Do climate disasters make farmers more willing to cooperate? Evidence from rural communities in southern China
Notice bibliographique
Résumé
Purpose This article aims to explore the impact of climate disasters on small-scale farmers’ willingness to cooperate and explore the mediating effect of social capital. Design/methodology/approach The study investigates farmers’ willingness to cooperate through a framed field approach and surveys the information of individuals and villages, including climate disasters and social capital, using a structured questionnaire from rural communities in Jiangxi and Sichuan, China. Findings The results show that climate disasters and social capital are significant and positive determinants of farmers’ willingness to cooperate. In specific types of climate disasters, drought is positively associated with farmers’ cooperation willingness. Moreover, the mediation effect of drought on farmers’ willingness to cooperate through social capital has been demonstrated to be significant although negative, whereas the mediation effect of flood on farmers’ willingness to cooperate through social capital is significant and positive. Originality/value First, given the limited studies focusing on the impact of climate disasters on small-scale farmers’ willingness to cooperate, the authors complement the existing literature through a framed field experiment approach by designing a scenario that every farmer may encounter in their production activities. Second, the study figures out the roles of drought and flood as different kinds of climate disasters in farmers’ decision-making of cooperation and sheds light on the positive impact of climate disasters on small-scale farmers. Finally, this paper provides empirical evidence of social capital as a potential channel through which climate disasters could possibly affect farmers’ willingness to cooperate.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».