دانشگاه علوم کشاورزی و منابع طبیعی گرگان

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها623
تعداد مقالات6,501
تعداد مشاهده مقاله8,629,354
تعداد دریافت فایل اصل مقاله8,223,869
کرمی فرد, فریبرز, گراوندی, شهپر. (1399). تحلیل مقایسه‌ای هوشمندسازی واحدهای دام پروری کارآفرین شهرستان کرمانشاه با تاکید بر توانمندی دیجیتالی مدیران. , 7(2), 59-74. doi: 10.22069/jead.2021.19065.1472
فریبرز کرمی فرد; شهپر گراوندی. "تحلیل مقایسه‌ای هوشمندسازی واحدهای دام پروری کارآفرین شهرستان کرمانشاه با تاکید بر توانمندی دیجیتالی مدیران". , 7, 2, 1399, 59-74. doi: 10.22069/jead.2021.19065.1472
کرمی فرد, فریبرز, گراوندی, شهپر. (1399). 'تحلیل مقایسه‌ای هوشمندسازی واحدهای دام پروری کارآفرین شهرستان کرمانشاه با تاکید بر توانمندی دیجیتالی مدیران', , 7(2), pp. 59-74. doi: 10.22069/jead.2021.19065.1472
کرمی فرد, فریبرز, گراوندی, شهپر. تحلیل مقایسه‌ای هوشمندسازی واحدهای دام پروری کارآفرین شهرستان کرمانشاه با تاکید بر توانمندی دیجیتالی مدیران. , 1399; 7(2): 59-74. doi: 10.22069/jead.2021.19065.1472

تحلیل مقایسه‌ای هوشمندسازی واحدهای دام پروری کارآفرین شهرستان کرمانشاه با تاکید بر توانمندی دیجیتالی مدیران

