TEC-IMPACT PROJECTION WIRTSCHAFT - Home | MHP...Die Tec-Impact Projection...
Transcript of TEC-IMPACT PROJECTION WIRTSCHAFT - Home | MHP...Die Tec-Impact Projection...
TEC-IMPACT PROJECTION FÜR DIE AGRAR-WIRTSCHAFT
Die Tec-Impact Projection (Technologiewirkungsprojektion) für die Agrarwirt-schaft wurde herausgegeben von
Die Analyse und Dokumentation erfolgte durch:
Alle Rechte vorbehalten!
Vervielfältigung, Mikroverfilmung, die Einspeicherung und Verarbeitung in elektronischen Medien sind ohne Zustimmung der Herausgeber nicht gestattet. Die Inhalte dieser Publika-tion sind zur Information bestimmt. Sie entsprechen dem Kenntnisstand der Autoren zum Zeitpunkt der Veröffentlichung. Für die Lösung einschlägiger Probleme greifen Sie bitte auf die in der Publikation angegebenen Quellen zurück oder wenden sich an die genannten Ansprechpartner. Meinungsbeiträge geben die Auffassung der einzelnen Autoren wieder. In den Grafiken kann es zu Rundungsdifferenzen kommen. Februar 2019.
Autor
Dr. Oliver Kelkar
Autor
Prof. Alexander Wurzer
Autorin
Lydia Deiters
Autor
Theo Grünewald
Autor
Rolf Krentz
02 03
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
Die Tec-Impact Projection des Dieselkuratoriums
In dieser Reihe erscheinen Analysen zur digitalen Transformation von Business-Eco-Systemen. Dem liegt das Verständnis zugrun-de, dass Unternehmen nicht vollständig isoliert und autonom agieren können. Stattdessen sind sie in Eco-Systeme eingebun-den, welche wirtschaftlich handelnde Einheiten miteinander vernetzen. Dazu zählen neben den Unternehmen vor allem die Verbraucher, staatliche und nicht-staatliche Organisationen sowie andere Wertschöpfungspartner. Auf diese Eco-Systeme wirkt die digitale Transformation. Sie verändert Wertketten und Wertschöpfungsarchitekturen.
Die Technologiewirkungsprojektion (Tec-Impact Projection) des Dieselkuratoriums zeigt die Wahrscheinlichkeiten von Verände-rungen durch technologieinduzierte Innovationen auf und gibt einen Überblick für Handlungsoptionen. Damit richtet er sich an die Top-Entscheider aus Wirtschaft, Politik und Wissenschaft sowie an die interessierte Öffentlichkeit. Die Technologiewir-kungsprojektion wird mit Experten aus der betrachteten Branche sowie mit Netzwerk-, Technologie- und Patentanalyseexperten erarbeitet.
Mittel- und langfristige Veränderungen in Business-Eco-Systemen können mithilfe von Branchenexpertise sowie Netzwerk-, Tech-nologie- und Patentanalysen zuverlässig beschrieben werden. Der potenziell disruptive Charakter einiger digitaler Technologien macht die Vorhersage wahrscheinlicher Szenarien jedoch zu einer großen Herausforderung für einzelne Unternehmen. Daher hat es sich das Dieselkuratorium zur Aufgabe gemacht, mit der Tec-Impact Projection für einzelne Eco-Systeme Szenarien zum mögli-
chen Einfluss verschiedener Technologien zu entwickeln. Die Ana-lyse der globalen Patentliteratur dient dabei der Objektivierung von Technologietrends und damit von Investitionsentscheidungen.
Der Dank des Dieselkuratoriums geht an die Experten des Kurato-riumsmitglieds Claas, insbesondere dem CTO Thomas Böck. Die ausführenden Projektpartner MHP und WuK haben die Expertise und Ressourcen für die Analysen zur Verfügung gestellt. Dafür ebenfalls ein Dank vom Kuratorium. Projektleiter bei MHP war Dr. Oliver Kelkar, bei WuK Theo Grünewald.
Prof. Dr. Alexander J. WurzerSprecher des Dieselkuratoriums
00Vorwort
04 05
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
01
02
06
07
08
09
03
0405
00Inhalts- undAbbildungsverzeichnis
Technologieinduzierte Ver- änderung des Eco-Systems 34
6.1 Smart Robots and Drones 346.2 Vertical Farming 356.3 Verarbeitung von Umweltdaten 366.4 Verarbeitung von Maschinendaten 37
Methodik Business Transfor- mation Impact Network Analysis” (BuTINA) 38
7.1 Modellierung des Netzwerks 397.2 Iterative Vorgehensweise zur Netzwerkanalyse 407.3 Objektivierung mittels Patentanalyse 427.4 Einflussanalyse und Ableitung möglicher Szenarien 437.5 Strategische Handlungsoptionen 43
Fazit und Zusammenfassung 44
Literaturverzeichnis und Bildnachweis 46
Vorwort 4
Inhalts- und Abbildungs- verzeichnis 6
Management Summary 8
Das Eco-System Agrar 16
2.1 Einordnung 162.2 Aufbau und Modellierung 19
Relevante Technologietrends 22
Einflussfaktoren 23
Technologietrends 25
5.1 Smart Robots and Drones 255.2 Vertical Farming 265.3 Verarbeitung von Umweltdaten 275.4 Verarbeitung von Maschinendaten 30
Abb. 1: Wertschöpfungsdarstellung in mehreren Wertstrom- ebenen nach der Methodik „Business Transformation Impact Network Analysis“ (BuTINA) 8
Abb. 2: Strategievergleich der Investitionen in relevante Technologien 9
Abb. 3: Pfadabhängigkeit der digitalen Entwicklung im Eco-System Agrar 14
Abb. 4: Anzahl der Menschen, die ein Landwirt ernährt 17Abb. 5: Anteil der Agrarwirtschaft (inkl. Waldwirtschaft,
Fischerei und Mehrwertdienste) am Bruttoinlandsprodukt 17
Abb. 6: Erzeugungsmenge ausgewählter Produkte in Deutschland 2016 (BMEL, 2018a) 18
Abb. 7: Landwirtschaftliche Nutzung in Deutschland 19Abb. 8: Darstellung des Eco-Systems Agrar als
Wertschöpfungsnetzwerk 21Abb. 9: Grobbewertung der Technologietrends durch relative
Schätzung der zeitlichen Wirkung und des Einflusses auf das Eco-System Agrar 22
Abb. 10: Grobbewertung der Einflussfaktoren durch relative Schätzung der zeitlichen Wirkung und des Einflusses auf das Eco-System Agrar 23
Abb. 11: Drohnen und Roboter im Farming-Einsatz (SAGA, 2018) 24
Abb. 12: Anzahl der Patentanmeldungen für Technologie- trend „Smart Robots and Drones“ p.a. 26
Abb. 13: „Vertical Farming“ am Beispiel des US-amerikanischen Salat-Produzenten AeroFarms (AeroFarms, 2018) 29
Abb. 14: Anzahl der Patentanmeldungen für Technologie- trend „Vertical Farming“ p.a. 27
Abb. 15: Öffentlicher Datenzugang zu Copernicus- Projektdaten (DLR, 2018) 27
Abb. 16: Anzahl der Patentanmeldungen für Technologie- trend „Verarbeitung von Umweltdaten“ p.a. 30
Abb. 19: Anzahl der Patentanmeldungen für Technologie- trend „Verarbeitung von Maschinendaten“ p.a. 31
Abb. 17: Aktuelles Datenmanagement im Eco-System Agrar (Datenmanagement in Landwirtschaft und Landtechnik, 2016) 32
Abb. 18: Datenaustausch im Eco-System Agrar über ein Data Hub (Datenmanagement in Landwirtschaft und Landtechnik, 2016) 33
Abb. 20: Veränderung des Eco-Systems Agrar durch die Technologie Smart Robots and Drones 35
Abb. 21: Veränderung des Eco-Systems Agrar durch die Technologie Vertical Farming 35
Abb. 22: Veränderung des Eco-Systems Agrar durch die Technologie Umweltdaten 36
Abb. 23: Veränderung des Eco-Systems Agrar durch die Technologie Maschinendaten 37
Abb. 27: Wertschöpfung eines Eco-Systems in Wertstromebenen 38
Abb. 26: Wertschöpfungsverbindungen zwischen Netzwerkakteuren 39
Abb. 25: Netzwerkakteure und Verbindungen 39Abb. 28: Iterative Annäherung an das Ergebnis durch
wechselnde Phasen der Divergenz und Konvergenz 40Abb. 29: Erste Phase der Divergenz: Sammlung potenziell
relevanter Technologietrends und Einflussfaktoren 41Abb. 30: Erste Phase der Konvergenz: Reduktion auf die
wesentlichen Technologietrends und Einflussfaktoren 41
Abb. 31: Zweite Phase der Divergenz: Kreuzung der relevanten Technologietrends mit den Einflussfaktoren sowie Bewertung des Einflusses auf den drei Wertschöp-fungsebenen 42
Abb. 32: Zweite Phase der Konvergenz: Update der Netz- werkbeschreibung durch die ermittelten Aus- wirkungen 43
06 07
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
Smart Drones & Robots
Vertical Farming
Verarbeitung Umweltdaten
Verarbeitung Maschinendaten
-- - +/- + ++ -- - +/- + ++ -- - +/- + ++ -- - +/- + ++
Deere & Company
Claas KGA mbH
Husqvarna AB
CNH Industrial
Amazonen-Werke
Kubota Corp.
SureHarvest Inc.
AGCO-- = minimale Investitionen++ = hohe Investitionen
Informationsströme
Finanzströme
Waren- und Dienst-
leistungsströme
Technologien und Marktbedarfe – beide Faktoren sind die wesent-lichen Treiber für Veränderungen in einem Eco-System. Und bei-de Treiber sind aktuell sehr intensiv ausgeprägt und verstärken hierdurch ihre Wirkung. Dabei sind die meisten der ausgelösten Veränderungen evolutionärer Art, nur wenige sind disruptiv. Ver-änderungen rechtzeitig zu erkennen und qualitativ sowie quanti-tativ korrekt einzuschätzen, ist für jeden Akteur innerhalb eines Eco-Systems ein kritischer Erfolgsfaktor. Voraussetzung dafür ist, die Treiber genau zu analysieren – also die Technologien und die Marktbedarfe – und zu antizipieren, wie sie sich auswirken. Die Marktbedarfe bilden hier die statische Basis, auf der sich die dynamische technologische Entwicklung vollzieht. Die Technolo-gien sind häufig bereits in anderen Eco-Systemen verfügbar und erprobt. Mit der erreichten industriellen Reife werden sie dann auf weitere Eco-Systeme übertragen.
Um systematisch zu analysieren, zu welchen Veränderungen Marktbedarfe und vor allem Technologien in einem Eco-System führen, und um diese Veränderungen zu quantifizieren und schließlich zu visualisieren, wurde der Ansatz „Business Trans-formation Impact Network Analysis“ (BuTINA) entwickelt. Die-ser erfasst ein Eco-System als komplexes Beziehungsnetzwerk und stellt die darin realisierte Wertschöpfung vollständig dar. Die unterschiedlichen Netzwerkverbindungen werden in die drei Wertstromebenen „Waren- und Dienstleistungsströme“, „Finanz-ströme“ und „Informationsströme“ gegliedert. Die Wirkung von Technologien, die vorab im Rahmen einer Patentrecherche gesam-melt, bewertet und nach Relevanz selektiert wurden, kann auf jeder dieser drei Wertstromebenen betrachtet werden. So kann die Eintrittswahrscheinlichkeit, die Wirkung und die zeitliche Ein-ordnung jeder Technologie unter Berücksichtigung branchenspe-zifischer Einflussfaktoren ermittelt werden. Das ist der Ausgangs-punkt für eine faktenbasierte, strategische und zielgerichtete Diskussion über Handlungsoptionen. Der Blick richtet sich hierbei in einem ersten Schritt auf den Einfluss der Technologien auf das gesamte Eco-System als komplexes Beziehungsnetzwerk. Daraus lässt sich in einem zweiten Schritt dezidiert die Wirkung auf ein-zelne Akteure des Netzwerks ableiten. Das ermöglicht es, strate-gische Fragen – etwa zu neuen Geschäftsmodellen, zur Gestal-tung des Portfolios oder zu M&A-Aktivitäten – für den jeweiligen Akteur zu diskutieren und zu beantworten.
Eine besondere Wirkung haben Technologiespezialisten, die von außen als neue Player in Eco-Systeme eindringen, indem sie für das System angepasste Lösungen etablieren. Danach bilden sich Aggregatoren aus, die mehrere Lösungen und Lösungsanbieter zu einem Gesamtportfolio zusammenfassen und dieses offerie-ren. Die dadurch bedingten Auswirkungen sind auf den unter-schiedlichen Wertstromebenen besonders deutlich sichtbar: Es entstehen mit den neuen Playern neue Werthebel oder es werden bestehende Hebel verstärkt oder abgeschwächt. Jeder Akteur des Eco-Systems lässt sich selbst ebenfalls als ein Beziehungsnetzwerk verstehen. In einem dritten Schritt kann der Ansatz daher prinzi-piell auch auf einen einzelnen Akteur mit seinen verschiedenen Einheiten angewendet werden. Damit wird dann beispielswei-se sichtbar, welchen Impact Veränderungen im Eco-System auf einzelne Fachbereiche eines Unternehmens haben. Mithilfe eta-blierter Vorgehensweisen zur funktionalen Strategieentwicklung können dann spezifische Handlungsoptionen formuliert werden.
Die Objektivierung der Relevanz der Zukunftstechnologien wird durch Patentanalysen sichergestellt. Denn die Patentaktivität zeigt Investitionen in Technologien und reflektiert wirtschaftliche Erwartungen von Marktteilnehmern. Patentanalysen sind Inves-titionsanalysen in F&E. Sie untersuchen Pfadabhängigkeiten von Investitionsentscheidungen und Erwartungen. Eine zentrale Frage dabei ist, wie stark sich die großen Hersteller des (bisherigen) Eco-Systems in der Entwicklung der jeweiligen Zukunftstechnologie und der Absicherung der gefundenen Lösungen engagieren.
Die Methodik BuTINA wurde in dieser Tec-Impact Projection auf die Agrarwirtschaft angewendet. Diese Branche ist von beson-derer Bedeutung für die Menschheit und bereits in der Vergan-genheit neue Technologien immer sehr zeitnah und konsequent genutzt. Die folgenden vier ausgewählten Zukunftstechnologien und ihre erwarteten Auswirkungen auf das Eco-System Agrar wurden untersucht:
Smart Robots and Drones, Vertical Farming, Verarbeitung von Umweltdaten und Verarbeitung von Maschinendaten.
