4.2. Meta-analysis results for GHGE

4.2. Meta-analysis results for GHGE studies

Table 7 presents the frequency distributions for the structural and outcome variables of the GHGE studies. Of the 195 observations, 67.7% exhibited positive outcomes and 32.3% exhibited neutral or negative outcomes. That is, in terms of GHGE, organic farming was favored over conventional farming. In all, 43.1% of the GHGE comparisons involved field crops and 72.8% of the comparisons involved farm sizes of more than 10 ha. The frequency distribution of the structural variables in the GHGE studies was similar to that of EE studies except for the variables of measurement unit and measurement method. EE studies more often employed area-based outcome measures with EAM as the measurement method, whereas GHGE studies more often used output-based outcome measures with LCA as the measurement method.
A logistic regression analysis was employed to identify the structural variables that were associated with GHGE benefits for organic farming. The analysis results (Table 8 and Table 9) identified the structural variables that were significantly associated with better GHGE effects for organic farming. The logistic regression model provided a good fit. The Chi-square value was statistically significant (p = .000) and the result of the Hosmer–Lemeshow test was not significant (p = .341).

The goodness of fit for the logistic regression model was confirmed by the accuracy of classifications based on the model, which was 72.72% (Table 9). The model did very well in predicting cases in which GHGE organic farming outcomes were superior, predicting the outcome variable with 86.90% accuracy. However, the structural variables in the logistic regression were poor predictors of neutral and negative GHGE outcomes, exhibiting an accuracy of only 42.20%. Thus, further research is needed to identify the determinants of neutral or negative GHGE outcomes for organic farming versus conventional farming. The classification accuracy of the GHGE model was similar to that of the EE model.

The structural variables of product, cropping pattern and measurement unit were statistically significant. Livestock exhibited a negative statistically significant value (p = .004), which indicated that better GHGE effects for organic farming were less likely for livestock than for field crops. Although the values for the vegetable and fruit categories were negative, they were not statistically significant. GHGE effects for organic farming might be less likely for vegetables (p = .126) than for field crops. The values for other product categories, which included dairy (p = .534) and mixed crops (p = .426), were positive but not statistically significant, which suggests that the GHGE effects for organic farming for these categories were similar to the outcomes for field crops.

The logistic regression results indicated that superior GHGE effects for organic farming were highly dependent on the measurement unit. Output-based (ratio/ton) outcome measures significantly reduced the superiority of GHGE effects for organic farming (p = .000) in comparison to area-based (ratio/ha) measures. These results are consistent with Lynch et al. (2011), which found output-based measures do not favor organic farming, particularly with respect to GHGE, due to the yield differences between conventional and organic farming. The significant value for cropping pattern was negative (p = .028), indicating that the GHGE superiority of organic farming was higher for monocropping than for multicropping.

Other structural variables in the analysis exhibited the expected values but were not statistically significant. Study period (p = .820), location (p = .860 and .534), duration (p = .890), data source (p = .679 and .703), measurement method (p = .407 and .886) and farm size (p = .816) were not associated with better GHGE effects for organic farming. Superior GHGE effects for organic farming were modestly related to sample size but were not statistically significant (p = .313 and .131). These findings suggest that study period, location, duration, data source, farm size, and measurement method were not strongly associated with superior GHGE effects for organic farming. However, superior GHGE effects for organic farming might be associated with larger sample sizes.

The results of the analysis indicated that superior GHGE effects for organic farming were more marked for studies that involved monocropping rather than multicropping and for studies that used area-based rather than output-based effect measures. The meta-analysis results confirmed the results of earlier meta-analyses that found superior environmental effects for organic farming per unit of land (Bengtsson et al., 2005, Mondelaers et al., 2009 and Tuomisto et al., 2012) rather than per unit of output. Superior GHGE effects for organic farming were less marked for livestock in comparison to other product categories. As Table 10 indicates, better GHGE effects for organic farming were found for 91.7% of the farm-level studies that involved monoculture cropping patterns, area-based measures, and the product categories of field crops, dairy, and mixed crops.

4.3. Comparison of meta-analyses for EE and GHGE

Table 11 presents comparison results of the meta-analyses for EE and GHGE. The structural variables of data source, sample size and product type significantly affected the EE of organic farming in comparison to conventional farming, whereas product type, cropping pattern, and measurement unit significantly affected the GHGE of organic farming in comparison to conventional farming. The better EE effects for organic farming were primarily associated with the field study's data source and sample size of more than 100, whereas better GHGE effects for organic farming were primarily associated with monoculture in cropping patterns and area based measurement unit. The results support previous studies that investigated EE with superior performances for organic farming when the data were obtained from field surveys and experiments rather than from secondary data. However, there were no differences based on data sources for studies that investigated GHGE.

Increases in sample size were significantly associated with superior EE effects for organic farming, whereas increases in sample size were only modestly associated with superior GHGE effects for organic farming. The superiority of organic farming was significantly reduced for output-based measurement of GHGE and weakly reduced for area-based measurement of EE. These findings support the Lynch et al. (2011) claim that output-based measures typically do not find benefits of organic farming, particularly for GHGE, due to yield differences between conventional farming and organic farming. Earlier studies found superior performances for organic farming with monocropping compared to multicropping patterns. However, this finding was only significant for GHGE.

For EE, the analysis indicated that superior performances for organic farming were associated with field crops, livestock, and mixed crop farms compared to vegetable and fruit farms. For GHGE, better performances for organic farming were associated with field crops, dairy, and mixed crop farms, whereas poorer performances were associated with livestock, vegetable and fruit farms. None of the other structural variables influenced differences in EE or GHGE between organic and conventional farming. Study publication date, location, measurement method, farm size, and duration did not significantly influence environmental effects for organic farming, which indicates that the influence of these variables on the differences between organic and conventional farming were negligible.

