IMPACTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT OF FOOD AID ON 
MARKETS, HOUSEHOLD WELFARE AND FOOD SUPPLY CHAINS IN AFRICA 
By 
Helder Zavale 
 
 
 
 
 
 
 
 
 
 
A DISSERTATION 
Submitted to 
Michigan State University 
in partial fulfillment of the requirements 
for the degree of 
 
Agricultural, Food, and Resource Economics – Doctor of Philosophy 
 
2014 
 
 

ABSTRACT 
IMPACTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT OF FOOD AID ON 
MARKETS, HOUSEHOLD WELFARE AND FOOD SUPPLY CHAINS IN AFRICA 
By 
Helder Zavale 
Local and regional procurement (LRP) relative to global food aid deliveries saw a sharp 
increase from 8% in 2001 to a historical high of nearly 30% in 2011. Despite this growing 
importance, relatively little is known about the LRP impacts on local market prices, household 
welfare, and food supply chains, especially in countries where LRP has represented a 
meaningful share of marketed surplus. This dissertation addresses this knowledge gap using 
three self‐contained but related essays. 
Essay one assesses the World Food Program (WFP) LRP effects on the level and 
variability of market prices for maize in Uganda and Mozambique, and beans in Ethiopia. Using 
data spanning 2001 to 2011, we employ two complementary methodologies as a consistency 
check: (1) a vector autoregression (VAR) model, which is a reduced‐form econometric 
approach; and (2) a computational model (CM), which is a structural modeling approach. 
Results from the VAR show average price increases brought about by LRP are statistically 
significant, ranging from 2% in Nampula (Mozambique) to 16% in Lira (Uganda). In all three 
country applications, LRP has no economically meaningful effect on price variability. When LRP 
is at its historical mean levels, price effects from the CM fall within the 90% confidence bounds 
obtained from the VAR. This suggests that the two complementary methodologies deliver 
consistent results. 

 
 

Price increases induced by LRP purchases have welfare implications for households that 
buy and/or sell those commodities. In essay two, we use nationally representative household‐
level data to convert the estimated price increases into estimates of the corresponding 
household welfare effects. This is accomplished by estimating the household’s willingness to 
accept compensation for the price increase. Due to data limitations, essay two focuses only on 
maize in Uganda and Mozambique. Average welfare effects in both countries are negative but 
fairly small in relative terms (less than 1% loss). However, 8.9% of households in Uganda and 
6.9% in Mozambique experience welfare gains or losses greater than 3%. Household welfare 
effects vary substantially in both countries, ranging from ‐10% to +11% in Uganda and from ‐7% 
to +8% in Mozambique. 
In addition to these price and welfare effects, the overall effects of LRP activities depend 
on the systemic effects that WFP is able to induce in food supply chains as the agency goes 
about its procurement. Essay three, therefore, employs a case study approach to complement 
the first two essays by investigating traders and processors responses to engagement with WFP 
and their perceptions of the LRP effects on food supply chains. Essay three focuses on three 
commodities and four countries: maize in Uganda and Mozambique, beans in Ethiopia, and high 
energy protein supplements (HEPS) in Ethiopia and Malawi. Two main findings stand out. First, 
WFP has positively influenced the “quality culture” on maize in Uganda, beans in Ethiopia, and 
HEPS in Ethiopia and Malawi. Second, WFP operations have spurred market entry in the 
Malawian and Ethiopian HEPS sectors, have facilitated greater commercial competitiveness of 
the Malawian HEPS and Ethiopian bean sectors, but have had limited effect on market entry in 
Mozambique’s maize sector.
 
 

ACKNOWLEDGEMENTS 
 
Many people contributed direct or indirectly to the success of this project, but I will only 
mention a few due to bounded rationality and I am very sorry for those who did not receive a 
mention and I still say THANK YOU to those of you. 
First of all, special thanks are due to my dissertation committee chair, Professor Robert Myers, 
for kindly sharing his knowledge and wisdom to help me develop my potential throughout this 
PhD journey. I vividly remember that on several occasions, I went to Professor Myers’ office 
when I was completely lost, but he wisely found ways to put me back on track. I cannot thank 
Professor Myers enough for his willingness to go out of his way to listen and assist and for being 
not only a dissertation advisor, but a mentor and friend. My gratitude also goes to other 
members of my dissertation committee, namely Professors David Tschirley, Duncan Boughton 
and Jeffrey Wooldridge, for their contributions to improve this dissertation. 
I am grateful to the World Food Program (WFP) in Rome for the financial support to undertake 
this study and the United States’ Agency for International Development (USAID) for the 
financial support I received to pursue my doctorate studies at Michigan State University. 
I have no words to express my thankfulness to Professors Ralph Christy from Cornell University 
(United States of America) and Gilead Mlay from Sokoine University of Agriculture (Tanzania) 
for always being there for me, especially when I needed a shoulder to cry on. I want to 
acknowledge the invaluable assistance I benefited from interactions with some colleagues (and 
friends) during my field visits to each study country: Tadesse Kuma Worako in Ethiopia, Andrew 
Muganga Kizito in Uganda, Mercy Ngwira in Malawi, and Orlando Gemo and Dolito Loganemio 
in Mozambique. They organized all the interviews, actively participated in every single 
interview, gathered additional data and shared their insights to help me understand the market 
dynamics in their respective countries. I would also like to extend my appreciation to the 
farmers, traders, processors, market observers and government officials in each study country 
for their patience and for taking the time to share their insights and experiences to make this 
study possible. 
iv 
 

Last, and far from least, my word of appreciation goes to my wife, Ortega Armando Zavale, who 
stood by me through some tough times. I hope I will repay Ortega Zavale for her endless love, 
support and understanding throughout this long journey. 
 

v 
 

TABLE OF CONTENTS 
 
LIST OF TABLES .............................................................................................................................. viii 
LIST OF FIGURES .............................................................................................................................. ix 
CHAPTER 1 INTRODUCTION ............................................................................................................ 1 
REFERENCES ................................................................................................................................ 5 
CHAPTER 2 MARKET LEVEL EFFECTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL 
PROCUREMENT OF FOOD AID IN AFRICA ....................................................................................... 8 
2.1 Introduction .......................................................................................................................... 8 
2.2 Country and Commodity Selection ..................................................................................... 11 
2.3 Vector Autoregression (VAR) Model .................................................................................. 16 
2.3.1 Modeling Procedures ................................................................................................... 17 
2.3.2 Model Set‐Up and Data ................................................................................................ 21 
2.3.3 Summary Statistics and Preliminary Tests ................................................................... 24 
2.3.4 VAR Results ................................................................................................................... 28 
2.4 Computational Model (CM) ................................................................................................ 38 
2.4.1 Mathematical Derivation .............................................................................................. 41 
2.4.2 Computational Model Set‐Up, Data and Results ......................................................... 44 
2.5 Conclusions ......................................................................................................................... 56 
REFERENCES .............................................................................................................................. 59 
CHAPTER 3 HOUSEHOLD WELFARE EFFECTS OF LOCAL PRICE INCREASES INDUCED BY 
WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT IN AFRICA ............................ 62 
3.1 Introduction ........................................................................................................................ 62 
3.2 Conceptual framework ....................................................................................................... 65 
3.3 Estimation of Household Welfare Effects ........................................................................... 67 
3.4 Welfare Estimation Set‐Up and Data .................................................................................. 70 
3.5 Summary Statistics and Welfare Results ............................................................................ 74 
3.6 Conclusions ......................................................................................................................... 90 
REFERENCES .............................................................................................................................. 94 
CHAPTER 4: IMPACTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT 
ON THE FOOD SUPPLY CHAIN: CASE STUDIES IN UGANDA, MOZAMBIQUE, ETHIOPIA AND 
MALAWI ........................................................................................................................................ 97 
4.1 Introduction ........................................................................................................................ 97 
4.2 Country and Commodity Selection ................................................................................... 100 
4.3 LRP Trends and Patterns ................................................................................................... 102 
vi 
 

4.4 Knowledge, Practices and Investments Concerning Quality ............................................ 119 
4.4.1 Structural Factors Reducing Grain Quality ................................................................. 119 
4.4.2 Quality Perceptions and Practices at Local Level ....................................................... 121 
4.4.3 WFP Quality Initiatives ............................................................................................... 124 
4.5 Seasonal Pricing for Maize ................................................................................................ 129 
4.6 Regional and Local Market Pricing Performance .............................................................. 133 
4.7 Conclusions ....................................................................................................................... 137 
REFERENCES ............................................................................................................................ 142 
CHAPTER 5: CONCLUSIONS ......................................................................................................... 144 
REFERENCES ............................................................................................................................ 149 
 
 

vii 
 

LIST OF TABLES 
 
Table 2.1 Descriptive statistics for the Uganda, Mozambique and Ethiopia VAR variables ........ 25 
Table 2.2 Nonstationarity tests for the Uganda, Mozambique and Ethiopia VAR variables ........ 26 
Table 2.3 Comparison of R squared for two specifications: price levels and log of prices .......... 28 
Table 2.4 Fifth‐order VAR model evaluation statistics for Uganda Maize ................................... 29 
Table 2.5 Third‐order VAR model evaluation statistics for Mozambique Maize ......................... 31 
Table 2.6 Third‐order VAR model evaluation statistics for Ethiopia beans .................................. 32 
Table 2.7 Estimated LRP effects on price levels and variability, VAR model ................................ 33 
Table 2.8 Base case parameters for the computational models: maize in Uganda and 
Mozambique, beans in Ethiopia ............................................................................................... 47 
Table 2.9 Base case and sensitivity analysis for estimated effects of LRP on price levels 
for maize in Uganda and Mozambique, beans in Ethiopia ...................................................... 52 
Table 2.10 Sensitivty of LRP effects to changes in supply and demand elasticities ..................... 54 
Table 3.1 Distribution of households by region and maize marketing position in 
Mozambique and Uganda ........................................................................................................ 74 
Table 3.2 Income and expenditures shares for maize in Mozambique and Uganda ................... 75 
Table 3.3 Estimated welfare effects of LRP‐induced maize price increases for 
Mozambique and Uganda ........................................................................................................ 79 
Table 3.4 Estimated LRP household welfare effects by maize marketing position, income 
ranking, and rural/urban location for Mozambique and Uganda ........................................... 82 
 

viii 
 

LIST OF FIGURES 
Figure 2.1 LRP purchases of maize as share of marketed surplus, 2001‐2011 ............................ 13 
Figure 2.2 LRP purchases of bean as share of marketed surplus, 2001‐2011 .............................. 13 
Figure 2.3 Historical (with LRP) and simulated (without LRP) prices of maize in Kisenyi 
market, Uganda, 2001‐2011 .................................................................................................... 36 
Figure 2.4 Historical (with LRP) and simulated (without LRP) prices of maize in Chimoio 
market, Mozambique, 2001‐2011 ........................................................................................... 37 
Figure 2.5 Historical (with LRP) and simulated (without LRP) prices of horse beans in 
Awasa market, Ethiopia, 2001‐2011 ........................................................................................ 37 
Figure 2.6 Graph of effects of LRP on local markets ..................................................................... 40 
Figure 2.7 Relationship between LRP price effect and LRP share of marketed surplus ............... 54 
Figure 3.1 Distribution of household welfare effects of LRP‐induced maize price 
increases for Mozambique and Uganda .................................................................................. 81 
Figure 3.2 Distribution of household welfare effects of LRP‐induced maize price 
increases in Uganda across different income categories ........................................................ 83 
Figure 3.3 Distribution of household welfare effects of LRP‐induced maize price 
increases in Mozambique across different income categories ............................................... 84 
Figure 3.4 Second‐order welfare effect by region: Uganda ......................................................... 87 
Figure 3.5 Second‐order welfare effect by urban/rural location: Uganda ................................... 88 
Figure 3.6 Second‐order welfare effect by region: Mozambique ................................................ 88 
Figure 3.7 Second‐order welfare effect by urban/rural location: Mozambique .......................... 89 
Figure 4.1 Annual average LRP purchases of HEPS from 2001 to 2011 ..................................... 102 
Figure 4.2 WFP LRP purchases of maize in Uganda and Mozambique, 2001 ‐ 2011 ................. 103 
ix 
 

Figure 4.3 Number of vendors and share of top 5 in maize sales to WFP in Uganda, 2001‐
2011 ........................................................................................................................................ 104 
Figure 4.4 Number of vendors and share of top 5 in maize sales to WFP in Mozambique, 
2001‐2011 .............................................................................................................................. 105 
Figure 4.5 Share of in‐country maize food aid distributions out of procured food aid 
covered by local procurement in Uganda and Mozambique, 2001‐2011 ............................. 106 
Figure 4.6 Share of in‐country LRP exported from Uganda and Mozambique, 2001 ‐ 2011 ..... 107 
Figure 4.7 Volumes of total bean procurement by WFP in Ethiopia, 2001 – 2011 .................... 108 
Figure 4.8 Number of vendors and share of top 5 in bean sales to WFP in Ethiopia, 2001‐
2011 ........................................................................................................................................ 109 
Figure 4.9 Locally procured beans in Ethiopia: share in local distributions, and percent 
exported, 2001‐2011 .............................................................................................................. 110 
Figure 4.10 Share of WFP purchases of bean in Ethiopia, 2009 ‐ 2012 ...................................... 111 
Figure 4.11 Volumes of total HEPS procurement by WFP in Ethiopia and Malawi, 2001 ‐ 
2011 ........................................................................................................................................ 112 
Figure 4.12 Volumes of HEPS procurement by WFP in Ethiopia, classified as CSB and 
related products, and FBFs and RUFs, July 2009 – December 2011 ...................................... 113 
Figure 4.13 Volumes of HEPS procurement by WFP in Malawi, classified as CSB and 
related products, and FBFs and RUFs, July 2009 – December 2011 ...................................... 114 
Figure 4.14 Number of vendors and share of top 5 in HEPS sales to WFP in Ethiopia, 
2001 ‐ 2011 ............................................................................................................................ 115 
Figure 4.15 Number of vendors and share of top 5 in HEPS sales to WFP in Malawi, 2001 
‐ 2011 ..................................................................................................................................... 115 
Figure 4.16 Share of in‐country HEPS food aid distributions out of procured food aid 
covered by local procurement in Ethiopia and Malawi, 2001‐2011 ...................................... 116 
Figure 4.17 Share of in‐country HEPS LRP exported from Ethiopia and Malawi, 2001 ‐ 
2011 ........................................................................................................................................ 117 
x 
 

Figure 4.18 WFP seasonal pricing indicator for maize in Uganda, 2001‐2011 ........................... 132 
Figure 4.19 WFP seasonal pricing indicator for maize in Mozambique, 2001‐2011 .................. 132 
Figure 4.20 Maize prices paid by WFP in Uganda and rest of East Africa, 2001‐2011 ............... 134 
Figure 4.21 Maize prices paid by WFP in Mozambique and rest of Southern Africa, 2001‐
2011 ........................................................................................................................................ 135 
Figure 4.22 Monthly purchase order quantities, prices paid by WFP, and wholesale 
market prices, maize in Uganda (2001‐2011) ........................................................................ 136 
Figure 4.23 Monthly purchase order quantities, prices paid by WFP, and wholesale 
market prices, maize in Mozambique (2001‐2011) ............................................................... 137 

 

xi 
 

CHAPTER 1 
INTRODUCTION 
The effects of food aid shipped directly from donor countries to recipient countries – 
referred to as transoceanic food shipment – have been extensively studied. The vast majority of 
the existing literature (e.g., Barrett, Mohapatra and Snyder, 1999; Bezuneh, Deaton and Zuhair, 
2003; Abdulai, Barrett and Hoddinott, 2005; Gelan, 2007; Zant, 2012) focuses on the 
disincentive effects of transoceanic food aid shipments on food production, food consumption 
and commercial imports in recipient countries. Findings from this strand of the literature are 
mixed and appear to be case specific. For instance, Abdulai, Barrett and Hoddinott (2005) found 
that after controlling for endogeneity of food aid, transoceanic food shipments do not have 
disincentive effects on domestic food production in Ethiopia at both macroeconomic and 
household levels. By contrast, findings from Gelan (2007) indicate that food aid arrivals have 
depressing effects on domestic food production in Ethiopia. Zant (2012) found negligible effects 
of maize food aid received by Malawi on domestic maize production when the share of the 
total domestic maize demand accounted for by maize food aid was below a threshold of 10%. 
Above this threshold, the effects are increasingly negative and meaningful. Another extensive 
strand of the literature on food aid (e.g., Clay, Molla and Habtewold, 1999; Jayne et al., 2001; 
Jayne et al., 2002; Barrett and Clay, 2003; Gilligan and Hoddinott, 2007) addresses issues 
related to efficiency and effectiveness of food aid targeting. This literature points out that 
distributions of food aid to beneficiaries are generally characterized by imperfect targeting and 
food aid is distributed to politically connected households at the expense of the most needy 
households. 
However, there is only a very small body of the literature on the impacts of transoceanic 
shipments of food aid on local markets. Mabuza et al. (2009) found that the distribution of 
maize food aid shipped directly from donor countries did not have a discernible effect on local 
maize prices in Swaziland. On the other hand, Tadesse and Shively (2009) estimated that the 
effects of food aid distribution on Ethiopian local prices for three commodities – wheat, maize 
and teff – are most likely to be negligible when the share of food aid in total food production is 

1 
 

below a critical threshold of 10%. Above this threshold, food aid deliveries have increasingly 
dampening effects on prices. These findings are in line with those reported by Zant (2012). 
Starting in the late 1990s, concerns regarding adverse effects of transoceanic shipments 
of food aid on the economies of recipient countries, coupled with changing agricultural policies 
in donor countries, made food aid agencies – including the United Nations World Food 
Programme (WFP) which is the World’s largest agency administering multilateral food aid – 
move away from transoceanic shipments towards alternative modalities of food aid assistance 
to respond more quickly and effectively to food crises. In this regard, local and regional 
procurement (LRP) – the purchase of food commodities in the country or region where food aid 
is being distributed to targeted groups of households – became one of the predominant forms 
of food assistance. Data from the International Food Aid Information System (INTERFAIS) 
developed by WFP show that prior to 1995, LRP amounted to less than 5% of global food aid 
deliveries. However, this share increased sharply from 8% in 2001 to a historical high of about 
30% in 2011.1 
From an economic viewpoint, transoceanic food shipments are fundamentally different 
from LRP. Transoceanic shipments increase food supply in recipient countries, potentially 
reducing food prices. This induced price reduction has welfare implications for food consuming 
and producing households. Net buyers – households whose food consumption exceeds food 
sales – benefit from the induced price reduction because they pay lower prices for their net 
food purchases. Net sellers – households whose food sales exceed food consumption – are hurt 
because their net sales occur at lower prices. By contrast, LRP puts upward pressure on 
domestic food demand in procurement countries, potentially pushing food prices higher. 
Hence, net sellers experience welfare gains from the price increase brought about by LRP, while 
net buyers suffer welfare losses. The overall welfare impacts of both transoceanic food 
shipments and LRP depend crucially on the relative contributions of food sales and food 
expenditures to total household income. 

                                                       

1

 In addition to transoceanic shipments and LRP, Upton and Lentz (2012) provide detailed descriptions of other 
modalities of food assistance including prepositioned food aid, cash transfers and distribution of vouchers. 

2 
 

Despite the growing importance of LRP, whether and by how much LRP affects local 
market prices significantly remains an open empirical question. Previous work on this topic has 
been quite limited. For example, Walker and Wandschneider (2005), Wandschneider and 
Hodges (2005), and Coulter, 2007 took a case‐study approach and evaluated LRP impacts in 
Ethiopia and Uganda. Three main findings emerge from this research. First, LRP appears to have 
influenced investments in the trading systems in both countries. Second, LRP contributed to 
improved quality awareness for traders bidding on LRP tenders. Third, in some cases, LRP may 
have resulted in increases in local prices. 
In a recent quantitative study, Garg et al. (2013) employed econometric methods to 
estimate the impacts of the United States Department of Agriculture (USDA) LRP pilot program 
on local market prices in seven countries. These authors found that the effects of USDA LRP on 
price levels and variability are not meaningful or statistically significant. This finding is not 
surprising because the USDA LRP pilot programs purchased very small amounts of food relative 
to the size of the market in all study countries, as recognized by the authors.2 There is an 
absence of empirical studies evaluating LRP effects on local markets and households in 
countries where LRP accounts for meaningful shares of total marketed surplus, as argued by 
Awokuse (2011). 
This study aims to fill this knowledge gap by investigating three potential impacts of 
WFP LRP: (1) the effect of LRP on the level and variability of local market prices, (2) the impacts 
of resulting price changes on the welfare of households selling and/or consuming commodities 
procured by WFP, and (3) the effect of LRP purchases and related training and inspection 
activities on investment decisions and trading practices of traders and processors in the food 
system, and hence on the development of the food supply chain. The study was conducted in 
four countries, each with a different commodity focus: maize in Uganda; beans and locally 

                                                       
2

 Garg et al. (2013) reported that quantities transacted through USDA LRP are generally considerably smaller than 
volumes procured by WFP. For example, these authors documented that during the fiscal year 2011, in Kenya, 
USDA LRP procured, on average, about 190 metric tons (MT) of maize per month, while WFP procurement 
averaged about 12,000 MT per month. USDA LRP constituted less than 1% of the total market size in all seven 
countries studied by Garg et al. (2013). 

3 
 

produced high energy protein supplements (HEPS) in Ethiopia; maize in Mozambique; and HEPS 
in Malawi. 
The study consists of three self‐contained, but related, essays. The first essay, presented 
in Chapter 2, uses two complementary methodologies to estimate LRP effects on local markets:  
(1) a vector autoregression  model (VAR) that uses data on past food aid deliveries, LRP 
purchase quantities, and local market price movements to empirically estimate the impact of 
past LRP purchases on market prices; and (2) a computational model (CM) that uses a structural 
economic model of local price determination, along with data on the level of LRP relative to the 
size of the market in which it occurs and estimated values of key parameters, such as elasticities 
of supply and demand, to predict effects on local market prices. The second essay, presented in 
Chapter 3, uses household‐level data to estimate the effect of the estimated LRP‐induced price 
increases on the economic welfare of different types of households. In the third essay (Chapter 
4), we take a case study approach using interviews with a wide range of stakeholders in each 
study country to investigate trader and processor responses to engagement with WFP, and 
their perception of the effects of WFP LRP on the food supply chain. Chapter 5 summarizes and 
integrates cross‐cutting findings from all three essays.

4 
 

 
 
 
 
 
 
 
 
 
REFERENCES 
 
 

 

5 
 

REFERENCES 
 
Abdulai, A.; C. B. Barrett and J. Hoddinott. 2005. Does Food Aid Really Have Disincentive 
Effects? New Evidence from Sub‐Saharan Africa. World Development 33(10): 1689‐704. 
Awokuse, T. O. 2011. Food Aid Impacts on Recipient Developing Countries: A Review of 
Empirical Methods and Evidence. Journal of International Development 23(4): 493‐514. 
Barrett, C. B. and D. Clay. 2003. How Accurate is Food‐for‐Work Self‐Targeting in the Presence 
of Imperfect Factor Markets? Evidence from Ethiopia. Journal of Development Studies 39(5): 
152‐80. 
Barrett, C. B.; S. Mohapatra and D. L. Snyder. 1999. The Dynamic Effects of US Food Aid. 
Economic Inquiry 37(4): 647‐56. 
Bezuneh, M.; B. Deaton and S. Zuhair. 2003. Food Aid Disincentives: the Tunisian Experience. 
Review of Development Economics 7(4): 609‐21. 
Clay, D. C.; D. Molla and D. Habtewold. 1999. Food Aid Targeting in Ethiopia: A Study of Who 
Needs It and Who Gets It. Food Policy 24(4): 391‐409. 
Coulter, J. 2007. Local and Regional Procurement of Food Aid in Africa: Impact and Policy Issues. 
Journal of Humanitarian Assistance October 2007. 
Garg, T.; C. B. Barrett; M. I. Gomez; E. C. Lentz and W. J. Violette. 2013. Market Prices and Food 
Aid Local and Regional Procurement and Distribution: A Multi‐Country Analysis. World 
Development 49: 19‐29. 
Gelan, A. U. 2007. Does Food Aid Have Disincentive Effects on Local Production? A General 
Equilibrium Perspective on Food Aid in Ethiopia. Food Policy 32(4): 436‐58. 
Gilligan, D. O. and J. Hoddinott. 2007. Is There Persistence in the Impact of Emergency Food 
Aid? Evidence on Consumption, Food Security, and Assets in Rural Ethiopia. American Journal of 
Agricultural Economics 89(2): 225‐42. 
Jayne, T. S.; J. Strauss; T. Yamano and D. Molla. 2001. Giving to the Poor? Targeting of Food Aid 
in Rural Ethiopia. World Development 29(5): 887‐910. 

6 
 

Jayne, T. S.; J. Strauss; T. Yamano and D. Molla. 2002. Targeting of Food Aid in Rural Ethiopia: 
Chronic Need or Inertia? Journal of Development Economics 68(2): 247‐88. 
Mabuza, M. L.; S. L. Hendriks; G. F. Ortmann and M. M. Sithole. 2009. The Impact of Food Aid 
on Maize Prices and Production in Swaziland. Agrekon 48(1): 85‐105. 
Tadesse, G. and G. Shively. 2009. Food Aid, Food Prices, and Producer Disincentives in Ethiopia. 
American Journal of Agricultural Economics 91(4): 942‐55. 
Upton, J. B. and E. C. Lentz. 2012. Expanding the Food Assistance Toolbox, in Barrett, C. B., A. 
Binder and J. Steets (Eds.). Uniting on Food Assistance: The Case for Transatlantic Cooperation: 
Volume. New York: Routledge. 
Walker, D. J. and T. Wandschneider. 2005. Local Food Aid Procurement in Ethiopia: A Case 
Study Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Wandschneider, T. and R. Hodges. 2005. Local Food Aid Procurement in Uganda: A Case Study 
Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Zant, W. 2012. The Economics of Food Aid under Subsistence Farming with an Application to 
Malawi. Food Policy 37(1): 124‐41. Equation Chapter 2 Section 1 
 
 

7 
 

CHAPTER 2 
MARKET LEVEL EFFECTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT 
OF FOOD AID IN AFRICA 
2.1 Introduction 
Transoceanic shipments of food commodities directly from donor countries to recipient 
countries used to be the dominant modality for food aid.  However, starting in the late 1990s, 
food assistance began to move away from traditional transoceanic shipments towards more 
local and regional procurement (LRP) – the purchase of food commodities in the country or 
region where food aid is being distributed to targeted groups of households.3 For instance, 
according to data from the International Food Aid Information System (INTERFAIS) developed 
by the World Food Program (WFP), the share of the total volumes of global food aid deliveries 
accounted for by LRP increased from less than 5% prior to 1995 to 8% in 2001 to about 30% in 
2011. 
 

LRP of food aid has been shown to have at least three important advantages over 

transoceanic food shipments. First, LRP generates large cost savings, making it possible to feed 
more people in need with a given emergency response budget. Tschirley and del Castillo (2007) 
show that locally or regionally procured maize in Kenya, Uganda, and Zambia costs only 57% of 
what it would have cost to buy and ship transoceanic food commodities.  These cost savings 
allowed 75% more food to be provided to beneficiaries for a given budget allocated to food 
assistance.  Clay, Riley and Urey (2005) found similarly large cost savings of 61% for maize and 
52% for corn‐soya blend (CSB). GAO (2009) also found comparable savings.4 Second, LRP 
reduces the time it takes to deliver food, increasing the timeliness of response to food crises. 
GAO (2009) found that, compared to an average delay of 150 days for delivery of in‐kind 
                                                       
3

 According to Upton and Lentz (2012), food assistance instruments used by aid agencies to respond to food 
emergencies include transoceanic shipments, prepositioned food aid, local and regional procurement, cash 
transfers, and vouchers distributions. The appropriateness of one instrument over another depends on the specific 
recipient‐country context and the overall objectives of the food assistance intervention.  
4
 Lentz, Passarelli and Barrett (2013) found nearly identical savings for grains and pulses even when examining the 
small‐scale LRP purchases of United States Non‐Governmental Organizations funded under United States 
Department of Agriculture programs.  For CSB and vegetable oil, however, they found that these small‐scale 
transactions sometimes resulted in higher total cost, not lower.   

8 
 

transoceanic food aid, locally procured food took only 35 days, and regionally procured food 
took 41 days. Lentz, Passarelli and Barrett (2013) found LRP food commodities could be 
delivered in 14 fewer weeks, equivalent to a 62% reduction. Third, as argued by Tschirley and 
del Castillo (2007), GAO (2009), Violette et al. (2013) and others, LRP food commodities are 
generally more suited to local culture and tastes and preferences of beneficiaries, compared to 
donor‐sourced food commodities shipped directly from developed countries. Indeed, Violette 
et al. (2013) found that in both Zambia and Guatemala, consumption of locally procured food 
commodities, as opposed to those sourced from the United States (US), had statistically 
significant and positive impacts on satisfaction levels achieved by food‐aid receiving 
households. 
Despite these advantages, very little is known about the effects of LRP on local markets 
and prices in the regions where LRP purchases are occurring.  Early studies (Walker and 
Wandschneider, 2005; Wandschneider and Hodges, 2005; Coulter, 2007) used a case study 
approach and found that LRP had helped drive some investment in the trading systems of 
Uganda and Ethiopia, had driven improved quality practices for WFP transactions, and may 
have contributed to improved export trade of some foods in Ethiopia.  Yet these studies also 
suggested that LRP had failed to have any appreciable effect on the broader trade and may in 
some instances have led to price spikes.  With few years of experience to examine, these results 
had to be considered tentative. 
More recent quantitative research (Garg et al., 2013; Harou et al., 2013; Lentz, Passarelli 
and Barrett, 2013) found that LRP had no detectable effect on local market prices or variability.  
However, these studies focused on small‐scale LRP carried‐out by US Non‐Governmental 
Organizations (NGOs) under the US Department of Agriculture (USDA) pilot LRP programs.  
These pilot programs “were minuscule compared to the size of the market” (Garg et al., 2013) 
and so it is not surprising they had no detectable effect.  In this paper we focus on LRP 
undertaken by WFP – the World’s largest administrator of multilateral food assistance – in 
three African countries where LRP purchases have been high relative to the size of the 
marketed surplus, at least in some years. The analysis adds some new and important insights 

9 
 

into the effects of LRP on local markets and prices and suggests that under some conditions 
these effects can be quite significant.  
This study evaluates the effects of WFP LRP on local markets for maize in Uganda and 
Mozambique, and beans in Ethiopia. The study investigates the effect of LRP on the level and 
variability of local market prices.  In addition to broadening our understanding of LRP effects on 
local market prices by offering new empirical evidence, the study also makes two 
methodological contributions. First, while we use a fairly standard structural vector 
autoregression (VAR) approach to estimating the effects of LRP econometrically, bootstrapping 
procedures are developed and used to place confidence intervals around the estimated effects 
on local price levels and variability. Previous applications of structural VARs to evaluate the 
effects of food policies (e.g. Jayne, Myers and Nyoro, 2008; Mason and Myers, 2013) have only 
provided point estimates, and therefore ignored the inherent sampling error associated with 
estimated policy effects. 
Second, and perhaps more importantly, we develop and use a complementary 
“computational model” (CM) to validate results from the VAR. The CM is a structural simulation 
model that provides an alternative estimate of the LRP effect based on economic theory and 
best available knowledge on underlying elasticities, market shares, relative prices, trade 
patterns, etc. The advantages of including the complementary CM analysis are: (1) it provides 
an alternative estimate of the LRP effect that can be used as a consistency check on the more 
data‐based VAR estimates; and (2) it provides an economic explanation and interpretation of 
the pathways through which LRP effects occur, unlike the VAR model which is generally “a‐
theoretic” and provides little information on why estimated effects occur. To our knowledge 
this is the first attempt to jointly apply and integrate these two potentially complementary 
methodologies. 
This paper is structured in five sections. After this introductory section, Section two 
describes how study countries and commodities were chosen. It also provides brief descriptions 
of geographical regions, regional markets, and agricultural production and trade patterns for 
each country application. Section three is divided into four subsections. The first subsection 
outlines our structural VAR modeling approach, while the second presents the model setup and 
10 
 

describes the data employed. Summary statistics, diagnostic tests and results are summarized 
in the last two subsections. We begin Section four by briefly comparing the two complementary 
modeling approaches (the VAR approach versus the CM). Then, we outline the mathematical 
derivation of the CM, followed by the description of the model setup and discussion of the 
results. The paper concludes in Section five with an evaluation of the robustness of results 
across the VAR and CM methodologies. 
2.2 Country and Commodity Selection 
We selected study countries and commodities based on three factors. First, the size of LRP 
purchases of a given commodity relative to the total estimated marketed surplus of that 
commodity in the relevant country. The impact of LRP on markets and, through markets, on 
farmers and consumers, depends critically on the size of LRP purchases relative to the total size 
of the market. While other factors can also intervene, effects from small purchases are likely to 
be small and therefore difficult to distinguish from the normal price variations seen in any 
market price. Second, the availability of price data of sufficiently long duration to support 
meaningful econometric analysis of LRP impacts on prices. With 11 years of data (2001‐2011) 
from WFP on their LRP transactions, we looked for price series of at least monthly data that 
covered as much of this period as possible. Third, the absence of other factors such as large‐
scale government purchases that would make it difficult to isolate econometrically the effect of 
LRP purchases. 
The five most procured commodities by WFP in Africa from 2001 to 2011 were maize, 
high energy protein supplements (HEPS), sorghum/millet, maize meal, and beans, accounting 
for 58%, 12%, 9%, 8% and 7%, respectively, of all procurement volumes.5 Wheat is next at 
about 3%. The contribution of all other commodities is 1% or less. Given their relative 
importance, and data availability, this study focuses on the impacts of LRP purchases of maize 
and beans. We excluded HEPS, sorghum and millet because price data for these commodities 
are generally not available.  We excluded wheat because WFP’s wheat purchases in Ethiopia, 
                                                       
5

 From the product names in the WFP tender data base, we define HEPS to include biscuits, CSB, Faffa, high energy 
biscuits, Likuni Phala, pea‐wheat blend, high energy supplements, and ready to use supplementary food. 

