die Technologie sind und den anfänglichen Mehraufwand zur erfolgreichen implementierung in den Betriebsablauf auf sich nehmen (ViNZENT ET AL., 2019). Außerdem wird die Entscheidungsfreiheit und Flexibilität des einzelnen Landwirts beim Einsatz der Technik und der Planung von Arbeitsabläufen eingeschränkt. Bei engen Zeitfenstern zur optimalen Applikation von Pflanzenschutz- oder Düngemitteln können sich Ab­stimmungsprobleme in der Gruppe negativ auf den wirtschaftlichen Erfolg des einzelnen Betriebs aus­wirken (GANDORFER, 2006).

7.5 Einfluss des Ausbildungsstandes auf die Nutzung von Precision Farming

BUSSE ET AL. (2014) zeigen, dass die innovationsbereitschaft der Landwirte in den letzten Jahren zuge­nommen hat, da die Kosten für landwirtschaftliche Betriebsmittel und Technik ansteigen. Deshalb wer­den Technologien für den effizienten Betriebsmitteleinsatz immer stärker nachgefragt (BUSSE ET AL., 2014). Für den innerbetrieblichen Einsatz von Precision Farming sind gut ausgebildete Arbeitskräfte mit einem hohen Grundverständnis für die eingesetzten Technologien notwendig. Dabei zeigt sich, dass mehr spezielle Fachkenntnisse für die Erstellung einer Applikationskarte im Offline-Ansatz notwendig sind, als für den Online-Ansatz, bei dem die Erfassung der benötigten Daten zur Steuerung des Dünger­streuers bei der Überfahrt nach der Kalibrierung vollautomatisch funktioniert (GANDORFER, 2006). Dies erfordert vom Anwender nicht nur das sichere Bedienen der Maschinen, sondern vielmehr ein Reinden­ken in Prozesse und das Finden von Lösungsansätzen (SCHLEiCHER & GANDORFER, 2018). Demgegen­über sind Themen zu Precision Farming in den Lehrinhalten an landwirtschaftlichen Fach- und Berufs­schulen nur in kleinem Umfang aufgeführt. Dabei kann die integration solcher Themen in die Lehrpläne der landwirtschaftlichen Ausbildung eine wichtige Grundlage darstellen, um die Vorteile und den Nut­zen von Precision Farming zu erkennen und dann auch die Technologien auf dem eigenen Betrieb er­folgreich zu implementieren und anzuwenden. Dahingehend müssen die Unterrichtskonzepte und die Weiterbildung der Lehrer im Bereich der fortschrittlichen digitalen Technologien verstärkt gefördert werden, um die Akzeptanz schon während der Ausbildung zu steigern (REiCHARDT & JÜRGENS, 2008; RÖSCH ET AL., 2005).

7.6 Die Wirtschaftlichkeit als Einflussfaktor auf die Nutzung von Precision Farming

Durch die stark unterschiedliche Bewertung vom Betriebsmittelverbrauch zwischen den beiden Grup­pen, scheinen die Potenziale und Vorteile von Precision Farming noch nicht klar zu sein (vgl. Abb. 5 & 6). Wenn die Vorteile, die PF mit sich bringen kann, klarer kommuniziert werden, kann dies die Akzep­tanz der Landwirte steigern. Die durchgeführte Regressionsanalyse zeigt, dass die Zufriedenheit der Precision Farming-Nutzer mit Bezug auf wirtschaftliche Fragestellungen signifikant höher ist. Daraus lässt sich jedoch ohne klare Berechnungen und Kennzahlen nur ein subjektiver Eindruck der Betriebs- leiter gewinnen. Wie schon in der Literaturrecherche herausgestellt, müssen für eine monetäre Bewer­tung von Precision Farming exakte Berechnungen durchgeführt werden. Dabei zeigen Kalkulationen von DABERKOW & MCBRIDE (2003), GANDORFER (2006), KARPINSKI (2014) und RÖSCH ET AL., (2005) kein einheitliches Bild zu den wirtschaftlichen Vorteilen von Precision Farming auf. Hierbei spielen vor allem die vielen unterschiedlichen äußeren Bedingungen und Faktoren eine Rolle, die auf die Wirt­schaftlichkeit einen Einfluss nehmen und somit kaum eine pauschale Aussage zulassen. Dennoch sind Anstrengungen seitens der Industrie notwendig, um die Anschaffungskosten weiter zu senken. Für beide Gruppen scheint dies die Variable mit dem größten Verbesserungspotenzial zu sein. Dabei muss es aber nicht gleich die Anschaffung eines Sensorsystems mit vollautomatischer Steuerung des Düngerstreuers sein, um die Effekte der Betriebsmitteleinsparung und der Homogenisierung der Bestände mittels Pre­cision Farming hervorrufen zu können. Vor allem kleinere Betriebe mit geringer Investitionskraft kön­nen diese Effekte auch schon mit der Nutzung einer einfachen Applikations- oder Ertragspotenzialkarte auf Basis eines Satellitenbildes und der händischen Anpassung der Fahrgeschwindigkeit, Aussaat- oder Düngermenge kostengünstig erzielen (VUOLO ET AL., 2019).

