Einblicke in die Nutzung von Entscheidungsunterstützungssystemen nach der Einführung in Milchviehbetrieben: Verständlichkeit, Verlass, Herausforderungen und Chancen
DOI:
https://doi.org/10.15150/ae.2026.3364Abstract
Digitale Entscheidungsunterstützungssysteme (DSS) werden in der Milchviehhaltung zunehmend eingesetzt, doch ist bislang wenig darüber bekannt, wie Landwirte mit diesen Werkzeugen nach der Einführung im Betrieb tatsächlich arbeiten. Diese Studie untersucht die Nutzung nach der Einführung von DSS bei 105 deutschen Milchviehhaltern in den Bereichen Fütterung, Zucht sowie Gesundheit und Klauenpflege. Der Fokus liegt auf der wahrgenommenen Verständlichkeit von DSS-Empfehlungen und möglichen Zusammenhängen damit, wie stark sich Landwirte beim Treffen von Entscheidungen auf DSS verlassen. Anhand einer bundesweiten Online-Umfrage kombinieren wir deskriptive Statistik, Spearman-Korrelationen mit Benjamini-Hochberg-Korrektur, multivariable Regression und qualitative Analysen, ergänzt durch eine Sensitivitätsanalyse zur Überprüfung der Robustheit. Die Ergebnisse zeigen, dass DSS vor allem zur strukturierten Überwachung genutzt werden, während ihre Rolle bei urteilsbasierten Entscheidungen begrenzt ist. Die wahrgenommene Verständlichkeit von DSS korreliert in allen drei Bereichen durchweg mit dem Verlass auf DSS, wobei die multivariable Regression bestätigt, dass dieser Zusammenhang unabhängig von soziodemografischen Faktoren besteht. Bildungshintergrund, Betriebsgröße und wirtschaftliche Abhängigkeit von der Milchviehhaltung korrelieren auf bivariater Ebene ebenfalls mit beiden Konstrukten. Qualitatives Feedback aus der Umfrage gibt Aufschluss über wiederkehrende Herausforderungen im Umgang mit DSS, darunter mangelnde Interoperabilität, unklare Empfehlungen und Diskrepanzen zwischen DSS-Empfehlungen und Beobachtungen im Betrieb. Insgesamt stuft unsere Studie die Verständlichkeit von DSS als den wirksamsten Hebel zur Steigerung des praktischen Nutzens ein, während die Interoperabilität als die am häufigsten genannte Herausforderung wahrscheinlich eine branchenübergreifende Koordination und regulatorische Unterstützung erfordert.
Literaturhinweise
Bahlo, C.; Dahlhaus, P.; Thompson, H.; Trotter, M. (2019): The role of interoperable data standards in precision livestock farming in extensive livestock systems: A review. Computers and Electronics in Agriculture 156, pp. 459–466, https://doi.org/10.1016/j.compag.2018.12.007
Becker, T.; Kayser, M.; Tonn, B.; Isselstein, J. (2018): How German dairy farmers perceive advantages and disadvantages of grazing and how it relates to their milk production systems. Livestock Science 214, pp. 112–119, https://doi.org/10.1016/j.livsci.2018.05.018
Benjamini, Y.; Hochberg, Y. (1995): Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal statistical society: series B (Methodological) 57(1), pp. 289–300, https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
D’Antoni, J.M.; Mishra, A.K.; Joo, H. (2012): Farmers’ perception of precision technology: The case of autosteer adoption by cotton farmers. Computers and Electronics in Agriculture 87, pp. 121–128, https://doi.org/10.1016/j.compag.2012.05.017
Deutscher Bauernverband e.V. (2025): Situationsbericht 2024/25: Trends und Fakten zur Landwirtschaft
Dibbern, T.; Romani, L.A.S.; Massruhá Silveira, Silvia Maria Fonseca (2024): Main drivers and barriers to the adoption of Digital Agriculture technologies. Smart Agricultural Technology 8, p. 100459, https://doi.org/10.1016/j.atech.2024.100459
