Differences in Agricultural Productivity Among Women and Men on Small-Scale Farms in Senegal: Contributions of Agricultural Innovations
Notice bibliographique
Résumé
This study aims to measure the contribution of technological innovations in gender gaps in agricultural productivity in Senegal. This study uses data from the 2018 Annual Agricultural Survey (AAS) conducted under the FAO Integrated Agricultural Survey Program (AGRISurvey). Using the Kitagawa-Oaxaca-Blinder decomposition method, results indicated a 69.6% productivity gap between plots managed by men and those managed by women, with plots managed by women on average more productive than those managed by men. There are two main reasons for this unexpected result. First, women on average cultivate much smaller plots of land, with higher production per hectare cultivated. Second, rainfed rice, which is considered a women’s crop, is a highly productive crop that is often grown on very small plots, especially in southern Senegal and has much higher productivity among women than men. 85.5% of the overall productivity gap observed is explained by endowment effects: characteristics of the plot managers and the plots themselves, and unequal access to resources across women and men. The adoption of certified seeds and the use of chemical fertilizers (NPK, urea, and phosphate) were agricultural innovations associated with the gender productivity gap. The use of certified seeds, fertilizers, and motorized equipment during soil preparation and harvesting are all positively associated with increased agricultural productivity among women and men. Findings suggest increasing women’s access to land and technological innovations could further unleash the productivity potential of Senegalese agriculture.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».