11 
 

the only African country with a meaningful wheat LRP program, have been less than 1% of the 
marketed surplus in the country.   
Figures 2.1 and 2.2 show the mean, minimum, and maximum LRP purchases of maize 
and beans as a share of estimated marketed surplus of these commodities in the main African 
countries in which WFP operates.  Data cover the period 2001‐2011. LRP purchases were 
obtained from the WFP through their Information Network and Global System (WINGS) and 
estimated marketed surplus is obtained by multiplying production data from FAOSTAT by an 
estimate of marketed share of production.  In countries where nationally representative 
household survey data are available (Mozambique, Zambia, Kenya, Uganda, and Malawi), we 
used the household surveys to compute the marketed share of production of each crop during 
the survey years. In other countries, estimates of marketed shares of production are obtained 
from Tschirley and del Castillo (2007). Marketed shares of production for each relevant country 
are assumed to be the constant across the sample. This seems like a reasonable assumption 
because representative household‐level data from Mozambique and Uganda show that 
marketed shares do not show considerable variation across survey years.6 

                                                       
6

 Estimating LRP bean purchases as a proportion of marketed surplus is more difficult because bean production 
frequently takes place in very small quantities at farm level, is more frequently intercropped than maize, and tends 
to be less commercialized. These factors make production data for beans subject to more error than for maize. 

12 
 

30.0
25.0
20.0
15.0
10.0
5.0

U

0.0

ga
nd
M
oz
a
am
bi
qu
e
Za
m
bi
a
Ta
nz
an
ia
M
al
aw
i
K
en
ya
Et
hi
op
So
ia
ut
h
A
fri
ca
Be
Bu
ni
n
rk
in
aF
as
o

Share of marketed surplus
(%)

Figure 2.1 LRP purchases of maize as share of marketed surplus, 2001‐2011 

Mean

Maximum

Minimum
 

50.0
40.0
30.0
20.0

Mean

Maximum

Ta
nz
an
ia
Ca
m
er
oo
n

en
ya
K

Rw
an
da
So
ut
h
A
fri
ca

RC
D

Et
hi
op
ia

0.0

ga
nd
a

10.0

U

Share of marketed surplus
(%)

Figure 2.2 LRP purchases of bean as share of marketed surplus, 2001‐2011 

Minimum
 

In order, mean LRP purchases of maize as a share of marketed surplus were highest in 
Uganda (14%), Mozambique (7%), Zambia (6%), Tanzania (5%), and Malawi (4%). Maximum 
13 
 

share also matters, because it can drive large effects in years of high purchases even if there are 
modest effects in other years.  In this regard, Uganda has by far the highest maximum share at 
more than 30%, followed by Zambia at 14% and then Mozambique, Tanzania, and Malawi at 11 
to 12% (Figure 2.1). Figure 2.2 shows that Ethiopia has the largest LRP share of marketed 
surplus for beans, with mean and maximum estimated shares of 14% and 46%, respectively.  
Uganda follows closely at a mean of about 13% and a maximum of 21%. In all other countries, 
average LRP purchases of beans as a share of marketed surplus are 5% or less. 
These data suggest Uganda, Mozambique, and Zambia as candidate countries for 
analysis of LRP purchases of maize. We excluded Zambia due to the very large market presence 
of the Food Reserve Agency (FRA) especially since 2006, which would make it difficult to isolate 
the impact of LRP.7 Available price data for Uganda and Mozambique were sufficient to support 
the market modeling for maize, so these two countries were chosen for analysis. Bean 
purchases in Ethiopia and Uganda are sufficient to merit a focus on this commodity in those 
countries. However, lack of suitable price data precluded market level modeling for beans in 
Uganda. Therefore, we focused on beans only in Ethiopia. Before outlining our methodological 
approach, we provide brief descriptions of geographical regions, regional markets, and 
agricultural production and trade patterns for each country application. In the analysis that 
follows we use this information to break each country into key domestic regional markets (see 
sections 2.3.2 and 2.4.2). 
Uganda is divided in four administrative regions: Eastern, Central, Northern and 
Western. Central Uganda is a maize deficit region and is dominated by the urban center of 
Kampala, the country’s capital city and largest urban center. Eastern, Northern, and Western 
regions all produce a maize surplus. Kisenyi is the main wholesale maize market in Kampala. 
Large and medium‐sized maize traders throughout the country monitor prices in Kisenyi and 
many of them trade there. Kisenyi is therefore the largest and most liquid market for price 
discovery. Masindi in the Western region, Lira in the Northern, and Mbale and Kapchorwa in 
                                                       
7

 Mason and Myers (2013) report that FRA expenditures accounted for about 2% and 7% of the Zambia’s gross 
domestic product and total government expenditures in 2006 and 2007, respectively. They also document that FRA 
purchases as a share of smallholder maize sales in Zambia increased sharply from 16% in the 2002/03 marketing 
season to 86% in 2006/07. 

14 
 

the Eastern region are four major maize producing areas and key markets in their respective 
regions. These four markets are also key sources for maize flowing into Kampala and crossing 
the border into Kenya, South Sudan, and the Democratic Republic of the Congo (DRC). 
Agriculture in Mozambique is often separated into three regions: the Northern region 
consisting of the provinces of Niassa, Cabo Delgado, Nampula, and Zambezia; the Central region 
including Tete, Manica, and Sofala provinces; and the Southern region encompassing 
Inhambane, Gaza and Maputo provinces.  Northern and Central Mozambique are maize surplus 
regions, while Southern Mozambique is deficit during every year. The capital city of Maputo in 
Southern Mozambique is the largest city and major consumption center in the country. Maputo 
is also a major liquid market where a lot of price discovery takes place. In the Central region, 
Beira is a larger city than Chimoio but is in a deficit portion of the surplus region.  Chimoio is in 
the center of the surplus area and has historically been an important maize market. Nampula is 
the dominant market in Northern Mozambique. 
Northern Mozambique and Tete province are important sources for maize crossing the 
border predominantly into Southern Malawi. Maize from the Central provinces of Manica and 
Sofala flows primarily to informal markets and animal feed manufacturers in Southern 
Mozambique (especially to Maputo). South African maize is imported by large millers in 
Southern Mozambique due to concerns about low quality and poor reliability of domestic 
supply in local markets, and the resulting maize meal is viewed as a different product in the 
market than meal from locally produced maize. 
Ethiopia is divided into ten administrative regions: Affar; Amhara; Benishangul‐Gumuz; Dire 
Dawa; Gambella; Harari; Oromia; Somali; Southern Nations, Nationalities and People (SNNP); 
and Tigray. Ethiopia grows at least three different types of bean, each of which is supplied to 
different domestic and international markets and is affected differently by policy. White haricot 
beans are almost entirely exported to international markets (Europe, Middle East and South 
Asia), while red haricot and horse beans are supplied to domestic and regional markets 
(especially Kenya, South Sudan and Djibouti). WFP has procured all three types of beans in 

15 
 

Ethiopia, but more recently red haricot beans dominates WFP purchases due mainly to a 
government policy mandate.8 
Production of beans in Ethiopia is highly concentrated in three regions: Amhara, Oromia, 
and SNNP. Together these three regions account for about 95% of total bean production in the 
country and are key sources of beans flowing to deficit areas. All remaining administrative 
regions are deficit bean producers. Oromia and SNNP are very similar regions from a bean 
production viewpoint. Awasssa, the key bean surplus market in the SNNP region, is a more 
important bean surplus market than the capital city of Addis Ababa (Oromia region). Although 
Addis Ababa is located in a major bean producing region, high population density and 
urbanization create sizeable demand for beans in Addis Ababa, making it behave more like a 
deficit market than a surplus market. Dessie is one of the main bean surplus markets in the 
Amhara region. Dire Dawa (Dire Dawa region) is second only to Addis Ababa as the largest city 
in Ethiopia, generating a large demand for beans. Hence, Dire Dawa is viewed as the main 
market for price discovery. 
2.3 Vector Autoregression (VAR) Model 
Several econometric approaches could be used to model the impacts of LRP on markets. 
One possibility would be to build a structural simultaneous equation model (SEM) of supply, 
demand, and price determination relationships, and then estimate all parameters and LRP 
effects econometrically using a sample of historical data. We instead chose a reduced form 
vector autoregression (VAR) approach for two main reasons. 
First, VAR models have proven useful when data are not available on all of the variables 
required to build a full structural econometric model (see, for example, Myers, Piggott and 
Tomek, 1990; Jayne, Myers and Nyoro, 2008; Mason and Myers, 2013). As in many developing 
countries, the SEM approach is impractical in our country applications because the required 
data are simply not available. In particular, detailed historical data are available on maize and 
bean prices from various markets, the quantity of food aid deliveries, and LRP purchases. But 
                                                       
8

 In 2010, the Ethiopian government mandated that the Ethiopian Commodity Exchange be the only channel 
through which private traders and exporters can trade white haricot beans. 

16 
 

consumption data, storage data, data on factor prices, and data on the prices of other 
competing commodities are available only sporadically or not at all. 
Second, the VAR imposes fewer over‐identification restrictions. The VAR estimates 
historical correlations between variables of interest (in our case, food aid, LRP purchases, and 
local prices). These historical correlations are then exploited using minimal identification 
restrictions to estimate the net effect of LRP purchases on local prices. By contrast, SEM 
requires a set of assumptions regarding the economic structure of supply and demand 
relationships underlying the markets when we are, in fact, often uncertain about what these 
relationships really are.  Different assumptions can then drive very different model results, with 
no easy way of determining which results are preferred. This makes VAR a more attractive 
approach when we are faced with substantial uncertainty about the economic structure driving 
price determination relationships.  
2.3.1 Modeling Procedures 
Here we adopt the structural VAR framework used by Myers, Piggott and Tomek (1990), 
Jayne, Myers and Nyoro (2008), and others to analyze the effects of food price policies. Unlike 
these authors, and given that point estimates are subject to sampling error, we use bootstrap 
methods to construct confidence intervals for our point estimates of LRP price effects. See 
Runkle (1987) for a discussion of why constructing confidence bounds under VAR modeling is 
important. We estimate separate VAR models for each country application but they all have the 
same basic structure which will now be outlined. 
Two types of variables are included in each country model. First there are WFP choice 
variables consisting of food aid deliveries  FAt  in month  t  and LRP purchases  LRPt  in month  t . 
These variables are chosen by WFP on the basis of food aid needs and local food availability and 
prices. Second there are  n  local price variables  P1t , P2t ,..., Pnt  representing prices in different 
local markets in month  t . The relationship between the WFP choice variables and local price 
variables is captured with a flexible dynamic model specified as: 
(2.1) 

k

k

i 1

i 0

Dx t  Q x y tx   Di x t i   G i p t i  A x u tx   

17 
 

k

k

i 0

i 1

Bp t  Q p y pt   Ci x t i   B i p t i  A p u pt   

(2.2) 

where  xt  represents the set of WFP choice variables;  pt  denotes the set of local market prices; 
y tx  and  y pt  are vectors of deterministic components (e.g. a constant term and, if necessary, 
x

p

deterministic trend and seasonal components);  D ,  Q ,  Di ,  Gi ,  A x  and  B ,  Q ,  Ci ,  B i ,  A p  
are matrices of parameters to be estimated;  k  is the maximum number of lags allowed; and 
u tx  and  u pt  are vectors of mutually uncorrelated error terms representing unanticipated shocks 

to each variable. 
We impose a Cholesky decomposition (recursive model structure) to identify structural 
contemporaneous interactions among variables in the system, leaving the dynamics 
unrestricted. This is the most extensively used identification scheme in this literature (Sims, 
1980; Hamilton, 1994). In particular, we impose  G 0  0 ;  D  and  B  lower triangular with ones 
along the diagonal; and  A x  and  A p  diagonal. Since we order  FAt  first this implies food aid 
does not respond to changes in current values of any variables in the system (though, of course, 
it remains responsive to changes in past values of all variables through the lagged terms). This 
seems like a reasonable assumption because food aid needs are usually determined ahead of 
food aid deliveries, and food aid delivery is not likely to be much influenced by current (i.e., 
within the delivery month) local market conditions. These restrictions also imply  LRPt  responds 
to changes in current values of FAt , and lagged but not current prices. This also seems like a 
reasonable assumption because it makes sense that LRP purchases respond immediately to 
changing food aid needs. And although LRP choices are undoubtedly sensitive to local prices, 
the length of the tender process is such that LRP deliveries in any month are mainly determined 
by past prices and have little flexibility to be changed immediately in response to current 
market price changes. 
We then allow all prices be influenced by current as well as past food aid deliveries and 
LRP. This provides maximum opportunity for local prices to respond immediately to changes in 
WFP food aid and LRP decisions. A logical recursive ordering for the prices is to place the largest 
18 
 

and most liquid local market first in the price ordering and other less important market prices 
lower in the ordering. This is because most price determination is likely to take place in the 
larger liquid market, with effects then filtering down to other local markets. 
The recursive ordering is important because it provides identification of  u tx  and  u pt  as 
uncorrelated food aid, LRP, and local market price shocks. In turn, it is this identification that 
allows simulating the effects of alternative food aid and LRP paths on local market prices 
(assuming local price shocks follow their historical estimated path). Alternative recursive 
orderings are possible, as are more general approaches to identification that do not rely solely 
on a recursive structure (see Stock and Watson, 2001). However, the recursive ordering 
described above fits well with the structure of WFP decisions on food aid and LRP, as well as 
with the economics of price determination in local markets. It therefore seems like a 
reasonable way to achieve identification in the current application. 
The recursive VAR represented by equations (2.1) and (2.2) can be estimated by 
applying ordinary least squares (OLS) to each equation in the system. If testing reveals some of 
the variables are nonstationary and cointegrated then the VAR is sometimes restricted to a 
vector error correction (VEC) form and estimated with maximum likelihood. Imposing VEC 
restrictions can lead to more efficient parameter estimates and improved statistical inference 
when included variables are nonstationarity and cointegrated. However, as shown by Sims, 
Stock and Watson (1990) and Hamilton (1994), even with nonstationary and cointegrated 
variables OLS estimates of the VAR form of the model will be consistent, although conventional 
OLS standard errors will be biased and inconsistent so standard statistical inference and 
hypothesis testing procedures are generally not applicable. 
After the VAR has been estimated, LRP effects on local market prices are estimated by 
simulating the VAR over the estimation period. For the simulation, food aid is set to its actual 
historical value throughout the sample period. This is because we want to simulate the effect of 
eliminating the LRP on local market prices, but under the assumption that exactly the same 
amount of food aid would have been provided. In other words, when undertaking the 
simulation we assume that food aid would have remained at its historical values, so any 
19 
 

reduction in LRP purchases would have been made up by additional WFP purchases outside the 
country, without any change in local food aid deliveries. This seems like the most sensible 
assumption for the simulation because we want to estimate the effect of LRP, not the effect of 
changing the amount of food aid delivered. Next we set LRP to zero starting at the first month 
in the simulation period and continuing right through the entire sample period.9 Prior to the 
first month in the simulation period, however, LRP is assumed to have been at its historical 
level in the data. Using the estimated VAR parameters we then undertake a dynamic forecast of 
the local price variables, given historical food aid deliveries but no LRP, over the entire sample 
period. 
For the simulation we use the same price shocks that were identified using the recursive 
ordering in the VAR (i.e., we assume that setting LRP to zero does not alter the historical market 
price shocks, although clearly there will be a response in the price levels themselves). The result 
is a set of counterfactual simulated local market prices that represent the estimated path that 
prices would have taken over the sample period if food aid deliveries had stayed the same and 
the markets were subject to their historical supply and demand forces, except that there had 
been no LRP purchases. Comparing the simulated counterfactual prices with actual historical 
prices highlights the estimated effect of the LRP activity over the sample period. 
The VAR price impacts are statistical estimates subject to sampling error. Therefore we 
also computed a 90% confidence interval for the average price effects using an approach 
suggested by Benkwitz, Lutekpohl and Neumann (2000), and Berkowitz and Kilian (2000). 
To simplify notation, our VAR model can be written more compactly as: 
p

(2.3) 

z t   ψ i d t i  ε t   
i 0

where  z t  is the set of endogenous variables, dt i   is the set of exogenous and endogenous 
variables,  ψ i  are matrices of parameters to be estimated, and  εt  is the vector of error terms. 
The bootstrap procedure to construct confidence intervals consists of five steps. First, after 
                                                       
9

 Given that the number of lags in the VAR specification is  k , the first month in the simulation period corresponds 
to month  k  1 .  

20 
 

estimation of the VAR, we compute residuals using the estimated VAR parameters: 
p

 d . Second, from these residuals, we draw with replacement a sample of 
ε t  z t   ψ
i t i
i 0

residuals, {ε *t }tn1 , equal to the difference between the number of time periods in the sample 
period and the number of lags in the VAR specification. Third, using these sampled residuals 
and estimated VAR parameters, we recursively construct a vector of pseudo data 
p

 d  ε*  and re‐estimate the VAR parameters  ψ *  using the generated pseudo data. 
z *t   ψ
i
t
i t i
i 0

Fourth, we calculate the LRP effects using the simulation procedure explained above and the 
new set of VAR parameters  ψ *i  obtained from the pseudo data. Finally, steps one through four 
are repeated 1,200 times to compute a 90% confidence interval for the LRP effects using the 
percentile‐t approach described in Efron (1979) and DiCiccio and Efron (1996). 
We choose the percentile‐t approach to construct the confidence bounds because the 
resulting confidence bounds are not dependent on distributional assumptions unlike those 
obtained from the normal approximation approach. When bootstrapping the confidence 
intervals, we drop simulated price paths that lead to negative simulated prices, which is 
equivalent to placing zero probability prior on negative simulated prices. Including the negative 
price simulations would have distorted the results because we know a priori that prices cannot 
be negative. As a robustness check, we also replaced negative simulated prices with minimum 
historical prices observed during the sample period for each country. These two simulation 
approaches for dealing with negative prices did not lead to major changes in the confidence 
bounds. This suggests that confidences bounds are not very sensitive to the two simulation 
approaches. 
2.3.2 Model Set‐Up and Data 
 

Our applications focus on maize in Uganda and Mozambique and beans in Ethiopia. In 

the application to Uganda, prices from three local wholesale maize markets are included in the 
VAR: Kisenyi (Central region), Masindi (Western region), and Lira (Northern region). In the 
recursive form of the VAR we place Kisenyi first among prices, followed by Masindi and Lira. 
Other market prices such as Mbale and Kapchorwa could potentially have been included. 
21 
 

However, while some maize price data are available for Mbale market, there were too many 
missing observations to include this price in the VAR. And no maize price data are available for 
Kapchorwa. Therefore, we only included three regional market prices in the VAR, but would not 
expect results to be sensitive to the inclusion or exclusion of additional regional price variables 
because of effective regional maize price transmission in Uganda.10 
In the application to Mozambique, prices from three domestic maize markets are 
included in the VAR: Maputo (Southern region), Chimoio (Central region), and Nampula 
(Northern region). We put Maputo and Chimoio first and second, respectively, among prices in 
the recursive order for the VAR. The more distant and isolated northern market of Nampula is 
placed last in the recursive VAR order. 
In the application to Ethiopia, we focus on LRP effects on retail horse bean prices. Horse 
bean prices were used because price data on red and white haricot beans are not available over 
a sufficiently long period. WFP Ethiopia Office has provided LRP bean purchases broken down 
by type from July 2009 to July 2012. However, data on disaggregated WFP bean purchases by 
type prior to July 2009 are not available. These data limitations make it difficult to evaluate the 
impacts of LRP disaggregated by bean type.  However, horse bean prices and aggregate LRP 
bean purchases are available monthly over a sufficiently large period so these are the data used 
in the Ethiopia beans VAR. Examining the relationship between prices for haricot beans and 
horse beans in Dessie over the part of the sample period where both are available suggests a 
strong relationship between wholesale prices of haricot beans and horse beans. Given this 
observed co‐movement, it appears that a model based on horse bean prices only can provide a 
reasonable estimate of the effects of LRP aggregate bean purchases on local bean prices. Horse 
bean prices from three local markets are included in the Ethiopia beans VAR: Dire Dawa (Dire 
Dawa region), Dessie (Amhara region), and Awassa (SNNP region). Addis Ababa price is not 
included in the VAR because Awassa would be a better representation of a more important 
bean surplus market in the combined Oromia and SNNP regions than Addis Ababa would be. 
We place Dire Dawa first among prices in the recursive structure for the VAR. Dessie was put 
                                                       
10

 Market observations and examination of regional price series showing strong price co‐movement suggest that 
regional markets in Uganda are well‐integrated and price changes transmit consistently across regional markets. 

22 
 

before Awassa in the recursive ordering because compared to Dessie, Awassa is a more 
important bean surplus market. 
To estimate the VAR models, we used monthly data from January 2001 through 
December 2011 in Uganda and Mozambique and from September 2001 through December 
2011 in Ethiopia. Wholesale maize price data for Uganda were obtained from Farmgain Africa. 
We constructed monthly prices series for each market by averaging weekly prices. Uganda 
prices are reported in Ugandan Shilling per metric ton (UGX/MT). In the case of Mozambique, 
lack of complete wholesale market series, required that we use retail prices.  We obtained retail 
maize prices from the Mozambique’s Ministry of Agriculture Marketing Information System 
(SIMA).  Daily prices were averaged to construct monthly price series. Mozambique prices are 
measured in Mozambique Metical per metric ton (MZN/MT). As in Mozambique, complete 
wholesale price series are not available for major bean markets in Ethiopia, so retail prices are 
used instead. Retail prices for horse beans are obtained from the Ethiopia Central Statistical 
Agency (CSA). The CSA reports monthly average retail prices, measured in Ethiopian BIRR (ETB) 
per quintal. We convert Ethiopia prices into ETB/MT by multiplying them by 10. 
Price series included in our VAR specifications for all three study countries have missing 
observations. In the application to Uganda, during the entire sample period, the proportions of 
missing price observations in Kisenyi, Masindi and Lira are 3%, 2% and 4%, respectively. We 
impute missing observations using best subset regressions. This approach consists of regressing 
wholesale maize prices in each location on wholesale maize prices in all markets for which price 
data are available. Then, predicted prices from the regressions are used to fill in missing 
observations. In addition to the three markets included in our Uganda maize VAR specification, 
the following markets were included as explanatory variables in the best subset regressions: 
Arua, Kabale, Masaka, Mbarara, Nakawa, Owino, Soroti and Tororo. The effects of this 
procedure for imputing missing observations are unknown. However, as argued by Myers 
(2013), imputation of missing price observations using best subset regressions is likely to have 
little impact on the dynamic relationships between prices because the specifications of the best 
subset regressions do not take dynamics into account (no lags of the wholesale prices are 
included in the specifications). 
23 
 

In the case of Mozambique, 2%, 4% and 6% of the price observations in Maputo, 
Chimoio and Nampula, respectively, are missing over the entire sample period. To impute 
missing observations, the following markets are included in best subset regressions: Maputo, 
Manica, Chimoio, Tete, Nampula and Lichinga. In the application to Ethiopia, the proportions of 
missing price observations in Dire Dawa, Dessie and Awassa are 8%, 9% and 8%, respectively. In 
addition to these three markets, we include Asossa, Asayita, and Bahir Dar market prices in the 
best subset regressions. 
Daily tender‐level data on LRP purchases, measured in metric tons (MT), were obtained 
from WFP through their Information Network and Global System (WINGS). The WFP 
competitive tendering process involves four steps: (i) the tender is announced; (ii) suppliers 
submit bids; (iii) bids are reviewed and winners are chosen; and (iv) contracts are awarded and 
purchase orders are issued. It takes about two to three weeks from the date tenders are 
announced to the date purchase orders are typically issued. We aggregate the daily 
procurement data, measured in MT, into a monthly series by summing LRP purchases that had 
purchase order dates in that month.  
Food aid data were provided by the International Food Aid Information System 
(INTERFAIS), which was developed by WFP. Food aid is reported based on the date shipments 
arrived in a given food aid recipient country. We aggregate food aid deliveries in each month to 
create a monthly food aid series, measured in MT, for maize in Uganda and Mozambique and 
beans in Ethiopia. 
2.3.3 Summary Statistics and Preliminary Tests 
Summary statistics over the sample period for the five variables included in each country 
VAR are reported in Table 2.1. During the sample period, WFP distributed on average 5,837 MT 
of maize per month and purchased an average 6,804 MT per month in Uganda. This indicates 
that not all LRP bought in Uganda was distributed in Uganda.  Indeed, WFP procurement data 
show that from 2001 through 2011, 30% of the total WFP purchases of maize in Uganda were 
exported to other East African countries. By contrast, in Mozambique and Ethiopia, food aid 
deliveries exceed WFP LRP purchases. In all three country applications, the standard deviations 
24 
 

indicate that both food aid deliveries and WFP LRP purchases fluctuated considerably over the 
sample period. Table 2.1 also shows that, as expected, average monthly prices are higher in 
deficit markets (Kisenyi in Uganda, Maputo in Mozambique and Dire Dawa in Ethiopia) than in 
surplus markets (Masindi and Lira in Uganda; Chimoio and Nampula in Mozambique; and Dessie 
and Awassa in Ethiopia) within each country. In all these markets (deficit and surplus), monthly 
prices also show considerable variability. Although not shown in the summary statistics, 
monthly prices within each country show considerable price co‐movement consistent with 
effective spatial price transmission across regional markets. 
The choice to estimate in VAR or VEC form depends on the stationarity and 
cointegration properties of the data. Table 2.2 contains results from augmented Dickey‐Fuller 
and Phillips‐Perron tests for nonstationarity. In the applications to Uganda and Mozambique, 
the evidence of unit roots is mixed, depending on which statistic is used and whether a time 
trend is included. In the application to Ethiopia, results support nonstationary behavior in all 
three price variables, but that bean food aid deliveries and LRP are stationary. As indicated by 
Blough (1992) and others, unit root tests are known to have low power in finite samples, 
suggesting that failure to reject the null hypothesis of a unit root could be a reflection of this 
low power rather than the presence of unit roots. Here we chose not to impose VEC restrictions 
and instead estimate the model as an unrestricted VAR in the levels of all variables for three 
reasons: (1) OLS estimation of the VAR form remains consistent under nonstationarity and 
cointegration; (2) the primary goal here is policy simulation not hypothesis testing, and (3) 
there is some value in applying consistent modeling procedures across all three country 
applications. 
Table 2.1 Descriptive statistics for the Uganda, Mozambique and Ethiopia VAR variables 

Variable 
Uganda 
Maize food aid deliveries (MT) 
LRP maize purchases (MT) 
Kisenyi wholesale maize price (UGX/MT) 
Masindi wholesale maize price (UGX/MT) 

Mean 
  
5,837 
6,804 
357,092 
311,891 
25 

 

Standard 
deviation 
  
7,718 
6,957 
191,248 
186,524 

Maximum  Minimum 
  
41,957 
32,251 
1,307,500 
1,250,000 

  
0 
0 
103,583 
63,750 

Lira wholesale maize price (UGX/MT) 
Mozambique 
Maize food aid deliveries (MT) 
LRP maize purchases (MT) 
Maputo retail maize price (MZN/MT) 
Chimoio retail maize price (MZN/MT) 
Nampula retail maize price (MZN/MT) 
Ethiopia 
Bean food aid deliveries (MT) 
LRP bean purchases (MT) 
Dire Dawa retail bean price (ETB/MT) 
Dessie retail bean price (ETB/MT) 
Awassa retail bean price (ETB/MT) 

342,273 

204,115 

1,525,000 

64,000 

2,000 
1,618 
7,809 
5,490 
5,612 

2,708 
2,651 
3,338 
2,916 
2,577 

19,249 
15,859 
13,196 
13,943 
13,571 

0 
0 
2,571 
1,371 
1,330 

4,800 
1,306 
4,904 
3,847 
4,693 

8,878 
2,058 
3,280 
2,788 
3,359 

44,500 
11,058 
16,000 
13,333 
16,000 

0 
0 
1,433 
767 
1,133 

Source: Authors calculations 
Note: Average exchange rates from January 2001 to December 2011 are: 1,919 UGX per US dollar in Uganda, 25 
MZN per US dollar in Mozambique, and 10 ETB per US dollar in Ethiopia. 

 
 
 
Table 2.2 Nonstationarity tests for the Uganda, Mozambique and Ethiopia VAR variables 
  

Ho: Unit root 

Ho: Unit root 
H1: Stationary process with 
H1: Stationary process 
trend 
Approximate p‐value for Z(t) Approximate p‐value for Z(t)
  
Dickey‐Fuller Phillips‐Perron   Dickey‐Fuller  Phillips‐Perron
Uganda 
  
  
     
  
Kisenyi wholesale maize price 
0.0308 
0.1823 
0.0003 
0.0428 
Masindi wholesale maize price 
0.0390 
0.1829 
0.0006 
0.0405 
Lira wholesale maize price 
0.0549 
0.0911 
0.0038 
0.0063 
Maize LRP quantity 
0.0605 
0.0000 
0.2442 
0.0000 
Maize food aid delivery 
0.0510 
0.0000 
0.1833 
0.0000 
Mozambique 
Retail maize price in Maputo 
0.4222 
0.5320 
0.0000 
0.0131 
Retail maize price in Chimoio 
0.0536 
0.1299 
0.0000 
0.0021 
Retail maize price in Nampula 
0.0251 
0.0507 
0.0000 
0.0013 
LRP volume in Mozambique 
0.0000 
0.0000 
0.0000 
0.0000 
Maize food aid delivery 
0.0000 
0.0000 
0.0000 
0.0000 
26 
 

 

Ethiopia 
Retail bean price in Dire Dawa 
Retail bean price in Dessie 
Retail bean price in Awassa 
LRP bean purchases 
Bean food aid distributions 

0.8305 
0.5379 
0.9988 
0.0357 
0.0000 

0.9860 
0.9269 
0.9838 
0.0000 
0.0000 

 

0.1266 
0.0604 
0.2965 
0.1277 
0.0000 

0.8367 
0.6065 
0.8185 
0.0000 
0.0000 

Notes: The number of lagged price differences included in the augmented Dickey‐Fuller tests varies by variable. 
The procedure used to choose the number of lags was to start with zero and add lags until there was no evidence 
of autocorrelation in the residuals from the Dickey Fuller regression. 