7.7 Datenschutz und -sicherheit als Einflussfaktor auf die Nutzung von Precision Farming

Die Ergebnisse zur Zufriedenheit von PF bezüglich der Variablen Datenschutz und -sicherheit spiegeln sich gleichermaßen in den Untersuchungen von SCHLEICHER & GANDORFER (2018) wider (vgl. Abb. 6). Durch das gesteigerte Aufkommen von Plattformen und Produkten werden oftmals nur Insellösungen und weniger gesamtheitliche Konzepte auf den Markt gebracht, wodurch sich die Zahl der Schnittstellen erhöht. Dabei kommt es beim Datenaustausch verstärkt zu Kompatibilitätsproblemen (SCHLEICHER & GANDORFER, 2018). Für die einfache Kommunikation zwischen Maschinen und Geräten wurde der Standard ISO 11783 mit dem Namen ISOBUS geschaffen. Dieser soll die herstellerunabhängige Kom­munikation zwischen Geräten erleichtern und ist mittlerweile bei den Landtechnikherstellern weit ver­breitet. Die Vernetzung von Systemen ist damit im laufenden Betrieb bereits möglich (REUTER ET AL., 2018). Der ISOBUS-Standard bietet die Möglichkeit, weltweit Maschinen auf einfache Weise miteinan­der zu verbinden und den Datenaustausch zu ermöglichen. Trotzdem stellen diese offenen Systeme ein großes Risiko für externe Angriffe dar. Das auf ISOBUS basierende System Control-Area-Network (CAN-Bus) ist oftmals die Quelle für Fehler und Ausfälle bei der Maschinenkommunikation (RUGGERI, 2015). In Bezug auf Zuverlässigkeit und Verknüpfung von einzelnen Komponenten sehen die befragten Precision Farming einsetzenden Landwirte jedoch im Allgemeinen und auch bei der teilflächenspezifi­schen Düngung im Speziellen noch großen Verbesserungsbedarf (vgl. Abb. 6 & 7). MARTINEZ (2016) kritisiert darüber hinaus den mangelhaften Schutz von betriebsbezogenen Daten. Er fordert für eine fle­xible Entwicklung der Digitalisierung in der Landwirtschaft den rechtlichen Rahmen nicht zu eng zu setzen. Weiterhin sind akzeptanzschaffende, vertrauensbildende Maßnahmen seitens der Dienstleis­tungsunternehmen gegenüber den Landwirten für eine nachhaltige Anwendung der Technologien not­wendig (MARTINEZ, 2016).

Trotz teilweise guter Computerkenntnisse der Landwirte, wird Precision Farming nur langsam in die Betriebsabläufe integriert. Als Hauptgrund zeigen REiCHARDT ET AL. (2009) aus ihren Experteninter­views den hohen Zeitaufwand für die implementierung der Technologie auf den Betrieben auf. Größere Betriebe haben dabei oftmals den Vorteil, dass sie einzelne, in diesen Bereichen besonders geschulte Mitarbeiter haben, sodass die implementierung leichter stattfinden kann (REiCHARDT ET AL., 2009). in den Untersuchungen von SCHLEiCHER & GANDORFER (2018) haben die Akzeptanzhemmnisse aufgrund der komplizierten Bedienung und des fehlenden iT-Know-hows im Vergleich der Zeiträume 2009 bis 2012 und 2013 bis 2016 bereits an Bedeutung verloren (SCHLEiCHER & GANDORFER, 2018). Vermehrt tauchen neue Plattformen auf, die Austausch und Speicherung sowie Auswertung von sensiblen Be­triebsdaten ermöglichen. Damit die Landwirte ihre Skepsis in Bezug auf das Thema Datenschutz ver­lieren, ist es wichtig, offene Kommunikation zu betreiben und das Wissen der Landwirte bezüglich Pre­cision Farming weiter zu fördern (GANDORFER & MEYER-AURiCH, 2017). Ein weiteres Hindernis zur Anwendung ist die Verwaltung großer Datenmengen sowie die richtige interpretation der gewonnenen Daten. Hier sind Tools notwendig, um den Landwirt bei Managemententscheidungen zu unterstützen und die Daten in entsprechende Bewirtschaftungsmaßnahmen umsetzen zu können (REiCHARDT & JÜRGENS, 2008). Zudem stehen Beratungsverbände und Landwirtschaftsämter in der Pflicht, in diesen Bereichen ihre Kompetenzen zu erhöhen und den Landwirten im Umgang mit Precision Farming zur Seite zu stehen und so die Akzeptanz in der Branche weiter zu steigern.

