The resilience of domestic transport networks in the context of food security – A multi-country analysis
Notice bibliographique
Résumé
This study aims to help bring the domestic food transport network into focus for The State of Food and Agriculture 2021 – Making agrifood systems more resilient to shocks and stresses. Transport infrastructure and logistics, not least domestic food transport networks, are an integral part of agrifood systems, and play a fundamental role in ensuring physical access to food at the local level, as well as in producing non-food agricultural output. The flow of food from farm to fork is vulnerable to various shocks; however, the resilience of this flow has rarely been studied. This study aims to fill that gap; in doing so, it develops a spatial analysis framework that realistically characterizes the physical transport network, and uses this framework to then analyse the network’s ability to transport enough food to meet demand. The analysis builds on a preliminary spatial workflow and on evaluated resilience metrics to analyse the structure of transport networks in the context of national food transport network resilience. For a total of 90 countries, it considers road, river and rail transport infrastructure, along with trade ports, border crossings and their respective import and export quantities. It then measures food transport network resilience for each country through three main indicators: proximity-based resilience, relative detour cost and alternative route availability. Findings show that where food is transported more locally and where the network is denser, disturbances have a much lower impact. This is mostly the case for high-income countries, as well as for densely populated countries like China, India, Nigeria and Pakistan. Conversely, low-income countries have much lower levels of transport network resilience, although some exceptions exist. A simulation of the impact of localized 1-in-10-year flooding events in Mozambique, Nigeria and Pakistan is also used to capture the effect of potential disruptions to food transport networks for crops in the three countries. The simulation illustrates the loss of network connectivity that results when links become impassable, potentially affecting millions of people.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».