Шалин В.В., Жукова Т.А., Сергеев А.А. Готовность сельских жителей к использованию искусственного интеллекта в АПК

Научная статья
УДК 316.334.55:004.8
https://doi.org/10.24158/fik.2026.9.1
 

Готовность сельских жителей к использованию искусственного интеллекта в АПК

 
Виктор Викторович Шалин¹, Татьяна Андреевна Жукова²,
Андрей Алексеевич Сергеев^3
1,2,3Кубанский государственный аграрный университет имени И.Т. Трубилина, Краснодар, Россия,
¹prepod1951@mail.ru, https://orcid.org/0000-0002-2886-5976
²tvdanilova51@mail.ru
³andreysergeevcontact@yandex.ru
 
Аннотация. Статья посвящена анализу осведомленности и готовности сельских жителей и работников агропромышленного комплекса России использовать продукты и решения, созданные с применением искусственного интеллекта. Работа основана на вторичном анализе данных всероссийского опроса, проведенного аналитическим центром ВЦИОМ (N = 1604, взвешенная выборка). Показано, что при близком уровне общей осведомленности о применении ИИ в сельском хозяйстве готовность его использовать резко дифференцирована по возрасту: она снижается более чем вдвое от поколения Z к поколению бумеров. С помощью логистической регрессии установлено, что помимо возраста значимыми предикторами готовности выступают образование, доход, тип поселения и пол, тогда как частота пользования интернетом теряет значимость при контроле прочих факторов. Множественный анализ соответствий показал, что эти признаки образуют целостный градиент цифрового и инновационного включения. Факторный анализ 18 суждений о преимуществах и рисках ИИ выявил три ортогональных измерения восприятия – технооптимизм, этико-натуралистический риск и технико-системный риск, из которых только первые два значимо предсказывают готовность принять технологию. На основе латентно-профильного анализа выделены четыре устойчивых типа установок – от техноэнтузиастов до этических скептиков, различающихся не только выраженностью факторов восприятия, но и социально-демографическим составом. Полученные результаты интерпретируются в контексте теории диффузии инноваций и моделей принятия технологий.
Ключевые слова: искусственный интеллект, цифровизация сельского хозяйства, диффузия инноваций, поколенческие различия, аграрная социология, социология технологий
Финансирование: инициативная работа.
Для цитирования: Шалин В.В., Жукова Т.А., Сергеев А.А. Готовность сельских жителей к использованию искусственного интеллекта в АПК // Общество: философия, история, культура. 2026. № 9. С. 15–28. https://doi.org/10.24158/fik.2026.9.1.
 
Original article
 

Readiness of Rural Residents to Use Artificial Intelligence in Agrarian Business

 
Viktor V. Shalin¹, Tatiana A. Zhukova²,
Andrey A. Sergeev^3
1,2,3Kuban State Agrarian University named after I.T. Trubilin, Krasnodar, Russia,
¹prepod1951@mail.ru, https://orcid.org/0000-0002-2886-5976
²tvdanilova51@mail.ru
³andreysergeevcontact@yandex.ru
 
Abstract. The article is devoted to the analysis of the awareness and readiness of rural residents and agricultural complex workers in Russia to use products and solutions created with artificial intelligence (AI). The work is based on a secondary analysis of data from the nationwide survey conducted by the VCIOM Analytical Center (N = 1604, weighted sample). It is shown that at the nearly level of the general awareness of AI application in agriculture, the readiness of its usage is sharply differentiated by age: it is declining more than twofold from Generation Z to boomers generation. The research defines with the logistic regression that besides age, it is considered that education, income, type of settlement and gender are significant predictors of readiness, while frequency of internet use loses its meaning once other factors are controlled for. Multiple correspondence analysis revealed that these characteristics form a coherent gradient of digital and innovative inclusion. Factor analysis of eighteen statements about the benefits and risks of AI identified three orthogonal dimensions of perception – techno-optimism, ethico-naturalistic risk, and techno-systemic risk, of which only the first two effectively predict readiness to adopt the technology. Drawing on the latent profile analysis, four stable attitude types – from techno-enthusiasts to ethical sceptics differing not only in the degree of perception factors but also in socio-demographic composition – are highlighted. These findings are interpreted in light of diffusion-of-innovations theory and technology-acceptance models.
Keywords: artificial intelligence, agriculture digitalization, diffusion of innovations, generational differences, agricultural sociology, sociology of technologies
Funding: Independent work.
For citation: Shalin, V.V., Zhukova, T.A. & Sergeev, A.A. (2026) Readiness of Rural Residents to Use Artificial Intelligence in Agrarian Business. Society: Philosophy, History, Culture. (9), 15–28. Available from: doi:10.24158/fik.2026.9.1 (In Russian).

