Factors Affecting Chinese Farmers' Decisions to Adopt a Water‐Saving Technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chinese farm households (N = 240) were interviewed to understand some of the factors affecting their adoption of a water‐saving technology called the Ground Cover Rice Production System (GCRPS). A logit model was established on the basis of a survey to estimate the determinants of adoption and to simulate impacts of changes in these determinants on adoption potential. There are no significant influences of age and number of laborers on the probability of GCRPS adoption. Male farm managers had higher adoption probabilities than female farm managers. Large farms had higher adoption probability than small farms. Off‐farm occupation of farm managers had negative influences on adoption. Education had complex impacts on GCRPS adoption in China. The farm manager with middle school education had low probability in GCRPS adoption, whereas the farm manager with primary education and high education had high probability of adoption. Previous experience with GCRPS had a positive impact on adoption. Membership in extension service was an important driving factor of adoption. Farmers with high income showed a high probability to adopt GCRPS. Soil type was also an important determinant in GCRPS adoption, probability of GCRPS adoption was very low at red soil, but high at yellow and brown soil. Low reliability of irrigation water supply led to a high rate of adoption, whereas high reliability of water supply led to a low rate of adoption. Nous avons interrogés des ménages agricoles chinois (N = 240) pour comprendre certains des facteurs qui influencent l'adoption de la technologie d'économie de l'eau appelée système de culture du riz sous couvert (Ground Cover Rice Production System – GCRPS). Nous avons établi un modèle logit fondé sur une enquête pour déterminer les facteurs qui favorisent l'adoption de la technologie et pour simuler l'impact d'une modification de ces facteurs sur le potentiel d'adoption. L'âge et le nombre de travailleurs n'ont pas eu d'impact significatif sur la probabilité d'adoption de la technologie. Les probabilités d'adoption étaient plus élevées chez les gestionnaires de ferme masculins que chez les gestionnaires de ferme féminins, et aussi plus élevées dans les fermes de grande taille que dans celles de petite taille. L'occupation d'un emploi hors ferme a eu un impact négatif sur l'adoption de la technologie. La scolarité a eu un impact complexe sur l'adoption de la technologie en Chine. Les gestionnaires de ferme ayant reçu un enseignement intermédiaire présentaient une faible probabilité d'adoption, tandis que ceux ayant reçu un enseignement primaire et secondaire présentaient une probabilité d'adoption élevée. Les expériences antérieures avec le GCRPS ont eu un impact positif sur l'adoption. L'adhésion à un service de vulgarisation a été un important facteur de motivation. Les producteurs à revenus élevés ont montré une forte probabilité d'adoption. Le type de sol était aussi un facteur important: la probabilité d'adoption était très faible dans le cas du sol rouge, mais élevée dans le cas des sols jaune et brun. La fiabilité peu élevée de l'alimentation en eau d'irrigation a entraîné un fort taux d'adoption, tandis qu'une fiabilité très élevée a entraîné un faible taux d'adoption.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 découle