Factors affecting crop insurance purchases in China: the Inner Mongolia region
Notice bibliographique
Résumé
Purpose The purpose of this paper is to explain the factors affecting crop insurance purchases by farmers in Inner Mongolia, China. Design/methodology/approach A survey of farmers in Inner Mongolia, China, is undertaken. Selected variables are used to explain crop insurance purchases, and a probit regression model is used for the analysis. Findings Results show that a number of variables explain crop insurance purchases by farmers in Inner Mongolia. Of the eight variables in the model, seven are statistically significant. The eight variables used to explain crop insurance purchases are: knowledge of crop insurance, previous purchases of crop insurance, trust of the crop insurance company, amount of risk taken on by the farmer, importance of low crop insurance premium, government as the main information source for crop insurance, role of head of village, and number of family members working in the city. Research limitations/implications A possible limitation of the study is that data includes only one geographic area, Inner Mongolia, China, and so results may not always fully generalize to all regions of China, for all situations. Practical implications Crop insurance has been recently expanded in China, and the information from this study should be useful for insurance companies and government policy makers that are attempting to increase the adoption rate of crop insurance in China. Social implications Crop insurance may be a useful approach for stabilizing the agricultural sector, and for increasing agricultural production and food security in China. Originality/value This is the first study to quantitatively model the factors affecting crop insurance purchases by farmers in Inner Mongolia, China.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».