Uasili wa mbinu za kilimo hai, katika utafiti huu ni tabia ya uasili wa teknolojia ya kilimo inayochunguzwa kupitia matumizi ya mbinu moja au zaidi kati ya sita na wakulima wa mboga: mboji, samadi ya wanyama, mbolea ya kijani, matandazo, biopesticide inayotokana na majivu/sabuni, na mzunguko wa mazao. Utafiti ulitumia dodoso lenye muundo lililotolewa kwa wakulima 200 wa mboga waliochaguliwa kutoka jamii 25 ndani ya Local Government Area tano katika Enugu State, Nigeria. Ufahamu na Adoption Intensity Index vilitathminiwa kwa takwimu elezi; uamuzi wa kuasili angalau mbinu moja ya kilimo hai kwa modeli ya Binary Logit; na mifumo ya kuchagua kwa pamoja mbinu sita tofauti kwa modeli ya Multivariate Probit (MVP). Utafiti unaripoti elimu, ukubwa wa shamba, uanachama wa ushirika na extension contact kama vigezo muhimu vya uasili. Hata hivyo, kwa kuwa kuna kutokuwiana muhimu ndani ya majedwali ya chanzo kati ya asilimia ya ufahamu, AII ya wastani, coefficients za Binary Logit na odds ratio, ukubwa wa athari za kiasi unapaswa kufasiriwa kwa tahadhari.

Sampuli ya utafiti iliundwa kwa hatua nyingi. Local Government Area tano — Nsukka, Nkanu-East, Udi, Ezeagu na Awgu — zilichaguliwa kimakusudi kutokana na umuhimu wake katika uzalishaji wa mboga. Kutoka kila LGA, jamii tano zilichaguliwa tena kwa njia ya kimakusudi, hivyo jumla ya jamii 25 zikapatikana. Katika hatua ya mwisho, wakulima wanane wa mboga kutoka kila jamii walichaguliwa kwa usampulishaji nasibu rahisi, na hivyo kupata jumla ya respondent 200.

Ingawa chanzo kinaeleza ufahamu kuwa %78, katika Table 1 kundi la High ni %48 na la Very High ni %28; kwa pamoja makundi haya mawili ni %76. Kwa Adoption Intensity Index, chanzo kinatoa wastani wa %54,2. Kinyume chake, ukaguzi wa moja kwa moja wa kihesabu kwa kutumia mgawanyo wa mbinu 0–6 uliochapishwa katika Table 2 unatoa wastani wenye uzani wa takriban %42,33. Kwa kuwa data ghafi haipatikani, Verianla haidhanii ni thamani ipi inayowakilisha hesabu asili ya watafiti.

Matokeo ya utafiti ni ya uchunguzi na ya sehemu-mkataba. Mahusiano yaliyoripotiwa kati ya elimu, ukubwa wa shamba, uanachama wa ushirika au extension contact na uasili wa mbinu za kilimo hai si ushahidi wa athari ya kisababishi. Zaidi ya hayo, kwa kuwa hatua mbili za kwanza za usampulishaji zilikuwa za kimakusudi, matokeo hayapaswi kujumlishwa kwa wakulima wote wa mboga katika Enugu State kwa nguvu sawa na sampuli ya jimbo zima yenye uwezekano kamili.

Tatizo kuu la utafiti ni nini?

Utafiti unachunguza kwa kiwango gani wakulima wa mboga katika Enugu State wanafahamu mbinu za uzalishaji wa kilimo hai, wanatumia ngapi kati ya mbinu hizo, na jinsi sifa za mkulima na taasisi zinavyohusiana na maamuzi ya uasili.

Chanzo kinachukulia mbinu kama composting, crop rotation, green manure na biological pest control katika muktadha wa kilimo hai kama chaguo za uzalishaji endelevu zinazohusishwa na kupunguza au kuondoa matumizi ya mbolea na viuatilifu vya sintetiki.

Pengo la fasihi lililotambuliwa na watafiti ni kuwa kuna ushahidi mdogo wa kiempiria, hasa kwa Enugu State, unaotathmini kwa kina ndani ya utafiti mmoja uamuzi wa jumla wa uasili na tabia ya kuchagua kwa pamoja mbinu tofauti za kilimo hai miongoni mwa wakulima wa mboga.

Utafiti una malengo manne makuu: kutathmini ufahamu wa kilimo hai, kupima kiwango cha uasili, kubainisha vigezo vinavyounda uamuzi wa jumla wa uasili, na kuchunguza sababu zinazoathiri uchaguzi wa mbinu maalumu za kilimo hai.

Utafiti ulifanyika wapi na kwa nani?

Utafiti ulifanyika Enugu State, Nigeria. Chanzo kinaeleza kuwa eneo hilo liko kati ya latitudo za kaskazini 5°56'–7°36' na longitudo za mashariki 6°53'–7°55'; lina eneo la 13.161 km² na msongamano wa watu 615 kwa km².