5. Conclusions

In this paper, logistic regressions were estimated to identify the structural variables that were associated with superior environmental effects for organic farming compared to conventional farming. Data source, sample size, and farm products were significant for EE performance and farm products, cropping patterns, and measurement unit were significant for GHGE outcomes of organic farming.

In the EE studies, the superiority of organic farming was more likely to be found in studies with larger samples, field studies, and experiments rather than secondary data. In the GHGE studies, the superiority of organic farming was more likely to be found for studies with monocropping compared to multicropping and with outcome measures based on area rather than output.

The results suggest that future studies should employ enough samples to improve confidence on the performance of organic farming compared to conventional farming. Future studies, especially on GHGE, should be cautious in identifying the appropriate measurement unit because output-based measures often do not favor organic farming (particularly for GHGE) due to yield differences between conventional and organic farming. When land use efficiency and energy productivity are considered, output-based (per weight) measures are more appropriate for assessing EE and GHGE than area-based (per ha) measures. The cropping pattern has a significant impact on GHGE. Therefore, we recommend that future studies investigate monocropping for direct and unbiased comparisons of the environmental effects of organic and conventional farming.

EE studies were more likely to find that organic farming was superior for field crops and dairy farms and less likely for vegetable and fruit farms. GHGE studies were more likely to find that organic farming was superior for field crops, dairy, and mixed crop farms and less likely for livestock, vegetable, and fruit farms. These findings indicate that the comparisons of the environmental effects of organic and conventional farming should take the type of farm product (e.g., field crops, livestock, fruits, or vegetables) into account and that comparisons should be based on the same types of farm products.

The variable of duration is not s

ผลลัพธ์ (ไทย) 1:

