Анализ рационов питания: роль благосостояния, системы земледелия и ландшафтного контекста в формировании сельских рационов

Разнообразие рациона имеет ключевое значение для улучшения качества питания и обеспечения продовольственной безопасности. С более разнообразными рационами связывают ряд факторов, включая благосостояние домохозяйств, доступ к рынкам, разнообразие выращиваемых на фермах культур и наличие лесного покрова в регионе. Однако то, как эти факторы сочетаются в ландшафтах, формируя рационы, изучено недостаточно. Мы рассматриваем Эфиопию как пример исследования того, как благосостояние, тип системы земледелия и ландшафтный контекст взаимодействуют, объясняя профили питания домохозяйств.

Используя кластерный анализ на основе общенациональных данных о потреблении продуктов питания домохозяйствами, мы выделяем три различных профиля рационов в сельской местности Эфиопии: (1) рацион с низким разнообразием, (2) разнообразный рацион, особенно богатый фруктами и овощами, и (3) разнообразный рацион, также богатый маслами, жирами и сахарами. Мы обнаружили, что рацион с низким разнообразием был тесно связан с домохозяйствами из низшего и среднего классов благосостояния, которые в основном занимались зерновым земледелием, хотя и не исключительно. Напротив, разнообразный рацион с высоким содержанием фруктов и овощей был преимущественно характерен для домохозяйств с кофейно-агролесными системами земледелия и, по-видимому, не был ограничен каким-либо конкретным классом благосостояния, хотя положительно коррелировал с лесным покровом. Домохозяйства с разнообразным профилем рациона, также богатым маслами, жирами и сахарами, были распределены между различными типами хозяйств, располагались ближе к дорогам и в основном принадлежали к среднему и высшему классам благосостояния. Наконец, хотя лесной покров был тесно связан с профилем рациона, богатым фруктами и овощами, и с ведением кофейно-агролесного хозяйства, наличие лесного покрова в зерновых системах всё же было значительно положительно связано с потреблением тёмных листовых овощей и фруктов. Это позволяет предположить, что даже небольшие участки леса могут способствовать здоровому питанию. Эти результаты, проливающие свет на то, как благосостояние, тип системы земледелия и ландшафтный контекст формируют профили рационов, имеют важное значение для разработки эффективных мер политики в области продовольственной безопасности в Эфиопии.

В мире более двух миллиардов человек страдают от дефицита микроэлементов, вызванного неполноценным питанием (Haddad и др., 2015), что может негативно сказаться на развитии детей и производительности труда взрослых (Lim и др., 2012; Black и др., 2013). Эта проблема особенно остро стоит в Африке, где недостаточное инвестирование в сельское хозяйство привело к значительному разрыву в урожайности (Tittonell и Giller, 2013), ограниченным мощностям по переработке и хранению, низкому уровню доходов и недостаточному пониманию потребителями проблемы дефицита микроэлементов (Barrett и Bevis, 2015). На сегодняшний день большинство крупномасштабных программ и финансовых вложений в сфере продовольственной безопасности делают основной упор на удовлетворение базовых энергетических потребностей в питании за счёт увеличения производства и доступности основных сельскохозяйственных культур (World Health Organization, 2005; Forouzanfar и др., 2016), уделяя меньше внимания пищевой ценности рационов (Ickowitz и др., 2019). Хотя такие усилия позволили сократить долю голодающего населения в мире (FAO, 2018), современная глобальная сельскохозяйственная система не обеспечивает производство продуктов, необходимых для полноценного в питательном отношении рациона (Ickowitz и др., 2019; Willett и др., 2019). Среди причин — меры политики, которые стимулируют переход от диверсифицированного производства и потребления к монокультурам товарных культур, что может негативно влиять на пищевую ценность рационов (Siegel и др., 2014; Powell и др., 2015; Qaim и др., 2016; Qaim и Sibhatu, 2018). Более того, расширение сельскохозяйственных угодий и традиционная интенсификация часто связаны с обезлесением (Angelsen и Kaimowitz, 2001; Ordway и др., 2017; Curtis и др., 2018), что может снижать разнообразие рациона за счёт уменьшения доступности дикорастущих продуктов питания (Rowland и др., 2016; Galway и др., 2018) и других лесных продуктов, которые можно продать для покупки разнообразных продуктов питания (Hickey и др., 2016).

С точки зрения питательной ценности «более качественные» рационы предполагают потребление различных видов продуктов, поскольку они с большей вероятностью удовлетворяют потребности человека в макро- и микроэлементах (Hall и др., 2009; Lachat и др., 2018). В ответ на это программы продовольственной безопасности теперь делают акцент на разнообразии рациона как ключевой стратегии улучшения качества питания (например, Dube и др., 2018; Ochieng и др., 2018; Schreinemachers и др., 2018). Однако факторы, которые приводят к тому, что домохозяйства потребляют разнообразный рацион, изучены недостаточно, хотя понимание этих факторов имеет решающее значение для разработки эффективной политики в области продовольственной безопасности и питания. Более разнообразные рационы связывают с рядом характеристик домохозяйств, включая уровень образования, возраст и пол главы домохозяйства, а также размер домохозяйства и его благосостояние (Cockx и др., 2018). Разнообразие рациона также связано с доступом к рынкам (Sibhatu и др., 2015; Qaim и др., 2016), собственным сельскохозяйственным производством — при этом предполагается, что диверсификация хозяйства ведёт к потреблению более разнообразных рационов (Jones и др., 2014; Sibhatu и Qaim, 2018) — а также с лесным покровом региона (Ickowitz и др., 2014). Недавние исследования показали, что наличие древесного покрова в ландшафтах положительно коррелирует с разнообразием рациона, а также с потреблением важных в питательном отношении групп продуктов в африканских странах (Ickowitz и др., 2014; Rasmussen и др., 2019). Однако то, как эти факторы (характеристики домохозяйств, доступ к рынкам, собственное производство и ландшафтный контекст) сочетаются, формируя рационы, изучено недостаточно, особенно механизмы, с помощью которых леса поддерживают более разнообразные рационы.

Предыдущие исследования, оценивающие влияние диверсификации сельскохозяйственного производства на рационы, в основном опирались на простые показатели разнообразия культур, такие как подсчёт общего числа видов выращиваемых культур и домашнего скота в хозяйстве (Sibhatu и др., 2015). Однако идентичность и относительная доля каждого вида также могут иметь критическое значение для понимания их связи с рационами. Рационы мелких фермеров по-разному выигрывают от производства продовольственных культур (которые можно употреблять непосредственно в пищу) по сравнению с товарными культурами (как продовольственными, так и непродовольственными), которые приносят доход, используемый для покупки продуктов питания (Jones, 2016). Культуры также различаются по своим пищевым характеристикам; например, тёмные листовые овощи являются важным источником железа, кальция и клетчатки, тогда как красный перец, морковь и тыква — критически важны для обеспечения витамином А. Аналогично, коровы, овцы и козы дают молочные продукты, тогда как куры, утки и другие виды птицы — яйца в дополнение к мясу. Таким образом, фермерские системы, выращивающие множество однотипных культур (например, пшеницу, теф, кукурузу, сорго), будут вносить меньший вклад в качество рациона, чем системы с разнообразным набором различных фруктов, овощей, зерновых и т.д. Оценка связей между собственным сельскохозяйственным производством и разнообразием рациона домохозяйств требует более детальной характеристики разнообразия выращиваемых культур и разводимых животных.

Многие страны с низким и средним уровнем дохода в настоящее время переживают так называемый «пищевой переход» (nutrition transition), в ходе которого традиционные разнообразные рационы (богатые, например, овощами и фруктами) заменяются менее качественными рационами с избытком жиров, масел и сахара (Abrahams и др., 2011; Steyn и Mchiza, 2014; Cockx и др., 2018). Улучшение нашего понимания факторов, связанных с различными профилями рационов, позволит разработать эффективные многокомпонентные стратегии, направленные на достижение целей продовольственной безопасности и улучшения питания. Кроме того, более глубокое понимание того, как леса влияют на рационы, может способствовать формированию сельскохозяйственной политики, лучше интегрированной с целями сохранения и восстановления лесов (Sunderland и др., 2019).

Цели настоящего исследования состоят в том, чтобы изучить, как благосостояние, тип системы земледелия и ландшафтный контекст взаимодействуют и влияют на рационы сельских домохозяйств по всей Эфиопии. Конкретно мы ставим целью: (i) выявить преобладающие профили рационов домохозяйств в сельской местности Эфиопии; (ii) разработать типологии фермерских хозяйств на основе данных о сельскохозяйственном производстве домохозяйств, чтобы выйти за рамки простого подсчёта видов культур; (iii) сравнить, как благосостояние домохозяйств и тип системы земледелия связаны с их профилем рациона; и (iv) определить, связаны ли ландшафтный контекст (лесной покров и доступ к рынкам) с потреблением различных групп продуктов и отдельных продуктов питания.

