Assurance récolte et gestion des risques de perte de culture : mieux comprendre les choix des gestionnaires agricoles au Québec
Bibliographic record
Abstract
Cette étude porte sur les risques agricoles au Québec, plus particulièrement les risques de pertes de récolte. Entre 2018 et 2022, 66,5 % des gestionnaires agricoles sondés ont subi des pertes de récolte ayant nui à la santé financière de leur entreprise, et 71,3 % anticipent une aggravation liée aux changements climatiques. Par ailleurs, 50,5 % d’entre eux estiment avoir une connaissance moyenne ou faible des risques climatiques. Trois types de stratégies peuvent être combinées pour gérer ces risques : l’autogestion à la ferme (pratiques agricoles, prévention…), la résilience (formation, conseils, partage d’expériences…) et le partage des risques (collectifs, assurances, soutien gouvernemental…). La prise de décision en matière de gestion des risques est vécue différemment selon les personnes: 36,8 % des gestionnaires se sentent en contrôle, tandis que 27,7 % la vivent comme un jeu de hasard. L’assurance récolte, largement utilisée (74 % des entreprises y ont adhéré au moins une année entre 2018 et 2022), est souvent perçue comme une solution de dernier recours. La décision d’y adhérer repose principalement sur la perception du programme, sa compréhension et la confiance accordée. Les conseillers en assurance et le site de La Financière agricole du Québec (FADQ) sont les principales sources d’information des gestionnaires agricoles sondés. L’étude souligne l’importance d’encourager les entreprises agricoles à combiner diverses stratégies de gestion des risques et à améliorer la communication sur l’assurance récolte et les risques climatiques.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".