Various criteria are used to determine the appropriate lag length for VARs, each with 
their advantages and disadvantages. Information criteria, such as final prediction error (FPE), 
Akaike’s information criterion (AIC), and Schwarz’s Bayesian information criterion (SBIC) are 
often used, along with likelihood ratio (LR) tests for the null hypothesis that one more lag is 
needed. Another key criterion for adequate lag length is to ensure that none of the residuals 
from any equation show evidence of autocorrelation. For all three country applications, results 
from AIC, SBIC, FPE and LR were inconsistent with one another regarding the appropriate lag 
length. Some criteria suggest short lag lengths, while others indicated very long lag lengths. 
Because very long lag lengths can lead to over‐parameterized models we used a procedure of 
starting with the lower lag length suggested by the information criteria and testing the residuals 
for autocorrelation. If statistically significant evidence of autocorrelation was found in any 
residual we then increased the lag length by one and repeated the procedure. When no 
additional autocorrelation was found that is the lag length we chose. This procedure suggested 
that the appropriate lag lengths were five months for the Uganda model, and three months for 
the Mozambique and Ethiopia models. We also did sensitivity analysis to see if the simulated 
LRP effects were sensitive to the choice of lag length. 
Due to seasonality in agricultural production, a seasonal component is often included in 
commodity VAR models. In all three country applications, we expect that data, especially prices, 
would have a strong seasonal component because agricultural production is predominantly 
rain‐fed. Hence, in addition to a constant term we included a seasonal component to account 
for seasonal patterns in prices. The seasonal component was represented as a Fourier 
approximation to an unknown seasonal pattern (i.e., as a linear combination of sine and cosine 
27 
 

functions with different frequencies). This provides a very flexible representation for an 
underlying seasonal pattern in the VAR variables. The deterministic parts of the VAR models 
could also include time trends. There was mixed evidence of time trends in the data for all 
three country applications.  However, given that the evidence is mixed, and that it has been 
argued that VAR policy models are best estimated without explicit time trends, we exclude time 
trends from the deterministic components of all three VAR models. 
2.3.4 VAR Results 
When estimating VAR models, some authors use untransformed prices while others use a 
log transformation.11 In our models we examined both possibilities by comparing goodness of 
fit, measured by R squared, between these two specifications.12 Results reported in Table 2.3 
suggest that the VAR specification with price levels fits the data slightly better (i.e. delivers 
slightly higher R squared) for all price equations in all three country applications (Uganda, 
Mozambique and Ethiopia), compared with the specification with log of prices. For the 
remaining two equations (food aid distributions and LRP purchases) in the VAR model, the 
results are mixed depending on the country application. Because of these results we chose to 
estimate the VAR models for all three country applications using price levels rather than log of 
price levels. 
Table 2.3 Comparison of R squared for two specifications: price levels and log of prices 
Equation 
Food aid 
Prices used in the 
distributions 
VAR estimation 
  
Price levels 
0.318 
Log of price levels
0.282 
  
Price levels 
0.103 

LRP 
purchases 
0.324 
0.252 
0.121 

Price onea 
Uganda 
0.893 
0.868 
Mozambique 
0.953 

Price twob 

Price threec 

0.984 
0.978 

0.951 
0.929 

0.953 

0.932 

                                                       

11

 We made log transformation of prices, but not of LRP nor of food aid distributions.  
 For both specifications, we computed correlation coefficients between predicted and observed explanatory 
variable for each equation in the VAR models (prices, LRP and food aid distribution). For price equations in the 
specification with log transformed prices, we used predicted untransformed prices when computing the 
correlation coefficients. We calculated squared correlation coefficients and used them as our measure of R 
squared.  
12

28 
 

Log of price levels

0.141 

0.136 

0.951 
0.947 
0.929 
Ethiopia 
Price levels 
0.192 
0.196 
0.989 
0.984 
0.987 
Log of price levels
0.287 
0.296 
0.987 
0.983 
0.984 
a
 Price one denotes prices in Kisenyi (Uganda), Maputo (Mozambique) and Dire Dawa (Ethiopia).
b
 Price two indicates prices in Masindi (Uganda), Chimoio (Mozambique) and Dessie (Ethiopia). 
c
 Price three represents prices in Lira (Uganda), Nampula (Mozambique) and Awassa (Ethiopia).  
 
Most of the estimated parameters from the VAR do not, by themselves, have an 
economic interpretation or individual economic significance. Therefore we do not report a full 
set of estimation results for all parameters in each country application.13 However, in Tables 2.4 
through 2.6 we provide model evaluation statistics for each country VAR model. Results 
generally support the model specifications used. 
 
Table 2.4 Fifth‐order VAR model evaluation statistics for Uganda Maize 
  
Statistic 
R2 
AR(1) 
AR(6) 
AR(12) 
ARCH(1) 
ARCH(6) 
ARCH(12) 
Seasonal component 
  

Food aid 
distributions 
0.318 
0.031 
(0.859) 
1.284 
(0.973) 
6.738 
(0.874) 
1.690 
(0.194) 
5.227 
(0.515) 
7.732 
(0.806) 
0.721 
(0.697) 

Equation 
LRP 
Kisenyi 
purchases 
price 
0.324 
0.893 
0.024 
0.073 
(0.878) 
(0.787) 
1.666 
2.543 
(0.948) 
(0.864) 
10.643 
6.310 
(0.560) 
(0.900) 
1.401 
44.513 
(0.236) 
0.000 
4.958 
47.377 
(0.549) 
0.000 
12.506 
47.469 
(0.406) 
0.000 
2.552 
4.746 
(0.279) 
(0.093) 

                                                       
13

 Estimated parameters from VARs are available upon request. 

29 
 

Masindi 
price 
0.984 
0.056 
(0.814) 
1.461 
(0.962) 
14.467 
(0.272) 
0.322 
(0.571) 
4.041 
(0.671) 
16.990 
(0.150) 
14.502 
(0.001) 

Lira price 
0.951 
0.051 
(0.821) 
1.676 
(0.947) 
6.402 
(0.894) 
0.051 
(0.822) 
5.797 
(0.446) 
11.815 
(0.461) 
1.299 
(0.522) 

Notes: AR(i) indicates Portmanteau (Q) statistics for testing the null of no autocorrelation against the alternative of 
ith degree autocorrelation in the residuals. ARCH(i) indicates Portmanteau (Q) statistics for testing the null of no 
autocorrelation against the alternative of ith degree autocorrelation in the squared residuals (a test for conditional 
heteroscedasticity). The seasonal component is a Chi‐square statistic for testing the null of no seasonal 
component. Numbers in parentheses under statistics are associated p‐values. 

 
 

 

30 
 

Table 2.5 Third‐order VAR model evaluation statistics for Mozambique Maize 
  
Statistic 
R2 
AR(1) 
AR(6) 
AR(12) 
ARCH(1) 
ARCH(6) 
ARCH(12) 
Seasonal component 
  

Food aid 
distributions 
0.103 
0.004 
(0.949) 
4.690 
(0.584) 
10.253 
(0.594) 
0.330 
(0.566) 
9.550 
(0.145) 
10.941 
(0.534) 
0.221 
(0.895) 

Equation 
LRP 
Maputo 
purchases 
price 
0.121 
0.953 
0.163 
0.013 
(0.687) 
(0.911) 
1.326 
6.613 
(0.970) 
(0.358) 
7.846 
11.175 
(0.797) 
(0.514) 
0.057 
3.089 
(0.811) 
(0.079) 
0.662 
5.867 
(0.995) 
(0.438) 
7.893 
8.629 
(0.793) 
(0.734) 
2.491 
7.413 
(0.288) 
(0.025) 

Chimoio 
price 
0.953 
0.019 
(0.889) 
1.590 
(0.953) 
14.003 
(0.300) 
0.496 
(0.481) 
3.149 
(0.790) 
5.350 
(0.945) 
7.402 
(0.025) 

Nampula 
price 
0.932 
0.016 
(0.901) 
1.639 
(0.950) 
7.116 
(0.850) 
16.717 
0.000 
20.118 
(0.003) 
25.756 
(0.012) 
14.067 
(0.001) 

Notes: AR(i) indicates Portmanteau (Q) statistics for testing the null of no autocorrelation against the alternative of 
ith degree autocorrelation in the residuals. ARCH(i) indicates Portmanteau (Q) statistics for testing the null of no 
autocorrelation against the alternative of ith degree autocorrelation in the squared residuals (a test for conditional 
heteroscedasticity). The seasonal component is a Chi‐square statistic for testing the null of no seasonal 
component. Numbers in parentheses under statistics are associated p‐values. 

 
 

 

31 
 

Table 2.6 Third‐order VAR model evaluation statistics for Ethiopia beans 
  
Statistic 
R2 
AR(1) 
AR(6) 
AR(12) 
ARCH(1) 
ARCH(6) 
ARCH(12) 
Seasonal component 
  

Food aid 
distributions 
0.192 
0.000 
(0.993) 
2.475 
(0.871) 
8.591 
(0.737) 
0.003 
(0.957) 
0.599 
(0.996) 
0.898 
(1.000) 
4.778 
(0.092) 

Equation 
LRP 
Dire Dawa 
purchases 
price 
0.196 
0.989 
0.151 
0.112 
(0.698) 
(0.738) 
12.135 
2.989 
(0.059) 
(0.810) 
15.514 
10.872 
(0.215) 
(0.540) 
0.230 
4.489 
(0.632) 
(0.034) 
30.070 
17.827 
0.000 
(0.007) 
32.811 
30.248 
(0.001) 
(0.003) 
0.855 
3.131 
(0.652) 
(0.209) 

Dessie 
price 
0.984 
0.062 
(0.803) 
5.635 
(0.465) 
9.048 
(0.699) 
0.001 
(0.975) 
19.588 
(0.003) 
33.366 
(0.001) 
8.645 
(0.013) 

Awassa 
price 
0.987 
0.065 
(0.799) 
3.728 
(0.713) 
11.454 
(0.491) 
45.475 
0.000 
55.103 
0.000 
57.361 
0.000 
2.919 
(0.232) 

Notes: AR(i) indicates Portmanteau (Q) statistics for testing the null of no autocorrelation against the alternative of 
ith degree autocorrelation in the residuals. ARCH(i) indicates Portmanteau (Q) statistics for testing the null of no 
autocorrelation against the alternative of ith degree autocorrelation in the squared residuals (a test for conditional 
heteroscedasticity). The seasonal component is a Chi‐square statistic for testing the null of no seasonal 
component. Numbers in parentheses under statistics are associated p‐values. 

Table 2.7 presents simulation results for LRP effects on local markets. The simulation 
was undertaken by setting LRP to zero starting with the first month of the simulation period, 
assuming food aid deliveries and local price shocks follow their historical estimated paths. 
Estimated average price level effects of the WFP LRP over the historical sample period – the 
average percentage reduction in prices from eliminating LRP – are reported in the second 
through fourth columns of Table 2.7. As discussed earlier, the VAR price impacts are statistical 
estimates subject to sampling error. Therefore we also computed 90% confidence intervals for 
the average price effects using the bootstrapping procedures outlined previously. The lower 
and upper bounds reported in the table are the lower and upper bounds for these 90% 
confidence intervals, while the mean column provides the preferred estimate. Panel A of Table 
2.7 reports bootstrap confidence bounds obtained when simulation paths that generate 
32 
 

negative simulated prices are dropped, while panel B shows bootstrap confidence bounds 
computed when negative simulated prices are replaced with minimum historical prices 
observed over the sample period for each regional market. 
Table 2.7 Estimated LRP effects on price levels and variability, VAR model 
  
Price level effects 
 
Price variability effects 
Market 
Lower bound  Mean  Upper bound   Lower bound  Mean  Upper bound 
  
PANEL A 
Uganda 
Kisenyi 
12.51% 
13.40% 
15.74% 
0.42% 
1.28% 
3.63% 
Masindi 
13.13% 
13.99% 
16.35% 
‐0.03% 
0.81% 
3.13% 
Lira 
14.65% 
15.54% 
17.89% 
‐2.15% 
‐1.29% 
1.00% 
Mozambique 
Maputo 
5.32% 
6.91% 
8.61% 
‐0.54% 
0.42% 
2.11% 
Chimoio 
3.91% 
5.51% 
7.26% 
‐1.17% 
‐0.40% 
1.44% 
Nampula 
0.58% 
2.22% 
3.93% 
0.91% 
1.99% 
3.91% 
Ethiopia 
0.94% 
Dire Dawa 
3.57% 
4.63% 
6.90% 
‐2.23% 
‐1.39% 
Dessie 
2.66% 
3.74% 
5.88% 
‐1.66% 
‐0.83% 
1.57% 
Awassa 
4.04% 
5.10% 
7.36% 
‐2.85% 
‐2.04% 
0.40% 
  
PANEL B 
Uganda 
Kisenyi 
12.41% 
13.40% 
15.70% 
‐0.10% 
1.28% 
3.17% 
Masindi 
13.06% 
13.99% 
16.37% 
‐0.68% 
0.81% 
2.52% 
Lira 
14.60% 
15.54% 
17.94% 
‐2.88% 
‐1.29% 
0.38% 
Mozambique 
Maputo 
5.47% 
6.91% 
8.73% 
‐1.02% 
0.42% 
2.19% 
Chimoio 
4.11% 
5.51% 
7.34% 
‐1.86% 
‐0.40% 
1.36% 
Nampula 
0.78% 
2.22% 
4.02% 
0.42% 
1.99% 
3.69% 
Ethiopia 
Dire Dawa 
3.67% 
4.63% 
6.94% 
‐3.11% 
‐1.39% 
0.23% 
Dessie 
2.79% 
3.74% 
6.06% 
‐2.60% 
‐0.83% 
0.76% 
Awassa 
4.14% 
5.10% 
7.42% 
 
‐3.80% 
‐2.04% 
‐0.47% 
Notes: Price variability is measured by the coefficient of variation. Mean refers to percentage difference between 
historical (with LRP) and simulated (without LRP) prices. Lower and upper bounds refers, respectively, to lower and 
upper of bootstrapped 90% confidence interval (percentile‐t) with 1,200 replications.  The number of dropped 
observations required to generate 1,200 bootstrap replications in Uganda, Mozambique and Ethiopia are 8,446; 2,688; 
and 2,410; respectively. For panel A, to construct confidence bounds, we dropped simulations that generated negative 
prices. For panel B, to construct confidence bounds, simulated negative prices were replaced with minimum historical 
prices over the sample for each market. 

33 
 

For Uganda average maize price impacts range from about 13% in Kisenyi (deficit) to 
16% in Lira (surplus).  Furthermore, the upper and lower bounds for the 90% confidence 
interval suggests that average price impacts of LRP are statistically different from zero (Table 
2.7). Average price effects for beans in Ethiopia are quite small, as expected, though statistically 
different from zero given that the 90% confidence interval does not contain zero.  Like Uganda, 
there is no clear pattern between surplus and deficit areas in Ethiopia. In the case of 
Mozambique, estimated average maize price effects show larger effects in deficit Maputo and 
surplus Chimoio markets than in surplus Nampula.  Upper and lower bounds for the 90% 
confidence intervals show that average prices effects are statistically different from zero for all 
three markets (Maputo, Chimoio, and Nampula) in Mozambique.  
The relatively high effect in Maputo may appear surprising because no LRP purchases 
are made in that area of the country. But this finding is consistent with the fact that Maputo 
(and the Southern region in general) is a relatively small market for Mozambican maize grain. 
Most maize consumption in Southern Mozambique is from refined maize meal produced 
overwhelmingly with imported grain from South Africa. As a result, any reduction of marketable 
supplies in the Central region, which serves informal markets in the Southern region, is 
expected to have a meaningful effect on the informal market prices for locally produced maize 
in Maputo.  We believe, however, that this effect will have limited influence on the price of the 
refined maize meal produced with imported grain, given the much larger size of this latter 
market.  As a partial check on this assertion, we used SIMA retail data to compute correlation 
coefficients between retail maize grain across three markets in the Southern region (Maputo, 
Maxixe, and Xai‐Xai), refined maize meal across the same markets, and between maize grain 
and refined maize meal within each of these markets.  Correlations for maize grain across 
spatially separated markets ranged from 0.74 to 0.80, while those for maize meal across the 
same markets ranged from 0.54 to 0.58. In contrast, correlations between grain and meal 
prices, even within the same markets, were lower, ranging from 0.35 to 0.46.  This suggests that 
the impact of LRP on maize grain prices in Maputo is likely to have some, but limited effect on 
the maize meal that most consumers eat.  

34 
 

The last three columns of Table 2.7 contain estimates of LRP impacts on the coefficient 
of variation (CV) of prices over the sample period, which is a measure of price variability. The 
upper and lower bound estimates again show bounds for 90% confidence intervals for the CV. 
The results suggest that LRP has had no statistically significant effect on price variability in any 
regional market, except Nampula (Mozambique). We note that for Kisenyi (Uganda) and 
Awassa (Ethiopia), the two simulation approaches we employed to construct confidence 
bounds for the CV deliver contradictory findings regarding statistical significance of the 
estimated parameters. For these two markets, one approach suggests that LRP effects on price 
variability are statistically significant, but the other approach indicates that they are not. This 
finding could potentially be driven by the fact that the estimated LRP effects on price variability 
are quite small. 
Figures 2.3 through 2.5 graph actual and simulated (no LRP) prices, along with 
associated LRP levels, for different markets over the sample period. The LRP effect is from the 
VAR using the actual sample data. Graphs for all markets in any country are quite similar so we 
only present one market for each country.  A common pattern in each graph is that LRP shows 
little impact on markets for several months then the effects become increasingly apparent. 
As explained earlier, the no LRP prices are simulated by setting LRP to zero starting in 
the first month of the simulation period and keeping it at zero throughout the remainder of the 
simulation. Prior to the first month in the simulation period, however, LRP is assumed to have 
been at its historical level in the data. Therefore, the simulated effects of eliminating LRP start 
out small (historical and simulated prices remain relatively close) as markets adjust to the 
elimination of LRP. Then over a period of months as the markets adjust, and no additional LRP is 
forthcoming, the magnitude of price effects generally rises. We would expect that the 
magnitude of the price effects in any given month depends on the amount of recent LRP 
activity that took place, and results do reflect this general pattern. However, a one‐to‐one 
correspondence between higher LRP in any particular month and a larger price effect for that 
month should not necessarily be expected for two main reasons. First, the VAR simulation 
allows prices to adjust dynamically over time in response to both current and past changes in 
LRP. Second, the simulated no LRP prices reflect the effect of eliminating LRP assuming all other 
35 
 

factors influencing prices continue to play the same role as they did historically. So some of the 
price effects occur in months in which underlying market conditions are quite different than in 
others. 
Figure 2.3 Historical (with LRP) and simulated (without LRP) prices of maize in Kisenyi market, 

20

1.0

10

0.5

0

0.0

Price ('000 000 UGX/MT)

1.5

30

20
01

Ja
20 n
02
Ja
20 n
03
Ja
20 n
04
Ja
20 n
05
Ja
20 n
06
Ja
20 n
07
Ja
20 n
08
Ja
20 n
09
Ja
20 n
10
Ja
20 n
11
Ja
20 n
12
Ja
n

LRP purchase ('000 MT)

Uganda, 2001‐2011 

Year & Month
Historical prices

Simulated prices

LRP purchases
 

36 
 

Figure 2.4 Historical (with LRP) and simulated (without LRP) prices of maize in Chimoio market, 

15

15.0

10

10.0

5

5.0

0

0.0

Price ('000 MZN/MT)

LRP purchase ('000 MT)
20
01
Ja
20 n
02
Ja
20 n
03
Ja
20 n
04
Ja
20 n
05
Ja
20 n
06
Ja
20 n
07
Ja
20 n
08
Ja
20 n
09
Ja
20 n
10
Ja
20 n
11
Ja
20 n
12
Ja
n

Mozambique, 2001‐2011 

Year & Month
Historical prices

Simulated prices

LRP purchases
 

Figure 2.5 Historical (with LRP) and simulated (without LRP) prices of horse beans in Awasa 

10.0
5
5.0
0

0.0

Price ('000 ETB/MT)

15.0

10

20
01

Ja
20 n
02
Ja
20 n
03
Ja
20 n
04
Ja
20 n
05
Ja
20 n
06
Ja
20 n
07
Ja
20 n
08
Ja
20 n
09
Ja
20 n
10
Ja
20 n
11
Ja
20 n
12
Ja
n

LRP purchase ('000 MT)

market, Ethiopia, 2001‐2011 

Year & Month
Historical prices

Simulated prices

LRP purchases
 

 

37 
 

We also did sensitivity analysis to see if the simulated LRP effects were sensitive to the 
choice of lag length. Unfortunately, in all three country applications, simulation results were 
sensitive to lag length (small changes in lag length often led to major changes in simulated LRP 
effects). Therefore, while the results we report are our preferred estimates, we acknowledge 
that simulation results for LRP effects on local prices appear sensitive to the choice of lag 
length. 
Overall, the VAR analysis indicates LRP induced modest local price increases for maize in 
Mozambique and beans in Ethiopia, but more economically meaningful effects on maize prices 
in Uganda. In all cases, the 90% confidence intervals for the VAR average price effects show 
that the price effect is statistically significant. There is no statistically significant effect on price 
variability in any of the estimated VARs, except Nampula market (Mozambique). And even 
when there is some evidence of statistically significant effects on price variability, the 
magnitude of the estimated effect remains quite small. Monthly LRP price effects do vary 
considerably in all country applications; ranging from ‐13% to 58% in Uganda, from ‐15% to 13% 
in Mozambique, and from ‐17% to 27% in Ethiopia.14 
2.4 Computational Model (CM) 
The VAR approach discussed in the previous section is a data‐based method with no 
explicit assumptions about how underlying markets are structured and organized. As a check on 
the robustness of the VAR results, we also built a computational model (CM) to predict what 
economic theory has to say about the likely magnitude of LRP effects. The CM complements the 
VAR by providing insights about the demand and supply pathways through which LRP effects 
occur. Unlike the VAR model, the CM takes a comparative static approach by evaluating two 
static equilibria – one with and one without LRP – without accounting for any dynamic 
adjustment path between them. The estimated effects should therefore be viewed as long‐run 
outcomes after any dynamic adjustments between equilibria have occurred. 

                                                       
14

 Although we report the range of monthly LRP effects across markets within each country application, the 
variation in individual markets is substantial and follows patterns similar to that reported here for each country.   

38 
 

  The CM is a mathematical representation of supply, demand, and price determination 
in spatially connected markets based on parameters that use best available knowledge on the 
size and organization of relevant markets. Our CM assumes that all markets are competitive 
and well‐integrated, so estimated LRP effects transmit readily across regional markets.  The 
VAR model makes no such assumptions about market competitiveness and/or market 
integration. Once the CM has been specified, key parameters including supply and demand 
elasticities, shares of marketed surplus, and price ratios are quantified using existing 
econometric elasticity estimates and current knowledge of the size and workings of markets in 
each country studied. The final step is to use the model, along with relevant parameter 
estimates, to quantify the effect of LRP purchases on outcomes of interest in local markets, 
which may include price levels, the supply of marketed surplus, and the amount of marketed 
surplus being consumed by households. 
A simple graphical analysis of a country with two regions and no imports or exports 
provides intuition for the CM. In Figure 2.6 food staple supply and demand responses to price 
for the first region, assumed to be in surplus, are shown in the left panel while supply and 
demand for the second region, assumed to be in deficit, are shown in the right panel. The 
middle panel shows equilibrium occurs when excess supply in the surplus region equals excess 
demand in the deficit region. 
The equilibrium price in each region must differ by the cost of transferring the 
commodity from the surplus region to the deficit region (see the transfer cost differential in the 
middle panel of Figure 2.6). The solid lines in the figure show the initial equilibrium without LRP 
purchases. The dashed demand curve in the left panel shows that if LRP purchases take place in 
the surplus region they shift that demand curve to the right (i.e., LRP becomes an additional 
source of demand). This shift in demand then shifts the excess supply curve from the surplus 
region to the left (see the dashed line in the middle panel). The new equilibrium features higher 
prices in both regions, increased marketed supply in both regions, and decreased consumption 
out of the marketed surplus in both regions. The decrease in consumption out of the marketed 
surplus occurs because LRP withdraws a certain amount of the commodity from normal market 

39 
 

channels, putting upward pressure on prices and downward pressure on consumption from 
market purchases. 
Figure 2.6 Graph of effects of LRP on local markets 

 
 
Of course, the LRP purchases are then distributed either domestically or in other 
countries in the region as food aid. However, the food aid will, in principle, be provided to those 
in dire need who do not have effective demand at prevailing prices. Therefore these food aid 
distributions will have little, if any, effect on prices and quantities purchased through normal 
market channels.15  The magnitude of these various effects will depend on the price 
responsiveness of supply and demand in the two regions (i.e., elasticities of supply and 
demand), the size of transfer costs, and the magnitude of LRP purchases relative to the size of 
the market. Exports and imports of the commodity can also be incorporated, as shown in the 
mathematical derivation. 

                                                       
15

 We realize that food aid targeting in practice is frequently imperfect but abstract from that here because any 
effects on market prices from food aid crowding out effective demand are likely to be small. This view is consistent 
with findings from Jayne et al. (2001) indicating that the probability of receiving food aid in rural Ethiopia was 
greater for poorer households compared to wealthier households in spite of the empirical evidence of imperfect 
targeting. 

40 
 

2.4.1 Mathematical Derivation 
 

Suppose there are  n  regions in a country and supply and demand in each region are 

represented by: 
(2.4) 

Si  fi  Pi 

for i  1, 2,..., n

(Supply)   

(2.5) 

Di  gi  Pi 

for i  1, 2,..., n

(Demand)   

where  Si  is quantity of marketed supply in region  i ,  Di  is quantity of consumption purchases 
in region  i ,  Pi  is market price in region  i , and  f i  and  gi  are regional supply and demand 
functions. Supply and demand may depend on other factors besides own price, for example 
input prices and prices of other competing outputs on the supply side and income and the price 
of other consumption goods on the demand side. We do not show these other factors explicitly 
because we keep them constant in the analysis that follows. 
We define region 1 with price  P1  to be the reference market for the commodity. The 
reference market is usually the most important and liquid market in the country where the 
majority of the price discovery takes place. Then for all other regions connected to the 
reference market through trade, spatial market equilibrium requires: 

Pi  P1  Ci

(2.6) 

for i  2,3,..., n

(Spatial Price Relationship)   

where  Ci  is the cost of transferring the commodity from region  i  to the reference market (or, 
if negative, the cost of transferring the commodity from the reference market to market  i ). If 
there is imperfect price transmission between markets we could assume a relatively high 
transfer cost or, at the limit, no trade between regions. 
We also allow for exports to or imports from neighboring countries. Net export demand 
is specified as: 
(2.7) 

X  h  P1 

(Net Export Demand)   

where  X  is net exports from the country (imports if negative) and  h  is a net export demand 
function. As in the case of the domestic regional supply and demand functions, this net export 
41 
 

demand function may depend on other variables besides own price in the reference market 
(e.g., price in the neighboring country) but in the analysis that follows we keep these other 
variables constant and so do not include them explicitly in the equation.  
The model is closed with a market clearing condition that requires total consumption 
purchases in all regions of the country, plus net exports, plus LRP purchases, to equal total 
marketed surplus in all regions: 
(2.8) 

n

n

i 1

i 1

 Di  X  LRP   Si

(Market Clearing)   

If a region or set of regions is autarkic then its prices will be determined completely by 
the equilibration of supply and demand in that region or group of regions. In this case there will 
be separate equilibrium conditions of the form (2.8) for each autarkic region or group of 
regions, and LRP purchases must be allocated among the regions or groups (see the discussion 
of the Mozambique case below). 
To compute comparative static effects of a change in LRP on local market variables of 
interest we apply total differentiation to the model, holding transfer costs  Ci  and other supply 
and demand shift variables constant. Totally differentiating the supply and demand functions 
gives: 
(2.9) 

d ln Si   i d ln Pi

for i  1, 2,..., n   

(2.10) 

d ln Di  i d ln Pi

for i  1, 2,..., n   

where the  i  and  i  are regional supply and demand elasticities, respectively. Similarly, totally 
differentiating the spatial price relationships (2.6) we get: 
(2.11) 

d ln Pi  ri d ln P1

for i  2,3,..., n   

where  ri  is the ratio of price in the reference region (region one) to the price in region  i .  Total 
differentiation of the net export demand function (2.7) leads to: 
(2.12) 

d ln X   d ln P1   

42 
 

where    is the export demand elasticity with respect to the reference region price. Finally, 
totally differentiating the market clearing condition (2.8), holding transfer costs constant,16 
leads to: 
n

(2.13) 

s
i 1

d
i

n

d ln Di  s x d ln X  s LRP d ln LRP   sis d ln Si   
i 1

where  sid  is the share of each region’s consumption purchases as a proportion of total country‐
wide marketed surplus,  s x  is the share of exports (imports if negative) as a proportion of total 
country‐wide marketed surplus,  s LRP  is the share of LRP purchases as a proportion of total 
country‐wide marketed surplus, and  sis  is each regions share of marketed surplus as a 
proportion of total country‐wide marketed surplus. Adding up requires: 
n

n

i 1

i 1

 sid  s x  s LRP   sis  1   

(2.14) 

Equations (2.9) through (2.13) constitute a set of simultaneous equations that can be 
solved to derive the proportional effect of a change in LRP on prices, supply of marketed 
surplus, and consumption of marketed surplus, all by region. The results, which can be 
computed recursively, are: 
(2.15) 

d ln Pi

d ln LRP

ri s LRP
n

n

s  r s
i 1

s
i

i i

i 1

d
i

  

 i ri  s 

(2.16) 

d ln Si
d ln Pi
 i
  
d ln LRP
d ln LRP

(2.17) 

d ln Di
d ln Pi
 i
  
d ln LRP
d ln LRP

x

Given parameter values for supply and demand elasticities, shares of marketed surplus, 
and regional price ratios, equations (2.15) through (2.17) can be used to estimate the 
comparative static effects of a change in LRP on local markets. 
                                                       
16

  This assumes implicitly that changes in LRP have no effect on the cost of transferring the commodity between 
regions. If more LRP were to reduce (increase) transfer costs then LRP would have the additional effect of reducing 
(increasing) price differences between regions. 