4.2. Meta-analysis ผลการศึกษา GHGEตาราง 7 แสดงการกระจายความถี่สำหรับตัวแปรโครงสร้างและผลของการศึกษา GHGE สังเกต 195, 67.7% จัดแสดงผลบวก และผลลบ หรือเป็นกลางจัดแสดง 32.3% นั่นคือ ใน GHGE อินทรีย์ถูกปลอดกว่าทำการเกษตรแบบดั้งเดิม ทั้งหมด 43.1% เปรียบเทียบ GHGE ที่เกี่ยวข้องกับพืชไร่ และ 72.8% ของตัวเปรียบเทียบที่เกี่ยวข้องกับฟาร์มขนาด 10 กว่าฮา การแจกแจงความถี่ของตัวแปรโครงสร้างในการศึกษา GHGE คล้ายกับการศึกษาแบบยกเว้นตัวแปรหน่วยวัดและวิธีการประเมินได้ ศึกษาแบบงานวัดผลตามที่ตั้งกับ EAM เป็นวิธีการวัด บ่อยขณะศึกษา GHGE ใช้วัดผลตามผลลัพธ์กับ LCA บ่อยเป็นวิธีการวัดการวิเคราะห์ถดถอยโลจิสติกถูกจ้างเพื่อระบุตัวแปรโครงสร้างที่สัมพันธ์กับประโยชน์ GHGE เกษตรอินทรีย์ ผลการวิเคราะห์ (ตาราง 8 และตาราง 9) ระบุตัวแปรโครงสร้างที่เกี่ยวข้องอย่างมากกับ GHGE ลักษณะพิเศษที่ดีสำหรับทำการเกษตรอินทรีย์ แบบจำลองการถดถอยโลจิสติกให้พอดี ค่า Chi-square ได้อย่างมีนัยสำคัญทางสถิติ (p =.000) และผลของการทดสอบ Hosmer-Lemeshow ไม่อย่างมีนัยสำคัญ (p =.341).ความกตัญญูสำหรับแบบจำลองการถดถอยโลจิสติกที่ได้รับการยืนยัน โดยความถูกต้องของการจัดประเภทตามรุ่น ซึ่ง 72.72% (ตาราง 9) แบบไม่ได้ดีมากในการทำนายกรณีใน GHGE ที่อินทรีย์ผลเหนือกว่า การคาดการณ์ตัวแปรผลความแม่นยำ 86.90% อย่างไรก็ตาม ตัวแปรโครงสร้างในการถดถอยโลจิสติกถูก predictors ดีของกลาง GHGE ปกติ อย่างมีระดับความถูกต้องของเฉพาะ 42.20% ดังนั้น เพิ่มเติมงานวิจัยต้องระบุดีเทอร์มิแนนต์ของผล GHGE ลบ หรือเป็นกลางสำหรับเกษตรอินทรีย์เมื่อเทียบกับการทำนาทั่วไป จัดประเภทความถูกต้องของแบบจำลอง GHGE จำลองแบบได้ตัวแปรโครงสร้างของผลิตภัณฑ์ แบบครอบ และหน่วยประเมินได้อย่างมีนัยสำคัญทางสถิติ ปศุสัตว์จัดแสดงค่าลบอย่างมีนัยสำคัญทางสถิติ (p =.004), ที่ระบุว่า GHGE ลักษณะพิเศษที่ดีสำหรับทำการเกษตรอินทรีย์มีแนวโน้มน้อยลงสำหรับปศุสัตว์กว่าพืชไร่ ถึงแม้ว่าค่าสำหรับประเภทผักและผลไม้ถูกลบ พวกเขาได้อย่างมีนัยสำคัญทางสถิติ ลักษณะพิเศษ GHGE สำหรับทำการเกษตรอินทรีย์อาจโน้มสำหรับผัก (p =.126) กว่าในพืชไร่ได้ ค่าสำหรับประเภทอื่น ๆ ผลิตภัณฑ์ ซึ่งรวมนม (p =.534) และผสมพืช (p =.426), ได้อย่างมีนัยสำคัญทางสถิติไม่ แต่บวก ซึ่งแสดงให้เห็นว่า ลักษณะพิเศษ GHGE สำหรับเกษตรอินทรีย์สำหรับประเภทเหล่านี้ได้เหมือนกับผลที่ได้สำหรับเขตข้อมูลพืชผลการถดถอยโลจิสติกระบุว่า GHGE ลักษณะพิเศษที่เหนือกว่าสำหรับเกษตรอินทรีย์ได้สูงขึ้นอยู่กับหน่วยวัด ตามผลผลิต (อัตรา / ตัน) วัดผลอย่างมีนัยสำคัญลดปม GHGE ลักษณะพิเศษสำหรับทำการเกษตรอินทรีย์ (p =.000) โดยวัดตามพื้นที่ (อัตรา/ฮา) ผลลัพธ์เหล่านี้จะสอดคล้องกับ Lynch et al. (2011), ซึ่งพบผลตามมาตรการชอบเกษตรอินทรีย์ โดยเฉพาะอย่างยิ่งกับ GHGE เนื่องจากแตกผลผลิตนาธรรมดา และอินทรีย์ ค่าสำคัญสำหรับการปลูกพืชรูปแบบถูกลบ (p =.028), บ่งชี้ว่า ปม GHGE ของเกษตรอินทรีย์สูงสำหรับ monocropping กว่าสำหรับ multicroppingตัวแปรอื่น ๆ โครงสร้างในการวิเคราะห์จัดแสดงค่าที่คาดไว้ แต่ไม่อย่างมีนัยสำคัญทางสถิติ รอบระยะเวลาการศึกษา (p =.820), สถาน (p =.534 และ.860), ระยะเวลา (p =.890), แหล่งข้อมูล (p =.679 และ.703), วิธีประเมิน (p =.407 และ.886) และฟาร์มขนาด (p =.816) ไม่สัมพันธ์กับ GHGE ลักษณะพิเศษที่ดีสำหรับทำการเกษตรอินทรีย์ ทั้งที่เกี่ยวข้องกับตัวอย่างขนาด GHGE ห้องลักษณะพิเศษสำหรับเกษตรอินทรีย์ แต่ไม่อย่างมีนัยสำคัญทางสถิติ (p =.313 และ.131). ผลการวิจัยเหล่านี้แนะนำว่า ระยะเวลาการศึกษา ตำแหน่ง ระยะเวลา แหล่งข้อมูล ฟาร์มขนาด และวิธีการวัดไม่ขอเกี่ยวข้องกับ GHGE ลักษณะพิเศษที่เหนือกว่าสำหรับเกษตรอินทรีย์ อย่างไรก็ตาม GHGE ลักษณะพิเศษที่เหนือกว่าสำหรับเกษตรอินทรีย์อาจเกี่ยวข้องกับกลุ่มตัวอย่างขนาดใหญ่ผลการวิเคราะห์บ่งชี้ว่า GHGE ลักษณะพิเศษที่เหนือกว่าสำหรับเกษตรอินทรีย์ถูกทำเครื่องหมายไว้สำหรับการศึกษาที่เกี่ยวข้องกับ monocropping มากกว่า multicropping และ การศึกษาที่ใช้ตามพื้นที่มากกว่าประเมินผลตามผล Meta-analysis ผลยืนยันผลการวิเคราะห์เมตาที่เหนือกว่าผลกระทบสิ่งแวดล้อมสำหรับอินทรีย์เกษตรต่อหน่วยที่ดิน ก่อนหน้า (Bengtsson et al. ปี 2005, Mondelaers et al., 2009 และ Tuomisto et al., 2012) แทน ต่อหน่วยของผลผลิต ลักษณะพิเศษของห้อง GHGE สำหรับเกษตรอินทรีย์มีน้อยทำเครื่องหมายสำหรับปศุสัตว์โดยผลิตภัณฑ์ประเภทอื่น ๆ เป็น 10 