阿比·沙莱克（Abby Shalek）、布里斯基（Briski）、瑞安·洛伊（Ryan Loy）、特雷·马龙（Trey Malone）
美国俄克拉荷马州立大学
**摘要**
本研究探讨了影响美国农业食品供应链中采用工业4.0技术（特别是人工智能（AI）、区块链和物联网（IoT）的组织和管理因素。基于技术-组织-环境（Technology-Organization-Environment, TOE）框架，我们分析了来自普渡大学食品与农业商业中心（Center for Food and Agricultural Business, CAB）对281名农业企业专业人士进行的全国性调查的数据。我们根据熟悉度、整合性、生产力和韧性等指标构建了AI、区块链和IoT的综合感知指数。随后，我们分别为每种技术的采用情况建立了逻辑回归模型，并报告了平均边际效应。研究结果表明，组织角色和市场范围与技术的采用及积极认知之间的关联度高于教育水平。高层管理和具有全球视野的公司通常更倾向于采纳这些技术。研究建议，希望加速工业4.0采用的企业应针对中层管理人员开展教育和变革管理培训，加强跨职能的数字化应用培训，并将激励措施和支持结构与AI、区块链和IoT的集成采用相结合，而不是孤立地处理每种技术。这些发现通过强调内部组织动态和战略定位的重要性，为农业食品供应链数字化的相关研究提供了补充。研究结果对政策制定者、行业领袖和劳动力发展专业人士等利益相关者具有实际意义，有助于推动数字化进程。
**1. 引言**
智能和互联系统催生了“工业4.0”的愿景，实现了更快的决策周期、更高的透明度以及复杂全球网络中的前所未有的协调性（Abdirad & Krishnan, 2021; Sharma et al., 2022）。工业4.0预计将通过实时响应、自动化和数字化集成生态系统重塑供应链（Zhang et al., 2023）。这一转型主要由人工智能（AI）、区块链和物联网（IoT）推动（Bag et al., 2024; Javaid et al., 2024）。这些新技术重新定义了供应链管理的战略边界（Fatorachian & Kazemi, 2021）。制造商在生产线中嵌入传感器，零售商使用预测算法来预测需求变化，物流公司则实现了从路线规划到库存管理的自动化。在各个行业中，供应链的运作逻辑正被能够实时适应波动性、冲击和消费者需求变化的数字系统所重塑（Schmidt et al., 2023）。
然而，组织转型并不均衡。尽管关于工业4.0的讨论广泛，但企业层面的采用情况仍存在差异，尤其是在供应链参与者中（Uddin et al., 2021）。许多企业所处的环境具有较高的自然变异性、较长的规划周期和碎片化的价值链，这些都给工业4.0的采用带来了障碍（Pessot et al., 2023）。这些挑战在农业食品供应链中尤为明显，该行业必须应对气候变化、地缘政治不稳定、资源限制以及消费者对透明度的要求（Abbasi et al., 2022; Lezoche et al., 2020）。从原材料供应商到商品加工商，企业面临着气候变化、监管收紧以及消费者对稳定采购策略的压力，而往往缺乏实现敏捷响应所需的数字基础设施（Rejeb et al., 2022）。尽管技术供应商推广基于AI的预测、区块链的可追溯性和传感器驱动的自动化解决方案，但农业食品系统中的采用仍然有限，农业常被认为是数字化程度最低的行业（Goedde et al., 2020）。这些压力日益跨越国界，使美国的原材料供应商、南美的生产者和东南亚的加工商共同面临气候、监管和消费者风险（de Lange et al., 2025; Yu et al., 2025）。
潜在的数字能力与其实际应用之间的不匹配可能会限制现代供应链的敏捷性、透明度和韧性。技术普及的差距可能会加剧行业内部和行业间的数字鸿沟。尽管关于AI、区块链和IoT潜力的说法很多，但关于它们在农业企业中得到管理支持的证据相对较少。现有研究通常侧重于技术性能、消费者信任和下游认证系统（Limpamont et al., 2024; Saha et al., 2025; Vahdanjoo et al., 2025）。相比之下，很少有研究探讨影响农业食品供应链中管理者对AI、区块链和IoT认知、感知价值和支持程度的个体和企业层面因素。理解推动或抵制这些技术整合的上层管理者的支持动力对于解释采用滞后现象至关重要。先前的研究表明，工业4.0技术的采用受到技术决策、财务决策、组织架构、管理自主性和企业运营复杂性的影响（Aslam et al., 2021）。然而，农业食品领域数字采用的决定因素仍不明确（Aboagye-Darko & Mkhize, 2025; Santos et al., 2024）。在识别预测采用准备度的组织和管理因素时，这一差距尤为明显（Zhao et al., 2025）。许多现有研究假设受访者具备一定的技术参与度，这可能掩盖了那些在数字实施方面接触有限或基础设施不足的管理者的观点。关于管理者角色、教育水平、公司类型、技术熟悉度及外部压力如何影响对工业4.0技术支持程度的实证见解在农业企业研究中较为缺乏。没有这种理解，推动数字化转型的努力可能会忽视关键的内部驱动因素，并加剧供应链生态系统中的不对称性。
尽管关于农业食品系统中工业4.0的知识不断增长，但仍存在几个重要空白。首先，现有研究主要关注技术采用障碍或消费者导向的结果，而非推动（或抑制）农业企业采用的内部组织和管理因素。其次，很少有研究同时考察所有基础技术（如AI、区块链和IoT），这限制了我们对这些技术相互作用方式的了解。最后，针对农业企业专业人士的调查实证证据很少，且非采用者的观点很少被记录。为填补这些空白，本研究利用了来自美国各地农业企业专业人士的原始调查数据，探讨了影响AI、区块链和IoT采用的支持因素。普渡大学的食品与农业商业中心（CAB）对农业供应链各环节的个体进行了调查，重点研究了这些技术作为农业食品系统主导数字架构的采用情况。IoT收集运营数据，AI可以将这些数据转化为提高生产力和韧性的决策，而区块链则能够记录碎片化供应链中的可追溯、可审计的交易（David et al., 2022; Mbadlisa & Jokonya, 2024）。
监管发展提高了这些技术对农业企业的重要性。例如美国食品药品监督管理局（FDA）的《食品安全现代化法案》（FSMA）第204条规则和欧盟的《森林砍伐法规》增加了对整个供应链数据收集、管理、互操作性和可追溯性的要求（Barbancho-Maya & López-Toro, 2022; European Commission, 2025; Krstic et al., 2023; U.S. Food and Drug Administration, 2025）。随着这些外部压力的加剧，缺乏采用和整合数字解决方案所需能力或管理支持的企业可能会面临更高的合规成本和运营中断风险。