43 
 

2.4.2 Computational Model Set‐Up, Data and Results 
There will always be some uncertainty about the magnitude of key parameters in the CM. 
Therefore, we first estimate a “base case” using best estimates of these parameters to generate 
preferred estimates of the impact of LRP.  We then use sensitivity analysis to vary these 
parameters within a range of reasonable values, thus establishing a reasonable range for the 
impacts of LRP under different market conditions.  All results are presented as the average 
percent decline in prices predicted from eliminating LRP, using a base level of LRP that is 
consistent with historical LRP purchases in each country. 
To implement the CM we break each of the three countries into regions based on their 
surplus or deficit situation and patterns of trade. In Uganda, available data did not allow a 
meaningful distinction between Western and Northern regions, so we group these two 
together, giving a total of three regions: deficit Central, surplus Eastern, and surplus Western 
plus Northern. Ugandan maize surplus flows primarily to Kampala, Kenya, South Sudan and, to 
lesser degree, DRC. Therefore, in addition to domestic maize consumption, we account for 
maize exports. 
We also separate Mozambique into three regions: surplus Northern, surplus Central, and 
deficit Southern. These three regions can be viewed as two market segments: a Northern 
segment, which lies entirely north of the Zambezi River, consists of the Northern region alone, 
and a Southern segment consisting of the Central and Southern regions, south of the Zambezi 
River. Prior to August 2009, there was no bridge over the Zambezi River in Eastern 
Mozambique, which isolated Northern maize markets from those in the Central and Southern 
parts of the country. So to investigate the historical effect of LRP we assume maize markets in 
the Northern region are segmented from markets in the Central and Southern regions. The 
Northern region is modeled as a separate market segment (but integrated with Southern 
Malawi via exports) while the Central and Southern regions form a separate Southern segment 
with integration between the two sub‐regions (but not with the Northern region). This 
characterization is based on market observations and market information system data showing 
regular flows of maize from the production zones in the Central region to markets in Southern 
Mozambique, particularly into Maputo. Note that Mozambique exports and imports maize 
44 
 

regularly.  Large volumes of maize are imported into Maputo by millers from South Africa at the 
same time that maize flows across the border to Southern Malawi from Northern Mozambique. 
Hence, we account for maize imports in the Southern region and maize exports in the Northern 
region. 
In the application to Ethiopia, Oromia and SNNP are similar enough from a bean 
production and marketing viewpoint to be grouped as one aggregate surplus region, which we 
call Oromia‐SNNP region. The other surplus region in our model is Amhara.  All remaining 
administrative regions are grouped as one aggregate deficit region. We account for bean 
exports because Ethiopian beans are exported primarily to Kenya, South Sudan and Djibouti. 
Our CM requires a set of values for key model parameters such as demand and supply 
elasticities, shares of marketed surplus, and price ratios. Table 2.8 presents the base case 
parameters used for each country, organized nationally and by region. In the application to 
Uganda, based on estimates from the literature (Chhibber, 1989; Karanja, Renkow and 
Crawford, 2003; Ulimwengu and Ramadan, 2009) complemented with prior knowledge of the 
country and its maize markets, base regional supply and demand elasticities for maize are set at 
0.7 and ‐0.8, respectively. The marketed surplus supply of maize in Uganda is expected to be 
more price responsive than in many African countries because of widespread mixed cropping 
which presents opportunities for switching to and from competing crops. A demand elasticity of 
‐0.8 might seem too elastic for a staple food like maize in an African country. However, 
Ugandans have a diversified diet and can switch to and from other staple foods such as 
matooke, cassava, sweet potato, beans, and rice in response to higher or lower maize prices. 
Because results may be sensitive to supply and demand elasticity assumptions, we also 
investigate the sensitivity of results to alternative elasticity assumptions over the range from 
0.5 to 0.9 on the supply side and ‐0.6 to ‐1.0 on the demand side. 
We could not find any existing empirical estimates of the maize export demand 
elasticity facing Uganda. However, since the main importing countries of Kenya and South 
Sudan have limited alternative sources of surplus maize to buy in the region, and domestic 
maize demand in these countries is likely to be more inelastic than domestic demand in 
Uganda, the export demand elasticity facing Uganda is likely to be more inelastic than domestic 
45 
 

demand. We therefore use a base export demand elasticity estimate of ‐0.24. Because the 
share of exports in total marketed surplus is relatively small, reasonable changes in the 
magnitude of the export demand elasticity have little impact on the estimated effects of LRP on 
local markets. Therefore we do not report any sensitivity results to changes in the export 
demand elasticity. 
Base estimates for the shares of marketed surplus for Uganda were estimated from 
household‐level data. We estimated maize consumption purchases (maize grain and maize 
meal equivalent) using data from the Uganda National Panel Survey (UNPS) 2009/10. The UNPS 
2009/10, conducted by the Uganda Bureau of Statistics (UBOS), is a nationally representative 
survey during which 3,123 households were interviewed. Maize sales, also obtained from the 
UNPS 2009/10, are used as our estimate of marketed supply. Marketed surplus and 
consumption data is disaggregated by region. An estimate of total Ugandan maize exports is 
obtained from various annual Statistical Abstracts published by UBOS and aggregate LRP 
purchases in Uganda were provided by WFP through WINGS. Maize export and WFP 
procurement data span the period 2001 through 2011. 

46 
 

Table 2.8 Base case parameters for the computational models: maize in Uganda and Mozambique, beans in Ethiopia 
Country/Region/Parameter value 
Mozambique 
Parameter 
National  
Share of LRP relative to total marketed surplus 
Share of net exports relative to total marketed surplus 
Price elasticity of net export demand 
 

  

Uganda 
  
0.14 

  

  
  

0.15 
‐0.24 
 
Uganda 

 

Northern  Central & Southern   
  
  
  
     
0.04 
0.11 
0.17 

‐0.79 

‐0.24 

0.00 
 
Mozambique 

Ethiopia 
  
  
0.03 
0.02 

 

‐0.24 
 
Ethiopia 

Oromia + 
All Other 
Amhara 
SNNP 
Regions 
(Surplus)
Regional  
(Deficit)
 
   (Surplus)
Price elasticity of supply 
0.7 
0.7 
0.7 
0.6 
0.6 
0.6 
0.6 
0.6 
0.6 
Price elasticity of demand 
‐0.8 
‐0.8 
‐0.8 
‐0.6 
‐0.6 
‐0.6 
‐0.6 
‐0.6 
‐0.6 
Ratio of reference region price to prices in other regions 1.00 
1.09 
1.02 
1.00 
1.42 
1.00 
1.13 
1.30 
1.00 
Regional purchases relative to total marketed surplus 
0.33 
0.27 
0.11 
0.79 
0.72 
0.96 
0.57 
0.36 
0.02 
0.36 
0.43 
0.21 
 
1.00 
0.94 
0.06 
0.57 
0.39 
0.04 
Regional sales relative to total  marketed surplus 
  
Note: Shares of LRP, net exports, and imports in total market supplies are based on historical annual average data from 2001 to 2011.  Shares of marketed 
surplus sold by region relative to total country‐wide marketed surplus sum to one. Shares of consumption by region relative to total market supplies, plus share 
of LRP relative to total market surplus, plus share of net maize exports relative to total market supplies sum to one (see the adding up constraints in Equation 
(2.14) in Section 2.4.1). 
Central  Northwest  Eastern 
(Deficit) (Surplus)  (Surplus)

 

47 
 

Northern  Central  Southern 
(Surplus) (Surplus) (Deficit) 

To compute regional shares of marketed surplus in Uganda we took the regional sales 
data and divided by the aggregate sales across the country. To compute the purchased 
consumption shares as a proportion of total marketed surplus we obtained a consistent 
estimate of total purchases by adding maize consumption purchases across regions, estimated 
from the household data, and then adding in exports and LRP.  Each component (regional 
purchases, exports, and LRP) was then expressed as a share of the total. This procedure 
ensured that the adding up restrictions in equation (2.14) in Section 2.4.1 hold for the 
estimated shares. The effects of LRP on local markets are likely to be most sensitive to the 
share of LRP in total marketed surplus. Therefore we conduct sensitivity analysis with respect to 
this parameter, over the range from 2% to 25%, which represents the range of annual maize 
LRP shares of marketed surplus observed in Uganda over the period 2001 to 2011.  The base 
estimate of 14% is the mean of the LRP share over this period. 
We compute estimates of price ratios using monthly maize prices obtained from 
Farmgain Africa. Covering the period January 2001 through December 2011, monthly maize 
prices are measured in UGX/MT. We use prices for Kisenyi market in Kampala (Central Region) 
as the reference price. We then computed the ratio of average prices in Kisenyi to average price 
in other regional markets (Masindi and Lira in the Northern plus Western Region, and Soroti in 
the Eastern Region) over the sample period and used the results as estimates of the base price 
ratios shown in Table 2.8. We did not conduct sensitivity analysis with respect to price ratios for 
two reasons: (1) price ratios are relatively stable, and (2) changing them will mainly influence 
LRP effects on regional price differences, not on the price level in the reference market. 
In the application to Mozambique, base regional supply and demand elasticities for 
maize are set at 0.6 and ‐0.6, respectively, based on previous studies (Chhibber, 1989; Karanja, 
Renkow and Crawford, 2003; Zant, 2012) along with prior knowledge of the country and its 
maize markets. Maize supply (demand) is expected to be less elastic in Mozambique than in 
Uganda due to wider crop (dietary) diversity in Uganda. We investigated sensitivity to a range 
of regional supply and demand elasticities ranging from 0.4 to 0.8 on the supply side and ‐0.4 to 
‐0.8 on the demand side. 

48 
 

We need two net export demand elasticities for Mozambique. First, there are maize 
exports from Northern Mozambique to Southern Malawi. We could not find econometric 
estimates of the Malawi demand elasticity for Northern Mozambique maize exports. However, 
based on similar arguments used when specifying the demand for maize exports from Uganda, 
we set a base value of ‐0.24 for this parameter. Results for LRP effects on local markets are not 
very sensitive to the value of this parameter because the share of maize exports in total 
marketed surplus from the Northern region is relatively small.  Second, there is the Southern 
Mozambique demand for South African maize imports. We set the price elasticity of Southern 
Mozambique demand for South African maize imports to zero. This is a reasonable assumption 
because: (1) the market for the refined South African maize meal is differentiated from meal 
from locally produced maize, and (2) the demand for the refined South African maize is very 
inflexible. 
Base estimates for the shares of marketed surplus parameters for Mozambique 
presented in Table 2.8 were computed from household‐level data. Regional sales of marketed 
surplus are computed from the National Agricultural Survey (TIA) 2008. The TIA 2008 is a 
nationally representative survey administrated by the Mozambique Ministry of Agriculture. A 
total of 5,975 households were interviewed during the TIA 2008. In the Northern market 
segment there is only one region so the share of marketed surplus produced by the region is by 
definition one. For the southern market segment the shares of the Central and Southern 
regions were calculated as the regional proportions of total sales of marketed surplus in both 
regions combined. 
We estimate maize consumption purchases (maize grain and maize meal equivalent) in 
Mozambique using data from the Household Budget Survey (IOF) 2008/09. With a sample of 
10,832 households, the IOF 2008/09 is a nationally representative survey conducted by the 
Mozambique National Institute of Statistics (INE). To compute the consumption shares we take 
our estimate of total household consumption purchases and add LRP purchases and exports 
(subtract imports). This provides an estimate of total consumption out of the marketed surplus. 
To ensure that the adding up restrictions hold, the base proportions for regional consumption 
purchases, LRP, and exports are then calculated as a proportion of the total. 
49 
 

Annual data on Mozambique’s maize (informal) exports, measured in MT, were 
gathered from the Famine Early Warming Systems (FEWSNET), while annual data on South 
African maize imports, measured in MT, to Mozambique were obtained from the South Africa 
Grain Information Service (SAGIS). FEWSNET maize export data cover the period 2005 to 2011 
and SAGIS maize import data span the period 2004 through 2011.17  LRP purchase data from 
January 2001 to December 2011 were provided by WINGS. As in the application to Uganda, we 
undertake sensitivity analysis on the LRP share of total marketed surplus. Maize LRP shares of 
marketed surplus in Mozambique over the period 2001 to 2011 ranged from 0.05 to 0.18 in the 
Southern region and 0.02 to 0.07 in the Northern region. We therefore use these historical LRP 
shares to evaluate how sensitive results are to the size of LRP relative to size of the market. The 
base estimates of 0.11 in the Southern Region and 0.04 in the Northern Region are the means 
of the LRP shares over this period. 
To compute price ratios for Mozambique we obtain retail maize prices spanning the 
period January 2001 through December 2011 from the Mozambique’s Ministry of Agriculture 
Marketing Information System (SIMA). Prices are measured in MZN/MT. We use average prices 
for Maputo and Chimoio in the southern market segment to compute price ratios using Maputo 
as the reference market. For the northern market segment, we use Nampula as the reference 
market. 
In the application to Ethiopia, we assume base regional supply elasticities of 0.6 and 
demand elasticities of ‐0.6. These elasticities are based on estimates from the literature (e.g. 
Chhibber, 1989; Tefera, Demeke and Rashid, 2012; Zant, 2012) as well as prior knowledge of 
the country and its markets.  Beans are not a major food staple in Ethiopia and only accounted 
for 6% of total cultivated area in the 2011/2012 agricultural season (CSA, 2012). It can be 
expected that marketed bean surplus in Ethiopia would be less responsive to price changes 
than marketed maize surplus in Uganda because many farmers in Uganda produce maize as a 
cash crop while beans are predominantly grown for self‐consumption in Ethiopia. Also, given 
                                                       
17

 See sagis.org.za and click on Historical Database for import data. FEWSNET export data come from the Southern 
African Informal Cross Border Food Trade Monitoring System, which are reported non‐systematically in various 
FEWSNET publications. See fewsnet.net/Pages/default.aspx. 

50 
 

that diets are considerably more diversified in Uganda than in Ethiopia, we would expect that 
demand for beans in Ethiopia will be more inelastic than demand for maize in Uganda. As in the 
other two country applications, we also investigated sensitivity of the results to a range of 
supply and demand elasticities ranging from 0.4 to 0.8 on the supply side and ‐0.4 to ‐0.8 on the 
demand side. 
We could not find any empirical estimates of the bean export demand elasticity facing 
Ethiopia. Similar to the case of maize in Uganda, however, we would argue that bean export 
demand from Ethiopia is more price inelastic than local demand, leading us to use a base export 
demand elasticity estimate of ‐0.24.  But because the share of bean exports in total marketed 
surplus across the country is relatively small, results are not very sensitive to alternative 
reasonable values for this parameter. 
Share parameters were estimated from a variety of sources.  Annual data on volumes of 
Ethiopian beans, measured in MT, exported to Kenya, South Sudan and Djibouti are obtained 
from the Ethiopia’s Central Statistical Agency (CSA).  Export data covers the period from 2004 to 
2009. Aggregate LRP purchases of beans in Ethiopia during the period 2001 to 2011 are 
gathered from WINGS. 
Regional supply and demand shares of total marketed surplus were estimated from 
household‐level data. Bean production is estimated from the Agricultural Sample Survey (ASS) 
2011/12 administered by CSA. The ASS 2011/12 covered a total of 45,575 households. Based on 
Ferris and Kaganzi (2008), we assume 30% of bean production is sold in the market. Production 
multiplied by marketed shares gives marketed surplus. Regional marketed surplus data are then 
divided by total marketed surplus to get the share of marketed surplus supply coming from 
each region. Regional bean consumption purchases, used as estimates of domestic purchases 
from marketed surplus, are estimated from Household Income, Consumption and Expenditure 
Survey (HICES) 2004/05 conducted by CSA. The HICES 2004/05 is a nationally representative 
survey during which 21,600 households were interviewed. To ensure that the adding up 
restrictions hold, we use the procedure outlined for maize in Uganda to compute shares of 
regional purchases, exports and LRP. We conduct sensitivity analysis with respect to the share 
of LRP in total marketed surplus, over the range from 1% to 8%, which represents the range of 
51 
 

annual bean LRP shares of marketed surplus observed in Ethiopia over the period 2001 to 2011.  
The base estimate of 3% is the mean of the LRP share over this period. 
We use monthly retail prices for horse beans, obtained from the CSA, to compute price 
ratios in Ethiopia. Monthly prices, measured in ETB/MT, cover the period September 2001 
through December 2011. Annual average prices for Dire Dawa (aggregate Deficit Region), Addis 
Ababa (Oromia‐SNNP Region) and Dessie (Amhara Region) are used to compute price ratios and 
Dire Dawa was chosen as the reference market. 
CM results on the percentage price reduction from eliminating LRP, assuming the base 
case parameter values in Table 2.8, are presented in the second column of Table 2.9.  The base 
case shares of LRP relative to total marketed surplus (14% for maize in Uganda, 7% for maize in 
Mozambique, and 3% for beans in Ethiopia) are the historical mean for these shares.18  The 
third and fourth columns of Table 2.9 show how sensitive the price effects are if we decrease 
the LRP shares to their historical lows over the data period (2%, 3%, and 1%, respectively), and 
increase them to their historical highs (25%, 13%, and 8%, respectively).  We find that, at 
historical mean LRP levels, price impacts were about 11 to 12% in Uganda, between about 4% 
and 8% in Mozambique, and around 3% in Ethiopia.  Impacts fall to about 1% in Uganda, 2 to 
3% in Mozambique, and below 1% in Ethiopia when LRP is at its historical low, and rise to about 
20% in Uganda, 6 to 13% in Mozambique, and 6 to 8% in Ethiopia with LRP at its historical high.  
As expected, we find little difference in effects across regions in each country. 
Table 2.9 Base case and sensitivity analysis for estimated effects of LRP on price levels for maize 
in Uganda and Mozambique, beans in Ethiopia 

Variable and Region 

Base Case 
Historical low 
Historical high 
2
(Historical mean LRP)1 
LRP  
LRP3 
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐  % impact  ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

                                                       
18

 Due to modeling requirements, the method for computing marketed surplus in this section differs from the 
approach we initially used in selecting study countries (described in Section 2.2).  These two approaches thus 
provide a robustness check for our estimates. In the case of maize in Uganda and Mozambique, the two 
approaches generated similar results for LRP’s share of the market: 14% versus 12.5% in Uganda, and 7% in 
Mozambique for each approach. For beans in Ethiopia, however, the two approaches generated very different 
results: 14% versus 3%.  Our interviews in Ethiopia strongly suggested that 14% was a significant over‐estimate of 
the LRP share.  VAR analysis (showing small price effects) suggested the same. We believe the 3% figure used in 
this section to be the best estimate of WFP’s share of Ethiopia’s bean market. 

52 
 

 
 
Uganda 
  
10.7% 
1.1% 
19.8% 
1 Central 
10.9% 
1.2% 
20.1% 
2 Eastern  
11.7% 
1.2% 
21.6% 
3 Northern + Western  
11.1% 
1.2% 
20.5% 
National Average 
Mozambique 
 
 
3.6% 
1.5% 
6.4% 
1 Northern 
7.5% 
3.1% 
13.2% 
2 Central 
5.3% 
2.2% 
9.3% 
3 Southern 
5.5% 
2.2% 
9.7% 
National Average 
Ethiopia 
 
 
2.8% 
0.5% 
6.6% 
1 Oromia + SNNP  
3.2% 
0.5% 
7.6% 
2 Amhara  
2.4% 
0.4% 
5.9% 
3 Deficit regions  
2.8% 
0.5% 
6.7% 
National Average 
1
2
3
 14% Uganda, 7% Mozambique, 3% Ethiopia;   2% Uganda, 3% Mozambique, 1% Ethiopia;   25% Uganda, 13% 
Mozambique, 8% Ethiopia 

 
Table 2.9 suggests that LRP price effects and LRP share of marketed surplus are 
positively associated. To gain additional insights on the relationship between LRP effects and 
LRP share of marketed surplus, we use the CM to simulate what level of LRP purchases relative 
to marketed surplus would have led to a given LRP price effect. This exercise helps us identify 
thresholds of LRP purchases as a proportion of marketed surplus beyond which the 
corresponding LRP price effects become significant in each country application, especially in 
Mozambique and Ethiopia. Findings are plotted in Figure 2.7. This figure reinforces that LRP as a 
share of marketed surplus and LRP price effects are positively related in all country applications. 
Although LRP price effects are estimated to be modest when LRP is at its historical mean in 
Mozambique and Ethiopia (see Table 2.9), Figure 2.7 illustrates that significant LRP purchases 
relative to marketed surplus (above 15% in Mozambique and above 12% in Ethiopia) are 
associated with meaningful LRP price effects (greater than 10%). 

53 
 

0.0

38.2
30.9

18.6

22.9

12.4

6.2

7.6

10.0

13.1

20.0

15.3

19.6

30.0

24.8

26.1

30.5

32.7

40.0

6.5

LRP share of marketed surplus (%)

Figure 2.7 Relationship between LRP price effect and LRP share of marketed surplus 

5

10

15
LRP price effect (%)

Uganda

Mozambique

20

25
Ethiopia

 
We also conducted sensitivity analysis on how changing assumptions about supply and 
demand elasticities influence the estimated LRP price effects (Table 2.10).  For these estimates 
we assume the share of LRP relative to total marketed surplus remains at its base level 
(historical average). As expected, the inelastic supply and demand scenario gives the largest 
impact: about 15 to 16% in Uganda compared to 11 to 12% in the base case, about 5 to 11% in 
Mozambique compared to 4 to 8% in the base case, and 4 to 5% in Ethiopia compared to about 
3% in the base case.  The elastic supply and demand scenario gives the lowest estimated 
impact, consistently 20 to 25% below the base case scenario. The intermediate cases of 
inelastic (elastic) demand and elastic (inelastic) supply deliver results that are not meaningfully 
different from the base elasticities. 
 
Table 2.10 Sensitivty of LRP effects to changes in supply and demand elasticities 
Variable 

Scenario 

54 
 

 
 Uganda 
Central Region 
Eastern Region 
Northwestern Region 
National Average 
Mozambique 
Northern Region 
Central Region 
Southern Region 
National Average 
Ethiopia 
Oromia + SNNP  
Amhara  
Deficit regions  
National Average 

Inelastic 
Elastic 
Inelastic 
Supply, 
Supply, 
Elastic 
Supply and 
Elastic 
Base 
Inelastic 
Supply and 
Demand1 
Demand  Elasticities3 
Demand 
Demand2 
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐  % effect  ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 
  
  
  
  
  
14.5% 
11.2% 
10.7% 
10.2% 
8.5% 
14.8% 
11.4% 
10.9% 
10.4% 
8.6% 
15.8% 
12.2% 
11.7% 
11.2% 
9.3% 
15.0% 
11.6% 
11.1% 
10.6% 
8.8% 
5.3% 
11.3% 
7.9% 
8.2% 

3.7% 
7.1% 
5.0% 
5.3% 

3.6% 
7.5% 
5.3% 
5.5% 

3.5% 
8.0% 
5.6% 
5.7% 

2.7% 
5.6% 
4.0% 
4.1% 

4.1% 
4.7% 
3.7% 
4.2% 

2.8% 
3.2% 
2.5% 
2.8% 

2.8% 
3.2% 
2.4% 
2.8% 

3.3% 
3.8% 
2.9% 
3.3% 

2.1% 
2.4% 
1.8% 
2.1% 

Notes: 1 Inelastic supply and demand: 0.5 and ‐0.6 in Uganda; 0.4 and ‐0.4 in Mozambique and Ethiopia;2 Elastic 
supply & demand: 0.9 and ‐1.0 in Uganda; 0.8 and ‐0.8 in Mozambique and Ethiopia; 3 Base elasticities: 0.7 and ‐0.8 
in Uganda; 0.6 and ‐0.6 in Mozambique and Ethiopia. 

Overall, the CM analysis indicates that, under preferred market parameter estimates 
and average historical LRP levels, price effects on maize in Mozambique and beans in Ethiopia 
are modest. Under the most extreme cases – inelastic supply and demand and historically high 
LRP, which are not shown in the tables, effects average about 14% in Mozambique and 10% in 
Ethiopia.  While these are meaningful figures, they are likely to occur only if supply and demand 
are much more inelastic than we believe, and only then in the few periods when the LRP share 
of total marketed surplus is at historically high levels.  In Uganda, on the other hand, even the 
base case scenario delivers economically meaningful estimated price changes of 11 to 12%, 
rising to 20% under the highest observed LRP, and beyond that if we assume that supply and 
demand are more inelastic than the base case. 
In all three country applications, the results from the CM are quite consistent with mean 
average price effects obtained from the VAR. For instance, in the application to Uganda, the 
average price effects obtained from the VAR – ranging from 13% in Kisenyi to 16% in Lira – 
55 
 

compare to the base case range of 11 to 12% from the CM and are consistent with our inelastic 
supply and demand scenario under historical average LRP from the CM (see Tables 2.7, 2.9 and 
2.10 ). Furthermore, in all three study countries, CM results under preferred elasticity estimates 
and historical average LRP share of marketed surplus (i.e., the base case in Table 2.9) lie within 
the 90% confidence interval from the average VAR results (i.e. second and fourth columns in 
Table 2.7). These results show that major conclusions regarding the extent to which WFP LRP 
has raised local market prices are robust to our two alternative modeling approaches.    
2.5 Conclusions 
LRP is playing an increasingly important role in food aid. Yet, relatively little is known about 
the effects of LRP on local market prices, especially in countries where LRP represents a 
meaningful share of the marketed surplus. This paper adds to knowledge by broadening our 
understanding of the LRP effects on local markets and prices in countries where LRP is 
important relative to marketed surplus. The paper also makes two methodological 
contributions.  First, unlike previous studies that use structural VARs to evaluate the effects of 
food policies, we develop a bootstrapping procedure to construct confidence intervals around 
estimated LRP effects on local market prices to account for sampling error. Second, although 
VAR models and a CM approach have been used separately to investigate the effects of food 
and other policies, to our knowledge this is the first attempt to use these two complementary 
methodologies together as a consistency/robustness check. 
Using data from January 2001 through December 2011 in Uganda and Mozambique and 
from September 2001 through December 2011 in Ethiopia, this paper provides empirical 
evidence on how LRP activities are affecting local maize prices in Uganda and Mozambique and 
local beans prices in Ethiopia. Results from the VAR reveal that, with the exception of Uganda, 
the average LRP effects on local prices are statistically significant but modest in size. LRP 
purchases are estimated to have increased average local market prices by 13 to 16% in Uganda, 
compared to 2 to 7% in Mozambique and 4 to 5% in Ethiopia. In all three countries, LRP 
interventions had no meaningful effect on price variability. Because we chose countries with 
the highest LRP as a share of marketed surplus for this study, it is likely that LRP price effects in 
56 
 

other African countries will be lower. Overall, the results from the CM are consistent with those 
from the VAR as price effects estimated from the CM at the historical mean LRP levels (base 
case) lie within the 90% confidence bounds obtained from the VAR. Results from the CM 
suggest that LRP price impacts are most sensitive to LRP as a share of marketed surplus, as 
expected. Our findings also indicate that supply and demand elasticities can have an important 
impact on the magnitude of the LRP effects on local market prices. 
Even though WFP LRP effects on local market maize prices in Mozambique and bean prices 
in Ethiopia were estimated to be modest on average, effects were substantial in particular years 
when the recent history of LRP purchases were especially high. Furthermore, even average 
effects for maize prices in Uganda are estimated to be quite substantial. This suggests that WFP 
does need to pay attention to possible local market price increases when their LRP purchases 
become significant relative to the size of the marketed surplus (greater than 13%, 15%, and 
12% in Uganda, Mozambique, and Ethiopia, respectively). In situations where these price 
increases are significant, this could have important implications for both the prices WFP is 
paying for their LRP, and for the welfare of food aid recipients and non‐recipients alike. Detailed 
calculations of the effects of these price increases on household welfare are left until essay two 
of the dissertation. However, we expect that net sellers will benefit from price increases 
brought about by LRP purchases and net buyers will be hurt.   
In situations where price effects are modest the overall effect of LRP will depend on the 
systemic effects that WFP is able to induce in the supply chain as it goes about its procurement. 
WFP LRP activities can potentially contribute to improved quality practices, investments aimed 
at improving quality, gains in operational efficiencies resulting from large‐scale LRP transactions 
at known prices traders can bid, and consequently increased local traders’ ability to enter 
quality‐stringent export markets. These effects could potentially lead to transformational 
changes in food systems, contributing to overall development of countries where WFP procures 
food commodities and are the subject of essay three of the dissertation. 
 

57 
 

 
 
 
 
 
 
 
 
 
REFERENCES 
 
 

 

58 

REFERENCES 
 
Benkwitz, A.; H. Lutekpohl and M. H. Neumann. 2000. Problems Related to Confidence Intervals 
for Impulse Responses of Autoregressive Processes. Econometric Reviews 19(1): 69‐103. 
Berkowitz, J. and L. Kilian. 2000. Recent Developments in Bootstrapping Time Series. 
Econometric Reviews 19(1): 1‐48. 
Blough, S. R. 1992. The Relationship Between Power and Level for Generic Unit Root Tests in 
Finite Samples. Journal of Applied Econometrics 7(3): 295‐308. 
Chhibber, A. 1989. The Aggregate Supply Response: A Survey, in Commander, S. (Ed.) Structural 
Adjustment and Agriculture: Theory and Practice in Africa and Latin America: Volume. London: 
Overseas Development Institute. 
Clay, E.; B. Riley and I. Urey. 2005. The Development Effectiveness of Food Aid: Does Tying 
Matter? Paris, France: Organization for Economic Cooperation and Development (OECD). 
Coulter, J. 2007. Local and Regional Procurement of Food Aid in Africa: Impact and Policy Issues. 
Journal of Humanitarian Assistance October 2007. 
CSA. 2012. Agricultural Sample Survey 2011/2012: Area and Production of Major Crops. Volume 
1. Addis Ababa, Ethiopia: Ethiopia Central Statistical Agency (CSA). 
DiCiccio, T. J. and B. Efron. 1996. Bootstrap Confidence Intervals. Statistical Science 11(3): 189‐
212. 
Efron, B. 1979. Bootstrap Methods: Another Look at the Jackknife. The Annals of Statistics 7(1): 
1‐26. 
Ferris, S. and E. Kaganzi. 2008. Evaluating Marketing Opportunities for Haricot Beans in 
Ethiopia. IPMS (Improving Productivity and Market Success) of Ethiopian Farmers Project 
Working Paper 7. Nairobi, Kenya: International Livestock Research Institute (ILRI). 
GAO. 2009. Local and Regional Procurement Can Enhance the Efficiency of U.S. Food Aid, but 
Challenges May Constraint its Implementation. Report to the Chairman, Subcommittee on 
Africa and Global and Global Health, Committee on Foreign Affairs, House of Representatives 
GAO‐09‐570. Washington, DC: United States Government Accountability Office (GAO). 

59 

Garg, T.; C. B. Barrett; M. I. Gomez; E. C. Lentz and W. J. Violette. 2013. Market Prices and Food 
Aid Local and Regional Procurement and Distribution: A Multi‐Country Analysis. World 
Development 49: 19‐29. 
Hamilton, J. D. 1994. Time Series Analysis. Princeton, New Jersey: Princeton University Press. 
Harou, A. P.; J. B. Upton; E. C. Lentz; C. B. Barrett and M. I. Gómez. 2013. Tradeoffs or 
Synergies? Assessing Local and Regional Food Aid Procurement through Case Studies in Burkina 
Faso and Guatemala. World Development 49: 44‐57. 
Jayne, T. S.; R. J. Myers and J. Nyoro. 2008. The Effects of NCPB Marketing Policies on Maize 
Market Prices in Kenya. Agricultural Economics 38(3): 313‐25. 
Jayne, T. S.; J. Strauss; T. Yamano and D. Molla. 2001. Giving to the Poor? Targeting of Food Aid 
in Rural Ethiopia. World Development 29(5): 887‐910. 
Karanja, D. D.; M. Renkow and E. W. Crawford. 2003. Welfare Effects of Maize Technologies in 
Marginal and High Potential Regions of Kenya. Agricultural Economics 29(3): 331‐41. 
Lentz, E. C.; S. Passarelli and C. B. Barrett. 2013. The Timeliness and Cost‐Effectiveness of the 
Local and Regional Procurement of Food Aid. World Development 49: 9‐18. 
Mason, N. M. and R. J. Myers. 2013. The Effects of the Food Reserve Agency on Maize Market 
Prices in Zambia. Agricultural Economics 44(2): 203‐16. 
Myers, R. J. 2013. Evaluating the Effectiveness of Inter‐Regional Trade and Storage in Malawi’s 
Private Sector Maize Markets. Food Policy 41: 75‐84. 
Myers, R. J.; R. R. Piggott and W. G. Tomek. 1990. Estimating Sources of Fluctuations in the 
Australian Wool Market: An Application of VAR Methods. Australian Journal of Agricultural 
Economics 34(3): 242‐62. 
Runkle, D. E. 1987. Vector Autoregressions and Reality. Journal of Business & Economic 
Statistics 5(4): 437‐42. 
Sims, C. A. 1980. Macroeconomics and Reality. Econometrica 48(1): 1‐48. 
Sims, C. A.; J. H. Stock and M. W. Watson. 1990. Inference in Linear Time Series Models with 
some Unit Roots. Econometrica 58(1): 113‐44. 