Abb. 2: Strategievergleich der Investitionen in relevante Technologien
01Management Summary
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
8 9
Abb. 1: Wertschöpfungsdarstellung in mehreren Wertstromebenen nach der Methodik „Business Transformation Impact Network Analysis“ (BuTINA)
Landwirt
EBENE 1
UNTERNEHMEN
Business Transformation Impact Network Analysis (BuTINA) analysiert den Einfluss neuer Technologien auf die unterschiedlichen Ebenen einer Branche – vom einzelnen Netzwerkteilnehmer, über die Wertströme bis hin zum gesamten Eco-System.
EBENE 2
WERTSTRÖME IM ECO-SYSTEM
EBENE 3
ECO-SYSTEM
TECHNOLOGIETRENDS UND EINFLUSSFAKTOREN
Informationsströme
Finanzströme
Waren- und Dienst-leistungsströme
MICRO CHANGE. GLOBAL IMPACT.
Digitale Angreifer belegen Aktionsfelder und Potenziale durch Patente.
Jeder Akteur des Eco-Systems lässt sich selbst ebenfalls als ein Beziehungsnetzwerk verstehen. Mit BuTINA können spezifische Handlungs-optionen als Antwort auf den Eintritt neuer Technologien und Einflussfaktoren in das Netz-werk formuliert werden.
Die zahlreichen Netzwerkverbindungen werden auf drei Wertstromebenen betrachtet. Technolo-gische Veränderungen werden dadurch beson-ders deutlich sichtbar: Es entstehen neue Player, neue Werthebel oder bestehende Werthebel werden verstärkt oder abgeschwächt.
BuTINA visualisiert das Eco-System einer Branche als komplexes Beziehungsnetzwerk und stellt die darin realisierte Wertschöpfung vollständig dar.
Kreuzung der selektierten Einflussfaktoren und Technologietrends.
Identifikation der wahrscheinlichsten Eintritts- und Wirkungsszenarien auf Informationsströme, Finanz-ströme und Waren- und Dienstleistungsströme.
01 02 0403 Auswahl relevanter Einfluss-
faktoren und Technologietrends. Verifizierung der Relevanz durch
Patentrecherche.
Aufspannen des Eco-Systems Agrarwirtschaft. Analyse der funktionalen Wirkung eines Technolo-gietrends in Kombination mit Einflussfaktoren auf ein Unternehmen.
Frühzeitiges Erkennen relevanter Einflussfaktoren für Ihr Unternehmen.
01 CEO, Leitung der Bereiche Strategie und Business Development
02 + 03 Leitung der Bereiche Entwicklung, IT, Innovationsmanagement und Business Development sowie CEO
04 Leitung der Bereiche Entwicklung, IT, Produktion und Logistik, Vertrieb und Marketing, Beschaffung, Personal
MIT METHODE ZUM ÜBERBLICK.
EP3358518
PATENT
WO2016/191001
PATENT
EP2892014
PATENT
US2016/0360712
PATENT
STAKEHOLDER – Die Ergebnisse der jeweiligen Phasen haben Relevanz für
Menschen befähigen
Objekte befähigen
Vertikale Vernetzung:
Automatisierungs- pyramide
Cyber-PhysischeSysteme
IOT zur vernetzten Befähigung
Datenmodelle undSimulationen
IntegrierteSystemarchitektur
VVernetzungs-
logik
SSimula-
tions- und Abbildungslogik
DDaten- und
Informations-logik
FFähigkeitslogik
Wertschöpfungs-netzwerke
Infrastruktur fürKollaboration
ErfolgskritischeInformationen
Präferenzsysteme
Assistenzsysteme
Horizontale Vernetzung:
Wertschöpfungs-netzwerk
Taxonomie der Digitalisierung
D
F
V
S
John Deere
D
F
V
S
CNH Industrial
D
F
V
S
Husqvarna
D
F
V
S
SureHarvest
VerarbeitungMaschinendaten
John Deere
Husqvarna
CNH Industrial
SureHarvest
Trend 1
Faktor 1 Faktor 2 Faktor 3
Trend 2
Trend 3
-- -- -- --- - - -+/- +/- +/- +/-+ + + +++ ++ ++ ++
VerarbeitungUmweltdaten
Smart Drones &Robots
Vertical Farming
Strategievergleich der Technologieinvestitionen
Einflussfaktoren
Grobbewertung Einflussfaktoren
DigitaleGeschäftsmodelleFranchise Farming
StrukturwandelAuftragsfarming
ZunehmendeRegulation
Smart Robots and Drones
VerarbeitungUmweltdaten
VerarbeitungMaschinendaten
Grobbewertung Technologietrends
Tech
no
log
ietr
end
s
Einfl
uss
auf
das
Eco-
Syst
em
Zeitliche Relevanz
Zeitliche Relevanz
Einfl
uss
auf
das
Eco-
Syst
em
Szenario 1
Szenario 3
Szenario 2
Veränderte Ernährungsge-
wohnheiten
Vertical Farming
Menschen befähigen
Objekte befähigen
Vertikale Vernetzung:
Automatisierungs- pyramide
Cyber-PhysischeSysteme
IOT zur vernetzten Befähigung
Datenmodelle undSimulationen
IntegrierteSystemarchitektur
VVernetzungs-
logik
SSimulations- und
Abbildungslogik
DDaten- und
Informationslogik
FFähigkeits-
logik
Wertschöpfungs-netzwerke
Infrastruktur fürKollaboration
ErfolgskritischeInformationen
Präferenzsysteme
Assistenzsysteme
Horizontale Vernetzung:
Wertschöpfungs-netzwerk
D
D
D
D
F
F
F
F
V
V
V
V
S
S
S
S
John Deere
CNH Industrial
Husqvarna
SureHarvest
Es zeigt sich, dass sowohl bezüglich der einzelnen in die Betrach-tung einbezogenen Unternehmen als auch bezüglich der Tech-nologien deutliche Unterschiede bestehen. Während einige Her-steller bereits substanziell in die Entwicklung von Lösungen zur Verarbeitung von Umwelt- und Maschinendaten investieren, sind Entwicklungsaktivitäten in den Technologiefeldern Smart Robots and Drones sowie Vertical Farming bisher nicht oder nur in gerin-gem Maß erkennbar. Dies deutet darauf hin, dass die entspre-chenden Technologien nicht von den etablierten Akteuren des Eco-Systems, sondern durch neue Player von außen eingebracht werden.
Da Unternehmen technologischen Lernkurven folgen, geben die Ergebnisse der Patentanalyse Aufschluss über die Entwicklungs-pfade, welche die Unternehmen einschlagen werden, insbeson-dere im Zuge der auch im Eco-System Agrar voranschreitenden digitalen Transformation. Aus der Analyse wird deutlich, dass klassische Maschinenproduzenten die Digitalisierung in erster Linie aus einer Daten- und Informationslogik heraus angehen. Sie nutzen Daten, um ihre Maschinen und Anlagen mit Assistenz-systemen auszustatten. Diese Assistenzsysteme sollen zunächst vor allem Menschen dazu befähigen, die Maschinen und Anlagen fehlerfrei, effizient und mit optimiertem Output zu bedienen.
Andere Akteure im Eco-System Agrar wie etwa der Softwarean-bieter SureHarvest arbeiten eher aus einer Vernetzungslogik her-aus daran, eine Infrastruktur für vernetztes Handeln zu entwickeln und bereitzustellen. Im zweiten Teil von Abbildung 3 sind die Ergebnisse der Analyse bezogen auf die allgemeine Beschreibung der Taxonomie der Digitalisierung dargestellt. Die Investitionen jedes Unternehmens sind in den vier Sektoren: F [Fähigkeitslogik]; S [Simulations- und Abbildungslogik]; V [Verknüpfungslogik] und D [Daten- und Informationslogik] abgebildet. Die farbige Abde-ckung des jeweiligen Kreissektors zeigt die bisherige Investitions-intensität des Unternehmens in dem der Abkürzung entsprechen-den Digitalisierungsbereich.
Anhand der Darstellung wird deutlich, welche Investitionen durch die Unternehmen getätigt wurden, um eine eigene Know-how-Basis in den verschiedenen Digitalisierungsbereichen aufzubauen. Daraus lassen sich Vorhersagen für die weiteren Entwicklungen entlang der technologischen Pfade für die Transformation des Eco-Systems Agrar ableiten.
Abb. 3: Pfadabhängigkeit der digitalen Entwicklung im Eco-System Agrar
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
14 15
Indien
Indonesien
0,00
5,00
10,00
15,00
20,00
0 1 2 3 4 5
Landwirtschaftliche Betriebe und Erwerbstätige in Deutschland in Mio.
Erwerbstätige in der Landwirtschaft Landwirtschaftliche Betriebe mit 1 Hektar und mehr Landfläche
Ein Landwirt ernährt so viele Menschen:
123
127
85
27
17
10
47
ChinaTü
rkei
Brasilie
n
Russlan
d
Span
ien
Australi
enPo
lenIta
lien
Holland
Frankre
ichJap
an USA
Schweiz
Deutsc
hland
Großbritannien
2010
2000
1991
1980
1970
1960
1949
2.1 Einordnung
Eine effiziente Nahrungsmittelproduktion ist seit jeher für die Menschheit existentiell. Die gesellschaftlichen Ansprüche an den Agrarsektor haben sich im Laufe der Zeit allerdings deutlich geändert. Früher lag der Fokus auf der rein quantitativen Ver-sorgung der Bevölkerung mit Nahrungsmitteln. Mit steigendem Wohlstand haben die Verbraucher ein stärkeres Bewusstsein für die Herkunft und Produktion ihrer Lebensmittel entwickelt, da die Ernährung vor allem im Hinblick auf die Gesundheit und das Wohlbefinden eine wichtige Rolle spielt und moralische Fra-gen aufwirft. So rücken nicht nur biologische Anbaumethoden und das Tierwohl in den Mittelpunkt, sondern auch Aspekte wie die Verbesserung der Nahrungsmittelsicherheit, die Kultur-landschaftsbeiträge und die Multifunktionalität der ländlichen Raumnutzung.
Die Landwirtschaft war um 1950 noch sehr handarbeitsintensiv und mehrheitlich kleinbäuerlich geprägt. Der technische Fort-schritt der Mechanisierung konnte die Arbeit auf Feldern und in Ställen dermaßen automatisieren, dass nur noch ein Bruchteil der früheren Arbeitskraft benötigt wird und die Bewirtschaf-tung größere Flächen möglich wurde. Ein Landwirt ernährte um 1900 im Schnitt vier Personen, wohingegen heute mit der durchschnittlichen Produktion eines Landwirts 155 Personen mit Nahrungsmitteln versorgt werden (DBV 2016/17, S. 17). Gleich-zeitig erhöhte sich der durchschnittliche Hektarertrag von Wei-zen innerhalb der letzten 100 Jahre um das Vierfache von 185 Tonnen auf 757 Tonnen.
Die Landwirtschaft ist heute nicht nur umfangreich mechanisiert, sondern hat bereits mit der Digitalisierung begonnen. Diverse Digitaltechnologien unterstützen Landwirte bei ihrer Arbeit: Roboter melken und füttern Kühe im Stall, RFID-Tags sorgen für die richtige Futtermenge, Sensoren erkennen, ob eine Pflanze Dünger braucht, Drohnen werfen zur Schädlingsbekämpfung Schlupfwespenlarven auf Maisfelder ab. Die Digitalisierung hat die Landwirtschaft erreicht und bietet ein großes Wachstums-potenzial. Die zunehmende Modernisierung und Produktivitäts-steigerung geht allerdings auch damit einher, dass die Landwirt-schaft zu einem kapitalintensiven Geschäft wird. Derzeit wird fast die Hälfte der Fläche in Deutschland als landwirtschaftliche Nutzfläche bewirtschaftet (UBA, 2018).
Rechnerisch könnte Deutschland neun Zehntel seines Bedarfs an Lebensmitteln selber erzeugen. Allerdings ist das in Hin-blick auf eine globalisierte Wirtschaft und der vom Verbrau-cher gewünschten Vielfalt nur ein theoretisches Modell, denn die Landwirtschaft ist schon längst internationalisiert. Aktuell gehört Deutschland zu dem weltweit drittgrößten Exporteur im Agrarsektor und exportiert vor allem in EU-Länder (BMEL, 2018a, S. 5).
Von 1991 bis 2016 erreichten Exporte von Gütern der Land- und Ernährungswirtschaft fast das vierfache Niveau. In diesem Zeitraum kam es allerdings immer wieder zu Veränderungen bei der relativen Bedeutung der einzelnen Länder im Agrarhandel. Beispielsweise sank zwischen 1991 und 2015 die Summe der Exportanteile der im Basisjahr bedeutendsten Exportländer von 46 Prozent auf 31,2 Prozent, wobei der Rückgang des deutschen Anteils mit 0,9 Prozentpunkten wesentlich geringer ausfiel als in den meisten anderen Ländern (BMEL, 2018, S. 4 ff).
Die Bedeutung der Agrarwirtschaft für die Wirtschaftsleistung eines Landes weltweit sehr unterschiedlich. Insofern sind die Märkte sehr differenziert zu betrachten. In diesem Bericht steht das geografische Europa im Vordergrund.
Die deutsche Landwirtschaft gehört heute zu den vier größten Erzeugern von Nahrungsmitteln in der EU. Dazu trägt maß-geblich die Tierhaltung bei. Um über 200 Millionen Nutztiere zu ernähren, werden auf ca. 60 Prozent der landwirtschaftlich genutzten Fläche Futtermittel wie Mais oder Weizen angebaut. Neben tierischen Produkten werden auch Brotgetreide, Kartof-feln, Zuckerrüben, Obst und- Gemüse produziert.