7.8 Zukünftige Entwicklung von Precision Farming

Aufgrund der immer noch geringen Verbreitung von Precision Farming bleibt es spannend, wie sich die Adaption auf den landwirtschaftlichen Betrieben weiterentwickelt. Die Umfrageteilnehmer sollten ihre Einschätzungen auch zur zukünftigen Entwicklung von Precision Farming und der teilflächenspezifi­schen Düngung in Deutschland und auf dem eigenen Betrieb abgeben (vgl. Abb. 10).

Dabei scheinen die Betriebe, die PF bisher nicht einsetzen, auch in Zukunft unentschlossener zu sein, die Technologie auf ihrem Betrieb zu implementieren. Trotzdem sehen sie Precision Farming ähnlich, wie die PF-Nutzer, als ein Kernelement der deutschen Landwirtschaft. Dieses Ergebnis zeigt noch ein­mal mehr, dass es wichtig ist, die aktuell existierenden Vorurteile gegenüber Precision Farming abzu­bauen. Nur wenn die aktuell nicht Precision Farming einsetzenden Landwirte bereit sind, die Technolo­gien auf ihrem Betrieb zu nutzen, kann eine breite Adaption mit den oben genannten Wirkungen in der deutschen Landwirtschaft gelingen und zur nachhaltigen Zielerreichung beitragen.

Abbildung 10: Einschätzung der zukünftigen Entwicklung von Precision Farming

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

8. Limitationen der empirischen Studie

Da die aus der Umfrage gewonnen Ergebnisse nicht repräsentativ für die landwirtschaftliche Praxis sind, ist es wichtig weitere Forschungen mit einer größeren Anzahl an Umfrageteilnehmern zu Akzeptanz­hemmnissen von Precision Farming durchzuführen. Der hohe Anteil junger Umfrageteilnehmer hängt vermutlich damit zusammen, dass die Umfrage verstärkt über die Kanäle von Hochschulen und folglich auch primär an junge Studierende weitergeleitet wurde. Dabei kann sich das Alter als weiterer Einfluss­faktor herausstellen, wie es auch schon vorangegangene Forschungen zeigen (ROBERTS ET AL., 2004; RÖSCH ET AL., 2005). Darüber hinaus sollte der Einfluss einzelner Faktoren bei weiteren Forschungen zur Wirtschaftlichkeit von Precision Farming differenzierter betrachtet werden. So stellen die aktuell hohen Mineraldüngerpreise und die Einschränkungen der Düngung durch die Düngeverordnung eine gesteigerte Notwendigkeit dar, die Betriebsmittel effizient auf den Flächen auszubringen. Aber auch eine Kalkulation unter Einbezug des aktuell laufenden Agrarinvestitionsförderprogramms kann durch die Förderung von 40 % der Anschaffungskosten einen Anreiz für die Landwirte bieten, in moderne Technologien zur teilflächenspezifischen Bewirtschaftung zu investieren. Die Umfrage hat in Bezug auf wirtschaftliche Variablen eine gesteigerte Zufriedenheit bei Anwendung von Precision Farming fest­stellen können, die aber lediglich an subjektiven Werten festgemacht wurde. Zudem sollte in weiteren Forschungen ein Vergleich zu anderen Ländern mit ähnlichen landwirtschaftlichen Strukturen stattfin­den. Dabei kann ein Abgleich zeigen, wie fortschrittlich die deutsche Landwirtschaft in Bezug auf die Nutzung von Precision Farming ist und welche Maßnahmen möglicherweise in anderen Ländern helfen, die Adaption voranzutreiben.

