Digitalização Agrícola Orientada pela Inteligência Competitiva e Transformação da Produtividade Verde: Evidências da Dinâmica da Produtividade total dos Fatores Verde Agrícola (AGTFP) nas Províncias da China
DOI:
https://doi.org/10.37497/eagleSustainable.v16i.693Palavras-chave:
Produtividade Total dos Fatores Agrícola, Agricultura Digital, Produtividade Verde, Inclusão Financeira, Dados em PainelResumo
Objetivo: Este estudo investiga se a digitalização agrícola impulsionada pela Inteligência Competitiva (CI) melhora a Produtividade Total dos Fatores Verde Agrícola - AGTFP nas 30 províncias da China. Três questões de pesquisa orientam a investigação: (1) a digitalização melhora significativamente a AGTFP? (2) por meio de quais mecanismos institucionais inclusão financeira digital e transferência de terras esse impacto ocorre? e (3) os efeitos apresentam heterogeneidade regional e dinâmicas não lineares capazes de gerar resultados paradoxais sob determinadas condições?
Metodologia/Abordagem: Foi construído um índice composto de digitalização agrícola utilizando o método de ponderação por entropia. A AGTFP foi mensurada por meio de um modelo Slack-Based Measure (SBM) orientado para insumos, incorporando outputs indesejáveis. Em uma estrutura de painel com efeitos fixos bidirecionais, o estudo emprega análise de mediação, testes de moderação e limiar (threshold), regressão quantílica e regressões por subgrupos regionais.
Originalidade/Relevância: Ao integrar a teoria da Inteligência Competitiva à análise da produtividade verde, este artigo desenvolve uma estrutura unificada de “mecanismo–contexto” para explicar como investimentos digitais idênticos podem produzir resultados distintos de eficiência entre diferentes regiões. O estudo amplia a teoria da agricultura digital para além das narrativas centradas na adoção tecnológica, direcionando a análise para processos de transformação estrutural em nível de ecossistema.
Principais Resultados: A digitalização exerce efeito positivo e significativo sobre a AGTFP (β = 0,495; p < 0,05) na especificação preferencial de efeitos fixos bidirecionais. A inclusão financeira digital medeia essa relação de forma mais expressiva (efeito indireto = 0,051) do que a transferência de terras (efeito indireto = 0,002). Um nível moderado de apoio fiscal amplia a eficácia da digitalização, enquanto intervenções excessivas reduzem seus efeitos positivos. A análise regional revela impactos fortemente positivos no leste da China, mas resultados adversos na região central, sugerindo ineficiências transitórias. A regressão quantílica confirma que o efeito de aumento da produtividade é mais intenso entre as províncias com menor desempenho.
Contribuições Teóricas/Metodológicas: O estudo contribui para a literatura sobre agricultura digital e produtividade verde ao propor um índice multidimensional de digitalização, uma medida de produtividade verde baseada no modelo SBM, uma trajetória de modernização não linear em estágios e uma estrutura analítica condicionada para avaliar a efetividade de políticas públicas.
