Unveiling the nexus between maltreatment of smallholder youth farmers and agricultural productivity in Tanzania
Notice bibliographique
Résumé
Despite global and developing countries' efforts to address maltreatment across various sectors, limited attention has been given to its impact on agriculture. This study investigates the effects of maltreatment of smallholder youth farmers specifically physical abuse, sexual abuse, and emotional abuse on agricultural productivity among smallholder youth farmers. Employing a statistical research design, data from the Tanzania Integrated Labor Force Survey 2020/21 are analyzed. The study utilizes a Multivariate Probit (MVP) model to estimate determinants of maltreatment, and instrumental variable models (Two Stage Least Squares, Two Stage Residual Inclusion, and Control Function Approach) to estimate the effects of maltreatment on agricultural productivity with proximity to local law enforcement as an instrument to control endogeneity. The results reveal that Tanga (21.46%), Morogoro (17.08%), Kilimanjaro (17.06%), and Dodoma (15.00%) exhibit a high prevalence of maltreatment practices among youths, whereas Geita, Kusini Pemba, Kusini Unguja, Mjini Magharibi, Njombe, Rukwa, Simiyu, and Tabora display relatively few instances. Furthermore, factors such as gender, age, residence, and disabilities are key determinants of maltreatment. Additionally, maltreatment has varying effects in reducing agricultural productivity significantly such that physical abuse (β = -0.2315, p<0.01), sexual abuse (β = -0.4281, p<0.01), and emotional abuse (β = -0.1965, p<0.01). This study implies that addressing maltreatment is crucial for enhancing the well-being and productivity of smallholder youth farmers. Moreover, it informs policy on the need for targeted interventions to mitigate maltreatment and recommends gender-sensitive agricultural policies, rural development initiatives, educational and skill-building programs, disability-inclusive policies, workplace support, and mental health resources, and the integration of technology for sustainable agricultural practices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».