Impact of Oil Palm Expansion on Farmers’ Crop Income and Poverty Reduction in Indonesia: An Application of Propensity Score Matching
Notice bibliographique
Résumé
<p>In order to solve serious problem on the lack of job opportunity and poverty in Indonesia, oil palm expansion driven by smallholders have been taken into the economic development agenda. The evidence shows that oil palm expansion by smallholders have a great performance for improving livelihood of rural community. Thus, this study aims to estimate the causal effect of oil palm expansion on farmers’ livelihoods in Indonesia. Using cross-sectional data from 271 households in Riau Province, the determinants of farmers’ decisions to expand oil palm farm size and the impacts of expansion are analyzed. Propensity Score Matching was employed in order to deal with self-selection biased in the evaluation of oil palm expansion impact. In the first step, logit model was applied to analyze the determinant of oil palm expansion. In the second step, each observation is matched with a similar propensity score value in order estimate the average treatment effect for the treated (ATT). Empirical results show that number of family members actively involved in oil palm cultivation, farmers’ financial assets, contract farming, and distance to the market are significantly associated with likelihood for expanding farm size. Positive and significant impacts of crop income from oil palm and <em>per capita </em>expenditures, confirms that oil palm expansion help reducing the problem of job opportunity and poverty in Indonesia. This study implicates that, to improve oil palm expansion practice in Indonesia, several schemes must be considered: enhancing human resources development, integrating oil palm marketing schemes, and improving infrastructure facilities.</p>
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».