60 

Stock, J. H. and M. W. Watson. 2001. Vector Autoregressions. Journal of Economic perspectives 
15(4): 101‐15. 
Tefera, N.; M. Demeke and S. Rashid. 2012. Welfare Impacts of Rising Food Prices in Rural 
Ethiopia: a Quadratic Almost Ideal Demand System Approach.  Presented at The International 
Association of Agricultural Economists (IAAE) Triennial Conference. Foz do Iguacu, Brazil, August 
18‐24, 2012. 
Tschirley, D. L. and A. M. del Castillo. 2007. Local and Regional Food Aid Procurement: An 
Assessment of Experience in Africa and Elements of Good Donor Practice. MSU International 
Development Working Paper 91. East Lansing, Michigan: Michigan State University. 
Ulimwengu, J. M. and R. Ramadan. 2009. How Does Food Price Increase Affect Ugandan 
Households? An Augmented Multimarket Approach. IFPRI Discussion Paper 00884. Washington 
DC: International Food Policy Research Institute (IFPRI). 
Upton, J. B. and E. C. Lentz. 2012. Expanding the Food Assistance Toolbox, in Barrett, C. B., A. 
Binder and J. Steets (Eds.). Uniting on Food Assistance: The Case for Transatlantic Cooperation: 
Volume. New York: Routledge. 
Violette, W. J.; A. P. Harou; J. B. Upton; S. D. Bell; C. B. Barrett; M. I. Gómez and E. C. Lentz. 
2013. Recipients’ Satisfaction with Locally Procured Food Aid Rations: Comparative Evidence 
from a Three Country Matched Survey. World Development 49: 30‐43. 
Walker, D. J. and T. Wandschneider. 2005. Local Food Aid Procurement in Ethiopia: A Case 
Study Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Wandschneider, T. and R. Hodges. 2005. Local Food Aid Procurement in Uganda: A Case Study 
Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Zant, W. 2012. The Economics of Food Aid under Subsistence Farming with an Application to 
Malawi. Food Policy 37(1): 124‐41. Equation Chapter 3 Section 1 
 
 

61 

CHAPTER 3 
HOUSEHOLD WELFARE EFFECTS OF LOCAL PRICE INCREASES INDUCED BY WORLD FOOD 
PROGRAM LOCAL AND REGIONAL PROCUREMENT IN AFRICA 
3.1 Introduction 
Prior to 1995, local and regional procurement (LRP) – the purchase of food commodities in 
the country or region where food aid is being distributed to targeted groups of households – 
accounted for less than 5% of total global food aid deliveries. But from 2001 to 2011, LRP 
experienced a sharp upward trend, reaching its historical high of about 30% in 2011. Despite 
this increasingly important role played by LRP as an instrument for sourcing food aid, relatively 
little is known about the LRP impacts on local market prices and resulting welfare effects on 
households participating in those markets.19 
A study by Garg et al. (2013) evaluated the impacts of the United States Department of 
Agriculture (USDA) LRP pilot programs on local market prices in seven countries and found that 
USDA LRP did not have statistically significant effects on price levels or variability. This finding is 
not surprising because the USDA LRP pilot programs, accounting for less than 1% of the size of 
the market, were very small in all seven study countries, as recognized by the authors.20 Essay 
one of this dissertation reports on a comprehensive investigation into the United Nations World 
Food Program (WFP) LRP effects on local market prices in three countries where WFP LRP 
purchases were much larger relative to the size of the marketed surplus. Results suggest that 
WFP LRP in these countries had statistically significant effects on price levels in all three 
countries, and that average price increases were in the order of 3% to 16%. On the other hand, 
the impacts of WFP LRP on price variability were not statistically significant, except in Nampula 
(Mozambique) where they were statistically significant but still quite small. 
When LRP purchases increase local market prices of LRP commodities there will be a 
corresponding effect on the welfare of households that buy and/or sell those commodities.  
The purpose of this paper is to take the LRP‐induced local price changes estimated in the 
                                                       
19

 Figures reported here are computed from data from the International Food Aid Information System developed 
by the United Nations World Food Program. 
20
 Garg et al. (2013) define the size of the market as difference between production and net exports. 

62 

previous chapter and convert them into estimates of resulting changes in household welfare. 
Starting with the pioneering work of Deaton (1989), the literature on welfare effects of 
commodity price changes is extensive and growing, especially after the spike in global food 
prices in 2008 (Friedman and Levinsohn, 2002; Mghenyi, Myers and Jayne, 2011; Vu and 
Glewwe, 2011; Azzam and Rettab, 2012; Ferreira et al., 2013). Yet we are not aware of any 
empirical study that assesses how price changes brought about by LRP affect household 
welfare. 
This paper addresses this issue by focusing on LRP welfare effects for one commodity and 
two countries where LRP has been a meaningful share of marketed surplus: maize in Uganda 
and Mozambique.21 Maize income and expenditure shares are among the key determinants of 
the welfare effects of price increases. Uganda and Mozambique, therefore, make an interesting 
contrast because the importance of maize in food consumption and total household income are 
quite different in each country. Maize is the dominant staple food in Mozambique where the 
share of total household income accounted for by maize expenditures averages 12%. By 
contract, maize is only one of the many staple foods in Uganda where the grain represents on 
average 6% of total household income and households have more diversified diets. The average 
share of total household income that comes from maize is 12% in Mozambique, compared to 
5% in Uganda. Possibilities for switching to and from crops competing with maize are also 
greater in Uganda than in Mozambique. 
A study by Levinsohn and McMillan (2007) uses an approach similar to ours to investigate 
the welfare effects of wheat food aid deliveries in Ethiopia. However, our approach differs from 
Levinsohn and McMillan in at least two ways. First, in contrast to Levinsohn and McMillan who 
investigated the welfare effect induced by a supply shifter (food aid deliveries), we assess the 
welfare effects induced by a demand shifter (LRP). Second, unlike the measure used by 
Levinsohn and McMillan, our welfare measure takes into account second‐order effects where 
households may respond to price increases by adjusting their production and consumption 
                                                       
21

 Essay one also estimated LRP impacts on local bean prices in Ethiopia. However, lack of suitable nationally 
representative household survey data prevented us from assessing the household welfare impacts stemming from 
bean price increases induced by LRP purchases in Ethiopia. 

63 

decisions. Accounting for these adjustments should result in better estimates especially if 
supply and demand are highly responsive to price changes, as argued by Mghenyi, Myers and 
Jayne (2011) and Vu and Glewwe (2011). A limitation of our study is that we only examine the 
welfare effects of the LRP price effect, excluding the welfare effect of the food aid deliveries 
themselves. 
LRP maize purchases put upward pressure on local demand for maize, reducing the amount 
of marketed maize surplus available through normal market channels for household 
consumption in the surplus region of the country where LRP takes place. Consequently, local 
market maize prices rise in both surplus and deficit regions of the country.22 Different types of 
households may experience the welfare effects of increased maize prices very differently 
because households are heterogeneous. Household maize market position – whether a 
household is autarkic, a net seller or net buyer – is a key factor determining whether a 
household is better off or worse off with the LRP‐induced maize price increase. Net sellers are 
expected to gain while net buyers lose. This paper therefore uses household‐level data to 
provide insights on how household welfare effects stemming from LRP‐induced maize price 
increases differ across region, across household market position, and across households with 
different income levels. Results provide information on how the welfare effects are distributed 
throughout the population of households in each country application. This makes our results of 
interest to food aid agencies in particular and policy makers in general because it is important 
to determine who would benefit and be hurt from the induced maize price increase. 
The remainder of the paper is structured as follows. Our conceptual framework is 
described in Section two. Section three outlines the welfare measure used, while Section four 
discusses the model setup and describes the data used to operationalize the welfare measure. 
Summary statistics for key factors used in the calculation of our welfare measure and the 
corresponding results are presented in Section five. A nonparametric regression approach used 
                                                       

22

 LRP maize purchases are distributed as food aid to targeted households. We recognize that food aid distribution 
is usually characterized by imperfect targeting, but we abstract from this issue here because any effects on market 
prices from food aid crowding out effective demand are likely to be small. This view is consistent with findings by 
Jayne et al. (2001) indicating that the probability of receiving food aid in rural Ethiopia was greater for poorer 
households compared to wealthier households in spite of the empirical evidence of imperfect targeting. 

64 

to investigate the relationship between welfare effects and household income, and the 
corresponding results, is also discussed in Section five. Section six closes with concluding 
remarks. 
3.2 Conceptual framework 
Our conceptual framework is based on the agricultural household model outlined by 
Singh, Squire and Strauss (1986), and Taylor and Adelman (2003); among others. Let  U i ( Si )  
denote a twice continuously differentiable and strictly quasi‐concave utility function for 
household  i  where  S i  represents consumption of a food commodity. The utility function may 
also depend on consumption of several other commodities consumed by households. However, 
we do not show these other commodities explicitly because they are held constant in the 
analysis that follows. We assume that household  i  is both consumer and producer of the food 
commodity. The household solves the following utility maximization problem: 
(3.1) 

max U i  Si 
Si

subject to pi Si  yi   i  pi 

  

where  pi  represents price of the food commodity;  yi  is other income (excluding income from 
production of the food commodity);   i ( pi )  pi Fi [ K i ( pi )]  ri K i ( pi )  denotes profits from 
production of the food commodity;  Fi ()  represents production function for the food 
commodity;  Ki ()  denotes profit‐maximizing choices of productive assets (e.g. land) employed 
in the production of the food commodity; and  ri  represents prices of productive assets.23 We 
note that total household income,  yi   i ( pi ) , is endogenous in the agricultural household 
model because it depends on household profit‐maximizing production decisions resulting from 
changes in prices of the food commodity. Solving the utility maximization problem yields 
household demand for the food commodity: 
(3.2) 

Si  Si  pi ; yi   i  pi     

                                                       
23

 In addition to price of the food commodity, the profit function and demand functions for productive asset also 
depend on the prices of productive assets. However, we do not explicitly show the prices of the productive assets 
in these functions because they are kept constant in the analysis that follows. 

65 

Differentiating equation (3.2) with respect to price of the food commodity yields 
dSi Si Si d  i
  


dpi pi  i dpi

(3.3) 

From this last expression, two channels through which changes in the price of the food 
commodity affect demand for the commodity can be identified. First, households adjust their 
consumption – the first right‐hand term in equation (3.3) – in response to changes in the food 
commodity price (consumption effect). Second, consumption is further changed – the second 
right‐hand term in equation (3.3) – because commodity price changes also affect household 
profits from the commodity (profit effect). Suppose that WFP LRP purchases increase price of 
the food commodity. Consumer demand theory predicts that consumption of the commodity 
whose price increased should decline, assuming that the commodity in question is a normal 
good. This indicates that the first term on the right hand side of (3.3) is negative. On the other 
hand, production theory predicts that household should increase supply (production) of the 
food commodity whose price increased, leading to higher household profits and consequently 
higher household total income. This in turn leads to increase in the consumption of the food 
commodity, suggesting that the second term is positive. Hence, the aggregate effect of the 
price increase on the demand for the commodity depends on whether or not the consumption 
effect outweighs the profit effect. 
Substituting the demand function for the food commodity into the utility function gives 
the following indirect utility function 
(3.4) 

U i  Si  pi ; yi   i ( pi )    Vi [ pi ; yi   i ( pi )]   

We use the indirect utility function to derive our household welfare measure stemming 
from an increase in the price of the food commodity. The household welfare measure we 
estimate is the household’s willingness to accept compensation for the price increase. More 
precisely, we estimate proportional compensating variation, which is the percentage reduction 
in a household’s income that would have to be made after the price increase to make them as 
well off as they were before the increase (see, for example,  Friedman and Levinsohn, 2002; 
Mghenyi, Myers and Jayne, 2011). If the compensating reduction in income is positive (income 
66 

has to be taken away to make the household as well off as before) then the price increase 
improved the household’s welfare. Similarly, if the compensating reduction in income is 
negative (income has to be provided to make the household as well off as before) then the 
price increase reduced the household’s welfare. Hence, positive values of our welfare measure 
indicate a household’s welfare was improved by the price increase and negative values indicate 
welfare was reduced. Proportional rather than actual compensating variation is used (i.e. the 
compensating payment is expressed as a proportion of base income) because this gives a more 
intuitive measure of relative welfare change that is not sensitive to the currency used to 
measure income and prices. 
3.3 Estimation of Household Welfare Effects 
Consider the indirect utility function for household  i ,  Vi [ pi ; yi   i ( pi )] , as an ordinal 
measure of household utility given commodity price  pi and assuming the household makes 
utility maximizing consumption choices and profit maximizing production choices. The 
household is implicitly assumed to sell all of its commodity production at price  pi and to buy 
back its consumption choice at that same price. Therefore,   i ()  represents the value of all 
production (whether own‐consumed or not). 
A proportional compensating variation measure of the welfare effect of a change in the 
household’s price from  p i0  to  p i1  is defined implicitly by an  m  that satisfies: 
(3.5) 





V  p 0 ; y    p 0    V p1 ; 1  m   y    p1     

where we have dropped the  i  subscript to simplify notation. By definition,  m  is the 
proportional reduction in income that would have to be made after the price change to make 
the household as well off as it was before the change. It has been shown (e.g., Deaton, 1989; 
Kim, 1997) that  m  is a theoretically consistent cardinal money metric measure of welfare 
change for binary comparisons (e.g., with and without the price change). 
Following Mghenyi, Myers and Jayne (2011), and others, we take a second‐order Taylor 
series approximation of the left‐hand side of (3.5) around  ( p 0 , m)  ( p1 ,0)  to get: 

67 

(3.6) 

V  p1   Vp  Vy p   p 0  p1  



2
1
V pp  2V py p  Vyy  p   Vy pp
2

  p  p    
0

1 2

where subscripts denote derivatives with respect to the subscripted variable evaluated at the 
post‐change price  p1 . Similarly, defining  y1  y   ( p1 )   and taking a second‐order Taylor 
approximation of the right‐hand side of (3.5) at  m  0  gives: 
(3.7) 

V  p1   Vy y1m  Vyy  y1  m 2   
2

The term in  m 2  is of higher order and can be ignored in the context of a second‐order 
approximation. After imposing this restriction, using Roy’s identity and Hotelling’s lemma, 
making some simplifying assumptions, and equating (3.6) and (3.7), it has been shown (see 
Newbery and Stiglitz, 1981; Myers, 2006; Mghenyi, Myers and Jayne, 2011) that solving for  m  
gives: 
(3.8) 





2
2
1
1
m   s s  s d     s s sp  s d  dp   2   R   dy   s d   2 s d s s    s s  R  2   


2
2

where  s s  is the share of maize production in total income;  s d  is the share of maize 
consumption expenditures;     p1  p 0  p1  is the change in price expressed as a proportion 
of the post‐change price;   sp  is the price elasticity of supply;   dp  is the price elasticity of 
demand;   dy  is the income elasticity of demand; and  R  is the coefficient of relative risk 
aversion. The first term in (3.8) is the standard first‐order welfare effect (no allowance for 
production or consumption responses), while remaining terms capture the second‐order 
welfare effects (additional welfare change due to supply and demand responses). 
We highlight a few key features of the approach.  First, to compute the welfare effects 
we assume that LRP increases local market prices for LRP commodities but has no effect on 
wage rates or the local market prices of other commodities. In this sense our approach is partial 
equilibrium. However, the additional general equilibrium effects (which would take possible 
changes in wage rates and other commodity prices into account) are likely to be small in our 
country applications because there is limited substitution between major food staples and 
other commodities, and because wage rates are determined by many other factors besides the 
68 

prices of a single staple food. So the partial equilibrium welfare measure used here should give 
a good approximation to the total welfare effect of the price increase. Findings from Ivanic and 
Martin (2008) support this assertion.24  
Second, our welfare measure allows for the fact that households consume own‐
produced food by including the value of own consumption and own production in the 
calculation of expenditure and income shares. It is important to account for consumption of 
own‐produced food because this is an important activity among many of the households in the 
study countries. Household‐level data we use in our applications show that consumption from 
own production constitutes, on average, about 15% and 40% of annual household maize 
consumption in Uganda and Mozambique, respectively. The data also show that about 25% and 
45% of households consume maize from own production in Uganda and Mozambique, 
respectively. 
Third, our measure focuses on the effects of a price increase and takes no account of 
the welfare effects of changes in price variability or risk. It has been shown that changes in price 
variability and risk can have significant welfare effects (e.g., Barrett and Dorosh, 1996; 
Bellemare, Barrett and Just, 2013). However, as indicated in the introduction, WFP LRP 
purchases had no statistically significant effect on maize price variability in our country 
applications, and therefore presumably no significant effect on price risk. Therefore, we can 
appropriately focus on price level effects and assume any additional welfare change due to a 
change in price variability or risk is negligible. 
Fourth, our welfare measure takes account of second‐order effects where households 
may change their production and consumption decisions in response to the LRP‐induced price 
change. Many existing studies of household welfare effects of price changes (e.g. Barrett and 
Dorosh, 1996; Levinsohn and McMillan, 2007; Valero‐Gil and Valero, 2008; Ivanic, Martin and 
Zaman, 2012; Fujii, 2013) assume no production or consumption response to the price change 
                                                       
24

 These authors estimated the impact of soaring global food prices on poverty in nine low‐income countries using 
household‐level data and found that a 10% increase in maize prices resulted, on average, in a 0.1 percentage 
points increase in poverty – in both rural and urban areas – with and without the induced wage impact on 
unskilled labor. In each of the nine low‐income countries, there is no change in the magnitude or the sign of the 
estimated effects of the higher maize price on poverty when the induced wage impacts are accounted for. 

69 

(i.e., they estimate first‐order effects only) but including second‐order effects should lead to 
better estimates, especially if production and consumption respond significantly to changes in 
price.  
3.4 Welfare Estimation Set‐Up and Data 
Given its relative importance in WFP LRP purchases, the focus of this paper is on maize 
in Africa. The two most important African countries in terms of the average share of LRP maize 
purchases in total marketed surplus over the period 2001 to 2011 are Uganda at 14% and 
Mozambique at 7%.25 Given this relative importance, we focus on maize in Uganda and 
Mozambique. 
The most critical determinants of the welfare effects of a maize price increase are the 
size of the maize price increase, the share of total household income that comes from maize, 
and the share of total expenditures devoted to maize. The size of the maize price increases 
were estimated in the previous chapter of this dissertation. For the income and expenditure 
calculations for Uganda we use data from the Uganda National Panel Survey (UNPS) 2009/2010 
conducted by the Uganda Bureau of Statistics (UBOS) to compute household‐level estimates of 
these shares. The UNPS 2009/2010 is a nationally representative survey during which 3,123 
households were interviewed, of which 73% reside in rural areas. Our measure of total 
household income consists of crop income (total value of crop production), livestock income 
(gross value of sales of livestock and livestock products), income from formal and informal labor 
employment of household members, revenues from medium‐to‐small enterprises operated by 
household members, and remittances and pensions received by household members. We use 
median district‐level maize prices, estimated from the household data, to value maize 
production and consumption. We estimate expenditure on maize by adding expenditures on 
purchases from the market and implicit expenditures on consumption from own production. To 
compute the maize income and expenditure shares, we took income from maize production 
and total expenditure on maize and divided by total household income. 
                                                       
25

 Details on how the share of LRP purchases in total marketed surplus is estimated are presented in essay one of 
this dissertation that deals with the LRP effects on local market prices. 

70 

For Mozambique, our estimates of the share of household expenditures on maize and 
the share of total income from maize production are drawn from household‐level data from the 
Household Budget Survey (IOF) 2008/09. The IOF 2008/09 is a nationally representative survey 
administrated by the Mozambique National Institute of Statistics (INE). A total of 10,832 
households were interviewed during the IOF 2008/09. The share of the sample accounted for 
by rural households was 53%. Given that IOF 2008/09 is an expenditure survey that does not 
collect household income, we use total household expenditure as our estimate of total 
household income. Total household expenditure is comprised of four components: 
consumption of food, non‐food, durable goods and housing. As in the case of Uganda, we 
compute maize expenditures by multiplying the quantity of maize consumed by each household 
by the median district‐level maize price. Maize expenditure consists of expenditures on maize 
consumed by the household whether purchased or from own production. Median district‐level 
maize prices are computed from the household‐level data. We estimate income from maize 
production by multiplying maize production by median district‐level maize price. Maize income 
and expenditure shares are calculated as the ratio of income from maize production and 
expenditure on maize to total household expenditure, respectively. 
Essay one of this dissertation estimates the WFP LRP effects on local prices using two 
complementary methodologies: vector autoregression (VAR) and a computational model (CM). 
The essay develops a CM to stimulate the long‐run effects of WFP LRP purchases on prices over 
the period 2001 to 2011. The CM is a structural simulation model that takes a comparative 
static approach to compare two equilibria – one with and one without LRP. The CM price 
effects are simulated under three hypothetical scenarios: (1) base case corresponding to 
historical mean LRP share of marketed surplus (14% in Uganda and 7% in Mozambique); (2) 
historical high LRP corresponding to the highest LRP share (25% in Uganda and 13% in 
Mozambique); and (3) historical low LRP corresponding to the lowest LRP share (2% in Uganda 
and 3% in Mozambique).  Here we take the estimated CM price effects obtained from the base 
case and convert them into resulting effects on household welfare. Given that findings from 
essay one show that the magnitude of price effects are sensitive to the size of LRP relative to 

71 

marketed surplus, we also undertake sensitivity analysis using the estimated CM price effects 
from the historical high and low LRP scenarios. 
To account for dynamic adjustment between the equilibria, essay one complements the 
CM with VAR models as a consistency check. For the VAR estimates we use a bootstrapping 
procedure to construct confidence intervals around estimated mean price effects to account for 
sampling error. Unlike the CM, VAR is a “reduced‐form” approach that makes no assumptions 
about the underlying market structure. Therefore, we could have alternatively taken the VAR 
mean estimates of price effects to undertake our welfare analysis and used the 90% confidence 
intervals for the mean VAR estimates for sensitivity analysis. However, the mean estimated 
price effects from the VAR are similar to the CM base results so base welfare change estimates 
would be little different under the two methods for estimating the price change. Furthermore, 
the upper and lower bounds for the estimated CM price effects (under historical high and low 
LRP) encompass a wider range for the price effects than the 90% confidence interval from the 
VAR. Therefore, using the CM model price effect estimates to operationalize the welfare 
calculations allowed for a greater range of sensitivity analysis. 
Results from the CM reported in essay one of this dissertation show that estimates of 
LRP‐induced maize price increases vary slightly by region throughout each country application. 
Hence, when computing the welfare effects we also allow the price change to vary across 
regions.  We assume the market level price effects of LRP transmit fully to changes in prices at 
the household level (the percentage increase in household prices is the same as the percentage 
increase in market prices). This assumption fits well for maize in Uganda where evidence 
suggests excellent price transmission from markets to farmers. There is more uncertainty about 
price transmission from markets to farmers in Mozambique, particularly prior to 2009 when 
there was no bridge over the Zambezi River, creating a natural trade barrier between markets 
in Northern Mozambique and those in the Central and Southern parts of the country. However, 
we also did sensitivity analysis on the size of the price effect to illustrate how welfare effects 
may differ if household prices increase by smaller or larger proportions than market prices. 
Results show estimated household welfare effects are sensitive to the magnitude of the price 
effect, dropping when price effects are smaller and increasing when price effects are larger. 

72 

Other data required to estimate the household welfare change includes: (1) elasticities 
of household supply and demand for maize; and (2) a measure of the household’s relative risk 
aversion.  Estimates of supply and demand elasticities for maize are set at 0.7 and ‐0.8, 
respectively, in Uganda and at 0.6 and ‐0.6, respectively, in Mozambique. These choices are 
based on estimates from the literature along with prior knowledge of the countries and their 
maize markets (Chhibber, 1989; Karanja, Renkow and Crawford, 2003; Ulimwengu and 
Ramadan, 2009; Zant, 2012). These are reasonable demand and supply assumptions because 
wider crop and dietary diversities in Uganda make supply and demand more responsive to price 
changes in Uganda compared to Mozambique. 
We could not find any empirical estimates of the maize income elasticity of demand for 
our country applications. Following the approach of Mghenyi, Myers and Jayne (2011) in the 
neighboring country of Kenya, we set the base value of income elasticity of demand for maize 
at 0.40 in our application to Uganda. Given that Kenya and Mozambique are similar in many 
ways with regard to maize consumption, income elasticity of maize demand is also set at 0.4 in 
our application to Mozambique. For both Uganda and Mozambique, supply elasticities, demand 
elasticities and maize income elasticities of demand are assumed to be the same across all 
households within each country. Although these elasticities could show some variation across 
geographical regions in each country application, we could not find estimates disaggregated by 
regions to account for regional variations. However, we expect that accounting for these 
regional variations would not have any discernible effects on the magnitude of the welfare 
effects because sensitivity analysis shows that estimated welfare effects are not very sensitive 
to a reasonable range of values for the supply and demand elasticities. 
Finally, we need estimates of the coefficient of relative risk aversion. Estimates for 
developing countries are rare in the literature.  Myers (1989) generated point estimates of 
between 1.6 and 3.1 for U.S. farmers. Hansen and Singleton (1983) estimated values ranging 
from 0.0 to 2.0 for U.S. consumers. Therefore, we set the base parameter of relative risk 
aversion at one for both Uganda and Mozambique. Mghenyi, Myers and Jayne (2011) and 
Bellemare, Barrett and Just (2013) argue that a value of one is reasonable and use the same 
value in their studies. Like supply and demand elasticities, the coefficient of relative risk 

73 

aversion is assumed to be the same across all households in each study country. Sensitivity 
analysis for both Uganda and Mozambique revealed that estimated welfare effects in each 
country application change very little under a wide range of alternative assumptions about 
supply elasticities, demand elasticities and household risk aversion, so results are not sensitive 
to these assumptions.26 This suggests that varying these parameters across regions within each 
country application would have negligible effects on the magnitude of the estimated welfare 
effects. 
3.5 Summary Statistics and Welfare Results 
The distribution of effects across regions is of interest and maize market position is a 
key factor determining whether households are better off or worse off from the maize price 
increase. Table 3.1 shows the distribution of households in each country data set broken down 
by regional location and maize market position. Northern Mozambique has the highest 
proportion of total households in the Mozambique sample (54%) while Northwest Uganda has 
the highest proportion of households in the Uganda sample (46%). At the national level in both 
Mozambique and Uganda about 24% of households are autarkic, implying that LRP‐induced 
maize price increases will have no impacts on the welfare of about one fourth of households in 
both countries. However, the proportion of autarkic households does vary across regions, 
ranging from about 17% in Central Mozambique to 40% in Southern Mozambique. There are 
also significant proportions of households in each region that are either sellers or net sellers 
(expected to gain from the price increase), and either buyers or net buyers (expected to lose). 
The regions with the largest proportion of households that only buy or are net buyers are 
Central Mozambique (54%) and Eastern Uganda (51%).  Central Mozambique and Central 
Uganda are the regions with the largest proportion of households that only sell or are net 
sellers (30% and 36%, respectively). 
Table 3.1 Distribution of households by region and maize marketing position in Mozambique 
and Uganda 
Region 

Percentage 

Maize market position (%) 

                                                       
26

 Results of the sensitivity analysis are available upon request. 

74 

of 
households 
Mozambique    
Northern 
53.7% 
Central 
22.8% 
Southern 
23.5% 
National 
100.0% 
Uganda 
Eastern 
32.8% 
Central 
21.2% 
Northwest 
46.0% 
National 
100.0% 

Autarky 
  
19.7% 
16.6% 
39.7% 
23.7% 
22.8% 
17.1% 
26.3% 
23.2% 

Buy and sell 
Buy only  (net buyer) 
  
  
21.3% 
31.9% 
8.6% 
44.9% 
16.3% 
17.1% 
17.2% 
31.4% 
35.9% 
12.4% 
21.7% 
24.4% 

14.9% 
34.8% 
16.7% 
20.0% 

Sell only 
  
12.5% 
16.7% 
20.7% 
15.4% 

Sell and buy 
(net seller) 
  
14.6% 
13.2% 
6.2% 
12.3% 

10.3% 
18.3% 
24.8% 
18.6% 

16.1% 
17.5% 
10.4% 
13.8% 

Source: Author calculations based on IOF 2008 for Mozambique and UNPS 2009 for Uganda. 

Because welfare effects depend critically on maize income and expenditure shares, we 
report mean shares across households for the national population, by region, by maize market 
position, by income tercile, and for urban and rural households (see Table 3.2). A number of 
insights from the table stand out. First, maize accounts for, on average over the national 
sample, a much higher proportion of household income and expenditure in Mozambique than 
in Uganda (12% versus 5% for income share, 16% versus 6% for expenditure share).  Relative to 
other regions, Central Mozambique and Eastern Uganda are the most dependent on maize in 
their respective countries. The heavier reliance on maize as a food staple in Mozambique 
means that, for a given percentage price increase and market position, we should expect 
welfare effects to be larger in Mozambique than in Uganda. 
Table 3.2 Income and expenditures shares for maize in Mozambique and Uganda 

  
  
Region 
Eastern (Uganda), Central (Mozambique) 
Central (Uganda), North (Mozambique) 
Northwest (Uganda), South (Mozambique) 
National 
Maize market position 
Autarky 
Buy only 
Buy and sell (net buyer) 

Average maize income 
shares  
Mozambique 
Uganda 
2008 
2009 
  
  
23.05% 
6.48% 
10.94% 
5.20% 
5.33% 
4.20% 
12.38% 
5.01% 
  
  
0.00% 
0.00% 
0.00% 
0.00% 
13.37% 
4.47% 

75 

Average maize expenditure 
shares 
Mozambique 
Uganda 
  
2008 
2009 
     
  
28.37% 
9.65% 
14.59% 
5.70% 
5.41% 
4.02% 
15.58% 
5.76% 
     
  
0.00% 
0.00% 
12.53% 
8.69% 
34.39% 
14.80% 
  

Sell only 
21.21% 
11.06% 
0.00% 
Sell and buy (net seller) 
39.92% 
14.93% 
21.32% 
Income category: national 
Lowest tercile 
13.38% 
6.88% 
12.30% 
Middle tercile 
12.31% 
4.93% 
19.20% 
Highest tercile 
11.06% 
3.37% 
15.61% 
Income category: urban 
  
  
     
Lowest tercile 
6.23% 
1.23% 
10.18% 
Middle tercile 
5.48% 
1.00% 
11.52% 
Highest tercile 
3.14% 
1.10% 
5.25% 
Total 
4.71% 
1.10% 
8.55% 
Income category: rural 
Lowest tercile 
15.20% 
7.64% 
12.84% 
Middle tercile 
14.78% 
5.58% 
21.97% 
Highest tercile 
17.50% 
4.11% 
24.03% 
Total 
15.53% 
5.82% 
18.46% 
Source: Author calculations based on IOF 2008 for Mozambique and UNPS 2009 for Uganda 

0.00% 
4.98% 
10.98% 
4.86% 
1.77% 
  
11.75% 
3.56% 
0.83% 
4.03% 
10.88% 
5.08% 
2.08% 
6.12% 

Second, for both Mozambique and Uganda average income and expenditure shares 
across the national sample are similar, but expenditure shares are slightly higher than income 
shares (16% expenditure versus 12% income for Mozambique and 6% expenditure versus 5% 
income for Uganda). This suggests that average welfare effects across the sample should be 
close to zero but slightly negative in both countries. Third, households that only buy maize, or 
are net buyers, have the smallest maize income shares and highest maize expenditure shares, 
while those that only sell or are net sellers have the highest maize income shares and lowest 
maize expenditure shares. This pattern holds across both countries and is important because 
the greater the difference between income and expenditure shares the greater and more 
positive the welfare effects of a price increase will be. 
Fourth, in Uganda, maize income and expenditure shares are on average highest for low 
income households and lowest for high income households (see Table 3.2). Maize expenditure 
shares in Uganda average 11% for the poorest one third of households but only around 1% for 
the richest one third. Similarly, income shares average 7% for the poorest one third but only 3% 
for the richest one third. This pattern repeats when households are separated into urban and 
rural, though the actual size of the income shares for maize are much higher in rural than urban 
areas. In Mozambique, low income urban households also have higher maize income and 
expenditure shares than high income urban households. For rural households, however, income 
76 

shares show no discernible pattern across different income terciles, while maize expenditure 
shares rise as income increases. This is likely due to the differing mix of staple foods found in 
rural and urban areas of Mozambique. Cassava is widely produced in rural areas and is cheaper 
than maize, rice is not widely produced, and wheat not at all. In contrast, while cassava can be 
found in urban areas it is not nearly as commonly available as maize meal. Imported rice, bread 
made from imported wheat, and other staples are also far more readily available in urban areas 
than in rural areas. As a result, maize becomes the preferred staple as incomes rise in rural 
areas and households move away from cassava, while it becomes the least preferred staple in 
urban areas because households have access to the rice, bread, and other staples which 
displace coarse grains as incomes rise. 
Fifth, urban households have maize expenditure shares that are on average higher 
relative to maize income shares than rural households. This pattern is to be expected, holds 
across both countries, and suggests that negative welfare effects of a maize price increase are 
likely, on average, to fall more heavily on urban households than rural households. 
As indicated earlier, LRP‐induced price effects used in this paper are obtained from the 
CM outlined in essay one of this dissertation. Findings show that when LRP share of marketed 
surplus is at its historical mean in each country during the period 2001 through 2011, the 
impact of LRP maize purchases on local maize prices amounted to a 10.7% increase for Central 
Uganda; 10.9% for Eastern Uganda; 11.7% for Northwestern Uganda; 5.3% for Southern 
Mozambique; 7.5% for Central Mozambique; and 5.3% for Northern Mozambique. These are 
the estimates of price effects we used as our base case. However, we also do sensitivity analysis 
to investigate the welfare effects of larger price increases (consistent with historically high 
levels of LRP) and smaller price increases (consistent with historically low levels of LRP). Maize 
price increases on average by about 20% in Uganda and 10% in Mozambique when LRP relative 
to marketed surplus is at its historical high in each country, while the average maize price 
increase drops to nearly 1% in Uganda and 2% in Mozambique with LRP at its historical low. 
Summary statistics (mean, median, minimum, and maximum values across all 
households) for estimated welfare effects are shown in Table 3.3 for each country and by 
region. The top panel shows estimates for the effect of a price change corresponding to the 
77 

historical mean level of LRP in each country between 2001 and 2011. The middle and bottom 
panels then show how sensitive the welfare effects are to changes in the size of the price 
increase (corresponding to historically high and low levels of LRP). Results show that a maize 
price increase corresponding to historical mean LRP results, on average across all households, in 
a 0.18% and 0.12% loss in household welfare in Mozambique and Uganda, respectively. The 
average welfare loss drops to 0.07% in Mozambique and 0.01% in Uganda for a lower price 
increase, and increases to 0.34% in Mozambique and 0.28% in Uganda for a higher price 
increase. All of these average household proportional welfare effects are quite small. 