Формирование профилей рационов и оценка качества питания

Для построения профилей рационов мы использовали общедоступные данные Всемирного банка — Обследования уровня жизни (Living Standard Measurement Survey, LSMS) (http://microdata.worldbank.org/index.php/catalog/lsms), проведённого в Эфиопии в 2015–2016 гг. LSMS представляет собой национально репрезентативное обследование домохозяйств, которое собирает широкий спектр данных о средствах к существованию, включая сведения о производстве сельскохозяйственных культур и поголовье скота на уровне хозяйств, владении активами и данные о потреблении продуктов питания. Мы сосредоточили наш анализ на рационах сельских домохозяйств и извлекли данные для 2633 домохозяйств, обследованных в сельских районах. Наша итоговая выборка (n = 2367 сельских домохозяйств) исключила домохозяйства, по которым отсутствовали данные о сельскохозяйственном производстве, потреблении продуктов питания, геолокации или активах, поскольку для анализа требовалась полная информация по каждому домохозяйству.

Для построения профилей рационов сельских домохозяйств Эфиопии мы использовали данные о потреблении продуктов питания, указанные домохозяйствами (бинарная переменная — потреблялся/не потреблялся каждый из 69 продуктов в течение последних 7 дней (см. Рисунок 1) из базы данных LSMS). Набор данных LSMS имеет преимущества перед другими аналогичными источниками (например, DHS, см. Ickowitz и др., 2014), включая: большие объёмы выборок, обширные данные по разнообразным переменным, не связанным с питанием, и детализированный перечень многих отдельных продуктов, что позволяет рассчитывать различные показатели разнообразия рациона (FAO and FHI 360, 2016). Это также позволяет строить профили рационов на основе отдельных продуктов, а не агрегированных групп, что даёт возможность глубже понять, какие именно продукты чаще всего вносят вклад в каждую группу продуктов.

Рисунок 1  Доля домохозяйств, сообщивших о потреблении различных продуктов в течение последних 7 дней, для каждого из трёх выделенных профилей рационов. N = 2367 сельских домохозяйств. OS — масла и сахара; FV — фрукты и овощи.

Следуя подходу Alvarez и др. (2018), мы применили метод главных компонент (PCA) и иерархический кластерный анализ (HCA) на основе перечня потреблённых продуктов (наличие/отсутствие), указанных в 7-дневном опросе каждого домохозяйства, для построения типологии профилей рационов (sensu Hu, 2002). Мы использовали PCA, чтобы сократить полный перечень продуктов (n = 69, см. Рисунок 1), потребляемых каждым домохозяйством, до меньшего числа (n = 5) синтетических, но ортогональных переменных — главных компонент (PC). В нашем анализе первая PC объясняла 50% общей дисперсии, а вторая — дополнительные 5% (карта факторов для продуктов, вносящих наибольший вклад в первые две PC, приведена на Рисунке S1). Затем мы применили агломеративный иерархический кластерный анализ к значениям PC домохозяйств, используя метод наименьшей дисперсии Уорда, для выявления кластеров рационов, которые в дальнейшем мы называем «профилями рационов». Метод Уорда был выбран, поскольку он формирует кластеры, минимизируя внутрикластерную вариацию путём итеративного сравнения кластеров на основе рассчитанной суммы квадратов между двумя кластерами, суммированной по всем переменным (Hair и др., 2010). Оптимальное число кластеров (т.е. профилей рационов) определялось по форме дендрограммы. Все статистические расчёты выполнены в среде R (версия 3.1.0, пакет ade4, Dray и Dufour, 2007).

Затем мы охарактеризовали каждый из выделенных профилей рационов в терминах доли домохозяйств с данным профилем, потребляющих конкретные продукты и/или группы продуктов. Для каждого профиля мы рассчитали средний показатель разнообразия рациона (dietary diversity score). Разнообразие рациона определяется как число групп продуктов, потреблённых за определённый период (обычно от 24 часов до 7 дней). На индивидуальном уровне разнообразие рациона служит показателем адекватности рациона по микроэлементам (Arimond и др., 2010), что является одним из аспектов качества питания. Рационы домохозяйств тесно коррелируют с рационами отдельных людей, однако показатель разнообразия рациона на уровне домохозяйства не учитывает внутридомохозяйственное распределение и не может использоваться для выводов относительно конкретных групп населения, например женщин (Verger и др., 2019). Поскольку LSMS фиксирует потребление продуктов на уровне домохозяйства, а не отдельного человека, мы построили модифицированный показатель разнообразия рациона домохозяйства (MHHDS), используя десять групп продуктов, рекомендованных для расчёта MDD-W (Минимальное разнообразие рациона женщин) (FAO and FHI 360, 2016), но на основе 7-дневного опроса. MHHDS включает следующие группы продуктов: (1) крахмалистые основные продукты (зерновые, белые корнеплоды, клубни, бананы), (2) овощи и фрукты, богатые витамином А, (3) тёмные листовые овощи, (4) бобовые (фасоль и горох), (5) орехи и семена, (6) мясные продукты (мясо, птица и рыба), (7) молочные продукты, (8) яйца, (9) другие овощи и (10) другие фрукты (FAO and FHI 360, 2016). В дополнение к группам продуктов, включённым в MHHDS, мы также сравнили потребление сладостей, масел и жиров, однако эти группы не включались в расчёт MHHDS.

Известно, что то, что производят домохозяйства, влияет на их рационы (Jones и др., 2014; Jones, 2015, 2016, 2017). Чтобы выйти за рамки влияния простого количества культур на рационы, мы использовали данные LSMS о производстве сельскохозяйственных культур и поголовье скота в домохозяйствах для разработки типологий фермерских хозяйств по всей Эфиопии с помощью кластерного анализа. Мы основывали анализ на относительном производстве каждой культуры и каждого вида скота (рассчитанном отдельно). Из обследованных домохозяйств в данных LSMS мы выделили 187 уникальных видов культур и 10 видов скота. Мы перевели указанное производство культур в общепринятые единицы массы (кг), а поголовье скота — в тропические единицы скота (TLU) на основе коэффициентов пересчёта, разработанных Gryseels (1988) для Эфиопии. Мы также извлекли данные о высоте над уровнем моря [из цифровой модели рельефа MODIS (разрешение 250 м)] и среднегодовых осадках [из Worldclim.org (Fick and Hijmans, 2017)], используя данные геолокации из LSMS, и включили их вместе с данными о сельскохозяйственном производстве в кластерный анализ. Мы использовали иерархический кластерный анализ на основе евклидовых расстояний для группировки хозяйств по этим характеристикам и определили оптимальное число кластеров на основе дендрограммы и в обсуждении с экспертами, знакомыми с системами земледелия в Эфиопии (F. Baudron, B. Powell).

Группы по уровню благосостояния

Хотя более обеспеченные домохозяйства могут позволить себе покупать дорогие продукты, богатые питательными веществами, что может улучшить рационы и привести к более высокому разнообразию рациона (Sibhatu и др., 2015), исследователи также утверждают, что улучшение питания не обязательно следует за ростом доходов (Herforth and Ahmed, 2015). Для оценки связи между благосостоянием и рационами мы построили показатель благосостояния на основе активов как прокси долгосрочного экономического статуса домохозяйств. Следуя подходу Filmer и Pritchett (2001), мы дихотомизировали все активы домохозяйств, чтобы указать, владеет ли каждое домохозяйство каждым из перечисленных активов (см. Таблицу S1 для перечня активов, включённых в анализ). Кроме того, тип кровельного материала и санитарные удобства были также дихотомизированы [1 = современные, 0 = несовременные (отсутствие туалета или общие удобства)]. Затем мы применили PCA к дихотомизированным данным (наличие/отсутствие), при этом первая PC использовалась для расчёта квинтилей благосостояния (чем выше значение, тем богаче домохозяйство), которые затем были перекодированы в три группы: нижний (1-й и 2-й квинтили), средний (3-й и 4-й квинтили) и высший класс благосостояния (5-й квинтиль). Мы использовали эту группировку вместо равных терцилей, чтобы лучше выделить более обеспеченные домохозяйства на фоне в целом низкого уровня активов, характерного для большей части населения Эфиопии. Мы выбрали показатель на основе активов, а не метрику дохода, поскольку первый, как было показано, служит хорошим индикатором благосостояния домохозяйства в долгосрочной перспективе и менее подвержен ошибкам измерения (Hjelm и др., 2016). Более того, такие метрики, как доля расходов на питание, могут быть проблематичными, поскольку домохозяйства склонны тратить пропорционально меньше на питание по мере роста располагаемого дохода (Smith и др., 2014).