9. Fazit

Ziel dieser empirischen Studie war es, auf Grundlage der gewonnenen Ergebnisse aus der Online-Um­frage Schlüsse darüber zu ziehen, welche Faktoren einen Einfluss auf die Nutzung von Precision Far­ming in der deutschen Landwirtschaft haben. Die Ergebnisse zeigen Probleme auf, die in Bezug auf eine stärkere Verbreitung von Precision Farming von den verschiedenen Akteuren der Agrarbranche gelöst werden müssen.

Die Betriebe sind beim Einsatz von Precision Farming besonders mit der Entlastung der Mitarbeiter, den Senkungen des Betriebsmittelverbrauchs und den positiven Auswirkungen auf die Umwelt zufrie­den. Demgegenüber werden die Anschaffungskosten der Technik, die Kompatibilität mit anderen Ge­räten / Maschinen sowie das Schulungs- und Weiterbildungsangebot von den Betrieben negativ bewer­tetet. Auch die Betriebe, die Precision Farming bisher nicht einsetzen, sehen gleichermaßen bei diesen Variablen den größten Verbesserungsbedarf. Dabei zeigt die Auswertung einen signifikanten Einfluss der Betriebsgröße auf die Nutzung von Precision Farming. Landwirtschaftlichen Großbetrieben steht mehr Kapital zur investition bei einer gleichzeitig höheren Flächenauslastung und damit schnelleren Amortisation der Technologien zur Verfügung. Mögliche Ansätze zur verstärkten Adaption auf kleine­ren Betrieben stellen der überbetriebliche Einsatz (ViNZENT ET AL., 2019) und der Aufbau von investi­tionsförderprogrammen vom Bund und der Europäischen Union für Precision Farming dar (MEYER, 2020). Weiterhin werden Skaleneffekte und weitere Anstrengungen der Hersteller notwendig sein, damit die Anschaffungskosten weiter sinken, denn dies ist die größte Barriere für die Nutzung von Precision Farming.

Der Ausbildungsstand der Landwirte hat einen weiteren signifikanten Einfluss auf die Adaption von Precision Farming. Dabei haben die Precision Farming einsetzenden Landwirte überwiegend einen hö­heren Berufsbildungsabschluss erlangt. Es ist deshalb notwendig, in den Lehrplänen der Berufs- und Fachschulen inhalte zu digitalen fortschrittlichen Technologien zu integrieren und so die Akzeptanz schon während der landwirtschaftlichen Ausbildung zu steigern. Zugleich wird es immer wichtiger, bei komplexer werdendem Funktionsumfang der Technologien vermehrt Schulungs- und Weiterbildungs­maßnahmen anzubieten, damit die Landwirte die potenziell möglichen Effizienzsteigerungen durch Pre­cision Farming vollständig ausnutzen können. Die Verwaltung großer Datenmengen sowie die richtige interpretation der gewonnenen Daten stellt dabei aktuell ein weiteres Problemfeld dar. Hierfür sind Tools notwendig, die den Landwirt bei Managemententscheidungen unterstützen, um die gewonnen Daten in entsprechende Bewirtschaftungsmaßnahmen umsetzen zu können. Auch Beratungsringe und Landwirtschaftskammern sollten dahingehend ihre Kompetenzen erweitern und den Landwirten beim Einsatz unterstützend zur Seite stehen.

Weniger der Datenschutz, sondern vielmehr die Kompatibilität von verschiedenen Geräten stellt sich als Problem aus den Umfrageergebnissen heraus. Eine wichtige Voraussetzung für die Steigerung der Akzeptanz ist eine problemlose Maschinenkommunikation sowie die herstellerunabhängige Datenüber­tragung und -verwaltung. Die Probleme an den Schnittstellen müssen von den Maschinenherstellern weitergehend überarbeitet werden. Ganzheitliche Ansätze stellen dabei einen möglichen Lösungsweg dar und können helfen, die Fehlerquellen der vielfach existierenden Insellösungen zu vermeiden.

