MétaCan
Menu
Retour à la cohorte
Enregistrement W2990717086 · doi:10.1590/1806-9479.2019.183710

Eficiência técnica da produção de milho no estado de São Paulo: uma abordagem por metafronteira estocástica

2019· article· pt· W2990717086 sur OpenAlexaff
Pedro Soares, Humberto Francisco Silva Spolador

Notice bibliographique

RevueRevista de Economia e Sociologia Rural · 2019
Typearticle
Languept
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensDiscovery Air (Canada)
Organismes subventionnairesnon disponible
Mots-clésAgricultural sciencePolitical scienceBusinessBiology

Résumé

récupéré en direct d'OpenAlex

Resumo O presente artigo analisou a eficiência técnica da produção paulista de milho, empregando a metodologia de metafronteira estocástica, com base nos microdados do Levantamento Censitário das Unidades de Produção Agropecuárias do estado de São Paulo, realizado pela Secretaria de Agricultura e Abastecimento, para o ano-safra 2007/08 e informações de aptidão do solo, clima e relevo, utilizada para segmentar os produtores em grupos de alta, média e baixa aptidão. Os resultados das estimativas da eficiência técnica intragrupos revelaram diferenças significativas nos níveis de eficiência entre os produtores. Entretanto, a taxa média de diferença tecnológica foi próxima à unidade para todos os grupos de produtores, indicando que as diferenças na eficiência técnica observadas entre produtores com níveis distintos de aptidão estão mais relacionadas a questões institucionais e gerenciais da produção do que ao nível de tecnologia utilizada. Os grupos de produtores com maior média de metaeficiência técnica foram aqueles em áreas de média, alta e baixa aptidão, respectivamente. Os resultados mostram que políticas destinadas a aumentar a eficiência técnica e a reduzir o gap tecnológico das regiões de menor aptidão agrícola podem contribuir para o aumento da produtividade desta cultura no estado de São Paulo.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,133

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,006
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,038
Tête enseignante GPT0,330
Écart entre enseignants0,292 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista de Economia e Sociologia RuralMême sujetEfficiency Analysis Using DEATravaux en français237 207