Théorie des ensembles flous : une application à l’assurance indicielle au Burkina Faso
Bibliographic record
Abstract
L’assurance indicielle, considérée dès son introduction dans les pays en développement comme un puissant outil de stabilisation des revenus des paysans et de réduction de la pauvreté, a très vite désenchanté ses promoteurs. L’évolution de la demande de cette assurance est particulièrement décevante dans la majeure partie des pays qui l’ont expérimenté. Au Burkina Faso, on constate une forte baisse des adhésions et partant des superficies et des sommes assurées. La principale raison évoquée par les producteurs est l’absence d’indemnisations ou le très faible niveau d’indemnisation en cas de perte de production (risque de base). La présente étude propose l’utilisation des techniques de classification floue qui autorise l’appartenance partielle à des classes à indemniser pour réduire le risque de base et augmenter l’attractivité de l’assurance indicielle au sein des producteurs de coton au Burkina Faso. Nous avons montré que l’application de la technique de classification floue augmente significativement la probabilité d’être indemnisé (de plus de trois fois par rapport à son niveau actuel) mais aussi la prime de l’assurance. Toutefois selon Elabed et Carter (2014a), les producteurs seraient prêts à payer des sommes substantielles pour atténuer ou éliminer totalement le risque de base.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".