Why Have Economic Incentives Failed to Convince Farmers to Adopt Drip Irrigation in Southwestern Iran?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sustainable water usage is an important global concern and an urgent priority, especially in dryland regions such as Iran. The Iranian government is actively addressing the challenge of water scarcity by encouraging farmers to adopt new water application technology. Its main element to decrease water consumption is to encourage new irrigation systems, in particular drip irrigation. However, despite the benefits of drip irrigation technologies and the availability of generous government subsidies, adoption rates of the improved irrigation technology remain critically low among Iranian farmers. Therefore, this study seeks to determine what is limiting the uptake of improved irrigation technology in Iran. While it is well known that acceptance of new technology ultimately depends on multiple and interrelated factors, we examine those factors affecting farmers’ adoption from three theoretical perspectives in the adoption literature: farmers’ socio-economic characteristics, social capital, and technology characteristics. A cross-sectional survey was undertaken in Behbahan district in Khuzestan province in southwest Iran. The sample comprises 174 farmers who adopted drip irrigation in that region and 100 non-adopters who were located in the same region. Discriminant analysis reveals that a socio-economic approach is the strongest model to predict adoption of drip irrigation technology in the study area, followed by models of technical characteristics, and social capital. These results can help agricultural extension agents and policy-makers design appropriate and effective strategies that facilitate the adoption of drip irrigation at an increasing rate.
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.
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) | 0,001 | 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 découle