Downloads
Referências
Bao, H., Liu, X., Xu, X., Shan, L., Ma, Y., Qu, X., & He, X. (2023). Spatial-temporal evolution and convergence analysis of agricultural green total factor productivity in the Yangtze River Delta, China. PLOS ONE, 18, e0271642. https://doi.org/10.1371/journal.pone.0271642
Cai, Q., & Han, X. (2024). Impacts and mechanisms of digital village construction on agricultural green total factor productivity. Frontiers in Sustainable Food Systems. https://doi.org/10.3389/fsufs.2024.1431294
Chen, C., & Jiang, W. (2024). The impact and mechanisms of rural digitization on agricultural green total factor productivity. Polish Journal of Environmental Studies. https://doi.org/10.15244/pjoes/192568
Chen, Y., Hu, S., & Wu, H. (2023). The digital economy, green technology innovation, and agricultural green total factor productivity. Agriculture, 13(10), 1961. https://doi.org/10.3390/agriculture13101961
Créti, A. (2001). Network technologies, communication externalities and total factor productivity. Structural Change and Economic Dynamics, 12(1), 1–28. https://doi.org/10.1016/S0954-349X(99)00029-6
Calof, J. L., & Wright, S. (2008). Competitive intelligence: A practitioner, academic and inter-disciplinary perspective. European Journal of Marketing, 42(7/8), 717–730. https://doi.org/10.1108/03090560810877114
Choo, C. W. (2001). Environmental scanning as information seeking and organizational learning. Information Research, 7(1), 1–14. https://doi.org/10.47989/ir070101
Dishman, P. L., & Calof, J. L. (2008). Competitive intelligence: A multiphasic precedent to marketing strategy. European Journal of Marketing, 42(7/8), 766–785. https://doi.org/10.1108/03090560810877141
Du Toit, A. S. A. (2015). Competitive intelligence research: An investigation of trends in the literature. Journal of Intelligence Studies in Business, 5(2), 14–21. https://doi.org/10.37380/jisib.v5i2.106
David, P. A. (2005). Understanding digital technology’s evolution and the path of measured productivity growth. In E. Brynjolfsson & B. Kahin (Eds.), Understanding the digital economy (pp. xx–xx). MIT Press. https://doi.org/10.7551/mitpress/6986.003.0005
Falki, N. (2023). Impact of ICT access on total factor productivity in Asian economies. Journal of Development and Social Sciences. https://doi.org/10.47205/jdss.2023(4-ii)55
Herring, J. P. (1992). The role of intelligence in formulating strategy. Journal of Business Strategy, 13(5), 54–60. https://doi.org/10.1108/eb039495
Hu, J. (2023). Green productivity growth and convergence in Chinese agriculture. Journal of Environmental Planning and Management, 67(10), 1775–1804. https://doi.org/10.1080/09640568.2023.2180350
Javaid, M., Haleem, A., Singh, R., & Suman, R. (2022). Enhancing smart farming through the applications of Agriculture 4.0 technologies. International Journal of Intelligent Networks, 3, 150–164. https://doi.org/10.1016/j.ijin.2022.09.004
Kahaner, L. (1996). Competitive intelligence: How to gather, analyze, and use information to move your business to the top. Simon & Schuster.
Li, H., Lin, Q., Wang, Y., & Mao, S. (2023). Can digital finance improve China’s agricultural green total factor productivity? Agriculture, 13(7), 1429. https://doi.org/10.3390/agriculture13071429
Li, S., & Jiang, Z. (2019). Study on total factor productivity of agricultural leading enterprises listed in Hunan Province. DEStech Transactions on Environment, Energy and Earth Sciences. https://doi.org/10.12783/DTEEES/ICNER2018/28478
Li, X. (2025). Research on the coordinated development of digital inclusive finance, new quality productivity and labor mobility. Frontiers in Humanities and Social Sciences. https://doi.org/10.54691/rhw49712
Liu, W., Liu, C., Luo, J., & Liu, F. (2024). How does digital transformation promote total factor productivity? Managerial and Decision Economics. https://doi.org/10.1002/mde.4155
Micheni, E., Machii, J., & Murumba, J. (2022). Internet of things, big data analytics, and deep learning for sustainable precision agriculture. In IST-Africa Conference Proceedings. https://doi.org/10.23919/IST-Africa56635.2022.9845510
Mi, J., Chen, T., Nanseki, T., & Chomei, Y. (2021). Does the productivity paradox exist in the Chinese food industry? Japanese Journal of Agricultural Economics. https://doi.org/10.18480/JJAE.23.0_95
Nasri, W. (2011). Competitive intelligence in Tunisian companies. Journal of Enterprise Information Management, 24(1), 53–67. https://doi.org/10.1108/17410391111097429
Peng, Y., Chen, Z., & Lee, J. (2024). Agricultural green total factor productivity in Shandong Province of China. German Journal of Agricultural Economics. https://doi.org/10.52825/gjae.v73i2.1351
Pellissier, R., & Nenzhelele, T. E. (2013). Towards a universal competitive intelligence process model. South African Journal of Information Management, 15(2), 1–7. https://doi.org/10.4102/sajim.v15i2.567
Rohrbeck, R. (2012). Exploring value creation from corporate foresight activities. Futures, 44(5), 440–452. https://doi.org/10.1016/j.futures.2012.03.006
Rohrbeck, R., & Kum, M. E. (2018). Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change, 129, 105–116. https://doi.org/10.1016/j.techfore.2017.12.013
Prakasha, N., Singh, S., & Sharma, S. (2024). Revisiting the productivity paradox: What is next for the BRICS and European banking systems? American Business Review. https://doi.org/10.37625/abr.27.2.401-438
Prescott, J. E., & Miller, S. H. (2001). Proven strategies in competitive intelligence: Lessons from the trenches. Wiley.
