Effects of COVID-19 on Food Demand in Rural Indonesia: The Case of Bengkulu Province
Notice bibliographique
Résumé
This paper examines food demand before and after the outbreak of COVID-19 and studies the effects of the situation on households’ demand for food in rural Indonesia, in the case of Bengkulu Province. The research data is taken from the Indonesia Socio-Economic Survey (SUSENAS) as a microdata set which is collected annually by Indonesia Central Statistics Agency (BPS) from 2017 to 2021. The effect of COVID-19 on food demand estimates using the Quadratic Almost Ideal Demand System (QUAIDS). The results demonstrate that prepared food expenditure is the largest portion of household expenditure on food in the Bengkulu rural area. Before the outbreak of COVID-19, animal source food is the most sensitive to food expenditure, but after the outbreak, prepared food is the most sensitive. Staple food is the most expenditure-inelastic before and after the outbreak. Expenditure for animal source food, vegetables & fruits, and prepared food have significant differences between before and after the outbreak. All the food groups substitute for each other before the outbreak, whereas staple food and prepared food cannot be regarded as a substitute for each other after the outbreak. There are eleven of the compensated price elasticities whose differences between before and after the outbreak are significant, whereas as a set the compensated price elasticities are significantly different between before and after the outbreak. Other food is the easiest to be substituted for both phases. Prepared food is the most difficult to be substituted before the outbreak, but the staple food is the most difficult to be substituted after the outbreak. After the outbreak of COVID-19, the demand for vegetables & fruits increases, but the demand for staple food and prepared food decreases, ceteris paribus. Family size, children, gender, age, and other demographics variables have an impact on household food demand. These findings imply that after the outbreak, the supply of vegetables & fruits should be increased and that government support for suppliers of staple food and prepared food will be preferable.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».