مطالعات کارآفرینی و توسعه پایدار کشاورزی
مقاله 5، دوره 7، شماره 2 - شماره پیاپی 14، شهریور 1399، صفحه 59-74    اصل مقاله (422.88 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22069/jead.2021.19065.1472
نویسندگان
فریبرز کرمی فرد1؛ شهپر گراوندی* 2
1کارشناس‌ارشد، گروه ترویج و آموزش کشاورزی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه
2استادیار و عضو هیات‌علمی ، گروه ترویج و آموزش کشاورزی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه
چکیده
هدف پژوهش توصیفی پیمایشی حاضر، ‌تحلیل مقایسه‌ای واحدهای دام‌پروری کارآفرین صنعتی و سنتی از لحاظ توانمندی دیجیتالی و هوشمندسازی کسب و کار آنان بود. جامعه مورد مطالعه واحدهای پرورش گاوشیری (صنعتی و سنتی) شهرستان کرمانشاه بودند که تعداد 152 نفر از آن‌ها با استفاده از روش نمونه‌گیری طبقه‌ای با انتساب متناسب مورد مطالعه قرار گرفتند. داده‌ها از طریق پرسشنامه محقق‌ساخته جمع‌آوری شد. روایی و پایایی پرسشنامه از طریق پانل متخصصان و آلفای کرونباخ مورد تایید قرار گرفت. پس از تکمیل پرسشنامه‌ها از نرم‌افزار آماری SPSS18 جهت پردازش داده‌های دریافتی استفاده شد. نتایج نشان داد بین توانمندی دیجیتالی مدیران و هوشمندسازی کسب‌وکار در واحدهای دام‌پروری سنتی (r=0/726 , P=0/000) و صنعتی (r=0/398 , P=0/044) رابطه مثبت و معنی‌داری در سطح 5 درصد وجود دارد. بر اساس یافته‌ها میانگین متغیرهای توانمندی دیجیتالی و هوشمندسازی دام‌پروری‌های صنعتی، در تمامی مولفه‌ها در سطحی بالاتر از دام‌پروری سنتی قرار دارد. به منظور بررسی معناداری این تفاوت‌ها از آزمون تی- استیودنت استفاده شد. نتایج در بخش توانمندسازی نشان داد، تنها از لحاظ بعد اقتصادی بین دو گروه مورد مطالعه تفاوت معناداری وجود دارد (t=-3/241, P=0/001). علاوه بر این در بخش هوشمندسازی کسب وکار، از لحاظ مولفه‌های مدیریت دانش(t=-0/670, P=0/000) و توسعه نرم افزاری(t=-3/516, P=0/001) بین دو گروه مورد مطالعه تفاوت معنی‌داری ملاحظه شد. با توجه به ‌نقش توانمندی دیجیتالی مدیران در هوشمندسازی کسب-وکارهای دام‌پروری پیشنهاد می‌شود برنامه‌ریزان و مسئولان ترویج و آموزش کشاورزی شهرستان، آموزش و توسعه توانمندی‌های دیجیتالی بهره‌‌برد‌‌‌‌‌‌‌اران را در سر لوحه کارهای ترویجی خود قرار دهند.
کلیدواژه‌ها
دام پروری صنعتی؛ دام پروری سنتی؛ کسب‌وکار؛ کارآفرینی؛ توسعه دام پروری
مراجع
  1. حجی­پور، م. و جوان، ف. 1399. اقتصاد سیاسی افول دامداری در ایران. فصلنامه اقتصاد فضا و توسعه روستایی، 9 (1): 218-192.
  2. خواجوی، م. و شجریان، ش. 1398. بررسی کاربرد اینترنت اشیاء در کشاورزی و دام­پروری هوشمند با رویکرد توسعه روستاها. چهارمین کنگره بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران، تبریز.
  3. رضایی، ص.، عابدینی، ج. و ابطحی، ع. 1397. عوامل مؤثر بر پیاده­سازی هوشمندی کسب وکار در صنعت بانکداری ایران. فصلنامه مطالعات مدیریت کسب­ و کار هوشمند، 6 (32): 33-81.
  4. رضوانفر، الف. 1380. جریان انتقال اطلاعات مربوط به ­فناوری­های دام­پروری در استان آذربایجان غربی. مجله علوم کشاورزی ایران، 32 (1): 29-17.
  5. رمضانی، ن. و سرافرازی، ع. 1397. اینترنت اشیاء در کشاورزی. انتشارات سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج.
  6. روحانی، س. و ساوجی، س. 1395. مدل ارزیابی موفقیت ابزارهای هوش کسب­وکار. فصلنامه مطالعات مدیریت فناوری اطلاعات، 4 (15): 29-63.
  7. شمس، ع. و جوادی، ع. 1394. بررسی سطح توسعه­یافتگی شهرستان­های استان زنجان از لحاظ شاخص­های دام­پروری. فصلنامه تحقیقات اقتصاد و توسعه کشاورزی ایران، 46 (1): 105-95.
  8. صفرزاده، ح.، بنکدار مازندرانی، ن. و جاویدی حق، م. نقش هوشمندی کسب­وکار در استقرار اثربخش مدیریت استراتژیک در سازمان­ها. فصلنامه مدیریت کسب و کار، 5 (2): 53-83.
  9. فضائلی، ح. 1394. بازنگری راهبردهای دام­پروری با توجه به­روند خشکسالی در کشور. همایش پژوهش­های نوین در علوم دامی. دانشگاه بیرجند. 6 و 7 خردادماه. 34-27.
  10. محمدیان، الف.، حیدری دهویی، ج. و قربانی، ع. 1399. اولویت­بندی کاربردهای اینترنت اشیاء در کشاورزی با استفاده از شاخص­های توسعه پایدار. مجله تحقیقات اقتصاد و توسعه کشاورزی ایران، 4 (2-51): 759-745.
  11. مسعودی، ح. 1395. رباتیک؛ زمینه­ای جدید برای نوآوری و توسعه کارآفرینی در بخش دامپروری. نشریه کارآفرینی در کشاورزی. 3(3): 38-19.
  12. مفیدی­چلان، م.، معتمدی، ج.، علیجانپور، الف.، فیاض، م. و محسنی، الف. 1397. تحلیل اقتصادی تولید و کارایی فنی واحدهای دامداری صنعتی و نظام­های دامداری سنتی وابسته به مراتع در شهرستان­های مراغه آذربایجان شرقی. نشریه علمی پژوهشی مرتع، 12 (4): 492-481.
  13. منصوری، ع. و خلفی، الف. 1391. بررسی و شناسایی موانع و مشکلات دام­پروری سنتی و صنعتی و ارایه راهکارهایی برای توسعه آن دراستان زنجان. مدیریت سرمایه و استعدادهای کشاورزی در پرتو صنعت و تجارت در استان زنجان.
  14. مهرابی، ع.، محمودی، الف. و حسینی، ر. 1395. ارزیابی بلوغ هوشمندی کسب­وکار با یک مدل ترکیبی. فصلنامه مطالعات مدیریت فناوری اطلاعات، 4 (15): 65-96.
  15. میرزایی، ش. و نوری­پور، م. 1393. تحلیل موانع صنعتی شدن دامپروری (مطالعه موردی: شهرستان قلعه گنج، استان کرمان). فصلنامه پژوهش­های روستایی، 5 (4): 736-705.
  16. نوروزی، م. و سیددخت، ع. 1399. مجموعه نشریات تجارب دنیا در بخش کشاورزی و منابع طبیعی؛ مقایسه سیستم­های ÷رورش گوسفند در ایران با سایر کشورها. نشر آموزش کشاورزی، معاونت آموزش و ترویج کشاورزی، چاپ اول.
17.  Alreshidi, E. 2019. Smart Sustainable Agriculture (SSA) Solution Underpinned by Internet of Things (IoT) and Artificial Intelligence. (IJACSA) International Journal of Advanced Computer Science and Applications, 10 (5): 93-102.