02Das Eco-System Agrar
Abb. 4: Anzahl der Menschen, die ein Landwirt ernährt
Abb. 5: Anteil der Agrarwirtschaft (inkl. Waldwirtschaft, Fischerei und Mehrwertdienste) am Bruttoinlandsprodukt
Anteil der Agrarwirtschaft am BIP in Prozent
Wandel auf dem Lande – in Deutschland
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
16 17
Gesamtfläche Deutschland
Siedlungs-,Verkehrs-,Wasserfläche,Umland
Futtermittel
Nahrungsmittel
Energiepflanzen
IndustriepflanzenBrache & Stilllegung
Waldfläche
Landwirtschaftliche Nutzfläche
7,6
11,4
∑ 35,7
16,7
60 %
22 %
14 %
2 %2 %
Mio. ha
Mio. ha
Mio. ha
Mio. ha
Landwirtschaftliche Nutzfläche
Quelle: FNR nach Statistischem Bundesamt, BMEL (2016)
Im Hinblick auf die dezentrale Energieerzeugung aus regenera-tiven Quellen, wird die Rolle der Landwirte immer wichtiger. Sie haben durch ihr derzeitiges Flächenpotenzial vielfältige Möglich-keiten Strom, Wärme und biologische Energieträger aus erneu-erbaren Quellen bereitzustellen und sind aktuell maßgeblich an der Erzeugung erneuerbarer Energien beteiligt. So sind deutsch-landweit 2016 rund 8.700 Biogasanlagen mit einer installierten Leistung von über 4.200 Megawatt (MW) in Betrieb. Viele Anla-gen werden von den Landwirten betrieben oder sind als Lieferant von Substraten wie z. B. Gülle oder Maissilage beteiligt. Daneben haben Landwirte vielfach in Solar- oder Windenergieanlagen investiert oder stellen Flächen dafür bereit (BMEL, 2018a; FNR, 2013).
Darüber hinaus ist die Landwirtschaft auch bei der Erzeugung anderer Güter sehr wichtig. Beispielsweise werden aus isolierten Holzbestandteilen verschiedene Produkte wie z. B. Klebstoffe oder Harz hergestellt. Pflanzliche Öle und Fette fungieren als bioba-sierte Schmierstoffe, Farben und Lacke (BMEL 2018a, S. 16). Das macht deutlich, dass der Landwirtschaft neben der Erzeugung von Nahrungsmitteln auch eine große Bedeutung bei der Produk-tion nachwachsender Rohstoffe und biobasierter Produkte zuteil kommt.
Vor diesem Hintergrund sollte eine breitere Nutzung von Agrar-flächen weiter an Bedeutung gewinnen. Dem stehen einige Ent-wicklungen und Anforderungen gegenüber. So gehen laut dem Bundesministerium für Ernährung und Landwirtschaft Überwei-
dung, ungeeignete Anbaumethoden, Erosion sowie Straßen- und Städtebau weltweit jährlich rund zwölf Millionen Hektar Agrarflä-che verloren. Diese Entwicklung wird sich angesichts steigender Bevölkerungszahlen und dem damit umfangreicher benötigten Wohnraum weiter verstärken. Da die Nahrungsmittelproduktion die Existenz der Menschheit sichert, muss bei wachsender Weltbevölkerung und unter Berück-sichtigung der zunehmenden Urbanisierung die Produktion von Nahrungsmitteln gesteigert werden – und das auf einer sich nicht proportional vergrößernden Gesamtfläche. Insgesamt müsste die landwirtschaftliche Produktion um mehr als zwei Drittel steigen. Das wiederum bedeutet, dass Wasser, fruchtbare Böden und die Artenvielfalt intelligenter und vor allem effektiver genutzt und erhalten werden muss (Spiegel Online, 2013). Dabei kommt der Digitalisierung eine wichtige Rolle zuteil. Denn vor allem die technischen Möglichkeiten werden eine effiziente Nutzung der vorhandenen Ressourcen erst ermöglichen. Dabei werden Daten und Informationen aus unterschiedlichsten Quellen vernetzt und Wirkungszusammenhänge identifiziert werden. Die Kommunika-tion der Akteure eines Eco-Systems und die Entwicklung neuer Technologien zeichnen sich als maßgeblich. So ergeben sich neue Wege, die bevorstehenden Herausforderungen in der Landwirt-schaft durch die Technik zu bewältigen.
2.2 Aufbau und Modellierung
Grundsätzlich wird das Eco-System mittels der Methodik „Busi-ness Transformation Impact Network Analysis“ (BuTINA) rund um den Anbau von Nahrungs- bzw. Futtermitteln beschrieben. Im Mittelpunkt stehen der Landwirt und die Geschäftsmodelle mit allen Akteuren – von den Lieferanten von Saatgut, Maschinen und Betriebsmittel über die Groß- und Zwischenhändler bis zu den Verbrauchern. Ergänzt wird das System durch Dienstleister, Intermediäre wie Genossenschaften, Kreditgeber oder Informa-tionsverarbeiter sowie Forschungseinrichtungen. Im Eco-System werden diese Akteure in drei Bereiche gegliedert:
Kernwertschöpfung Ergänzende Wertschöpfung und Zuliefer- bzw. Befähigungsnetzwerk.
Die Knotenpunkte im Netzwerk stellen die genannten Akteure dar, die durch Werthebel miteinander verbunden sind und je nach Charakter einen spezifischen Wertschöpfungsbeitrag leisten. Dabei wird differenziert zwischen den Wertstromebenen:
Waren und Dienstleistungen, Finanzen sowie Informationen und Daten.
Eine zusätzliche Betrachtung der Wertstromebene „immateriel-len Werte“ wie Ansehen und Markenguthaben, Produktangebot oder Vertriebskanäle ist grundsätzlich möglich und sinnvoll, wur-de in der vorliegenden Analyse jedoch aus Komplexitätsgründen ausgeklammert.
Milch 32,7 Mio. t Zuckerrüben 22,5 Mio. t
Rindfleisch 14 >1,2 Mio. t Kartoffeln 10,8 Mio. t
Schweinefleisch 5,6 Mio. t Raps 4,6 Mio. t
Geflügelfleisch 1,5 Mio. t Gemüse 3,5 Mio. t
Eier 14,3 Mrd. Stück Obst 1,2 Mio. t
Silomais 92,1 Mio. t Wein 900 Mio. l
Getreide 45,4 Mio. t Hopfen 28.300 t
Abb. 6: Erzeugungsmenge ausgewählter Produkte in Deutschland 2016 (BMEL, 2018a)
Abb. 7: Landwirtschaftliche Nutzung in Deutschland
Flächennutzung in Deutschland 2016
Erzeugungsmengen 2016
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
18 19
Waren und Dienstleistungen Währung und Kredite Information und Daten
Zielkunde
Zwischenhändler
Anbieter von Diensten
Werthebel: Netzwerk-Verbindungen
Netzwerkakteure
Abnehmer
Befähiger
Anbieter von Systemen
Zulieferer
Finanzier
Anbieten von Waren
Regulatoren Anbieter von Inhalten
Marketing und Kommunikation
Abb. 8: Darstellung des Eco-Systems Agrar als Wertschöpfungsnetzwerk
20 21
Grobbewertung der Technologietrends Grobbewertung der Einflussfaktoren
1 1
3D Druck Nahrungsmittel
Electrification Autonomes FahrenAugmented/Virtual Reality
Automation
GMO / genoptimiertes SaatgutVerarbeitung Maschinendaten
Zeitliche Relevanz Zeitliche Relevanz
Ein
flu
ss a
uf
das
Eco
-Sys
tem
Ein
flu
ss a
uf
das
Eco
-Sys
tem
Verarbeitung Umweltdaten
Digitale Geschäftsmodelle
Franchise FarmingStrukturwandelAuftragsfarming
Veränderte Ernährungsgewohnheiten/-anforderungen
Zunehmende Regulation
Ökologie und Ökologiebewusstsein
Urbanisierung
Energieeffizienz
KlimavolatilitätWachsende Weltbevölkerung
Smart Robots and DronesVertical Farming
Blockchain
3D Druck Bauteile
0 02 23 34 45 56 6 7
0 0
2 2
1 1
3 3
4 4
5 5
6 6
Artificial Intelligence / Smart Assistance / Decision Support SystemsConnectivity / m2m / m2x
Unter Zuhilfenahme etablierter Technologietrendanalysen (vgl. Gartner Hype Cycle) sowie der Einschätzung von Branchenex-perten werden in einem ersten Schritt für das Eco-System Agrar potenziell relevante Technologietrends identifiziert und anschlie-ßend einer Grobbewertung anhand von zwei Dimensionen unterzogen.
Erstens wird je Technologie eine anfängliche Einschätzung zum Einfluss auf die Leistungsbeziehungen, die Zahlungsströme, den Grad der Disruption und die Effizienz im Eco-System vorgenom-men. Die Einschätzung der Einflüsse erfolgt mittels einer relati-ven Bewertungsmethode, wobei einer Technologie pro Bewer-tungskriterium jeweils niedrige Scores (1 bis 2), mittlere Scores (3 bis 4) oder hohe Scores (5 bis 6) in Relation zu den anderen betrachteten Technologien zugeteilt werden. Zweitens werden die Technologien jeweils unter dem Gesichtspunkt der zeitlichen Wirkung betrachtet. Bei einer „kurzfristigen Wirkung“ (6 bis 5) ist davon auszugehen, dass eine Technologie innerhalb von zwei Jahren im Eco-System Agrar eine relevante Bedeutung erlangt hat und nachhaltig eingesetzt werden wird. Bei einer „mittel-fristigen Wirkung“ (4 bis 3) wird dieser Reifegrad innerhalb von
zwei bis fünf Jahren erwartet. Eine „langfristige Wirkung“ (2 bis 1) impliziert, dass mit einer nachhaltigen Wirkung im Eco-System erst in mehr als fünf Jahren gerechnet werden kann. Für eine weitere Analyse der relevantesten Technologietrends werden aus der Grobbewertung des Expertenkreises die Techno-logien mit überdurchschnittlichem Einfluss auf das Eco-System (Score 3,5 bis 6) selektiert. Dies betrifft für eine zeitlich mittel-fristige Wirkung die Technologien:
Verarbeitung von Umweltdaten und Verarbeitung von Maschinendaten
und für eine langfristige Wirkung die Technologien
Smart Robots and Drones und Vertical Farming.
Diese Technologietrends werden im Kapitel 5 Technologietrends eingehender betrachtet.
03Relevante Technologietrends
Abb. 9: Grobbewertung der Technologie-trends durch relative Schätzung der zeitlichen Wirkung und des Einflusses auf das Eco-System Agrar
04Einflussfaktoren
Die Wirkung eines Technologietrends auf ein Eco-System wird immer auch durch die zusätzlich auf das Eco-System wirkenden Einflussfaktoren bedingt. Einflussfaktoren stellen externe Rah-menbedingungen der unterschiedlichsten Art dar. Sie können beispielsweise regulatorischer, gesellschaftlicher, technischer, wirtschaftlicher oder ökologischer Natur sein.
Im Rahmen der Tec-Impact Projection wurde gemeinsam mit Branchenexperten ein Portfolio aus relevanten Einflussfaktoren für das Eco-System Agrar erstellt. Analog der vorangegange-nen Grobbewertung der Technologietrends werden auch die Einflussfaktoren einer relativen Einschätzung zum Einfluss auf die Leistungsbeziehungen, die Zahlungsströme, den Grad der Disruption und die Effizienz im Eco-System sowie zur zeitlichen Wirkung unterzogen.
Die Grobbewertung ergibt, dass mittelfristig insbesondere die Einflussfaktoren:
Digitale Geschäftsmodelle, Franchise Farming, Strukturwandel, Auftragsfarming sowie Veränderte Ernährungsgewohnheiten und -anforderungen
auf das Eco-System verstärkt wirken werden. Kurzfristig betrachtet wird es insbesondere durch:
Zunehmende Regulation betroffen sein.
Abb. 10: Grobbewertung der Einfluss-faktoren durch relative Schätzung der zeitlichen Wirkung und des Einflusses auf das Eco-System Agrar
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
22 23
5.1 Smart Robots and Drones
5.1.1 Beschreibung
„Smart Robots and Drones“ werden als selbstständig agierende Maschinen verstanden. Ihnen ist eine künstliche Intelligenz inhä-rent, durch welche sie als lernende Systeme eigenständig Ent-scheidungen treffen können und situativ adaptionsfähig sind. Die Evolutionsstufen von „Smart Robots and Drones“ reichen von einer bloßen Automation von Prozessschritten bis zum Ersatz der menschlichen Intelligenz.
Je nach Komplexität der Prozessanforderungen können „Smart Robots and Drones“ in sämtlichen Phasen entlang des Wert-schöpfungsprozesses genutzt werden. So ist der Einsatz von intel-ligenter Robotik für die Bewirtschaftung von Farming-Flächen denkbar – beispielsweise bei der Aussaat, Veredelung und Trim-mung, bei der gezielten mechanischen und chemischen Unkraut- und Schädlingsbekämpfung und bei der Ernte. Der Nutzen dieser Technologie wird vor allem in den Bereichen spürbar, in denen Flächenmaschinen keinen Mehrwert bieten. Denn aufgrund ihrer oft geringen Größe können „Smart Robots and Drones“ bestens für die Verrichtung von positionsgenauer Arbeit eingesetzt wer-den. Zudem eignen sie sich als Vehikel zum Transport von Senso-rik, mit der sich Pflanzen- und Bodendaten erheben lassen. 5.1.2 Technologiereife
Vom Potenzial des Einsatzes von „Smart Robots and Drones“ zeugt eine 2016 erhobene Studie zu Zukunftsszenarien in der deutschen Agrarwirtschaft. In dieser gaben 45 Prozent der befragten Landwirte an, dass sie bis 2030 den verbreiteten Ein-satz von autonomen Drohnen für wahrscheinlich halten. 43 Pro-zent der Befragten waren der Meinung, dass bis dahin autonome Feldroboter verbreitet im Einsatz sein werden (Bitkom, 2016a). Die aktuellen Entwicklungen bestätigen jedoch auch, dass es sich dabei um einen noch jungen Technologietrend handelt. So sagten 8 Prozent der befragten Landwirte, bereits Roboter im Einsatz zu haben. Nur 4 Prozent nutzten bereits Drohnen (Bitkom, 2016b). Als Hemmnisse werden hohe Investitionskosten, Sorge um IT- und Datensicherheit, Bedenken hinsichtlich des Verlusts der Datenho-heit sowie unzureichende Internetversorgung genannt (Bitkom,
2016c). Aktuelle Beispiele für den Einsatz von „Smart Robots and Drones“ beschränken sich zumeist auf Forschungsprojekte. So steuert der autonome Feldroboter „BoniRob“ etwa zur Unkraut-regulierung eigenständig Einzelpflanzen an, erfasst deren Erschei-nungsbild, erkennt Unkräuter und entfernt oder bekämpft diese präzise (Amazonen-Werke, 2018).
