MétaCan
Menu
Retour à la cohorte
Enregistrement W4383033114 · doi:10.1111/agec.12786

Separability, spillovers, and segmented markets : Evidence from dairy in India

2023· article· en· W4383033114 sur OpenAlexfundno aff
Sudha Narayanan, Digvijay S. Negi, Tanu Gupta

Notice bibliographique

RevueAgricultural Economics · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomics of Agriculture and Food Markets
Établissements canadiensnon disponible
Organismes subventionnairesMultiple Sclerosis Scientific Research FoundationBill and Melinda Gates Foundation
Mots-clésConsumption (sociology)Production (economics)EconomicsUncorrelatedMarket segmentationValue (mathematics)MicroeconomicsDairy industryBusinessAgricultural economicsFood science

Résumé

récupéré en direct d'OpenAlex

Abstract A long history of empirical research has focused on testing whether and when household consumption and production decisions are separable. If markets were perfect, household consumption would be independent of production. In this article, we propose that market channel choice complicates this relationship. Our analysis of household panel data from rural India, focusing on dairy, leads us to four key conclusions. First, milk consumption is correlated with production, and markets are not a complete substitute for household production. Second, a large presence of formal milk buyers in a village is associated with lower milk consumption in dairy households, overturning the positive association of participation in formal value chains with household milk consumption. Third, contrary to expectations, for households that do not own dairy animals and net buyers, the presence of formal value chains remains uncorrelated with milk consumption. Fourth, we infer, test for and find suggestive evidence of segmented milk markets, that is, different types of households participate in different markets for milk that do not seem to interact with each other. Policymakers focused on market development or production‐based strategies need to factor in the possibility of market segmentation based on market channels while designing interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,065
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,206
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultural EconomicsMême sujetEconomics of Agriculture and Food MarketsTravaux en français237 207