Ландшафтные переменные (лесной покров и доступ к рынкам)

Окружающие домохозяйство ландшафтные элементы могут влиять как на их возможности в питании (Ickowitz и др., 2014; Galway и др., 2018; Rasolofoson и др., 2018), так и на их систему земледелия (Baudron и др., 2017). Для характеристики локальных ландшафтов мы получили данные о лесном покрове за 2016 год (год проведения LSMS) из общедоступного набора данных о глобальном древесном покрове с разрешением 30 м за 2000–2016 гг. (Hansen и др., 2013). Мы загрузили тайлы, покрывающие территорию Эфиопии, и рассчитали древесный покров, замаскировав водные объекты, добавив прирост лесного покрова и вычитая потерю лесного покрова с базового 2000 года. Данные показывают процентное содержание деревьев в каждом пикселе; деревья определяются как растительность выше 5 м. Для создания карты лесного покрова мы классифицировали каждый пиксель как лес/не лес, используя пороговое значение «лес» в 30%. Мы опробовали другие пороговые значения [10 и 60%, на основе общепринятых порогов, используемых Продовольственной и сельскохозяйственной организацией ООН и Рамочной конвенцией ООН об изменении климата (FAO, 2000, 2005)] и выбрали 30%, поскольку это дало карты лесного покрова, наилучшим образом соответствующие национальным картам землепользования.

Для обеспечения конфиденциальности LSMS не предоставляет геолокации отдельных домохозяйств, а только соответствующих им «зон переписи» (в большинстве случаев соответствующих деревне). Девяносто девять процентов геопривязанных точек для зон переписи случайным образом смещены на 0–5 км. Оставшийся 1% зон переписи смещён до максимум 10 км. Мы построили буферную зону радиусом 10 км вокруг каждой зоны переписи, чтобы учесть это случайное пространственное смещение, а также охватить разумное расстояние, которое люди могут преодолевать для охоты и сбора дикорастущих продуктов (Layton и др., 1991). Мы использовали Fragstats 4.2 (McGarigal и др., 2002) для извлечения процента лесистости в пределах каждой 10-километровой буферной зоны вокруг деревень. Наконец, мы также извлекли из данных LSMS для каждой зоны переписи расстояние до ближайшей крупной дороги и крупных населённых пунктов (>20 000 жителей), которые служат прокси доступа к рынкам.

На основе сравнения доли домохозяйств, потребляющих каждый продукт, мы использовали однофакторный дисперсионный анализ (ANOVA) для выявления ключевых продуктов в группах, ответственных за различия в структуре потребления между профилями. Мы также использовали отдельные однофакторные ANOVA для сравнения (a) MHHDS и (b) доли домохозяйств, потребляющих каждую группу продуктов за последние 7 дней, между тремя выявленными профилями. Для проверки связи профилей рационов с классами благосостояния на основе активов и типами фермерских систем мы использовали хи-квадрат анализ.

Мы также проверили связь между профилем рациона домохозяйства и (a) процентом леса на прилегающей территории, а также (b) их системой земледелия с помощью отдельных однофакторных ANOVA. Мы дополнительно проверили связь между процентом леса и (c) MHHDS, а также (d) потреблением (0 или 1) каждой группы продуктов за предыдущие 7 дней. Для (c) и (d) мы использовали обобщённые линейные смешанные модели (GLMM) из пакета «nlme» (для биномиальных данных) в R (Pinheiro и др., 2018) с зоной переписи в качестве случайного эффекта. Мы включили объясняющие ковариаты, ранее определённые Rasmussen и др. (2019) как важные предикторы пищевых результатов в Эфиопии, а именно: возраст, пол и наивысший уровень образования главы домохозяйства, класс благосостояния домохозяйства, расстояние до ближайшей крупной дороги, а также среднегодовую температуру и количество осадков. Мы использовали как попарную корреляционную матрицу, так и фактор инфляции дисперсии (VIF) для оценки потенциальной мультиколлинеарности между независимыми переменными, включёнными в наши модели после подгонки регрессий. Переменные удалялись, если коэффициент корреляции превышал 0,5 и/или если VIF превышал значение 10. Была запущена полная модель, включающая все ковариаты; результаты этих моделей представлены в Таблице S3 (MHHDS как зависимая переменная), S4a-f (потребление различных групп продуктов как зависимая переменная) и S6a-b (потребление масел и жиров, а также сладостей как зависимая переменная). Все анализы выполнены в программной среде R 3.4.2 (R Core Team, 2017).

Выявление профилей рационов

С помощью кластерного анализа данных о потреблении продуктов мы выделили три различных профиля рационов по всей Эфиопии. Мы охарактеризовали профили рационов на основе продуктов, составляющих каждый из этих рационов (Рисунок 1), и статистических различий между ними (Таблицы 1, 2). Три выделенных профиля:

1. «Разнообразный рацион с высоким содержанием масел и сахаров» (далее — «Разнообразный OS») — наименьший кластер, включающий 720 домохозяйств (30%). Он состоял из домохозяйств, которые в эфиопском контексте имели относительно высокий средний MHHDS, равный 5,4. Этот рацион характеризовался особенно высоким потреблением бобовых, богатых витамином А фруктов и овощей и других овощей (например, лука), а также более широким потреблением яиц по сравнению с другими профилями. Помимо потребления 10 групп продуктов, включённых в расчёт MHHDS, этот профиль характеризовался значительно более высокой долей домохозяйств, потребляющих масла и жиры (97%) и сахара (71%) (Таблица 2). Кроме того, доля домохозяйств, потребляющих обработанные продукты, такие как паста/макароны (22%), была выше по сравнению с двумя другими профилями. Основным потребляемым зерновым в этом рационе была пшеница (65% домохозяйств). В отличие от двух других профилей, почти все домохозяйства этого профиля потребляли как минимум один продукт, относящийся к категории овощей или фруктов, богатых витамином А, причём наиболее часто потребляемым продуктом был красный перец (97%).

2. «Рацион с низким разнообразием» — самый распространённый профиль, включающий 1052 домохозяйства (44%). Отличительной чертой этого профиля был низкий средний MHHDS, равный 3,8, что было значительно ниже, чем у двух других профилей (p < 0,001). Этот рацион характеризовался опорой на кукурузу как основную культуру (49% домохозяйств в этом профиле) и в целом более низкой долей домохозяйств, потребляющих большинство групп продуктов, по сравнению с двумя другими профилями. Более низкий уровень потребления по всем группам продуктов — за исключением одной — позволяет предположить, что это также может быть рацион с более низким общим потреблением. Исключение составило то, что более высокая доля домохозяйств потребляла сладкие продукты, чем в рационе «Разнообразный FV» (описанном ниже).

3. «Разнообразный рацион с высоким содержанием фруктов и овощей» (далее «Разнообразный FV») — включал 861 домохозяйство (36%). Этот профиль имел самый высокий средний MHHDS — 5,5, и кукуруза была наиболее часто потребляемой основной культурой (90% домохозяйств), хотя сорго, пшеница и теф также потреблялись некоторыми домохозяйствами. Из 10 групп продуктов, включённых в MHHDS, этот рацион характеризовался высокой долей домохозяйств, потребляющих тёмные листовые овощи, продукты, богатые витамином А, а также «другие фрукты» и «другие овощи». В частности, этот рацион отличался более высокой долей домохозяйств, потребляющих зелень (75%), фасоль (54%), богатый витамином А сладкий картофель (26%) и бананы (44%) по сравнению с другими профилями. В отличие от рациона «Разнообразный OS», который также характеризовался высоким MHHDS, меньшее число домохозяйств, придерживающихся рациона «Разнообразный FV», потребляли обработанные продукты, такие как сахар (18%) и паста/макароны (13%).

Таблица 1  Средний модифицированный показатель разнообразия рациона домохозяйства (MHHDS±SE) и доля домохозяйств, потребляющих каждую группу продуктов, для каждого профиля.

Средние значения MHHDS сравнивались с помощью однофакторного ANOVA и апостериорных сравнений Тьюки. Значения с разными надстрочными буквами статистически значимо различаются (p < 0,01). N = 2 367 сельских домохозяйств.

Зерновые потреблялись всеми домохозяйствами во всех профилях и не показаны.

Таблица 2  Доля домохозяйств, потребляющих различные продукты в течение последних 7 дней, по профилям рационов.

Однофакторный ANOVA с апостериорными сравнениями Тьюки; p < 0,01 считается статистически значимым. Значения с одинаковыми надстрочными буквами статистически не различались. N = 2 367 сельских домохозяйств.

Пространственное совпадение профилей рационов

Три профиля рационов были распределены по территории Эфиопии неравномерно (Рисунок 2). Домохозяйства, придерживающиеся профиля «Разнообразный FV», в основном располагались на юго-западе страны, в то время как домохозяйства с профилями «Разнообразный OS» или «Низкое разнообразие» были распространены на севере и востоке страны, с небольшим количеством вдоль границ с Суданом на западе и Кенией на юге.