我们使用技术-组织-环境（TOE）模型进行分析。TOE非常适合我们的研究问题，原因有三：首先，TOE专门针对企业层面的技术采用设计，使我们能够分析内部和外部条件如何共同影响组织决策（Oliveira & Martins, 2011; Tornatzky et al., 1990）；其次，UTAUT和UTAUT2等框架侧重于个人使用意图，通常应用于员工对特定系统的采用，而非企业层面的多技术准备度和采用（Venkatesh et al., 2003）；第三，TOE已被广泛用于研究供应链和农业食品系统中工业4.0技术的组织采用（例如Chittipaka et al., 2023; Dora et al., 2022; Mishra et al., 2024），这使我们能够在现有研究基础上进行调整以适应农业企业背景。在我们的研究中，企业是采用的焦点单位，关键驱动因素包括内部准备度、感知的技术优势以及外部支持和支持压力。技术相关因素包括对AI、区块链和IoT的熟悉度，以及对它们提高生产力和供应链韧性潜力的信念。组织因素包括管理角色和层级、技能以及战略重点。环境因素包括监管指导、激励措施、合作伙伴或客户的需求，以及获取相关数据和基础设施的能力（Chittipaka et al., 2023; Li et al., 2024; Merhi & Harfouche, 2024; Teng et al., 2025）。这一结构借鉴了先前在数字供应链技术中的TOE应用，同时根据农业企业背景进行了调整。我们通过实证方法评估了这些变量如何影响当前的采用状况、每种技术的感知价值以及未来采用的可能性。值得注意的是，调查设计同时涵盖了当前用户和非采用者，使我们能够评估实际采用情况和潜在的采用潜力。
鉴于关于农业企业中AI、区块链和IoT采用的研究有限，本研究旨在评估TOE因素在解释实际采用和潜在技术采用中的作用。具体而言，我们遵循Chittipaka et al.（2023）的研究目标：
**RQ1：技术、组织和环境因素如何影响农业企业管理者当前对AI、区块链和IoT的采用、感知价值及未来采用的意愿？**
**RQ2：哪些具体的TOE因素与农业企业中AI、区块链和IoT的当前采用及未来采用意愿最为相关？**
通过回答这些问题，本研究为文献做出了以下贡献：
- 我们提供了来自农业企业专业人士全国性调查的关于工业4.0技术组织和管理决定因素的实证证据。
- 我们证明了管理角色和企业的市场范围与采用及积极技术认知之间的关联度高于教育水平，强调了组织地位的重要性。
- 我们构建了综合技术感知指数，以便比较不同工业4.0技术下的管理者态度，从而更好地理解应如何设计采用策略。
- 我们为农业企业管理者、政策制定者和教育工作者提供了可操作的见解，以加速农业食品供应链中的工业4.0普及。
本文的其余部分安排如下：第2节回顾了农业食品供应链中的工业4.0技术，并总结了TOE框架在AI、区块链和IoT应用方面的先前研究；第3节介绍了概念框架，定义了技术、组织和环境准备度指标，并提出了研究假设；第4节描述了调查设计、样本和实证策略，包括感知指数和采用指标的构建；第5节报告并讨论了逻辑回归和OLS模型的结果以及跨技术感知分析；第6节总结了研究对农业企业管理者和政策制定者的主要启示，并指出了未来研究的方向和局限性。
**2. 背景与文献分析**
工业4.0技术可以定义为包括物联网（IoT）、增强现实（Augmented Reality）、区块链、机器人技术、云平台等多种技术的集成（Olsen & Tomlin, 2020）。这些技术在供应链中的采用提高了生产力、灵活性和运营绩效（Raj & Jeyaraj, 2023）。一项关于影响工业4.0技术采用的TOE因素的元分析发现，基础设施支持具有显著作用（Mishra et al., 2024）。农业食品供应链中工业4.0的采用程度取决于其增强功能、自动化流程和数据驱动决策的能力（Sharma et al., 2022; Zhang et al., 2023）。核心技术如AI、区块链和IoT是未来实施、转型、可追溯性和整体供应链韧性的基础组成部分（Bag et al., 2024; Fatorachian & Kazemi, 2021; Rejeb et al., 2022）。尽管对可持续性报告、透明度和效率的要求不断增加，但这些技术在农业食品供应链中的采用仍然有限。这包括披露范围3的排放量，即来自上游供应商和下游客户的温室气体排放（Abbasi等人，2022年；Goedde等人，2020年）。在农业食品供应链中，采用这些技术的挑战因制度差异而加剧，特别是上游供应链节点（例如，投入品供应商）缺乏接触数字系统的机会（Loy等人，2024年；Rejeb等人，2022年；Uddin等人，2021年）。因此，增加采用率的途径仍然不明确。
2.1. 区块链
区块链技术通过创建一个相关方共享的分布式数据库来提高透明度和安全性（Teng等人，2025年）。在供应链管理中，区块链被提出作为一种机制，以提高可追溯性、减少市场不对称性，并简化文档和验证流程，从而有可能降低行政和协调成本（Kamble等人，2019年）。一项使用技术接受模型（TOE）框架对37项研究的元分析发现，技术因素对采用率的影响大于组织或环境因素（Mishra等人，2024年）。该研究发现，技术因素如感知信任、技术兼容性、感知透明度和感知易用性都对区块链技术的采用有积极影响。在农业食品领域，区块链的应用仍处于起步阶段。现有研究强调了其提高供应链透明度和防止欺诈的潜力（Antonucci等人，2019年；Zarbà等人，2024年）。此外，区块链在农业领域的整合已被证明可以提高产品质量和安全性（Mirabelli & Solina，2020年）。然而，农业食品系统中广泛整合的证据仍然有限。这可能是由于Aroora等人（2024年）在其文献综述中指出的因素，他们确定了区块链技术如何改变可持续食品安全的情景。该研究提到了诸如缺乏全面知识和供应链中采用率有限等原因。Toader等人（2024年）在他们的研究中使用了统一技术接受和使用理论（UTAUT），以确定绩效期望、信任和组织准备度作为欧洲农业食品供应链中区块链采用意图和采用的关键预测因素。尽管有这些贡献，但对于农业食品供应链不同节点上的企业组织层面的区块链采用情况知之甚少，特别是在美国。特别是，管理职位、企业重点和市场范围在塑造对区块链的认知和采用方面的作用仍需进一步探索。TOE框架为研究技术认知以及组织和环境特征如何共同影响这些环境中的区块链采用决策提供了有价值的视角。
2.2. 人工智能
近年来，大多数经济领域的AI采用速度加快，应用范围从客户分析到物流优化。在供应链管理文献中，AI技术与更精简的供应链实践（Fosso Wamba等人，2023年）、更高的物流灵活性（Lamees & Ramayah，2025年）和更高效的生产过程（Ghobakhloo，2018年）相关联。McElheran等人（2024年）进一步表明，由年轻且受教育程度较高的管理者领导的企业更有可能采用AI，尽管该研究也强调了不同行业和企业规模之间的差异。在农业领域，AI的潜力在于其改进供需预测、适应性投入应用和风险管理的能力（Gupta & Kumar Pal，2025年；Yin等人，2025年）。先前的研究表明，AI可以解决食品供应链中的质量和安全问题（Wang等人，2022年）。然而，关于农业食品系统内参与者如何感知和利用AI的实证研究仍然很少（Abdirad & Krishnan，2021年）。Dora等人（2022年）使用TOE加人类（TOEH）框架发现，技术因素如技术准备度、感知收益和兼容性对印度食品供应链中的AI采用特别有影响力。相比之下，Nayal等人（2022年）在TOE框架中研究了印度农业企业中的其他采用驱动因素，他们报告称技术、环境或组织因素都不是采用的统计显著预测因素。
