Examining the Gender Productivity Gap among Farm Households in Mali
Notice bibliographique
Résumé
Abstract This paper decomposes the gender agricultural productivity gap and measures the factors that influence the gap between male and female agricultural plot managers in Mali. The Oaxaca–Blinder approach and the recentred influence function (RIF) decomposition methodology are applied to a nationally representative survey of Mali. The results show that the agricultural productivity of female plot managers is 20.18% lower than that of male plot managers. Additionally, while more than half (56%) of the agricultural productivity gap is influenced by female-specific structural disadvantages, 44% of the gap is due to an endowment effect. Socio-economic characteristics such as the educational level and age of the plot manager, environmental factors and agricultural production practices, i.e., the differential use of inputs (organic or inorganic fertiliser and improved seeds) and the use of hired female workers seem to affect the female-specific structural disadvantages. To reduce or close the gender productivity gap, the underlying causes of female-specific structural disadvantages must be addressed to enable female farmers to obtain the same returns as men. Traditional means of addressing the gender gap, such as providing education for women in rural areas and facilitating rural women’ access to extension services and improved seeds, can mitigate the endowment deficit. This paper highlights the need to develop a better understanding of the factors influencing the structural disadvantages faced by female farmers in Mali that could feed into the development of more effective policies to address the gender gap in agricultural productivity, improving productivity and gender equity and reducing poverty.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».