Harnessing Eco-innovation Strategies for Sustainable Development in Nigeria’s Agri-food Industry
Notice bibliographique
Résumé
The exposure of Nigeria to climate change, population expansion, and rising food consumption has made the adoption of eco-innovative solutions to be more critical. Therefore, the study aims to examine the impact of eco-innovation strategies on the sustainability of agri-food industry in Nigeria. The study used a mixed-method research approach, beginning with qualitative data collection through literature reviews, followed by a survey (n = 384) targeting agripreneurs in the agri-food industry across Bayelsa, Edo, Delta, and Rivers State. Quantitative data were analysed using descriptive and inferential statistics, while thematic analysis provided qualitative insights. The study revealed that government-sponsored innovation policies emerged as the most impactful driver of sustainability. Integration of renewable energy and promotion of sustainable consumption practices also demonstrated positive effect on sustainability. Sustainable product design had the least positive effect on sustainability. This study holds several theoretical implications, particularly through the lens of Regulatory Focus Theory (RFT) — whether a promotion or prevention focus can influence the adoption of eco-innovation strategies in the agri-food industry. By linking RFT with sustainability initiatives, the study suggests that firms with a promotion-focused mindset, which emphasizes growth and positive outcomes, are more likely to engage in proactive eco-innovation, such as sustainable product design and the integration of renewable energy. In contrast, firms with a prevention focus, which is more concerned with avoiding losses and maintaining safety, are more inclined to adopt reactive sustainability practices, such as compliance with environmental regulations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».