The Impact of Marketing Channels on On-Farm Food Loss for Producers of Fruit and Vegetables in Quebec and Ontario
Notice bibliographique
Résumé
Food loss and waste is an issue in Canada. The over production of agricultural products can lead to declining land fertility, deteriorating sustainable environment, and wastage of energy. In comparison with other categories of agricultural products, the loss rate of fruit and vegetables is much higher because they cannot be stored for a long time and easily. Like other developed countries, most food is lost in Canada at the retailing and consuming level, which researchers tend to pay more attention to than other stages of the supply chain. In developing countries, food loss and waste occur primarily at the post-harvest stage, where the local food system is dominant. Recent studies suggest that on-farm food loss could be more severe than estimated before. Producers in some studies suggested that high cosmetic standards set by retailers and distributors lead to higher on-farm food loss rates than local marketing channels. Therefore, it is necessary to understand if it is true that producers selling through local marketing systems have lower food loss rates than producers selling through other marketing channels. We conducted a survey of fruit and vegetable producers in Québec and Ontario about their food loss rates at farmgate, the composition of marketing channels, and other factors that potentially impact the on-farm food loss rate. We found out that, compared to local channels, selling more directly to retailers statistically significantly reduces the on-farm food loss rate, but the absolute value is quite small. Small-scale farms have lower on-farm food loss rates than larger farms. Processing on farm also significantly reduces food loss on the farm. This study suggests that local marketing channels may not necessarily mean a lower on-farm food loss rate and that selling more directly to retailers could reduce on-farm food loss. However, producers need to consider their own situation to take measures to reduce on-farm food loss without compromising their income and welfare
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 ».