A Competitiveness Index of Soil Tillage and Planting Among Sugarcane Mills and Suppliers: The Benefits of Cost Reduction and High Production Strategies
Notice bibliographique
Résumé
Sugarcane mills (SCMs) and sugarcane suppliers (SCSs) use different production systems. To increase competitiveness, these systems use cost reduction, high productivity investment, and technology strategies according to their scale of production, that is, small (S), medium (M), or large (L). The question that arises is: which of the three production scales, among SCMs and SCSs, have the best competitiveness index in activities related to soil tillage and sugarcane planting? The objective of this research was to analyze and compare a competitiveness index built by using the values of four variables: planted area, sugarcane replanted area, cost of soil tillage, and cost of planting. The study was conducted with data corresponding to the 2017/18 harvest season from 31 SCMs and 42 SCSs located in Brazil. In addition, Monte Carlo Simulation was used to analyze the level of certain costs and profits through relative frequency. Small scale suppliers showed the highest productivity and lowest cost in soil tillage, while the medium scale sugarcane mills revealed the smallest sugarcane replanting cycle area and the lowest cost of planting. However, the competitiveness index showed that SCSs are more competitive than SCMs, with both kind of sugarcane producers taking the benefits of using cost reduction and high productivity strategies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».