Katika uzalishaji wa mboga, utafiti unataja nyanya, pilipili, fluted pumpkin (Telfairia occidentalis), okra (Abelmoschus esculentus), amaranthus na spinach.

Sampuli iliundwaje?

Usampulishaji ulikuwa na hatua tatu kuu za maamuzi.

1. LGA tano — Nsukka, Nkanu-East, Udi, Ezeagu na Awgu — zilichaguliwa kimakusudi kutokana na umuhimu wake katika uzalishaji wa mboga na kwa sababu kulikuwa na organic na conventional vegetable farmers.
2. Jamii tano kutoka kila LGA zilichaguliwa kimakusudi, na jumla ya community 25 zikawekwa.
3. Kutoka kila community, wakulima wanane wa mboga walichaguliwa kwa simple random sampling, hivyo 25 × 8 = 200 respondent wakapatikana.

Kiwango cha ufahamu kiligawanywaje?

Maandishi ya chanzo na abstract yanaeleza ufahamu kuwa %78. Hata hivyo, katika Table 1 iliyochapishwa, High + Very High:

\[ 48\%+28\%=76\% \]

ni hivyo. Kwa kuwa awareness scores ghafi hazijatolewa, sababu ya tofauti kati ya %78 na %76 haiwezi kubainishwa.

Zaidi ya hayo, chanzo hakiripoti kwa kina katika sehemu ya mbinu awareness score iliundwa kutoka maswali au vipengele vingapi, vipengele vya Likert vilipata alama kwa namna gani, na vilibadilishwaje hadi kipimo cha 0–100. Kwa hiyo, haiwezekani kuzalisha upya kikamilifu kipimo cha ufahamu.

Adoption Intensity Index (AII) Inapima Nini Katika Utafiti Huu?

Adoption Intensity Index ni kiashiria cha kiwango kinachoonyesha kati ya 0 na 1 ni mbinu ngapi kati ya sita za kilimo hai zilizofuatiliwa katika utafiti ambazo mkulima ameasili; muundo wa thamani uliochapishwa katika Table 2 unalingana na uwiano kama 0,000 kwa 0/6, 0,500 kwa 3/6 na 1,000 kwa 6/6, lakini chanzo hakitoi equation tofauti ya kihisabati kwa AII katika sehemu ya mbinu.

Mbinu sita katika utafiti ni:

• Matumizi ya mboji,
• Samadi ya wanyama,
• Mbolea ya kijani,
• Matandazo,
• Biopesticide ya majivu/sabuni,
• Mzunguko wa mazao.

Kundi kubwa zaidi ni wakulima walioasili mbinu tatu, kwa %24.

Uwiano wa wanaotumia angalau mbinu tatu:

\[ 24+18+6+4=52\% \]

ni huo. Thamani hii inaendana na maandishi ya chanzo.

Uwiano wa wanaotumia mbinu zote sita ni %4, na wanaotumia hakuna ni %12.

Hapa, “kutumia mbinu zote sita” ni uasili kamili kwenye kipimo cha AII ndani ya utafiti. Matokeo haya si sawa na kutimiza masharti yote ya kiwango cha kimataifa cha uthibitishaji wa kilimo hai au shamba kuwa biashara ya kilimo hai iliyothibitishwa rasmi.

Je, wastani wa AII wa %54,2 ulioripotiwa na chanzo unatokana na jedwali?

Chanzo kinaandika chini ya Table 2:

Mean AII = 54,2% (Moderate)

.

Hata hivyo, consistency check ya kihesabu kwa kutumia asilimia za mgawanyo zilizochapishwa:

\[ \overline{AII} = 0(0.12) +\frac{1}{6}(0.16) +\frac{2}{6}(0.20) +\frac{3}{6}(0.24) +\frac{4}{6}(0.18) +\frac{5}{6}(0.06) +1(0.04) \]

\[ \overline{AII}\approx0.4233=42.33\% \]

inatoa.

Hesabu hii si matokeo mapya ya utafiti. Ni ukaguzi tu wa uwiano wa kihesabu wa thamani za Table 2 zilizochapishwa. Kwa kuwa data ghafi ya respondent-level haipatikani, sababu ya tofauti kati ya %54,2 iliyoripotiwa na chanzo na takriban %42,33 inayohesabiwa kutoka mgawanyo wa Table 2 haiwezi kubainishwa.

Coefficient ya Binary Logit na Odds Ratio Zinapaswa Kufasiriwaje?

Modeli ya Binary Logit inaonyesha uhusiano kati ya kuwa kwa mkulima katika mojawapo ya makundi mawili — aliyeasili au ambaye hajaasili mbinu ya kilimo hai — na vigezo elezi kwenye kipimo cha log-odds; katika modeli ya kawaida ya logit, thamani ya kipeo ya coefficient \(e^\beta\) hutoa odds ratio inayolingana na ongezeko la kitengo kimoja katika kigezo husika, lakini jozi nyingi za coefficients na odds ratio zilizochapishwa katika Table 3 ya utafiti huu hazilingani na uhusiano huu wa kihisabati.