Nur wenige Projekte haben bisher die Serienreife erreicht. Dar-unter der Roboter „Xaver“ des Landmaschinenherstellers Fendt. Der Ansatz von „Xaver“ ist es, mit kleinen, im Schwarm arbeiten-den Robotereinheiten und mithilfe einer Cloud-Lösung die prä-zise Aussaat von Mais zu planen, zu überwachen und exakt zu dokumentieren (AGCO, 2017). In Spanien vertreibt der Hersteller Agrobot seinen gleichnamigen Roboter für die Ernte von Erdbee-ren. Mithilfe visueller Sensoren, maschinellem Lernen und auto-nomen Antrieben erkennt der Roboter den Reifegrad der Beeren, trennt diese von der Pflanze und transportiert sie für die Wei-terverarbeitung ab (Soluciones Robóticas Agrícolas, 2018). Wie der Agrobot zeigt, eignen sich „Smart Robots and Drones“ heute besonders bei fragilen Anbauten wie Spargel oder Erdbeeren, bei denen bislang eine hohe Fingerfertigkeit der menschlichen Helfer gefragt ist.
Der Technologietrend „Smart Robots and Drones“ steckt aber trotz der genannten Praxisbeispiele noch in den Kinderschuhen. Es bestehen noch gewaltige Weiterentwicklungspotenziale – von der Automation zur tatsächlichen autonomen Prozessverrichtung und Schwarmintelligenz. Die Potenziale sind noch längst nicht ausgeschöpft geschweige denn umfänglich erkannt.
5.1.3 Patentanalyse
„Smart Robots and Drones“ sind ein Innovationsfeld, das in den letzten Jahren nachweislich an Bedeutung für die Agrartechnik gewinnt. Über einen Zeitraum von fünf Jahren von 2011 bis 2016 hat sich die Anzahl an einschlägigen Patentanmeldungen mit einer Steigerungsrate von ca. 1.125 Prozent mehr als verzehnfacht. Dabei werden die Patentanmeldungen in den meisten Fällen nicht nur in den Heimatländern der Patentanmelder getätigt, sondern vielmehr auch in den Kernregionen (erwartete zukünftige Absatz-märkte). Die Investitionsbereitschaft deutet darauf hin, dass die innovierenden Unternehmen von einem hohen wirtschaftlichen Umsatzpotenzial bei „Smart Robots and Drones“ ausgehen.
05Technologie- trends
Abb. 11: Drohnen und Roboter im Farming-Einsatz (SAGA, 2018)
24 25
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
2016 20162007 20072008 20082009 20092010 20102011 20112012 20122013 20132014 20142015 20150 0
2050
40100
60
80 150
100 200
Auffallend ist, dass derzeit nur ein sehr geringer Teil der erkenn-bar für landwirtschaftliche Anwendungen angemeldeten Paten-te von Herstellern von Landwirtschaftsmaschinen stammt. Es ist deshalb davon auszugehen, dass dieser Technologietrend bislang nur eingeschränkt von den etablierten Akteuren im Eco-System Agrar aufgegriffen wird. Darüber hinaus machen die Patentan-meldungen mit direktem Landwirtschaftsbezug nur einen äußerst geringen Teil von weniger als 2 Prozent sämtlicher Patentanmel-dungen bei „Smart Robots and Drones“ aus. Die Patentanalyse deutet also darauf hin, dass es in absehbarer Zeit zu deutlichen Umwälzungen innerhalb des Eco-Systems durch Marktaktivitäten neuer Player kommen wird.
Dominant sind bei den angemeldeten Patenten Verbesserungen in Bezug auf Akkulaufzeit, Autonomiegrad, Kameraauflösung- und -positionierung, Signalverarbeitung, Datenübertragung, Fle-xibilität und Robustheit. Das zeigt eine immer stärkere Anwen-dungsorientierung im Bereich Smart Farming sowie eine größere praktische Anwendbarkeit im Feld auf.
5.2 Vertical Farming5.2.1 Beschreibung
Eine Möglichkeit, vor dem Hintergrund der rasanten Urbanisie-rung die Versorgung der städtischen Bevölkerung mit Nahrungs-mitteln sicherzustellen, ist, den Pflanzenanbau in den Städten zu forcieren – nicht nur auf den Dächern, sondern auch im Inneren von Gebäuden. Meist wird das Farming hierbei in ein Gesamtsys-tem integriert, um Ressourcen möglichst umfassend zu nutzen (Cradle-to-Cradle). Als Bezeichnung dafür hat sich „Vertical Far-ming“ etabliert. Das erste Patent zum Vertical Farming wurde von dem Wiener Erfinder und Maschinenbauer Othmar Ruthner in den 1960er Jahren entwickelt und angemeldet (Ruthner, 1964). Die öffentliche Breite wurde allerdings erst viel später durch den US-amerikanischen Mikrobiologen Professor Despommier erreicht. Das von Professor Dickson Despommier 2001 vorgestell-te Konzept des „Vertical Farming“ sprach vor allem zwei Probleme an: Erstens wird die limitierte Bodenfläche durch eigens für den Anbau von Nahrungs- oder Nutzpflanzen erbauten Hochhäusern kompensiert. Zweitens werden hier die Lebensbedingungen für die Nutzpflanzen künstlich geschaffen und für deren Bedürfnisse optimiert, sodass sie das ganze Jahr über gepflanzt und geern-
tet oder gar in Regionen angebaut werden können, in welchen sie unter natürlichen Bedingungen nicht wachsen (Despommier, 2010).
Der Wandel hinsichtlich Wohnraum und Nahrungsmittelversor-gung stellt zunehmend eine Herausforderung dar. Hochrechnun-gen prognostizieren, dass bis zum Jahr 2050 70 Prozent der Men-schen in Städten leben werden (vgl. UN DESA, 2018) und dies bei einer steigenden Gesamtbevölkerung. Die Vereinten Nationen (UN) haben errechnet, dass bis zum Jahr 2100 über zehn Milli-arden Menschen auf der Erde leben werden (UN DESA, 2017). Folglich rückt die Frage nach der Produktion und Distribution der Nahrungsmittel für die wachsende Bevölkerung immer mehr in den Mittelpunkt.
Beim „Vertical Farming“ werden in Hochhauskomplexen auf mehreren Etagen in geschlossenen Kreislaufsystemen Nahrungs-pflanzen angebaut. Diese wachsen nicht auf Erde, sondern auf anorganischem Substrat. Durch künstliche Lichtrezepturen und eine optimierte Bewässerung werden ideale Wachstumsbedin-gungen für die Pflanzen geschaffen. Die vollständig kontrollierte Umgebung erlaubt eine jahreszeiten- und witterungsunabhän-gige Erzeugung. Das alles führt im Vergleich zu konventionellen Anbaumethoden zu schnelleren Ernten und höheren Erträgen. Dabei lassen sich neben Anbauflächen und Wasser auch große Mengen an Dünger und Pflanzenschutzmitteln einsparen. Darü-ber hinaus reduzieren sich durch die Produktion der Lebensmittel direkt im urbanen Raum Transportkosten und Emissionen.
5.2.2 Technologiereife
Die Entwicklung von „Vertical Farming“ befindet sich aktuell noch am Anfang. Es gibt erste Städte und Regionen, wie z. B. in Suwon, Süd Korea oder Newark in New Jersey, die Pilotprojekte gestartet haben. In Japan und in Nordamerika sind in ehemaligen Industriehallen erste Vertical Farms zu sehen. In der größten Verti-cal Farm Japans werden jährlich über sieben Millionen Salatköpfe produziert (Inada, o.D.). In Singapur wird mit einem einzigarti-gen umweltfreundlichen und energiesparenden Hydrauliksystem Gemüse angebaut, das erfolgreich in Supermärkten verkauft wird. Im Markt sind bereits erste Startups von Gesamtlösungen für „Vertical Farming“ erkennbar. Diese aggregieren Spezialistenwis-sen, welches vorrangig von etablierten Akteuren im Eco-System stammt wie z. B. Technologieentwickler für Steuerungssysteme sowie Spezialisten für hydroponische und aeroponische Bewässe-rungssysteme. Das Münchner Startup agrilution realisiert Vertical Farms für den privaten Haushalt, sodass die Bewohner das ganz Jahr über die eigenen Kräuter, Gemüse, Salate und sogar Erdbee-ren anbauen können (Irmer, 2014).
5.2.3 Patentanalyse
Bei der Patentanalyse wird allerdings deutlich, dass „Vertical Far-ming“ von den bekannten Herstellern von Agrarmaschinen und –anlagen und nicht von den heute bereits aktiven Startups domi-niert wird. Nahezu alle identifizierten Patentanmeldungen stam-men von diesen Unternehmen. Dabei ist festzustellen, dass der Technologietrend schon seit mehr als zehn Jahren von den Inno-vationsaktivitäten dieser Hersteller abgedeckt wird.
Die Zahl an relevanten Patentanmeldungen wächst im Vergleich zu anderen Zukunftstechnologien moderat aber kontinuierlich mit einer Zuwachsrate von 217 Prozent für den Zeitraum von 2011 bis 2016. Von einem eingeschränkten Innovationsdruck ist hier aber trotzdem nicht auszugehen, da die absoluten Anmeldezahlen mit ca. 180 Patentanmeldungen im Jahr 2016 relativ hoch liegen. Die geringe durchschnittliche Anzahl der Patente in diesem Bereich und damit die eingeschränkten Investitionen lassen darauf schlie-ßen, dass von Seiten der Anmelder noch Skepsis bezüglich der breiten Anwendung der entwickelten Lösungen herrscht. Die analysierten technologischen Aspekte in den Patentdokumenten zeigen insbesondere im Bereich der Verwendung von spezifischen Spektralanteilen des Lichts und der verwendeten Nährlösungen noch einen erheblichen Bedarf bei der Grundlagenforschung. Die Menge applikationsorientierter Anmeldungen ist noch relativ gering und deren praktisches Potenzial ist vergleichsweise ein-geschränkt. Eine praktisch-wirtschaftliche Umsetzung ist aus der Patentanalyse nicht unmittelbar zu erwarten.
5.3 Verarbeitung von Umweltdaten5.3.1 Beschreibung
Unter der „Verarbeitung von Umweltdaten“ wird die zielgerich-tete Verwertung von Wetterdaten (z. B. Sonneneinstrahlung, Nie-derschlagsmenge, Lufttemperatur und Windgeschwindigkeit), Bodendaten (z. B. Bodenart, Wasserhaushalt, Mineralstoff- und Schadstoffgehalt) Pflanzendaten (z. B. Wachstumszustand und Schädlingsbefall) sowie deren Integration in mathematische Modelle und Geo-Daten verstanden. Ziel der Erhebung ist es, eine Grundlage für die Analyse, Prädiktion und Prozessoptimierung in der Agrarwirtschaft zu schaffen.
5.3.2 Technologiereife
Für die Erhebung von Wetterdaten kommen bereits seit Jahrzehn-ten erprobte und ständig optimierte klassische meteorologische Messtechniken (Temperatur, Niederschlagsmengen, Sonnenein-strahlung etc.) und Klimamodelle zum Einsatz. Bodendaten wer-den entweder über Bodenproben ermittelt oder über die Analyse der Luft. Besonders in der Agrarwirtschaft steigt das Interesse an
Pflanzendaten. Diese können von bildgebenden Sensoren gelie-fert werden, die an Landmaschinen oder Phänotypisierungsfahr-zeugen angebracht sind. Neben der direkten Erfassung von Daten am Untersuchungsobjekt spielen zunehmend Methoden der Fern- erkundung eine entscheidende Rolle bei der Gewinnung von Umweltdaten. Dabei kommen besonders durch Satelliten, Flug-zeuge oder Drohnen getragene Sensoren zum Einsatz. Gängige Sensortypen hierfür sind zum Beispiel Hyperspektral- und Ther-malbildkameras, Multispektralsensoren sowie Laser-, Radar- und Lidarsysteme.
Besonderer Nutzen ergibt sich aus der Kombination von Daten aus unterschiedlichen Quellen. So lassen sich beispielswei-se Boden- und Pflanzenprofile erstellen. Wird die mathemati-sche Beschreibung des Pflanzenwachstums in Abhängigkeit mit Umweltfaktoren wie Wetterdaten, Bodenprofildaten und dem Anbausystemkontext gebracht, ist das die Basis für vielfältige Anwendungen – etwa Ertragssimulationen.
Die Erhebung und Bereitstellung der Daten erfolgt momentan überwiegend durch öffentliche Einrichtungen wie Forschungszen-tren, geologische Dienste und Landesämter und durch Fernerkun-dungsunternehmen. Entsprechend sind die weltweit wachsenden Datensätze entweder frei zugänglich und kostenlos oder Eigen-tum der Unternehmen. Fernerkundungsdaten aus Open-Data-Ini-tiativen wie dem Copernicus-Programm der Europäischen Union mit eigener Satelliten-Flotte und lokalen Beobachtungsinfrastruk-turen wird eine wachsende Bedeutung beigemessen, da sie den Datenzugang im öffentlichen und im kommerziellen Interesse unterstützen (DLR, 2018).
Durch Digitalisierung und die sinkenden Kosten für Sensorik und Kleinstcomputer werden diese Daten zunehmend durch unter-schiedlichste Akteure und Systeme erfasst und vielfach als Open Data oder Community Data zur Verfügung gestellt. Hierzu zählen u.a. landwirtschaftliche Nutzfahrzeuge, private und kommerzielle Kraftfahrzeuge und LKWs, SmartHomes usw., die in großer Men-ge Daten erheben. Die Entwicklung geht hin zu einer Erfassung der Zustandsdaten nahe Echtzeit, so dass quasi ein Digitaler Zwil-ling der Agrarflächen möglich wird.
Abb. 12: Anzahl der Patentanmeldungen für Technologietrend „Smart Robots and Drones“ p.a.
Abb. 14: Anzahl der Patentanmeldungen für Technologietrend „Vertical Farming“ p.a.