Рисунок 2  Географическое распределение трёх профилей рационов домохозяйств по территории Эфиопии. В качестве географической единицы выборки в LSMS Всемирного банка использовалась зона переписи (в основном соответствующая деревне). Круговая диаграмма показывает долю домохозяйств, придерживающихся каждого профиля рациона, в пределах каждой зоны переписи.

Мы также оценили совместное присутствие профилей рационов в пределах деревень, чтобы определить, какие пары профилей чаще встречаются вместе. В 23% деревень (n = 53) все обследованные домохозяйства придерживались единого профиля рациона; наиболее частым был рацион с низким разнообразием (n = 30). В 58% деревень (n = 134) мы обнаружили два совместно встречающихся профиля, причём наиболее частой комбинацией было «Разнообразный OS — Низкое разнообразие» в 67 деревнях, за которой следовала комбинация «Низкое разнообразие — Разнообразный FV» в 51 деревне. Только в 16 деревнях совместно встречались «Разнообразный OS — Разнообразный FV». Все три профиля совместно присутствовали в 19% обследованных деревень (n = 45).

Средние значения и однофакторный ANOVA: апостериорные сравнения Тьюки с p < 0,01 считаются статистически значимыми. Средние значения с одинаковыми надстрочными буквами статистически не различались.

Эфиопия характеризуется значительными градиентами высоты над уровнем моря и количества осадков, что отчасти способствовало возникновению множества различных систем земледелия (Amede и др., 2017). С помощью кластерного подхода мы выделили 7 типов фермерских систем на основе относительного производства выращиваемых культур и видов скота, а также среднегодового количества осадков и высоты над уровнем моря (Рисунок 3, Таблица 3, а также Рисунок S2 и Таблица S2). Они хорошо соответствовали, хотя и были более укрупнёнными, чем 16 систем земледелия, выделенных в Эфиопии Amede и др. (2017). Два из этих типов были ориентированы на производство сорго на низких и средних высотах со средним разнообразием культур 4,41 и 4,26 на хозяйство; два — на кофейное агролесоводство на низких и средних высотах и имели самое высокое разнообразие культур — 7,10 и 6,88 культур на хозяйство; два характеризовались смешанным зерновым производством на больших высотах со средним числом культур 4,43 и 6,0 на хозяйство; и один был основан на кукурузе в низинах со средним числом культур 2,35 на хозяйство. Все типы систем земледелия имели в среднем от 2,2 до 3,6 различных видов скота в хозяйстве, при этом наименьшее число было у низменного кукурузного типа, а наибольшее — у производителей зерновых в высокогорьях.

Рисунок 3  Географическое распределение семи типов фермерских систем по территории Эфиопии. В качестве географической единицы выборки в LSMS Всемирного банка использовалась зона переписи (в основном соответствующая деревне). Круговая диаграмма показывает долю домохозяйств, относящихся к каждому типу системы земледелия, в пределах каждой зоны переписи. Нижняя левая панель показывает среднегодовое количество осадков (мм) по стране, нижняя правая — высоту над уровнем моря (м над ур. м.).

Таблица 3  Распределение (%) профилей рационов домохозяйств по 7 различным типам фермерских систем.

Тип фермерской системы

Существует значительная связь между профилями рационов домохозяйств и типами сельскохозяйственной деятельности, которой они занимаются (X2 = 523,43, df = 12, p < 0,001). Домохозяйства с профилем «Разнообразный FV» в основном являются фермерами, занимающимися кофейным агролесоводством (74%), при этом небольшая доля занимается производством сорго на средних высотах (12%) (Таблица 3). Домохозяйства с рационом низкого разнообразия также занимаются кофейным агролесоводством (26%), но в значительно меньшей степени. Вместо этого они в большей степени заняты производством сорго на низких и средних высотах (41%) и смешанным зерновым производством в высокогорьях (22%). Типы низменного кукурузного и высокогорного ячменно-пшеничного земледелия почти исключительно представлены домохозяйствами с профилем низкого разнообразия. Наконец, домохозяйства с профилем «Разнообразный OS» распределены между системами производства сорго, кофе и смешанного зернового производства.

Благосостояние

Мы обнаружили значительную связь между профилем рациона домохозяйства и его классом благосостояния на основе активов (X2 = 204,78, df = 4, p < 0,001). Учитывая неравномерное число домохозяйств в каждом классе благосостояния из-за выбранной классификации, мы рассмотрели относительную долю домохозяйств в каждом классе, придерживающихся определённого профиля (Таблица 4). Мы обнаружили, что в то время как 49% домохозяйств из нижнего класса следовали рациону с низким разнообразием, только 14% — рациону «Разнообразный OS». Напротив, среди домохозяйств высшего класса 45% следовали рациону «Разнообразный OS» и 35% — «Разнообразный FV», и только 20% потребляли рацион с низким разнообразием. Домохозяйства среднего класса с равной вероятностью могли следовать любому из трёх профилей. В совокупности эти результаты свидетельствуют о том, что домохозяйства с высоким доходом чаще потребляют более разнообразные рационы, тогда как рационы с низким разнообразием чаще встречаются в нижней группе. Важное уточнение: 37% домохозяйств из нижнего класса следовали рациону «Разнообразный FV», что свидетельствует о том, что этот профиль не был исключительной прерогативой более обеспеченных домохозяйств.

Таблица 4  Доля домохозяйств по классам благосостояния, придерживающихся каждого выделенного профиля рациона.

Ландшафтный контекст

Наконец, мы изучили, как ландшафтные элементы, окружающие домохозяйство, связаны с его профилем рациона, с помощью однофакторного ANOVA (Таблица 5). Мы обнаружили, что домохозяйства с профилем «Разнообразный FV» имели значительно более высокую долю леса (35%) в 10-километровой буферной зоне вокруг их деревень по сравнению с домохозяйствами с профилями «Разнообразный OS» или «Низкое разнообразие», у которых лесной покров составлял менее 10%. Кроме того, профиль «Разнообразный FV» в целом встречался в районах с более высоким среднегодовым количеством осадков и меньшей высотой над уровнем моря по сравнению с двумя другими профилями. Эти тенденции согласуются с выводом о том, что многие домохозяйства с этим профилем были вовлечены в системы кофейного агролесоводства, где кофе выращивается во влажных тропических горных лесах (1000–2000 м над ур. м.). Интересно также, что домохозяйства, придерживающиеся рациона «Разнообразный OS», имели (a) значительно меньшее расстояние до крупных дорог, чем другие домохозяйства, и (b) в среднем наименьшее расстояние до крупных населённых пунктов (т.е. рынков). Эти наблюдения позволяют предположить, что доступность обработанных продуктов для этих домохозяйств может быть выше. Кроме того, домохозяйства с рационом низкого разнообразия находились дальше всего от дорог и крупных населённых пунктов (т.е. они были, вероятно, более изолированы от рынков), что также может частично объяснять более низкое благосостояние этой группы.

Таблица 5  Ландшафтные переменные, которые, как предполагается, влияют на профили рационов.

Чтобы отделить влияние лесного покрова на рацион от влияния систем земледелия, основанных на лесе, мы рассмотрели только те домохозяйства, которые занимаются зерновым земледелием, — т.е. исключили домохозяйства, вовлечённые в агролесные системы, где культивируемые деревья могут учитываться как лес. Используя линейную смешанную модель с зонами переписи в качестве случайного эффекта, мы не обнаружили значимой связи между лесным покровом и MHHDS (p = 0,86) при контроле значимых ковариат (размер домохозяйства, возраст и пол главы домохозяйства и класс благосостояния, все p < 0,05, Таблица S3). Когда мы использовали потребление отдельных групп продуктов домохозяйствами в качестве бинарной зависимой переменной, мы обнаружили положительную связь между долей леса в ландшафте и потреблением тёмных листовых овощей (p < 0,005) и «других фруктов» (p < 0,05) при контроле ковариат, влияющих на структуру питания (см. Таблицы S4A–F для результатов моделей). Оценки коэффициентов из этих моделей показывают, что при увеличении лесного покрова на каждый дополнительный процент в 10-километровой буферной зоне вокруг домохозяйства вероятность потребления тёмных листовых овощей возрастает на 3,8%, а для других фруктов — на 2,2%. Мы также обнаружили отрицательную связь между лесным покровом и потреблением овощей и фруктов, богатых витамином А (p < 0,1), что соответствует снижению вероятности потребления этой группы на 2,2% при увеличении лесного покрова на один процент. При проверке влияния расстояния до ближайшей крупной дороги на полном наборе данных расстояние не было значимым предиктором MHHDS (Таблица S5) и не было связано с вероятностью потребления «масел и жиров» или сладостей (Таблица S6). Потребление этих продуктов значимо предсказывалось только благосостоянием домохозяйства (p < 0,001, Таблицы S6A,B) и возрастом — в случае сладостей (p < 0,05, Таблица S6B).

