MétaCan
Menu
Retour à la cohorte
Enregistrement W3087872483 · doi:10.3390/w12102691

Technical Efficiency of China’s Agriculture and Output Elasticity of Factors Based on Water Resources Utilization

2020· article· en· W3087872483 sur OpenAlexaff
Shiliang Yang, Huimin Wang, Jinping Tong, Jianfeng Ma, Fan Zhang, Shijuan Wu

Notice bibliographique

RevueWater · 2020
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensUniversity of Windsor
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Key Research and Development Program of ChinaNational Office for Philosophy and Social SciencesNational Natural Science Foundation of China
Mots-clésOutput elasticityElasticity (physics)AgricultureEconomicsBeijingProduction–possibility frontierAgricultural engineeringProduction (economics)Agricultural economicsChinaTechnical changeElasticity of substitutionEconometricsNatural resource economicsProductivityMicroeconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

A stochastic frontier approach (SFA) model of translog production function was constructed to analyze the growth effect of agricultural production factors on grain production in China. Under the condition of unchanged cultivated land, the agricultural labor, capital, and water were regarded as input elements of the agricultural production function. The maximum likelihood estimation (MLE) method was used to analyze the technical efficiency, output elasticity, substitution elasticity, and relative variability of grain production in China from 2004 to 2018. The results showed that: (1) For the technical efficiency and output elasticity of the input factors of grain production, there were significant differences in different provinces. For example, the water resource was insufficient in Beijing and Shanghai, but the output elasticity of water was high. Heilongjiang was rich in water and had high technical efficiency. For Xinjiang, water was sufficient, but its output elasticity was deficient and the technical efficiency didn’t increase. (2) The overall technical efficiency level was relatively low and was still declining year by year; the output elasticity of water was much greater than that of capital. There was still great potential for grain growth. (3) Optimizing resource allocation and controlling the appropriate ratio of input factors to develop grain production could achieve the maximum benefits. Finally, according to the empirical results, this paper put forward some practical policy suggestions for optimizing the allocation of input factors, especially water and capital, which can ultimately improve agricultural productivity by improving technical efficiency.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,064
Tête enseignante GPT0,306
Écart entre enseignants0,242 · 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'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

Citations21
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetEfficiency Analysis Using DEATravaux en français237 207