Profit Efficiency, Weather Risk and Climate Adaptation Practices of Rice Farmers in Myanmar
Notice bibliographique
Résumé
In recent years most developing countries, including Myanmar, have been seriously affected by the negative effect of climate variability—such as erratic rainfall, increased temperatures, longer dry spells, flooding and saltwater intrusion—during the crop growing season. Furthermore, most farmers lack knowledge of climate variability and how to cope with the negative effect of climate change. This study aimed to evaluate the profitability and profit efficiency of rice farmers in the Ayeyarwady Delta, Myanmar, during 2019 monsoon growing season, taking into consideration the effect of weather shock and farmers’ agricultural adaptation practices to climate variability. The Cobb-Douglas functional form was applied, with maximum likelihood techniques, to estimate rice growing productivity and the influencing factors of profit inefficiency among individual rice farmers. The average profit efficiency level of the yield loss group was approximately 0.39, while that of the no yield loss group was 0.66, indicating a relatively large gap between the two groups (27% wider distribution). Observation of the climate adaptation performances of rice farmers indicated that rice production incorporating climate adaptation practices (CAP) led to a significantly better average profit efficiency score (66%) than rice production omitting CAP. This study clearly revealed that the effect of weather variability on individual rice farmers leads to large variations in net profit and profit efficiency for monsoon rice production in the study area. Climate-smart agricultural practices should be developed through agricultural extension services, and using farmer-to-farmer extension services, to share information and technologies among smallholder rice farmers.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».