Для визуализации выявленных связей мы построили аллювиальную диаграмму (Рисунок 4), показывающую число домохозяйств из трёх классов благосостояния (нижний, средний и высший), придерживающихся каждого из трёх выделенных профилей рационов. На рисунке также показано распределение профилей рационов по семи типам фермерских систем.

Рисунок 4  Аллювиальная диаграмма, показывающая (левая сторона) распределение домохозяйств из нижнего, среднего и высшего классов благосостояния по профилям: низкое разнообразие (розовый), «Разнообразный OS» (зелёный) и «Разнообразный FV» (синий), и (правая сторона) распределение домохозяйств из различных типов фермерских систем по каждому профилю рациона.

Рассматривая классы благосостояния и типы фермерских систем, мы видим, что хотя профиль с низким разнообразием состоит в основном из потоков, исходящих из нижнего и среднего классов (левая сторона рисунка), он не ограничен каким-либо конкретным типом фермерской системы (правая сторона). Иными словами, профиль с низким разнообразием, по-видимому, отражает влияние бедности на рацион, а не тип системы земледелия. Напротив, рассматривая профиль «Разнообразный FV», мы видим на левой стороне, что потоки пропорциональны (~30% домохозяйств) по трём классам благосостояния, тогда как на правой стороне потоки из этого рациона направлены в основном в системы кофе на низких и средних высотах. Это может свидетельствовать о том, что данный профиль, богатый фруктами и овощами, в большей степени отражает тип системы земледелия, чем благосостояние домохозяйств. Наконец, рассматривая профиль «Разнообразный OS», мы видим, что поток из высшего класса был относительно большим по сравнению с двумя другими профилями, а потоки в фермерские системы были более равномерными. Это свидетельствует о том, что домохозяйства, придерживающиеся этого профиля, были вовлечены в большинство типов фермерских систем, что указывает на определяющую роль благосостояния в формировании рациона.

Насколько нам известно, ни одно предыдущее исследование не сочетала комплексную оценку профилей рационов и типов фермерских систем для выявления того, как характеристики домохозяйств, доступ к рынкам, собственное производство и ландшафтный контекст совместно формируют рационы. Мы обнаружили, что как благосостояние домохозяйства, так и тип системы земледелия были связаны с моделями питания сельских домохозяйств. В частности, рацион с низким разнообразием был тесно связан с домохозяйствами из нижнего и среднего классов благосостояния, в то время как домохозяйства с разнообразным рационом, также богатым маслами, жирами и сахарами, в основном принадлежали к среднему и высшему классам. Напротив, разнообразный рацион с высоким содержанием фруктов и овощей, по-видимому, не был ограничен каким-либо конкретным классом благосостояния и был преимущественно характерен для домохозяйств, занимающихся кофейно-агролесными системами земледелия.

Разделение влияния благосостояния, фермерских систем и лесного покрова

Наш вывод о том, что примерно половина домохозяйств из высшей группы благосостояния потребляют разнообразный рацион, также богатый жирами, сахарами и обработанными продуктами, потенциально свидетельствует о том, что эти домохозяйства находятся в состоянии «пищевого перехода». Пищевой переход — это явление, при котором экономическое развитие приводит к постепенной замене традиционных рационов с высоким содержанием клетчатки и местных продуктов на продукты, более характерные для западного рациона, такие как обработанные продукты с высоким содержанием масел и рафинированных сахаров (Popkin, 1993; Cockx и др., 2018). Этот переход может приводить к избыточному весу и ожирению, что имеет серьёзные последствия для здоровья и показателей неинфекционных заболеваний, таких как диабет и гипертония (Popkin, 2001). Предыдущие исследования из Эфиопии указывают на пищевой переход, показывая (a) что неполноценное питание и рост ожирения распространены в городских домохозяйствах (Amare и др., 2012; Tebekaw и др., 2014), и (b) рост потребления сахара и продуктов, приготовленных на масле, за последнее десятилетие, хотя также наблюдается увеличение потребления фруктов и овощей (Aurino и др., 2017).

В нашем исследовании, хотя домохозяйства с рационом «Разнообразный OS» живут в среднем ближе к дорогам (и, следовательно, к рынкам), мы обнаружили, что потребление масел и сахара предсказывается уровнем благосостояния домохозяйства, а не расстоянием. Когда мы рассматриваем пространственное распределение домохозяйств, потребляющих рацион «Разнообразный OS», мы обнаруживаем, что эта структура потребления часто встречается наряду с домохозяйствами, занимающимися теми же типами фермерских систем, но придерживающимися рациона с низким разнообразием, что указывает на то, что благосостояние может быть ключевым определяющим фактором рациона в этих ландшафтах. Однако выделить роль благосостояния в отрыве от доступа к рынкам с помощью таких наборов данных сложно. Многие активы, используемые для формирования классов благосостояния, зависят от доступа к продуктам и материалам с рынка. Интересно, что в небольшом подмножестве деревень мы видим, что профили «Разнообразный OS» и «Разнообразный FV» сосуществуют в пределах одних и тех же деревень и фермерских систем, и это не связано с благосостоянием. Таким образом, для объяснения факторов, определяющих структуру питания в этих ситуациях, необходимо учитывать дополнительные факторы. Возможно, социальные факторы, такие как культурная или этническая принадлежность (Labadarios и др., 2011), могут помочь объяснить, почему одни домохозяйства принимают рацион «Разнообразный OS», а другие нет, хотя они живут и ведут хозяйство в одинаковых условиях. В целом эти выводы подтверждают аргумент о том, что улучшение питания не обязательно следует за ростом благосостояния, хотя более высокий доход, безусловно, полезен для домохозяйств (Herforth and Ahmed, 2015).

Мы также обнаруживаем, что тип фермерской системы тесно связан с рационами. Это неудивительно, учитывая, что в среднем за год 58% калорий, потребляемых фермерскими домохозяйствами в Эфиопии, поступает из собственного производства (Sibhatu and Qaim, 2018). На сегодняшний день большинство исследований, изучающих взаимосвязь между методами ведения хозяйства и рационом, сосредоточены на простых показателях внутрихозяйственного разнообразия, таких как подсчёт видов культур и скота для объяснения состава рациона. Такие исследования показали, что увеличение разнообразия производства в эфиопских хозяйствах улучшает разнообразие рациона детей (Hirvonen and Hoddinott, 2017). Интересно, что мало внимания уделялось тому, как тип фермерской системы может влиять на сельские рационы и помогать их объяснять. Категоризация фермерских систем обычно описывает хозяйства в зависимости от ресурсной базы, управления землёй и внехозяйственных стратегий (Tittonell и др., 2010) и может дать представление о направленности хозяйства (товарное или натуральное) и зависимости домохозяйства от определённых культур. Мы обнаружили, что разнообразный профиль с высоким содержанием фруктов и овощей («Разнообразный FV») в основном состоит из домохозяйств с системами кофейного агролесоводства. Кофейное агролесоводство является одновременно и самым разнообразным по культурам из выявленных систем земледелия, и, вероятно, наиболее ориентированным на рынок из-за сосредоточения на товарной культуре, что даёт фермерам денежный доход для покупки рыночных продуктов. Таким образом, эти фермеры могут получать выгоду от сочетания факторов, способствующих разнообразному питанию. Новые данные исследований из Эфиопии также свидетельствуют о том, что домохозяйства, расположенные ближе к рынкам, имеют лучшее питание (Stifel and Minten, 2017), и их потребление продуктов питания в меньшей степени зависит от собственного сельскохозяйственного производства (Hoddinott и др., 2015; Hirvonen and Hoddinott, 2017).

Другие исследования, изучающие потенциальные факторы, влияющие на разнообразие рациона, также выявили положительную связь между разнообразием рациона и лесным покровом в Африке (Johnson и др., 2013; Ickowitz и др., 2014; Galway и др., 2018; Rasmussen и др., 2019), однако механизмы этой связи остаются недостаточно изученными. Здесь мы даём представление об этой взаимосвязи, показывая, что разнообразные рационы с высоким содержанием фруктов и овощей в Эфиопии тесно связаны с кофейным агролесоводством — системой с высоким древесным покровом. В других зерновых системах лесной покров также положительно связан с потреблением тёмных листовых овощей и фруктов, что позволяет предположить, что деревья за пределами фермерских систем также положительно влияют на рационы. Однако для понимания того, почему рационы в этих системах более разнообразны — будь то за счёт прямого потребления лесных продуктов, продажи лесных продуктов или более высокого разнообразия культур на ферме — требуется более глубокий анализ источников продуктов, попадающих на столы домохозяйств. К сожалению, такой анализ невозможен с использованием данных LSMS.