Equation ya Chanzo (1)

Katika PDF, Equation (1) imechapishwa hivi:

\[ Ln= \beta_0+\beta_1X_1+\beta_2X_2+\beta_3X_3+\beta_4X_4+\beta_5X_5+\beta_6X_6+\beta_7X_7+\beta_8X_8+\beta_9X_9 \tag{1} \]

Mara tu baada yake, chanzo kinafafanua \(P_i\) kuwa uwezekano wa mkulima kuwa adopter na \(1-P_i\) kuwa uwezekano wa kuwa non-adopter. Hata hivyo, katika fomula iliyochapishwa haionekani operator ya “Ln” inachukua logariti ya kiasi gani.

Si matokeo mapya ya utafiti, bali maelezo ya dhana kwa kufundisha muundo wa kawaida wa Binary Logit:

\[ \ln\left(\frac{P_i}{1-P_i}\right) = \beta_0+\beta_1X_{1i}+\cdots+\beta_9X_{9i} \]

Katika modeli ya kawaida ya logit, upande wa kushoto ni log-odds.

\(P_i\), adoption probability;

\(1-P_i\), non-adoption probability;

\(\beta_0\), intercept;

\(\beta_1,\ldots,\beta_9\), explanatory-variable coefficients.

Vigezo tisa elezi katika modeli

Kigezo tegemezi:

\[ Y= \begin{cases} 1,& \text{organik tarım uygulaması benimsenmişse}\\ 0,& \text{aksi durumda} \end{cases} \]

Kwa nini Equation ya Chanzo (2) inahitaji tahadhari?

PDF inachapisha Equation (2) kama:

\[ Odd\ ratio=P(Y_i=1) \tag{2} \]

.

Probability na odds si kitu kimoja.

Si matokeo ya utafiti, bali maelezo ya dhana:

\[ Odds=\frac{P(Y=1)}{1-P(Y=1)} \]

na kwa coefficient ya kawaida ya Binary Logit:

\[ OR=e^\beta \]

uhusiano huu hutumika.

Chanzo katika prose pia kinasema kuwa coefficients zilifanyiwa exponentiate ili kupata odds ratio. Kwa hiyo, muundo uliochapishwa wa Equation (2) ni kutokuwiana kwa kihisabati ndani ya chanzo.

Table 3: Matokeo ya Binary Logit yaliyoripotiwa na chanzo

* Tanbihi ya chanzo ya Table 3: P ≤ 0,05.

Safu ya mwisho katika jedwali hili si matokeo tofauti yaliyotolewa na chanzo. Ni consistency check ya kihisabati ya kauli ya chanzo yenyewe, “coefficients were exponentiated to obtain odds ratios”.

Mstari wa Education unalingana karibu kikamilifu:

\[ e^{1.056}\approx2.875 \]

na chanzo kinatoa OR=2,87.

Mstari wa Farm size pia unalingana kwa takriban:

\[ e^{1.166}\approx3.209 \]

chanzo kinaripoti OR=3,17.

Kwa upande mwingine, kwa Extension Contacts:

\[ e^{0.629}\approx1.876 \]

lakini Table 3 inatoa OR=5,46.

Kwa Access to Credit:

\[ e^{1.463}\approx4.319 \]

lakini Table 3 inatoa OR=1,71.

Katika mistari ya Sex, Age, Household Size na Farming Experience pia, thamani za OR zilizochapishwa hazilingani na exponentiation ya coefficients.

Kwa upande wa thamani za Z, katika baadhi ya mistari kama Education, Farm Size na Cooperative Membership:

\[ Z\approx\frac{\beta}{SE} \]

uhusiano huu unalingana na thamani za Z zilizochapishwa. Hata hivyo, katika mistari ya Access to Credit na Extension Contacts, coefficient, standard error na Z hazilingani kwa pamoja.

Kwa hiyo, bila statistical output ghafi haiwezekani kuthibitisha ni ipi kati ya safu za coefficient, OR na Z katika Table 3 ya chanzo inayowakilisha matokeo halisi ya modeli kwa kila mstari.

Vipimo vya jumla vya ulinganifu wa modeli ya Binary Logit

Chanzo kinaripoti:

\[ LR\ \chi^2(9)=105.18 \]

\[ Prob>\chi^2=0.0000 \]

\[ Pseudo\ R^2=0.381 \]

na:

\[ Log\ likelihood=-85.432 \]

.

Jaribio la LR χ² hutathmini kama vigezo elezi kwa pamoja vinaboresha ulinganifu wa modeli ikilinganishwa na modeli yenye intercept pekee. Thamani ya chanzo inaashiria umuhimu wa jumla wa modeli.

Pseudo R² = 0,381 haipaswi kusomwa kama ordinary least-squares R² kwa kusema “%38,1 ya variance imeelezwa”. Pseudo-R² katika modeli za logit ni kiashiria cha ulinganifu wa modeli chenye kipimo tofauti.

Kwa nini Multivariate Probit Ilitumika?

