Factors Determining the Profitability of Catfish Production in Ibadan, Oyo State, Nigeria
Notice bibliographique
Résumé
This study evaluated the socioeconomic factors influencing the profitability of catfish production in the city of Ibadan. Multistage sampling method was used to collect data from 120 fish farmers. Descriptive statistics, budgetary analysis and the multiple regression model were used to analyse the data obtained. The results showed that catfish production in Ibadan was male dominated as 80% of the fish farmers were men. The mean age of fish farmers was 44.3±12.0 years while as many as 78.3% of the farmers had post-secondary education. The mean family size was 5.2±1.9 while fish farmers were small operators with a mean farm size of 0.3±0.2 hectares. Fish farming is very recent as farmers had a mean farm experience of 6.9±6.5 years. Eighty per cent of the fish farmers got involved in fish farming for commercial reasons. The gross margin to catfish farming was N197,520.25 (US$ 987.60)/ha with a net income of N182, 573.04 (US$912.87)/ha. The budgetary analysis revealed that fish feed which constituted 79.18% of the total operating cost was the major cost item in catfish production. The regression analysis showed that fish farming experience, amount of labour used and quantity of feed used were significant determinants of net income in catfish production. The study concluded that there is the need to access fish farmers to substantially cheaper feed inputs to ensure the use of adequate quantity and quality of feed in catfish production. This will enhance output, productivity and net income in catfish enterprises.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».