2.3. 物联网
物联网（IoT）因其在数据生成和实时监控中的作用而受到关注。在更广泛的供应链研究中，IoT通常被描述为一种提高可见性、可追溯性和实时决策能力的机制（Ben-Daya等人，2019年）。最近的研究记录了集成IoT的应用，如冷链监控、资产跟踪和自动库存补充。这些应用展示了IoT在增强供应链运营协调性和产品质量方面的潜力（Ben-Daya等人，2019年；Taj等人，2023年）。尽管有这些好处，但在连接性、硬件成本、互操作性和将传感器数据整合到现有基础设施中的方面仍存在障碍（Lee & Lee，2015年；Rejeb等人，2022年）。这些实施限制在农业食品领域尤为重要，因为农村宽带接入、有限的数字技能和高额前期投资带来了重大挑战。研究还强调了将IoT系统与现有农场设备和传统供应链系统整合的困难。然而，文献表明，当与AI和区块链结合在集成数字供应链策略中时，IoT的采用具有强大的可持续性和韧性潜力（Hassoun等人，2022年；Srir等人，2023年）。先前的文献还展示了其在精准作物管理、环境监测和收获后物流方面的应用（Ifty等人，2023年）。农业食品系统中IoT的采用强调了技术能力和组织结构的结合是采用和成功实施的关键驱动因素（Narwane等人，2022年）。然而，关于农业食品供应链各节点组织层面的采用证据仍然有限。使用TOE框架为研究技术认知以及组织和环境条件如何共同影响这些环境中的IoT采用决策提供了结构化的方法。
2.4. 工业4.0采用的管理和组织驱动因素
关于工业4.0采用的管理和组织驱动因素的文献确定了推动采用决策的管理者的导向，以及采用这些技术的企业的结构属性的重要性。高层管理理论（Upper Echelons Theory）正式化了组织中高层管理者的重要性及其对组织结果的影响（Hambrick & Mason，1984年）。企业的结构属性，如企业规模、管理结构和资源禀赋，都来自技术-组织-环境（TOE）框架（Tornatzky等人，1990年）。管理特征是采用的先决条件。Hambrick和Mason（1984年）指出，背景、组织任期、决策权限范围和教育可以代表高管的认知框架。使用这些特征作为代理假设管理者拥有指导战略和组织决策的自主权（Hambrick，2007年）。这些特征决定了管理者如何解释来自环境的信号以及他们认为哪些机会是可操作的。教育背景是组织技术采用的一致预测因素。Liu和Wu（2024年）以及Mirza等人（2024年）都发现，高管或管理团队的学术背景塑造了中国企业的数字化转型。Vecino等人（2026年）在一项针对西班牙中小企业的研究中强化了这一点，他们发现个人因素，即管理者的领导力、培训和数字人才，是采用可持续技术的最强驱动因素。角色类型和决策范围也驱动技术采用决策。Hambrick & Finkelstein（1987年）提出了管理自主权理论。管理自主权指的是高管或管理者拥有的行动自由度。这可能来自环境、组织甚至与管理者自身相关的因素（Hambrick，2007年）。这种自由度可能来自于允许管理者将其偏好、想法和意见转化为行动的角色。文献展示了多个实证证据支持这一点的实例。Thong（1999年）将信息系统在小企业中的采用与单一所有者/管理者的角色联系起来，其中采用可能通过他们来促成。他们对技术的导向影响了采用的启动、资助或持续。Premkumar和Roberts（1999年）对78家美国农村小型企业的调查显示，高层管理的支持是新信息技术的重要预测因素。来自美国468家公司的横截面研究表明，具有技术导向的高级职位（如首席信息官）可以预测数字创新的启动和商业化（Bendig等人，2023年）。在应用于农业食品供应链企业时，角色类型也被证明是采用的代理因素（Namagembe & Mbago，2023年），因为更高的职位范围增加了获取采用资源和组织合法性的机会。在TOE框架内，组织维度包括企业规模、运营范围、地理范围和资源可用性等属性作为采用的预测因素（Tornatzky等人，1990年）。较大的企业或在更大地理范围内运营的企业可能拥有更多的可用资源和采用技术的动力。例如，在关于食品链供应链中区块链技术采用的50项研究的文献综述中，大量研究将企业规模确定为最常被引用的组织预测因素，出现在40%的研究中，而管理能力出现在26%的研究中（Namagembe & Mbago，2023年）。Nagy等人（2025年）对26项研究进行了元分析，表明TOE框架对智能农业中小企业有显著影响。最后，da Silveira等人（2026年）在70项同行评审的研究中确定社会和组织因素是农业食品系统中农业4.0技术的主要驱动因素。Chen等人（2026年）验证了农业食品供应链中的技术采用是企业和个人认知的函数。所有上述研究共同表明，管理角色、决策权限范围、管理者和领导者的教育成就以及企业的运营规模和地理范围都是AI、区块链和IoT在农业供应链中采用的支持驱动因素。
3. 概念框架
农业食品领域的工业4.0采用是管理者如何在其组织和环境背景下解释、试验和制度化数字创新的结果。图1展示了我们的管理学习框架，该框架借鉴了TOE框架（Penone等人，2024年）、动态能力理论（Teece，2018年）和管理认知研究（Hambrick & Mason，1984年；Tripsas & Gavetti，2017年）。
注：该框架将技术-组织-环境（TOE）模型与管理认知和动态能力视角相结合。技术、组织和环境背景共同塑造了管理者的准备度，这一准备度通过意识、试验和优化的迭代阶段发展。通过战略执行，企业将准备度转化为生产力和韧性提升、组织学习和数字互补效应。这些结果通过学习和动态能力更新反馈到组织环境中，从而加强未来的数字化转型举措。在TOE框架内，技术、组织和环境维度在高层次上定义，并不规定具体变量。这为研究人员提供了灵活性，但也要求他们与先前的工作相结合，以确定适合上下文的构建。鉴于最近在工业4.0、AI、区块链和IoT方面的TOE应用，我们通过管理者对每种技术的熟悉程度及其感知的生产力和韧性收益来操作化技术准备度（例如，Dora等人，2022年；Wong等人，2020年；Zhu等人，2006年）。组织准备度通过管理者和人力资源（角色和教育）以及企业在农业食品供应链中的重点来捕捉，这与强调高层管理特征、管理人力资本和行业或供应链位置作为数字采用关键组织决定因素的研究一致（Low等人，2011年；McElheran等人，2024年；Oliveira & Martins，2011年）。环境准备度通过运营范围和外部支持结构来衡量，如监管指导、政府激励、与技术提供商的合作伙伴关系、数据和分析工具的访问以及培训或案例研究，反映了先前的研究，这些研究强调了监管环境、政府支持、贸易伙伴准备度和基础设施作为基于TOE的采用模型中的核心环境促进因素（Chittipaka等人，2023年；Mbadlisa & Jokonya，2024年；Wang等人，2010年；Zhu等人，2006年）。表1总结了结果测量项及其来源。TOE框架变量和来源。构建/变量测量项目 项目类型 来源
技术准备度（T） 熟悉程度
• FAM1 – 您对人工智能（AI）在农业供应链中的潜在应用有多熟悉？
