COMPETITIVENESS AND DETERMINANTS OF LENTIL (LENS CULINARIS MEDIK.) EXPORT FROM NEPAL: A PORTER’S FIVE FORCES FRAMEWORK APPROACH
Notice bibliographique
Résumé
Lentil (Lens culinaris Medik.) is a vital pulse crop for Nepal, holding significant economic value in domestic agriculture and exports. Despite being a major producer, Nepal’s lentil export competitiveness is limited by inconsistent quality, minimal value addition, and a fragmented supply chain. This study investigates the determinants of Nepalese lentil export competitiveness, focusing on the Dhaka market, using Porter’s Five Forces framework and secondary data from sources like FAOSTAT. Analytical tools such as descriptive statistics, multiple OLS regression, the Augmented Dickey-Fuller test, Johansen co-integration, competitive matrix, and Rapid Market Appraisal are employed. Findings indicate that Nepalese lentils are favored for their taste and cooking quality, yet face stiff competition from Canada, Australia, and India. Key determinants affecting competitiveness include market share, consumer demand, quality attributes, and pricing. OLS regression shows Nepal’s exports are significantly influenced by exchange rate (β = 2.93, p = 0.011), Bangladesh’s domestic production (t = -3.43, p = 0.004), and international prices (β = -1.0689, t = -2.51, p = 0.025). Within study among markets and traders in Dhaka, Nepal contributes around 16% share and this share found declined in recent years, with rising imports from Australia and Canada. Exporters and importers emphasize market demand, taste, and cooking quality as trade drivers. The study concludes with strategic recommendations including export credit and efficient production to improve Nepal’s competitive position. Strengthening value chains, quality assurance, and market linkages is essential to ensure sustainable growth and global market integration for Nepalese lentils.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».