Assessing food insecurity strategies across twelve countries from different income levels: a sustainability and food systems perspective
Notice bibliographique
Résumé
Abstract Achieving Sustainable Development Goal 2 (Zero Hunger) by 2030 remains a persistent global challenge, especially under current overlapping crises such as climate change, economic instability, and geopolitical conflicts. This study critically analyzes the food security strategies of twelve countries across four income groups, as classified by the World Bank: Low-Income (Malawi, Afghanistan, Ethiopia), Lower-Middle-Income (Nigeria, India, Lebanon), Upper-Middle-Income (Maldives, Brazil, China) and High-Income (Canada, Germany, United Arab Emirates). Using a structured narrative review of national policies and programs (2016–2024) sourced from academic databases, government publications, and international reports, we assess the alignment of strategies with the sustainability pillars (economic, social, environmental) and six key agri-food system interventions. Findings show that lower-income countries emphasize social protection and foundational agriculture (e.g., Ethiopia’s safety net improved food security by 30%), while higher-income nations focus on technological and environmental innovations (e.g., Germany aims to reduce nutrient losses by 50% by 2030). However, 10 of the 12 countries are off track, progressing at less than 50% of the rate needed. China (80% SDG2 score), Canada (70%), and Afghanistan (35%) demonstrate the widespread nature of this trend across varying income groups. The study underscores the urgency for integrated, context-specific strategies, enhanced international cooperation, and financing to accelerate progress toward Zero Hunger.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».