5 Key Challenges and Solutions for Governing Complex Adaptive (Food) Systems
Notice bibliographique
Résumé
There is increasing recognition in academic circles of the importance of adaptive governance for the sustainability of social-ecological systems, but little examination of specific implications for the 34% of land-use where human activities are pervasive but potentially commensurate with functioning ecosystems: agricultural production systems. In this paper, we argue for the need to view food systems and agro-ecosystems as multi-scalar complex adaptive systems and identify five key challenging characteristics of such systems: multi-causality; cumulative impacts; regime shifts; teleconnections and mismatch of scales. These characteristics are necessary features of multi-scalar adaptive systems, and apply equally to social and natural subsystems. We discuss the implications of these characteristics for agricultural production systems and consider how governance can rise to these challenges. We present five case studies that highlight these issues: pollinator declines; payments for ecosystem services; pest control and pesticide resistance; downstream aquatic systems in Tasman Bay, New Zealand; and riparian buffers in Puget Sound, USA. From these case studies we derive recommendations for managing agricultural systems, both specific and general. Ultimately, adaptive governance of agro-ecosystems will likely hinge upon three paradigm shifts: viewing farmers and ranchers not only as food producers but also as land and water managers; seeking not yield maximization but rather resilient management of food ecosystems; and critically, as it transcends the production-system literature, engaging broad audiences not only as consumers but also citizens.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,017 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,009 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».