Modeli ya Multivariate Probit ilitumika kuonyesha ndani ya mfumo mmoja uwezekano wa mkulima kuchagua mbinu zaidi ya moja ya kilimo hai kwa wakati mmoja na uwezekano wa sababu zisizoonekana za maamuzi haya ya binary kuwa na correlation; hata hivyo, kwa kuwa utafiti haujachapisha coefficients zilizokadiriwa za correlation za covariance matrix \(\Sigma\), ukubwa wa utegemezi usioonekana kati ya mbinu hauwezi kutathminiwa moja kwa moja.

Equation (3) Katika PDF

Katika PDF iliyopakiwa, alama kuu za vigezo vya Equation (3) zimepotea kwa namna inayoonekana na fomula ime-renderiwa kwa sehemu tu. Chanzo mara baada yake kinafafanua latent variable, explanatory-variable vector, parameter vector na multivariate-normal error terms.

Uwakilishi wa dhana unaounganisha kwa madhumuni ya kufundisha maelezo yaliyomo katika prose ya chanzo; haidaiwi kuwa ni toleo lililosahihishwa moja kwa moja la Equation (3) iliyoharibika katika PDF:

\[ Y^*_{ij}=X_i'\beta_j+\varepsilon_{ij} \]

\[ Y_{ij}= \begin{cases} 1,&Y^*_{ij}>0\\ 0,&\text{aksi durumda} \end{cases} \]

\[ \varepsilon_i\sim MVN(0,\Sigma) \]

\(Y^*_{ij}\) ni latent propensity isiyoonekana ya farmer \(i\) ya kuasili practice \(j\).

\(X_i\) ni vekta ya vigezo elezi.

\(\beta_j\) ni vekta ya coefficients kwa practice \(j\).

\(\varepsilon_{ij}\) ni error term inayowakilisha athari zisizoonekana.

\(\Sigma\) inawakilisha muundo wa covariance kati ya error terms za maamuzi ya kuasili mbinu tofauti za kilimo hai.

Je, coefficient ya Probit ni mabadiliko ya asilimia moja kwa moja?

Hapana. MVP coefficients katika Table 4 si percentage-point probability changes moja kwa moja. Coefficient ya Probit inaonyesha uhusiano wa mwelekeo na kipimo kati ya explanatory variable na latent propensity index.

Kwa mfano, kwa Crop Rotation, Farm Size coefficient = 1,765. Chanzo katika prose kinaeleza hili kama “1-unit increase in farm size is associated with a 1.765-unit increase in crop rotation”. Tafsiri ya kiufundi zaidi ni kwamba, mambo mengine yakiwa yameshikiliwa sawa, ongezeko la kitengo kimoja katika ukubwa wa shamba linahusiana na coefficient chanya ya 1,765 katika crop-rotation latent propensity index.

Ili kutaja mabadiliko sahihi katika Probability, marginal effects zinahitajika. Chanzo hakiripoti marginal effects kwa MVP.

Table 4: Coefficients za Multivariate Probit kwa mbinu sita za kilimo hai

Katika Table 4 ya chanzo, kwa nyota moja:

\[ P\le0.05 \]

maelezo yametolewa.

Katika safu ya Animal Manure, thamani ya Credit = 0,988** imeonyeshwa kwa nyota mbili, lakini tanbihi haifafanui maana tofauti ya nyota mbili.

Extension–Compost coefficient imetolewa kama 1,4321 lakini haina alama ya nyota. Kinyume chake, maandishi ya matokeo yanasema extension contacts yanaathiri kwa chanya na kwa umuhimu mbinu zote sita. Tofauti hii kati ya jedwali la chanzo na prose haijaondolewa kimya kimya.

Taarifa za jumla za modeli ya MVP:

\[ Wald\ \chi^2(54)=298.76 \]

\[ Prob>\chi^2=0.0000 \]

\[ Log\ likelihood=-487.321 \]

Jambo muhimu ambalo halijaripotiwa katika modeli ya MVP

Sifa bainifu ya Multivariate Probit ni uwezo wake wa kuonyesha kwa pamoja muundo wa covariance/correlation kati ya error terms za binary adoption equations tofauti.

Sehemu ya mbinu ya chanzo inaeleza wazi covariance matrix \(\Sigma\). Hata hivyo, ndani ya Results:

• pairwise error correlations,
• thamani za \(\rho_{jk}\),
• standard errors za correlations hizi,
• joint significance / independence test

hazijaripotiwa.

Kwa hiyo, ingawa muundo wa modeli unaunga mkono mtazamo wa “adoption decisions are interdependent”, haiwezekani kutathmini kutoka matokeo yaliyochapishwa ni kwa kiwango gani vipengele visivyoonekana vya mbinu mbili maalumu vina correlation.

Je, Matokeo Haya Yanawakilisha Wakulima Wote wa Mboga katika Enugu State?

