Where women in agri-food systems are at highest climate risk: a methodology for mapping climate–agriculture–gender inequality hotspots
Notice bibliographique
Résumé
Climate change poses a greater threat for more exposed and vulnerable countries, communities and social groups. People whose livelihood depends on the agriculture and food sector, especially in low- and middle-income countries (LMICs), face significant risk. In contexts with gendered roles in agri-food systems or where structural constraints to gender equality underlie unequal access to resources and services and constrain women’s agency, local climate hazards and stressors, such as droughts, floods, or shortened crop-growing seasons, tend to negatively affect women more than men and women’s adaptive capacities tend to be more restrained than men’s. Transformation toward just and sustainable agri-food systems in the face of climate change will not only depend on reducing but also on averting aggravated gender inequality in agri-food systems. In this paper, we developed and applied an accessible and versatile methodology to identify and map localities where climate change poses high risk especially for women in agri-food systems because of gendered exposure and vulnerability. We label these localities climate-agriculture-gender inequality hotspots. Applying our methodology to LMICs reveals that the countries at highest risk are majorly situated in Africa and Asia. Applying our methodology for agricultural activity-specific hotspot subnational areas to four focus countries, Mali, Zambia, Pakistan and Bangladesh, for instance, identifies a cluster of districts in Dhaka and Mymensingh divisions in Bangladesh as a hotspot for rice. The relevance and urgency of identifying localities where climate change hits agri-food systems hardest and is likely to negatively affect population groups or sectors that are particularly vulnerable is increasingly acknowledged in the literature and, in the spirit of leaving no one behind, in climate and development policy arenas. Hotspot maps can guide the allocation of scarce resources to most-at-risk populations. The climate-agriculture-gender inequality hotspot maps show where women involved in agri-food systems are at high climate risk while signaling that reducing this risk requires addressing the structural barriers to gender equality.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».