The impact of climate change on agricultural labour productivity: implications for human mobility and poverty
Notice bibliographique
Résumé
BACKGROUND AND AIM: Working in hot or cold environments causes discomfort, fatigue, and cognitive impairment, raising the risk for health complications. The present study developed a new model to estimate the impact of ambient conditions on labour productivity based on field data and applied this model to predict the welfare implications of climate change by estimating the labour productivity change between the years 2000 and 2040. METHODS: In total, we monitored 1,260 hours of work performed by 194 (men=123; women=71) experienced and acclimatized agriculture workers from 10 nationalities. Time-motion analysis using video recordings was used to extract detailed information on each worker’s activities during their work shift. Sine orthogonal distance regression was used to generate the labor loss functions for WBGT and air temperature. Using this model, we projected the welfare implications across the globe of climate change by estimating the labour productivity change between the years 2000 and 2040, using an extended unified general equilibrium framework combining labour mobility and trade interactions between locations. RESULTS: Our findings reveal an inverted U-shaped relationship with the highest labour productivity observed at 15 °C WBGT or ambient temperature (R2 0.95-0.98). By applying this model to project global welfare implications, we found that the ongoing climate change is expected to impair agricultural labour productivity, promoting significant labour mobility and wealth redistribution across the globe. In contrast to cold regions, which are projected to have average gains up to 6.3%, regions located close to the equator, where poverty is widespread, will face average losses up to 1.2% in productivity and wealth. CONCLUSIONS: Our projections show larger labour productivity losses in countries where poverty is widespread and the economy is heavily dependent on the agricultural sector. This creates concerns over whether the 1st Sustainable Development Goal involving eradication of poverty can be achieved by 2030.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».