MétaCan
Menu
Retour à la cohorte
Enregistrement W6980318051

Bulk Handling of Paddy and Rice in Malaysia: an Economic Analysis

2017· article· en· W6980318051 sur OpenAlexfundno aff

Notice bibliographique

RevueAgEcon Search (University of Minnesota, USA) · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensnon disponible
Organismes subventionnairesInstitut Penyelidikan dan Kemajuan Pertanian MalaysiaAustralian Centre for International Agricultural ResearchInternational Development Research Centre
Mots-clésIncentivePostharvestEconomic analysisEconomic impact analysisEconomic feasibilityProduct (mathematics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

ACIAR has supported a number of projects on the postharvest handling of grains in Southeast Asia.The economics-orientated project on which this report is based was formulated in recognition of the idea that new technology will only be developed and adopted where appropriate economic incentives exist.The results showed that, in fact, such incentives are lacking in the postharvest rice sector of Malaysia.Changing policies which affect these will be a prerequisite to improved technology adoption in the postharvest sector in Malaysia, particularly with respect to grain drying.Suggestions regarding the appropriate level and type of incentives are included.A full bulk-handling system was shown to be less desirable economically than a semi-bulk system under current conditions.Paddy and final product pricing policies were found to have a critical impact on the economic feasibility of the introduction of bulk-handling equipment.The collaboration between the various institutions involved in the project was excellent.This collaboration included not only socioeconomic, but also technical aspects.Since the project concluded, there have been substantive discussions in Malaysia on the results.The policy recommendations stemming from the project are receiving consideration by the Malaysian authorities, and are in the process of being implemented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,327
Score d'incertitude au seuil0,982

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,243
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgEcon Search (University of Minnesota, USA)Même sujetFood Drying and ModelingTravaux en français237 207