Collective influence of household and community capitals on agricultural employment as a measure of rural poverty in the Mahanadi Delta, India
Notice bibliographique
Résumé
The main determinants of agricultural employment are related to households' access to private assets and the influence of inherited social-economic stratification and power relationships. However, despite the recommendations of rural studies which have shown the importance of multilevel approaches to rural poverty, very few studies have explored quantitatively the effects of common-pool resources and household livelihood capitals on agricultural employment. Understanding the influence of access to both common-pool resources and private assets on rural livelihoods can enrich our understanding of the drivers of rural poverty in agrarian societies, which is central to achieving sustainable development pathways. Based on a participatory assessment conducted in rural communities in India, this paper differentiates two levels of livelihood capitals (household capitals and community capitals) and quantifies them using national census data and remotely sensed satellite sensor data. We characterise the effects of these two levels of livelihood capitals on precarious agricultural employment by using multilevel logistic regression. Our study brings a new perspective on livelihood studies and rural economics by demonstrating that common-pool resources and private assets do not have the same effect on agricultural livelihoods. It identifies that a lack of access to human, financial and social capitals at the household level increases the levels of precarious agricultural employment, such as daily-wage agricultural labour. Households located in communities with greater access to collective natural capital are less likely to be agricultural labourers. The statistical models also show that proximity to rural centres and access to financial infrastructures increase the likelihood of being a landless agricultural labourer. These findings suggest that investment in rural infrastructure might increase livelihood vulnerability, if not accompanied by an improvement in the provisioning of complementary rural services, such as access to rural finance, and by the implementation of agricultural tenancy laws to protect smallholders' productive assets.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».