COVID-19 impacts on household energy & food security in a Kenyan informal settlement: The need for integrated approaches to the SDGs
Notice bibliographique
Résumé
This longitudinal study presents the joint effects of a COVID-19 community lockdown on household energy and food security in an informal settlement in Nairobi, Kenya. Randomly administered surveys were completed from December 2019-March 2020 before community lockdown (n = 474) and repeated in April 2020 during lockdown (n = 194). Nearly universal (95%) income decline occurred during the lockdown and led to 88% of households reporting food insecurity. During lockdown, a quarter of households (n = 17) using liquefied petroleum gas (LPG), a cleaner cooking fuel typically available in pre-set quantities (e.g. 6 kg cylinders), switched to polluting cooking fuels (kerosene, wood), which could be purchased in smaller amounts or gathered for free. Household size increases during lockdown also led to participants' altering their cooking fuel, and changing their cooking behaviors and foods consumed. Further, households more likely to switch away from LPG had lower consumption prior to lockdown and had suffered greater income loss, compared with households that continued to use LPG. Thus, inequities in clean cooking fuel access may have been exacerbated by COVID-19 lockdown. These findings demonstrate the complex relationship between household demographics, financial strain, diet and cooking patterns, and present the opportunity for a food-energy nexus approach to address multiple Sustainable Development Goals (SDGs): achieving zero hunger (SDG 2) and universal affordable, modern and clean energy access (SDG 7) by 2030. Ensuring that LPG is affordable, accessible and meets the dietary and cooking needs of families should be a policy priority for helping improve food and energy security among the urban poor.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 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 ».