• FAM2 – 您对区块链技术在农业供应链中的潜在应用有多熟悉？
• FAM3 – 您对物联网（IoT）在农业供应链中的潜在应用有多熟悉？
感知的生产力效益
• PROD1 – AI提高生产力的可能性有多大（例如，减少浪费、排放）？
• PROD2 – 区块链提高生产力的可能性有多大？
• PROD3 – 物联网提高生产力的可能性有多大？
感知的韧性效益
• RES1 – 您认为AI提高农业企业韧性（例如，风险管理、应对中断）的可能性有多大？
• RES2 – 您认为区块链提高农业企业韧性的可能性有多大？
• RES3 – 您认为物联网提高农业企业韧性的可能性有多大？
5点李克特量表（1 = 非常不可能……5 = 非常可能或非常不熟悉……非常熟悉）
改编自Oliveira和Martins（2011）；Zhu等人（2006）；Verma和Bhattacharyya，2017；Wong等人（2020）；Janssen等人（2020）
组织准备度（O）
管理能力和人力资源
• O1 – 受访者的管理角色（行政 → 高层管理）
• O2 – 完成的最高教育水平
组织重点
• O3 – 企业重点包括生产或初级农业
• O4 – 企业重点包括制造或加工
• O5 – 企业重点包括分销或批发活动
• O6 – 企业重点包括服务、咨询或软件支持
有序（角色、教育）+ 二元（重点）
改编自Low等人（2011）；Awa等人（2016）；Zhu等人（2006）；Faiz等人（2024）
环境准备度（E）
外部环境和支持结构
• E1 – 企业的运营范围（本地、区域、国家、跨国）
• E2 – 支持技术采用的监管指导的可用性
• E3 – 获得政府激励或数字技术的补贴
• E4 – 与技术提供商的合作伙伴关系
• E5 – 获得数据或分析工具
• E6 – 来自类似企业的培训或案例研究的可用性
有序（范围）+ 二元（支持）
改编自Wang等人（2010）；Tu（2018）；Zhu等人（2006）；Pang等人（2015）；Mbadlisa和Jokonya（2024）
技术采用结果
采用广度
• T1 – 当前使用的技术数量（AI、区块链、物联网）
整合强度
• T2 – 所采用技术的平均整合水平（1–5）
计数（0–3）+ 5点李克特量表平均值
改编自Low等人（2011）；Wong等人（2020）
3.1. 采用背景
采用背景涵盖了塑造企业如何进行数字化转型的结构和感知条件。这些背景因素通过管理和结构上的推动因素影响下一阶段（即管理准备度），将背景与行动联系起来。与TOE框架一致，该领域包括共同决定企业采用新工具的基线和动机的各种因素（Yang等人，2022；Polisetty等人，2023；Ganguly，2022；Kouhizadeh等人，2021；Hsu & Yeh，2017；Vafaei-Zadeh等人，2025）。
技术背景为采用提供了基础，体现在对有用性和整合潜力的感知上。被认为与现有系统兼容且能够带来短期效率提升的技术更有可能从认知阶段发展到实验阶段（Venkatesh等人，2003）。相反，被视为复杂或边缘的技术可能停留在认知阶段。对一种数字技术的偏好可能会预测对其他技术的偏好。我们将这种模式称为数字互补性。这种互补性反映了超越个别工具的共享管理思维或数字导向。将AI、物联网和区块链视为单一数字生态系统中的协同组件的管理者更有可能追求集成策略，而不是孤立的技术采用。这种互补性通过反馈学习产生：对一种技术（例如物联网）的成功实验增强了探索其他技术（例如AI）的熟悉度和信心，而在一个领域的失败或抵制可能会抑制更广泛的数字参与。
组织背景反映了企业层面和管理特征，这些特征影响新技术的评估和整合方式（Oliveira & Martins，2011）。企业规模影响组织准备度和感知价值，因为较大的企业通常拥有更多的资源和采用动力（Zhu等人，2004）。企业类型（例如，农业合作社、投入品供应商、零售商）也影响管理准备度，因为不同类型的行业压力不同。例如，靠近最终消费者的企业可能更受可追溯性和合规性的驱动，而上游供应商可能更重视通过精准农业技术进行生产优化（Fragomeli等人，2024；Khanna，2024；Loy等人，2024）。教育、管理自由度和技术知识都与数字技术的采用有关（McElheran等人，2024；Dehghani等人，2022；Oli等人，2025）。因此，我们预计具有更高技术素养和更强组织支持结构的管理者将更好地协调跨职能实验并扩大成功的试点项目（Eisenhardt & Martin，2017；Sirmon等人，2007）。
环境背景反映了外部压力，包括市场竞争、合作伙伴期望和基础设施可用性。在农业食品供应链中，全球或国家级的企业可能面临关于可追溯性、可持续性文档或技术互操作性的更严格要求。例如，国际供应链中的企业必须遵守范围3排放法规和跨境可追溯性系统（Deconinck等人，2023）。这些外部要求增加了国际企业采用支持合规性技术的压力。从这个意义上说，企业是在本地、区域、国家还是跨国层面运营可以作为环境压力的代理。企业规模还可以反映内部资源可用性和运营复杂性，这些都是组织准备度的要素。我们将企业规模视为存在于TOE框架的组织和环境维度中的变量，因为我们预计嵌入在复杂或全球集成供应链中的企业将面临更大的压力，从而加速其向优化的进程。
从背景条件到积极采用数字技术的转变取决于将资源和意图转化为协调行动的管理和结构推动因素的存在。管理推动因素包括领导愿景、对变化的开放性以及通过战略视角解读技术机会的能力（Hambrick & Mason，1984；Teece，2018）。它们塑造了决策者如何感知风险、分配资源并在企业内部推动数字倡议（Simons，1995；Tripsas & Gavetti，2017）。相比之下，结构推动因素指的是正式化的机制，如通信系统、跨职能团队和激励结构，这些可以促进知识共享和敏捷决策（Eisenhardt & Martin，2017；Sirmon等人，2007）。当管理认知和组织系统一致时，企业可以将背景认知转化为管理准备度，促进迭代学习和适应能力的发展。在没有这种一致性的情况下，即使具有有利的技术或环境条件的企业也可能难以超越数字采用的认知阶段（Teece等人，2016）。
3.2. 管理准备度
管理准备度代表了决策者参与数字化转型的认知、行为和结构能力。它反映了管理者是否理解新兴技术，并具备采取行动所需的动机、解释框架和组织支持系统。因此，准备度是管理认知（领导者如何感知和构建技术机会）和组织学习机制（将这些感知转化为适应行动）的函数（Hambrick & Mason，1984；Teece，2018；Tripsas & Gavetti，2017）。
管理准备度的过程涉及一个迭代学习周期，管理者通过这个周期从认知阶段发展到实验阶段，再到数字工具的优化阶段。认知阶段是指识别和理解数字机会和威胁。在这个阶段，管理者扫描外部环境，解读技术信号，并将他们的企业与其他企业或行业典范进行比较。这样，管理认知通常受到专业网络、客户需求和政策叙述的影响，这些因素共同影响管理者对数字相关性和紧迫性的评估。在第二阶段，管理者通过试点项目、合作伙伴关系或流程重新设计积极尝试新技术。管理者分配有限的资源来测试技术的可行性，评估风险，并在不确定性面前从实施结果中学习。这个阶段体现了“边做边学”的原则，使决策者能够在识别规模障碍的同时获得技术和管理知识（March 1991）。在最后阶段，优化反映了数字能力的制度化、规模化和制度化，因为技术被嵌入到企业的运营模式中。在这里，管理者正式化所学到的经验，调整结构和激励措施，并建立控制系统，以平衡创新与绩效纪律（Eisenhardt & Martin，2017；Simons，1995）。
