Profitability drivers of carrot farming and its implications on food security of smallholder farmers in Northwest Ethiopia
Notice bibliographique
Résumé
Carrot ( Daucus carota L.) farming plays a dual role in enhancing household nutrition security and generating income for smallholder farmers in Ethiopia. However, the determinants of its profitability and their implications for food security remain insufficiently studied. This study aimed to analyze the key drivers of carrot farming profitability and examine how profitability influences smallholder food security in Northwest Ethiopia. A multi-stage sampling method was used to select three irrigation-accessible districts, followed by random sampling of 385 carrot-producing households. Data were collected using a structured questionnaire covering the 2023–2024 irrigation-based production season, where planting commenced in late November 2023 and harvesting began at the end of March 2024. Descriptive statistics were used to summarize socioeconomic and demographic data related to profitability, and a Log-Log Ordinary Least Squares (OLS) regression model was used to analyze the effects of cost and revenue factors on profitability. Food Consumption Score (FCS) and Meal Frequency were used as food security indicators. The results indicate that while carrot farming is generally profitable, profitability is significantly constrained by high variable costs, particularly costs of labor, seed, irrigation, land preparation, and harvesting, as well as other supplementary expenses. Conversely, profitability was positively and significantly influenced by yield and market price. Importantly, households with above-mean profits reported significantly higher food security outcomes, with a mean FCS of 41.1 and meal frequency of 3.25 meals/day, compared to 22.4 and 2.05 meals/day in less profitable households ( p < 0.001). The study recommends promoting input efficiency, adopting the best agronomic practices, and enhancing market linkages through cooperative models and infrastructure support to improve profitability and its contribution to food security. Integrating livestock for manure and income diversification is also vital. Future longitudinal and cross-regional studies are recommended to address the study’s limitations, which include the regional and seasonal focus, and the lack of household income data for food expenditure.
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 | 0,001 | 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) | 0,001 | 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 ».