MétaCan
Menu
Retour à la cohorte
Enregistrement W3129105304

Les enjeux du numérique dans le secteur agricole - Défis et opportunités

2020· article· fr· W3129105304 sur OpenAlexaboutno aff
Annie Royer, Nathalie de Marcellis-Warin, Ingrid Peignier, Thierry Warin, Molivann Panot, Christophe Mondin

Notice bibliographique

RevueCIRANO Project Reports · 2020
Typearticle
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueFood Supply Chain Traceability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPolitical scienceHumanitiesPhilosophy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Consulter le sommaire exécutif du rapport Depuis quelques décennies, de plus en plus de données sont collectées et partagées entre les producteurs agricoles, les équipementiers, les entreprises qui fournissent intrants et services, les gouvernements, les différentes organisations qui structurent le secteur, les consommateurs, ainsi que les autres maillons de la chaîne d’approvisionnement. Ces données peuvent aider à mieux produire ou à poser plus rapidement des diagnostics sur l’évolution de la production, améliorant la productivité agricole, son empreinte sur l’environnement et même, la qualité de vie des producteurs agricoles. Avec le développement de l’usage du numérique et la très grande quantité de données qui sont générées, des questions peuvent toutefois se poser en lien avec la confidentialité des données, leur sécurité (vol, piratage, manipulation), le transfert et le partage des données, la concurrence et le risque d’espionnage, la qualité des données, les compétences pour le traitement des données collectées, l’indépendance des producteurs, etc. Dans ce contexte, ce projet exploratoire dresse tout d’abord un portrait de l’utilisation du numérique en agriculture au Québec et des enjeux qui en découlent (Comment se manifeste la révolution numérique en agriculture et quels sont les potentiels du numérique dans ce secteur ? Comment sont perçus les grands enjeux de cette révolution par les divers acteurs ?). Ce portrait repose sur une revue de littérature, mais surtout sur des entrevues avec des acteurs clés du secteur agricole québécois (organisations de producteurs, centres de recherche et centre d’expertise agricole, institutions et organisations gouvernementales, entreprises fournissant des technologies, des services, ou autres intrants numériques) et sur une enquête en ligne conduite en 2019 auprès de producteurs agricoles appartenant à trois secteurs : le secteur laitier, le secteur des grains et la culture en serres. Nous avons fait le constat que la vague numérique en agriculture ne semble pas être une mode de passage, bien au contraire. Une forte proportion des producteurs sondés a mentionné vouloir utiliser davantage d’outils numériques dans le futur et les acteurs s’accordent également pour dire qu’une véritable révolution est en route. De façon générale, le Québec agricole suit la vague numérique, du moins au niveau de l’adoption des technologies. Par contre, la province aurait un certain retard quant à l’intégration des données générées sur les exploitations comparativement aux régions concurrentes. Pour toutes les organisations rencontrées incluant les producteurs, le facteur clé de l’adoption des nouvelles technologies est l’impact économique sur l’exploitation. La révolution numérique se traduit par la génération d’une quantité toujours plus importante de données dans les différentes opérations associées à la production, et ce volume s’avère utile pour les différentes parties prenantes de la chaîne agroalimentaire. Ce virage numérique est plutôt très bien perçu au Québec. Les enjeux relatifs au numérique dans le secteur agricole, qu’ils soient de nature éthiques (sécurité et confidentialité des données, autonomie des producteurs, etc.), institutionnels (souveraineté des données), économiques (main-d’oeuvre et relève) ou organisationnels (formation, transfert de connaissance, etc.) n’entachent pas du tout, ou très peu, cette perception. Cependant ces enjeux sont bien réels et pourraient affecter la confiance des producteurs de partager leurs données par exemple. Or, pour tirer le plein potentiel des données, un partage de ces dernières semble incontournable. Loin de consister uniquement en un simple transfert d’information, le partage des données agricoles doit avant tout donner l’opportunité de renforcer la coopération entre les créateurs de ces données et les experts compétents pour les analyser afin de créer de la valeur ajoutée et des opportunités commerciales au sein de la chaîne agroalimentaire. Le partage doit se faire de manière organisée et observer certaines règles, notamment en matière d’éthique, de transparence et de sécurité. Dans ce contexte, plusieurs initiatives de réglementation, de portails de partage de données, de charte des bonnes pratiques et autres labels ont récemment émergé un peu partout dans le monde, avec une certaine concentration en Europe et aux États-Unis. Afin d’identifier les éléments à prendre en compte pour aider à la prise de décision au Québec quant à l’encadrement des données numériques agricoles, ce rapport présente et compare les principales caractéristiques de quelques initiatives publiques mises en place ailleurs dans le monde pour encadrer l’utilisation de données numériques, ou encore pour faciliter le partage des données, assurer leur transparence ou améliorer leur utilisation. Tout d’abord, les chartes ou code de bonnes pratiques analysés, tout en permettant d’instiller la confiance dans le secteur agricole et à rassurer les agriculteurs que leurs données seront traitées de manière sécuritaire, apportent une réponse aux manques juridiques sur ces questions. La faiblesse principale de ces codes de bonnes pratiques réside dans le fait qu’elles n’ont toutefois pas valeur de loi. Des labels ont été créés afin de pallier cette faiblesse et donner un incitatif pour les fournisseurs de services de se mettre en conformité avec l’ensemble des points énumérés dans les chartes. C’est le cas notamment des Principes de Confidentialité et de Sécurité des Données Agricoles aux États-Unis qui s’accompagnent du label Ag Data Transparent dont le processus de certification repose sur une évaluation rigoureuse des contrats des fournisseurs. Dans certains pays, afin d’apporter des réponses aux enjeux entourant le partage, des plateformes numériques d’échanges et/ou de stockage des données numériques générées sur les exploitations agricoles ont fait leur apparition. Un portail répond à plusieurs problématiques en mettant à disposition de l’ensemble des acteurs oeuvrant dans le secteur agricole une interface de mise en commun de données variées relatives à l’agriculture. Ainsi, des données de différentes natures qui finissent parfois oubliées en silo et qui demandent du temps et des moyens pour être exploitées peuvent y être agrégées et valorisées, pour le bénéfice des producteurs d’abord mais aussi de l’ensemble du secteur. Les exemples de plateformes d’échange de données numériques agricoles cités dans ce rapport montrent qu’elles sont le fruit d’initiatives très récentes, ce qui rend quelque peu prématurée la mesure précise de leur impact sur les filières agricoles. En outre, la mise en place d’une plateforme d’échange de données numériques dans le secteur agricole n’est pas sans présenter certains défis en termes de participation, de fonctionnalités, de gouvernance et de financement. Le présent rapport devrait ainsi grâce à tous les éléments analysés, aider les décideurs et l’ensemble des acteurs du secteur agricole dans leur prise de décision quant à l’utilisation et à la gestion des nouvelles technologies numériques en agriculture avec comme objectif afin de s’assurer que cette industrie demeure très compétitive.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,052
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,076

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,052
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,008
Études des sciences et des technologies0,0020,002
Communication savante0,0080,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,070
Tête enseignante GPT0,272
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCIRANO Project ReportsMême sujetFood Supply Chain TraceabilityTravaux en français237 207