Abb. 15: Öffentlicher Datenzugang zu Copernicus-Projektdaten (DLR, 2018)
Patentanmeldungen Smart Robots and Drones Patentanmeldungen Vertical Farming
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
26 27
Abb. 13: „Vertical Farming“ am Beispiel des US-amerikanischen Salat-Produzenten AeroFarms (AeroFarms, 2018)
2016
2016
2007
2007
2008
2008
2009
2009
2010
2010
2011
2011
2012
2012
2013
2013
2014
2014
2015
2015
0
0
50
50
100
100
150
150
250
200
350
300
200
Die kommerzielle Nutzung der Umweltdaten durch landwirtschaft-liche Betriebe zielt hauptsächlich auf die Ertragssteigerung und Minimierung von Anbaurisiken ab. Anwendungsfälle ergeben sich dabei vor allem durch die Nutzung von mathematischen Boden- und Pflanzenmodellen. Integriert in einem Farm Management Information System unterstützen die digitalen Modelle den Land-wirt bei der effizienteren Bestellung seiner Felder – beispielswei-se durch die Ermittlung geeigneter Saatgüter, Dünger, Bewässe-rungs- und Bearbeitungsmethoden. Erwartungsgemäß zählen die etablierten Landmaschinen-, Saatgut- und Düngemittelhersteller zu den Anbietern solcher Systeme. Zu diesen gehört die Software-Lösung „365FarmNet“ der Claas-Tochter 365FarmNet (365Farm-Net, 2018), die Plattform „Climate FieldView“ von Bayer (Climate, 2018) oder die digitale Farming-Lösung „Xarvio Field Manager“ von BASF (BASF, 2018). Daneben treten aber auch vermehrt junge Unternehmen mit eigenen Lösungen an die Landwirte heran. So etwa die VISTA Geowissenschaftliche Fernerkundungs GmbH mit ihrer Agrar-Management-Software „TalkingFields“ (VISTA, 2018) oder die DKE-Data GmbH & Co. KG mit ihrer Agrardatenaus-tauschplattform „agrirouter“ (DKE, 2018).
Als Grundlage für lernende Systeme und intelligente Farm Manage-ment Information Systems wird die Bedeutung von Daten für das gesamte Eco-System der Agrarwirtschaft wachsen. Dabei gilt es, den aktuell noch herrschenden Mangel an verlässlichen Umwelt-daten und mathematischen Modellen auszugleichen. Derzeit wird die Erstellung und Kalibrierung von verlässlichen landwirtschaft-lichen Datenmodellen noch durch die regional unterschiedlich aus-gereifte Qualität und Quantität von Umweltdaten sowie fehlende industrieweit akzeptierte Datenstandards erschwert. Initiativen zur Vereinheitlichung und Veröffentlichung von Datensets gewinnen somit an Bedeutung. Dabei unterliegen auch Daten in der Agrar-wirtschaft dem Schneeballeffekt: Je mehr es von ihnen gibt, desto höher das Nutzenpotenzial. Eigentümer nachhaltiger Datenquellen haben dementsprechend einen deutlichen Wettbewerbsvorteil, werden sich mit datenbasierten Geschäftsmodellen neu im Markt positionieren und Teile der Waren- und Dienstleistungs-, Finanz- und Informationsströme verändern.
5.3.3 Patentanalyse
Die Verarbeitung von Umweltdaten ist ein Innovationsfeld, das schon seit mehreren Jahren von unterschiedlichen Unternehmen bearbeitet wird. Allerdings steht nur ein geringer Anteil von weni-ger als 2 Prozent der angemeldeten Patente in einem expliziten Zusammenhang mit Agraranwendungen. Betrachtet man nur den Anteil der Patentanmeldungen mit Landwirtschaftsbezug, so ist erkennbar, dass die Lösungen sowohl von den bekannten Herstel-lern aus dem Eco-System als auch von Daten- bzw. Softwareanbie-tern stammen
Zwischen 2011 und 2016 ist die Anzahl von Patentanmeldun-gen pro Jahr um 343 Prozent gewachsen, wobei die Dynamik in jüngster Zeit abzunehmen scheint. Das lässt darauf schließen, dass viele der relevanten Hersteller bereits heute über eigene Konzepte zur „Verarbeitung von Umweltdaten“ verfügen. Da die meisten Patente sämtliche Kernregionen abdecken und insofern von subs-tanziellen Investitionen in den Patentschutz auszugehen ist, haben diese Anwendungen auch eine hohe wirtschaftliche Relevanz für
die jeweiligen Anmelder. Gleichzeitig deutet die große Zahl von nicht explizit für den Agrarbereich entwickelter Lösungen darauf hin, dass in naher Zukunft auch Unternehmen, die derzeit noch nicht im Eco-System Agrar vertreten sind, hier verstärkt Lösungen zur „Verarbeitung von Umweltdaten“ anbieten werden.
Aus der Patentanalyse wird ein starker Anwendungsbezug deut-lich. Die geschützten Ansätze fokussieren auf konkrete Umset-zungstechnologien. So spielen zum Beispiel die Integration von Wetterdaten in die Optimierung von Arbeitsabläufen und die Disposition sowie die Optimierung von Ernteprozessen eine wich-tige Rolle. Die Daten werden nicht nur sensorisch erhoben und weiterverarbeitet, sondern zunehmend auch in Managementsys-teme integriert. Daraus werden unmittelbar effizienzsteigernde Maßnahmen abgeleitet und weiter optimiert. Die steigenden Anmeldezahlen reflektieren den immer umfassenderen Anspruch der Datenverarbeitung, durch Erhebung, Analyse und Weiterver-arbeitung der Daten eine strukturelle Industrialisierung der Pro-zesslandschaften herbeizuführen und dadurch weitrechende Pro-duktionsoptimierungsansätze im Eco-System Agar anwendbar zu machen. Es zeigt sich auch deutlich, dass einige Patentanmelder strategische Ansätze verfolgen, umfassende Exklusivitätspositi-onen für erfolgskritische Datenkombinationen aufzubauen und auch die praktisch-wirtschaftliche Nutzbarkeit solcher Datenkom-binationen durch Patentschutz zu monopolisieren.
5.4 Verarbeitung von Maschinendaten5.4.1 Beschreibung
Die Verarbeitung von Maschinendaten beschreibt die zielgerich-tete Erhebung, Sammlung und Verwertung von Sensordaten aus Verarbeitungs- und Landmaschinen für Analyse, Prädiktion und Prozessoptimierung der Produktions- und Logistikprozesse.
5.4.2 Technologiereife
Maschinendaten werden in Produkt- und Prozessdaten unter-schieden. Während es sich bei Prozessdaten um Daten handelt, die durch den Betrieb einer Maschine anfallen, beschreiben Pro-
duktdaten den Zustand des gefertigten Werkteils. Die Zusammen-führung von Produkt- und Prozessdaten gibt Aufschluss über den Fertigungsverlauf und die Auslastung der Produktionsmittel. Es gibt verschiedene Arten von Maschinendaten. Dazu zählen z. B. Positionsdaten, Zustandsdaten und Sensordaten.
Maschinendaten helfen Unternehmen dabei, einzelne Fertigungs-abläufe zu optimieren, indem sie Ist-Werte aus der Produktion liefern und damit der Qualitätssicherung und Leistungssteige-rung und folglich der Wettbewerbsfähigkeit des Unternehmens dienen.
Agrarwirtschaftliche Prozesse gewinnen aufgrund der zuneh-menden Menge an Daten an Vielfalt. Es sind Innovationen in der Datenauswertung, in der Dokumentation der Prozesse und bei der Entscheidungsunterstützung gefragt. Dabei sollen die erfassten Maschinendaten automatisch in ein zentrales System übertragen werden, das wiederum über Endgeräte wie Tablets und Smartphones bedient wird. Dadurch entsteht ein Bedarf an Datenmanagementkonzepten. Zu diesen gehören beispielswei-se Farm Management Information Systems, Datendrehscheiben, Datenbanken und Anwenderapplikationen.
Die Kundenbedürfnisse wachsen und verändern sich stetig. Geprägt werden sie vor allem durch Anwendungserfahrungen im Consumer-Bereich sowie durch das Wissen über Technologien und deren Verfügbarkeit. Zu den zentralsten Kundenanforderun-gen gehören der offene und herstellerübergreifende Austausch von Daten ohne Adaptionsprobleme für den optimalen und effizienten Betrieb von landwirtschaftlichen Produktionsprozes-sen sowie die standort- und zeitunabhängige Verfügbarkeit von Informationen.
Zu erkennen ist auch der Trend, verschiedene Akteure der land-wirtschaftlichen Erzeugungsprozesse zu vernetzen. Damit steigt auch die Komplexität der herzustellenden N-zu-N-Verbindungen.
Um dieser Anforderung gerecht zu werden, wurde ein neues her-stellerübergreifendes Konzept des Datenaustauschs entwickelt. Das Zentrum des Datenmanagementsystems bildet eine Dreh-scheibe „Data Hub“, an die weitere Softwareapplikationen ange-bunden werden können. Im Bereich „Maschinensektor“ werden die angebundenen Maschinen dargestellt, die über existierende herstellereigene Systeme direkt oder indirekt integriert werden. Anwender können entsprechend ihrer Bedarfe Softwareapplikati-onen anbinden, die der „App-Sektor“ bereitstellt. Dazu gehören vor allem Farm Management Information Systems. Auch können Drittanbieter oder Landmaschinenhersteller ihre Apps an das Data Hub anbinden. Dieses selbst verfügt über einen Informations-bereich, in dem alle Applikationen kategorisiert gelistet werden, um den Anwendern einen Überblick über die vorhandenen Apps zu gewähren. Das Daten- und Verbindungsmanagement legt fest, welche Akteure über welchen Zeitraum miteinander Daten austauschen dürfen. Die Rechte setzt der Besitzer.
Der Vorteil einer herstellerübergreifenden Plattform ist vor allem, dass die Pflege der jeweiligen Schnittstellen für die 1-zu-1-Verbin-dungen einen deutlich geringeren Aufwand verursacht. Zudem ist die Drehscheibe skalierbar. Auch Prozessteilnehmer aus anderen
Branchen könnten sich anbinden und wichtige Informationen zur Optimierung der Prozesse für Maschinen oder Farm Management Information Systems zur Verfügung stellen. Die Dokumentations-pflicht über die gesamte Wertschöpfungskette bis hin zum ferti-gen Produkt kann so deutlich vereinfacht werden.
5.4.3 Patentanalyse
Die „Verarbeitung von Maschinendaten“ ist ein ubiquitäres Inno-vationsfeld, das von einer großen Zahl von Maschinen- und An-lagenherstellern aus allen Branchen bearbeitet wird. Insofern ist es nicht verwunderlich, dass nur ein geringer Anteil von ca. 2 Pro-zent der angemeldeten Patente einen expliziten Landwirtschafts-bezug aufweist. Betrachtet man nur diejenigen Patentanmeldun-gen, die im Zusammenhang mit Agraranwendungen stehen, so können nahezu alle relevanten Patentanmelder dem Eco-System Agrar zugeordnet werden.
Die Zahl an relevanten Patentanmeldungen lag dabei in den letz-ten Jahren vergleichsweise hoch und stieg kontinuierlich an – mit einer vorläufigen Spitze im Jahr 2015, in dem mehr als 300 ein-schlägige Anmeldungen zu verzeichnen sind. Dies deutet darauf hin, dass der Druck auf die Unternehmen, ihre Produkte durch die Verarbeitung von Maschinendaten zu optimieren, sehr hoch ist.Die Patentanalyse zeigt deutlich, dass die Verwendung von Maschinendaten nicht mehr primär an der Effizienz- oder Effekti-vitätssteigerung der Maschinen selbst orientiert ist, sondern sich zunehmend mit der Optimierung des Einsatzes der Maschinen im jeweiligen Umfeld beschäftigt. So fokussiert ein erheblicher Teil der technischen Lösungen auf die Optimierung des Messwertauf-nahmeprozesses, das Fahrwegmanagement und die Zustands-überwachung einschließlich einer möglichst vorausschauenden Wartung. Ziel ist die Produktivitätssteigerung unter Einbeziehung der Maschinen und ihrer Wechselwirkung mit dem Umfeld. Es zeigen sich sehr konkrete, praxisrelevante Lösungsansätze. Die offensichtliche Motivation der Patentanmelder liegt darin, die wirtschaftlichen Folgen von Effizienz- und Effektivitätssteigerun-gen für sich durch Verbietungsrechte zu monopolisieren. Viele zentrale Schnittstellen und Knotenpunkte werden von Patentan-meldern in den Blick genommen, um durch Exklusivitätspositio-nen technologisch ermöglichte Mehrwerte für sich zu vereinnah-men und Weiterentwicklungen zu monopolisieren.
Abb. 16: Anzahl der Patentanmeldungen für Technologietrend „Verarbeitung von Umweltdaten“ p.a.
Abb. 19: Anzahl der Patentanmeldungen für Technologietrend „Verarbeitung von Maschinendaten“ p.a.
Patentanmeldungen Verarbeitung Umweltdaten
Patentanmeldungen Verarbeitung Maschinen
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
30 31
Abb. 17: Aktuelles Datenmanagement im Eco-System Agrar (Datenmanagement in Landwirtschaft und Landtechnik, 2016)
Abb. 18: Datenaustausch im Eco-System Agrar über ein Data Hub (Datenmanagement in Landwirtschaft und Landtechnik, 2016)
Aktuelles Datenmanagement
Datenaustausch
32 33
„Vertical Farming schafft neue Produzenten wie Gourmet-
restaurants, verfügt über eine hohe Wertschöpfung, bleibt in Bezug auf das Volumen allerdings eine
Nische.“
„Digitale Angreifer außerhalb des Eco-Systems erobern Customer Touch Points etablierter Akteure.“
Perspektive mit Smart Drones und Robots Technologie
Nachfolgend werden ausgewählte Veränderungen des Eco-Sys-tems beschrieben, welche durch die betrachteten Technologien „Smart Drones and Robots“, „Vertical Farming“, „Umweltdaten“, „Maschinendaten“ induziert werden.
6.1 Smart Robots and DronesWie in zahlreichen anderen Branchen ist der Einflussfaktor „Digi-tale Geschäftsmodelle“ auch in der Agrarwirtschaft deutlich zu spüren. Dabei zeichnet sich oft ein bekanntes Bild ab: Ein bran-chenfremder Player steigt in den Markt ein und schiebt sich mit seinem neuen Angebot zwischen etablierte Geschäftsbeziehun-gen (WhatsApp-Effekt). Dabei werden oft hybride Ansätze ver-folgt, indem auf Basis digitaler Systeme Produkt und Dienstleis-tung ineinandergreifen und diese Kombination dem Kunden als Full-Service-Paket präsentiert wird.
Als Hightech-Helfer bei der Bewirtschaftung von Agrarflächen oder als Enabler-Technologie zur Erhebung von Pflanzen- und Bodendaten – aufgrund ihrer vielfältigen Einsatzmöglichkeiten sind „Smart Robots and Drones“ ein geeignetes Vehikel für „Digi-tale Geschäftsmodelle“. Lösungsgeschäfte ergeben sich aus der Kombination von Technologien mit komplementären Dienstleis-tungen, z. B. bei Bezug einer Drohnenflotte über ein Leasingmo-dell oder bei der Verwertung der Daten von Feldrobotern.