Eastwood, C.R.; Edwards, J.P.; Turner, J.A. (2021): Anticipating alternative trajectories for responsible Agriculture 4.0 innovation in livestock systems. Animal 15, p. 100296, https://doi.org/10.1016/j.animal.2021.100296
Eurostat (2025): Milk and milk product statistics. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Milk_and_milk_product_statistics, accessed on 19 Apr 2026
Gabriel, A.; Gandorfer, M. (2023): Adoption of digital technologies in agriculture—an inventory in a european small-scale farming region. Precision Agriculture 24(1), pp. 68–91, https://doi.org/10.1007/s11119-022-09931-1
Girmay, M.B.; Droste, J.; Deters, H.; Doerr, J. (2025): Explainability Needs in Agriculture: Exploring Dairy Farmers’ User Personas, 2025 IEEE 33rd International Requirements Engineering Conference Workshops (REW), Valencia, Spain, pp. 432–438, https://doi.org/10.1109/REW66121.2025.00063
Girmay, M.B.; Möhrle, F. (2025): Perspectives on Explanation Formats From Two Stakeholder Groups in Germany: Software Providers and Dairy Farmers. arXiv preprint arXiv:2506.11665
Giua, C.; Materia, V.C.; Camanzi, L. (2021): Management information system adoption at the farm level: evidence from the literature. British Food Journal 123(3), pp. 884–909, https://doi.org/10.1108/BFJ-05-2020-0420
Isgin, T.; Bilgic, A.; Forster, D.L.; Batte, M.T. (2008): Using count data models to determine the factors affecting farmers’ quantity decisions of precision farming technology adoption. Computers and Electronics in Agriculture 62(2), pp. 231–242, https://doi.org/10.1016/j.compag.2008.01.004
Islam, M.R.; Ahmed, M.U.; Barua, S.; Begum, S. (2022): A systematic review of explainable artificial intelligence in terms of different application domains and tasks. Applied Sciences 12(3), p. 1353, https://doi.org/10.3390/app12031353
Kutter, T.; Tiemann, S.; Siebert, R.; Fountas, S. (2011): The role of communication and co-operation in the adoption of precision farming. Precision Agriculture 12, pp. 2–17, https://doi.org/10.1007/s11119-009-9150-0
Lamanna, M.; Bovo, M.; Cavallini, D. (2025): Wearable Collar Technologies for Dairy Cows: A Systematized Review of the Current Applications and Future Innovations in Precision Livestock Farming. Animals 15(3), p. 458, https://doi.org/10.3390/ani15030458
Linsner, S.; Kuntke, F.; Steinbrink, E.; Franken, J.; Reuter, C. (2021): The role of privacy in digitalization–analyzing perspectives of German farmers. In: Resilient Smart Farming. Technology, Peace and Security I Technologie, Frieden und Sicherheit. Springer Vieweg, Wiesbaden, https://doi.org/10.1007/978-3-658-44157-9_8
Michels, M.; Bonke, V.; Mußhoff, O. (2019): Adoption of herd management smartphone apps in German dairy farming. In: 59th Annual Conference of the German Association of the Agricultural Economists (GEWISOLA), Braunschweig, 25.–27. September 2019, St. Paul, Minnesota, AgEcon Search, https://doi.org/10.22004/AG.ECON.292277
Michels, M.; Bonke, V.; Mußhoff, O. (2021): Timing of Smartphone Adoption in German Agriculture–Who are the Early Adopters? Lecture Notes in Informatics (LNI), Bonn, Gesellschaft für Informatik e.V., pp. 211–216
Mohr, S.; Kühl, R. (2021): Acceptance of artificial intelligence in German agriculture: an application of the technology acceptance model and the theory of planned behavior. Precision Agriculture 22(6), pp. 1816–1844, https://doi.org/10.1007/s11119-021-09814-x
Neethirajan, S.; Kemp, B. (2021): Digital livestock farming. Sensing and Bio-Sensing Research 32, p. 100408, https://doi.org/10.1016/j.sbsr.2021.100408
