The influence of the food environment on diet quality: Insights from an extensive household survey in Ethiopia, focusing on women of reproductive age
Notice bibliographique
Résumé
BACKGROUND: Undernutrition is a significant challenge in Ethiopia, where limited dietary diversity and widespread micronutrient deficiencies affect millions, especially women of reproductive age. Although much research has explored dietary gaps and practices, the impact of the food environment (FE) on diet quality remains understudied. This study examines how FE factors influence dietary quality, using a food systems approach to inform sustainable nutrition policies. METHODS: A cross-sectional survey of 1,828 households was utilized to assess women's dietary quality using Poisson regression, with food environment (FE) components and socioeconomic variables predicting four indicators: women's diet diversity score (WDDS), fruit and vegetable score (FVS), global dietary quality score (GDQS), and household diet diversity score (HDDS). RESULTS: Dietary diversity was low, with fewer than 20% of women meeting the minimum recommendation; however, improvement was observed with higher quality food environments (FE). Starchy staples dominated consumption across all FE, while pulses and dark green leafy vegetables increased in households with medium and high FE. Low household dietary diversity (average 6.23) and a GDQS of 20.7 (far below the maximum of 49) indicate widespread deficiency. Poisson regression (adjusted for socioeconomic covariates) showed that a high FE score significantly predicted better diet quality compared to a low FE score: 27% higher WDDS (exp(β) = 1.27, 95% CI: 1.22-1.32, p < 0.001), 43% higher FVS (exp(β) = 1.43, 95% CI: 1.33-1.54, p < 0.001), 5% higher GDQS (exp(β) = 1.05, 95% CI: 1.02-1.08, p < 0.001), and 48% higher HDDS (exp(β) = 1.48, 95% CI: 1.43-1.54, p < 0.001). The results demonstrate consistent and significant associations between higher food environment (FE) scores and improved diet quality across all four dietary metrics. CONCLUSIONS: This study demonstrates the critical influence of food environments-encompassing market food diversity, physical access (e.g., food availability), economic access (e.g., affordability), and supportive infrastructure (e.g., roads, transportation, financial services)-on improving dietary quality among Ethiopian women and household food security. High food prices, socioeconomic disparities, and regional variations limit access to nutrient-rich foods (e.g., fruits, vegetables, animal-sourced products), particularly for low-income households. To enhance dietary quality and health outcomes, policymakers should prioritize interventions that expand diverse food markets, strengthen rural infrastructure (roads, transportation), and improve affordability through targeted economic support and price stabilization, ensuring equitable access to nutritious foods. TRIAL REGISTRATION: Not applicable.
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 | 0,001 | 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 ».