COVID-19 and the agri-food system in the United States and Canada
Notice bibliographique
Résumé
Agri-food supply chains in North America have become remarkably efficient, supplying an unprecedented variety of items at the lowest possible cost. However, the initial stages of the COVID-19 pandemic and the near-total temporary loss of the foodservice distribution channel, exposed a vulnerability that many found surprising. Instead of continued shortages, however, the agri-food sector has since moved back to near normal conditions with prices and production levels similar to those typically observed in years prior to the pandemic. Ironically, the specialization in most food supply chains designed for “just-in-time” delivery to specific customers with no reserve capacity, which led to the initial disruptions, may have also been responsible for its rapid rebound. A common theme in assessing the impacts across the six commodities examined is the growing importance of understanding the whole supply chain. Over the longer term, a continuation of the pandemic could push the supply chain toward greater consolidation of firms and diversification of products given the increasing option value of maintaining flexibility. Other structural changes will be felt through input markets, most notably labour, as the trend toward greater automation will continue to accelerate as a response to meeting concerns about a consistent supply of healthy and productive workers. The economic fall out from the pandemic may lead to greater concentration in the sector as some firms are not able to survive the downturn and changes in consumer food buying behaviour, including movement toward online shopping and enhanced demand for attributes associated with resiliency, such as local. On the other hand, online shopping may provide opportunities for small producers and processors to shorten supply chains and reach customers directly. In the long term, COVID-19 impacts on global commerce and developing country production are more uncertain and could influence poverty reduction. While COVID-19's impacts on North American agriculture should have minimal effect on the Sustainable Development Goals (SDGs) through food prices, the ongoing global trends in trade and agribusiness accelerated by the pandemic are relevant for achievement of the SDGs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,014 | 0,002 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».