Ingawa utafiti unatoa data ya uwanjani kutoka kwa wakulima 200 wa mboga katika Enugu State, kwa kuwa LGA tano na jamii 25 zilichaguliwa kimakusudi, sampuli si state-wide sample yenye uwezekano kamili inayojumuisha wakulima wote wa mboga katika jimbo; matokeo yanaweza kutoa ushahidi thabiti wa eneo kwa maeneo yaliyochaguliwa ya uzalishaji, lakini kikomo hiki cha muundo wa sampuli kinapaswa kuhifadhiwa wakati wa kujumlisha kwa wakazi wote wa jimbo.

Chanzo hakiripoti sampling weight au design-based survey estimator.

Response rate pia haijatolewa kando.

Vizuizi hivi haviondoi thamani ya eneo ya utafiti; lakini vinaweka mpaka wa kijiografia wa ujanibishaji wa takwimu.

Mbinu na Matokeo ya Utafiti

Muhtasari wa kiufundi wa muundo wa utafiti

Matokeo ya ufahamu

Chanzo katika abstract na Results prose kinaripoti ufahamu wa juu wa %78.

Table 1, kwa upande mwingine:

• %4 Chini,
• %20 Wastani,
• %48 Juu,
• %28 Juu sana

ndio mgawanyo.

Jumla ya High + Very High katika Table 1 ni %76. Kwa hiyo, thamani za %78 na %76 zinapaswa kuhifadhiwa kando kama ripoti tofauti ndani ya chanzo.

Matokeo ya kiwango cha uasili

Chanzo kimeeleza mean AII kuwa %54,2 na “Moderate”.

Kwa mujibu wa mgawanyo, %52 ya wakulima hutumia angalau mbinu tatu.

Kwa %24, kundi kubwa zaidi la pekee ni wakulima walioasili mbinu tatu.

%4 hutumia mbinu zote sita, na %12 hawatumii hata moja.

Hata hivyo, kwa kuwa weighted mean inayohesabiwa kutoka asilimia za Table 2 ni takriban %42,33, kuna tofauti ambayo haijatatuliwa kati ya %54,2 iliyoripotiwa na chanzo na mgawanyo wa jedwali.

Vigezo vinavyosisitizwa na chanzo kwa Binary Logit

Chanzo kinasisitiza Education, Farm Size, Cooperative Membership na Extension Contacts kama vigezo chanya vyenye nguvu vya uamuzi wa jumla wa adoption.

Education coefficient = 1,056 na source OR = 2,87. Jozi hii inalingana kihisabati.

Farm Size coefficient = 1,166 na source OR = 3,17; exponentiation inatoa takriban 3,21 na matokeo yanaonekana kuwa karibu kwa ujumla.

Cooperative Membership coefficient = 1,463, source OR = 4,0; exponentiation ni takriban 4,32.

Kwa Extension Contacts, source Table 3 coefficient = 0,629 na OR = 5,46; namba hizi mbili hazilingani kihisabati. Abstract inatoa extension coefficient kuwa 1,692. Kwa kuwa \(e^{1.692}\) ni takriban 5,43, abstract coefficient na Table 3 OR ziko karibu zaidi kwa namba; hata hivyo, Verianla haitumii hili kusahihisha kiotomatiki coefficient ya Table 3 kwa kusema “ilipaswa kuwa 1,692”.

Source Results prose pia hutumia kwa extension OR=4,60 mahali pamoja na baadaye OR=5,46. Hii ni tofauti ya tatu ya kuripoti ndani ya chanzo kwa kigezo kilekile.

Kwa nini matokeo ya Access to Credit hayako wazi?

Table 3 inaweka nyota kwenye mstari wa Access to Credit na hivyo, kulingana na tanbihi ya chanzo, inauonyesha kama p≤0,05.

Mstari huohuo:

\[ \beta=1.463,\quad SE=0.349,\quad Z=1.80,\quad OR=1.71 \]

unatoa.

Hata hivyo:

\[ \frac{1.463}{0.349}\approx4.19 \]

kwa hiyo Z=1,80 iliyochapishwa hailingani na coefficient na standard error.

Aidha:

\[ e^{1.463}\approx4.319 \]

kwa hiyo hailingani pia na OR=1,71.

Ingawa Access to Credit haipo katika orodha ya vigezo vikuu vya Binary Logit kwenye Abstract, Conclusion inasisitiza upatikanaji wa mkopo kama mojawapo ya sababu muhimu za kitaasisi.

Bila model output ghafi, mchanganyiko halisi wa coefficient, standard error, Z, p-value na OR katika mstari huu hauwezi kuthibitishwa.

Mifumo iliyo thabiti zaidi katika Multivariate Probit

Education ni chanya na yenye nyota katika mbinu zote sita kwenye Table 4:

Compost 0,988; Animal Manure 0,765; Green Manure 0,877; Mulching 1,099; Ash/Soap Biopesticide 0,654; Crop Rotation 1,432.

Farm Size ni chanya na yenye nyota katika outcome zote sita:

1,321; 1,099; 0,988; 1,543; 0,877; 1,765.