Eine durchgeführte Faktorenanalyse zeigt, dass die Landwirte Precision Farming aus unterschiedlichen Motiven einsetzen. Durch die Auswertung konnten die drei Faktoren „Wirtschaftlichkeit“, „Positives Arbeitsumfeld / Mitarbeitermotivation“ und „Umweltschutz“ herausgestellt werden. Am stärksten wiegt für die Landwirte jedoch das Interesse an fortschrittlichen Technologien und die Arbeitserleichterung bei der Entscheidung Precision Farming einzusetzen. Das zeigt, dass in erste Linie subjektive Motive gegenüber ökologischen oder ökonomischen Motiven bei der Adaption im Vordergrund stehen. Die Landwirte werden bei der Adaption auch durch ihr Interesse an modernen Technologien, aber auch durch den Austausch mit innovativen Landwirten in sozialen Netzwerken zur Nutzung getrieben.

Für die Zukunft sehen die Umfrageteilnehmer Precision Farming und die teilflächenspezifische Dün­gung als Kernelement der deutschen Landwirtschaft. Allerdings werden die aktuell nicht PF nutzenden Betriebe die Technologien auch in Zukunft nicht ohne unterstützende Maßnahmen auf dem eigenen Betrieb einsetzen. Zur Kernfrage, ob Precision Farming eine Nullnummer oder ein Nutzbringer ist, lässt sich in Bezug auf die Ökonomie nach der Literaturrecherche keine klare Vorteilhaftigkeit herausstellen (GANDORFER, 2006; KARPINSKI, 2014; RÖSCH ET AL., 2005; WAGNER, 2010). Die ökonomische Vor- teilhaftigkeit der teilflächenspezifischen Düngung wird durch die witterungsbedingten und standörtli­chen Gegebenheiten stark beeinflusst und lässt keine pauschale Aussage zu. Die Umfrageergebnisse drücken die gesteigerte Zufriedenheit der wirtschaftlichen Variablen bei Nutzung von Precision Farming nur in einer subjektiven Wahrnehmung aus. In Bezug auf ökologische Effekte ist bei Anwendung von Precision Farming eine gesteigerte Zufriedenheit bei den Umfrageteilnehmern wahrzunehmen. Die Li­teraturanalyse bestätigt die positiven Effekte, die durch Precision Farming beim Umweltschutz und hier­bei insbesondere bei der Reduktion von Bilanzüberschüssen und dem verringerten Risiko zur Nitrataus­waschung hervorgerufen werden (BONGIOVANNI & LOWENBERG-DEBOER, 2004; EBERTSEDER ET AL., 2003; VUOLO ET AL., 2019; WAGNER, 2010). Precision Farming hat insgesamt das Potenzial, die gesell­schaftlichen Forderungen nach mehr Arten-, Klima- und Umweltschutz mit dem Ziel eines effizienteren Betriebsmitteleinsatzes bei gleichbleibenden oder gar gesteigerten Qualitäten und Erträgen in der land­wirtschaftlichen Produktion zu vereinen.

V Literaturverzeichnis

ALBiZUA, A., BENNETT, E., PASCUAL, U., & LAROCQUE, G. (2020). The role of the social network structure on the spread of intensive agriculture: an example from Navarre, Spain. Deutschland: Springer-Verlag GmbH. doi:https://doi.org/10.1007/s10113-020-01676-9

BACKHAUS, K., ERiCHSON, B., PLiNKE, W. & WEiBER, R. (2016). Multivariate Analysemethoden Eine anwendungsorientierte Einführung . 14 Hrsg. Berlin Heidelberg: Springer Gabler.

BLACKMORE, S. (2002). Developing the principles of precision farming. The Centre of Precision Farming, Dinamarca.

BLASCH, J., VAN DER KROON, B., VAN BEUKERiNG, R., MUNSTER, R., FABiANi, S., NiNO, P., & VANiNO, S. (2020). Farmer preferences for adopting precision farming technologies: a case study from italy. European Review of Agricultural Economics. doi:https://doi.org/10.1093/erae/jbaa031

BONGiOVANNi, R., & LOWENBERG-DEBOER, J. (2004). Precision Agriculture and Sustainability. Precision agriculture, 5, S. 359-387. doi:https://doi.org/10.1023/B:PRAG.0000040806.39604.aa

BUSSE, M., DOERNBERG, A., SiEBERT, R., KUNTOSCH; A., SCHWERDTNER, W., KÖNiG, B., BOKELMANN, W.. (2014). innovation mechanisms in german precision farming. Precision Agriculture. Precision Agriculture, 15(4), S. 403-426. doi:http://dx.doi.org/10.1007/s11119-013-9337-2

CLEFF, T. (2015). Deskriptive Statistik und Explorative Datenanalyse: Eine computergestützte Einführung mit Excel, SPSS und STATA (3. Auflage). Wiesbaden: Gabler Verlag

DABERKOW, S., & MCBRiDE, W. (2003). Farm and operator characteristics affecting the awareness and adoption of precision agriculture technologies in the US. Precision agriculture, 4(2), S. 163-177.