78 

Table 3.3 Estimated welfare effects of LRP‐induced maize price increases for Mozambique and Uganda 
  
Region 
  

Mean 

Eastern (Uganda), Central (Mozambique) 
Central (Uganda), North (Mozambique) 
Northwest (Uganda), South (Mozambique)
National 

‐0.45% 
‐0.14% 
‐0.01% 
‐0.18% 

Eastern (Uganda), Central (Mozambique) 
Central (Uganda), North (Mozambique) 
Northwest (Uganda), South (Mozambique)
National 

‐0.86% 
‐0.26% 
‐0.03% 
‐0.34% 

Eastern (Uganda), Central (Mozambique) 
Central (Uganda), North (Mozambique) 
Northwest (Uganda), South (Mozambique)
National 

‐0.17% 
‐0.06% 
0.00% 
‐0.07% 

Mozambique (2008) 
 
Uganda (2009) 
Median Minimum Maximum   Mean  Median Minimum Maximum
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ % effect ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 
Historical mean LRP1 
‐0.39%  ‐6.71% 
7.61% 
‐0.40% 0.00%  ‐10.27% 
7.71% 
‐0.06%  ‐3.21% 
3.63% 
  ‐0.09% 0.00% 
‐9.00% 
10.80% 
0.00% 
‐3.75% 
5.36% 
‐0.01% 0.00% 
‐9.62% 
10.74% 
0.00% 
‐6.71% 
7.61% 
‐0.12% 0.00%  ‐10.27% 
10.80% 
Historical high LRP2 
‐0.72%  ‐11.84% 
13.55% 
‐0.83% 0.00%  ‐19.19% 
14.22% 
‐0.10%  ‐5.72% 
6.48%    ‐0.22% ‐0.01%  ‐16.87% 
20.24% 
0.00% 
‐6.62% 
9.47% 
‐0.07% 0.00%  ‐18.04% 
20.02% 
0.00%  ‐11.84% 
13.55% 
‐0.28% 0.00%  ‐19.19% 
20.24% 
Historical low LRP3 
‐0.15%  ‐2.77% 
3.12% 
‐0.04% 0.00% 
‐1.12% 
0.85% 
‐0.02%  ‐1.34% 
1.50%    ‐0.01% 0.00% 
‐0.91% 
1.09% 
0.00% 
‐1.55% 
2.21% 
0.00%  0.00% 
‐0.97% 
1.09% 
0.00% 
‐2.77% 
3.12%    ‐0.01% 0.00% 
‐1.12% 
1.09% 

Source: Author calculations based on IOF 2008 for Mozambique and UNPS 2009 for Uganda
1
 14% Uganda, 7% Mozambique; 2 25% Uganda, 13% Mozambique; 3 2% Uganda, 3% Mozambique. 

 

79 

Even though the mean LRP‐induced price increase is estimated to be larger in Uganda 
than Mozambique (national averages of about 11% compared to 6%) the average household 
welfare loss is slightly higher in Mozambique than Uganda. This occurs because maize is a more 
dominant food staple in Mozambique while Ugandan diets and production possibilities are 
more diverse. This means Mozambique households generally have higher maize expenditure 
shares than Ugandan households which results in higher welfare effects for a given 
proportional price increase (see Table 3.2). 
The distribution of average welfare effects across regions follows patterns that are 
consistent with the pattern of income and expenditure shares reported in Table 3.2. In 
particular, average welfare effects are more negative in regions with lower average maize 
income shares and higher average expenditure shares. At the national level, median welfare 
effects are approximately zero in both countries, indicating that half the households lose from 
the price increase and half gain. Regional results show some variation in medians but they are 
close to zero in all regions. 
Although the mean and median welfare effects in Table 3.3 are small, maximum and 
minimum values show quite a large range in estimated welfare effects across different 
households. A clearer picture of the distribution of effects across the sample emerges from a 
graph of the frequency distributions of the welfare effects for each country under base level 
price increases (see Figure 3.1). The majority of households (around 76% for both Mozambique 
and Uganda) are little affected by the maize price increase (gain or loss of less than 1%). 
However, there are a significant number of households that experience moderate welfare gains 
and losses (5% of households in Mozambique and 8% in Uganda experience gains of 1% to 3% 
while 13% in Mozambique and 8% in Uganda experience losses of that magnitude). There are 
also a very small proportion of households that experience major welfare gains or losses 
(greater than 5%). The large gainers are households that have very high maize income shares 
and low expenditure shares while the large losers are households with very high maize 
expenditure shares and low income shares. 

80 

Figure 3.1 Distribution of household welfare effects of LRP‐induced maize price increases for 

75.5

75.6

80.0
60.0

to

1.4

2.2

5% 1.2
>

5%

1.7

7.7

1

3

to

1%

3%

5.4

8.0

to

to
-3

to

-1

-1
%

3.1

-3
%

2.2

-5

<

-5

0.0

3.1

20.0

12.6

40.0

% 0.4

Percentage of households

Mozambique and Uganda 

Proportional welfare effect
Mozambique

Uganda
 

Additional insight into who gains and loses is provided in Table 3.4, which shows 
average welfare effects broken down by household maize market position, income ranking, and 
rural/urban location. Effects in the table are estimated using base LRP‐induced price increases 
for each country.  As expected, autarkic households are not affected by the price increase and 
buyer and net buyer households are hurt the most while seller and net seller households 
benefit the most. 
Results by income category show that in Uganda the average welfare effect across the 
poorest one third of households is a 0.51% loss, while the richest one third experience an 
average 0.16% gain.  In Mozambique the pattern is reversed with the poorest one third 
experiencing an average 0.13% gain while the richest one third have an average 0.33% loss. The 
different welfare effects across income categories in the two countries is explained by earlier 
results on income and expenditure shares – expenditure shares on maize tend not to decline 
with increases in income in Mozambique, especially in rural areas (see Table 3.2). 

81 

Table 3.4 Estimated LRP household welfare effects by maize marketing position, income ranking, and rural/urban location for 
Mozambique and Uganda 
 
  
  
Maize market position 
Autarky 
Buy only 
Buy and sell (net buyer) 
Sell only 
Sell and buy (net seller) 
Income category: national 
Lowest tercile 
Middle tercile 
Highest tercile 
Income category: urban 
Lowest tercile 
Middle tercile 
Highest tercile 
Total 
Income category: rural 
Lowest tercile 
Middle tercile 
Highest tercile 
Total 

Mean 
  
0.00% 
‐0.57%
‐1.21%
1.21% 
0.91% 

Mozambique (2008) 
 
Uganda (2009) 
Median Minimum Maximum     Mean 
Median  Minimum Maximum
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ % effect ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 
  
  
  
  
  
  
  
  
0.00% 
0.00% 
0.00% 
0.00% 
0.00% 
0.00% 
0.00% 
‐0.34%  ‐6.38% 
0.00% 
‐1.01%  ‐0.36%  ‐10.23% 
0.00% 
‐0.81%  ‐6.71% 
0.00% 
‐1.22%  ‐0.57%  ‐10.27% 
4.77% 
0.38% 
0.00% 
7.61% 
1.22% 
0.50% 
0.00% 
10.61% 
0.41% 
‐0.11% 
7.42% 
1.03% 
0.61% 
‐0.31% 
10.80% 

0.13%  0.00% 
‐5.27% 
‐0.41% ‐0.12%  ‐6.38% 
‐0.33% 0.00% 
‐6.71% 
  
  
  
‐0.16% 0.00% 
‐4.91% 
‐0.33% ‐0.04%  ‐5.42% 
‐0.13% 0.00% 
‐4.97% 
‐0.20% 0.00% 
‐5.42% 
0.21%  0.00% 
‐0.44% ‐0.15% 
‐0.50% ‐0.12% 
‐0.17% ‐0.02% 

‐5.27% 
‐6.38% 
‐6.71% 
‐6.71% 

7.61% 
7.61% 
6.72% 
7.61% 
7.42% 
5.93% 
7.61% 

‐0.51% 
‐0.03% 
0.16% 
     
‐1.21% 
‐0.30% 
0.02% 
   ‐0.34% 

  
‐0.16% 
‐0.21% 
‐0.01% 
‐0.04% 

‐10.27% 
‐7.00% 
‐7.60% 
  
‐10.23% 
‐7.00% 
‐1.44% 
‐10.23% 

7.61% 
7.61% 
6.72% 
7.61% 

‐0.42% 
0.02% 
0.21% 
‐0.07% 

0.00% 
0.00% 
0.00% 
0.00% 

‐10.27% 
‐6.31% 
‐7.60% 
‐10.27% 

  

Source: Author calculations based on IOF 2008 for Mozambique and UNPS 2009 for Uganda

 

82 

  

0.00% 
0.00% 
0.00% 

7.94% 
10.74% 
10.80% 
  
2.16% 
2.75% 
5.57% 
5.57% 
7.94% 
10.74% 
10.80% 
10.80% 

While these average effects do change across income categories they remain  small (less 
than plus or minus 1%) in every income category, and maximum and minimum values across 
categories continue to show a wide range of welfare effects (see Table 3.4). More detail on the 
distribution of welfare effects across each income category are shown in Figures 3.2 (Uganda) 
and 3.3 (Mozambique). In Uganda the poorest one third of households has a larger proportion 
experiencing higher welfare losses (greater than 1%) compared to middle and high income 
households. However, the poorest one third also has a higher proportion of households that 
experience higher welfare gains (greater than 1%). The distribution of welfare effects is 
therefore less peaked and more spread out for the poorest one third of households compared 
to middle and high income households. The richest one third of households has a very peaked 
distribution with most members (90%) experiencing small welfare changes (between plus and 
minus 1%). In Mozambique the welfare distributions are very similar across income categories, 
indicating that the welfare effects are not distributed disproportionally across poorer 
households compared to richer households (see Figure 3.3). 
Figure 3.2 Distribution of household welfare effects of LRP‐induced maize price increases in 

77.2
90.3

100.0

3

>

2.8
2.2
1.7
to

5%

3%
to
1

-1

to

1%

13.2
9.7
1.5
-1
%

-3

to

7.4
1.8
0.3
-3
%

to
-5

0.0

5.9
0.6
0.2

20.0

-5
%

40.0

11.2
6.8
5.2

60.0

5% 1.6
1.7
0.9

57.9

80.0

<

Percentage of households

Uganda across different income categories 

Proportional welfare effect
Lowest tercile

Middle tercile

Highest tercile
 

83 

Figure 3.3 Distribution of household welfare effects of LRP‐induced maize price increases in 

75.0
73.4
79.4

100.0
80.0

2.7
0.4
0.2
5%

5%
to
3

>

2.6
1.0
1.1

7.4
4.3
3.9
3%

0.0

to

20.0

1

40.0

-5 0.1
%
0.4
1.1
-5
to
-3 1.3
%
3.9
4.5
-3
to
-1
10.8
%
16.7
9.8
-1
to
1%

60.0

<

Percentage of households

Mozambique across different income categories 

Proportional welfare effect
Lowest tercile

Middle tercile

Highest tercile
 

Results for urban and rural households in Table 3.4 show that urban households in 
Uganda are more likely to experience greater welfare losses than rural households (an average 
0.34% loss versus a 0.07% loss). Urban households also experience higher average losses than 
rural households in Mozambique (0.20% versus 0.17%). As expected, there continue to be a 
wide range of effects across different households within the urban and rural categories (see the 
maximum and minimum values for urban and rural households in Table 3.4). 
To gain additional insights on who gains and loses from the maize price increases 
brought about by LRP maize purchases, following Deaton (1989), Barrett and Dorosh (1996) and 
others, we use  nonparametric regression to explore the relationship between proportional 
welfare effects and per adult equivalent total household income. The advantage of this 
technique over parametric approaches is that no assumptions about functional forms are 
made, letting the data “speak for themselves”. This is of particular importance when functional 
forms are unknown, which is the case in our applications. The Nadaraya (1964) and Watson 
(1964) estimator is the most extensively used smoothing approach in the literature on 
nonparametric regression analysis. However, we instead employ Kernel‐weighted local 
polynomial smoothing, which involves regressing the welfare effect on a polynomial of per 
84 

adult equivalent total household income through locally weighted least squares. We made this 
choice because it has been shown that local polynomial smoothers have higher asymptotic 
efficiency compared to the Nadaraya‐Watson estimator (see Fan, 1992; Ruppert and Wand, 
1994). The model we estimate is specified as 

mi  f  xi   ui   

(3.9) 

where  mi   denotes the welfare effect of the LRP‐induced maize price increase on household  i ; 

xi  represents per adult equivalent total household income;  ui  is mutually independent and 
identically distributed error term satisfying  E  ui | xi  x   0  and  Var  ui | xi  x    2  x  ; and 
f ()  and   2 ()  are, respectively, unknown mean and variance functions to be estimated. Local 

polynomial smoothing regression consists of estimating local approximations of  

f ( x)  E[ yi | xi  x]  and   2 ( x )  Var[ yi | xi  x ]  using  p th  order polynomials of the form 
( xi  x) p  in the neighborhood of  x . Assuming that the unknown conditional mean function, 
f ( x ) , is twice differentiable, as outlined in Hardle and Linton (1994), the local polynomial 

estimator for this conditional mean function solves the following locally weighted least squares 
problem: 
2

p

xi  x  

K h  x  xi  mi   0  1  xi  x      p
   

p
!
i 1


n

(3.10) 

where   0 , 1 ,...,  p   are unknown parameters to be estimated and  K h ( xi  x)  is a weighting 

  
 , while  
kernel function. The estimated conditional mean function is given by  f ( x)  
1
0
  are estimates of the derivatives of  f ( x ) . In our applications to Uganda and 
through  
p

Mozambique, we chose a polynomial of order three to be used for the smoothing because it 
provided a reasonable fit for the data. Also, for both Uganda and Mozambique, given that it has 
been shown that the Epanechnikov kernel function is the most efficient in minimizing the mean 
integrated squared error, we employed the Epanechnikov kernel function specified as 

85 

(3.11) 

K h  x  xi  

2

3  1  xi  x    xi  x

 5    
1


 I 
4 5h  5  h    h


where  h  is the bandwidth that determines the degree of smoothness of  f ( x )  and  I ()  is an 
indicator function taking the value of one when its argument is true and zero otherwise. In our 
applications to Uganda and Mozambique, we chose the bandwidth using the data‐dependent 
rule of thumb (ROT) method because it delivers asymptotically optimal bandwidths that 
minimize the conditional mean integrated squared error. 
In addition to household income, other household‐specific characteristics such as 
gender of household head, education of household head, value of farm assets, etc could 
potentially help explain variation in the proportional welfare effects. However, we do not 
include these household‐specific characteristics in our model specification because results (not 
reported here) from semi‐parametric analysis – whereby the nonparametric component 
contains only household income – revealed that they do not have a statistically significant 
relationship with the proportional welfare. 
Nonparametric regression curves showing the relationship between the proportional 
welfare effect and per adult equivalent annual household income, broken down by region and 
urban/rural location, are plotted in Figures 3.4 and 3.5 for Uganda and Figures 3.6 and 3.7 for 
Mozambique. These figures suggest that the relationship between the proportional welfare 
effect and total household income varies across regions in both Uganda and Mozambique. In 
the application to Uganda, regression curves for all three regions (Figure 3.4) suggest that for 
low and middle income households, proportional welfare effects and household income 
generally have a U‐shaped relationship. Proportional welfare effects appear to be 
monotonically decreasing (increasing) with income for low (middle) income households. For 
high income households, the regression curve is upward slopping in the Eastern region and 
flattens out around zero in the other two regions (Central and Northwestern). The pattern for 
the Uganda full sample is similar to that for the Northwestern region. 
To gain additional insights about what drives these patterns, we explore the 
relationships between maize income and expenditure shares with per adult equivalent annual 

86 

household income using the same nonparametric techniques described above.  Results from 
these nonparametric regressions – not reported here – show that predicted conditional mean 
maize income shares exceed expenditure shares among low income households, while the 
opposite is found for middle income household. This is consistent with patterns seen in Figure 
3.4. The findings also indicate that predicted conditional income and expenditure shares are on 
average small and the difference between them are negligible for households in the top of 
income distribution. This pattern can be attributed to higher reliance on nonagricultural income 
among high income households. 
Figure 3.4 Second‐order welfare effect by region: Uganda 

Proportional welfare effect

Central

Eastern

0.03

0.03

0.02

0.02

0.01

0.01

0.00

0.00

-0.01

-0.01
Northwestern

Uganda

0.03

0.03

0.02

0.02

0.01

0.01

0.00

0.00

-0.01

-0.01
8.0

10.0

12.0

14.0

16.0

18.0

20.0

8.0

10.0

12.0

14.0

16.0

18.0

20.0

Log annual income per adult equivalent (UGX)

 

87 

Figure 3.5 Second‐order welfare effect by urban/rural location: Uganda 

Proportional welfare effect

Rural

Urban

0.02

0.02

0.01

0.01

0.00

0.00

-0.01

-0.01

-0.02

-0.02
8.0

10.0

12.0

14.0

16.0

18.0

20.0

8.0

10.0

12.0

14.0

16.0

18.0

20.0

Log annual income per adult equivalent (UGX)

 
Figure 3.6 Second‐order welfare effect by region: Mozambique 

Proportional welfare effect

Northern

Central

0.04

0.04

0.02

0.02

0.00

0.00

-0.02

-0.02
Southern

Mozambique

0.04

0.04

0.02

0.02

0.00

0.00

-0.02

-0.02
4.0

6.0

8.0

10.0

12.0

14.0

4.0

6.0

8.0

10.0

12.0

14.0

Log annual income per adult equivalent (MZN)

 

88 

Figure 3.7 Second‐order welfare effect by urban/rural location: Mozambique 

Proportional welfare effect

Rural

Urban

0.03

0.03

0.02

0.02

0.01

0.01

0.00

0.00

-0.01

-0.01
4.0

6.0

8.0

10.0

12.0

14.0

4.0

6.0

8.0

10.0

12.0

14.0

Log annual income per adult equivalent (MZN)

 
Figure 3.5 shows that the relationship between proportional welfare effects and 
household income is U‐shaped in urban Uganda; while there is no clear pattern in rural Uganda. 
Figures 3.4 and 3.5 suggest that households with per adult equivalent log annual income in the 
range of 10 to 12 UGX suffer the highest welfare loss from maize price increases. This is 
because the difference between average maize expenditure and income shares is largest 
among households in this income category, compared to lower and higher income households. 
In the application to Mozambique (Figure 3.6), regression curves suggest that for low 
and middle income households, proportional welfare effects and income appears to have an 
inverse U‐shaped relationship in Central and Southern Mozambique; while the relationship is 
monotonically decreasing in Northern Mozambique. Results from nonparametric regressions of 
income and expenditure shares on per adult equivalent income – not shown here – reveal that 
the gap between predicted conditional maize income and expenditure shares widens as income 
rises for households with very low income residing in Central and Southern regions, then the 
difference between these shares narrows as income continues to increase. This explains the 
relationship between proportional welfare effects and incomes for low and middle income 

89 

households in Central and Southern Mozambique. The pattern of proportional welfare effects 
observed in Northern Mozambique is attributed to greater importance of maize consumption 
relative to maize income as incomes rise among low and middle income households. 
For high income households in Mozambique, proportional welfare effects are not 
meaningfully different from zero in all three regions (Northern, Central and Southern). For the 
full sample, the proportional welfare effects fluctuate with no discernible pattern as income 
increases among households at the bottom and middle of income distribution; while 
proportional welfare effects are essentially zero among high income households. In rural 
Mozambique, proportional welfare effects fluctuate with no clear pattern as income grows; 
while the effects are monotonically decreasing (increasing) for low (middle) income households 
in urban Mozambique (Figure 3.7). This occurs because urban households rely more on 
nonagricultural income and have relatively smaller maize expenditure shares of income as 
income grows. 
3.6 Conclusions 
We used nationally‐representative household‐level data to assess the  household 
welfare effects of WFP LRP‐induced maize price increases in Uganda and Mozambique, focusing 
on variation across regional location, household maize market position, household income 
categories and urban/rural location. Results should be of interest to food aid agencies and 
policy makers for at least two reasons. First, in both Uganda and Mozambique, LRP maize 
purchase accounted for meaningful average shares of marketed surplus during 2001 to 2011, 
leading to meaningful increases in local market maize prices. Second, households rely more on 
maize for income and for consumption in Mozambique than in Uganda, allowing for meaningful 
comparisons of welfare effects across the two countries.  
Our findings indicate that there is a large group of households in Mozambique and 
Uganda whose welfare is little affected by any reasonable estimate of LRP‐induced maize price 
increases. Average welfare effects are less than a 1% loss for maize in both countries, and about 
three‐quarters of all households experience impacts between 1% and ‐1%. Furthermore, in 
both countries about as many households gain as lose from any maize price increase. However, 

90 

there are still small proportions of households that experience greater welfare gains and 
greater losses. In Uganda, 8.9% of households are estimated to experience welfare gains or 
losses greater than 3%, while in Mozambique 6.9% experience such effects. The households 
who gain more are net sellers whose income share from maize is high relative to their 
expenditure share. More of these households tend to be located in rural areas. The households 
that lose more are net buyers whose expenditure share on maize is high relative to their 
income share. More of these households tend to be located in urban areas. 
In Mozambique the distribution of welfare gains and losses is similar across different 
income categories (as many low income as high income households benefit and are harmed), so 
there is no clear tendency for lower income households to be affected disproportionately by 
maize price increases brought about by WFP LRP purchases. By contrast, in Uganda, the 
distribution of welfare gains and losses suggests that higher welfare losses tend to be more 
concentrated among low income households due to these households’ greater reliance on 
maize for their consumption. Focusing on the bottom third of the income distribution in that 
country, over 13% had estimated losses of greater than 3%, and nearly 6% had losses greater 
than 5%. Given that Uganda and Mozambique are countries with the largest LRP share of 
marketed surplus for maize, we expect that both positive and negative welfare effects will be 
smaller in countries with lower levels of LRP relative to marketed surplus. 
Our findings from Essay two indicate that supply and demand elasticities can have an 
important impact on the magnitude of the LRP effects on local market prices: LRP price effects 
are smaller with elastic demand and supply, compared to inelastic demand and supply. Hence, 
supply and demand elasticities also affect welfare effects brought about by LRP‐induced price 
increases. This might suggest that in order to not impose excessive LRP‐induced welfare costs 
on households, LRP purchases relative to marketed surplus should be higher in multiple‐staple 
markets (relatively elastic demand and supply) than in single‐staple markets (relatively inelastic 
demand and supply). However, operationalization of this procurement option by food aid 
agencies might be challenging because food aid commodities are procured through a tender 
process with active participation of private traders. This makes it difficult for food aid agencies 
to ensure that winners of tenders concentrate their procurement on multiple‐staple markets 

91 

because private traders have no incentives to do so when prices in multiple‐staple markets are 
not attractive to profitably delivery of commodities to food aid agencies. 
Although the average welfare effects of maize price increases brought about by WFP 
LRP purchases are fairly small, our findings reveal that welfare gains and losses are substantial 
among some households. This suggests that WFP should be conscious of the household welfare 
effects (gains and losses) stemming from price increases induced by WFP LRP purchases, 
especially in years during which the purchases are substantial relative to marketed surplus. 
When price effects are generally modest and welfare effects are small for the vast majority of 
households, then the overall effect of WFP LRP depends on the systemic effects on the food 
systems that WFP is able to induce by the way in which it goes about its procurement. The 
induced systemic effects could lead to transformational changes in food supply chains in 
countries where WFP operates, helping those countries develop their economies. Analysis of 
such systemic effects is the subject of essay three of the dissertation. 
 

92 

 
 
 
 
 
 
 
 
 
REFERENCES 
 
 

 

93 
 

 
REFERENCES 
 
Azzam, A. M. and B. Rettab. 2012. A Welfare Measure of Consumer Vulnerability to Rising 
Prices of Food Imports in the UAE. Food Policy 37(5): 554‐60. 
Barrett, C. B. and P. A. Dorosh. 1996. Farmers' Welfare and Changing Food Prices: 
Nonparametric Evidence from Rice in Madagascar. American Journal of Agricultural Economics 
78(3): 656‐69. 
Bellemare, M. F.; C. B. Barrett and D. R. Just. 2013. The Welfare Impacts of Commodity Price 
Volatility: Evidence from Rural Ethiopia. American Journal of Agricultural Economics 95(4): 877‐
99. 
Chhibber, A. 1989. The Aggregate Supply Response: A Survey, in Commander, S. (Ed.) Structural 
Adjustment and Agriculture: Theory and Practice in Africa and Latin America: Volume. London: 
Overseas Development Institute. 
Deaton, A. 1989. Rice Prices and Income Distribution in Thailand: A Non‐Parametric Analysis. 
The Economic Journal 99(395): 1‐37. 
Fan, J. 1992. Design‐Adaptive Nonparametric Regression. Journal of the American Statistical 
Association 87(420): 998‐1004. 
Ferreira, F. H. G.; A. Fruttero; P. G. Leite and L. R. Lucchetti. 2013. Rising Food Prices and 
Household Welfare: Evidence from Brazil in 2008. Journal of Agricultural Economics 64(1): 151‐
76. 
Friedman, J. and J. Levinsohn. 2002. The Distributional Impacts of Indonesia's Financial Crisis on 
Household Welfare: A “Rapid Response” Methodology. The World Bank Economic Review 16(3): 
397‐423. 
Fujii, T. 2013. Impact of Food Inflation on Poverty in the Philippines. Food Policy 39: 13‐27. 
Garg, T.; C. B. Barrett; M. I. Gomez; E. C. Lentz and W. J. Violette. 2013. Market Prices and Food 
Aid Local and Regional Procurement and Distribution: A Multi‐Country Analysis. World 
Development 49: 19‐29. 
94 
 

Hansen, L. P. and K. J. Singleton. 1983. Stochastic Consumption, Risk Aversion, and the 
Temporal Behavior of Asset Returns. Journal of Political Economy 91(2): 249‐65. 
Hardle, W. and O. Linton. 1994. Applied Nonparametric Methods, in Engle, R. F. and D. F. 
McFadden (Eds.). Handbook of Econometrics: Volume 4. New York: Elsevier Science. 
Ivanic, M. and W. Martin. 2008. Implications of Higher Global Food Prices for Poverty in Low‐
income Countries. Agricultural Economics 39(S1): 405‐16. 
Ivanic, M.; W. Martin and H. Zaman. 2012. Estimating the Short‐run Poverty Impacts of the 
2010–11 Surge in Food Prices. World Development 40(11): 2302‐17. 
Jayne, T. S.; J. Strauss; T. Yamano and D. Molla. 2001. Giving to the Poor? Targeting of Food Aid 
in Rural Ethiopia. World Development 29(5): 887‐910. 
Karanja, D. D.; M. Renkow and E. W. Crawford. 2003. Welfare Effects of Maize Technologies in 
Marginal and High Potential Regions of Kenya. Agricultural Economics 29(3): 331‐41. 
Kim, H. Y. 1997. Inverse Demand Systems and Welfare Measurement in Quantity Space. 
Southern Economic Journal 63(3): 663‐79. 
Levinsohn, J. and M. McMillan. 2007. Does Food Aid Harm the Poor? Household Evidence from 
Ethiopia, in Harrison, A. (Ed.) Globalization and Poverty: Volume. Chicago: University of Chicago 
Press. 
Mghenyi, E.; R. J. Myers and T. S. Jayne. 2011. The Effects of a Large Discrete Maize Price 
Increase on the Distribution of Household Welfare and Poverty in Rural Kenya. Agricultural 
Economics 42(3): 343‐56. 
Myers, R. J. 1989. Econometric Testing for Risk Averse Behaviour in Agriculture. Applied 
Economics 21(4): 541‐52. 
Myers, R. J. 2006. On the Costs of Food Price Fluctuations in Low‐income Countries. Food Policy 
31(4): 288‐301. 
Nadaraya, E. 1964. On Estimating Regression. Theory of Probability and Its Applications 9(1): 
141‐42. 
Newbery, D. M. G. and J. E. Stiglitz. 1981. The Theory of Commodity Price Stabilization: A Study 
in the Economics of Risk. New York: Oxford University Press. 

95 
 

Ruppert, D. and M. P. Wand. 1994. Multivariate Locally Weighted Least Squares Regression. The 
Annals of Statistics 22(3): 1346‐70. 
Singh, I.; L. Squire and J. Strauss. 1986. Agricultural Household Models: Extensions, Applications, 
and Policy. Baltimore and London: Johns Hopkins University Press for the World Bank. 
Taylor, J. E. and I. Adelman. 2003. Agricultural Household Models: Genesis, Evolution, and 
Extensions. Review of Economics of the Household 1(1): 33‐58. 
Ulimwengu, J. M. and R. Ramadan. 2009. How Does Food Price Increase Affect Ugandan 
Households? An Augmented Multimarket Approach. IFPRI Discussion Paper 00884. Washington 
DC: International Food Policy Research Institute (IFPRI). 
Valero‐Gil, J. N. and M. Valero. 2008. The Effects of Rising Food Prices on Poverty in Mexico. 
Agricultural Economics 39(s1): 485 ‐ 96. 
Vu, L. and P. Glewwe. 2011. Impacts of Rising Food Prices on Poverty and Welfare in Vietnam. 
Journal of Agricultural and Resource Economics 36(1): 14‐27. 
Watson, G. S. 1964. Smooth Regression Analysis. Sankhyā: The Indian Journal of Statistics, 
Series A 26(4): 359‐72. 
Zant, W. 2012. The Economics of Food Aid under Subsistence Farming with an Application to 
Malawi. Food Policy 37(1): 124‐41. 
 

96 
 

CHAPTER 4: 
IMPACTS OF WORLD FOOD PROGRAM LOCAL AND REGIONAL PROCUREMENT ON THE FOOD 
SUPPLY CHAIN: CASE STUDIES IN UGANDA, MOZAMBIQUE, ETHIOPIA AND MALAWI 
4.1 Introduction 
Well into the 1990s, transoceanic food shipments from donor countries to recipient 
countries had been the dominant way of delivering food assistance. However, the importance 
of alternative modalities of food assistance has been rapidly growing since the late 1990s as 
food aid agencies strive to respond more quickly and effectively to food emergencies.27 For 
example, data from the United Nations World Food Program (WFP) International Food Aid 
Information System (INTERFAIS) show that local and regional procurement (LRP) – the purchase 
of food commodities in the country or region where food aid is being distributed to targeted 
groups of households – is playing an increasingly important role, with its share of the worldwide 
total food aid deliveries rising from 5% prior to 1995 to 8% in 2001 and about 30% in 2011. 
The choice of LRP over transoceanic shipment is usually based on at least three factors. 
First, as shown by Clay, Riley and Urey (2005); Tschirley and del Castillo (2007); and GAO (2009), 
the use of LRP as opposed to transoceanic shipments reduces considerably the costs of 
delivering food aid, with average cost savings ranging from 39% to 48% depending on the 
commodity being procured. This indicates the same budget can be used to provide more food 
aid to beneficiaries. Second, GAO (2009); and Lentz, Passarelli and Barrett (2013) estimated 
that LRP generally shortens the time it takes to deliver food aid, improving the timeliness of 
response to food crises with average time savings ranging from 14 to 16 weeks. Third, Tschirley 
and del Castillo (2007), GAO (2009), Violette et al. (2013), and others highlight that households 
that receive food aid are usually more satisfied with the food commodities they receive when 
these originated through LRP compared to transoceanic shipment. Findings from Violette et al. 
(2013) indicate that consumption of locally procured food commodities rather than those 

                                                       

27

 Modalities of food assistance include transoceanic shipments, prepositioned food aid, local and regional 
procurement, cash transfers and voucher distributions. See Upton and Lentz (2012) for characterization of each 
modality. 

