Community resource management areas and household food security in northern Ghana: Insights from a socio-ecological systems perspective
Notice bibliographique
Résumé
Food insecurity remains a pressing challenge in rural Ghana, particularly in the semi-arid northern regions where sociodemographic, socio-economic, and environmental factors heighten household risks. In response, Community Resource Management Areas (CREMAs) have been introduced as decentralized governance structures to promote sustainable natural resource management, biodiversity, and improve livelihoods. However, the extent to which CREMAs influence household food security remains underexplored. Grounded in the Socio-Ecological Systems (SES) framework, this study has two main objectives: (1) to determine variations in food security between households located within CREMAs and those outside CREMAs (non-CREMA households), and (2) to analyze the socio-demographic and socio-economic factors that explain such variations. Cross-sectional data were collected from 517 smallholder farmer households across four community contexts, Wechiau, Dorimo, Zukpiri, and Chakali, in northern Ghana. Using ordered logistic regression analysis, the results show that households within CREMAs experience lower levels of severe food insecurity compared to non-CREMA households. Food security outcomes varied across zones, influenced by factors such as age, education, gender, household size, wealth, home gardening, livestock rearing, access to credit, and remittances, with context-specific effects. These findings underscore the vital role of CREMAs in enhancing household food security by promoting improved resource governance and sustainable practices. A dual approach is recommended to address food insecurity in northern Ghana. This entails scaling up CREMAs and reinforcing community resource management, while simultaneously strengthening governance, broadening financial and livelihood opportunities, and providing targeted support to vulnerable households. • The SES framework explored how systems and context affect food security in northern Ghana. • CREMA households face less severe food insecurity than non-CREMA communities. • Food security is shaped by age, gender, education, gardening, livestock, credit, and remittances. • Scaling-up CREMAs and supporting smallholder farmers are recommended to combat food insecurity.
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 ».