ตารางแสดง ดีลักษณะพิเศษ GHGE สำหรับเกษตรอินทรีย์พบ 91.7% ระดับการศึกษาที่เกี่ยวข้องกับระบบเกษตรกรรมพืชเดี่ยวที่ปลูกพืชรูปแบบ การตั้งมาตรการ และประเภทผลิตภัณฑ์ของพืช นม และผสมพืชไร่4.3 การเปรียบเทียบของ meta-วิเคราะห์แบบและ GHGEตาราง 11 แสดงผลการเปรียบเทียบการวิเคราะห์เมตา EE และ GHGE ตัวแปรโครงสร้างของแหล่งข้อมูล ชนิดขนาดและผลิตภัณฑ์อย่างมากผลกระทบแบบของเกษตรอินทรีย์โดยทำการเกษตรทั่วไป ในขณะที่ผลิตภัณฑ์ชนิด ครอบตัดรูป และหน่วยวัดมากได้รับผลกระทบ GHGE ของเกษตรอินทรีย์โดยทำนาแบบดั้งเดิม ลักษณะพิเศษแบบดีขึ้นสำหรับเกษตรอินทรีย์ถูกหลักเชื่อมโยงกับแหล่งข้อมูลของการศึกษาฟิลด์และขนาดตัวอย่างมากกว่า 100 ในขณะที่ดี ลักษณะพิเศษ GHGE สำหรับเกษตรอินทรีย์ได้ปั่นกับเรื่องในการครอบตัดรูปและหน่วยการวัดพื้นที่โดยใช้ ผลการสนับสนุนการศึกษาก่อนหน้านี้ที่ตรวจสอบแบบ มีประสิทธิภาพเหนือกว่าสำหรับเกษตรอินทรีย์เมื่อได้รับข้อมูล จากเขตข้อมูลสำรวจและการทดลอง มากกว่า จากข้อมูลรอง อย่างไรก็ตาม มีความแตกต่างไม่ยึดตามแหล่งข้อมูลสำหรับศึกษาสอบสวน GHGEเพิ่มขนาดตัวอย่างมีอย่างมีนัยสำคัญที่เกี่ยวข้องกับลักษณะพิเศษแบบเหนือกว่าสำหรับเกษตรอินทรีย์ ในขณะที่การเพิ่มขนาดตัวอย่างได้เท่านั้นทั้งเกี่ยวข้องกับ GHGE ลักษณะพิเศษที่เหนือกว่าสำหรับเกษตรอินทรีย์ ปมของเกษตรอินทรีย์ลดการใช้ผลประเมินของ GHGE และ weakly ลดการใช้พื้นที่วัดแบบ ผลการวิจัยนี้สนับสนุน Lynch et al. (2011) เรียกร้องว่า ตามผลการประเมินโดยทั่วไปไม่พบประโยชน์ของเกษตรอินทรีย์ โดยเฉพาะอย่างยิ่งสำหรับ GHGE เนื่องจากผลผลิตความแตกต่างระหว่างการเลี้ยงทั่วไปและเกษตรอินทรีย์ การศึกษาก่อนหน้านี้พบประสิทธิภาพที่เหนือกว่าสำหรับอินทรีย์เกษตรกับ monocropping เปรียบเทียบกับรูปแบบ multicropping อย่างไรก็ตาม นี้ค้นหาได้เฉพาะสำคัญสำหรับ GHGEสำหรับ EE วิเคราะห์ระบุว่า แสดงห้องสำหรับเกษตรอินทรีย์เกี่ยวข้อง กับพืชไร่ ปศุสัตว์ ฟาร์มพืชผสมเมื่อเปรียบเทียบกับฟาร์มผักและผลไม้ สำหรับ GHGE แสดงดีกว่าการทำเกษตรอินทรีย์ได้เกี่ยวข้องกับพืชไร่ ฟาร์มนม และผสมพืช ในขณะที่การแสดงย่อมไม่เกี่ยวข้องกับฟาร์มปศุสัตว์ ผัก และผลไม้ ตัวแปรโครงสร้างไม่มีผลความแตกต่างในแบบหรือ GHGE ระหว่างทำนาอินทรีย์ และทั่วไป ศึกษาวันประกาศ ที่ตั้ง วิธีการวัด ขนาดฟาร์ม และระยะเวลาได้อย่างมีนัยสำคัญมีผลต่อผลกระทบสิ่งแวดล้อมสำหรับทำการเกษตรอินทรีย์ ซึ่งบ่งชี้ว่า อิทธิพลของตัวแปรเหล่านี้บนความแตกต่างระหว่างการทำการเกษตรอินทรีย์ และธรรมดาได้ระยะ5. บทสรุปในเอกสารนี้ regressions โลจิสติกได้ประเมินระบุตัวแปรโครงสร้างที่สัมพันธ์กับผลกระทบสิ่งแวดล้อมห้องสำหรับเกษตรอินทรีย์เปรียบเทียบกับการทำนาทั่วไป แหล่งข้อมูล จิ๋ว และพืชไร่สำคัญแบบประสิทธิภาพและพืชไร่ การปลูกพืชรูปแบบ และหน่วยวัดสำคัญผล GHGE ของเกษตรอินทรีย์ในการศึกษาแบบ superiority ของเกษตรอินทรีย์ได้มักพบในการศึกษา ด้วยตัวอย่างขนาดใหญ่ การ ศึกษาฟิลด์ และทดลอง มากกว่าข้อมูลรอง ในการศึกษา GHGE, superiority ของเกษตรอินทรีย์ได้มักพบศึกษากับ monocropping เมื่อเทียบกับ multicropping และ มีการประเมินผลขึ้นอยู่กับพื้นที่มากกว่าผลผลิตผลแนะนำว่า การศึกษาในอนาคตควรใช้ตัวอย่างเพียงพอเพื่อเพิ่มความมั่นใจในประสิทธิภาพของอินทรีย์เปรียบเทียบกับการทำนาทั่วไป การศึกษาในอนาคต การ GHGE โดยเฉพาะอย่างยิ่งควรระมัดระวังในการระบุหน่วยวัดที่เหมาะสมเนื่องจากตามผลการประเมินมักจะไม่ชอบอินทรีย์ (โดยเฉพาะอย่างยิ่งสำหรับ GHGE) เนื่องจากความแตกต่างของผลตอบแทนระหว่างนาธรรมดา และอินทรีย์ เมื่อประสิทธิภาพใช้ที่ดิน และผลผลิตพลังงาน กำลัง ตามผลผลิต (ต่อน้ำหนัก) เป็นที่เหมาะสมสำหรับการประเมินแบบและ GHGE กว่าตามพื้นที่ (ต่อฮา) วัด ลวดลายครอบมีผลกระทบสำคัญใน GHGE ดังนั้น เราแนะนำว่า ในอนาคตการศึกษาตรวจสอบ monocropping การเปรียบเทียบผลกระทบสิ่งแวดล้อมของนาอินทรีย์ และธรรมดาโดยตรง และคนแบบศึกษาหาว่า เกษตรอินทรีย์คือห้องซูพีเรียสำหรับพืชไร่และฟาร์มโคนม และแนวโน้มสำหรับฟาร์มผักและผลไม้น้อยลงได้ GHGE ศึกษาหาว่า เกษตรอินทรีย์คือห้องซูพีเรีย สำหรับพืช ไร่ ฟาร์มนม และผสมพืช และน้อยมีแนวโน้ม การปศุสัตว์ ผัก ผลไม้ฟาร์มได้ ค้นพบเหล่านี้บ่งชี้ว่า การเปรียบเทียบผลกระทบสิ่งแวดล้อมของนาอินทรีย์ และปกติควรคำนึงถึงชนิดของผลิตภัณฑ์ฟาร์ม (เช่น พืชไร่ ปศุสัตว์ ผลไม้ หรือผัก) และที่ ควรจะใช้เปรียบเทียบที่ฟาร์มผลิตภัณฑ์ประเภทเดียวกันตัวแปรระยะเวลาไม่ใช่ s