Palma, A.A.E.; Toledo, R. (2010): An analysis of factors affecting the adoption of economic and productive data recording methods of Chilean farmers. Ciencia e investigación agraria: revista latinoamericana de ciencias de la agricultura 37(2), pp. 101–109
Paustian, M.; Theuvsen, L. (2017): Adoption of precision agriculture technologies by German crop farmers. Precision Agriculture 18, pp. 701–716, https://doi.org/10.1007/s11119-016-9482-5
Pfeiffer, J.; Gabriel, A.; Gandorfer, M. (2021): Understanding the public attitudinal acceptance of digital farming technologies: a nationwide survey in Germany. Agriculture and Human Values 38(1), pp. 107–128, https://doi.org/10.1007/s10460-020-10145-2
Rebekić, A.; Lončarić, Z.; Petrović, S.; Marić, S. (2015): Pearson’s or Spearman’s correlation coefficient-which one to use? Poljoprivreda 21(2), pp. 47–54, https://doi.org/10.18047/poljo.21.2.8
Reichardt, M.; Jürgens, C.; Klöble, U.; Hüter, J.; Moser, K. (2009): Dissemination of precision farming in Germany: acceptance, adoption, obstacles, knowledge transfer and training activities. Precision Agriculture 10, pp. 525–545, https://doi.org/10.1007/s11119-009-9112-6
Roussaki, I.; Doolin, K.; Skarmeta, A.; Routis, G.; Lopez-Morales, J.A.; Claffey, E.; Mora, M.; Martinez, J.A. (2023): Building an interoperable space for smart agriculture. Digital Communications and Networks 9(1), pp. 183–193, https://doi.org/10.1016/j.dcan.2022.02.004
Rutten, C.J.; Velthuis, A.G.; Steeneveld, W.; Hogeveen, H. (2013): Invited review: Sensors to support health management on dairy farms. Journal of dairy science 96(4), pp. 1928–1952, https://doi.org/10.3168/jds.2012-6107
Schukat, S.; Heise, H. (2021): Smart Products in Livestock Farming—An Empirical Study on the Attitudes of German Farmers. Animals 11(4), p. 1055, https://doi.org/10.3390/ani11041055
Schulze Schwering, D.; Lemken, D. (2020): Totally digital? Adoption of digital farm management information systems. 40. GIL-Jahrestagung 2020, Lecture Notes in Informatics (LNI), Bonn, Gesellschaft für Informatik, pp. 295–300
Shang, L.; Heckelei, T.; Gerullis, M.K.; Börner, J.; Rasch, S. (2021): Adoption and diffusion of digital farming technologies-integrating farm-level evidence and system interaction. Agricultural Systems 190, p. 103074, https://doi.org/10.1016/j.agsy.2021.103074
Steeneveld, W.; Hogeveen, H.; Barkema, H.W.; van den Broek, J.; Huirne, Ruud B. M. (2008): The influence of cow factors on the incidence of clinical mastitis in dairy cows. Journal of dairy science 91, pp. 1391–1402, https://doi.org/10.3168/jds.2007-0705
Tey, Y.S.; Brindal, M. (2012): Factors influencing the adoption of precision agricultural technologies: a review for policy implications. Precision Agriculture 13, pp. 713–730, https://doi.org/10.1007/s11119-012-9273-6
Tullo, E.; Finzi, A.; Guarino, M. (2019): Environmental impact of livestock farming and Precision Livestock Farming as a mitigation strategy. Science of the total environment 650, pp. 2751–2760, https://doi.org/10.1016/j.scitotenv.2018.10.018
Walter, A.; Finger, R.; Huber, R.; Buchmann, N. (2017): Smart farming is key to developing sustainable agriculture. Proceedings of the National Academy of Sciences 114(24), pp. 6148–6150, https://doi.org/10.1073/pnas.1707462114
Zhai, Z.; Martínez, N.L. (2020): Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture 170, p. 105256, https://doi.org/10.1016/j.compag.2020.105256
Downloads
Veröffentlicht
Zitationsvorschlag
Ausgabe
Rubrik
Lizenz
Copyright (c) 2026 Mengisti Berihu Girmay, Felix Möhrle, Jason Jeremia Hayer, Jens Henningsen, Kira Willems, Jörg Dörr
Dieses Werk steht unter der Lizenz Creative Commons Namensnennung 4.0 International.
