The Impact of Credit on Technical Efficiency Among Vegetable Farmers in Swaziland
Notice bibliographique
Résumé
Access to credit is regarded as an important intervention for improving the incomes of the rural population, mainly by mobilizing resources to more productive uses. Production of vegetables by smallholder farmers in Swaziland is inconsistent and lower than the national demand, hence the gap is filled by imports from South Africa. The purpose of the study was to assess the influence of credit on technical efficiency of smallholder vegetable farmers in Swaziland. Data were collected in 2013 from farmers through a structured questionnaire, which was administered using personal interviews. A two-stage sampling procedure was used by stratifying the vegetable farmers in the Hhohho region according to the four Rural Development Areas (RDAs). This was followed by a simple random sampling technique used to select the number of vegetable farmers from each stratum. A sample size of 120 farmers was selected from a population of 289. The Stochastic Frontier production function was used to analyze the data using the STATA program (version 12). The results revealed that credit had a negative effect on technical efficiency of cabbage and green pepper farmers, while it had a positive effect on the technical efficiency of tomato, and beetroot farmers. The technical efficiency of tomatoes and cabbage farmers was affected by age, education level, farming experience and access to credit (p <0.01), while beetroot and green pepper was affected by farmer’s age, and off-farm income. (p<0.05). The study recommended that vegetable farmers should increase the amount of seeds, fertilizer and chemicals used in order to improve yields. The Government of Swaziland should subsidize farming inputs and financial institutions should make credit more available to agribusinesses in order to improve the efficient use of input resources.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».