Implications of Land Ownership Heterogeneity on Household Food Security: A Case Study of Urban Farming in Pietermaritzburg, KwaZulu-Natal Province
Notice bibliographique
Résumé
Understanding the impact of land ownership on household food security is crucial for achieving sustainable rural and agricultural development in developing countries through improved farm performance. Using a multistage sampling technique to collect data from 156 urban farmers, this study analysed the impact of land ownership on household food security of urban farmers in Pietermaritzburg, KwaZulu-Natal Province of South Africa. This study employed the probit model to evaluate the drivers of land ownership among urban farmers, while the marginal treatment effects model was employed to address selection bias attributed to observed and unobserved characteristics. The analysis of food security status reveals varying degrees of food insecurity, with the majority of households experiencing mild food insecurity and a smaller proportion facing moderate food insecurity. Our results show that land ownership likelihood is positively and significantly influenced by monthly income, age, and membership to a cooperative, while gender and distance to market have negative and significant impacts. The empirical results also show that land ownership significantly reduces household food insecurity by 50%. In conclusion, the interplay of educational level, household size, access to water, access to credit, and distance to a market with land ownership significantly shapes food security outcomes. A comprehensive understanding of these relationships is essential for developing effective policies aimed at enhancing food security, particularly in regions where land ownership is a critical determinant of agricultural productivity and food availability.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».