MétaCan
Menu
Retour à la cohorte
Enregistrement W2098468691 · doi:10.1111/j.1744-7976.2005.00314.x

Cost Efficiency for Alberta and Ontario Dairy Farms: An Interregional Comparison

2005· article· en· W2098468691 sur OpenAlexaffvenueabout
Getu Hailu, Scott R. Jeffrey, James R. Unterschultz

Notice bibliographique

RevueCanadian Journal of Agricultural Economics/Revue canadienne d agroeconomie · 2005
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensAgriculture Food and Rural DevelopmentUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésEconometricsEstimationCost efficiencyFrontierSample (material)EconomicsMaximum likelihoodMathematicsAverage costStochastic frontier analysisTotal costStatisticsMicroeconomicsComputer scienceGeography

Résumé

récupéré en direct d'OpenAlex

In this study, two non‐homothetic translog stochastic meta‐frontier cost functions—with and without local concavity imposed—are estimated using a nonlinear maximum likelihood estimation procedure to compare the cost efficiency of Alberta and Ontario dairy farms for the period 1984–96. The resulting cost efficiency estimates are not very sensitive to whether or not curvature is imposed. In contrast, the properties of the cost and input demand functions (e.g., elasticities) are sensitive to imposition of local concavity during estimation. The implication is that if an inappropriate model that does not satisfy the properties required by the economic theory is used, the estimated input demand functions may not be reliable. Average cost efficiency for the pooled sample, with local concavity imposed, is approximately 89%. This suggests some potential for improved performance in the sector. The results also suggest that Ontario dairy farms may be more cost efficient than Alberta dairy farms, but the statistical evidence is inconclusive.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,207
Score d'incertitude au seuil0,416

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,281
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2005
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Agricultural Economics/Revue canadienne d agroeconomieMême sujetEfficiency Analysis Using DEATravaux en français237 207