Cooperative Membership pia ni chanya na yenye nyota katika outcome zote sita:

1,654; 1,432; 1,211; 1,765; 1,099; 1,988.

Vigezo hivi vitatu vinaonyesha mifumo chanya iliyo thabiti zaidi ya adoption ndani ya Table 4.

Matokeo ya practice-specific kwa umri, uzoefu na mkopo

Age imeripotiwa kuwa −0,043* kwa Green Manure na −0,054* kwa Ash/Soap Biopesticide; mbinu nyingine nne hazina nyota.

Farming Experience ina nyota kwa Compost 0,054*, Mulching 0,065* na Crop Rotation 0,077*.

Credit ina nyota kwa Compost 0,877*, Animal Manure 0,988**, Mulching 0,988* na Ash/Soap Biopesticide 1,235*; Green Manure na Crop Rotation hazina nyota.

Maana ya nyota mbili zilizotumika kwa Animal Manure haijaelezwa katika tanbihi ya chanzo.

Tofauti ya Table 4 kwa Extension Contacts

Maandishi ya chanzo yanasema extension contacts yana athari chanya na muhimu kwa mbinu zote sita.

Katika Table 4:

Compost 1,4321; Animal Manure 1,211*; Green Manure 1,099*; Mulching 1,321*; Ash/Soap Biopesticide 1,877*; Crop Rotation 1,543*

zimetolewa.

Extension coefficient katika mstari wa Compost ni chanya lakini haina nyota. Ikiwa significance notation ya chanzo yenyewe ndiyo msingi, jedwali haliungi mkono kikamilifu kauli ya “all six significant” katika prose.

Tofauti ya mwaka wa Field Survey ndani ya chanzo

Katika tanbihi za Table 1, Table 2 na Table 4 imeandikwa Field Survey, 2025.

Lakini Table 3 imeandika Field Survey, 2026.

Kwa kuwa sehemu ya Methodology haitoi wazi tarehe ya ukusanyaji wa data za uwanjani, haiwezekani kuthibitisha mwaka sahihi bila data ghafi/metadata.

Tofauti ya jina la modeli katika Abstract

Abstract inasema data zilichambuliwa kwa “binary and multivariate logistic models”.

Lakini Introduction na Methodology zinafafanua modeli ya pili wazi kama Multivariate Probit (MVP).

Table 4 pia inajadili matokeo ya “Determinants of Choice” katika muktadha wa MVP. Verianla huhifadhi Multivariate Probit ya Methodology kama jina kuu la mbinu na hutathmini usemi “multivariate logistic” katika abstract kama tofauti tofauti ya istilahi.

Matokeo yanayoungwa mkono na utafiti

• Katika sampuli, ufahamu kuhusu mbinu za kilimo hai umejikita kwa ujumla katika makundi ya juu.
• %52 ya wakulima wameasili angalau mbinu tatu kati ya sita zilizofuatiliwa katika utafiti.
• Ni %4 pekee wanaotumia mbinu zote sita.
• Education, Farm Size na Cooperative Membership zinaonyesha coefficients chanya zenye nyota kwa practice outcome zote sita katika Table 4.
• Katika tafsiri ya chanzo ya Binary Logit, Education, Farm Size, Cooperative Membership na Extension Contacts zinasisitizwa kama adoption drivers muhimu.
• Jaribio la jumla la Wald la modeli ya Multivariate Probit limeripotiwa kuwa muhimu katika chanzo.

Matokeo ambayo utafiti hauungi mkono au hauwezi kuyaonyesha moja kwa moja

• Haijathibitishwa kuwa elimu au extension services husababisha uasili wa kilimo hai.
• Sampuli haiwakilishi wakulima wote wa mboga wa Enugu State kama state-wide sample yenye uwezekano kamili.
• Kutumia mbinu sita si sawa na uthibitishaji wa kilimo hai.
• Kwa kuwa chanzo hakijachapisha error-correlation estimates kati ya mbinu zote, ukubwa wa interdependence unaokadiriwa na MVP hauonekani.
• Si odds ratio zote katika Table 3 zinazoweza kutolewa kwa uhakika kutoka coefficients za β.
• Chanzo hakichapishi confidence intervals au individual p-values kwa Binary Logit.
• Muundo wa questionnaire-item wa awareness index haujaripotiwa kikamilifu.
• Mgawanyo wa Table 2 haulingani kihisabati na %54,2 mean AII iliyochapishwa.

Mapendekezo ya sera na utekelezaji

Waandishi wanapendekeza kuimarisha extension services, kupunguza knowledge gaps, kusaidia cooperative institutions, kupanua upatikanaji wa mikopo kwa wakulima na kuendeleza masoko imara zaidi yanayoweza kutoa premium prices kwa bidhaa za kilimo hai.

Tailored education programs na institutional reforms pia zinapendekezwa kama njia zinazoweza kusaidia mpito kuelekea uzalishaji wa mboga wa kilimo hai.