ผลลัพธ์ (ไทย) 2:

4.2 ผล Meta-analysis สำหรับการศึกษา GHGE ตารางที่ 7 นำเสนอการแจกแจงความถี่สำหรับตัวแปรโครงสร้างและผลของการศึกษา GHGE ของ 195 สังเกต 67.7% แสดงผลในเชิงบวกและ 32.3% แสดงผลที่เป็นกลางหรือเชิงลบ นั่นคือในแง่ของการ GHGE เกษตรอินทรีย์ได้รับการสนับสนุนมากกว่าการเลี้ยงแบบเดิม ในทุก 43.1% ของการเปรียบเทียบ GHGE ที่เกี่ยวข้องกับพืชไร่และ 72.8% ของการเปรียบเทียบที่เกี่ยวข้องกับฟาร์มขนาดมากกว่า 10 ฮ่า การกระจายความถี่ของตัวแปรโครงสร้างในการศึกษา GHGE มีความคล้ายคลึงกับการศึกษา EE ยกเว้นตัวแปรของหน่วยวัดและวิธีการวัด การศึกษา EE ลูกจ้างบ่อยขึ้นในพื้นที่ตามมาตรการผลกับ EAM เป็นวิธีการวัดในขณะที่การศึกษา GHGE มากขึ้นมักจะใช้การวัดผลการส่งออกตามที่มี LCA เป็นวิธีการวัด. การวิเคราะห์การถดถอยโลจิสติกถูกจ้างมาเพื่อระบุตัวแปรโครงสร้างที่มีความสัมพันธ์กับ GHGE ประโยชน์สำหรับการทำเกษตรอินทรีย์ ผลการวิเคราะห์ (ตารางที่ 8 และตารางที่ 9) ระบุตัวแปรโครงสร้างที่มีความสัมพันธ์อย่างมีนัยสำคัญที่มีผลกระทบ GHGE ที่ดีกว่าสำหรับการทำเกษตรอินทรีย์ รูปแบบการถดถอยโลจิสติกให้เป็นแบบที่ดี ค่า Chi-square อย่างมีนัยสำคัญทางสถิติ (p = 0.000) และผลของการทดสอบฮอสเมอร์-Lemeshow ไม่ได้อย่างมีนัยสำคัญ (p = 0.341) ได้. ความดีของพอดีสำหรับรูปแบบการถดถอยโลจิสติกได้รับการยืนยันโดยความถูกต้องของการจำแนกประเภทตาม ในรูปแบบซึ่งเป็น 72.72% (ตารางที่ 9) รูปแบบที่ทำได้ดีมากในการทำนายกรณีที่ GHGE ผลการทำเกษตรอินทรีย์เป็นที่เหนือกว่าการคาดการณ์ผลตัวแปรที่มีความแม่นยำ 86.90% อย่างไรก็ตามตัวแปรโครงสร้างในการถดถอยโลจิสติกเป็นตัวพยากรณ์ที่ดีของผล GHGE เป็นกลางและเชิงลบแสดงความถูกต้องเพียง 42.20% จาก ดังนั้นการวิจัยเพิ่มเติมเป็นสิ่งจำเป็นในการระบุปัจจัยของผล GHGE เป็นกลางหรือเชิงลบสำหรับการทำเกษตรอินทรีย์เมื่อเทียบกับการทำการเกษตรแบบเดิม การจัดหมวดหมู่ความถูกต้องของรูปแบบ GHGE ก็คล้ายคลึงกับรูปแบบ EE ได้. ตัวแปรโครงสร้างของผลิตภัณฑ์, การปลูกพืชแบบและหน่วยการวัดอย่างมีนัยสำคัญทางสถิติ ปศุสัตว์แสดงค่าในเชิงลบอย่างมีนัยสำคัญทางสถิติ (p = 0.004) ซึ่งชี้ให้เห็นว่าผลกระทบ GHGE ที่ดีกว่าสำหรับการทำเกษตรอินทรีย์มีโอกาสน้อยกว่าสำหรับปศุสัตว์สำหรับพืชไร่ แม้ว่าค่าสำหรับผักผลไม้ประเภทที่เป็นลบพวกเขาไม่ได้อย่างมีนัยสำคัญ ผลกระทบ GHGE สำหรับการทำเกษตรอินทรีย์อาจจะมีโอกาสน้อยสำหรับผัก (p = 0.126) กว่าพืชไร่ ค่าสำหรับประเภทผลิตภัณฑ์อื่น ๆ ซึ่งรวมถึงนม (p = 0.534) และพืชผสม (p = 0.426) เป็นบวก แต่ไม่อย่างมีนัยสำคัญซึ่งแสดงให้เห็นว่าผล GHGE สำหรับการทำเกษตรอินทรีย์สำหรับประเภทเหล่านี้มีความคล้ายคลึงกับผล สำหรับพืชไร่. ผลการถดถอยโลจิสติกชี้ให้เห็นว่าผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ได้สูงขึ้นอยู่กับหน่วยการวัด เอาท์พุทที่ใช้ (อัตราส่วน / ตัน) มาตรการลดผลที่เหนือกว่าอย่างมีนัยสำคัญของผลกระทบ GHGE สำหรับการทำเกษตรอินทรีย์ (p = 0.000) เมื่อเปรียบเทียบกับพื้นที่ที่ใช้ (อัตราส่วน / ไร่) มาตรการ ผลลัพธ์เหล่านี้มีความสอดคล้องกับลินช์, et al (2011) ซึ่งพบว่าการส่งออกมาตรการที่ใช้ไม่ได้สนับสนุนการทำเกษตรอินทรีย์โดยเฉพาะอย่างยิ่งที่เกี่ยวกับ GHGE เนื่องจากความแตกต่างระหว่างผลตอบแทนของการเลี้ยงธรรมดาและอินทรีย์ มูลค่าอย่างมีนัยสำคัญสำหรับรูปแบบการปลูกพืชเป็นลบ (p = 0.028) แสดงให้เห็นว่าเหนือกว่า GHGE ของเกษตรอินทรีย์เป็นที่สูงขึ้นสำหรับอย่างเดียวกว่า multicropping. ตัวแปรโครงสร้างอื่น