Es ist davon auszugehen, dass kommerzielle Anwendungen kurzfristig vor allem von branchenfremden Roboter- und Droh-nenherstellern in das Eco-System Agrar eingeführt werden. Da
diese Hersteller eher breit aufgestellt sind und sie ihre Produkte branchen-übergreifend vertreiben, werden Serviceprovider die Spezialisierung der komple-mentären Softwareanwen-dungen für den Agrarbereich
übernehmen. Das erforderliche System- und Anwendungs-Know-how, insbesondere für Drohnen, liegt bereits jetzt vor und wird in anderen Branchen angewendet, beispielsweise in der Bauver-messung oder der Katalogisierung von Lagerbeständen. An über-tragbaren, praktischen Anwendungsfällen der noch sehr jungen Technologie fehlt es nicht. Wahrscheinlich ist daher, dass diese Lösungsanbieter aus ganz anderen Anwendungsbereichen her-
vorkommen werden. Diese These wird von der Patentanalyse gestützt, aus der hervorgeht, dass nur ein sehr geringer Anteil (1,3 %) der patentierten Smart-Robots-and-Drones-Technologien einen Bezug zur Agrarwirtschaft vorweisen kann und Patentan-melder aus der Agrarwirtschaft eine untergeordnete Rolle spielen.
Die vielen Anbieter spezialisierter Anwendungssoftware für Feldroboter und Agrar-Drohnen werden anfänglich proprie-tär handeln, um ihre Marktanteile zu schützen. Sobald aber die
Kundennachfrage nach Konfigurierbarkeit der Anwendungen, Interoperabilität und Full-Service-Angeboten – von der Saat bis zur Ernte – steigt, wächst auch der Druck auf die Öffnung der Systeme. Das Netzwerk aus vielen Software-Anbietern sowie Roboter- und Drohnenherstellern wird dann abgelöst durch einen oder mehrere Aggregatoren. Mit seinem One-Face-to-the-Custo-mer-Ansatz bündelt dieser Aggregator die Hardware und einzel-ne Software-Anwendungen und liefert dem Anwender – sei es Landwirt, Lohnunternehmen oder Genossenschaft – Lösungen aus einer Hand.
Langfristig ist davon auszugehen, dass sich die in der Branche etablierten Hersteller von Landmaschinen, Saatgut und Farm Management Information Systems dann an etablierten Aggrega-toren beteiligen oder diese übernehmen, um das eigene Portfolio außerhalb der Kernkompetenzen zu sichern. Sie werden damit selbst zum Lösungsanbieter für „Smart Robots and Drones“ wer-den. Auch Roboter- und Drohnenhersteller werden sich im Kampf um die Absatzmärkte um die Aggregatorenrolle bemühen. Dieses Set-up im Markt wird demnach im Wesentlichen von einem Druck aus zwei Richtungen geprägt sein: der Vorwärtsintegration von Roboter- und Drohnenherstellern und der Rückwärtsintegration großer etablierter Akteure.
Die Bedeutung der Technologie „Smart Robots and Drones“ nimmt auch unter dem branchenspezifischen Einflussfaktor „Franchise Farming“ zu. Franchise Farming bezeichnet die Rück-wärtsintegration der Rohstoff-Abnehmer in das Wertschöpfungs-netzwerk. So nehmen beispielsweise Nahrungsmittelhersteller verstärkt auf die vorgelagerten Produktionsschritte des landwirt-schaftlichen Anbaus Einfluss, um flexibler auf sich verändernde Kundenanforderungen eingehen zu können. Dazu geben sie bestimmte Produktionsmodelle und -methoden vor, die von Land-wirten berücksichtigt werden müssen. Der Einsatz von „Smart Robots and Drones“ kann eine solche Vorgabe für Landwirte sein, beispielsweise zur Effizienzsteigerung durch die 24/7-Betriebsmo-di der Roboter und Drohnen oder zur alternativen, chemiefreien Unkrautregulierung im Umfeld steigender Marktnachfrage nach Bioprodukten. Nahrungsmittelhersteller nehmen in solch einem Fall eine zusätzliche Rolle als Treiber des Technologietrends ein. Über gezielte Beauftragungen, Ausgründungen, Kooperationen mit Technologie- und Softwareherstellern oder Anreizsystemen zur Entstehung von Aggregatoren forcieren sie den Einsatz der Technologie und dessen Entwicklung zur Marktreife.
Bei einem Vergleich der zwei untersuchten Einflussfaktoren auf den Technologietrend „Smart Robots and Drones“ können zwei entgegengesetzte Veränderungsprozesse im Eco-System Agrar beobachtet werden. „Digitale Geschäftsmodelle“ bedingen eine eher Bottom-up-induzierte, evolutionäre Verbreitung der Techno-logie im Eco-System, die durch Roboter- und Drohnenhersteller, Startups für spezifische Softwareanwendungen und dominante Aggregatoren geprägt ist. Der Einflussfaktor „Franchise Farming“ fördert hingegen eine Top-down-getriebene Revolution der Tech-nologie, indem die Nahrungsmittelhersteller mit ihrer Marktmacht direkten Einfluss auf die Anbaumethoden und die Nutzung der Technologie ausüben. In beiden Fällen wirkt jedoch ein bisher fremder oder weitaus unbeteiligter Marktteilnehmer auf die Wertschöpfungsschritte im Eco-System Agrar ein.
6.2 Vertical FarmingDer Technologietrend „Vertical Farming“ wird insbesondere durch den Einflussfaktor „Veränderte Ernährungsgewohnheiten und -anforderungen“ getrieben. Als Motivator für den Einsatz der Technologie fallen vor allem Qualitätsansprüche wie z. B. die saisonunabhängige Nachfrage nach frischen Produkten sowie ethisch-ökologischen Ansprüche wie Regionalität oder der stadt-nahe, biologische Anbau ins Gewicht. Aus betriebswirtschaftlicher Sicht kommen Faktoren wie der bedarfsorientierte Anbau oder Ressourcen- und Logistikeffi-zienz hinzu. Auch für diese Technologie ist ein Verän-derungsdruck aus zwei Richtungen zu beobach-ten. Einerseits wird eine evolutionäre Bottom-up Entwicklung von Verti-cal-Farming-Technolo-gie durch Startups mit einer Nischenstrategie begünstigt. Dabei positionieren sich z. B. Gourmetrestaurants oder spezialisierte Lie-feranten als Anbieter lokaler und frischer Produkte aus urbanen Gewächshäusern.
06Technologieinduzierte Veränderung des Eco-Systems
Abb. 20: Veränderung des Eco-Systems Agrar durch die Technologie Smart Robots and Drones Abb. 21: Veränderung des Eco-Systems Agrar durch die Technologie Vertical Farming
Status Quo ohne Smart Drones und Robots Technologie
Perspektive mit Vertical Farming Technologie
Status Quo ohne Vertical Farming Technologie
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
34 35
„Digitalunternehmen besetzen den lukrativen Teil der Nahrungs-mittelproduktion und nutzen ihre (urbane) Infrastruktur zur Portfolioerweiterung.“
„Optimierung der Produktion durch
Maschinendaten ist eine evolutionäre Entwicklung
und große Chance für etablierte Akteure.“
Abb. 22: Veränderung des Eco-Systems Agrar durch die Technologie Umweltdaten
6.3 Verarbeitung von Umweltdaten
Die Verarbeitung von Umweltdaten bezweckt eine Prognose über Betriebsabläufe und die Optimierung von Prozessen und dient damit zur Steigerung des Ernteertrags. Die zunehmende Anforde-rung an Qualität und Nachhaltigkeit auf der Verbraucherseite und die Anforderungen an Produktionseffizienz und Ertragssteigerung auf der Anwenderseite werden diese Technologie immer weiter vorantreiben.
Der Technologietrend wird vor allem durch den Einflussfaktor „Digi-tale Geschäftsmodelle“ vorangetrieben. Hier sorgen vor allem neue Player für Dynamik: Startups und wissenschaftliche Institute entwi-ckeln mathematische Modelle und Algorithmen, die den Zustand und die Entwicklung der Pflanzen und Böden bestimmen. Aus dem aktuellen Status und dem Modell lassen sich Soll/Ist-Maßnahmen ableiten, die der Produktionseffizienz und Ertragssteigerung dienen und als Lösung angeboten werden können.
In einem denkbaren Szenario werden sich hierbei Startups, Land-maschinenhersteller und spezifische Lösungsanbieter zusammen-schließen und die Verarbeitung der Umweltdaten flächendeckend für das Farming einführen. In einem anderen Szenario konsolidie-ren Datenlieferanten bestehende und öffentlich zugängliche Daten und bieten diese den Anwendungsspezialisten an. Diese Vorge-hensweise ist stark an die „Verarbeitung von Maschinendaten“ gekoppelt und lässt eine ähnliche Veränderung vermuten. Dabei bringen branchenfremde Startups und Anwendungshersteller im Bereich der Anwendungsentwicklung und dem Applikationsma-nagement erforderliches Know-how mit.
Betrachtet man die Langzeitwirkung, so werden sich Aggregatoren im Markt positionieren, die dieses Wissen bündeln, veredeln und ganzheitlich anbieten, womöglich direkt integriert in ein Farming Management Information System. Mögliche Aggregatoren und Systemanbieter werden aus der Branche heraus entstehen – zum Beispiel Hersteller und Zulieferer, die ein hohes Interesse an der Rückwärtsintegration ihrer Wertschöpfung haben. In Konkurrenz dazu stehen Datenspezialisten, die globale domänenübergreifende Anwendungen beherrschen und ihre Daten jetzt für das Farming einsetzen.
6.4 Verarbeitung von Maschinendaten
Die „Verarbeitung von Maschinendaten“ wird von der Aussicht auf optimierte Fertigungsabläufe und gesteigerte Betriebsef-fizienz getrieben. Sie gibt Auskunft über den Zustand und den Betrieb der Maschinen und wird zur Qualitäts- und Produktions-steigerung eingesetzt. Auf diese Technologie werden die Einfluss-faktoren „Auftragsfarming“ und „Digitale Geschäftsmodelle“ wesentlich und simultan einwirken. Der Anspruch der Unterneh-men an Produktivität, ressourcenschonende Verarbeitung, Profit-orientierung und Risikominimierung sorgen für hohe Erwartun-gen an diese Technologie. Bereits heute erlauben Technologien wie Konnektivität, Sensorik und lernende Softwaresysteme die Sammlung und Verwertung notwendiger Daten.
Der heute bereits erkennbare Trend zum „Auftragsfarming“ wird durch die „Verarbeitung von Maschinendaten“ weiter an Bedeutung gewinnen. Des Weiteren sind bereits heute einige Wertschöpfungsschritte in der Land-wirtschaft automatisiert. So werden beispielsweise Nutztiere von Robo-tern gefüttert, Äcker werden von mit Sensorik ausgestatteten Land-maschinen befahren und gedüngt. Es werden Daten wie die Menge der Dünge- und Pflanzenschutz-mittel oder des Futters exakt erfasst und gesammelt. Diese Daten stellen im Hinblick auf die Optimierung der Prozesse in der Landwirtschaft extrem wichtige Assets dar. Vor diesem Hintergrund wird die Frage, wer Zugang zu diesen Daten erhält und wer sie letztlich auch ganzheitlich nutzt, extrem stark in den Mittelpunkt rücken. Denkbar ist das Szenario, dass ein großer Landwirt Lohnunternehmen beauftragt, die mit vollautomatisierten Landmaschinen die Agrarflächen bearbeiten, die Daten nutzen und daraus Handlungsmöglichkeiten zur Ver-besserung der Produktionsprozesse ableiten. Die Treiber bei der Nutzung von Maschinendaten in Kombination mit Auftragsfar-ming sind somit Effizienzgewinne für Auftraggeber und -nehmer.
Es ist davon auszugehen, dass auf Datenauswertung spezialisierte Player die Verarbeitung der Maschinendaten und die Ableitung von Optimierungsmöglichkeiten übernehmen. Diese werden dem Lohnunternehmen oder Landwirt über „Digitale Geschäfts-modelle“ angeboten. Das Angebot wird ausgeweitet bis hin zur Umsetzung und Parametrisierung der Prozesse oder sogar der Remote-Steuerung des gesamten Ablaufs. In einem weiteren Schritt werden diese Player Daten mehrerer Landwirte und deren Prozesse auswerten können und somit über intelligente Systeme zusätzliche Potenziale für Effizienzsteigerungen ermitteln. In der Branche etablierte Akteure haben ein großes Interesse daran, das selbst zu übernehmen. Sie haben über die Maschinen den primären Zugriff auf die Daten. Mit dem Aufbau des notwen-digen Daten-Know-hows besteht eine große Chance, dass sie die genannten Dienste unter Zuhilfenahme oder Akquisition von Datenspezialisten selbst anbieten.
Ausgehend von diesen Vorreitern entstehen weitere vereinzelte Anbieter, die im nächsten Schritt von tragfähigen Aggregatoren aufgekauft und zusammengefasst werden. Im letzten Schritt steigen Investoren ein und übertragen das Geschäftsmodell auf riesige Farmscraper, die einen Anbau in hohen Volumina erlau-ben. Die Investoren selbst sind branchenfremd oder besitzen nur Teilprozess-Know-how. Beispielsweise könnte ein Bio-Lebens-mittelmarkt als Investor einsteigen. Das fehlende Vertical-Far-ming-Know-how erwerben die Investoren schrittweise durch die Integration von Spezialisten und werden so zum Systemanbieter. Ein Lebensmittelmarkt wird demnach Wertschöpfungspartner für Kompetenzfelder wie den Gebäudebau, Bewässerungssyste-me, die Beleuchtung und Indoor Farming und kann die Produkte über die bestehende Logistikstruktur an den Kunden bringen.
Andererseits ist eine revolutionäre, Top-down-getriebene Verän-derung denkbar. Zusätzliche externe Faktoren wie urbaner Platz-
mangel, problematische Versorgungslogistik oder Regulationen durch Staat und Kommunen bewirken eine plötzliche Umsetzung der Technologie. Als wei-tere Option ist vorstellbar, dass ein branchenfremder Visionär das Potenzial eines
solchen Vertical-Farming-Ansatzes erkennt, das fehlende Know-how über Spezialisten einkauft und sich mit einem komplett neuen Lösungsansatz im Markt platziert.
