MétaCan
Menu
Retour à la cohorte
Enregistrement W2923374552 · doi:10.5539/sar.v8n2p36

Does A Market Systems Approach Revitalize Smallholder Irrigation Schemes? Evidence from Zimbabwe

2019· article· en· W2923374552 sur OpenAlexvenueno aff
Blessing Masasi, John N. Ng’ombe

Notice bibliographique

RevueSustainable Agriculture Research · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIrrigationLivelihoodBusinessDeveloping countryMarket accessAgricultureAgricultural economicsWater resource managementNatural resource economicsEnvironmental planningEconomicsEconomic growthGeographyEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Smallholder irrigation schemes potentially improve the livelihoods of rural communities in developing countries. However, they face challenges such as infrastructural decline, lack of funding, lack of markets, shortage of water, underutilization of land, and inefficient irrigation systems. In Zimbabwe, the government carried out rehabilitation programs to address these problems but the performance of smallholder irrigation schemes remained poor. These chronic challenges triggered experts to adopt a market systems approach (MSA) to revitalize failing irrigation schemes. Using primary and secondary data sources collected in 2015, this study used a “before” and “after” descriptive assessment approach to determine the effectiveness of the MSA at revitalizing smallholder irrigation schemes in Zimbabwe. We used Mutema Irrigation Scheme as a case study. Results suggest that the MSA leads to improved efficiency of irrigation infrastructure, farm gross margins, willingness to pay irrigation fees and farmers’ standard of living. While this research does not econometrically establish causation of relations between variables involved, our results provide a foundation for future research on the application of the MSA to revitalize underperforming smallholder irrigation schemes in developing countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,197
Score d'incertitude au seuil0,623

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,242
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable Agriculture ResearchMême sujetWater resources management and optimizationTravaux en français237 207