Do Farmers’ Asset Values Correlate with Land Quality?
Notice bibliographique
Résumé
This paper investigates if farmers’ asset values have a predictive power to asses land quality. A rich sustainable livelihood literature describes small farmers’ biophysical and socio-economic environment through asset values, which closely adheres to the required information for an integrated quality appraisal of the natural resource base. For our analysis we use an in-depth survey held among 50 famers’ households in three rural areas of Senegal. Farmers gave scores for their livelihood assets (human, physical, natural, financial and social) and judgments on the state and trend of the quality of their natural resource base (crop land, rangeland, forest and water resources). As our observational data are dominated by unobserved heterogeneity, we refrain from causal statistical analysis and seek associative patterns between asset values and state and trend of natural resource quality using data visualization techniques and descriptive statistics. We compare categorical data on state and trend of land qualities with asset value classes in a frequency distributions evaluation (Chi-square) and with continuous asset value scores in an analysis of variance (ANOVA). For state of forest we found consistent but counterintuitive differences for various asset values with higher asset values for ‘degraded’ classes and lower values for ‘good’ quality of the forests. There is some evidence that trend of forest quality can be derived from asset value scores which were in agreement with our premise of lower scores for low quality and higher scores for better quality. Yet, overall we have to conclude that asset values do not correlate straightforward and unequivocally with state and trend of natural resource quality.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,004 | 0,001 |
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 ».