Sustainable intensification of cocoa production under a changing climate in Southwest, Nigeria
Notice bibliographique
Résumé
This study examines the sustainable intensification of cocoa production in Southwest Nigeria, focusing on Ondo State, under the pressures of a changing climate. West Africa dominates global cocoa production, with Nigeria ranking as the fourth-largest producer, yet its yields remain low compared to higher outputs in countries like Côte d’Ivoire. Climate change, coupled with low adoption of intensification technologies and extreme weather events, has contributed to declining productivity in Nigeria. This research investigated the determinants and impacts of adopting intensification technologies, such as improved seedlings, fertilizers, and pesticides, on cocoa yields in Ondo State, a major production hub. Using a multi-stage sampling technique, we collected data from smallholder farmers and analyzed with descriptive statistics, a multinomial logit model, and multinomial endogenous switching regression (MESR). Results reveal that farm size, access to credit, membership in associations, age, gender, and positive perceptions significantly influenced technology adoption. The MESR analysis shows substantial yield increases with the adoption of the intensification technologies, notably an 80.62% boost when combining all technologies. The study underscores the potential of sustainable intensification to enhance cocoa productivity and resilience to climate variability, offering policy recommendations including improved credit access, enhanced extension services, and supply chain optimization for inputs. This research bridges climate science and agronomic innovation, providing actionable insights for sustaining Nigeria’s cocoa economy amidst environmental challenges.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 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 ».