Lost harvest: examining the association between postharvest food loss and food insecurity in semi-arid Ghana
Notice bibliographique
Résumé
According to the World Resources Institute, about one in every four calories produced for human consumption globally is not eventually consumed by humans. In sub-Saharan Africa, postharvest food loss (PHL) alone accounts for 20–30% of annual production, with an estimated value of 1.6 billion USD. Yet, agricultural policies that target improving food security have largely focused on augmenting productivity with little attention to PHL reduction. That notwithstanding, PHL has the potential to undermine several key dimensions of food insecurity. For instance, it can compromise household food reserves and drive food price hikes. Reductions in food quality may also impact food utilization. The prevalence of PHL and its relationship with food insecurity, however, remains underexplored. Using a cross-sectional survey of smallholder farming households (n = 1100) in Ghana, we examined the association between PHL and food insecurity. Our findings show that, on average, 22% of household harvest is lost postharvest. Nested ordered logistic regression analysis revealed a statistically significant relationship between PHL and food insecurity. A unit increase in PHL (OR = 1.08; p ≤ 0.05) was significantly associated with an 8% increase in the odds of being severely food insecure. Our findings provide an empirical basis for the argument that addressing PHL is a viable entry point for addressing food insecurity in the Global South. While it is crucial to pay attention to production concerns, food policy must simultaneously address postharvest management challenges of smallholder farmers. Policies that prioritize investment in contextually relevant and low-cost solutions to postharvest management will be timely.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».