Один из наиболее ярких результатов нашего исследования заключается в том, что домохозяйства, которые потребляют разнообразный рацион согласно методам расчёта MHHDS, делают это двумя совершенно разными способами. В случае профиля «Разнообразный FV» больше домохозяйств потребляют тёмные листовые овощи и «другие фрукты»; между тем домохозяйства с рационом «Разнообразный OS» включают в свой рацион бобовые, яйца, продукты, богатые витамином А, и другие овощи, а также масла, жиры и сахара, которые не входят в расчёт MHHDS. Это становится очевидным только при рассмотрении продуктов, составляющих рационы, поскольку оба рациона дают показатель ~5,5, который мы классифицируем как «разнообразный» [хотя это значение низкое по сравнению с недавними исследованиями из Малави (Jones, 2016)]. Эти рационы могут иметь различные последствия для питания и/или здоровья, однако мы не смогли проверить это из-за ограниченности данных. Хотя это и не рассматривалось в данном исследовании, анализ числа продуктов в рамках группы, потребляемых домохозяйством, также может дать представление о том, насколько устойчив рацион к внешним стрессорам, таким как колебания рынка или изменения урожайности.

Пробелы в знаниях о факторах, объясняющих различные результаты питания, возникают не только из-за сложности разделения влияния благосостояния, типа фермерской системы и ландшафтного контекста, но и из-за относительно упрощённых метрик, используемых для оценки качества питания. Хотя исследователи призывают использовать индикаторы качества питания, учитывающие множество аспектов для комплексной оценки (Jones, 2017), MHHDS — который широко применяется в обследованиях потребления — считается общепринятой и полезной мерой для оценки разнообразия рациона. Однако наше совместное использование MHHDS и профилей рационов показывает, что потребление относительно разнообразного рациона (высокие значения MHHDS) может также быть связано с потреблением большего количества нездоровых продуктов. Одна из причин, по которой исследователи уделяют относительно мало внимания составу продуктов, которые потребляют люди, заключается просто в трудоёмкости сбора данных о потреблении на уровне отдельных продуктов, а не групп продуктов. Тем не менее, наши результаты указывают на необходимость двухкомпонентного подхода — например, сочетания показателей разнообразия рациона с дополнительной информацией о потреблении домохозяйствами продуктов, указывающих на пищевой переход (например, повышенное потребление масел, сахаров, обработанных продуктов), — чтобы обеспечить учёт дополнительных аспектов качества и разнообразия рациона в диетологических оценках. Это представляется целесообразным, поскольку диетические рекомендации, основанные исключительно на «разнообразии продуктов», могут не учитывать, потребляют ли люди одновременно как полезные группы продуктов, так и менее здоровые продукты.

Хотя другие работы показали, что разнообразие рациона может сильно варьироваться в зависимости от сезона в Эфиопии (Hoddinott и др., 2015; Abay и Hirvonen, 2017; Sibhatu и Qaim, 2018), наши профили не отражают этой вариации. Почти все данные LSMS в Эфиопии были собраны в период с декабря 2015 по февраль 2016 года, что совпадает с послеуборочным сезоном (Central Statistical Agency of Ethiopia, 2016). Таким образом, возможно, что наши профили рационов не отражают структуру потребления, характерную для других сезонов, особенно для «голодного сезона», когда дикорастущие продукты могут становиться более важными (Cruz-Garcia and Price, 2014). В итоге, будущие исследования в этой области выиграют от стратифицированного сбора данных, который (a) проводится в разные сезоны и (b) фиксирует происхождение продуктов.

Если мы хотим стимулировать разработку политики по улучшению качества питания, нам необходимо более глубокое понимание факторов, которые способствуют здоровым разнообразным рационам, в отличие от факторов, ведущих либо к потреблению менее здоровых продуктов, либо к низкому разнообразию рациона. Данное исследование, опираясь на ряд различных наборов данных, показывает, как благосостояние, тип системы земледелия и ландшафтный контекст взаимодействуют и влияют на рационы сельских домохозяйств в Эфиопии. В частности, мы обнаружили, что рацион с низким разнообразием был тесно связан с домохозяйствами из нижнего и среднего классов благосостояния, которые в основном занимались зерновым земледелием, хотя и не исключительно. Напротив, наша работа показывает, что доступ к лесам и системы возделывания кофе в агролесоводстве в Эфиопии связаны с разнообразными рационами, основанными на здоровых продуктах, особенно овощах и фруктах. Учитывая, что комиссия EAT-Lancet недавно заявила, что глобальное потребление фруктов и овощей (а также орехов и бобовых) должно удвоиться для достижения пользы для здоровья и окружающей среды (Willett и др., 2019), вызывает беспокойство отсутствие внимания к роли лесов в обеспечении достаточного снабжения этими группами продуктов. С точки зрения рекомендаций по политике, однако, ни практически осуществимо, ни желательно для многих зерновых фермеров переходить на кофейное агролесоводство только для достижения более качественного рациона. Но наши результаты позволяют предположить, что даже небольшие участки леса могут способствовать разнообразию рациона. В рамках Боннского вызова Эфиопия взяла на себя обязательство по восстановлению лесных ландшафтов на площади 15 миллионов гектаров [http://www.bonnchallenge.org/content/Ethiopia]; при правильном планировании и реализации такое восстановление лесов может способствовать повышению продовольственной безопасности в дополнение к другим целям. Кроме того, наши результаты показывают, что домохозяйства с разнообразным профилем рациона, также богатым маслами, жирами и сахарами, в основном происходят из среднего и высшего классов благосостояния, что говорит о том, что следует с осторожностью относиться к ожиданиям, что повышение благосостояния автоматически ведёт к улучшению питания. Резюмируя, наша работа свидетельствует о том, что поощрение защиты и восстановления лесов может помочь согласовать цели охраны окружающей среды и продовольственной безопасности в тропических странах, сталкивающихся с этими комплексными вызовами.

Дополнительные материалы к данной статье можно найти онлайн по адресу: https://www.frontiersin.org/articles/10.3389/fsufs.2020.00045/full#supplementary-material

1.    Abay K., Hirvonen K. (2017). Does market access mitigate the impact of seasonality on child growth? Panel data evidence from northern Ethiopia. J. Dev. Stud. 53, 1414–1429. doi: 10.1080/00220388.2016.1251586. CrossRef. Google Scholar.

2.    Abrahams Z., Mchiza Z., Steyn N. P. (2011). Diet and mortality rates in Sub-Saharan Africa: stages in the nutrition transition. BMC Public Health. 11:801. doi: 10.1186/1471-2458-11-801. CrossRef. Google Scholar.

3.    Alvarez S., Timler C. J., Michalscheck M., Paas W., Descheemaeker K., Tittonell P., et al. (2018). Capturing farm diversity with hypothesis-based typologies: an innovative methodological framework for farming system typology development. PLoS ONE 13:e0194757. doi: 10.1371/journal.pone.0194757. CrossRef. Google Scholar.

4.    Amare B., Moges B., Moges F., Fantahun B., Admassu M., Mulu A., et al. (2012). Nutritional status and dietary intake of urban residents in Gondar, Northwest Ethiopia. BMC Public Health. 12:752. doi: 10.1186/1471-2458-12-752. CrossRef. Google Scholar.

5.    Amede T., Auricht C., Boffa J.-M., Dixon J., Mallawaarachchi T., Rukuni M., et al. (2017). A Farming System Framework For Investment Planning and Priority Setting in Ethiopia. ACIAR Technical Reports Series No. 90. Canberra: Australian Centre for International Agricultural Research. Google Scholar.

6.    Angelsen A., Kaimowitz D. (2001). Agricultural Technologies and Tropical Deforestation. New York, NY: CABI Publishing. Google Scholar.

7.    Arimond M., Wiesmann D., Becquey E., Carriquiry A., Daniels M. C., Deitchler M., et al. (2010). Simple food group diversity indicators predict micronutrient adequacy of women's diets in 5 diverse, resource-poor settings. J. Nutr. 140, 2059S−2069S. doi: 10.3945/jn.110.123414. CrossRef. Google Scholar.

8.    Aurino E., Fernandes M., Penny M. E. (2017). The nutrition transition and adolescents' diets in low-and middle-income countries: a cross-cohort comparison. Public Health Nutr. 20, 72–81. doi: 10.1017/S1368980016001865. CrossRef. Google Scholar.

9.    Barrett C. B., Bevis L. E. (2015). The micronutrient deficiencies challenge in African food systems, in The Fight Against Hunger and Malnutrition: The Role of Food, Agriculture, and Targeted Policies, ed. Sahn D. E. (Oxford: Oxford University Press), 61–88. Google Scholar.

