Value chain extension services for climate-smart agriculture adoption: evidence from Burkina Faso's cotton farming
Notice bibliographique
Résumé
Purpose This study assesses the extent to which integrated extension services contribute to the adoption of climate-smart agriculture (CSA) innovations within the cotton value chain in Burkina Faso. Design/methodology/approach To address the research question, a probit multivariate econometric model with sample selection is utilized. The model is applied to a random sample of farmers (n = 510), and the endogeneity is addressed through a control function approach. Findings The study highlights the central role of value chains, particularly in the cotton sector, in overcoming resource scarcity through integrated extension services. Findings show that smallholder farmers who benefit from sound extension services are more willing to adopt and diversify CSA technologies. These include improved seeds, conservation techniques, adapted planting dates and mechanization. This study confirms the synergistic nature of these technologies and emphasizes that effective climate risk mitigation depends on the combined adoption of CSA technologies. Research limitations/implications The use of cross-sectional data limits the analysis of long-term farmer behavior, and due to data limitations, the focus was primarily on the contributions of cotton companies and farmers to climate risk mitigation. Future research using panel data across the value chain could provide a more robust insights for policy decision-making. Originality/value The study contributes to the existing body of knowledge by emphasizing the crucial role of integrated extension services within the cotton value chain in developing countries. This highlights the critical benefits for farmers and emphasizes the need to diversify modern technologies to effectively combat climate change and its variability in agriculture.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».