Les agro-industries de l’interface métropolitaine Dakar-Thiès-Mbour : enjeux fonciers et développement territorial
Bibliographic record
Abstract
Les espaces périurbains des grandes villes africaines font face aux mutations des systèmes agraires. Ils sont intégrés à l’économie de marché grâce à une production orientée vers la demande urbaine. La périphérie rurale de la métropole dakaroise est au coeur des dynamiques d’investissement par les agro-industries. L’article analyse les logiques d’implantation des entreprises agro-industrielles, les stratégies spatiales développées ainsi que leurs effets sur les communautés et l’environnement. L’analyse postule l’hypothèse de l’émergence d’un système de production agro-industriel porté par des acteurs de divers profils. Ces derniers s’inscrivent dans une logique capitaliste d’exploitation agricole, bouleversant l’organisation socioéconomique des populations locales ainsi que leurs rapports à l’espace. L’analyse s’appuie sur des données qualitatives recueillies en 2015 et 2017 auprès des entreprises agro-industriels et des populations de la zone. Les agro-industries, de profils variés, développent des stratégies territoriales inscrites dans une dynamique de production mondiale plus ou moins intégrée à la demande locale métropolitaine.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".