Dieses Szenario kann bereits heute beobachtet werden: Ama-zon-Gründer und Vorstand Jeff Bezos investierte jüngst in den Indoor-Farming-Spezialisten „Plenty“, welcher kurz darauf Pläne ankündigte, 300 Indoor Farms in oder nahe chinesischer Met-ropolen zu bauen (Patton, 2018). Es ist naheliegend, dass das Unternehmen von der Logistik und den kundennahen Struk-turen von Amazon profitiert. Ohne zusätzliches Händlernetz-werk können die lokal angebauten Agrarprodukte entweder direkt oder über einen Lebensmittel-Lieferdienst wie Amazon Fresh vertrieben werden. Ebenso erwähnenswert ist an dieser Stelle auch der Aufkauf der amerikanischen Biosupermarktket-te „Wholefoods“ durch Jeff Bezos im Jahr 2017, wodurch er sich auch die Kundenschnittstelle im Lebensmitteleinzelhandel sichern konnte (Clausen, 2017).
Bei beiden Szenarien, die gleichzeitig auf das Eco-System wir-ken, treten Parallelproduzenten von außerhalb der Branche in den Markt ein. Sie beherrschen die Logistikkette und sind von Beginn an nah am Kunden positioniert. Betrachtet man jedoch die geringe Menge der in Indoor Farms anbaubaren Produkte im Vergleich zum gesamten Eco-System, ist die von den Startups und Investoren ausgehende Gefahr für Landwirte als gering ein-zustufen. Mittelfristig werden vor allem unterschiedliche Obst-, Gemüse- und Kräutersorten in Indoor Farms angebaut werden. Die Auswirkungen auf das Flächenfarming und damit auf das gesamte Eco-System Agrar sind somit relativ gering. Abb. 23: Veränderung des Eco-Systems Agrar durch die Technologie Maschinendaten
Perspektive Verarbeitung von Maschinendaten
Status Quo Verarbeitung von Maschinendaten
Perspektive Verarbeitung von Umweltdaten
Status Quo Verarbeitung von Umweltdaten
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
36 37
Zielkunde Unternehmen ZuliefererAnbieter von
InhaltenAnbieter von
Diensten
ZielkundeLiefert an Kunde
Endprodukt
Unternehmen
Kunde gibt Altprodukt an Unternehmen
zurück
Liefert an Unternehmen Komponente
Liefert an Unter-nehmen Marketing
Material
ZuliefererLiefert an Zulieferer Verpackungsmaterial
Organisiert Trans-port von Ware zu
Unternehmen
7.1 Modellierung des Netzwerks
Im ersten Schritt der Methodik „Business Transformation Impact Network Analysis“ (BuTINA) wird das Eco-System rund um die betroffene Branche beschrieben. Im Mittelpunkt stehen der Ziel-kunde und die Geschäftsmodelle mit allen Teilnehmern: von den Händlern über die Lieferanten und Systemanbieter bis zu den Abnehmern. Ergänzt wird das Eco-System durch Dienstleister und Intermediäre wie Verbände, Investoren oder Informationsverar-beiter. Im Eco-System werden diese Teilnehmer in drei Wertschöp-fungsbereiche gegliedert: „Kernwertschöpfung“, „Ergänzende Wertschöpfung“ und das „Zuliefer- bzw. Befähigungsnetzwerk“.
Nach der Identifikation und Beschreibung der Netzwerkakteure (Knotenpunkte) sowie deren Zuordnung zu den Wertschöpfungs-bereichen erfolgt die Beschreibung jeder Netzwerkverbindung. Diese sogenannten Werthebel verbinden die Akteure und leisten einen spezifischen Wertschöpfungsbeitrag. Dabei wird differen-ziert zwischen den Wertstromebenen:
Waren und Dienstleistungen, Finanzen sowie Informationen und Daten.
Daraus entsteht ein Netzwerk, das alle Akteure mit definierten Werthebeln verbindet. Aus Gründen der Übersichtlichkeit in der Detailtiefe wird die Netzwerkanalyse auf drei verschiedenen Ebe-nen durchgeführt, die durch identische und oben beschriebene Werthebel charakterisiert sind.
07Methodik Business Transformation Impact Network Analysis
(BuTINA)
Abb. 26: Wertschöpfungsverbindungen zwischen Netzwerkakteuren
Abb. 25: Netzwerkakteure und Verbindungen
Abb. 27: Wertschöpfung eines Eco-Systems in Wertstromebenen
Netzwerkakteure und Verbindungen
Waren und Dienstleistungen Währung und Kredite Information und Daten
Zielkunde Zwischenhändler
Anbieter von Diensten
Werthebel: Netzwerk-Verbindungen
Abnehmer Befähiger
Anbieter von Systemen
Zulieferer Finanzier
Anbieten von Waren
Regulatoren Anbieter von Inhalten
Marketing und Kommunikation
Informationsströme
Finanzströme
Waren- und Dienst-
leistungsströme
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
38 39
Abb. 29: Erste Phase der Divergenz: Sammlung potenziell relevanter Technologietrends und Einflussfaktoren
Wechselnde Phasen der Divergenz und Konvergenz
Erste Phasen der Divergenz
Erste Phasen der Konvergenz
Identifikation möglicher relevanter Technologietrends
und Einflussfaktoren
Bildung von Szenarien durch
Kreuzung von Technologietrends
und Einfluss-faktoren auf Wertstrom-
Ebene
Reduktion auf Szenarien mit höchster Relevanz für Eco-System, Wertströme und Netzwerk-teilnehmer
Grobbewertung des Einflusses der Technologietrends und Einflussfaktoren
Reduktion auf kurz-, mittel- und langfristig einflussreichste Technologietrends und Einfluss- faktoren
Divergenz – Fokus auf Qualität in der Analyse sowie Ideenvielfalt
Divergenz
Leitfrage:Was ändert sich durch gegebene Technologien und Einflussfaktoren
Ergebnis:Beschreibung und Visualisierung zentraler Wirkungsszenarien für
einzelne Netzwerkteilnehmer und Wertströme
1. Identifikation möglicher Technologietrends
3. Bewertung des Technologietrend- und Einflussfaktoren-Katalogs hinsichtlich:
Einfluss auf Leistungsbeziehungen Einfluss auf Zahlströme Grad der Disruption Einfluss auf Effizienz im Eco-System
4. Reduktion auf Technologietrends und Einflussfaktoren mit dem höchsten zeitabhängigen Einfluss auf das Eco-System
2. Identifikation möglicher Einflussfaktoren
Konvergenz – Fokus auf Verdichtung & Zusammenführen von Erkenntnisse und Ideen
KonvergenzKONVERGENZ
KONVERGENZ
DIVERGENZ
DIVERGENZ
DIVERGENZ
1
3D Druck Nahrungsmittel
Electrification Autonomes FahrenAugmented/Virtual Reality
Automation
GMO / genoptimiertes SaatgutVerarbeitung Maschinendaten
Zeitliche Relevanz
Ein
flu
ss a
uf
das
Eco
-Sys
tem
Verarbeitung Umweltdaten
Smart Robots and DronesVertical Farming
Blockchain
3D Druck Bauteile
0 2 3 4 5 6
0
2
1
3
4
5
6
Artificial Intelligence / Smart Assistance / Decision Support SystemsConnectivity / m2m / m2x
1
Zeitliche Relevanz
Ein
flu
ss a
uf
das
Eco
-Sys
tem
Digitale Geschäftsmodelle
Franchise FarmingStrukturwandelAuftragsfarming
Veränderte Ernährungsgewohnheiten/-anforderungen
Zunehmende Regulation
Ökologie und Ökologiebewusstsein
Urbanisierung
Energieeffizienz
KlimavolatilitätWachsende Weltbevölkerung
0 2 3 4 5 6 7
0
2
1
3
4
5
6
7.2 Iterative Vorgehensweise zur Netzwerkanalyse
In der weiteren Vorgehensweise werden in zwei Zyklen der Diver-genz und der Konvergenz relevante Technologietrends und Ein-flussfaktoren ermittelt, die für das Eco-System maßgeblich sind.
Die Phasen der Divergenz sind dabei jeweils charakterisiert durch Analyse, Recherche und Ideenvielfalt bei der Sammlung von Tech-nologietrends und Einflussfaktoren. Die sich anschließende Phase der Konvergenz beschreibt eine Reduktion auf das Wesentliche.
7.2.1 Bestimmung relevanter Technologietrends und Einflussfaktoren
In der ersten Divergenzphase werden ausgehend von Experten-einschätzungen und der Sichtung der einschlägigen Literatur potenziell relevante Technologien und Einflussfaktoren identifi-ziert, gesammelt und beschrieben.
Darauf folgt mittels Grobbewertung die erste Konvergenzphase. Fokus der Grobbewertung ist es, je Technologie eine anfängli-che Einschätzung zum Einfluss auf die Leistungsbeziehungen, die Zahlungsströme, die Effizienz und zum Grad der Disruption im Eco-System zu erhalten. Die Quantifizierung der Einflüsse erfolgt mittels einer Nutzwertanalyse. Als separates Bewertungskriterium werden die Technologien unter dem Gesichtspunkt der zeitlichen Wirkung betrachtet. Bei einer „kurzfristigen Wirkung“ (6 bis 5) ist davon auszugehen, dass eine Technologie innerhalb von zwei Jahren im Eco-System Agrar eine relevante Bedeutung erlangt hat und nachhaltig eingesetzt werden wird. Bei einer „mittelfristigen Wirkung“ (4 bis 3) wird dieser Reifegrad innerhalb von zwei bis fünf Jahren erwartet. Eine „langfristige Wirkung“ (2 bis 1) impli-ziert, dass mit einer nachhaltigen Wirkung im Eco-System erst in mehr als fünf Jahren gerechnet werden kann.
Abb. 28: Iterative Annäherung an das Ergebnis durch wechselnde Phasen der Divergenz und Konvergenz Abb. 30: Erste Phase der Konvergenz: Reduktion auf die wesentlichen Technologietrends und Einflussfaktoren
KONVERGENZ
Que
lle: G
artn
er
Que
lle: Z
ukun
ftsi
nstit
ut
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
40 41
6. Reduktion auf die relevantesten Eintritts- und Wirkungsszenarien
7. Beschreibung und Visualisierung der Veränderungen für Netzwerkteilnehmer und auf den Wertstromebenen
DIVERGENZ
fluss den drei Wertstromebenen zugeordnet und bewertet. Die so ermittelten relevantesten Eintritts- und Wirkszenarien werden als Basis für die Auswirkung auf das Netzwerk herangezogen, näher beschrieben und einzeln in das bereits erstellte Eco-System-Modell eingetragen. Dadurch entstehen entweder neue Teilneh-mer und neue Werthebel auf den unterschiedlichen Ebenen. Oder es erfolgt eine Umverteilung der Wertschöpfung innerhalb des Netzwerkes.
7.5 Strategische HandlungsoptionenIm Ansatz „Business Transformation Impact Network Analysis“ (BuTINA) ist durch die Darstellung möglicher zukünftiger Wirkun-gen und Eintrittsszenarien im Eco-System eine detaillierte Betrach-tung möglich, unter der sich existierende oder neue eintretende Eco-System-Akteure auf zukünftige Rollen vorbereiten können. Dies kann zum Beispiel durch eine Analyse zur Entwicklung rele-vanter Produkte, Technologien oder Dienstleistungen in Richtung der beschriebenen Szenarien erfolgen. Strategisch denkbar könn-te auch die Aggregation eines Dienstes aus den beschriebenen Eintrittsszenarien sein oder strategische M&A-Aktivitäten. Hier kommt auf Basis der eingegrenzten Handlungsoptionen und Suchfelder der klassische Strategieermittlungs- und -entfaltungs-prozess zum Einsatz.
7.3 Objektivierung mittels Patentanalyse
Für die Auswahl der weiteren Netzwerkanalyse werden die höchst positionierten Technologietrends bzw. Einflussfaktoren heran-gezogen und einer Objektivierung anhand einer Patentanalyse unterzogen.
Dazu werden mittels einer Patentrecherche Informationen erho-ben, die Aufschluss über die sich abzeichnende Bedeutung oder Herkunft der betrachteten Zukunftstechnologien im Eco-System geben. Hierfür werden die Zukunftstechnologien durch geeignete Schlagworte und relevante IPC-Klassen (internationale Patentklas-sifikation) beschrieben. Darauf basierend wird eine Recherche in den Patentbeständen des Deutschen Patent- und Markenamtes (DPMA), des Europäischen Patentamtes (EPA), des US-amerikani-schen Patent- und Markenamtes (USPTO) sowie der World Intel-lectual Property Organization (WIPO) im Anmeldezeitraum 2007 bis 2016 durchgeführt. Die Rechercheergebnisse werden anhand unterschiedlicher Parameter ausgewertet:
Um den Investitionsdruck in den Technologien zu objektivie-ren, wird die regionale Abdeckung der einschlägigen Paten-te untersucht. Grundlage dieser Analyse ist die Beobachtung, dass Unternehmen aufgrund der hohen Kosten vor allem
dann Schutzrechtsfamilien mit breiter internationaler Abde-ckung generieren, wenn sie die wirtschaftliche Bedeutung der geschützten Lösung als besonders hoch einschätzen.
Die Anmeldedynamik, also die Frage mit welcher Geschwindig-keit die Zahl der Patentanmeldungen anwächst oder sinkt, gibt Hinweise auf eine verstärkte F&E-Fokussierung in der jeweili-gen Technologie. Substanzielle Steigerungsraten in den Paten-tanmeldungen deuten darauf hin, dass die jeweilige Zukunfts-technologie von hoher Marktrelevanz sein wird.
Die untersuchten Zukunftstechnologien sind nicht nur im hier relevanten Eco-System, sondern auch in anderen Indus-triezweigen anwendbar. Entsprechende Patentanmeldungen können daher aus unterschiedlichen Branchen kommen. Zur Objektivierung der erwarteten Eco-System Auswirkung wurde analysiert, ob die identifizierten Schutzrechte direkte Hinweise auf eine Anwendung im Eco-System geben.
Eine Indikation dafür, wie gut die derzeitigen Teilnehmer am Wertschöpfungsnetzwerk auf die technologische Neuerung vorbereitet sind, gibt die Industriezugehörigkeit der Patentan-melder. Daher wird untersucht, ob die Patentanmeldungen (und damit die einschlägigen Lösungen) aus dem Kern des betrachteten Eco-Systems kommen, aus dessen Randberei-chen, oder von bislang branchenfremden Unternehmen.
