Une méthode pour faciliter la prise en compte de l’élevage dans les comptes nationaux dans les pays de la communauté économique et monétaire de l’Afrique centrale (CÉMAC)
Bibliographic record
Abstract
L’objectif de cette étude est de proposer une réflexion méthodologique sur les modalités de prise en compte des grandeurs comptables de l’élevage dans les pays d’Afrique centrale. La méthode proposée consiste à rendre ces grandeurs comptables peu sensibles aux pertes et aux fluctuations climatiques (afin d’élaborer un système de compte qui ait le statut de règlement et qui impose par là même des fortes contraintes aux États membres) et, en même temps, de reconnaître la valeur ajoutée de l’élevage comme source importante de revenus pour les populations pauvres. Il nous est apparu que la recherche devrait s’orienter vers les axes suivants : l’évaluation en nombre de têtes de la production; la formation brute de capital et des variations de stocks de la branche. Nous avons alors considéré que les fondements de ces analyses devraient s’appuyer tant sur le plan conceptuel que sur le plan pratique pour rendre complètement comparables les agrégats économiques et permettre la cohérence des prévisions. D’un point de vue plus général, le défi politique est non seulement de créer un cadre institutionnel et macroéconomique propice permettant une prise en compte correcte de l’importance de l’élevage, mais aussi de faire en sorte que la croissance de l’économie soit profitable aux plus démunis.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".