DETER, A. (2019). Landwirte und Gesellschaft: ideen für ein besseres Miteinander. TopAgrar online. Abgerufen am 03. November 2020 von https://www.topagrar.com/management-und-politik/news/landwirte-und- gesellschaft-ideen-fuer-ein-besseres-miteinander-11888581.html

DLG E.V. (2018). Digitale Landwirtschaft - Ein Positionspapier. Frankfurt am Main. Abgerufen am 03. November 2020 von https://www.dlg.org/fileadmin/downloads/landwirtschaft/themen/ausschuesse_ facharbeit/DLG_Position_Digitalisierung.pdf

EBERTSEDER, T., GUTSER, R., HEGE, U., BRANDHUBER, R., & SCHMiDHALTER, U. (2003). Strategies for site­specific nitrogen fertilization with respect to long-term environmental demands. in J. Stafford, & A. Werner, Precision Agriculture (S. 193-198). Wageningen: Wageningen Academic Publishers.

EHLERT, D. (2010). Techniken für eine sensorgestütze mineralische Düngung. in B. L. (LfL) (Hrsg.), Technik im Ackerbau - schlagkräftig und effizient, (S. 13-22). Deggendorf.

FiNGER, R., SWiNTON, S., EL BENNi, N., & WALTER, A. (2019). Precision farming at the nexus of agricultural production and the environment. Annual Review of Resource Economics(11), S. 313-335. doi:https://doi.org/10.1146/annurev-resource-100518-093929

GANDORFER, M. (2006). Bewertung von Precision Farming dargestellt am Beispiel der teilflächenspezifischen Stickstoffdüngung. Dissertation, Technische Universität, Lehrstuhl für Wirtschaftslehre des Landbaues, München.

GANDORFER, M., & MEYER-AURICH, A. (2017). Economic Potential of Site-Specific Fertiliser Application and Harvest Management. In S. Pedersen, & K. Lind, Precision Agriculture_ Technology and Economic Perspectives (S. 79-92). Cham, Schweiz: Springer International Publishing AG 2017. doi:https://doi.org/10.1007/978-3-319-68715-5

HAIR, J. F., ANDERSON, R. E., TATHAM, R. L. & BLACK, W. C. (2009). Multivariate data analysis. Essex, England: Pearson Education Limited-Verlag

HEMMERLING, U., PASCHER, P., NAß, S., KÖNIG, A., & GAEBEL, C. (2015). Trends und Fakten zur Landwirtschaft. Berlin: Deutscher Bauernverband.

HÜTER, J., KLOEPFER, F., & KÖBLE, U. (2005). Elektronik, Satelliten und. Münster: KTBL-Schriften-Vertreib im Landwirtschaftsverlag GmbH.

KARPINSKI, H. (2014). Volkswirtschaftliche Analyse einer flächenweiten Einführung von Precision Farming in Deutschland. Dissertation, Humboldt-Universität zu Berlin, Landwirtschaftlich-Gärtnerischen Fakultät, Berlin.

KLUGE, A. (2011). Methoden zur automatischen Unkrauterkennung für die Prozesssteuerung von Herbizidmaßnahmen. Dissertation, Fakultät Architektur, Bauingenieurwesen und Umweltwissenschaften der Technischen Universität Carolo-Wilhelmina , Braunschweig.

LAMBERT, D., & LOWENBERG-DEBOER, J. (2000). Dayton Lambert & J. Lowenberg-DeBoer. Site-specific Management Center. Purdue: School of Agriculture Purdue University.

LANGENBERG, J., NORDHAUS, F., & THEUVSEN, L. (2017). Navigations- und N-Sensor gestützte Anwendungen in der Landwirtschaft - eine Rentabilitätsanalyse. In A. Ruckselshausen, A. Meyer-Aurich, W. Lentz, & B. Theuvsen, Informatik in der Land-, Forst- und Ernährungswirtschaft (S. 97-100). Bonn: Gesellschaft für Informatik e.V.

