Measuring Efficiencies of Dairy Buffalo Farms in the Philippines Using Data Envelopment Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study aimed to measure the efficiency scores of 75 dairy buffalo farms in the province of Nueva Ecija, Central Luzon, Philippines, using an input-oriented, variable-return-to-scale Data Envelopment Analysis (DEA) model. The farmer-informants or decision-making units (DMUs) were categorized as smallholders, family modules, and semi-commercial in operations. Personal interviews using structured questionnaires were done to gather various information on the socio-economic and management practices of the DMUs. Output in the form of volume and value of milk produced and inputs such as quantities and costs of biologics, feeds, forage, and labor were also collected and evaluated among individual DMUs. The efficiency scores were computed using PIM-DEA software, which identified fully efficient DMUs lying on the frontier line (scores of 1.0) and those enveloped by it (inefficient DMUs with scores of less than 1.0). The overall mean Technical Efficiency (TE), Allocative Efficiency (AE), and Economic Efficiency (EE) scores among the DMUs were 0.80, 0.81, and 0.65, respectively. Most of the inefficient DMUs were in the smallholder category. In sum, smallholder DMUs classified under low and moderate TE clusters should reduce their inputs by 53.31% and 40.01%, respectively, to become fully efficient. Likewise, higher lambda values among efficient peer DMUs indicate the best practice frontiers that the inefficient peer DMUs can benchmark with. Extension and advisory services can help promote the best management practices of the frontiers to improve the TE, AE, and EE of the inefficient DMUs.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 découle