The Impact of Digital Finance on Farmers’ Adoption of Eco-Agricultural Technology: Evidence from Rice–Crayfish Co-cultivation Technology in China
Notice bibliographique
Résumé
Eco-agricultural technology is crucial to alleviating agricultural resource scarcity and environ-mental pressures. However, financial constraint affects its successful promotion. Digital finance has a significant impact on farmers, but existing research lacks an exploration of the impact of digital finance on farmers' adoption of eco-agricultural technology. This study focuses on Rice–Crayfish Co-cultivation Technology as an example. It utilizes survey data from 1,063 households in China. An Endogenous Switching Probit model is employed to solve self-selection bias. The results reveal several key findings. First, the average treatment effect on the treated is 51.5%. This indicates that if farmers who use digital finance were to stop using it, the probability of adopting rice–crayfish co-cultivation technology would decrease by 51.5%. Therefore, digital finance is beneficial for farmers in adopting this technology. Second, heterogeneity analysis reveals that digital finance has a greater promoting effect on older farmers, those with lower education levels, and higher proportions of agricultural income. This suggests a greater reliance on digital financial services among vulnerable groups. Third, digital finance promotes farmers' adoption of rice–crayfish co-cultivation technology by alleviating financial constraints, expanding information channels, and increasing social capital accumulation. Overall, the findings offer valuable insights for for-mulating supportive policies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».