Assessing the Downstream Socioeconomic Impacts of Agroforestry in Kenya
Notice bibliographique
Résumé
Agroforestry is widely purported to improve the livelihoods of smallholder farmers, rehabilitate degraded landscapes, and enhance the provisioning of ecosystem services. Yet, evidence supporting these longer-term impacts is limited. Using a quasi-experimental impact evaluation design informed by a theory-based and mixed methods framework, we investigated both the intermediate effects and household welfare outcomes of a nine-year effort led by Vi Agroforestry (herein Vi), a Swedish nongovernmental organization (NGO), to promote agroforestry in large sections of Bungoma and Kakamega counties in western Kenya. We compared households belonging to 432 pre-existing farmer groups operating in 60 program villages and 61 matched comparison villages. To address potential selection bias, we used program targeting as an instrument for program participation, combined with the difference-in-differences approach to control for time-invariant differences between our treatment and comparison groups. We complemented the above with semi-structured interviews with a sub-sample of 40 purposively selected program participants. Despite evidence of variable program exposure and agroforestry uptake, we found modest, yet statistically significant, effects of Vi's program on intermediate outcomes, such as agroforestry product income, fuelwood access, and milk yields among dairy farmers. We also found that this program modestly increased asset holdings, particularly among households represented by female program participants.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».