MétaCan
Menu
Retour à la cohorte
Enregistrement W2585389969 · doi:10.1177/194277861600900306

Accumulation by Dispossession or Accumulation without Dispossession: The Case of Contract Farming in India

2016· article· en· W2585389969 sur OpenAlexaff
Ritika Shrimali

Notice bibliographique

RevueHuman Geography · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Land Use, Rural Development
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésAgrarian societyCentralisationAgricultureContract farmingMultinational corporationMarket economyLand grabbingCapital (architecture)Capital accumulationEconomicsBusinessLabour economicsHuman capitalGeographyFinance

Résumé

récupéré en direct d'OpenAlex

According to David Harvey, Accumulation by Dispossession (ABD) has become the dominant form of accumulation under the mantra of neoliberalism backed by the State policies, whether in developed or in developing economies. Using empirical evidence on contract farming in India, I argue that capitalist accumulation can indeed occur without dispossession. I show how a class of petty capitalist farmers (petty, in comparison to corporate capital) is encouraged to maintain its private property (land) and to enter into commercial contracts with big industrial (multinational) companies to deliver certain farm products at a pre-determined price. These companies have no intention to dispossess the farmers, and they do not have to. As a structure of multiple class actors (big business; capitalist farmers; rural labour), contract farming is a process that represents centralisation (and concentration) of capital and points to the ways in which agrarian and industrial capitals are intertwined. Contract farming as a form of accumulation is based on appalling working conditions of labour, including vulnerable women workers and migrants, on contract farms, and it exhibits much geographical variation in its occurrence.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,115

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0100,018
Communication savante0,0060,004
Science ouverte0,0010,007
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,036
Tête enseignante GPT0,302
Écart entre enseignants0,267 · 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'étudeSans objet
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 revueHuman GeographyMême sujetAgriculture, Land Use, Rural DevelopmentTravaux en français237 207