  1. Aruldoss, M., Maladhy, D., and Prasanna Venkatesan, V. 2011. A framework for business intelligence application using ontological classification. February 2011. International Journal of Engineering Science and Technology, 3 (2): 1213-1221.
  2. Berckmans, D. and Guarino, M. 2017. Precision livestock farming for the global livestock sector. Animal Frontiers, 7 (1): 4-5.
20. Binda, E., Casirani, G., Piccinini, R., Zecconi, A. 2004. Introduction of AMS in Italian Dairy Herds: The Detection of Clinical and Subclinical Mastitis by AMS Systems. Automatic milking- a better understanding: Proceedings of the International Symposium, Wageningen Academic Publishers, The Netherlands. 245-46.21.        Créach, P.,  Doutart, E.,  Bouvarel, I. 2017. Precision livestock farming and big data: a new challenge for poultry sector. 12e Journées de la Recherche Avicole et Palmipèdes à Foie Gras (JRA-JRPFG 2017), 5 & 6 avril 2017, Tours, France: 59-66.

  1. Dipak De, K. and Singh, A. 2015. A Scale on Digital Empowerment of Digital Natives International Journal of Extension and Education, 16: 34-39.
23.              Elijah, T. A., Rahman, I., Orikumhi, C. Y., Leow, and M. N. 2018. Hindia, An Overview of Internet of Things (IoT) and Data Analytics in Agriculture: Benefits and Challenges, IEEE Internet of Things Journal, 5 (5): 3758-3773. 24.              Ferrari, S., Piccinini, R., Silva, M., Exadaktylos, V., Berckmans, D., and Guarino, M. 2010. Cough sound description in relation to respiratory diseases in dairy calves. Preventive Veterinary Medicine, 96: 276-280.25.              Grujica, V., Danijel, M. and Radomir, B. 2019. Business Intelligence in  agriculture-A Practical Approach.  Boosting Adult System Education in Agriculture- AGRI BASE. 26.              Hahn, G.L. 1999. Dynamic responses of cattle to thermal loads. Journal of Dairy Science, 82 (2): 10-20. 27.              Hostmann, B., Herschel, G. and Rayner, N. 2007. The evolution of business intelligence: the four worlds. Gartner Research Report. 28.              Imhoff, C. 2004. Business Intelligence-Five Factor for Success. Retrieved from http://www.b-eyenetwork. com/print/252.

