Adoption and Impact of Conservation Agriculture on Smallholder Farmers’ Crop Productivity and Income in Luapula Province, Zambia
Notice bibliographique
Résumé
Despite efforts to systemically disseminate Conservation Agriculture (CA) technology in Luapula Province of Zambia, the adoption rate remains limited. Furthermore, no empirical evidence has been presented on the factors influencing adoption of the technology or the extent to which farmers’ livelihood has been influenced due to uptake of the technology. This study therefore examined the adoption and impact of CA on crop productivity and income on farming households in the Province. Using the 2012 Rural Agricultural Livelihood Survey (RALS) data, the study employed a probit regression model to identify factors influencing adoption of CA among the smallholder farmers in the Province. The probit regression analysis showed that advice on CA and access to wetlands/dambos by households increased the probability to adopt CA. The study also adopted the Propensity Score Matching (PSM) approach to help match the adopters and non-adopters based on observable covariates in order to assess technology impact by providing consistent estimates of the Average Treatment Effect on the Treated (ATT). The results showed a small but insignificant positive impact of CA on crop productivity and income. This suggests that adoption of CA has the potential to generate an improvement in farming households’ livelihood in Luapula Province, Zambia. Therefore, adoption of CA in Luapula Province should be explicitly encouraged. This can be further enhanced by increased access to quality extension services that incorporates promotion of CA practices among the smallholder farming households in the area.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».