LOWENBERG-DEBOER, J. (1999). Risk management potential of precision farming technologies. Journal of Agricultural and Applied Economics, 275-285.

LUDOWICY, C., SCHWAIBERGER, R. & LEITHOLD, P. (2002). Precision Farming, Handbuch für die Praxis. (1. Auflage). Frankfurt am Main.

MAIDL, F., SCHÄCHTL, J., & HUBER, G. (2004). Strategies for Site-Specific Nitrogen Fertilization on Winter Wheat. Proceedings of the 7th International Conference on Precision Agriculture, (S. 1938-1949). Minnesota.

MARTINEZ, J. (2016). Chancen und Risiken der Digitalisierung in der Landwirtschaft - die rechtliche

Dimension. (U. i. Poznaniu, Hrsg.) Przcglad Prawa Rolnego, 2(19), 13-44.

MCBRIDE, W., & DOBERKOW, S. (2003). Information and the adoption of precision farming technologies. Journal of Agribusiness, 21(1), S. 21-38.

MEYER, C. (2020). Anträge für Agrarinvestitionsförderung 2021 jetzt vorbereiten. Abgerufen am 17. März 2021 von Land & Forst: https://www.landundforst.de/landwirtschaft/betrieb/antraege-fuer- agrarinvestitionsfoerderung-2021-vorbereiten-563581

MEYER-AURICH, A., GANDORFER, M., & HEIßENHUBER, A. (2008). Econimics analysis of precision farming technologies at the farm level: two german case studies. In O. Castalonge, Agricultural Systems: Economics, Technology and Diversity (S. 68-75). New York: Nova Science Publishers, Inc.

NADI KARATAY, Y., MEYER-AURICH, A., & GANDORFER, M. (2018). Ökonomik der teilflächenspezifischen N- Düngung von Weizen unter Berücksichtigung von Qualität, Risiko und N-Düngerestriktionen. In A. Ruckelshausen (Hrsg.), Digitale Marktplätze und Plattformen (S. 135-138). Bonn: Gesellschaft für Informatik.

NOACK, P. (2016). Satellitenortungssysteme (GNSS) in der Landwirtschaft. DLG-Merkblatt 388.

PASCHER, P., Hemmerling, U., NAß, S., & Stork, S. (2020). Situationsbericht 2020/21 - Trends und Fakten zur Landwirtschaft. Berlin: Deutscher Bauernverband.

PAUSTiAN, M., & THEUVSEN, L. (2016). Adoption of precision agriculture technologies by German crop farmers. New York: Springer Science+Business Media. doi:10.1007/s11119-016-9482-5

PÖßNECK, J. (2011). Precision Farming im Pflanzenbau. Landesamt für Umwelt, Landwirtschaft und Geologie, Dresden. Abgerufen am 03. November 2020 von https://www.landwirtschaft.sachsen.de/download/Precision_Farming-Endfassung-internet-v2.pdf

REiCHARDT, M., & JÜRGENS, C. (2008). Precision Farming in Deutschland - bestehende Akzeptanzmuster und zukünftige Perspektiven einer Technologie. in A. Werner, F. Dreger, & J. Schwarz, informationsgeleitete Pflanzenproduktion mit Precision Farming als zentrale inhaltliche und technische Voraussetzung für eine nachhaltige Entwicklung der landwirtschaftlichen Landnutzung - pre agreo ii (S. 577-606). Müncheberg: Leibniz-Zentrum für Agrarlandschaftsforschung.

REiCHARDT, M., JÜRGENS, C., KLÖBLE, U., HÜTER, J., & MOSER, K. (2009). Dissemination of precision farming in Germany: acceptanze, adoption, obstacles, knowledge transfer and training activities. Precision Agriculture. doi:10.1007/s11119-009-9112-6

REiCHE, E.-W., RiNKER, A., WiNHORST, W., KERSEBAUM, K.-C., LORENZ, K., PLACHTER, H., & JANßEN, B. (2002). Untersuchungen zu möglichen ökologischen Auswirkungen teilschlagspezifischer Pflanzenbaumaßnahmen. (K. f. (KTBL), Hrsg.) Precision Agriculture - Herausforderung an integrative Forschung, Entwicklung und Anwendung in der Praxis, S. 365-368.

REUTER, C., SCHNEiDER, W., EBERZ, D., BAYER, M., HARTUNG, D., & KAYGUSUZ, C. (2018). Resiliente Digitalisierung der kritischen infrastruktur Landwirtschaft - mobil, dezentral, ausfallsicher.

