Harvesting value: Corporate strategies of data assetization in agriculture and their socio-ecological implications
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
The global food system is characterized by market concentration and oligopoly. In our article, we focus on the most powerful input supply and machinery companies and analyze how these firms create value, both economic and otherwise, from big data. In digital capitalism, data is valorized across sectors; personal data is aggregated into large-scale datasets, a practice that feeds economic concentration and monopolization. Big data also has become central to the business model for agricultural companies; it is a claim made by the companies themselves. Yet, little is known about their specific strategies to do so. We aim to fill this gap, asking how is agricultural data transformed into value by the most powerful agribusinesses and ag-tech firms? Through the lens of assetization, we examine corporate strategies for transforming agricultural data into value. We draw on literature from food studies, specifically political economic analyses of the historical practices of agricultural corporations, as well as literature from critical data studies that investigates data as an asset. For our analysis, we rely on a variety of gray literature and public-facing documents: financial documents, sustainability and shareholder reports, terms of use, license agreements, and news articles. Our results contribute to the critical data studies literature on agricultural big data by identifying three main strategies of assetization: securing relationships and dependence, price-setting and data sharing, and product development and targeted marketing. The strategies have socio-ecological implications; our results indicate the reproduction of asymmetrical power relations in the agri-food system favoring corporations and the continuation of long-standing dynamics of inequalities.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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