Improving bean production and consumption in Zimbabwe baseline report
Notice bibliographique
Résumé
This report presents descriptive information from a baseline study conducted in 2016 to benchmark the indicators of outcomes of the flagship initiative in Zimbabwe, understand the drivers of bean improved technology adoption and potential impacts of the initiative. The primary data from 752 bean growing households that were selected from 15 districts with highest bean area were used. These districts were selected from a list of 60 districts because they allocate the largest area to bean production in 2013-2015. Study findings revealed increased severity of bean production constraints that significantly reduce bean productivity, thus PABRA focus on Zimbabwe as a flagship country for improving bean production and productivity will help poorer households access more bean for consumption. So far, households demonstrate limited awareness of improved technologies including varieties, which calls for enhanced dissemination in terms of geographical scope and capacity of farmers on how to implement it profitably. Interventions should also account for the risk of rainfall failure by putting emphasis on climate smart technologies. Irrigation is one of climate smart technologies that have been promoted in Zimbabwe and is helping farmers make huge profits from bean production. These farms have a potential to produce more surplus for marketing after expanding their area under beans. Simulations under various scenarios revealed that for the new technology to be attractive to farmers, they should generate at least yield increase of 30%. Technologies will be attractive even with 10% yield increase if adoption is accompanied by irrigation. However, use of irrigation is associated with increased demand for hired and family labour, with women likely to bear more burden of extra unpaid labour. All interventions need to be sensitive to gender as women and men contribute unpaid labour and participate in decision making for bean production and marketing but with varying intensities in specific activities or decisions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,003 | 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 ».