Factors Associated with Cultivation of Tobacco in Bangladesh: A Multilevel Modelling Approach
Notice bibliographique
Résumé
An increasing number of studies provide evidence on the serious negative consequences of tobacco farming on economic livelihoods, human health and the environment. There is, however, only limited research on tobacco farming in Bangladesh, a significant producer of tobacco leaf. It is not yet well understood why many farmers choose to grow tobacco considering the challenging context. Accordingly, this study examines the factors that influence farmers’ decisions to grow tobacco in Bangladesh. Socio-demographic and economic information was collected from 220 tobacco farmers and 117 non-tobacco farmers from the major tobacco-growing district of Kushtia, for a total sample of 337. These farmers were recruited from two sub-districts (or upazilla—Daulatpur and Mirpur) using a stratified random sampling. A two-level logistic regression model was applied for the identification of the variables that condition farmers’ decisions to cultivate tobacco leaf. Almost two-thirds of the sampled farmers (65.3%) chose to farm tobacco. The results demonstrate that the following variables shape most farmers’ decisions to cultivate tobacco: older age, less education, tobacco firms’ short-term financial support of growing tobacco, greater ease of selling tobacco products at market, better access to credit (also provided by the tobacco companies), and farmer’s perception about higher profits from tobacco cultivation compared to other crops. This study strongly suggests that the government and others working on tobacco control should consider engaging in initiatives to increase farmers’ education, perhaps particularly for older farmers, and provide meaningful financial support in part by helping to increase access to credit and ensuring a better market facility to sell their other healthier agricultural crops, goods and services.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».