这些阶段通常通过递归反馈循环展开，在这些循环中，来自实验的见解重塑了认知，而优化挑战产生了新的学习周期（Felin等人，2020）。这种非线性反映了工业4.0转型的现实，因为数字采用是一个持续的管理学习过程。有效的领导者通过战略执行维持这一过程，即将管理理解转化为协调的投资、跨职能实施和组织变革（Sirmon等人，2007）。更了解数字机会并愿意尝试的管理者更有能力优化技术，将其嵌入核心运营中，并实现可衡量的绩效提升（Teece等人，2016）。随着管理者优化数字工具，他们通常会建立改善信息流、分析决策和对变化响应的组织惯例。这些改进构成了组织学习和能力构建，增强了长期适应性。
3.3. 结果和溢出效应
成功的数字化转型既产生企业层面的结果，也产生系统性的溢出效应。在企业内部，工业4.0倡议的战略执行可以通过提高效率、可见性和响应性来增强生产力和韧性。随着时间的推移，这些努力促进了学习和能力构建，增强了企业感知和抓住新机会的动态能力。在更广泛的层面上，数字采用通过数字互补性产生溢出效应，即对一种技术（例如物联网）的经验增加了管理者对其他技术（例如AI、区块链）的开放性。这些互动创造了强化反馈，加速了数字技术在农业食品生态系统中的传播。最后，图1中的反馈循环强调了组织学习和动态能力更新不断将结果反馈到采用背景中，确保从数字化转型中获得的经验为未来的战略和技术选择提供信息。
3.4. 假设
图1中的因素导致了以下假设，这些假设将工业4.0的采用概念化为一个由管理驱动的学习过程。我们关注三组构建：
（i）技术准备度，通过管理者对AI、区块链和物联网的熟悉程度（FAM1–FAM3）以及感知的生产力和韧性效益（PROD1–PROD3，RES1–RES3）来捕捉；
（ii）组织和环境准备度，通过管理角色、教育、企业重点和外部支持结构（O1–O6，E1–E6）来捕捉；
（iii）技术采用结果，通过采用广度和整合强度（T1–T2）来衡量（表1）。
H1. 组织和环境背景以及管理熟悉程度。
H1a. 管理者对工业4.0技术的熟悉程度——通过FAM1–FAM3对AI、区块链和物联网的测量——在不同组织特征（包括管理者的管理角色和教育（O1–O2）以及企业的供应链重点（生产、制造/加工、分销/批发、服务；O3–O6）之间存在系统差异。
H1b. 管理者对工业4.0技术的熟悉程度（FAM1–FAM3）在不同环境特征（包括企业的运营范围（本地到跨国；E1）以及外部支持结构的可用性（监管指导、政府激励、技术合作伙伴关系、数据/分析工具和培训或案例研究；E2–E6）之间存在系统差异。
H2. 感知效益、熟悉程度和采用结果。
H2a. 对AI、区块链和物联网的更高感知生产力效益（PROD1–PROD3）与更大的工业4.0采用广度（采用的技术数量；T1）和整合强度（平均整合水平；T2）相关。
H2b. 对AI、区块链和物联网的更高感知韧性效益（RES1–RES3）与更大的采用广度（T1）和整合强度（T2）相关。
H2c. 对AI、区块链和物联网的更高管理熟悉程度（FAM1–FAM3）与更大的采用广度（T1）和整合强度（T2）相关。
H3. 对工业4.0技术的数字导向。
H3a. 管理者对AI、区块链和物联网的感知在熟悉程度（FAM1–FAM3）、感知生产力效益（PROD1–PROD3）和感知韧性效益（RES1–RES3）之间呈正相关。
H3b. 这些正相关可以通过一个潜在的数字导向因素来总结，该因素由FAM、PROD和RES项目表示，这种数字导向与工业4.0的采用广度（T1）和整合强度（T2）呈正相关。
4. 材料和方法
本研究调查了美国的农业专业人士，使用TOE框架（见表1）来了解他们对包括人工智能（AI）、区块链和物联网（IoT）在内的新兴技术的认知、采用和看法。我们关注美国，因为它拥有一个庞大、高度整合和商业化的农业食品部门：农业、食品及相关行业约占美国总就业的10.4%（美国）。美国农业部经济研究服务局（2025年）。该系统的数字基础设施相对先进，精准农业和其他数字农业工具已在相当大比例的农作物种植面积和大多数大型农场得到应用（McFadden等人，2023年）。关于美国农业食品供应链其他部分的采用情况及其驱动因素，尤其是农场门之外的情况，我们了解得较少。因此，我们的样本主要代表在高收入、技术发达的环境中运营的企业，应将其视为成熟市场中中型到大型农业企业的证据，而不是小农户的情况。普渡大学食品与农业商业中心（CAB）通过其全国农业企业邮件列表向14,595人进行了调查。调查共收到281份有效回复（总体回复率约为2%）。受访者包括大型农业企业的C级高管到农场经理。通过这些回复，我们收集了农业供应链每个环节对新兴技术的态度信息（Loy等人，2024年）（图2）。
**图2. 农业企业调查数据分析流程图。**
**4.1. 调查结构和汇总统计**
表2报告了281名受访者的汇总统计信息。这些受访者代表了农业供应链中的广泛利益相关者群体，其中许多人有能力在其组织内影响或实施技术采用。（见表3。）
**表2. 调查受访者描述性特征（n = 281）**
| 类别 | 数量 | 百分比 |
| --- | --- | --- |
| 教育程度 | 两年制大学学位 | 16 | 5.30% |
| | 四年制大学学位 | 82 | 27.30% |
| | 高中毕业证书或GED | 62 | 20.00% |
| | 硕士学位 | 52 | 17.30% |
| | 博士学位 | 11 | 3.70% |
| 缺失 | 11 | 43.80% |
| 公司角色 | C级/所有者/合伙人/总裁 | 72 | 24.00% |
| | 经理 | 27 | 9.00% |
| | 副总裁 | 17 | 5.70% |
| | 分析师 | 7 | 2.30% |
| | 销售人员 | 11 | 3.70% |
| | 农场经理 | 5 | 1.70% |
| 其他 | 31 | 1.00% |
| 缺失 | 11 | 43.80% |
| 业务范围 | 本地 | 50 | 16.70% |
| | 区域性 | 34 | 11.30% |
| | 全国性 | 27 | 9.00% |
| | 国际性 | 28 | 9.30% |
| | 跨国性 | 28 | 9.30% |
| 缺失 | 11 | 43.80% |
| 公司重点 | **农业生产** | 57 | 19.00% |
| | 产品制造商 | 43 | 14.30% |
| | 批发商/分销商 | 22 | 7.30% |
| | 零售商/经销商（非合作社） | 17 | 5.70% |
| | 零售商/经销商（合作社） | 10 | 3.30% |
| | 其他农业服务提供商 | 39 | 13.00% |
| | 其他 | 23 | 7.70% |
| **注：** 一些受访者选择了多个业务重点类别；百分比可能不等于100%。 |