© Шалин В.В., Жукова Т.А., Сергеев А.А., 2026

Список источников:
 
Горюнов И.О. Жители сельской России и интернет-практики: динамика цифровой адаптации и социальные особенности // Вестник Российского мониторинга экономического положения и здоровья населения НИУ ВШЭ : сборник научных статей / отв. ред. П.М. Козырева. М., 2025. С. 96–114. https://doi.org/10.19181/rlms-hse.2025.2.
Шалин В.В., Токарев К.К. Социальные вызовы и перспективы развития общества в условиях цифровой экономики // Теория и практика общественного развития. 2025. № 7. С. 49–55. https://doi.org/10.24158/tipor.2025.7.5.
Этические ограничения проектирования автономных ИИ-систем / В.В. Шалин, О.В. Терещенко, Н.К. Калинин, А.А. Белов, А.С. Папазян // Общество: философия, история, культура. 2026. № 3. С. 248–259. https://doi.org/10.24158/fik.2026.3.30.
Artificial intelligence in farming: Challenges and opportunities for building trust / M. Gardezi, B. Joshi, D.M. Rizzo, M. Ryan, E. Prutzer, S. Brugler, A. Dadkhah // Agronomy Journal. 2024. Vol. 116, no. 3. P. 1217–1228. https://doi.org/10.1002/agj2.21353.
Davis F.D. Perceived usefulness, perceived ease of use, and user acceptance of information technology // MIS Quarterly. 1989. Vol. 13, no. 3. P. 319–340. http://doi.org/10.2307/249008.
Dijk J.A.G.M. van. The deepening divide: Inequality in the information society. L.; Thousand Oaks; New Delhy, 2005. 224 p.
Flynn J., Slovic P., Mertz C.K. Gender, race, and perception of environmental health risks // Risk Analysis. 1994. Vol. 14, no. 6. P. 1101–1108. https://doi.org/10.1111/j.1539-6924.1994.tb00082.x.
Gabriel A., Gandorfer M. Adoption of digital technologies in agriculture – an inventory in a European small-scale farming region // Precision Agriculture. 2023. Vol. 24. P. 68–91. https://doi.org/10.1007/s11119-022-09931-1.
Gardezi M., Stock R. Growing algorithmic governmentality: Interrogating the social construction of trust in precision agriculture // Journal of Rural Studies. 2021. Vol. 84. P. 1–11. https://doi.org/10.1016/j.jrurstud.2021.03.004.
Mohr S., Kühl R. Acceptance of artificial intelligence in German agriculture: An application of the technology acceptance model and the theory of planned behavior // Precision Agriculture. 2021. Vol. 22. P. 1816–1844. https://doi.org/10.1007/s11119-021-09814-x.
Nylund K.L., Asparouhov T., Muthén B.O. Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study // Structural Equation Modeling. 2007. Vol. 14, no. 4. P. 535–569. https://doi.org/10.1080/10705510701575396.
Precision agriculture technology adoption: A qualitative study of small-scale commercial “family farms” located in the North China Plain / H. Kendall, B. Clark, W. Li, S. Jin, G.D. Jones, J. Chen, J. Taylor, Zh. Li & L.J. Frewer // Precision Agriculture. 2022. Vol. 23. P. 319–351. https://doi.org/10.1007/s11119-021-09839-2.
Rogers E.M. Diffusion of innovations. N. Y., 2003. 576 p.
Ryan B., Gross N. C. The diffusion of hybrid seed corn in two Iowa communities // Rural Sociology. 1943. Vol. 8, no. 1. P. 15–24.
Ryan M. The social and ethical impacts of artificial intelligence in agriculture: Mapping the agricultural AI literature // AI & Society. 2023. Vol. 38, no. 6. P. 2473–2485. https://doi.org/10.1007/s00146-021-01377-9.
Understanding digital inequality: A theoretical kaleidoscope / C. Kuhn, S.-M. Khoo, L. Czerniewicz, W. Lilley, S. Bute, A. Crean, S. Abegglen, T. Burns, S. Sinfield, P. Jandrić, J. Knox, A. MacKenzie // Postdigital Science and Education. 2023. Vol. 5. P. 894–932. https://doi.org/10.1007/s42438-023-00395-8.
 