10. Baudron F., Duriaux Chavarría J. Y., Remans R., Yang K., Sunderland T. (2017). Indirect contributions of forests to dietary diversity in Southern Ethiopia. Ecol. Soc. 22:28. doi: 10.5751/ES-09267-220228. CrossRef. Google Scholar.

11. Black R. E., Victora C. G., Walker S. P., Bhutta Z. A., Christian P., De Onis M., et al. (2013). Maternal and child undernutrition and overweight in low-income and middle-income countries. Lancet 382, 427–451. doi: 10.1016/S0140-6736(13)60937-X. CrossRef. Google Scholar.

12. Central Statistical Agency of Ethiopia, Ethiopian Development Research Institute and International Food Policy Research Institute. (2016). Atlas of the Ethiopian Rural Economy. Addis Ababa: Central Statistical Agency of Ethiopia. Google Scholar.

13. Cockx L., Colen L., De Weerdt J. (2018). From corn to popcorn? Urbanization and dietary change: evidence from rural-urban migrants in Tanzania. World Dev. 10, 140–159. doi: 10.1016/j.worlddev.2018.04.018. CrossRef. Google Scholar.

14. Cruz-Garcia G. S., Price L. L. (2014). Gathering of wild food plants in anthropogenic environments across the seasons: implications for poor and vulnerable farm households. Ecol. Food Nutr. 53, 363–389. doi: 10.1080/03670244.2013.808631. CrossRef. Google Scholar.

15. Curtis P. G., Slay C. M., Harris N. L., Tyukavina A., Hansen M. C. (2018). Classifying drivers of global forest loss. Science 361, 1108–1111. doi: 10.1126/science.aau3445. CrossRef. Google Scholar.

16. Dray S., Dufour A. B. (2007). The ade4 package: implementing the duality diagram for ecologists. J. Stat. Softw. 22, 1–20. doi: 10.18637/jss.v022.i04. CrossRef. Google Scholar.

17. Dube P., Heijman W. J., Ihle R., Ochieng J. (2018). The potential of traditional leafy vegetables for improving food security in Africa, in Establishing Food Security and Alternatives to International Trade in Emerging Economies, ed. Vasily E. (Hershey, PA: IGI Global), 220–243. doi: 10.4018/978-1-5225-2733-6.ch011. CrossRef. Google Scholar.

18. FAO (2000). Main Report FAO Forestry Paper 140. Rome: FAO. Google Scholar.

19. FAO (2005). Global Forest Resources Assessment 2005, Main Report. Progress towards sustainable forest management FAO Forestry paper 147. Rome: FAO. Google Scholar.

20. FAO and FHI 360 (2016). Minimum Dietary Diversity for Women: A Guide for Measurement. Rome: FAO. Google Scholar.

21. FAO, IFAD, UNICEF, WFP and WHO. (2018). The State of Food Security and Nutrition in the World 2018. Building climate resilience for food security and nutrition. Rome: FAO. Google Scholar.

22. Fick S. E., Hijmans R. J. (2017). Worldclim 2: new 1-km spatial resolution climate surfaces for global land areas. Int. J. Climatol. 37, 4302–4315. doi: 10.1002/joc.5086. CrossRef. Google Scholar.

23. Filmer D., Pritchett L. H. (2001). Estimating wealth effects without expenditure data-or tears: an application to educational enrollments in states of India. Demography 38, 115–132. doi: 10.1353/dem.2001.0003. CrossRef. Google Scholar.

24. Forouzanfar M. H., Afshin A., Alexander L. T., Anderson H. R., Bhutta Z. A., Biryukov S., et al. (2016). Global, regional, and national comparative risk assessment of 79 behavioural, environmental and occupational, and metabolic risks or clusters of risks, 1990–2015: a systematic analysis for the global burden of disease study 2015. Lancet 388, 1659–1724. doi: 10.1016/S0140-6736(16)31679-8. CrossRef. Google Scholar.

25. Galway L. P., Acharya Y., Jones A. D. (2018). Deforestation and child diet diversity: a geospatial analysis of 15 Sub-Saharan African countries. Health Place 51, 78–88. doi: 10.1016/j.healthplace.2018.03.002. CrossRef. Google Scholar.

26. Gryseels G. (1988). The role of livestock in the generation of smallholder farm income in two Vertisol areas of the central Ethiopian highlands. In management of vertisols in sub Saharan Africa, in Proceedings of a Conference Held at the International Livestock Centre for Africa (ILCA), eds. Jutzi S. C., Haque I., McIntire J., Stares J. E. S. (Addis Ababa: Ethiopia), 345–358. Google Scholar.

27. Haddad L. J., Hawkes C., Achadi E., Ahuja A., Ag Bendech M., Bhatia K., et al. (2015). Global Nutrition Report 2015: Actions and Accountability to Advance Nutrition and Sustainable Development. International Food Policy Research Institute. Google Scholar.

28. Hair J. F., Black W. C., Babin B. J., Anderson R. E. (2010). Multivariate Data Analysis: A Global Perspective. New Jersey, NJ: Pearson Prentice Hall. Google Scholar.

29. Hall J. N., Moore S., Harper S. B., Lynch J. W. (2009). Global variability in fruit and vegetable consumption. Am. J. Prevent. Med. 36, 402–409. doi: 10.1016/j.amepre.2009.01.029. CrossRef. Google Scholar.

30. Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A., et al. (2013). High-resolution global maps of 21st-century forest cover change. Science 342, 850–853. doi: 10.1126/science.1244693. CrossRef. Google Scholar.

31. Herforth A., Ahmed S. (2015). The food environment, its effects on dietary consumption, and potential for measurement within agriculture-nutrition interventions. Food Secur. 7, 505–520. doi: 10.1007/s12571-015-0455-8. CrossRef. Google Scholar.

32. Hickey G. M., Pouliot M., Smith-Hall C., Wunder S., Nielsen M. R. (2016). Quantifying the economic contribution of wild food harvests to rural livelihoods: a global-comparative analysis. Food Policy 62, 122–132. doi: 10.1016/j.foodpol.2016.06.001. CrossRef. Google Scholar.

33. Hirvonen K., Hoddinott J. (2017). Agricultural production and children's diets: evidence from rural Ethiopia. Agric. Econ. 48, 469–80. doi: 10.1111/agec.12348. CrossRef. Google Scholar.

34. Hjelm L., Mathiassen A., Wadhwa A. (2016). Measuring poverty for food security analysis: consumption-versus asset-based approaches. Food Nutr. Bull. 37, 275–289. doi: 10.1177/0379572116653509. CrossRef. Google Scholar.

35. Hoddinott J., Headey D., Dereje M. (2015). Cows, missing milk markets, and nutrition in rural Ethiopia. J. Dev. Stud. 51, 958–75. doi: 10.1080/00220388.2015.1018903. CrossRef. Google Scholar.

36. Hu F. B. (2002). Dietary pattern analysis: a new direction in nutritional epidemiology. Curr. Opin. Lipidol. 13, 3–9. doi: 10.1097/00041433-200202000-00002. CrossRef. Google Scholar.

37. Ickowitz A., Powell B., Rowland D., Jones A., Sunderland T. C. H. (2019). Agricultural intensification, dietary diversity, and markets in the global food security narrative. Global Food Secur. 20, 9–16. doi: 10.1016/j.gfs.2018.11.002. CrossRef. Google Scholar.

38. Ickowitz A., Powell B., Salim M. A., Sunderland T. C. H. (2014). Dietary quality and tree cover in Africa. Global Environ. Chang. 24, 287–294. doi: 10.1016/j.gloenvcha.2013.12.001. CrossRef. Google Scholar.

39. Johnson K. B., Jacob A., Brown M. E. (2013). Forest cover associated with improved child health and nutrition: evidence from the Malawi Demographic and Health Survey and satellite data. Global Health Sci. Pract. 1, 237–248. doi: 10.9745/GHSP-D-13-00055. CrossRef. Google Scholar.

40. Jones A. D. (2015). The production diversity of subsistence farms in the Bolivian Andes is associated with the quality of child feeding practices as measured by a validated summary feeding index. Public Health Nutr. 18, 329–42. doi: 10.1017/S1368980014000123. CrossRef. Google Scholar.

41. Jones A. D. (2016). On-farm crop species richness is associated with household diet diversity and quality in subsistence-and market-oriented farming households in Malawi−3. J. Nutr. 147, 86–96. doi: 10.3945/jn.116.235879. CrossRef. Google Scholar.

42. Jones A. D. (2017). Critical review of the emerging research evidence on agricultural biodiversity, diet diversity, and nutritional status in low- and middle-income countries. Nutr. Rev. 75, 769–782. doi: 10.1093/nutrit/nux040. CrossRef. Google Scholar.

