Toward Fraudulent Pesticides in Rural Areas: Do Farmers’ Recognition and Purchasing Behaviors Matter?
Notice bibliographique
Résumé
The growth of fraudulent pesticide trade has become a threat to farmers’ health, agrochemical businesses, and agricultural sustainability, as well as to the environment. However, assessment of the levels of farmers’ exposure to fraudulent pesticides in the literature is often limited. This paper conducted a quantitative study of farmers’ recognition and purchasing behaviors with regard to fraudulent pesticides in the Dakhalia governorate of Egypt. Using a structured questionnaire, data were collected by face-to-face interviews with 368 farmers in three districts of the governorate. The questionnaire included questions on socioeconomic characteristics, risk perception, recognition behavior, and purchasing behavior regarding fraudulent pesticides. The findings indicate that farmers perceived high risks to farmer health and crop yield (a score of 4 out of 5) and a moderate risk to the environment (3.5 out of 5) from fraudulent pesticides. Nonetheless, nearly three-fourths of the farmers had purchased fraudulent pesticides anyway. The statistical analysis suggests that farmers who resist purchasing fraudulent pesticides have higher education, longer experience in farming, and better recognition of fraudulent pesticides. To improve farmers’ ability to distinguish and avoid fraudulent pesticides, the paper recommends communication-related anti-counterfeiting measures such as awareness extension programs, as well as distribution measures in cooperation with other stakeholders.
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 | 0,000 | 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) | 0,001 | 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 ».