Singh, S., Suman, K., Kour, P., & Kumar, S. (2024). Digitalization and technology in agribusiness: Trends, impacts, and future directions. International Journal of Advanced Biochemistry Research, 8(11). https://doi.org/10.33545/26174693.2024.v8.i11a.2805
Taha, M., & Mao, C. (2025). Emerging technologies for precision crop management towards Agriculture 5.0. Agriculture, 15(6). https://doi.org/10.3390/agriculture15060582
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of sustainable enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
Wright, S., Pickton, D. W., & Callow, J. (2002). Competitive intelligence in UK firms: A typology. Marketing Intelligence & Planning, 20(6), 349–360. https://doi.org/10.1108/02634500210445346
Wan, B., & Zhou, E. (2021). Research of total factor productivity and agricultural management based on Malmquist-DEA modeling. Mathematical Problems in Engineering. https://doi.org/10.1155/2021/2828061
Wei, L., & Baharudin, M. (2025). Mapping the research of agricultural green total factor productivity: A bibliometric analysis using VOSviewer. Ciência Rural. https://doi.org/10.1590/0103-8478cr20240369
Xu, Q., Zhu, P., & Tang, L. (2022). Agricultural services and its effect on agricultural green total factor productivity in China. Land, 11(8), 1170. https://doi.org/10.3390/land11081170
Xu, Z., Niu, H., Wei, Y., Wu, Y., & Yu, Y. (2024). Impact and mechanisms of digital inclusive finance in relation to farmland transfer. Sustainability, 16(1), 408. https://doi.org/10.3390/su16010408
Yang, J., & Meseretchanie, A. (2024). The intermediate role of farmland transfer in the impact of digital financial inclusion on agricultural total factor productivity in China. Frontiers in Sustainable Food Systems. https://doi.org/10.3389/fsufs.2024.1345549
Zeng, F., Zhou, Y., & Wei, B. (2024). Empowering sustainable development: Revolutionizing agricultural green total factor productivity through rural digitalization. Frontiers in Sustainable Food Systems. https://doi.org/10.3389/fsufs.2024.1455732
Zeng, Y., et al. (2025). The impact of new digital infrastructure on agricultural green development. Frontiers in Environmental Economics. https://doi.org/10.3389/frevc.2025.1525531
Zhao, J., Al Anwar, R., Lou, Z., Liu, C., & Hou, Y. (2024). DEA Malmquist research on efficiency of agricultural infrastructure in Bangladesh. In 2024 IEEE International Conference on Systems, Man, and Cybernetics (pp. 521–526). IEEE. https://doi.org/10.1109/SMC54092.2024.10830987
Zhou, M., Zhang, H., Zhang,Z., & Sun, H. (2023). Digital financial inclusion, cultivated land transfer and cultivated land green utilization efficiency: An empirical study from China. Sustainability, 15(2), 1569. https://doi.org/10.3390/su15021569
Zhou, X., Chen, T., & Zhang, B. (2023). Research on the impact of digital agriculture development on agricultural green total factor productivity. Land, 12(1), 195. https://doi.org/10.3390/land12010195
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista Inteligência Competitiva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
