Identifying system archetypes in Nigeria’s rice agri-food system using fuzzy cognitive mapping
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
Nigeria is a major rice-producing and rice-importing country in Africa, challenged with ensuring rice-food security for its growing population. Successive governments have implemented several strategies to increase local rice production such as rice import restriction policies and agricultural investments. These strategies have yielded results but achieving long-term sustainable growth in Nigeria’s rice agri-food system has remained elusive. Addressing food security and sustainability in agri-food systems requires a systems-thinking approach. In this study, we applied two systems thinking techniques, fuzzy cognitive mapping (for describing the system structure and behavior) and archetype analysis (to reveal generic system archetypes and effective strategies to improve the system). Our analysis revealed three system archetypes: limits to success, fixes that fail, and drifting goals. Rice production is limited by low agricultural productivity indicating the “limits to success” archetype. Farmers tend to increase rice area as a “quick fix” to productivity issues but this quick fix leads to unintended consequences such as soil degradation (fixes that fail archetype). Additionally, because of the import-restriction policies generating an unmet demand for rice, the government may face pressure to lower the goal of self-sufficiency falling into the “drifting goals” archetype. However, our analysis shows that suspending import-restriction policies would result in undesirable system states, with reduced demand for local rice and lower rice production. Our results underscore the importance of government policies in increasing rice production sustainably and ensuring food security.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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