Supply-Side Interventions in Cocoa Production in Ghana: A Regional Decomposition of Technical Efficiency and Technological Gaps
Notice bibliographique
Résumé
Although Ghana Cocoa Board (COCOBOD) promotes technical change in cocoa farming with innovative technologies and input support, crop productivity is better advanced by improving on the efficiency of input use by farmers. This study thereby investigates the technical efficiency of cocoa farmers in Ghana. The study uses cross sectional field data covering Western North, Ashanti, Eastern, Volta and Brong-Ahafo regions of Ghana on a sample of 899 cocoa farmers and adopts Meta frontier stochastic frontier analysis to derive production efficiencies for each region. The findings are that supply-side interventions such as hand pollination, hybrid seedlings, farm pruning and extension services can improve on technical efficiency of cocoa farmers, more especially in Ashanti, Eastern and Western region. Notably, the CODAPEC input support programme which encapsulates insecticides and fungicides spraying has failed to improve on production efficiency as compared to the Hi-Tech (fertilizer application) programme. Eastern region cocoa farmers stand out as the most efficient producers, producing about 87% of their potential output given technology, whereas Western North produces 76% of its output potential, the lowest of the five regions. The three other regions, namely, Brong-Ahafo, Ashanti and Volta can produce on average 83%, 80% and 78% of their output potential in cocoa respectively. Averagely, cocoa growing regions are underutilizing 21.5% of available technology in the industry while losing 36.5% of output potential due to technical inefficiencies.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».