Technical Efficiency and Producers’ Individual Technology: Accounting for Within and Between Regional Farm Heterogeneity
Notice bibliographique
Résumé
Differences in resource endowment between regions influence the technologies applied in agriculture and cause location‐specific effects on production and technical change. Access to technologies may also differ within regions because producers may apply different technologies in production due to different characteristics. Within this setting, we extend the existing literature by considering that producers face region‐ and farm‐specific production frontiers. The treatment of essentially heterogeneous technical efficiency (TE) is performed following a two‐step procedure. First, a random coefficient specification of the production technology is used to measure the interactions of technology adoption with time, input factors, and output. Second, linear programming techniques are employed to envelop the optimal level of technology. This procedure is applied to household‐level data from eastern, central, and western provinces in China. Our results provide evidence that TE is significantly affected by farm heterogeneity. This factor influences TE directly as a producer‐specific input, and indirectly through interaction with observable inputs such as land, labor, capital, and intermediate inputs. Our results also prove the assumption that farming technology exhibits region‐specific characteristics. Furthermore, there is a disparity of TE across provinces that narrows over the study period and is driven by the shifts of production to the metafrontier. Les différences observées dans la répartition des ressources entre les régions influencent les technologies utilisées en agriculture et entraînent des effets spécifiquement liés au lieu géographique sur la production et le changement technique. L’accès aux technologies peut également varier suivant les régions puisque les producteurs peuvent choisir des technologies de production en fonction de caractéristiques variées. Dans ce contexte, nous accroissons la littérature existante en tenant compte du fait que les producteurs sont confrontés à des frontières de production spécifiques à une région et à une ferme. Nous avons mesuré l’efficacité technique essentiellement hétérogène à l’aide d’une méthode en deux étapes. Premièrement, nous avons utilisé la spécification à coefficients aléatoires de la technologie de production afin de mesurer les interactions de l’adoption de la technologie avec le temps, les facteurs d’intrant et les extrants. Deuxièmement, nous avons utilisé des techniques de programmation linéaire pour déterminer le niveau de technologie optimal. Nous avons appliqué cette méthode à des données recueillies auprès de ménages de provinces situées dans l’est, le centre et l’ouest de la Chine. Les résultats de notre étude montrent que l’efficacité technique est considérablement influencée par l’hétérogénéité des fermes. Ce facteur influence directement l’efficacité technique comme un intrant spécifique à un producteur et indirectement par l’interaction avec des intrants observables tels que les terres, la main‐d’œuvre, le capital et les intrants intermédiaires. Les résultats de notre étude appuient également l’hypothèse selon laquelle la technologie agricole reflète les caractéristiques spécifiques d’une région. De plus, l’efficacité technique montre une disparité entre les provinces, une disparité qui s’est réduite au cours de la période d’étude et qui a été alimentée par les changements de production à la méta‐frontière.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».