Mapendekezo haya ni mapendekezo ya sera yaliyotolewa kutoka mahusiano ya regression ya uchunguzi na mfumo wa majadiliano wa utafiti. Utafiti haukujaribu kwa njia ya randomization programu ya extension, uingiliaji wa mkopo au msaada wa ushirika.

Vizuizi vikuu vya kimetodolojia

Muundo wa sehemu-mkataba: Kwa kuwa data zilikusanywa katika muda mmoja, adoption transitions za muda haziwezi kufuatiliwa.

Hatua za juu za kimakusudi: Kwa kuwa LGA na communities hazikuchaguliwa nasibu, state-wide representativeness ni finyu.

N = 200: Kwa kuzingatia matumizi ya predictor tisa katika MVP yenye equation sita, ukubwa wa sampuli ni muhimu kwa ugumu wa modeli; chanzo pia hakiripoti power analysis.

Kipimo cha Awareness: Muundo wa vipengele vya Questionnaire na utaratibu wa 0–100 awareness scoring haujaelezwa kwa kina.

Kutokuwiana kwa AII: Distribution iliyochapishwa inatoa arithmetic mean ya takriban %42,33, ilhali chanzo kinaripoti %54,2.

Uchapishaji wa fomula ya Binary Logit: Equation (1) inaonyesha upande wa kushoto wa logit kwa ukosefu.

Fomula ya odds-ratio: Equation (2) inaonyesha odds ratio kama probability.

Table 3 consistency: Jozi nyingi za coefficient–OR na baadhi ya mchanganyiko wa coefficient–SE–Z hazilingani kihisabati.

MVP Equation (3): Alama kuu hazionekani katika PDF.

MVP correlation results: Estimated off-diagonal correlation values za \(\Sigma\) hazijachapishwa.

Significance reporting: Nyota mbili zimetumika katika Table 4, lakini tanbihi ya nyota moja pekee ndiyo imefafanuliwa.

Mwaka wa data: Table 1, 2 na 4 zinaandika “Field Survey, 2025”; Table 3 inaandika “Field Survey, 2026”.

Nguvu za utafiti

Utafiti haupunguzi uasili wa kilimo hai kuwa matokeo ya binary ya “adopter/non-adopter” pekee, bali pia unajaribu kutathmini mifumo ya uchaguzi wa mbinu sita tofauti.

Utafiti unajumuisha data za wakulima kutoka jamii 25 na LGA tano; unatathmini education, farm structure na institutional access ndani ya mfumo mmoja wa uchambuzi.

Ethical approval, informed consent, data-availability, conflict-of-interest, funding na author-contribution zimeripotiwa kwa uwazi.

Maelezo ya Chanzo na Mbinu

Utafiti asili: Adoption Patterns of Organic Farming Practices among Vegetable Farmers in Enugu State, Nigeria.

Waandishi: Justina Chituru Ibe, Ikenna Charles Ukwuaba, Timothy Chinonso Okoh, Chukwuma Otum Ume, Miracle Chinonyerem Ani, Juliet Nnenna Ikechukwu, Rosemary Nnedinso Arua, Joseph Oguejiofor Okorie, Rosemary Chiamaka Nzennwa.

Mpangilio wa waandishi: Mstari wa cite-as wa PDF na rekodi rasmi ya sasa ya jarida zimetumika kama msingi.

Mchango sawa: Hakuna tamko la Equal contribution/equal first authorship.

Mwandishi wa mawasiliano: Ikenna Charles Ukwuaba.

Taasisi: Waandishi wengi wanahusishwa na Department of Agricultural Economics, University of Nigeria, Nsukka. Taasisi ya Timothy Chinonso Okoh ni Livestock Productivity and Resilience Support Project, New-Haven, Enugu, Nigeria.

Jarida: Journal of Agricultural Extension.

Muundo wa uchapishaji wa taasisi: Agricultural Extension Society of Nigeria (AESON).

Juzuu / toleo: 30(4).

Kurasa: 1–12.

Mwaka wa kuchapishwa: 2026.

PDF DOI: 10.4314/jae.v30i4.1.

DOI katika rekodi rasmi ya sasa ya jarida: 10.4314/1qd41j79.

Tofauti ya DOI: Kwa kuwa PDF na rekodi rasmi ya sasa ya uchapishaji zinaonyesha DOI tofauti, thamani zote mbili zimehifadhiwa kando; ukurasa wa sasa wa makala mtandaoni unatumia 10.4314/1qd41j79.

Tarehe za PDF: Submitted 26 May 2026; First Request for Revision 22 June 2026; Revisions 7 July, 16 July, 20 July na 11 September 2026; Accepted 22 September 2026; Published 30 October 2026.

Tarehe rasmi ya sasa ya uchapishaji mtandaoni: 29 October 2026. Kuna tofauti ya siku moja kati ya PDF na online record.

Aina ya chanzo: Research Article; primary cross-sectional field survey.

Mapitio ya rika: Sera rasmi ya Journal of Agricultural Extension hutumia double-blind peer review.

