MétaCan
Menu
Retour à la cohorte
Enregistrement W3181525219 · doi:10.2478/euco-2021-0019

Factors Affecting the Performance of Agri Small and Medium Enterprises with Evidence from Kosovo

2021· article· en· W3181525219 sur OpenAlexfundno aff
Ekrem Gjokaj, Diana Kopeva, Nol Krasniqi, Henrietta Nagy

Notice bibliographique

RevueEuropean Countryside · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesManitoba Agriculture, Food and Rural Development
Mots-clésSubsidyAgency (philosophy)AgricultureBusinessProductivityPaymentProduction (economics)Agricultural economicsDirect PaymentsAgricultural productivityFarm incomeEconomicsEconomic growthFinanceGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The agri SMEs in Kosovo are facing challenges that are reducing competitiveness and preventing it from fulfilling their production potential. The main constraints in increasing productivity and improving competitiveness are the low use of modern techniques and technologies in both production and management of enterprises, lack of funds, the low use of inputs, and the limited ability to meet international standards of food safety. This paper is focused on the analysis of the impact of agricultural SMEs in the rural economy of the country and the problems related to the impact. The data used for this analysis are the data conducted for the Farm Structure Survey (FSS) which includes the farmers’ list from Agricultural Records compiled by the Kosovo Agency of Statistics (KAS) in 2014, as well as the lists of beneficiaries for both direct payments/subsidies and for grants for the period of 2014 to 2017 received by the Agency for Agriculture Development. From the research results, significant factors having an effect on the annual income of agris SMEs are the following: income from the sale of agricultural products, income from subsidies, income from non-agricultural activities, income from salaries, remittances, and income from other activities.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
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 Opus0,030
Tête enseignante GPT0,199
Écart entre enseignants0,170 · 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

Citations13
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean CountrysideMême sujetGlobal Trade and CompetitivenessTravaux en français237 207