Food Aid Modality Selection Problem
Notice bibliographique
Résumé
Aid agencies implement food aid programs to alleviate chronic hunger. These agencies can choose direct, in‐kind distribution of food commodities, or they can provide cash or vouchers. To determine which aid modality to use for distributing aid, organizations currently use decision trees or other guidelines. In this study, we present a novel mathematical formulation to determine the optimal approach for allocating modalities and quantities of aid to beneficiaries, while also considering the beneficiaries’ needs and preferences. This also enables aid agencies to estimate the benefits of their programs for all stakeholders (i.e., beneficiaries, local retailers, and the organization) and help them design more tailored programs. The proposed model has three objectives to assess potential solutions: program costs, beneficiaries’ nutrition levels, and economic contributions to the local economy. The beneficiaries’ consumption behavior is incorporated into the model through a bilevel optimization structure to capture and prevent inefficient cash use by beneficiaries. We validate the model using data from the World Food Programme’s operations in Garissa County, Kenya. We analyze how robustly our solution handles possible variations in different cost parameters, including food commodity prices and operational costs. Finally, we demonstrate how to use the model to evaluate policies intended to improve program outcomes, such as educating beneficiaries about nutrition or fortifying grains available locally. Our results show that a modality’s effectiveness depends on the population and market characteristics, and no modality should be presumed superior to another without in‐depth analyses.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».