MétaCan
Menu
Retour à la cohorte
Enregistrement W3036296976 · doi:10.5430/rwe.v11n3p124

Income Diversification Among Rural Households in the Mekong River Delta, Vietnam: A Look Back at the Economic Transition Period

2020· article· en· W3036296976 sur OpenAlexvenueno aff
Long Hau Le, Tan Nghiem Le

Notice bibliographique

RevueResearch in World Economy · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDiversification (marketing strategy)WageAgricultureEconomicsSocioeconomicsDemographic economicsHousehold incomeMekong deltaGeographyLabour economicsAgricultural economicsBusiness

Résumé

récupéré en direct d'OpenAlex

Based on five Living Standard Measurement Surveys (LSMSs) conducted over a thirteen year period (1993 to 2006), this paper examined patterns of income diversification in rural areas of the Mekong River Delta (MRD). In terms of quintile specific patterns, over the period 1993-2006, across all quintiles there is a sharp reduction in the time spent on farm self-employment (9.4 to 20.7 percentage points) and an increase in the share of time spent on non-farm wage employment (11.3 to 14.3 percentage points). While there are differences across quintiles, the patterns are broadly similar across expenditure groups and it does not seem that the increase in non-farm wage employment is restricted to particular groups of households. As may be expected given the changes in the activity-allocation pattern, over time, there is an increase in reliance on non-farm wage income by about 6.4 to 11.4 percentage points across quintiles. The interesting aspect is that while households in the poorest income quintiles still continue to rely heavily on agriculture related income (61.2 versus 39.9 percent for the richest quintile) they experience similar patterns of change in terms of a movement from relying on farm income to non-farm sources of income.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,999

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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,093
Tête enseignante GPT0,294
Écart entre enseignants0,201 · 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.

Devis d'étudeObservationnel
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in World EconomyMême sujetAgricultural Innovations and PracticesTravaux en français237 207