COVID-19 and the food system: unpacking lessons from food traders’ responses in Tanzania
Notice bibliographique
Résumé
The adverse impacts of the COVID-19 pandemic on the food system have underscored the vulnerabilities inherent in its various components, particularly on food trade, which experienced disproportionately severe effects. This study examines the experiences of food traders and their responses during and after the pandemic. It draws on intensive field research conducted in food markets across Arusha, Dar es Salaam, and Mwanza, as well as a review of evolving academic literature on COVID-19 and food systems. The results indicate a range of experiences among food traders, highlighting both substantial negative impacts on their businesses and unexpected gains from the crisis. In response to these disruptive effects, food traders employed a variety of strategies, including altering their sources of produce and credit arrangements, relying on social networks, engaging in collective purchasing and transportation of products, and utilizing digital platforms for customer interaction, ordering, payments, and delivery. The findings emphasize the need for policies and initiatives that enhance collective action among food system stakeholders, improve communication and public awareness during crises, and establish mechanisms for financial support and other incentives. Importantly, flexible and adaptive government policies can better address evolving dynamics and ensure food system functionality and resilience.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
Comment cette classification a été obtenuedéplier
Le tri à trois modèles
les 5 600 travaux triés →Les trois modèles l'ont jugé hors champ.
Field study of food traders' responses to COVID-19 in Tanzania; domain social science.
It studies food traders' responses to COVID-19 in Tanzania, not research itself.
Empirical study of food traders under COVID-19 in Tanzania; food systems research, not research-on-research.
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 | 0,002 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| 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 ».