**表3. 教育程度和组织角色变量的合并方案**
| 合并级别 | 原始类别 | 包含的类别 |
| --- | --- | --- |
| 教育程度 | 专科学历或以下 | 高中或以下；高中毕业证书或GED；两年制大学学位 |
| | 大学学位 | 四年制大学学位 |
| | 研究生学位 | 硕士学位；博士学位 |
| 组织级别 | 高管 | C级（CEO、CFO）、所有者、合伙人、总裁 |
| | 中层管理 | 副总裁（EVP、SVP、AVP、VP）；经理 |
| | 管理层 | 经理（团队经理、高级经理、经理、项目经理） |
| | 员工 | 分析师；销售人员；行政（文员或支持人员 |
| | 其他 | 任何不符合上述类别的回答 |
**4.2. 多阶段分析**
我们为人工智能（AI）、区块链（Blockchain）和物联网（IoT）开发了综合感知指数，以研究专业特征如何影响对这些新兴技术的看法。这些感知指数是通过汇总四个李克特类型问题（答案范围从1到5）的回答来构建的：熟悉度、整合度、生产力和韧性。每个指数的范围是0到20，较高的指数值表示对相应技术的更积极态度（例如，如果受访者对每个问题都回答“5”，则指数值为20）。然后我们估计了三个普通最小二乘（OLS）回归模型，每个技术感知指数一个，以评估专业特征与这些态度之间的关系。预测变量包括组织级别、公司重点和业务范围（表2）。我们计算了三个感知指数之间的皮尔逊相关系数，以评估受访者对不同技术的偏好是否一致。这一步量化了对一种技术的积极感知如何预测对其他技术的看法。最后，我们构建了一个跨技术感知维恩图，以直观地展示感知的重叠情况。如果受访者的指数得分达到20分或以上，则标记为对该技术有“积极感知”。维恩图显示了有多少受访者偏好一种、两种或所有三种技术。这提供了一种直观的方法来验证相关结果，并洞察农业企业专业人士中的多技术乐观集群。
**4.3. 逻辑回归**
为了研究与农业企业技术采用相关的因素，我们分别为人工智能（AI）、区块链（Blockchain）和物联网（IoT）技术的采用估计了单独的逻辑回归模型。预测变量包括受访者的最高教育水平（高中或以下、大学学位和研究生学位）、在组织中的角色（员工、经理、中层管理、高管）以及公司的主营业务（农业生产、制造、零售、服务提供或其他）和运营地理范围（本地、区域、全国、跨国）。教育和组织角色类别是事后创建的，以解决特定响应类别中的数据稀疏问题。这些在表2中报告。对于分类预测变量，回归模型中使用的参考水平是：教育为“高中或以下”，组织角色为“高管”，公司重点为“零售”，业务范围为“本地”。由于调查路由逻辑，那些在初始技术意识问题中选择“以上都不是”或“我不知道”的受访者被跳过了详细采用部分。因此，样本大小在各个模型中有所不同。我们报告了每个预测变量的平均边际效应（AMEs）。
**4.4. 缺失数据和样本差异**
一些人口统计变量（教育、角色、公司重点、范围）和一些特定技术项目出现了无响应的情况。对于技术感知项目（熟悉度、整合度、感知生产力和感知韧性），无响应的情况相对较少，主要集中在跳过了整个技术部分的受访者中。逻辑采用模型是基于完整案例估计的。对于每种技术，我们根据整合问题和“以上都不是/我不知道”选项来定义采用状态，然后将样本限制在采用状态和非缺失的教育、角色、公司重点和地理范围值的受访者上。对于OLS和描述性分析中使用的感知指数，我们通过汇总每种技术的四个李克特项目（熟悉度、整合度、感知生产力和感知韧性）来构建特定技术的指数。指数仅针对至少回答了该技术一个项目的受访者计算；跳过了该技术整个部分的受访者被排除在基于指数的分析之外。对于部分项目无响应的少数情况，指数基于可用项目计算（即非缺失响应的总和）。对限制样本为具有完整感知项目的受访者的稳健性检查得出了质量上相似的结果（可根据要求提供）。
**5. 结果和讨论**
图3展示了管理层对4.0产业采用的准备情况和支持机制。为了在保持理论相关性的同时进行全样本比较，我们将受访者的职位头衔（Q12）分为两个管理层层次：执行领导者（C级、所有者、总裁、副总裁和经理）和运营经理（经理、分析师、销售人员、行政人员、农场经理和其他）。这反映了决策权和战略范围的差异。业务范围（Q15）也类似地分为国内企业（本地+区域运营）和全球导向企业（全国、国际、跨国），捕捉了市场覆盖范围和对全球数字生态系统的接触差异。这产生了一个2×2框架，将管理层级别和市场范围与对4.0产业采用的感知支持需求联系起来。
**图3. 管理层对4.0产业采用的准备情况和支持机制。**
注：该图总结了受访者对“如果您考虑在您的公司采用AI、区块链或物联网技术，请对最有帮助的资源或支持进行排名”的问题的回答。管理层级别和公司范围是根据角色和市场覆盖范围得出的。战略领导者（C级团队、所有者、副总裁、董事）代表指导技术投资的决策者；运营经理（经理、分析师、销售人员、行政人员和农场经理）代表实施者。国内企业在本地或区域范围内运营，而全球导向企业在全国或国际范围内运营。在受访者中，国内企业的战略领导者更倾向于案例研究、激励措施和监管指导，而全球导向企业则更重视合作伙伴关系、数据访问和监管透明度。运营经理强调培训和支持，国内企业倾向于案例研究和激励措施，而全球企业则强调整合和分析工具。
**5.1. 逻辑回归**
表4展示了估计采用人工智能（AI）、区块链（Blockchain）和物联网（IoT）技术概率的逻辑回归模型的平均边际效应（AMEs）。在任何模型中，教育程度与采用之间都没有显著关联。与专注于零售的企业相比，从事分销的企业采用AI的可能性显著较低（AME = −0.366，p = 0.010），区块链（AME = −0.311，p = 0.018）和IoT（AME = −0.456，p = 0.001）。值得注意的是，服务提供商采用IoT的可能性显著较低（AME = −0.299，p = 0.028），而他们在AI和区块链采用方面的差异在统计上不显著。在组织角色中，经理采用IoT的可能性显著低于高管（AME = −0.256，p = 0.007），而高层管理者的影响虽然为正但不显著。具有更广泛地理范围的企业采用新兴技术的可能性显著高于本地运营的企业。跨国企业最有可能采用这些技术，其平均边际效应在统计上显著（IoT = 0.430，p < 0.01；Blockchain = 0.355，p = 0.015；AI = 0.369，p = 0.008）。国际企业在所有技术上的采用概率也普遍较高。国家和区域企业的效应总体上是正的，但幅度较小且不那么显著。
**表4. 技术采用逻辑回归模型的平均边际效应。**
| 预测变量 | AI AME | Blockchain AME | IoT AME |
| --- | --- | --- |
| 教育程度（参考：高中） | −0.128 | 0.118 |
| | 4年制大学学位 | 0.275 |
| | 研究生学位 | 0.107 |
| | 2年制大学学位 | 0.715 |
| | 高中毕业证书或GED | 0.372 |
| | 缺失 | 1.438 |
| 公司重点（参考：零售） | −0.365 | 0.141 |
| | 分销 | 0.009 |
| | 制造 | 0.056 |