Zudem wird die Pfadabhängigkeit der technischen Entwick-lung für wesentliche Teilnehmer des Eco-Systems untersucht. Die Untersuchung basiert auf der Erkenntnis, dass die Her-angehensweise an die Gestaltung digitaler Geschäftsmodel-
le grundsätzlich aus vier Logiken heraus erfolgen kann: einer Simulations- und Abbildungslogik, einer Vernetzungslogik, einer Daten- und Informationslogik oder einer Fähigkeitslogik. Aus einer Zeitreihenbetrachtung der Patentanmeldungen des jeweiligen Unternehmens wird abgeleitet, welcher Fokus in der Entwicklung zukünftiger digitaler Geschäftsmodelle zunächst zu erwarten ist.
Die entsprechend bestätigten Technologietrends und Einflussfak-toren werden anschließend weiter analysiert.
7.4 Einflussanalyse und Ab-leitung möglicher SzenarienIn der zweiten Divergenzphase werden die ermittelten relevan-ten Technologietrends und Einflussfaktoren miteinander gekreuzt (Korrelationsmatrix). Der Einfluss jeder möglichen Kombination auf den unterschiedlichen Werthebelebenen wird bewertet. Die Bewertung erfolgt durch Branchenexperten und bezieht sich immer auf die Wirkung innerhalb der betrachteten Branche. Damit wird die sich anschließende weitere Reduktion auf die wesentlichen und höchst bewerteten Kombinationen vorbereitet.
In der zweiten Konvergenzphase werden die Kombinationen aus Technologietrends und Einflussfaktoren mit dem höchsten Ein-
Abb. 31: Zweite Phase der Divergenz: Kreuzung der relevanten Technologietrends mit den Einflussfaktoren sowie Bewertung des Einflusses auf den drei Wertschöpfungsebenen Abb. 32: Zweite Phase der Konvergenz: Update der Netzwerkbeschreibung durch die ermittelten Auswirkungen
Zweite Phasen der Divergenz Zweite Phasen der Konvergenz
KONVERGENZ
5. Betrachtung und Bewertung des Einflusses der Technologien auf die Wertstromebenen in einem definierten Umfeld
Beispiel Leitfrage
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
42 43
08Fazit und Zusammen-fassung
Die Methodik „Business Transformation Network Analysis“ (BuTINA) erlaubt die technologieinduzierten Veränderungen eines Eco-Systems zu quantifizieren und übersichtlich und nach-vollziehbar darzustellen. Damit ist die Basis für eine strategische, faktenbasierte und zielgerichtete Diskussion über Handlungsop-tionen für jeden einzelnen Akteur eines Eco-Systems geschaffen.
Technologien werden in der Regel über ein Eco-System hinaus Anwendung finden. Daher werden Technologiespezialisten von außen als neuer Player in andere Eco-Systeme eindringen, indem sie für das System angepasste Lösungen etablieren. Wei-terhin bilden sich Aggregatoren aus, die mehrere Lösungen und Lösungsanbieter zu einem Gesamtportfolio zusammenfassen und dieses offerieren. Auf den unterschiedlichen Wertstrom-ebenen sind diese Auswirkungen besonders deutlich sichtbar. Es entstehen neue Werthebel oder bestehende Werthebel werden verstärkt oder abgeschwächt.
Die Methodik betrachtet die Wirkung auf das gesamte Eco-System als komplexes Beziehungsnetzwerk. Daraus lässt sich in einem weiteren Schritt die Wirkung auf einzelne Teilnehmer des Netzwerks dediziert ableiten. Strategische Fragen z. B. zur Port-folioveränderung, zu neuen Geschäftsmodellen oder zu M&A-Aktivitäten lassen sich beantworten und diskutieren.
Ein einzelner Teilnehmer des Eco-Systems stellt sich in der Innen-betrachtung wiederum als ein Beziehungsnetzwerk dar. Daher ist es prinzipiell möglich, die vorgestellte Methodik auch auf ein einzelnes Unternehmen mit seinen verschiedenen Einheiten anzuwenden. Somit werden Veränderungen des Eco-Systems zum Beispiel auf Abteilungsebene sichtbar und es lassen sich Handlungsoptionen ableiten. An dieser Stelle kommen bewähr-te Vorgehensweisen zur funktionalen Strategieentwicklung zum Einsatz.
Für den Technologietrend „Smart Robots and Drones“ ist davon auszugehen, dass kommerzielle Anwendungen kurzfristig vor allem von branchenfremden Roboter- und Drohnenhersteller in das Eco-System Agrar eingeführt werden. Da diese Hersteller eher breit aufgestellt sind und sie ihre Produkte branchenüber-greifend vertreiben, werden Serviceprovider die Spezialisierung der komplementären Softwareanwendungen für den Agrarbe-reich übernehmen.
Beim Technologietrend „Vertical Farming“ ist anhand des Enga-gement von Amazon-Gründer Jeff Bezos, zu erkennen, dass auch branchenfremde Plattformen in ein völlig neues Gebiet eintreten. AMAZON bringt in diesem Fall das Logistik- und Kun-denexperience-Know-how mit ein.
Die Technologie „Verarbeitung von Umweltdaten“ beschreibt eine evolutionäre Weiterentwicklung von Wetterdaten hin zur Zustandswissen über Pflanzen und Böden nahe Echtzeit. Die Technologie erfordert hohes Know-how in der Aufbereitung und Verarbeitung großer Datenmengen bis hin zu Prognosemodellen und Künstlicher Intelligenz. Es ist zu erwarten, dass diese Tech-nologie durch digitale Unternehmen außerhalb des Eco-Systems besetzt wird.
„Verarbeitung von Maschinendaten“ ist eine Technologie zur Optimierung der Produktion. Wie bei Umweltdaten wird ein gro-ßes Know-how bei der Datenverarbeitung benötigt. Allerdings haben etablierte Akteure des Eco-Systems Agrar in diesem Tech-nologiefeld gute Chancen auf eine marktdominierende Stellung, da sie über den primären Zugriff auf die Daten verfügen und sich Spezialisten Know-how zukaufen und aufbauen können.
Im gewählten Ansatz wurde die Wirkung einer einzelnen Tech-nologie unter Berücksichtigung branchenspezifischer Einfluss-faktoren auf das Eco-System betrachtet. Wechselwirkungen mehrerer Technologien gleichzeitig oder sequentiell wurden nicht berücksichtigt. In einer weiteren Ausbaustufe könnten die Wechselwirkungen unterschiedlicher Technologien und Einfluss-faktoren betrachtet werden.
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
44 45
08LiteraturverzeichnisBildnachweis
Literaturverzeichnis
365FarmNet GmbH (365FarmNet). 2018. https://www.365farmnet.com, Abruf am 29.10.2018
AeroFarms LLC (AeroFarms). 2018. https://aerofarms.com, Abruf am 29.10.2018.
AGCO GmbH (AGCO). 2017. Fendt schickt neuen Roboter “Xaver“ aufs Feld, https://www.fendt.com/de/fendt-xaver.html, Abruf am 26.10.2018.
AMAZONEN-WERKE H. Dreyer GmbH & Co. KG (AMAZONEN-WERKE). 2018. BoniRob – Forschung zur Feldrobotik, http://www.amazone.de/1857.asp, Abruf am 26.10.2018.
BASF Digital Farming GmbH (BASF). 2018. https://www.xarvio.com/de-DE, Abruf am 29.10.2018.
Bitkom Research. 2016a. Wie weit verbreitet werden folgen-de Szenarien im Jahr 2030 sein?, zitiert nach de.statista.com, https://de.statista.com/statistik/daten/studie/690515/umfrage/zukunftsszenarien-in-der-landwirtschaft-in-deutschland, Abruf am 26.10.2018.
Bitkom Research. 2016b. Welche digitalen Technologien setzen Sie in Ihrem landwirtschaftlichen Betrieb ein bzw. planen Sie ein-zusetzen?, zitiert nach de.statista.com, https://de.statista.com/statistik/daten/studie/690509/umfrage/einsatz-digitaler-technolo-gien-in-der-landwirtschaft-in-deutschland, Abruf am 26.10.2018. Bitkom Research. 2016c. Welche Hemmnisse bremsen Ihrer Meinung nach die Digitalisierung der Landwirtschaft?, zitiert nach de.statista.com, https://de.statista.com/statistik/daten/stu-die/690529/umfrage/hemmnisse-der-digitalisierung-in-der-land-wirtschaft-deutschland, Abruf am 26.10.2018.
Bundesministerium für Ernährung und Landwirtschaft (BMEL). 2018a. Landwirtschaft verstehen – Fakten und Hintergründe [online] https://www.bmel.de/SharedDocs/Downloads/Broschue-ren/Landwirtschaft-verstehen.pdf?__blob=publicationFile, Abruf am 26.10.2018.
Bundesministerium für Ernährung und Landwirtschaft (BMEL). 2018b. Welternährung verstehen – Fakten und Hintergründe
[online] https://www.bmel.de/SharedDocs/Downloads/Broschu-eren/Welternaehrung-verstehen.pdf?__blob=publicationFile, Abruf am 26.10.2018.
Bundesministerium für Ernährung und Landwirtschaft (BMEL). 2014. Landwirtschaft verstehen – Fakten und Hintergründe [online] https://www.bmel.de/SharedDocs/Downloads/Broschue-ren/Landwirtschaft-verstehen.pdf?__blob=publicationFile, Abruf am 26.10.2018.
Clausen, S. “Um die Wurst: Amazon wagt größten Zukauf der Firmengeschichte”. Manager Magazin (16. Juni 2017) http://www.manager-magazin.de/unternehmen/handel/amazon-kauft-lebensmittelhaendler-whole-foods-fuer-13-7-milliarden-dol-lar-a-1152508.html, Abruf am 26.10.2018.
Despommier, Dickson D. 2010. The vertical farm: feeding oursel-ves and the world in the 21st century. New York, Thomas Dunne Books.
Deutscher Bauernverband (DBV). 2015. Situationsbericht 2014/15 - Trends und Fakten zur Landwirtschaft [online] https://www.bauernverband.de/situationsbericht-2015-projekt, Abruf am 26.10.2018.
Deutscher Bauernverband (DBV). 2017. Situationsbericht 2016/17 - Trends und Fakten zur Landwirtschaft [online] https://www.bau-ernverband.de/situationsbericht-2016-17, Abruf am 26.10.2018. Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR). 2018. https://www.d-copernicus.de/programm/copernicus-in-der-eu, Abruf am 02.11.2018
DKE-Data GmbH & Co. KG (DKE). 2018. https://my-agrirouter.com/, Abruf am 28.10.2018
Möller, J. & Sonnen, J. 2016. Datenmanagement in Landwirt-schaft und Landtechnik. In: Ruckelshausen et al., G. & Theuvsen, B. (Hrsg.), Informatik in der Land-, Forst- und Ernährungswirt-schaft 2016. Bonn: Gesellschaft für Informatik e.V., S. 133-136.
Patton, D. “U.S. indoor farming startup Plenty eyes rollout in Chi-na, Japan: CEO”. Reuters (17. Januar 2018). https://www.reuters.com/article/us-china-indoor-farming-plenty/u-s-indoor-farming-startup-plenty-eyes-rollout-in-china-japan-ceo-idUSKBN1F60GA, Abruf am 26.10.2018.
Ruthner O. 1963. Apparatus for the artificial cultivation of plants, bacteria, and similar organism, Patentnr. US3254447A.
Soluciones Robóticas Agrícolas, S.L. 2018. http://agrobot.com, Abruf am 26.10.2018.
Spiegel Online. 2013. Welternährung - Klimawandel bedroht glo-bale Nahrungsproduktion [online] http://www.spiegel.de/wissen-schaft/natur/welternaehrung-klimawandel-bedroht-die-globale-nahrungsproduktion-a-894254.html, Abruf 26.10.2018.
Inada S.: Spread Co., Ltd. 2019. A New Way to Grow Vegetables. http://spread.co.jp/en/company/, Abruf am 11.01.2019.
The Climate Cooperation (Climate). 2018. https://climate.com, Abruf am 29.10.2018.
Umwelt Bundesamt. 2018. Struktur der Flächennutzung, [online] https://www.umweltbundesamt.de/daten/flaeche-boden-land-oekosysteme/flaeche/struktur-der-flaechennutzung#textpart-1, Abruf am 26.10.2018.
United Nations, Department of Economic and Social Affairs, Population Division (UN DESA). 2017. The impact of population momentum on future population growth, Population Facts No. 2017/4.
United Nations, Department of Economic and Social Affairs, Population Division (UN DESA). 2018. Anteil der Bevölkerung in Städten weltweit von 1985 bis 2015 und Prognose bis 2050?, zitiert nach de.statista.com, https://de.statista.com/statistik/daten/studie/37084/umfrage/anteil-der-bevoelkerung-in-staed-ten-weltweit-seit-1985, Abruf am 27.10.2018.
VISTA Geowissenschaftliche Fernerkundung GmbH (VISTA). 2018. http://www.talkingfields.de, Abruf am 28.10.2018.
The World Bank (Weltbank 2018). 2018. https://data.worldbank.org/indicator/NV.AGR.TOTL.ZS, Abruf am 9.1.2019
Bildquellen ©Shutterstock.com: Titel: ©Scharfsinn | Seite 32: ©MONOPOLY919 | Seite 45: ©Mr.Whiskey
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
46 47
MHPDie MHP Management- und IT-Beratung GmbH ist eines der führenden Beratungsunterneh-men im Automobilsektor.
Der besondere Beratungsansatz von MHP ist die Symbiose aus Management- und IT-Bera-tung. Dabei optimieren und digitalisieren wir als Digitalisierungsexperte mit den Leistungsbe-reichen Management Consulting, System Integration, Managed Services und Digital Services and Solutions die Prozesse unserer Kunden über die komplette Wertschöpfungskette.
Als Branchenexperte – vor allem für Mobility und Manufacturing – bieten wir unseren Kun-den somit neben umfassender IT-Kompetenz auch tiefgehendes Management- und Prozess-Know-how. Strategische Innovationen übertragen wir auch auf andere Branchen.
Ihr Ansprechpartner
Dr. Oliver KelkarMHP – Associated Partner
Leiter Innovation Experience
[email protected]+49 151 2030 1159
Dieselkuratorium Tec-Impact Projection Eco-System Agrar / Februar 2019
48 49
Ihre persönlichen Notizen zur Studie:Ihre persönlichen Notizen zur Studie:
50 51
MHP : DRIVEN BY EXCELLENCE
www.mhp.com
https://www.mhp.com/de/das-unternehmen/studien/
13 MHPOffices in Deutschland, Schweiz, England, USA, China und Rumänien.