97 
 

shipped from the United States (US) resulted in statistically significantly higher levels of 
satisfaction among food aid beneficiaries in Zambia and Guatemala. 
These are important benefits of LRP. Yet, relatively little is known about the impacts of 
LRP activities on the markets and food supply chains of countries where LRP takes place. Essay 
one of this dissertation assessed the effects of WFP LRP on local prices for maize in Uganda and 
Mozambique and beans in Ethiopia. Findings showed that average price effects of WFP LRP 
ranged from about 3% to 16% and that the impacts on price variability are negligible. Essay two 
of the dissertation took these estimated WFP LRP price effects and converted them into 
corresponding household welfare effects. Results revealed that the household welfare effects 
of maize price increases induced by WFP LRP purchases in Uganda and Mozambique are on 
average very small, but that they are meaningfully large for some households. 
In addition to these price and welfare effects, the overall effects of WFP LRP activities 
depend on the systemic effects that WFP is able to induce in food supply chains as it goes about 
its procurement. This paper complements the previous studies by assessing whether WFP LRP is 
an effective tool to drive positive systemic changes in African markets. More specifically, the 
paper investigates five related issues: (1) whether WFP LRP contributed to knowledge, 
practices, and investments of traders and farmers concerning quality; (2) whether WFP LRP led, 
where relevant, to greater competition among firms in the sectors where WFP operates; (3) 
whether WFP LRP helped traders be more competitive in the commercial (and especially the 
regional) market; (4) whether the seasonal pattern of WFP LRP purchases has increased or 
moderated what are typically very large seasonal price movements; and (5) whether WFP pays 
“market prices” when procuring commodities. 
The paper adds to knowledge on the LRP effects on the food supply chain by focusing on 
four countries and three commodities where WFP LRP has been a meaningful share of the 
marketed surplus: maize in Uganda and Mozambique, beans in Ethiopia, and high energy 
protein supplements (HEPS) in Ethiopia and Malawi.28 The paper employs a case study 
                                                       
28

 We define HEPS to include biscuits, corn‐soya blend (CSB), Faffa, high energy biscuits, Likuni Phala, pea‐wheat 
blend, high energy supplements, and ready to use supplementary food. Among these, only pea wheat blend was 
not found originating from our two HEPS study countries.  Faffa and CSB accounted for 92% of all observations, 

98 
 

approach in an attempt to answer the five aforementioned questions. We interviewed a wide 
range of stakeholders in each country to investigate trader and processor responses to 
engagement with WFP and their perception of the WFP LRP effects on the food supply chain in 
which they operate. Additional insights are generated from analysis of WFP procurement data 
to gain a better understanding of the structure of the WFP procurement of each commodity in 
each country application. 
We are not the first to use a case study approach to look at similar issues. Walker and 
Wandschneider (2005); Wandschneider and Hodges (2005); and Coulter (2007) also employed 
case study approaches to assess the developmental impacts of LRP in Ethiopia and Uganda. 
Their findings suggest that LRP had helped drive some investment in the trading systems in 
both countries, had driven improved quality practices for WFP transactions, and may have 
contributed to improved export trade of some food commodities in Ethiopia. Yet they also 
suggested that LRP had failed to have any appreciable effect on the broader trade within each 
country and may in some instances have led to spikes in local market prices. These case studies 
are at least seven years old and occurred prior to the peak in WFP LRP that lasted from 2008 to 
2010.29 Hence, we contribute to a better understanding of the LRP effects on the food supply 
chain by providing new evidence using more recent quantitative and qualitative data. 
The paper proceeds as follows. Section two reviews our criteria for country and 
commodity selection. Section three characterizes trends and patterns in procurement volumes, 
while Section four describes what we learned from interviews focusing on issues related to 
knowledge, practices and investments of traders and farmers concerning quality. Section five 
briefly analyzes trends in the seasonality of LRP purchases of maize. Regional and local market 
pricing performance is discussed in Section six. Section seven closes with a summary of key 
cross‐cutting findings. 

                                                                                                                                                                               
with Likuni Phala listed for 5.8%. We understand that Faffa and Likuni Phala are brand names and that products 
listed as these may sometimes have been comparable products produced by other companies. 
29
  This statement is based on quantities and values adjusted for the very large purchases that took place in Iraq 
between 2003 and 2005. 

99 
 

4.2 Country and Commodity Selection 
We use three main criteria to select countries and commodities. First, the size of LRP 
purchases as a share of the total estimated marketed surplus in the relevant country. Second, 
data availability to support meaningful analysis of LRP impacts on the food supply chain. Third, 
the absence of other factors such as large‐scale government purchases that would make it 
difficult to isolate the effect of LRP. Commodities with the highest shares of total volumes 
procured by WFP in Africa from 2001 to 2011 are maize (58%), HEPS (12%), sorghum/millet 
(9%), maize meal (8%), and beans (7%). Shares of all other commodities are 1% or less. Given 
their relative importance, this paper focuses on maize, HEPS, and beans. We excluded 
sorghum/millet due to lack of suitable data.  
The volume of LRP purchases as a share of total marketed surplus is a key factor driving 
the effects of LRP on local markets and food supply chains. Among the main African countries in 
which WFP procures maize, Uganda and Mozambique are the countries with the highest 
average LRP shares of estimated maize marketed surplus from 2001 to 2011, at 14% and 7%, 
respectively. Zambia follows closely at an average share of 6%.30 Maximum shares are also 
important because significant effects can arise in years during which large LRP purchases 
occurred. Uganda at 30% and Zambia at 14% rank first and second, respectively, in terms of 
maximum share; followed in order by Mozambique, Tanzania and Malawi with maximum 
shares between 11% and 12%. Given its relative importance, we analyze procurement of maize 
in Uganda and Mozambique. We excluded Zambia because of very large government purchases 
of maize through the Food Reserve Agency (FRA) especially since 2006. 
Ranking of African countries based on LRP share of marketed beans surplus from 2001 
to 2011 shows Ethiopia and Uganda essentially tied with averages of 14% and 13%, 
respectively. LRP purchases of beans account on average for 5% or less of beans production in 
all other countries. With regard to maximum share, Ethiopia clearly stands out at 46%, followed 
by Uganda at 21%. This suggests comparable average importance of LRP purchases of beans in 
                                                       
30

 Details on how the share of LRP purchases in total marketed surplus is estimated are presented in essay one of 
this dissertation. 

100 
 

Ethiopia and Uganda but with a much higher maximum in Ethiopia. Our analysis focuses on 
Ethiopia. 
For HEPS, we focus on annual metric tons (MT) rather than market share because these 
products have only an incipient hold in the commercial market and WFP is therefore likely to be 
nearly the entire market for these products in most countries. Ethiopia clearly stands out with 
an average annual purchase of about 28,000 MT and a maximum of nearly 60,000 MT (Figure 
4.1). Malawi is next at an average of nearly 10,000 MT and per capita purchases of HEPS similar 
to those in Ethiopia, suggesting roughly comparable importance relative to broader markets. 
Average yearly purchases in all other countries are 7,000 MT or lower, and are also lower on a 
per capita basis than in Ethiopia and Malawi. We chose Ethiopia and Malawi, the top two 
countries in total and per capita purchases of HEPS. 
We visited Uganda during July, 2012, conducting interviews in Kampala (capital city) in 
Central region, Mbale and Kapchorwa in Eastern, Lira in Northern, and Masindi in Western. We 
interviewed a wide range of stakeholders in the private and public sectors, including small 
farmers, farmer associations, local traders and small‐scale maize processors, large traders 
participating in WFP LRP tenders, and selected public sector officials. 
Two visits were conducted to Mozambique, in September, 2012 and again in May, 2013, 
to interview farmer associations, and small‐ and large‐scale traders in Central and Northern 
Mozambique. We also interviewed public officials and other stakeholders in Maputo (capital 
city). During the field visit to Ethiopia in September 2012, we interviewed HEPS manufacturers 
operating in Addis Ababa (capital city) and a wide range of stakeholders in the bean sector 
operating in Addis Ababa, Adama, Awassa, and their surrounding areas. We visited Malawi 
(Lilongwe and Blantyre) in April 2013 to interview HEPS manufacturers and other stakeholders 
active in the maize and soybean markets including poultry feed manufacturers. 

101 
 

Figure 4.1 Annual average LRP purchases of HEPS from 2001 to 2011 

50.0
40.0
30.0
20.0

Mean

Maximum

al
Se
ne
g

Eg
yp
t

Za
m
bi
a
Zi
m
ba
bw
e

K
en
ya

Et
hi
op
ia

0.0

U
ga
nd
a

10.0

M
al
aw
i

WFP purchases ('000 MT)

60.0

Minimum
 

 
4.3 LRP Trends and Patterns 
Uganda and Mozambique present large differences in the way that LRP has developed.  
Figures 4.2 through 4.6 present basic information on the levels, structure, and flows of locally 
procured maize in each country. Uganda is well known as the country where LRP first scaled‐up 
to levels capable of having major impacts on local markets. This is seen clearly in the dramatic 
rise of LRP from less than 10,000 MT in 2002 to over 160,000 MT in 2007 (Figure 4.2). During 
the same period, Mozambique’s procurement fluctuated below 20,000 MT through 2005 
before rising sharply to nearly 29,000 MT in 2006 and over 35,000 MT in 2007. Since then, 
procurement in Mozambique has declined slightly while in Uganda it has dropped sharply. 

102 
 

Quantity ('000 MT)

Figure 4.2 WFP LRP purchases of maize in Uganda and Mozambique, 2001 ‐ 2011 

180
160
140
120
100
80
60
40
20
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Uganda

Mozambique
 

 
The concentration of sales, measured by the number of vendors and share of the top 
five vendors in LRP sales, also differs dramatically across the two countries (Figures 4.3 and 4.4). 
Uganda has never had fewer than seven vendors per year and averaged 27 annually over the 
period 2001 to 2011, while Mozambique has never had more than 11 and averaged five per 
year. Uganda’s top five vendors during any year never accounted for more than 95% of sales 
and averaged 80%, while Mozambique’s top five accounted for all sales every year until 2008 
and averaged 98% of sales. In fact, two vendors accounted to all sales to WFP in Mozambique 
during every year from 2002 to 2005 and again in 2008. The structure of sales to WFP in 
Mozambique mirrored structural characteristics in the country’s broader maize trade. Up until 
the early 2000s, the two vendors – one operating in Northern Mozambique and the other in 
Central Mozambique – were the only large‐scale buyers of domestically produced maize, 
leaving each without any large competitor in their region. However, starting late in the 2007 
marketing season, a considerable number of new and much larger buyers entered the market. 

103 
 

Figure 4.3 Number of vendors and share of top 5 in maize sales to WFP in Uganda, 2001‐2011 

1.0

60

0.8

50
40

0.6

30

0.4

20
0.2

10
11
20

10
20

09
20

08
20

07
20

20

06

05
20

04
20

03
20

02

0.0
20

20

01

0

Share of total sales

Number of vendors

70

Year
Number of vendors

Top 5 share (right axis)
 

 
Uganda received much less maize food aid procured outside its borders than did 
Mozambique and sent more of its locally procured food outside its borders. Local procurement 
within Uganda accounted for an average of 97% (and never less than 88% during any year) of all 
the procured maize food aid from any origin distributed within the country during 2001 to 2011 
(Figure 4.5). In contrast, purchases within Mozambique accounted for only 59% of its locally 
distributed procured food aid from any origin, and its yearly share fluctuated widely. WFP in 
Uganda exported 30% of its locally procured food over the period compared to 18% for 
Mozambique (Figure 4.6). 
 

 

104 
 

Figure 4.4 Number of vendors and share of top 5 in maize sales to WFP in Mozambique, 2001‐

1.0
0.8
0.6
0.4
0.2

Share of total sales

70
60
50
40
30
20
10
0
20
11

20
10

20
09

20
08

20
07

20
06

20
05

20
04

20
03

0.0
20
02

20
01

Number of vendors

2011 

Year
Number of vendors

Top 5 share (right axis)

Notes: only two (2) vendors sold during 2002-2005 and 2008
 
 
We identify two key patterns from this review. First, food aid procurement in Uganda is 
now far more dependent than it was in the past on demand outside Uganda. Figure 4.2 showed 
that WFP procurement of maize in Uganda rose rapidly to a peak in 2007 and has fallen sharply 
since that time. By 2011, maize procurement was higher only than in 2001 and 2002. This 
decline is partly related to the signing of the cease‐fire agreement in 2006 to end the conflict in 
Northern Uganda, and the gradual closure of the camps for internally displaced persons (IDPs) 
since that time. From its peak of 1.8 million at the height of the conflict, the number of IDPs fell 
to about 30,000 by 2012, driving a sharp decline in the need for WFP purchases of Ugandan 
maize for use within Uganda. 

105 
 

Figure 4.5 Share of in‐country maize food aid distributions out of procured food aid covered by 
local procurement in Uganda and Mozambique, 2001‐2011 

Share of local purchases
in local distribution

1.20
1.00
0.80
0.60
0.40
0.20
0.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Uganda

Mozambique
 

 
The drop in local food aid demand for Ugandan maize is reflected in trends in the share 
of WFP purchases in Uganda that were exported (Figure 4.6). From 2002 through 2008, the 
share of WFP maize purchases that were exported fluctuated between 10% and 31%, with no 
clear trend. This share then jumped to about 40% in 2009 and nearly 70% in 2010. The drop in 
the export share in 2011 appears to have been driven mostly by the sharp drop in total 
procurement for any destination. As a result, WFP purchases in Uganda are now more 
dependent on regional food aid demand than at any time since 2001, prior to the LRP boom in 
the country. This pattern raises questions about the inter‐annual variation in demand by WFP 
that Uganda is going to face over the coming years. Could WFP purchases become a 
destabilizing force in the local market, rising to high levels when regional demand is high, and 
falling when such demand is low? 
 

106 
 

Figure 4.6 Share of in‐country LRP exported from Uganda and Mozambique, 2001 ‐ 2011 

Share of local purchases
exported

1.00
0.80
0.60
0.40
0.20
0.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Uganda

Mozambique
 

 
The second key pattern relates to the extremely high concentration of LRP sales of 
maize to WFP in Mozambique, which remains much higher than Uganda despite the recent 
entry of more tender competitors since 2007. Still in 2010 and 2011 the two historically 
dominant firms together accounted for nearly 80% of all maize sales to WFP. One large new 
vendor – an international trading firm – held 11% and 12% shares each year, and no one else 
held more than 3%. While it is possible that the entrance of one additional large seller could 
drive more competitive tender prices and more responsiveness with respect to WFP quality 
needs, it does not guarantee such improvements. 
From 2001 to 2011, Ethiopia accounted for 31% of the total quantity of beans procured 
by WFP in East Africa, with an annual share ranging between 7% and 55%. Figure 4.7 shows 
annual volumes of beans procured in Ethiopia. WFP purchases reached a record high in 2005, 
increasing from about 3,000 MT in 2001 to 37,000 MT in 2005. Since then, WFP procurement of 
beans oscillated greatly, dropping sharply to about 2,000 MT in 2007, rising to nearly 30,000 MT 
in 2009, and dropping again to 11,000 MT in 2011. 
107 
 

Figure 4.7 Volumes of total bean procurement by WFP in Ethiopia, 2001 – 2011 

40

Quantity ('000 MT)

35
30
25
20
15
10
5
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
 
 
The number of vendors winning WFP tenders for bean purchases has followed the 
trends in total bean procurement. The number of vendors rose sharply from two in 2001 to 17 
in 2005, fell with procurement totals the next two years, and then rose again (Figure 4.8). The 
share of local purchases accounted for by the top five vendors shows an overall downward 
trend, though it has risen each year since its low of 64% in 2008, reaching 85% in 2011. WFP in 
Ethiopia has never imported procured beans from other countries, and does export some of the 
locally procured beans to other countries (Figure 4.9). The share of locally purchased beans that 
were exported rose from 0% in 2001 to 83% in 2007. Since then, it has trended downward, 
dropping to 25% in 2008 and 15% in 2011. 

108 
 

0.8
0.6
0.4
0.2

11
20

10
20

09
20

08
20

07
20

20

06

05
20

04
20

03
20

02

0.0
20

20

1.0
Share of total sales

20
18
16
14
12
10
8
6
4
2
0
01

Number of vendors

Figure 4.8 Number of vendors and share of top 5 in bean sales to WFP in Ethiopia, 2001‐2011 

Year
Number of vendors

Top 5 share (right axis)
 

 
Ethiopia grows at least three different types of bean, each of which is supplied to 
different domestic and international markets and is affected differently by policy. White haricot 
beans are almost entirely exported to international markets (Europe, Middle East and South 
Asia), while red haricot and horse beans are supplied to domestic and regional markets. Fully 
understanding the impact of WFP on the bean market requires that procurement data be 
broken down by bean type. Prior to July of 2009, however, all bean purchases by WFP were 
registered simply as “beans” in the agency’s Information Network and Global System (WINGS) 
data base. Since that time, data are disaggregated by bean type.  

109 
 

Figure 4.9 Locally procured beans in Ethiopia: share in local distributions, and percent exported, 
2001‐2011 

1.00

Share

0.80
0.60
0.40
0.20
0.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

Year
Local share in bean food aid distribution
Share of procured beans exported
 
 
Using the more recent disaggregated data, we graph the share of each type of bean in 
total WFP bean purchases from July 2009 to July 2012 in Figure 4.10. The figure shows a 
dramatic shift in the types of beans that WFP has been buying in Ethiopia. While white beans 
dominated during the last half of 2009, their share plummeted the following year and was zero 
in 2011 and 2012. Horse bean shares were very small each year through 2011 and zero in 2012. 
This dramatic shift from white beans to red beans was driven by the Ethiopian government’s 
decision in 2010 that the Ethiopian Commodity Exchange (ECX) be the only channel through 
which private traders and exporters can trade white haricot beans. 

110 
 

Figure 4.10 Share of WFP purchases of bean in Ethiopia, 2009 ‐ 2012 

100

Percentage

100.0

2011

2012

78.8

78.7

80

96.8

60
40
20
7.0
0

19.9

14.3

3.2

1.2
2009
Horse beans

2010
Red beans

White beans
 

 
WFP began to purchase HEPS in an effort to provide more nutritionally valuable 
products to food aid beneficiaries suffering from malnourishment. Total quantities of all HEPS 
procured over 2001 through 2011 peaked in Ethiopia in 2010 and in Malawi in 2007 (Figure 
4.11). Growth in Ethiopia has been much faster than in Malawi, due mostly to the size of the 
internal food aid market in the former. HEPS is composed of a large and growing number of 
products. The basic distinction is between corn‐soya blend (CSB), which is typically 70% maize 
and 30% soybeans, versus a wide range of nutritionally improved products. Historically CSB has 
been the dominant product. Beginning in the late 2000s, however, spurred by advancing 
knowledge regarding nutritional quality of foods and the human body’s ability to use certain 
types of lipids and proteins (WFP, 2010; Webb et al., 2011; WFP, 2012), WFP began to take 
policy decisions to incorporate new products with enhanced nutritional profiles into their 
programs. These new products include fortified blended foods (FBFs) such as Super Cereal 

111 
 

(referred to as CSB+) and Super Cereal Plus (referred to as CSB++).31  Ready to use foods (RUFs), 
such as ready to use therapeutic foods (RUTFs) and ready to use supplementary foods (RUSFs), 
are also product groups that have been in WFP’s basket for some time but whose specific 
products are evolving and whose importance is likely to grow in future.32 
Figure 4.11 Volumes of total HEPS procurement by WFP in Ethiopia and Malawi, 2001 ‐ 2011 

WFP purchase ('000 MT)

60
50
40
30
20
10
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Ethiopia

Malawi
 

 
WFP modified its WINGS database to track these new products more carefully starting 
in July 2009. Data prior to that time do not distinguish between traditional CSB, CSB+, and 
CSB++, though they do distinguish between CSB (and related products that use wheat, 
sorghum, or rice rather than maize) and fortified and ready‐to‐use foods. The 2009 
improvement to the database was close to the time that the agency began to move towards 
CSB+ and CSB++ and away from unfortified products. The overall database thus probably 
                                                       
31

 Other FBFs procured by WFP include wheat‐soya blend, rice‐soya blend and pea‐wheat blend. From 2001 to 
2011, CSB accounted for more than 90% of the total quantity of blended products either procured or distributed 
by WFP in Africa. Hence, our discussion of FBFs focuses on CSB. 
32
 RUSFs are also known as lipid‐based nutrient supplements and include peanut‐based products such as Plumpy 
Nut, Plumpy Sup, Plumpy Doz, eeZeeRUSF, Nutributter, and other products. 

112 
 

captures most of the trend in the rise of these two enhanced CSB products, though there may 
be some of these products purchased during 2008 and 2009 that the database does not 
capture.33 Procurement of CSB dropped sharply in Ethiopia and Malawi in 2011 (to zero in 
Malawi), partially made‐up for by procurement of FBFs and RUFs (Figures 4.12 and 4.13). 
Purchases of fortified products began in 2010 in Malawi and 2011 in Ethiopia. 
Figure 4.12 Volumes of HEPS procurement by WFP in Ethiopia, classified as CSB and related 
products, and FBFs and RUFs, July 2009 – December 2011 

WFP purchases ('000 MT)

60
50
40
30
20
10
0

2009

2010

CSB and related products

2011
FBFs and RUFs
 

                                                       
33

  Interactions with WFP staff regarding the timing of guidance from WFP headquarters on replacement of CSB 
with CSB+ and CSB++ also suggests that the change in WINGS caught most if not all of these purchases. 

113 
 

Figure 4.13 Volumes of HEPS procurement by WFP in Malawi, classified as CSB and related 
products, and FBFs and RUFs, July 2009 – December 2011 

WFP purchases ('000 MT)

15

10

5

0

2009

2010

CSB and related products

2011
FBFs and RUFs
 

 
The number of HEPS vendors to WFP has increased in Ethiopia and Malawi over the 
period 2001 to 2011 but the share accounted for by the top five vendors has fallen only in 
Ethiopia (Figures 4.14 and 4.15). The number of vendors in Ethiopia increased from two to 
three in the early 2000s to seven to nine since 2008, with a related drop in the share of the top 
five from 100% each year through 2005 to less than 80% in 2011. The number of vendors in 
Malawi rose from one to two in the early 2000s to five by 2006, with a flat trend since that time 
– the top five sellers have thus accounted for all sales from 2001 to 2011. 

114 
 

Figure 4.14 Number of vendors and share of top 5 in HEPS sales to WFP in Ethiopia, 2001 ‐ 2011 

12

0.6

6

20
11

20
10

20
09

20
08

20
07

0.0

20
06

0

20
05

0.2

20
04

2

20
03

0.4

20
02

4

Share of total sales

0.8

8

20
01

Number of vendors

1.0
10

Year
Number of vendors

Top 5 share (right axis)
 

Figure 4.15 Number of vendors and share of top 5 in HEPS sales to WFP in Malawi, 2001 ‐ 2011 

12

0.6

6

20
11

20
10

20
09

20
08

20
07

0.0

20
06

0

20
05

0.2

20
04

2

20
03

0.4

20
02

4

Share of total sales

0.8

8

20
01

Number of vendors

1.0
10

Year
Number of vendors

Top 5 share (right axis)
 

The concentration of sales among the top five HEPS vendors in each country is probably 
not a cause for concern from a pricing perspective. While Ethiopia is the largest single source of 
115 
 

HEPS for the rapidly growing distributions in East Africa, Italy, South Africa, and Belgium are 
next in line, their share over 2001 to 2011 was about 50% higher than Ethiopia’s share, and 
arrivals from these countries have been growing. Figure 4.16 shows that Ethiopian firms’ share 
of all locally distributed HEPS has periodically fallen to 40% to 50%, most recently in 2011; Italy, 
South Africa, and Belgium are the key foreign suppliers. The question in Ethiopia is less whether 
there is sufficient competition within the local market and more whether the local HEPS sector 
can be competitive within and outside Ethiopia. 
Figure 4.16 Share of in‐country HEPS food aid distributions out of procured food aid covered by 
local procurement in Ethiopia and Malawi, 2001‐2011 

Share of local purchases
in local distribution

1.00
0.80
0.60
0.40
0.20
0.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Ethiopia

Malawi
 

 
In Malawi’s case, WFP runs its HEPS tenders through the regional office in South Africa, 
meaning that firms from Zambia, South Africa, and other countries are competing against the 
Malawian firms for supplies to Malawi. The fact that Malawian firms have steadily increased 
their share of locally distributed HEPS, capturing all of that market every year since 2008 (Figure 
4.16), suggests that they have competed well in this arena. Figure 4.17 shows that Malawian 
HEPS firms have also competed well regionally: from zero in 2001 and 2002, the share of locally 
116 
 

procured HEPS exported out of Malawi rose to about 70% in 2004 and has averaged about 50% 
since that time.  Meanwhile, except for 2004 and 2007, WFP has not exported any Ethiopian 
HEPS outside the country. 
Figure 4.17 Share of in‐country HEPS LRP exported from Ethiopia and Malawi, 2001 ‐ 2011 

Share of local purchases
exported

1.00
0.80
0.60
0.40
0.20
0.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Ethiopia

Malawi
 

 
Overall, this review suggests that the Malawian HEPS sector may be on a more 
sustainable footing than the Ethiopian sector. Firms in Malawi are less dependent on HEPS, less 
dependent on the food aid market in their overall (HEPS plus other products) portfolio, have 
entirely replaced CSB with FBFs and RUFs, and have captured the entire Malawian WFP market 
while winning regional tenders and exporting (through WFP) roughly 50% of their production 
since 2004.34 The differing patterns in the two countries are a sharp counterpoint to what has 
to be considered the much more promising market setting in Ethiopia compared to Malawi: the 
former’s population is dramatically larger and its economy has been growing far faster, 
providing rapidly growing commercial opportunities for local firms. 

                                                       
34

 This finding emerged in interviews in Malawi. 

117 
 

These patterns raise some questions: how much help will African companies need to 
meet quality, safety, and packaging standards for HEPS products, will they be able to do so at a 
price point that allows them to win WFP tenders on the basis of price, and if not, should WFP 
be flexible in their contracting approach with these companies until they can do so? 
Additionally, what can WFP do to get these companies, especially Ethiopian companies, into 
regional tenders? These questions go to the core of WFP’s ability to drive positive systemic 
change in the food systems in which it operates. With Ethiopia’s economy growing so rapidly, 
several firms we interviewed were investing for the commercial market and confident that the 
market “would be there for (them).” That same thinking, however, is drawing large multi‐
nationals to Ethiopia, each with the possibility of much larger scales of production than local 
firms and probably with greater financial capacity to endure losses for some period of time 
while they establish themselves. WFP needs to consider carefully the range of contributions it 
can make to Ethiopian firms’ development of cost‐competitive production capacity in this 
setting. 
WFP’s presence has led to major investment in the HEPS sector in Ethiopia, potentially 
positioning it for a robust response to emerging commercial opportunities in Ethiopia’s rapidly 
growing economy. For about 30 years up to the early 1990s, only one company supplied HEPS 
to the food aid market. However, over the past six to seven years, many more firms have 
entered the sector. One of the HEPS companies we interviewed has plans to invest 42 million 
Ethiopia BIRR (about US$2.3 million) in a CSB factory that would depend primarily on the WFP 
market, at least to start. Our interviews highlighted that the HEPS sector currently has capacity 
to produce approximately 300,000 MT per year, which is well beyond the current or any likely 
future size of the food aid market, even if WFP succeeds in helping Ethiopian firms become 
competitive in regional tenders.35 
In contrast to Malawi, none of the HEPS manufacturers we interviewed in Ethiopia had 
broader food trade businesses; all were focused entirely on food manufacturing. In light of the 
current over‐capacity when compared to the size of the food aid market, entering the 
                                                       

35

 WFP procurement data show that annual WFP purchases of HEPS in Ethiopia from 2001 to 2011 averaged about 
28,000 MT with a maximum of about 60,000 MT. 

118 
 

commercial processed food market is central to the success of nearly every firm in the sector. 
Our interviews highlighted strong interest on the part of all firms to either enter or expand their 
presence in that commercial market, with several mentioning a range of commercial products 
they produce, including iodized salt, peanuts, peanut butter, Super Cereal Plus as a baby food, 
soybean meal and soybean oil. However, the highest commercial share of total business that 
we found among interviewed processors was 30%, while several manufacturers reported that 
they had no commercial presence at all but were working to develop it. 
4.4 Knowledge, Practices and Investments Concerning Quality 
We divide this section into three subsections dealing with what we learned from our 
interviews concerning quality. The first subsection describes structural factors that could 
reduce grain quality at farm level, while the second briefly characterizes traders’ and farmers’ 
quality perceptions and practices to improve quality. The last subsection discusses some of the 
WFP’s initiatives to improve quality. 
4.4.1 Structural Factors Reducing Grain Quality 
Maize quality at farm level is a major problem in both Uganda and Mozambique, with 
the burden of delivering acceptable quality grain falling almost entirely on traders. Uganda’s 
bimodal rainfall pattern – and apparently greater unpredictability in recent years regarding 
when the rains will start, according to numerous persons interviewed – combines with very 
small scale of production to hinder the pursuit of high quality grain at farm level. While many 
production areas of southern Africa receive less than one inch of rainfall during at least three 
consecutive months at the end of the cropping year, production areas of Uganda outside the 
southwest typically do not experience a single month with less than 2.5 inches of average 
rainfall.36 Thus, harvests in Uganda typically take place when rain is falling. In the absence of 
mechanical drying capacity, achieving storable levels of humidity in maize (no more than 14%) 
becomes extremely difficult. The so‐called first season is perceived as especially problematic in 

                                                       

36

  This discussion of rainfall patterns is based on country‐ and sub‐location data from http://www.weather‐and‐
climate.com. 

119 
 

this regard, as the harvest occurs in June‐July when an average of about four inches of rain falls 
each month, with even more in August. 
The small scale of maize marketing in Uganda exacerbates the weather problem by 
making it difficult for local traders to reliably generate the volumes needed to justify 
investment in mechanical drying capacity. Data from the 2005 Uganda National Household 
Survey (UNHS) and the 2009 Uganda National Panel Survey (UNPS) show that about 70% of all 
maize sales are of less than US$90, and over 40% fall below US$20. The extremely small scale of 
most sales means that farmers are not investing in any drying capacity beyond tarps or mats, 
and that even this practice is likely limited to a small minority. 
Mozambique has a unimodal rainfall pattern and by about June is able to harvest 
adequately dried maize from the farm without the need for mechanical drying. However, the 
country suffers from the same extremely small scale of production as Uganda and its 
production and marketing system is perceived by traders to be weaker than many other 
countries in several respects. First, several traders in Mozambique with experience in at least 
two other Sub‐Saharan Africa countries indicated that farmer knowledge is lower in 
Mozambique, leading to, among other things, large amounts of foreign matter in sold grain. 
They also report lower use of improved varieties than in neighboring countries (consistent with 
available empirical data), which leads to grains of varying size and a mixture of white and 
yellow, all of which reduce quality.37 
The structure of Mozambique’s trading system makes it very difficult to ensure the type 
of coordination needed to begin changing farmer practice. Maize in Uganda and beans in 
Ethiopia have well‐recognized market places frequented by farmers in nearly every town visited 
during the case studies; these may be specific market places or recognized areas of a town 
where various traders have their small stores and scales, typically nearly side‐by‐side. Under 
such circumstances, comparable information flows rapidly among traders and between traders 
and farmers. In Mozambique, in contrast, rural market towns are substantially less important 
                                                       
37

 Between 2002 and 2008, data from National Agricultural Surveys administered by the Mozambique Ministry of 
Agriculture with nationally representative samples show the share of smallholder farmers using improved maize 
seeds ranged from 6% in 2005 to 10% in 2008. 