| | 零售 | 0.169 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| 组织角色（参考：高管） | −0.065 | 0.123 |
| | 员工 | 0.123 |
| | 经理 | 0.149 |
| | 中层管理 | 0.116 |
| | 管理层 | 0.198 |
| | 副总裁 | 0.290 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：员工） | −0.065 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：高管） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：经理） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：高管） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：员工） | −0.065 |
| | 经理 | 0.123 |
| | 副总裁 | 0.116 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：高管） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：经理） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：高管） | −0.065 |
| | 员工 | 0.123 |
| | 经理 | 0.116 |
| | 副总裁 | 0.149 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
| | 组织角色（参考：员工） | −0.065 |
| | 经理 | 0.123 |
| | 副总裁 | 0.116 |
| | 中层管理 | 0.198 |
| | 管理层 | 0.203 |
| | 生产 | 0.088 |
| | 服务提供商 | 0.006 |
| | 其他 | 0.156 |
**表5. 每个OLS模型的结果，以相应的技术感知指数作为因变量。**
参考类别设置为高管（角色）、零售（公司重点）和本地（范围），以便进行可解释的基线比较。
**表5. 普通最小二乘（OLS）回归结果。**
| 空单元格 | 因变量：感知指数 | 预测变量 |
| --- | --- | --- |
| AI | Blockchain | IoT |
| 截距 | 12.10 | 9.76 |
| （0.93） | （0.89） |
| 角色：经理 | −0.71 | −2.63 |
| （0.87） | （0.84） |
| 角色：其他 | −0.06 | 2.51 |
| （1.21） | （1.16） |
| 角色：员工 | −0.59 | −0.44 |
| （0.90） | （0.86） |
| 角色：高层管理 | 0.64 | 0.83 |
| （0.67） | （0.64） |
| 范围：国际 | 2.67 | 3.05 |
| （0.89） | （0.85） |
| 范围：跨国 | 2.33* | 2.33* |
| （1.03） | （1.08） |
| 范围：全国 | 1.42 | 0.98 |
| （0.82） | （0.79） |
| 范围：区域 | 0.89 | −0.06 |
| （0.76） | （0.73） |
| 公司重点：分销 | −1.98 | −0.81 |
| （1.22） | （1.17） |
| 公司重点：制造 | −0.96 | −0.81 |
| （1.10） | （1.06） |
| 公司重点：其他 | −1.73 | −2.12 |
| （1.10） | （1.09） |
| 公司重点：生产 | −1.4 | −1.33 |
| （1.06） | （1.04） |
| 公司重点：服务提供商 | −1.41 | −1.15 |
| （1.09） | （1.04） |
| 观测值 | 167 | 167 | 167 |
| R² | 0.12 | 0.21 |
| 注意：*p < 0.05，**p < 0.01，***p < 0.001。**括号内为标准误差。**
**5.2.1. 对AI的感知**
AI模型的截距为12.10（p < 0.001），表明本地专注的零售企业的高管对AI的感知得分相对较高。与高管相比，处于管理、员工或“其他”角色的受访者感知得分略低。同时，高层管理者的态度略为积极（β = 0.64），尽管没有任何角色变量与基线情况有显著差异。范围是AI感知的显著预测因素。国际企业的受访者报告的AI感知得分显著高于本地企业（β = 2.67，p < 0.01），跨国组织也是如此（β = 2.33，p < 0.05）。这些发现强调了全球业务在塑造对AI整合的感知方面的相关性。最后，没有任何公司重点变量与零售参考组有显著差异。
**5.2.2. 对区块链的感知**
区块链模型的结果与AI模型不同。区块链模型的截距较低，为9.76（p < 0.001），表明对区块链的基线感知不如对AI和IoT积极。公司角色类别的影响大于AI；管理者对区块链的看法明显不如高管（β = −2.63，p < 0.01），而被归类为“其他”角色的受访者对区块链的感知相对较高（β = 2.51，p < 0.05）。效应大小的差异表明存在技术感知/知识差距，传统领导角色对区块链的相关性持怀疑态度。地理范围再次强烈预测了技术感知。国际（β = 3.05，p < 0.001）和跨国企业（β = 2.33，p < 0.05）对区块链的偏好显著高于本地企业。这再次证实了在美国以外开展业务的企業更普遍使用区块链的观点。同样，公司重点预测变量与基线情况没有显著差异。缺乏显著性表明，对区块链的态度和感知受到参与全球市场的影响，在这些市场中区块链应用更为普遍。
**5.2.3. 对IoT的感知**
IoT的基线感知（β = 10.64，p < 0.001）介于AI和区块链的截距之间。结果表明，对IoT的基线感知高于对区块链的感知，但不如对AI的感知高。与区块链类似，与高管相比，管理者对IoT的偏好显著较低（β = −2.69，p < 0.01）。其他公司角色没有观察到显著效应。与其他技术一样，跨国企业是更积极感知的显著预测因素（β = 2.62，p < 0.05）。没有其他范围或公司重点类别与基线情况有显著差异。总体而言，IoT模型的统计显著预测变量较少。这一结果可能反映了不同角色和企业的熟悉度较低或接触较少。在人工智能（AI）和区块链方面，这两种技术通常被认为具有最高的曝光度，而物联网（IoT）虽然同样重要，但人们对它的战略价值缺乏基本的了解。5.2.4 技术认知之间的残差相关性我们通过检查独立OLS模型残差的相关性矩阵来确定未测量因素在多大程度上同时影响了人们对AI、区块链和IoT的认知。残差是指在考虑了组织角色、企业关注点和业务范围之后，指数得分中仍无法解释的方差。所有成对比较中的残差相关性都非常显著：AI与IoT（r = 0.60）、区块链与IoT（r = 0.66）以及AI与区块链（r = 0.51）（见表6）。这些残差相关性表明，即使在考虑了每个模型中的观察变量后，仍有许多变化无法解释。