Factors influencing adoption of farm management practices in three agrobiodiversity hotspots in India: an analysis using the count data model
Notice bibliographique
Résumé
Sustainable agricultural practices require, among other factors, adoption of improved nutrient management techniques, pest mitigation technology and soil conservation measures. Such improved management practices can be tools for enhancing crop productivity. Data on micro-level farm management practices from developing countries is either scarce or unavailable, despite the importance of their policy implications with regard to resource allocation. The present study investigates adoption of some farm management practices and factors influencing the adoption behavior of farm households in three agrobiodiversity hotspots in India: Kundra block in the Koraput district of Odisha, Meenangadi panchayat in the Wayanad district of Kerala and Kolli Hills in the Namakkal district of Tamil Nadu. Information on farm management practices was collected from November 2011 to February 2012 from 3845 households, of which the data from 2726 farm households was used for analysis. The three most popular farm management practices adopted by farmers include: application of chemical fertilizers, farm yard manure and green manure for managing nutrients; application of chemical pesticides, inter-cropping and mixed cropping for mitigating pests; and contour bunds, grass bunds and trenches for soil conservation. A Negative Binomial count data regression model was used to estimate factors influencing decision-making by farmers on farm management practices. The regression results indicate that farmers who received information from agricultural extension are statistically significant and positively related to the adoption of farm management practices. Another key finding shows the negative relationship between cultivation of local varieties and adoption of farm management practices.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».