43. Jones A. D., Shrinivas A., Bezner-Kerr R. (2014). Farm production diversity is associated with greater household dietary diversity in Malawi: findings from nationally representative data. Food Policy 46, 1–12. doi: 10.1016/j.foodpol.2014.02.001. CrossRef. Google Scholar.

44. Labadarios D., Steyn N. P., Nel J. (2011). How diverse is the diet of adult South Africans? Nutr. J. 10:33. doi: 10.1186/1475-2891-10-33. CrossRef. Google Scholar.

45. Lachat C., Raneri J. E., Smith K. W., Kolsteren P., Van Damme P., Verzelen K., et al. (2018). Dietary species richness as a measure of food biodiversity and nutritional quality of diets. Proc. Natl. Acad. Sci. U.S.A. 115, 127–132. doi: 10.1073/pnas.1709194115. CrossRef. Google Scholar.

46. Layton R., Foley R., Williams E., Chang C., Ingold T., Olszewski D. I., et al. (1991). The transition between hunting and gathering and the specialized husbandry of resources: a socio-ecological approach. Curr. Anthropol. 32, 255–274. doi: 10.1086/203953. CrossRef. Google Scholar.

47. Lim S. S., Vos T., Flaxman A. D., Danaei G., Shibuya K., Adair-Rohani H., et al. (2012). A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990–2010: a systematic analysis for the global burden of disease study 2010. Lancet 380, 2224–2260. doi: 10.1016/S0140-6736(12)61766-8. CrossRef. Google Scholar.

48. McGarigal K., Cushman S. A., Neel M. C., Ene E. (2002). FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps. Google Scholar.

49. Ochieng J., Afari-Sefa V., Karanja D., Kessy R., Rajendran S., Samali S. (2018). How promoting consumption of traditional African vegetables affects household nutrition security in Tanzania. Renew. Agric. Food Syst. 33, 105–115. doi: 10.1017/S1742170516000508. CrossRef. Google Scholar.

50. Ordway E. M., Asner G. P., Lambin E. F. (2017). Deforestation risks due to commodity crop expansion in sub-Saharan Africa. Environ. Res. Lett. 12:044015. doi: 10.1088/1748-9326/aa6509. CrossRef. Google Scholar.

51. Pinheiro J., Bates D., DebRoy S., Sarkar D. (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package ver. 3.1–317. Google Scholar.

52. Popkin B. M. (1993). Nutritional patterns and transitions. Popul. Dev. Rev. 19, 138–157. doi: 10.2307/2938388. CrossRef. Google Scholar.

53. Popkin B. M. (2001). The nutrition transition and obesity in the developing world. J. Nutr. 131, 871S−873S. doi: 10.1093/jn/131.3.871S. CrossRef. Google Scholar.

54. Powell B., Thilsted S. H., Ickowitz A., Termote C., Sunderland T., Herforth A. (2015). Improving diets with wild and cultivated biodiversity from across the landscape. Food Secur. 7, 535–554. doi: 10.1007/s12571-015-0466-5. CrossRef. Google Scholar.

55. Qaim M., Kibrom T., Krishna V. V. (2016). Market access and farm household dietary diversity. Rural 21, 12–14. Google Scholar.

56. Qaim M., Sibhatu K. T. (2018). On the link between production diversity and dietary quality in smallholder farm households, in Hidden Hunger: Strategies to Improve Nutrition Quality Vol. 118 (Karger Publishers), 102–111. Google Scholar.

57. R Core Team (2017). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. Google Scholar.

58. Rasmussen L. V., Fagan M. E., Ickowitz A., Wood S. L. R., Kennedy G., Powell B., et al. (2019). Forest pattern, not just amount, influences dietary quality in five African countries. Global Food Secur. 100331. doi: 10.1016/j.gfs.2019.100331. CrossRef. Google Scholar.

59. Rasolofoson R. A., Hanauer M. M., Pappinen A., Fisher B., Ricketts T. H. (2018). Impacts of forests on children's diet in rural areas across 27 developing countries. Sci. Adv. 4:eaat2853. doi: 10.1126/sciadv.aat2853. CrossRef. Google Scholar.

60. Rowland D., Ickowitz A., Powell B., Nasi R., Sunderland T. (2016). Forest foods and healthy diets: quantifying the contributions. Environ. Conserv. 44, 102–114. doi: 10.1017/S0376892916000151. CrossRef. Google Scholar.

61. Schreinemachers P., Simmons E. B., Wopereis M. C. (2018). Tapping the economic and nutritional power of vegetables. Glob. Food Secur. 16, 36–45. doi: 10.1016/j.gfs.2017.09.005. CrossRef. Google Scholar.

62. Sibhatu K. T., Krishna V. V., Qaim M. (2015). Production diversity and dietary diversity in smallholder farm households. Proc. Natl. Acad. Sci. U.S.A. 112, 10657–10662. doi: 10.1073/pnas.1510982112. CrossRef. Google Scholar.

63. Sibhatu K. T., Qaim M. (2018). Farm production diversity and dietary quality: linkages and measurement issues. Food Secur. 10, 47–59. doi: 10.1007/s12571-017-0762-3. CrossRef. Google Scholar.

64. Siegel K. R., Ali M. K., Srinivasiah A., Nugent R. A., Narayan K. V. (2014). Do we produce enough fruits and vegetables to meet global health need? PLoS ONE 9:e104059. doi: 10.1371/journal.pone.0104059. CrossRef. Google Scholar.

65. Smith L. C., Dupriez O., Troubat N. (2014). Assessment of the reliability and relevance of the food data collected in national household consumption and expenditure surveys. Int Household Survey Netw. IHSN Working Paper No. 008. Google Scholar.

66. Steyn N. P., Mchiza Z. J. (2014). Obesity and the nutrition transition in Sub-Saharan Africa. Ann. N. Y. Acad. Sci. 1311, 88–101. doi: 10.1111/nyas.12433. CrossRef. Google Scholar.

67. Stifel D., Minten B. (2017). Market access, well-being, and nutrition: evidence from Ethiopia. World Dev. 90, 229–41. doi: 10.1016/j.worlddev.2016.09.009. CrossRef. Google Scholar.

68. Sunderland T. C., O'Connor A., Muir G., Nerfa L., Nodari G. R., Wildmark C., et al. (2019). 2 SDG 2: Zero Hunger--Challenging the Hegemony of Monoculture Agriculture for Forests and People. Cambridge: Cambridge University Press. Google Scholar.

69. Tebekaw Y., Teller C., Colón-Ramos U. (2014). The burden of underweight and overweight among women in Addis Ababa, Ethiopia. BMC Public Health 14:1126. doi: 10.1186/1471-2458-14-1126. CrossRef. Google Scholar.

70. Tittonell P., Giller K. E. (2013). When yield gaps are poverty traps: the paradigm of ecological intensification in African smallholder agriculture. Field Crops Res. 143, 76–90. doi: 10.1016/j.fcr.2012.10.007. CrossRef. Google Scholar.

71. Tittonell P., Muriuki A., Shepherd K. D., Mugendi D., Kaizzi K. C., Okeyo J., et al. (2010). The diversity of rural livelihoods and their influence on soil fertility in agricultural systems of East Africa--A typology of smallholder farms. Agric. Syst. 103, 83–97. doi: 10.1016/j.agsy.2009.10.001. CrossRef. Google Scholar.

72. Verger E. O., Ballard T. J., Dop M. C., Martin-Prevel Y. (2019). Systematic review of use and interpretation of dietary diversity indicators in nutrition-sensitive agriculture literature. Global Food Secur. 20, 156–169. doi: 10.1016/j.gfs.2019.02.004. CrossRef. Google Scholar.

73. Willett W., Rockström J., Loken B., Springmann M., Lang T., Vermeulen S., et al. (2019). Food in the anthropocene: the EAT--lancet commission on healthy diets from sustainable food systems. Lancet 393, 447–92. doi: 10.1016/S0140-6736(18)31788-4. CrossRef. Google Scholar.

74. World Health Organization (2005). Fruit and Vegetables for Health: Report of the Joint FAO/WHO Workshop on Fruit and Vegetables for Health, 1-3 September 2004, Kobe, Japan. Geneva: World Health Organization. Google Scholar.

Rasmussen LV, Wood SLR and Rhemtulla JM (2020) Deconstructing Diets: The Role of Wealth, Farming System, and Landscape Context in Shaping Rural Diets in Ethiopia. Front. Sustain. Food Syst. 4:45. doi: 10.3389/fsufs.2020.00045

Перевод статьи «Deconstructing Diets: The Role of Wealth, Farming System, and Landscape Context in Shaping Rural Diets in Ethiopia» автора Rasmussen LV, Wood SLR and Rhemtulla JM, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: wikipedia