Dienstleistungszentrum Ländlicher Raum Rheinhessen-Nahe-Hunsrück (DLR R-N-H). Darmstadt: Wissenschaft und Technik für Frieden und Sicherheit (PEASEC), TU Darmstadt.

ROBERTS, ROLAND K., ENGLISH, BURTON C., LARSON, JAMES A., COCHRAN, REBECCA L., GOODMAN, W. ROBERT, LARKIN, SHERRY L., MARRA, MICHELE C., MARTIN, STEVEN W., SHURLEY, W. DONALD, REEVES, JEANNE M. (2004). Precision Agriculture Technology Adoption for Cotton. Journal of Agricultural and Applied Economics 36, S. 143-158.

RÖSCH, C., DUSSELDORP, M., & MEYER, R. (2005). Precision Agriculture. Berlin: Büro für Technikfolgen­Abschätzung beim Dt. Bundestag (TAB).

RUGGERI, M. (2015). Is ISOBUS safe? Regulatory an Technical aspects for the use of ISOBUS in the context of ISO25119. Hannover.

SCHLEICHER, S., & GANDORFER, M. (2018). Digitalisierung in der Landwirtschaft: Eine Analyse der Akzeptanzhemmnisse. In A. Ruckselshausen, A. Meyer-Aurich, K. Borchard, C. Hofacker, J.-P. Loy, R. Schwerdtfeger, . . . B. Theuvsen, Digitale Marktplätze und Plattformen (S. 203-206). Bonn.

SCHMIDHALTER, U., JUNGERT , S., EBERTSEDER, T., DUDA, R., GUTSER, R., & GERL, G. (2003). Erfassung repräsentativer Kenngrößen der Wasserverfügbarkeit und des N-Haushaltes von Teilschlägen. FAM- Jahresbericht 2002 (S. 109-116). München: Forschungsverbund Agrarökosysteme.

SCHULTE-OSTERMANN, S., & WAGNER, P. (2021). Reduktion negativer Umwelteffekte mit Hilfe einer teilflächenspezifischen Phosphordüngung. In A. Meyer-Aurich, M. Gandorfer, C. Hoffmann, C. Weltzien, S. Bellingrath-Kimura, & H. Floto (Hrsg.), 41. GIL-Jahrestagung, Informations- und Kommunikationstechnologie in kritischen Zeiten (S. 277-282). Bonn: Gesellschaft für Informatik e.V..

THÖLE, H. (2010). Ansätze zur statistischen Auswertung von On-Farm-Experimenten mit georeferenzierten Daten. Dissertation, Humboldt-Universität zu Berlin, Landwirtschaftlich-Gärtnerischen Fakultät , Berlin.

URBAN, D., & MAYERL, J. (2011). Regressionsanalyse: Theorie, Technik und Anwendung. Deutschland: VS Verlag für Sozialwissenschaften.

VINZENT, B., MAIDL, M., MÜNSTER, S., & GANDORFER, M. (2019). Überbetrieblicher Einsatz eines Sensorsystems zur teilflächenspezifischen Stickstoffdüngung. In M. Meyer-Aurich, M. Gandorfer, N. Barta, A. Gronauer, J. Kantelhardt, & H. Floto (Hrsg.), Referate der 39. GIL-Jahrestagung in Wien, (S. 263-268). Wien.

VUOLO, F., ESSL, L., SANDEN, T., & SPIEGEL, H. (2019). Multidisziplinäre Überlegungen zur nachhaltigen N- Düngung unter Berücksichtigung der Möglichkeiten der satellitengestützten Präzisionslandwirtschaft. Dreiländertagung der DGPF, der OVG und der SGPF. 28. Wien: Publikationen der DGPF.

WAGNER, P. (2010). Bewertung unterschiedlicher Ansätze zur teilflächenspezifischen Düngung aus informationstechnischer und ökonomischer Sicht. Halle (Saale).

[...]

---

¹ Da die abhängige Variable „Precision Farming-Nutzung“ binär kodiert wurde (1 = Ja; 2 = Nein), lässt sich nicht mit der linearen Regression rechnen.

² Dabei bedeutet ein Wert von 1 = sehr zufrieden und 5 = völlig unzufrieden, sodass der negative Regressionsko­effizient B auf ein Ansteigen der Zufriedenheit bei Adaption deutet.