References:
 
Davis, F.D. (1989) Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly. 13 (3), 319–340. Available from: doi:10.2307/249008.
Dijk, J.A.G.M. van (2005) The deepening divide: Inequality in the information society. London; Thousand Oaks; New Delhy, Sage.
Flynn, J., Slovic, P. & Mertz, C.K. (1994) Gender, race, and perception of environmental health risks. Risk Analysis. 14 (6), 1101–1108. Available from: doi:10.1111/j.1539-6924.1994.tb00082.x.
Gabriel, A. & Gandorfer, M. (2023) Adoption of digital technologies in agriculture–an inventory in a European small-scale farming region. Precision Agriculture. 24, 68–91. Available from: doi:10.1007/s11119-022-09931-1.
Gardezi, M. & Stock, R. (2021) Growing algorithmic governmentality: Interrogating the social construction of trust in precision agriculture. Journal of Rural Studies. 84, 1–11. Available from: doi:10.1016/j.jrurstud.2021.03.004.
Gardezi, M., Joshi, B., Rizzo, D.M., Ryan, M., Prutzer, E., Brugler, S. & Dadkhah, A. (2024) Artificial intelligence in farming: Challenges and opportunities for building trust. Agronomy Journal. 116 (3), 1217–1228. Available from: doi:10.1002/agj2.21353.
Gorunov, I.O. (2025) Residents of rural Russia and their internet practices: The dynamic and specific problems of digital adaptation. In: Kozyrev, P.M. (ed.) Bulletin of the Russian monitoring of the economic situation and population health of the National Research University Higher School of Economics: Collection of Scientific Articles. Moscow, 96–114. Available from: doi:10.19181/rlms-hse.2025.2. (In Russian)
Kendall, H., Clark, B., Li, W., Jin, S., Jones, G.D., Chen, J., Taylor, J., Li, Zh. & Frewer, L.J. (2022) Precision agriculture technology adoption: A qualitative study of small-scale commercial “family farms” located in the North China Plain. Precision Agriculture. 23, 319–351. Available from: doi:10.1007/s11119-021-09839-2.
Kuhn, C., Khoo, S.-M., Czerniewicz, L., Lilley, W., Bute, S., Crean, A., Abegglen, S., Burns, T., Sinfield, S., Jandrić, P., Knox, J. & MacKenzie, A. (2023) Understanding digital inequality: A theoretical kaleidoscope. Postdigital Science and Education. 5, 894–932. Available from: doi:10.1007/s42438-023-00395-8.
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, 1816–1844. Available from: doi:10.1007/s11119-021-09814-x.
Nylund, K.L., Asparouhov, T. & Muthén, B.O. (2007) Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling. 14 (4), 535–569. Available from: doi:10.1080/10705510701575396.
Rogers, E.M. (2003) Diffusion of innovations. New York.
Ryan, B. & Gross, N.C. (1943) The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology. 8 (1), 15–24.
Ryan, M. (2023) The social and ethical impacts of artificial intelligence in agriculture: Mapping the agricultural AI literature. AI & Society. 38 (6), 2473–2485. Available from: doi:10.1007/s00146-021-01377-9.
Shalin, V.V. & Tokarev, K.K. (2025) Social challenges and prospects for society development in the conditions of the digital economy. Theory and Practice of Social Development. (7), 49–55. Available from: doi:10.24158/tipor.2025.7.5. (In Russian)
Shalin, V.V., Тereshchenko, O.V., Kalinin N.K., Belov A.A. & Papazyan, A.S. (2026) Ethical constraints on the design of autonomous AI systems. Society: Philosophy, History, Culture. (3), 248–259. Available from: doi:10.24158/fik.2026.3.30. (In Russian)