正的残差相关性还意味着，对于每种技术的预测值偏离往往是一致的。换句话说，对某种技术有较高认知的受访者也倾向于更青睐其他技术。表6. OLS残差相关性。空白单元格AI区块链IoTAI1.000.510.60区块链0.511.000.66IoT0.600.661.00这些残差相关性表明，人们对某种技术的采纳态度、整合能力、韧性和生产力的认知并不是独立形成的。它们反映了受访者之间的相似经历，例如对数据驱动决策的普遍乐观态度或对这些技术实际应用的接触。这些在调查回答中并未直接体现，但可能存在于公司文化和个人态度中。这些相关性具有重要的教育意义。例如，教育个人并实施一种技术可能会增强他们对另一种技术的理解和好感。这一观点对于这些技术的转型和早期采纳至关重要。技术使用的重要性不在于其本身如何工作，而在于它们如何在农业食品供应链中协同运作。5.2.5 跨技术维恩图我们进一步通过构建基于“偏好”指数得分的二分类维恩图来探索个体受访者对技术的认知重叠程度。如果受访者的技术指数得分在0-20的范围内为14或更高，则被归类为偏好该技术。这一阈值代表了一致的积极反应（即四个特征项目的平均得分达到3.5或更高）。图4显示了三种技术的偏好分布情况，有79名受访者对一种、两种或所有三种技术都持积极态度。这一结果补充了残差相关性和OLS模型的发现。具体来说，78.5%（n = 62）的积极受访者对AI持积极态度，再次证实了AI是最广泛认可的技术。59.5%（n = 50）的受访者对IoT持积极态度，而24.1%（n = 19）的受访者对区块链（BC）持积极态度，这表明尽管兴趣日益增长，但在本研究中区块链仍然是整合程度最低的技术，这一发现与农业食品系统中关于成本、可扩展性和互操作性的普遍担忧一致（de Lange等人，2025年）。下载：下载高分辨率图片（69KB）下载：下载全尺寸图片图4. 指数得分达到14或以上的受访者维恩图。技术之间的重叠进一步证明了受访者认知的结构。34.2%（n = 27）的受访者仅对AI持积极态度，这表明有相当一部分人单独看好AI。25.3%（n = 20）的受访者同时对AI和IoT持积极态度，但对区块链不感兴趣，这与AI和IoT之间的强残差相关性一致。有三名受访者对IoT和区块链持积极态度，但对AI不感兴趣；一名受访者对AI和区块链持积极态度，但对IoT不感兴趣；还有14名受访者对所有三种技术都持积极态度。根据这些模式，可以看出人们对新兴技术的认知存在差异。对区块链的有限好感，无论是单独考虑还是与AI和IoT结合考虑，都反映了对其在农业食品供应链中相关性的缺乏认识或更为谨慎的态度。6. 结论本研究的结果有助于理解美国农业食品供应链中采用工业4.0技术背后的管理和组织驱动因素。通过对农业企业专业人士的全国性调查，我们研究了不同公司角色、教育水平、企业类型和地理范围对技术认知和采纳情况的影响。我们的分析揭示了一些重要的发现，为农业领域的数字化转型提供了实用的方法。首先，结果显示，管理角色和企业规模是影响对新兴技术积极认知的一致预测因素。高管和高层管理者更有可能将AI和IoT视为提高生产力和供应链韧性的有价值工具。然而，管理者和基层员工的支持程度较低，特别是对区块链和IoT的支持。这些基于角色的差异表明，接触决策过程和更广泛的市场信号可能会影响对数字化转型的开放程度。这也意味着，教育策略必须吸引在中层管理者中发挥作用，他们在整合这些技术方面起着关键作用，但可能对其相关性和价值缺乏清晰的认识。企业规模也是决定工业4.0技术采纳的关键因素。来自跨国公司和国际公司的受访者报告了更高的采纳可能性以及对所有三种技术的更积极认知。这些公司更有可能参与已经优先考虑数字可追溯性、合规性和效率提升的全球供应链。本地和地区性公司的采纳程度较低，认知也较差，这突显了行业内对工业4.0认识存在的数字鸿沟。这些结果指出了迫切需要广泛的培训，以消除采用数字基础设施的认知障碍，特别是对于规模较小和地理位置受限的公司。即使在当前尚未采用这些技术的公司中，也存在潜在的支持态度。我们对技术指数、残差相关性和跨技术认知的分析强调了人们对AI、区块链和IoT的积极态度——即使是在尚未实施这些工具的公司中也是如此。这些发现表明，采纳障碍可能更多在于信息缺口或实施投资回报的不明确性，而不仅仅是态度上的抵制。来自认知指数、残差相关性和跨技术维恩图的综合证据进一步加深了我们对认知模式复杂性的理解。我们的发现表明，受访者并非简单地分为采纳者和非采纳者两类，而是存在不同的群体——例如，那些对AI高度积极但对区块链持谨慎态度的人，以及那些将AI和IoT视为互补工具的人——每个群体都需要定制的沟通和教育策略。针对高曝光度但整合程度低的公司的信息传递应侧重于实施逻辑和实际应用案例，而对于熟悉度低的群体，则应优先进行基础认知建设和在农业食品供应链中明确展示其价值。从农业企业经理的角度来看，这些发现为评估数字技术投资提供了指导。确定的采纳驱动因素，如组织准备度、战略价值和数据能力，可以用来评估内部准备情况和能力建设工作。结果表明，当技术采纳与培训、流程设计和跨部门协调的投资相结合时，效果最佳。希望加速采纳的农业企业领导者可以专注于培养内部数字素养，并使举措与明确的战略方向保持一致。实际上，这些见解有助于在数字技术采纳具有重大运营和财务影响的环境中进行决策。此外，AI、区块链和IoT认知模型之间的残差相关性表明，这些技术并不是孤立看待的。相反，农业企业专业人士将这些技术视为一套相互关联的工具。这对于教育者和早期采纳者如何构建数字采纳的框架具有重要意义。强调这些技术的互补性（例如，AI如何为基于IoT的数据流提供信息，或者区块链如何验证基于传感器的（IoT）可追溯性）可能会提高数字化转型的战略一致性。6.1. 限制本研究的局限性包括以下几点：调查依赖于自我报告的认知，这些认知可能与实际组织实践不完全一致。其次，受访者人口统计数据的缺失（例如职位和教育背景）可能会引入未观察到的偏差，尽管有大量的项目未回答情况。结果仅限于美国的农业企业，外国公司或非农业行业的认知可能有所不同。然而，这里使用的结构和测量方法适用于所有国家和经济领域。通过调整问题以反映当地或特定行业的监管、市场和基础设施条件，可以应用该调查工具。最后，虽然我们的模型捕捉到了可观察的特征，但未测量的文化和组织因素也可能影响技术采纳决策。6.2. 未来研究未来的研究将探讨随着技术变得越来越普遍以及供应链压力变化，认知和采纳模式如何演变。还需要进一步研究组织文化和制度支持在整合中的作用。此外，进行跨国比较数字采纳驱动因素将有助于扩展和验证研究结果。还应考虑小型企业采纳工业4.0技术的潜力，因为它们可能会面临独特的挑战（Malone & Thomsen, 2025）。这项工作将有助于全面理解全球农业食品技术的采纳情况。总之，这项研究推进了对农业领域工业4.0技术的理解。通过实证研究个体和企业层面的特征如何影响对AI、区块链和IoT的认知和采纳，我们提供了关于农业食品供应链进步机会的新见解。研究发现表明，数字化转型不仅仅是一项技术任务，还受到组织结构、企业角色和全球市场接触的影响。CRediT作者贡献声明Abby Shalek：撰写——初稿、可视化、验证、方法论、调查、正式分析。Ryan Loy：撰写——初稿、方法论。Trey Malone：验证、监督、资源获取、数据管理、概念化。
打赏
