DOES ADOPTION OF MULTIPLE CLIMATE-SMART PRACTICES IMPROVE FARMERS’ CLIMATE RESILIENCE? EMPIRICAL EVIDENCE FROM THE NILE BASIN OF ETHIOPIA
Notice bibliographique
Résumé
There is a paucity of information on conditioning factors that hinder or promote adoption of multiple climate-smart practices and on the synergies among such practices in increasing household resilience by improving agricultural income. This study analyzes how heat, rainfall, and rainfall variability affect farmers’ choices of a portfolio of potential climate smart practices — agricultural water management, improved crop seeds, and fertilizer — and the impact of these practices on farm income in the Nile Basin of Ethiopia. We apply a multinomial endogenous switching regression approach by modeling combinations of practices and net farm income for each combination as depending on household and farm characteristics and on a set of climatic variables based on geo-referenced historical precipitation and temperature data. A primary result of this study is that farmers are less likely to adopt fertilizer (either alone or in combination with improved varieties) in areas of greater rainfall variability. However, even when there is high variability in rainfall, farmers are more likely to adopt these two yield-increasing inputs when they choose to (and are able to) include the third part of the portfolio: agricultural water management. Net farm income responds positively to agricultural water management, improved crop variety or fertilizer when they are adopted in isolation as well as in combination. But this effect is greater when these practices are combined. Simulation results suggest that a warming temperature and decreased precipitation in future decades will make it less likely that farmers will adopt practices in isolation but more likely that they will adopt a combination of practices. Hence, a package approach rather than a piecemeal approach is needed to maximize the synergies implicit in various climate smart 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».