Hali ya Preprint: Hakuna preprint tofauti iliyoonyeshwa katika PDF ya chanzo au rekodi rasmi ya sasa ya makala.

Leseni: Ukurasa rasmi wa sasa wa makala unaonyesha Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0). Kichwa cha juu cha PDF pia kina CC BY-NC-ND; lakini mstari wa maelezo chini yake unaacha neno NoDerivatives katika maandishi.

Sampuli: Wakulima 200 wa mboga.

Usampulishaji: LGA tano kimakusudi → jamii tano kutoka kila LGA kimakusudi → wakulima wanane kutoka kila community kwa simple random → jumla ya community 25 na respondent 200.

Ukusanyaji wa data: Dodoso lenye muundo.

Outcome 1: Kiwango cha ufahamu.

Outcome 2: Adoption Intensity Index / idadi ya mbinu zilizoasiliwa kati ya mbinu sita.

Outcome 3: Binary adoption decision.

Outcome 4: Practice-specific binary choices kwa Compost, Animal Manure, Green Manure, Mulching, Ash/Soap Biopesticide na Crop Rotation.

Binary model: Binary Logit.

Multivariate model: Kwa mujibu wa Methodology, Multivariate Probit; abstract pia ina usemi “multivariate logistic”.

Kizingiti cha umuhimu: %5; p<0,05 / katika majedwali P≤0,05.

Tofauti ya chanzo katika Awareness: Abstract/Results %78; Table 1 High + Very High = %76.

Thamani ya chanzo ya Mean AII: %54,2.

Table 2 arithmetic check: Mgawanyo wa asilimia uliochapishwa unapopewa uzani kwa thamani za AII, hupatikana takriban %42,33; sababu ya tofauti haiwezi kuelezwa bila data ghafi.

Modeli ya jumla ya Binary Logit: LR χ²(9)=105,18; Prob>χ²=0,0000; Pseudo R²=0,381; log likelihood=−85,432.

Modeli ya jumla ya MVP: Wald χ²(54)=298,76; Prob>χ²=0,0000; log likelihood=−487,321.

Tanbihi ya Binary Equation (1): Hoja ya logariti haionekani katika PDF.

Tanbihi ya Equation (2): PDF inaandika “Odd ratio = P(Yi=1)”; hii si ufafanuzi wa kawaida wa odds-ratio.

Tanbihi ya Equation (3): Alama kuu za fomula ya MVP hazija-renderiwa katika PDF; prose inaeleza muundo wa latent-variable na multivariate-normal covariance.

Tanbihi ya Table 3: Mlingano mwingi wa β–OR na baadhi ya thamani za β–SE–Z hazilingani kihisabati; kwa kuwa model output ghafi haijachapishwa, hakuna marekebisho ya kimya yaliyofanywa.

Tanbihi ya Table 4: Ingawa Extension–Compost ni chanya lakini haina nyota, prose inasema extension ni muhimu katika mbinu zote sita; maana ya nyota mbili katika kisanduku cha Credit–Animal Manure haijafafanuliwa kwenye tanbihi.

MVP covariance: Modeli inafafanua covariance matrix \(\Sigma\), lakini estimated correlation/covariance results hazijachapishwa.

Mwaka wa Field Survey: Table 1, 2 na 4: 2025; Table 3: 2026.

Idhini ya kimaadili: Strategic Contacts, Ethics and Publications Directorate, University of Nigeria, Nsukka; research code UNN/EC/NSTA/FAGAGC STR/54 11 SEPT/2026.

Ridhaa iliyoarifiwa: Written informed consent ilipatikana kutoka kwa wakulima wote wa mboga walioshiriki.

Data Availability: Data zinaweza kutolewa na corresponding author kwa reasonable request.

Funding: Hakuna specific grant iliyopokelewa kutoka public, commercial au not-for-profit funding agency.

Conflict of Interest: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

AI Use Declaration: Generative AI haikutumika; Grammarly ilitumika kwa grammar na language editing pekee.

Acknowledgment: Waandishi wanawashukuru enumerators waliosaidia katika ukusanyaji wa data.

Michango ya waandishi: IJC: conception/design, data-collection instrument development, analysis, interpretation, manuscript revision (%25); UIC: conception/design, data collection, interpretation, first draft na revision (%20); OTC: interpretation, first draft, manuscript development (%10); UCO: manuscript development, data collection, interpretation (%10); AMC: conception/design, manuscript development, data collection, interpretation (%15); IJN: data collection, literature review, revision (%5); ARN: manuscript development na revision (%5); OJO: data collection, literature review, revision (%5); NRC: data collection, literature review, revision (%5).

Vizuizi vikuu vya kimetodolojia: Muundo wa sehemu-mkataba; purposive LGA/community selection; maelezo yasiyotosha ya reproducibility ya awareness scale; tofauti ya kuripoti AII; kutokuwiana kwa fomula ya Binary Logit na Table 3; kutoripotiwa kwa MVP covariance results; tofauti za significance marking katika Table 4.