MétaCan
Menu
Retour à la cohorte
Enregistrement W2559919590 · doi:10.1111/agec.12322

Is late really better than never? The farmer welfare effects of pineapple adoption in Ghana

2016· article· en· W2559919590 sur OpenAlexaff
Aurélie P. Harou, Thomas F. Walker, Christopher B. Barrett

Notice bibliographique

RevueAgricultural Economics · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensMcGill University
Organismes subventionnairesUnited States Agency for International DevelopmentInternational Growth CentreNational Science Foundation
Mots-clésWelfareShock (circulatory)EconomicsContext (archaeology)AgricultureAsset (computer security)Agricultural economicsSurvey data collectionDeveloping countryEconomic growthMarket economyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Export agriculture offers potentially high returns to smallholder farmers in developing countries, but also carries substantial market risk. In this article we examine the intertemporal welfare impact of the timing of a farmer's entry into the export pineapple market in southern Ghana. We examine whether farmers who never cultivated pineapple are better or worse off than farmers who decided to adopt pineapple earlier or later relative to their peers and experienced a significant adverse market shock several years prior to our endline survey. We use a two‐stage least squares model to estimate the causal effect of duration of pineapple farming on farmer welfare. Consistent with economic theory, we find that earlier adoption of the new crop brings greater welfare gains than does later uptake. But we find that the gains to later uptake of pineapple—just before the market shock—are small in magnitude, just 0.1 standard deviations of a comprehensive asset index, indicating that the gains to adoption may be precarious and depend on the context, in particular on the severity of prospective market shocks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,203
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultural EconomicsMême sujetAgricultural Innovations and PracticesTravaux en français237 207