ๆ ในการวิเคราะห์แสดงค่าคาดว่า แต่ไม่มีนัยสำคัญทางสถิติ ระยะเวลาการศึกษา (p = 0.820) สถานที่ตั้ง (p = 0.860 และ 0.534) ระยะเวลา (p = 0.890) แหล่งข้อมูล (p = 0.679 และ 0.703) วิธีการวัด (p = 0.407 และ 0.886 ) และขนาดฟาร์ม (p = 0.816) ที่ไม่ได้เกี่ยวข้องกับผลกระทบ GHGE ที่ดีกว่าสำหรับการทำเกษตรอินทรีย์ ผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์มีความสัมพันธ์อย่างสุภาพกับขนาดตัวอย่าง แต่ไม่มีนัยสำคัญทางสถิติ (p = 0.313 และ 0.131) การค้นพบนี้ชี้ให้เห็นว่าระยะเวลาการศึกษา, สถานที่, ระยะเวลาแหล่งข้อมูลขนาดฟาร์มและวิธีการวัดที่ไม่ได้เกี่ยวข้องอย่างมากกับผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ อย่างไรก็ตามผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ที่อาจจะเกี่ยวข้องกับขนาดตัวอย่างที่มีขนาดใหญ่. ผลการวิเคราะห์แสดงให้เห็นว่าผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์อย่างชัดเจนมากขึ้นสำหรับการศึกษาที่เกี่ยวข้องกับการอย่างเดียวมากกว่า multicropping และการศึกษาที่ใช้พื้นที่ตามมากกว่า การส่งออกตามมาตรการที่มีผลบังคับใช้ ผลการวิเคราะห์ข้อมูลได้รับการยืนยันผลการวิเคราะห์อภิมาก่อนหน้านี้พบว่าผลกระทบด้านสิ่งแวดล้อมที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ต่อหน่วยของที่ดิน (Bengtsson et al., 2005 Mondelaers et al., 2009 และ Tuomisto et al., 2012) มากกว่าต่อ หน่วยของการส่งออก ผลกระทบ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ถูกทำเครื่องหมายน้อยสำหรับปศุสัตว์ในการเปรียบเทียบกับประเภทของผลิตภัณฑ์อื่น ๆ ในฐานะที่เป็นตารางที่ 10 แสดงให้เห็นดีกว่าผลกระทบ GHGE สำหรับการทำเกษตรอินทรีย์ที่พบสำหรับ 91.7% ของการศึกษาฟาร์มระดับที่เกี่ยวข้องกับรูปแบบการปลูกพืชเชิงเดี่ยวมาตรการพื้นที่ที่ใช้และประเภทผลิตภัณฑ์ของพืชไร่นมและพืชผสม. 4.3 เปรียบเทียบ meta-EE การวิเคราะห์และ GHGE ตารางที่ 11 นำเสนอผลการเปรียบเทียบ meta-EE การวิเคราะห์และ GHGE ตัวแปรโครงสร้างของแหล่งข้อมูลขนาดตัวอย่างและประเภทสินค้าที่ได้รับผลกระทบอย่างมีนัยสำคัญ EE ของเกษตรอินทรีย์ในการเปรียบเทียบกับการทำการเกษตรแบบเดิมในขณะที่ประเภทของผลิตภัณฑ์รูปแบบการปลูกพืชและหน่วยการวัดได้รับผลกระทบอย่างมีนัยสำคัญ GHGE ของเกษตรอินทรีย์ในการเปรียบเทียบกับการทำการเกษตรแบบเดิม ที่ดีกว่าผลกระทบ EE สำหรับการทำเกษตรอินทรีย์มีความสัมพันธ์เกี่ยวเนื่องกับแหล่งข้อมูลศึกษานอกสถานที่และขนาดของกลุ่มตัวอย่างกว่า 100 ในขณะที่ผลกระทบ GHGE ที่ดีกว่าสำหรับการทำเกษตรอินทรีย์มีความสัมพันธ์เกี่ยวเนื่องกับเชิงเดี่ยวในรูปแบบการปลูกพืชและพื้นที่ตามหน่วยวัด ผลการสนับสนุนการศึกษาก่อนหน้านี้ที่ตรวจสอบ EE กับการแสดงที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์เมื่อข้อมูลที่ได้รับจากการสำรวจภาคสนามและการทดลองมากกว่าจากข้อมูลทุติยภูมิ แต่มีความแตกต่างกันไม่ได้อยู่บนพื้นฐานของแหล่งข้อมูลสำหรับการศึกษาที่ตรวจสอบ GHGE. เพิ่มขึ้นในขนาดของกลุ่มตัวอย่างมีความสัมพันธ์อย่างมีนัยสำคัญที่มีผลกระทบ EE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ในขณะที่การเพิ่มขึ้นของขนาดของกลุ่มตัวอย่างเป็นเพียงที่เกี่ยวข้องที่มีผลกระทบอย่างสุภาพ GHGE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ เหนือกว่าของเกษตรอินทรีย์ลดลงอย่างมีนัยสำคัญสำหรับการวัดการส่งออกตาม GHGE และลดลงอย่างอ่อนสำหรับการวัดพื้นที่ที่ใช้ในการ EE การค้นพบนี้สนับสนุนลินช์, et al (2011) อ้างว่ามาตรการการส่งออกที่ใช้มักจะไม่หาผลประโยชน์ของเกษตรอินทรีย์โดยเฉพาะอย่างยิ่งสำหรับ GHGE เนื่องจากให้ผลผลิตแตกต่างระหว่างการทำการเกษตรแบบดั้งเดิมและการทำเกษตรอินทรีย์ ศึกษาก่อนหน้านี้พบว่าการแสดงที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์อย่างเดียวกับเมื่อเทียบกับรูปแบบ multicropping แต่การค้นพบนี้เป็นเพียงที่สำคัญสำหรับ GHGE. สำหรับ EE วิเคราะห์ชี้ให้เห็นว่าการแสดงที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์ที่เกี่ยวข้องกับพืชไร่ปศุสัตว์และฟาร์มพืชผสมเมื่อเทียบกับผักผลไม้และฟาร์ม สำหรับ GHGE, การแสดงที่ดีกว่าสำหรับการทำเกษตรอินทรีย์ที่เกี่ยวข้องกับพืชไร่นมและฟาร์มพืชผสมในขณะที่การแสดงที่ยากจนมีความสัมพันธ์กับปศุสัตว์ผักและสวนผลไม้ ไม่มีตัวแปรโครงสร้างอื่น ๆ ที่มีอิทธิพลต่อความแตกต่างใน EE หรือ GHGE ระหว่างการทำเกษตรอินทรีย์และการชุมนุม การศึกษาที่ตีพิมพ์วันที่, สถานที่, วิธีการวัดขนาดฟาร์มและระยะเวลาที่ไม่ได้อย่างมีนัยสำคัญที่มีอิทธิพลต่อผลกระทบด้านสิ่งแวดล้อมสำหรับการทำเกษตรอินทรีย์ซึ่งบ่งชี้ว่าอิทธิพลของตัวแปรเหล่านี้ด้วยความแตกต่างระหว่างการทำเกษตรอินทรีย์และเป็นเล็กน้อย. 5 ข้อสรุปในบทความนี้ถดถอยโลจิสติกประมาณในการระบุตัวแปรโครงสร้างที่มีความสัมพันธ์กับผลกระทบด้านสิ่งแวดล้อมที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์เมื่อเทียบกับการทำการเกษตรแบบเดิม แหล่งข้อมูลขนาดตัวอย่างและสินค้าเกษตรอย่างมีนัยสำคัญในการดำเนินงาน EE และสินค้าเกษตรรูปแบบการปลูกพืชและหน่วยการวัดอย่างมีนัยสำคัญสำหรับผล GHGE ของเกษตรอินทรีย์. ในการศึกษา EE, เหนือกว่าของการทำเกษตรอินทรีย์ก็มีแนวโน้มที่จะพบได้ใน การศึกษากับกลุ่มตัวอย่างขนาดใหญ่การศึกษาภาคสนามและการทดลองมากกว่าข้อมูลทุติยภูมิ ในการศึกษา GHGE ที่เหนือกว่าของการทำเกษตรอินทรีย์ก็มีแนวโน้มที่จะพบได้สำหรับการศึกษาที่มีอย่างเดียวเมื่อเทียบกับ multicropping และมีการวัดผลขึ้นอยู่กับพื้นที่มากกว่าการส่งออก. ผลการชี้ให้เห็นว่าการศึกษาในอนาคตควรใช้กลุ่มตัวอย่างมากพอที่จะเพิ่มความมั่นใจในการปฏิบัติงาน เกษตรอินทรีย์เมื่อเทียบกับการทำการเกษตรแบบเดิม การศึกษาในอนาคตโดยเฉพาะอย่างยิ่งใน GHGE ควรจะระมัดระวังในการระบุหน่วยวัดที่เหมาะสมเพราะมาตรการการส่งออกที่ใช้มักจะไม่สนับสนุนการทำเกษตรอินทรีย์ (โดยเฉพาะอย่างยิ่งสำหรับ GHGE) เนื่องจากความแตกต่างระหว่างอัตราผลตอบแทนจากการเลี้ยงธรรมดาและอินทรีย์ เมื่อการใช้ที่ดินอย่างมีประสิทธิภาพและการผลิตพลังงานที่ได้รับการพิจารณาออกตาม (ต่อน้ำหนัก) มาตรการที่มีความเหมาะสมมากขึ้นสำหรับการประเมินและ EE GHGE กว่าพื้นที่ที่ใช้ (ต่อฮ่า) มาตรการ รูปแบบการปลูกพืชที่มีผลกระทบอย่างมีนัยสำคัญใน GHGE ดังนั้นเราจึงขอแนะนำว่าการศึกษาในอนาคตการตรวจสอบอย่างเดียวสำหรับการเปรียบเทียบโดยตรงและเป็นกลางของผลกระทบด้านสิ่งแวดล้อมของการทำเกษตรอินทรีย์และ. การศึกษา EE มีแนวโน้มที่จะพบว่าการทำเกษตรอินทรีย์เป็นที่เหนือกว่าสำหรับพืชไร่และฟาร์มโคนมและโอกาสน้อยสำหรับผักและสวนผลไม้ . การศึกษา GHGE มีแนวโน้มที่จะพบว่าการทำเกษตรอินทรีย์เป็นที่เหนือกว่าสำหรับพืชไร่นมและฟาร์มพืชผสมและโอกาสน้อยสำหรับปศุสัตว์ผักและสวนผลไม้ การค้นพบนี้แสดงให้เห็นว่าการเปรียบเทียบของผลกระทบด้านสิ่งแวดล้อมของการทำเกษตรอินทรีย์และควรใช้ชนิดของผลิตภัณฑ์ฟาร์ม (เช่นพืชไร่ปศุสัตว์, ผลไม้หรือผัก) เข้าบัญชีและการเปรียบเทียบจะขึ้นอยู่กับประเภทเดียวกันของสินค้าเกษตร . ตัวแปรระยะเวลาไม่ s

ผลลัพธ์ (ไทย) 3:

4.2 . การวิเคราะห์เมตาเพื่อการศึกษา

ก๊าซเรือนกระจกตารางที่ 7 แสดงการแจกแจงความถี่สำหรับตัวแปรโครงสร้างและผลของก๊าซเรือนกระจกการศึกษา จากที่สังเกต ร้อยละ 67.6 แสดงผลในเชิงบวกและ 32.3 % และเป็นกลางหรือลบผลลัพธ์ นั่นคือ ในแง่ของก๊าซเรือนกระจก อินทรีย์ คือ ที่ชื่นชอบกว่าเกษตรธรรมดา ไปเป็น 43 .1 % ของก๊าซเรือนกระจกเปรียบเทียบกับพืชไร่ ร้อยละ 72.8 ซึ่งเกี่ยวข้องกับขนาดของฟาร์ม มากกว่า 10 ฮา การแจกแจงความถี่ของตัวแปรโครงสร้างในก๊าซเรือนกระจกการศึกษาคือคล้ายกับที่ของเอเรียน ยกเว้นตัวแปรของหน่วยการวัดและวิธีการวัด เอ ศึกษาเพิ่มเติมมักจะใช้พื้นที่ตามมาตรการที่มีผลประกอบเป็นวัดโดยขณะที่ก๊าซเรือนกระจกการศึกษามากขึ้นมักจะใช้ผลผลิตจากผลมาตรการกับ LCA เป็นวิธีการวัด .
a การวิเคราะห์การถดถอยโลจิสติกโดยระบุตัวแปรโครงสร้างที่เกี่ยวข้องกับผลประโยชน์ก๊าซเรือนกระจกสำหรับเกษตรอินทรีย์การวิเคราะห์ ( ตารางที่ 8 ตารางที่ 9 ) ระบุตัวแปรโครงสร้างนั้นมีความสัมพันธ์กับผลก๊าซเรือนกระจกที่ดีสำหรับเกษตรอินทรีย์ โมเดลการถดถอยโลจิสติกให้พอดี the chi square value was แล้วไงต่อแวน ( p = . 000 คุณยูกิ the hosmer – lemeshow หลังจากเขา ) พระนาม ( p = . 341 ) . เก็บกวาดเก็บกวาดความดีของพอดี สำหรับตัวแบบการถดถอยโลจิสติกได้ยืนยันความถูกต้องของการจำแนกตามรูปแบบ ซึ่ง 72.72 % ( ตารางที่ 9 ) The model did very well in predicting cases in which GHGE organic farming outcomes were superior, predicting the outcome variable with 86.90% accuracy. อย่างไรก็ตามตัวแปรโครงสร้างในการถดถอยโลจิสติกได้ทำนายผลที่เป็นกลางและลบก๊าซเรือนกระจกยากจน จัดแสดงความถูกต้องเพียง 42.20 % วันก่อน , research น้อยลง is แม้กระทั่งไม่ identify the determinants ของ neutral or negative ghge outcomes for farming ลง versus farming เครดิต ความแม่นยำในการจำแนกของก๊าซเรือนกระจก รูปแบบคล้ายกับที่ของเอ

นางแบบตัวแปรโครงสร้างของผลิตภัณฑ์ รูปแบบการปลูกพืช และหน่วยการวัดมีความแตกต่างกัน ปศุสัตว์มีมูลค่าลบอย่างมีนัยสำคัญทางสถิติ ( P = . 004 ) ซึ่งพบว่าผลก๊าซเรือนกระจกที่ดีสำหรับเกษตรอินทรีย์มีแนวโน้มน้อยลงสำหรับปศุสัตว์กว่าสำหรับพืชไร่ . แม้ว่าค่าผักและผลไม้ประเภทที่ถูกลบ