Agricultural Policies in Latin America and the Caribbean 2023
Notice bibliographique
Résumé
Agriculture is a key economic sector in Latin America and the Caribbean (LAC), accounting for nearly 7% of the region's GDP, though with significant heterogeneity. For instance, its contribution to GDP is less than 4% in countries like Mexico and Chile, while it exceeds 15% in Belize and Nicaragua, and reaches 20% in Paraguay. Between 2017 and 2022, both exports and economic growth progressed at a slower pace compared to previous periods. This report, the third in its series, systematically analyzes agricultural support policies in 25 LAC countries using the OECDs Producer Support Estimates (PSE) methodology, as systematized by the IDBs Agrimonitor initiative. Overall, agricultural support represents a low percentage of the region's GDP (1.3%) and its agricultural GDP (16%) compared to support levels in the European Union, Canada, and the United States. The main source of support comes from market price distortions, which on average account for 75% of the Producer Support Estimate. Public Agricultural Expenditure accounts for 5% of the regions agricultural GDP. A decline in budgetary investment in agriculture was observed in 17 LAC countries over the average of the last three available years compared to the previous three-year period. Literature has highlighted the importance of investment in agricultural public goods and the need for countries in the region to allocate more resources to these types of support to boost productivity and competitiveness. The report also highlights the efforts of various countries in the region to promote environmental sustainability in the sector through policies encouraging the adoption of sustainable practices and technologies. The data reveal that, so far, there is no clear relationship between greenhouse gas (GHG) emissions from agricultural products and the level of policy support they receive. Finally, the report examines support for fisheries and aquaculture through the Fisheries Support Estimate (FSE), revealing significant differences in the levels and composition of support across the countries analyzed. For instance, countries such as Argentina, the Bahamas, Colombia, and Peru allocate the majority of their support to public goods, whereas Costa Rica, Brazil, and Suriname provide support directly to their fishers.
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 | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».