An analysis of health factors as predictors of agricultural technology adoption:the case of improved maize seeds and inorganic fertilizers in Malawi
Notice bibliographique
Résumé
Agricultural technologies are considered as efficient instruments to support rural and economic development.In general, socio-economic factors are considered as the main determinants that delay or encourage the adoption of improved technologies.Other predictors such as health factors have rarely been included in studies as determinants of (non)adoption (Ersado et al 2004).As a result, this study attempts to determine whether or not health factors (farmers' health status and accessibility to healthcare services) negatively and significantly influence the adoption of improved agricultural technologies.A Tobit model and a bivariate probit model were designed to evaluate the hypothesis that health factors significantly and negatively impact the adoption of improved maize seeds and inorganic fertilizers in Malawi (Southern Africa).The study uses data from the 2010-2011 Malawi Third Integrated Household Survey (Malawi 2010-2011 IHS3).Overall, findings from this analysis support the hypothesis that longer distances to places were farmers can buy medication negatively and significantly impact the adoption of improved technologies; especially in the case of inorganic fertilizers.The results, however, do not indicate that chronic sickness significantly impact adoption behavior; although the impact is negative.Additionally, the results suggest that socioeconomic factors that significantly influence the adoption of hybrid maize seeds and inorganic fertilizers include: education, plot ownership, hired labor, and the price of chemical fertilizers.These results, in part, support policies designed to improve healthcare systems and strengthen collaborative work between the health and agricultural sectors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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 ».