MétaCan
Menu
Retour à la cohorte
Enregistrement W2564364335 · doi:10.1111/agec.12351

Demand for a labor‐based drought insurance scheme in Ethiopia: a stated choice experiment approach

2016· article· en· W2564364335 sur OpenAlexaff
Million Tadesse, Frode Alfnes, Olaf Erenstein, Stein T. Holden

Notice bibliographique

RevueAgricultural Economics · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural risk and resilience
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNorges Forskningsråd
Mots-clésWillingness to payCashIndex (typography)PaymentActuarial scienceMixed logitWageEconomicsWork (physics)SubsidyBusinessLabour economicsFinanceLogistic regressionMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Index‐based weather insurance is increasingly used to manage weather‐related risks in smallholder agriculture. However, cash‐constrained smallholders often lack the resources to pay an insurance premium, which may undermine its wider adoption. This article investigates alternative insurance payment methods that may help to enhance the adoption of index‐based weather insurance. We use a choice experiment to elicit smallholders’ willingness to pay in cash or labor for index‐based weather insurance in four districts in the south‐central highlands of Ethiopia. The insurance schemes were created using a fractional factorial design with three factors: work, cash, and payout rate. We analyze the choice data using a random parameter mixed logit model. We find that the average participants need a subsidy to pay cash for insurance because their willingness to pay is less than the expected cost of the insurance. On average, they are willing to pay only 0.81 ETB (Ethiopian currency) to get an expected yearly payout of 1 ETB. However, most are willing to participate in work‐for‐insurance programs at lower daily wage rates than is common for other work programs in Ethiopia.

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)0,011
score de la tête « metaresearch » (Gemma)0,012
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,017
Tête enseignante GPT0,225
Écart entre enseignants0,208 · 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

Citations34
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultural EconomicsMême sujetAgricultural risk and resilienceTravaux en français237 207