Does exposure to weather variability deter the use of productivity‐enhancing agricultural technology? Evidence from Ethiopia
Notice bibliographique
Résumé
Abstract This study examines how farm households' decision to use modern agricultural inputs is influenced by the weather variability using a household panel survey merged with long‐term historical weather data from Ethiopia. As a part of an effort to fill methodological gaps that are observed and anticipated in previous similar literature, this study employs a more flexible modeling approach under a multiagricultural technologies framework. Findings suggest that weather uncertainty reduces the probability and intensity of adoption of productivity‐enhancing inputs, including chemical fertilizer and improved seed. The average partial effect for rainfall variability indicates that each additional percent of coefficient of variation of precipitation decreases the fertilizer use per hectare by, on average, 2.5%, other factors being constant. Similarly, a 1% increase in rainfall variability is associated with on average 0.6% and 4.5% decrease in probability and extent of improved seed use, respectively. We also observe that abundance rainfall during the previous production period increases the use of yield‐enhancing inputs in the current growing season. On the other hand, we observe that variability in rainfall increases the probability of the adoption of loss‐reducing agricultural technology, such as irrigation. Findings also indicate that by deterring their incentive to invest in productivity‐enhancing agricultural inputs, weather risk could confine uninsured farming households in a low productivity‐low income trap. Results also highlight the importance of policy interventions aiming to improve the risk‐bearing capacity of smallholder farmers in encouraging investment in productivity‐enhancing technologies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».