  1. Kitchen, N.R., Snyder, J., Franzen, D. and Wiebold. W.J. 2002. Educational Needs of Precision Agriculture. Precision Agriculture, 3 (4): 341-351.
  2. Lima, E., Hopkins, T., Gurney, E., Shortall, O., Lovatt, F., Davies, P., Williamson, G., Kaer, J. 2018. Drivers for precision livestock technology adoption: A study of factors associated with adoption of electronic identification technology by commercial sheep farmers in England and Wales.) Drivers for precision livestock technology adoption: A study of factors associated with adoption of electronic identification technology by commercial sheep farmers in England and Wales. PLoS ONE, 13 (1): 1-17.
31.   Malavade, V. M. and Akulwar, P. K., 2017. Role of IoT in Agriculture. National Conference on Changing Technology and Rural Development, 56-57.

  1. Mishra, B.K., Hazra, D., Tarannum, K., and Kumar, M. 2016. Business Intelligence using Data Mining Techniques and Business Analytics. Proceedings of the SMART -2016, IEEE Conference ID: 39669 5th International Conference on System Modeling & Advancement in Research Trends, 25th_27'h November, 2016 College of Computing Sciences & Information Technology, Teerthanker Mahaveer University, Moradabad, India.
33.              Oyku, I., Jones, M.C. and Sidorova, A. 2011. Bussines Intelligence (BI) Success and the Role of BI Capabilities.  Intelligent Systems in Accounting, Finanace and Management, 18: 161–176.34.              Patrício, D.I. and Rieder, R. 2018. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review, Computers and Electronics in Agriculture, 153: 69-81.

  1. Paxton, K.W., Mishra, A.K., Chintawar, S., Roberts, R.K., Larson, J.A., English, B.C., Lambert, D.M., Marra, M.C., Larkin, Sh.L., Reeves, J.M. and Martin, S.W. 2012. Intensity of Precision Agriculture Technology Adoption by Cotton Producers. Agricultural and Resource Economics Review. 40(1): 133-144.
  2. Richardt, M., and Jurgens, C. 2009. Adoption and perspective of precision farming (PF) in Germany: Results of several surveys among the different agricultural target groups. Precision Agriculture, 10 (1): 73-94.
37.   Sethi, P. and Sarangi, S.R. 2017. Internet of things: architectures. Protocols and applications. Journal of Electrical and Computer Engineering, 1-26.38.              Sharma, R. S. & Djiaw, V. 2011. Realizing the strategic impact of business intelligence tools. VINE, 41 (2): 113-131.39.              Silva, K. O. and Naas, I. 2006. Evaluating the use of electronic identification in swine. Engenharia Agrícola, 26 (1): 11-19.

  1. Solomon, N. 2006. Business Intelligence Gebauer J, Schober. Information system flexibility and the cost efficiency of business processes. Journal of the ssociation for Information Systems, 7(3): 122–145.
41.              Tyrychtr, J., Ulman, M., and Vostrovský, V. 2015.  Evaluation of the state of the Business Intelligence among small Czech farms. Agricultural Economics, 61 (2): 63-71.

  1. Vecchio, Y., Agnusdei, G. P., Miglietta, P. P. & Capitanio, F. 2020. Adoption of Precision Farming Tools: The Case of Italian Farmers 2020. International Journal of Environmental Research and Public Health, 17(3): 869
43.    Viaene, S. 2008. Linking business intelligence into your business. IT Professional, 10(6): 28–3444.              Watson, H.J., Wixom, B.H., Hoffer, J.A., Anderson-Lehman, R. and Reynolds, A.M. 2006. Real-time business intelligence: best practices in Continental Airlines. Business Intelligence, 23(1): 7–18.

آمار
تعداد مشاهده مقاله: 457
تعداد دریافت فایل اصل مقاله: 270


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب