What commodities and countries impact inequality in the global food system?
Notice bibliographique
Résumé
The global distribution of food production is unequal relative to the distribution of human populations. International trade can increase or decrease inequality in food availability, but little is known about how specific countries and commodities contribute to this redistribution. We present a method based on the Gini coefficient for evaluating the contributions of country and commodity specific trade to inequality in the global food system. We applied the method to global food production and trade data for the years 1986-2011 to identify the specific countries and commodities that contribute to increasing and decreasing inequality in global food availability relative to food production. Overall, international trade reduced inequality in food availability by 25%-33% relative to the distribution of food production, depending on the year. Across all years, about 58% of the total trade links acted to reduce inequality with ∼4% of the links providing 95% of the reduction in inequality. Exports from United States of America, Malaysia, Argentina, and Canada are particularly important in decreasing inequality. Specific commodities that reduce inequality when traded include cereals and vegetables. Some trade connections contribute to increasing inequality, but this effect is mostly concentrated within a small number of commodities including fruits, stimulants, and nuts. In terms of specific countries, exports from Slovenia, Oman, Singapore, and Germany act to increase overall inequality. Collectively, our analysis and results represent an opportunity for building an enhanced understanding of global-scale patterns in food availability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».