Factors Explaining the Dynamics of Agricultural Technological Innovations Adoption: Evidence from Senegal’s Rain Maize Farmer
Notice bibliographique
Résumé
This paper analyzes the adoption dynamics of improved rainfed maize seeds disseminated in Senegal in 2013 by the West African Agricultural Productivity Program (WAAPP). We group maize producers into five groups (non-adopters, laggards/abandoners, late adopters, followers and pioneers/innovators) and take into account the heterogeneity of unobservable characteristics of the producers. In the pioneers/innovators group, the availability of labour, household size, shocks, and frequency of access to advice positively influence adoption, whereas financial constraints and high numbers of plots reduce the probability of adoption. Producers in the followers’ category tend to be older and more educated than those in the other categories. However, food insecurity and shocks such as diseases hamper adoption. For the group of late adopters, household size and available storage infrastructures explain adoption. However, the number of plots and shocks reduces their probability of adoption. Laggards tend to face shocks and food insecurity. The authors recommend to consider the dynamics of the adoption of technological innovations and heterogeneity of the characteristics of adopters groups in future research. They also recommend farmers to increase their adoption rate of the “Early Thai” and “Suwan 1” seed varieties thanks to their higher yields compared to traditional varieties. Also, a higher adoption rate would positively impact the food security of maize farmers in Eastern Senegal and High Casamance, especially in terms of availability. Other studies measuring the number of years needed for large-scale adoption of improved seed varieties should be conducted.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».