The Impact of Digital Finance on Farmers’ Adoption of Eco-Agricultural Technology: Evidence from Rice-Crayfish Co-Cultivation Technology in China
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
Eco-agricultural technology is crucial in alleviating agricultural resource scarcity and environmental pressures. However, financial constraints affect its successful promotion. Digital finance significantly impacts farmers. However, existing research neglects the impact of digital finance on farmers’ adoption of eco-agricultural technology. This study focuses on rice-crayfish co-cultivation technology. It utilizes survey data from 1063 households in China. An endogenous switching probit model is employed to solve self-selection bias. The results are as follows: First, the average treatment effect 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 shows that the promoting effect of digital finance is a greater promoting effect on older farmers, and on 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 formulating supportive eco-agricultural 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle