Costs, contracts and the narrative of prosperity: an economic analysis of smallholder tobacco farming livelihoods in Kenya
Notice bibliographique
Résumé
BACKGROUND: The tobacco industry has used the alleged negative impacts on economic livelihoods for tobacco farmers as a narrative to oppose tobacco control measures in low/middle-income countries. However, rigorous empirical evidence to support or refute this claim remains scarce. Accordingly, we assess how much money households earn from selling tobacco, and the costs they incur to produce the crop, including labour inputs. We also evaluate farmers' decision to operate under contract directly with tobacco manufacturers and tobacco leaf-buying companies or to operate as independent farmers. METHODS: A stratified random sampling method was used to implement a nationally representative household-level economic survey of 585 farmers across the three main tobacco growing regions in Kenya. The survey was augmented with focus group discussions in all three regions to refine and enrich the context of the findings. RESULTS: Both contract and independent farmers experience small profit margins per acre, with contract farmers operating at a loss. Even when family labour is excluded from the calculation, income levels remain low, particularly considering the typically large households. Generally, tobacco farmers enter into contracts with tobacco companies because they have a 'guaranteed' buyer for their tobacco leaf and receive the necessary agricultural inputs (fertiliser, seeds, herbicides and so on) without paying cash up-front. CONCLUSIONS: Tobacco farming households enter into contract with tobacco companies to realise perceived economic benefits. The narrative that tobacco farming is a lucrative economic undertaking for smallholder farmers, however, is inaccurate in the context of Kenya.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».