Assessment of Differences in Small Farmer Uses of Produce and Determinants of Marketed Surplus of Green Grams and Pigeon Peas in Semi-arid Machakos County, Kenya
Notice bibliographique
Résumé
Small farmers in semi-arid areas of eastern Kenya produce green grams and pigeon peas for both subsistence and income. Because of this, it was important for a detailed investigation on the difficulty of raising marketed surplus (produce) of green grams and pigeon peas. The literature with respect to how small farmers differed in the uses of the produce and the determinants of marketed surplus is sparse. The objectives of the study therefore were to assess the differences in farm retention (for self-consumption, seed and payments in kind) and marketed surplus and to determine the factors affecting marketed surplus. Survey research design was selected for making the observations. Sampling of the households was done using a multistage technique. There were 364 households selected in two agro-ecological zones, each with 182 respondents. Data collection was done using a well-structured questionnaire. Data analysis was done using the IBM SPSS Statistics 21. One-way analysis of variance results indicated that farmers of green grams and pigeon peas differed significantly in the produce consumed, marketed and used as seed and in-kind transactions. Green grams farmers differed significantly at F(3, 1 452) = 11.420, p = 0.000, whereas pigeon peas small farmers at F(3, 1 452) = 21.680, p = 0.000. Multiple linear regression analysis results showed factors influencing farmers in marketed produce of green grams as area cultivated, yield and region of production at p = 0.01. Seeds and in-kind transactions showed positive effect at p = 0.05, whereas access to market information at p = 0.1. The factors influencing farmers on marketed production of pigeon peas were seeds and in-kind transactions and the price of output (p = 0.01). The study concluded that the design of policy interventions therefore needed to take account of small farmer variations and the factors influencing the marketed production of green grams and pigeon peas.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».