Determinants of adoption and intensity of adoption of Fall Armyworm management practices in Southwestern Ghana
Notice bibliographique
Résumé
The fall armyworm (FAW) continues to cause substantial economic losses to cereal crop farmers in sub–Saharan Africa (SSA), including Ghana. Specifically, FAW can lead to between 20 and 25 percent yield losses in cereals, particularly maize. Therefore, the factors influencing smallholder farmers’ choice(s) of management practices should be a source of worry and thus extensively pursued. Ironically, the extant literature largely focuses on documenting FAW management practices and estimating damage caused, neglecting what drives farmers’ choices of selecting a combination(s) of FAW management practices. To this end, this study addresses two research questions. First, what factors influence the adoption of FAW management practices in southwestern Ghana? Second, what factors influence the choice of adoption intensity of FAW management practices? The study relied on cross-sectional data involving 290 smallholder maize farmers using multivariate probit and Poisson regressions. The empirics show that 24 percent of farmers do not adopt any management practices. About 45 percent of maize farmers use a single management practice to combat FAW, with an estimated 28 percent using two control methods and only 3 percent using three management practices (i.e., pesticides, handpicking and frequent weeding). The choice of adoption intensity of specific management practice(s) is positively influenced by sex, education, farm size, membership of farmer-based organizations (FBOs) and access to agricultural extension and advisory services. The study highlights a take-home message that demographic characteristics and membership in social networks influence the choice and intensity of FAW management practices. It is therefore prudent for the Ministry of Food and Agriculture (MoFA) and specific Department of Agriculture (DoA) at various sub-national levels to intensify and sustain agricultural extension and advisory services through useful conduits such as agricultural extension agents (AEAs), peer farmers and FBOs to ensure the sustainable management of the FAW in Ghana and by implication, countries in Africa.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».