Policy interventions and productive employment in rural sub-Saharan Africa: a gender-differentiated meta-analysis
Notice bibliographique
Résumé
Purpose The farm sector is crucial for rural poverty alleviation, alongside the non-farm sector, which contributes to mitigating risks associated with crop failures. This paper investigates the effects of public policies on productive employment within both the farm and non-farm sectors in sub-Saharan Africa. Design/methodology/approach A meta-analysis is conducted exclusively on the results of the Partnership for Economic Policy (PEP)-funded studies under the Policy Analysis on Growth and Employment (PAGE II) initiative. Selected studies focused on the impact of public policies on productive employment in rural farm and non-farm sectors, encompassing a total of nine sub-Saharan Africa countries in: Benin, Burkina Faso, Cote d'Ivoire, Democratic Republic of Congo, Ghana, Lesotho, Nigeria, Senegal and South Africa. Findings The results indicate that public investments in rural areas and public policies that facilitate access to productive resources are likely to enhance productive employment. The overall effect size is positive and significant, ranging from 2% to 10% increases in productive employment. Sources of variation include the sector of activity and the policy instrument. In addition, the policy effects are gender-sensitive and seem more consistent in the non-farm sector. Research limitations/implications Although the selected working papers addressed several aspects of productive employment, other aspects warrant further investigation. Policies involving restrictions or regulations have received little attention in the impact analysis. Researches to fill this gap would be important. Another suggestion for further research is the analysis of the relative importance of non-farm employment in rural areas in developing countries. It is always assumed that rural households depend heavily on agriculture for their subsistence. Originality/value The contribution of the paper lies in the comparative analysis of numerous public policies implemented in nine distinct countries. By consolidating data from fourteen 14 different experiences into a single study, the paper offers valuable insights on factors that determine policy effectiveness and contribute to understanding what worked for whom and why.
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 | 0,027 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,037 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».