Post-harvest Losses for Urban Fresh Fruits and Vegetables Along the Continuum of Supply Chain Functions: Evidence from Dar es Salaam City - Tanzania
Notice bibliographique
Résumé
Despite the significance and efforts put forward to enhance fresh fruits and vegetables, post-harvest losses continue to threaten the supply chain of this trade. The study explores post-harvest losses of urban fresh fruits and vegetables along the supply chain continuum in Dar es Salaam. It further digs into understanding factors contributing to post-harvest losses for fresh fruits and vegetables in the context of supply chain functions of storage, transportation, value addition, and market services. A qualitative research design was adopted and data were drawn from 55 respondents who were selected by purposive and simple random sampling techniques. In-depth interviews, Focus Group Discussions, documentary review and non-participant observation were used in data collection. Findings showed that post-harvest losses for urban fresh fruits and vegetables along the supply chain functions are attributed to deficiencies inherent in the supply chain functions of storage, transportation, value addition and quality improvement as well as market services. Further findings indicate that low technology, inadequate communication and information, inadequate policies and institutions to mention just a few are the underlying factors leading to such loss. The study recommends stakeholders to collectively alleviate poor storage, transportation, value addition, and markets related challenges that lead to post-harvest losses in the sector. These findings contribute to the existing knowledge in the sector, pave policy inputs with regards to minimising post-harvest losses in the agricultural sector, thereby improving food security, traders and the government’s income in general.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».