120 
 

than in Uganda and Ethiopia.  Instead, literally thousands of small traders in Mozambique, 
many of them working as agents of large traders, fan out to rural areas to make purchases in 
villages, and funnel the majority of their supplies directly to large traders without passing 
through any more centralized market places. Information flow under such circumstances, even 
with the use of cell phones, is likely to be more fragmented. The result of these factors is that 
the burden of delivering acceptable quality grain falls entirely on traders, since farmers are not 
now and are unlikely for some time to pay meaningful attention to quality improvement. 
Like maze in Uganda and Mozambique, assuring bean quality at the farm level in 
Ethiopia is challenging. This is in part because farmers lack mechanical drying capacity and bean 
harvest usually occurs in November/December when rains are still usually falling. Farmers and 
small traders we interviewed indicated that immediately after harvest, many farmers give their 
beans surplus to local small traders without receiving immediate payment. After selling the 
commodity, local traders pay the farmers. This is happening because local small traders have 
greater and better storage capacity than smallholder farmers do, allowing local small traders to 
sell beans a few months after harvest when prices are higher. Investments in mechanical drying 
capacity by Ethiopian farmers are likely to be unprofitable due in part to their small scale of 
production. 
4.4.2 Quality Perceptions and Practices at Local Level 
Our interviews in Ethiopia suggest that small and large traders there are more quality 
conscious than farmers, but some small traders stated that they purchase beans with no 
attention to quality. They also indicated that they do not pay any price premium for quality 
beans. With regard to quality awareness at farm level, a mixed picture emerged from our 
interviews. Some farmers do pay attention to quality by cleaning, sorting out foreign matter 
and drying their bean production before selling it in the market, while others sell their harvest 
with no such quality improvements. Awareness of the need for improved quality proved to be 
surprisingly broad and strong among farmers and town traders in Uganda. There is also 
evidence in Uganda that traders sometimes pay price premiums for better quality (or discounts 
for poor quality), with most focus on moisture level.  In both respects Mozambique showed less 
awareness of quality issues or use of quality premiums or discounts.  
121 
 

Interviews in Uganda consistently indicate that individuals at every level of the system 
are acutely aware of the need for greater quality. Various market observers, while aware of the 
quality problems in the country and the need for much more progress, reinforced this finding, 
making statements such as “people have started to understand what quality means”, “there is a 
trend in Uganda and the region for quality”, and “some key players are seeing this and trying to 
adapt.” Farmers consistently indicated that traders do pay price premiums for quality, with a 
typical differential involving payment of 500‐600 Ugandan Shillings (UGX) per kg for poor 
quality grain, and UGX800/kg for good quality grain. Farmers made statement such as “traders 
do not buy half‐dry grain” and “traders have always sorted grain and paid according to quality”. 
Yet farmers in Uganda also admitted that, when supplies are short and prices high, 
traders purchase without regard to quality; this tendency was also mentioned in many other 
interviews at all levels of the system, with a typical statement being “all maize has a market” 
and “maize at 15.5% may get the same price as maize at 13.5%”. The informality of much of the 
regional trade from Uganda reinforces this tendency. Traders in South Sudan have typically 
bought with little if any attention to quality, much of what Kenyan traders purchase goes to 
animal feed, not maize meal (suggesting lower quality standards), and purchases by traders 
from the Democratic Republic of the Congo (DRC) go largely into the small‐scale milling sector 
where quality is not emphasized. 
It is also unlikely that farmers with little or no training in proper grain handling and 
quality specifications will define “good quality” maize as rigorously as a formal trader would.  
Drying at farm and among local traders takes place entirely in open air, often on the ground, 
sometimes on cane mats, and very seldom on plastic tarpaulins or cement slabs. Farmers are 
thus dependent on dry weather to be able to dry their maize, and they frequently do not get 
such weather. 
A mixed picture thus emerges at farm level in Uganda: farmers are aware of the need 
for quality and desire to produce it because (at least when supplies are not tight) they receive a 
premium, but they have imperfect understanding of what good quality is, sharply limited ability 

122 
 

to produce it, especially during the first season harvest when intermittent rains often continue 
to fall, and frequently little incentive to produce it due to trader practices. 
Small wholesale traders in local towns of Uganda have no mechanical drying capacity.38  
They adapt to this situation by (a) paying low prices for very wet maize to discourage its 
delivery (unless supplies are tight), (b) selling their maize quickly to larger traders that do have 
drying capacity, and (c) channeling the lower quality maize into the local milling sector. This 
latter strategy was mentioned frequently by local traders, suggesting that much of the lowest 
quality maize may remain in the small‐scale, largely informal local trading and milling sector. 
We found less evidence of any price differentiation in Mozambique even when supplies 
were not tight. Farmers consistently stated that “all maize has a market”, and traders 
repeatedly indicated that they buy all maize that comes to them at a single price, checking only 
for egregious violations such as the placement of rocks or additional moisture into sacks of 
maize. Two specific examples from interviews illustrate this pattern.  First, when asked why 
they did not differentiate on price, trader agents we spoke with cited the cell phone, and the 
fact that farmers, if offered a price they considered too low, would call contacts elsewhere to 
bargain. With villages typically having 20 and more small traders and agents competing against 
each other during the harvest season (Jayne et al., 2010), and in light of the poor quality of the 
great majority of maize on offer, there appears to be no room to insist on quality.39 Second, 
DECA – a milling firm and major maize buyer in Central Mozambique – began its buying in April 
2013, when maize was still quite humid, paying 8 Mozambique Metical (MZN) per kg.  By late 
May – when maize was much drier but also when more maize was in the market – they had 
reduced their price to 7 MZN/kg. Farmers thus reasonably perceived a negative return that year 
to dryer maize. 
                                                       

38

 Some traders operating nationally indicate that they have invested in drying capacity in production areas. 
Farmer‐held installations such as the Kapchorwa Commercial Farmers’ Association (KACOFA) and Masindi Seed 
Grain Growers’ Association (MSGGA) also have some capacity. Yet together this capacity is miniscule relative to the 
amount of grain being marketed, and at least the farmer installations in Kapchorwa and Masindi are not used at 
capacity. 
39
 Traders consistently noted that quality tended to be better in Central Mozambique, in Manica and western 
Sofala provinces. Yet this relative improvement should be interpreted against the backdrop of quite poor quality 
very broadly in the country. 

123 
 

Despite these differences between Ethiopia, Uganda and Mozambique, the end‐result in 
all three countries is that larger traders receive poor quality grain and bear the burden of drying 
it (in Uganda and Ethiopia) and cleaning it (in all three countries) to standards specified by WFP. 
In addition, our interviews indicate that Mozambique suffers from greater problems of variable 
color and grain size than Uganda. 
4.4.3 WFP Quality Initiatives 
WFP is by any measure the most stringent buyer of quality processed maize in Uganda 
and Mozambique. Yet one stark difference emerged from interviews in the two countries: while 
complaining strenuously about WFP’s quality practices in Uganda, traders uniformly and 
strongly praised the quality training that WFP has provided. We found this same pattern for 
HEPS in Ethiopia and Malawi and beans in Ethiopia. Yet in Mozambique not a single trader 
volunteered any comments about quality training from WFP, and when asked, they indicated 
that WFP had provided no such formal training. 
Around mid‐2010, WFP in Uganda began to tighten substantially its quality practices in 
an effort to purchase according to East African Community (EAC) standards. Prior to this time, 
the agency followed a “fair average quality” (FAQ) approach to grading.40 FAQ is a flexible 
approach, being based on an assessment of the average quality of grain in the market in which 
the buyer is operating. Thus, the FAQ standard for Uganda could be meaningfully lower than in 
countries with more pronounced dry seasons after harvest or larger scales of production and 
marketing that facilitate better quality practices at farm and post‐farm levels. In contrast, EAC 
grades are based on specified quantitative limits on measureable parameters.41 EAC in 2007 
defined standards for three grades – EAC 1, EAC 2, and EAC 3 – and WFP moved to these grades 
in 2010. After initially moving to an EAC 1 standard in 2010, WFP began to accept EAC 2 but 
says – and traders concur – that it insists on rigorous grading against that standard. 

                                                       

40

 We received somewhat inconsistent feedback from WFP Uganda Country Office as to whether they practiced a 
FAQ approach prior to 2010. We continue to characterize their practice as FAQ in large measure due to the clear 
sense from traders that they were previously not accustomed to meeting specified quantitative standards on a 
range of defined parameters. 
41
  See UNBS (2011) for the detailed definition of EAC maize grades. 

124 
 

Quality standards such as those of the EAC cannot be instituted in a trading system 
without an inspection system that is properly trained and reliable. Inspection companies 
operating in Uganda have received training from WFP but concerns remain about the quality of 
inspections, based on several incidents of grain being cleared for shipment to a WFP warehouse 
by the inspection company then judged by WFP, upon arrival, to not have met the declared 
standards. 
The move from an FAQ approach to the use of EAC standards represented a 
fundamental shift for WFP, with major implications for traders. It created a need for traders to 
invest in more cleaning and drying capacity. Above all, it required them to put procedures in 
place to monitor relevant parameters and ensure that it could provide the agency with the 
quality it was requiring. Cognizant of the significance of the change, WFP also offered training 
to traders in how to ensure adequate quality grain. 
Several of the large traders in Kampala that have competed for WFP tenders mentioned 
that this training was helpful, and some indicated that it had allowed them to dramatically 
improve their procedures. Yet it was clear from interviews with all these traders that the 
transition from FAQ to EAC standards was exceptionally difficult for many and still gave rise to 
strong opinions. Three themes were repeated in most of these interviews. First, traders still 
demonstrated a strong negative reaction to the more rigorous inspection standards and the 
perceived suddenness with which they were instituted – though WFP indicates that it 
introduced the new process gradually over one full year. 
Yet the second common theme was that many traders retained a great desire to 
continue operating in the WFP market, due in large part to the possibility it created for much 
greater operational efficiencies through large sales at known prices they can bid: winners of 
tenders can sell from 1,000 MT to 4,000 MT in each tender, far more than will be purchased at 
any one time by traders from South Sudan or Kenya or even large local buyers, and they can 
make these sales at a known price they can bid. Moving such large volumes under such 
circumstances allows operational efficiencies that reduce costs and improve the bottom line.  
Third, every large trader with whom we spoke indicated that they were expanding their 
cleaning and drying capacity. While many said they were doing this for the regional commercial 
125 
 

trade, not just for WFP, two factors make it likely that WFP’s changed practices played a major 
role in moving traders in this direction. For one, regional trade continues to be largely informal 
and operates on a de facto FAQ basis, not the more stringent and precise EAC standards. 
Additionally, large‐scale formal regional transactions such as with governments or large 
regional processors, which would require EAC standards, are too infrequent at this time to 
provide an adequate basis for investing in expensive cleaning and drying equipment only for 
that market.  
As the largest single buyer of quality processed maize in the country, WFP has been in a 
position to drive investments and changed procedures that would have been much slower to 
emerge without their presence and that may, over time, allow the country to produce the kind 
of quality, in the short timeframes needed, to enter into larger and more remunerative formal 
trading networks in the region. The training that the agency has done, its related efforts to 
improve quality knowledge and practices within its own staff, and its insistence on quality 
standards with traders are central to this effort. This finding represents clear progress 
compared to the early 2000s, when Wandschneider and Hodges (2005) and Coulter (2007) 
criticized the agency for not doing enough to drive the type of behavioral change needed to 
enter regional markets. The continuing bottleneck to achieving this objective – and one on 
which there appears to have been little progress since the earlier studies – is the lack of 
mechanical drying capacity outside of Kampala. 
A major feature of maize procurement in Mozambique is the use of WFP Purchase for 
Progress (P4P) initiative to procure from small‐ and medium traders.42 The explicit purpose for 
using P4P in this way was to try to reduce the heavy concentration that was apparent in the 
country’s wholesale maize trade. Concern over the concentrated sales led WFP to use P4P to 
purchase from smaller traders to determine whether such a relationship could help these 
traders grow their business to provide greater competition to the two dominant vendors. As a 
result, P4P amounted to 32% of total maize procurement in 2009, the first year of P4P. Though 
                                                       
42

 P4P also purchased from farmer associations in Mozambique, as it primarily did in other countries.  Because the 
focus of this study is not on P4P but on LRP, we did not investigate that process. We examined trader participation 
in P4P due to its explicit linkage to LRP. 

126 
 

these shares fell to 13.8% in 2010 and 10.1% in 2011, they remained high compared to most 
other countries. A surprising fact that emerged from the interviews with these P4P traders in 
Mozambique is that none of them received any formal training in quality procedures. 
The absence of any formal training in Mozambique is a concern for two reasons. First, 
nearly all traders in other countries spoke in highly favorable terms about the formal training 
that they received from WFP, suggesting that such training would have been welcomed also in 
Mozambique. Second, the small‐ and medium‐scale traders that were the focus of P4P in 
Mozambique were, without question, in even greater need of such training if they were to 
become capable of routinely meeting WFP tenders and using them as a springboard to growing 
their business and becoming more competitive on a larger scale. In the meantime, as WFP was 
conceiving and then implementing its P4P program, the structure of the maize trade, and of 
agricultural trade in general, dramatically transformed in response to changes in Mozambique’s 
broader economy. This led to a substantial increase in the number of large maize buyers and 
competition especially in Central and Northern Mozambique starting in the late 2000s. 
The main implication of this new market structure is that WFP Mozambique Country 
Office should now be able to generate substantially more competitiveness in its maize tenders 
by engaging more of these large traders. We cannot show analytically that prices paid by WFP 
in Mozambique have been affected by the dominance of two vendors. Yet such an effect is at 
least consistent with the fact the prices paid in Mozambique have been persistently higher than 
in other countries of the region while quality has likely been among the poorest. The agency 
may be able to reduce its costs in the country – and potentially leverage more response from 
traders on quality improvement – by successfully engaging more of the large traders. Most of 
the small‐ and medium size traders who have been selling through P4P are unlikely to provide 
serious competition to these large players. Our interviews suggest that, if WFP wants to make 
meaningful contributions to the professionalization of this sector through P4P, it must organize 
quality trainings along the lines of those seen in Uganda for maize, Ethiopia for beans, and 
Ethiopia and Malawi for HEPS. 
In Ethiopia, WFP has raised quality awareness in the Ethiopia bean market. This might 
have contributed to strengthening the domestic beans sector’s ability to enter export market in 
127 
 

recent years, especially for white haricot beans. Over the years, WFP provided extensive 
training to traders on how to ensure quality. One of the large traders we interviewed stated 
that “the contribution of WFP is very high. We learned about the details of quality dimensions 
from them. So, we were able to enter the export market, which requires even higher quality”. 
Our interviews consistently reported that WFP has contributed to quality awareness, especially 
among traders, in the bean market when no other local market stakeholder was paying much 
attention to quality. 
However, some wholesalers supplying beans to the export market felt that WFP had no 
impact on their practices to improve quality standards. These wholesalers stated that they have 
taken actions to improve quality in response to tightened quality demand from the export 
market and not in response to WFP. This stringent quality demand is, to a large extent, driven 
by importers in Europe, the Middle East and South Asia because regional markets place 
relatively less emphasis on quality. Farmers and traders we talked to indicated that Kenyan 
traders purchase Ethiopian beans, especially red haricot beans, with almost no attention to 
quality. Our interviews also suggested that volumes of beans exported, especially of white 
haricot beans, increased considerably in the last five years. Estimates from the Ethiopian 
Central Statistical Agency (CSA) indicate that exports of haricot beans – both white and red – 
have risen from 52,000 MT in 2006 to 108,000 MT in 2011 to 99,000 MT in 2012. 
WFP quality training has also had a major positive impact on some of the newer HEPS 
processors in Ethiopia. Over the past three to four years, WFP in Ethiopia has carried out a few 
formal quality trainings. While the two most established HEPS firms felt that these trainings had 
not had a major impact on their business, some of the newer manufacturers were highly 
complementary regarding the trainings and the follow‐up engagement and feedback through 
the inspection process, and asserted that they had a major impact on their firms’ business. 
The major story concerning HEPS in Malawi relates to simultaneously sharp criticism of 
WFP’s quality requirements and strong praise for their quality training. Criticisms related to the 
charge that on more than one occasion, winning tenders for HEPS in Malawi were based on 
prices that were “impossibly low” given the WFP recipe for the tendered product. Some firms 
explicitly suggested that unapproved (and cheaper) ingredients had been used to reach the 
128 
 

required protein content or possibly that expired vitamin and mineral mixes had been used.  
Traders indicated that “the best price wins regardless of quality, and quality is not tested at any 
rate.” We are not in a position to evaluate this claim but note that it was independently and 
voluntarily raised by at least three firms we interviewed. The praise for quality training was 
equally strong and quite broad across manufacturers. 
In somewhat accentuated fashion, the findings on quality in Malawi – some frustration 
with WFP’s move to strengthened standards, sometimes very strong criticism of particular 
aspects of implementation, but real praise for the quality training that WFP has done – echo 
feedback from maize traders in Uganda and bean traders in Ethiopia regarding WFP’s quality 
practices and training. The consistency of this feedback across these countries leads us to 
believe that the positive quality findings of the interviews are robust. It appears that WFP’s 
procurement of HEPS in Ethiopia and Malawi has had important effects on expansion of the 
sector and on improved quality practices of firms in both countries. Both effects bode well for 
the sectors’ ability to expand into the commercial markets that are emerging as Africa’s 
economies urbanize and as consumer purchasing power rises. 
4.5 Seasonal Pricing for Maize  
Due to seasonality in agricultural production, maize prices at various levels of the supply 
chain fluctuate in predictable ways during the year. These fluctuations can be quite pronounced 
in the types of production and marketing systems seen in our country applications, with small‐
scale production, inadequate storage capacity to minimize physical losses, poor information 
flows, and very high costs of credit. Analysis of price data in Mozambique shows annual average 
maize price rises of between 85% and 90% in major markets of production areas over the 
period 2001 to 2011. These compare to annual average rises of less than 20% in South Africa, 
which has similar seasonal variation in production but where the production, trading, storage, 
and financial sectors are far more developed.43 With two annual harvests helping to reduce 
seasonal variation, Uganda shows seasonal rises of 37% in Kisenyi and 50% in Masindi – lower 

                                                       
43

 For the South Africa figure, see Tschirley et al. (2006). 

129 
 

than in Mozambique but still higher than in South Africa despite the single annual harvest in 
that country, which ceteris paribus should drive greater seasonal price variation. 
WFP may have two reasons to want to engage in “counter‐seasonal” purchasing 
whereby it preferentially purchases its supplies during the low price season. First, because its 
borrowing costs and physical storage costs are low when compared to typical seasonal price 
changes, it could reduce total procurement costs by such a strategy. Second, because 
pronounced seasonality can impact the welfare of farmers and consumers, WFP may be able to 
increase overall welfare of the rural population by buying counter‐seasonally and increasing 
prices during the harvest period rather than later in the season when supplies may be tighter. 
The likely benefits to rural households stem from the fact that their sales are heavily 
concentrated in the two to three months during and immediately after harvest, and their 
purchases are likely to occur later in the season. 
Two factors could limit WFP’s ability to take advantage of seasonal price movements. 
First, emergency needs are not always fully known months in advance, suggesting that some 
purchases are inevitably made when needs are revealed during high price months. Second, in 
the absence of access to the agency’s forward purchase facility (FPF), LRP purchases can be 
made only when WFP has cash on hand from donors. We do not analyze FPF in this paper but 
do analyze the agency’s seasonal buying pattern to provide insights into the potential gains 
from FPF. Specifically, we quantify the percent by which WFP has paid above or below a simple 
annual average price each year from 2001 to 2011 by comparing yearly average market prices 
weighted by WFP purchase volumes to simple averages of the same market prices. We use 
market prices in our weighting – rather than prices paid by WFP – because they are the prices 
WFP needs to be referencing as they attempt to purchase in counter‐seasonal fashion. The 
ratio of the weighted average prices to the simple average prices – which we call WFP’s 
seasonal pricing indicator (SPI) – quantifies how counter‐ or pro‐seasonal WFP’s purchases 
were during that year: ratios above (below) one indicate the percent by which WFP average 
purchase prices exceeded (fell below) prices in a hypothetical “seasonally neutral” approach of 
buying equal amounts each month of the year. 

130 
 

We computed SPI using maize market prices for Uganda and Mozambique gathered 
from Farmgain Africa and Ministry of Agriculture Marketing Information System (SIMA), 
respectively. Results are shown in Figures 4.18 and 4.19 for Uganda and Mozambique, 
respectively. The solid bold line in the Uganda figure is based on Kisenyi wholesale market 
prices, the largest and most referenced market in the country. The average SPI over all three 
markets and years in Uganda is one, indicating that the agency paid prices exactly equal, on 
average, to what they would have achieved through equal quantity purchases each month. 
Year‐by‐year variation, however, was high: the average SPI for 2008 (the most pro‐seasonal 
buying year) was 1.12, compared to 0.91 in 2006 (the most counter‐seasonal buying year). If 
WFP Uganda Country Office’s seasonal purchase pattern in 2008 had been the same as in 2006, 
it would have reduced its average purchase price by 19%. Overall the SPI shows no clear trend, 
suggesting no clear trend in the seasonality of purchases over the years by WFP in Uganda. 
Mozambique shows a different outcome. On average over all years and markets, its 
maize SPI was 0.95, indicating prices 5% lower than the hypothetical seasonally neutral buying 
pattern. Yet because WFP Mozambique Country Office buys in producing areas of the Central 
and Northern regions of the country, the SPIs for Chimoio in Central Mozambique and Nampula 
in Northern Mozambique are better indicators of actual seasonal pricing patterns; these were 
0.95 and 0.93, respectively. Chimoio and Nampula SPIs are also far more variable, reflecting the 
greater seasonality of prices in those areas compared to Maputo. During the two most counter‐
seasonal purchasing years (2005 and 2006) and focusing on the SPIs for Chimoio and Nampula, 
WFP Mozambique Country Office paid on average about 36% less than it would have paid had it 
followed the purchase pattern of the most pro‐seasonal purchasing year, 2004. 

131 
 

Figure 4.18 WFP seasonal pricing indicator for maize in Uganda, 2001‐2011 

Maize price index

1.2
1.1
1.0
0.9
0.8
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Kisenyi

Masindi

Lira
 

Figure 4.19 WFP seasonal pricing indicator for maize in Mozambique, 2001‐2011 

Maize price index

1.2
1.1
1.0
0.9
0.8
0.7
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Maputo

Chimoio

Nampula
 

 

132 
 

These findings suggest that there is scope for WFP to reduce its own costs while likely 
improving the welfare of poor farmers and consumers through use of FPF to purchase more 
pro‐seasonally, but that this scope varies across countries. Seasonal production patterns 
suggest that these opportunities would be greater in Mozambique than in Uganda. Compared 
to observed historical purchasing patterns, however, opportunities for improvement are 
greater in Uganda. More detailed analysis beyond the scope of this paper is needed to develop 
more refined estimates of potential gains. 
4.6 Regional and Local Market Pricing Performance 
Average maize prices paid by WFP in the two countries over the period 2001 to 2011 
were close, at US$242/MT in Uganda and US$254/MT in Mozambique. Comparing each to their 
regional neighbors, weighting prices by purchase quantities, and limiting our data to months in 
which maize was purchased in the country of interest and also somewhere in the region outside 
the country, we find that prices paid by WFP in Uganda (US$244/MT) were on average nearly 
identical to those paid in the rest of East Africa (US$245/MT) (Figure 4.20).44 Beyond this 
average, we see that prices in Uganda were very similar to those in the rest of the region 
throughout the period.45 
A similar comparison shows that WFP paid meaningfully higher prices in Mozambique 
than were paid in the Southern Africa region, by an average of 10.6% over the entire period 
(US$254/MT versus US$228/MT); (see Figure 4.21). Prices paid in Mozambique exceeded 
average prices paid in the region in 71% of all purchase months. This pattern changed over 
time, however. Prior to June 2008, average maize prices paid by WFP were 11% higher in 
Mozambique than in the rest of Southern Africa (US$207/MT versus US$188/MT) and higher 
than every individual country in the region. Between June 2008 and May 2010, the difference 
between these two maize prices increased dramatically to 31%, with an average of US$363/MT 
                                                       
44

 We compared Uganda to Ethiopia, Sudan, Kenya, Somalia, Rwanda, Burundi, and Tanzania. Mozambique was 
compared to Malawi, Zambia, Zimbabwe, Swaziland, Tanzania, and South Africa. 
45
 Note that prices in Uganda were most markedly below those in the region in 2007, the peak year of WFP maize 
purchases. Consistent with these relative prices, 2007 is also the year that Ugandan maize captured the largest 
percentage of the regional WFP market, with 35,056 MT (the all‐time high to that point) accounting for 37% of that 
market, compared to previous highs that never exceeded 25%.  Finally, 2007 was the high point for local 
distributions of locally procured maize, at more than 127,000 MT.   

133 
 

compared to US$278/MT, and again WFP paid higher average prices in Mozambique than in 
every other country of the region. From May 2010 through December 2011, average prices paid 
by WFP in Mozambique were below those in the rest of the region, at US$292/MT compared to 
US$303/MT. The pattern during this latter period, however, was driven by Malawi, where WFP 
paid extraordinarily high prices for maize; average prices paid in Mozambique were still higher 
than in every other country of the region with the exception of Malawi. 
Figure 4.20 Maize prices paid by WFP in Uganda and rest of East Africa, 2001‐2011 

Price (USD/MT)

500
400
300
200
100

2J
an

20
1

1J
an

20
1

0J
an

20
1

9J
an

20
0

8J
an

20
0

7J
an

20
0

6J
an

20
0

5J
an

20
0

4J
an

20
0

3J
an

20
0

2J
an

20
0

20
0

1J
an

0

Year & Month
Maize price paid by WFP in Uganda
Maize price paid by WFP in rest of East Africa

 
 
Figures 4.22 and 4.23 compare monthly prices paid by WFP to local market prices in 
Uganda and Mozambique, also showing monthly quantities purchased. Because Kisenyi is the 
reference market in Uganda, we present only Kisenyi prices in the Uganda graph. For months 
during which WFP purchased, their average purchase price exceeded market prices in Kisenyi 
by 32%, at US$242.5/MT compared to US$183.7/MT. Maize in Mozambique does not have a 
single dominant market, so we present the graph with Nampula and Beira. Results are very 
134 
 

similar to Uganda, with WFP paying average price premiums over wholesale of about 30% in 
both markets (US$254.4/MT compared to US$194.5/MT in Beira and US$195.8/MT in 
Nampula). 
Figure 4.21 Maize prices paid by WFP in Mozambique and rest of Southern Africa, 2001‐2011 

Price (USD/MT)

500.0
400.0
300.0
200.0
100.0

2J
an

20
1

1J
an

20
1

0J
an

20
1

9J
an

20
0

8J
an

20
0

7J
an

20
0

6J
an

20
0

5J
an

20
0

4J
an

20
0

3J
an

20
0

2J
an

20
0

20
0

1J
an

0.0

Year & Month
Maize price paid by WFP in Mozambique
Maize price paid by WFP in rest of Southern Africa

 
It is not clear how much of these price premiums are due to the higher costs of selling to 
WFP (more cleaning, lower moisture levels than typical in the trade, special bagging, and other 
costs). In discussions with traders in Uganda, their estimates for these costs were very close to 
the 32% premium that we computed. Traders in both countries repeatedly cited these higher 
costs and also persistently complained that WFP tenders were “too competitive”.  At the same 
time, several WFP officials doubt that the higher costs fully explain the price premiums, most 
traders do admit that the WFP market is profitable for them, and interviews make it clear that 
they work hard to remain in that market. 

135 
 

Figure 4.22 Monthly purchase order quantities, prices paid by WFP, and wholesale market 
prices, maize in Uganda (2001‐2011) 

Quantity ('000 MT)

400
20

300
200

10

100

2J
an

20
1

1J
an

20
1

0J
an

20
1

9J
an

20
0

8J
an

20
0

7J
an

20
0

6J
an

20
0

5J
an

20
0

4J
an

20
0

3J
an

20
0

20
0

20
0

2J
an

0

1J
an

0

Price (USD/MT)

500

30

Year & Month
LRP purchase of maize (left scale)
WFP purchase price of maize (right scale)
Wholesale maize price: Kisenyi (right scale)

 
We identify two main issues from this section on pricing performance relative to local 
and regional price levels. First, WFP’s purchasing behavior in Mozambique during the market 
peak of late 2008/early 2009 raises some questions. During the earlier market peaks of 2001/02 
and 2005/06, WFP avoided purchasing locally in the country.  Yet the agency did purchase in 
the midst of the very high market peak of 2008/09, and they paid much more locally than they 
were paying regionally at that time (Figure 4.21). They also purchased in the midst of the 
market peak of 2010/11, but at that time prices paid in Mozambique were comparable to those 
paid in the rest of the region. Without further information we cannot fully evaluate the 
2008/09 event, but raise the question of why WFP would purchase in the country at such high 
prices when prices paid in the region outside Mozambique were far lower. 

136 
 

Figure 4.23 Monthly purchase order quantities, prices paid by WFP, and wholesale market 

500

15

400
10

300
200

5

100
0

20

01
Ja
20 n
02
Ja
20 n
03
Ja
20 n
04
Ja
20 n
05
Ja
20 n
06
Ja
20 n
07
Ja
20 n
08
Ja
20 n
09
Ja
20 n
10
Ja
20 n
11
Ja
20 n
12
Ja
n

0

Price (USD/MT)

Quantity ('000 MT)

prices, maize in Mozambique (2001‐2011) 

Year & Month
LRP purchase of maize (left scale)
WFP purchase price of maize (right scale)
Wholesale maize price: Nampula (right scale)
Wholesale maize price: Beira (right scale)

 
Second, Mozambique remains a relatively high‐cost supplier of maize in the region, 
generating lower prices than only one country (Malawi) and even then only in 2010 and 2011. 
Given the quality problems in the country (Mozambique’s grain quality is clearly lower than 
South Africa and also Zambia, where better and more consistent seed is used), these pricing 
patterns suggest that the country is unlikely to be a regular supplier of maize to the region 
unless prices drop substantially. 
4.7 Conclusions 
Local and regional procurement of food aid by WFP can have meaningful effects on 
prices of commodities the agency procures and consequently on welfare of households who sell 
and/or purchase those commodities. In addition, the way that WFP goes about its local and 
regional procurement of food aid can generate potential systemic effects on the food systems 
of countries where commodities are sourced from. The case studies discussed in this paper 
137 
 

focused on such potential systemic effects by investigating five related issues: (1) whether WFP 
LRP contributed to knowledge, practices, and investments of traders and farmers concerning 
quality; (2) whether WFP LRP led, where relevant, to greater competitiveness in the sectors 
where WFP operates; (3) whether WFP LRP helped traders be more competitive in the 
commercial (and especially the regional) market; (4) whether the seasonal pattern of WFP LRP 
purchases has increased or moderated what are typically very large seasonal price movements; 
and (5) whether WFP pays “market prices” when procuring commodities. These are the types of 
effects that, accumulating over time, drive transformational change in food systems over the 
course of development. 
Several findings stand out from our case studies. Our first broad findings is that WFP 
has positively influenced the “quality culture” on maize in Uganda, beans in Ethiopia, and 
HEPS in Ethiopia and Malawi.  In all these cases, traders and processing companies have 
invested in new machinery and new practices to satisfy WFP’s market. In Ethiopian beans and 
HEPS, and Malawian HEPS, companies repeatedly indicated that WFP’s quality training – both 
formal training and ongoing interactions on quality matters – helped them in multiple ways: to 
focus more analytically on quality parameters, rather than assessing quality more qualitatively 
(and subjectively); to understand and implement practices to achieve and document these 
parameters; in this way to consolidate and spread within their company the good but 
inconsistent practices that they already had; and, for Malawian HEPS and Ethiopian beans, to 
use these improved practices to enter the export market more strongly. 
The “quality story” is positive but inconclusive on maize in Uganda. WFP faced three 
major challenges in trying to improve quality in this country. First, Uganda’s bimodal rainfall 
pattern means that maize comes off the farm with moisture levels too high for storage, 
necessitating mechanical drying capacity. Yet the small scale of production and local marketing 
make it difficult for small traders operating in production zones to invest in such capacity and, 
in fact, little private investment has taken place outside of the capital city (Kampala). Second, 
even many of the larger maize traders in Uganda had little experience with international trade, 
being oriented towards local markets and the largely informal export markets of Kenya and, 
more recently, South Sudan and DRC. International trade is more formal and demanding in 
138 
 

contracting procedures and quality guarantees, and companies must learn these skills if they 
are to compete; the lack of such experience in Uganda made WFP’s challenge greater. Finally, 
and closely related to the previous point, local and regional markets provide robust demand 
with little if any insistence on quality, providing traders with strong sales options if WFP 
standards are too demanding. 
The fact that the traditional regional maize market does not reward quality implies that 
the drive to improve quality in Uganda must be pursued in a regional context. The East African 
Community (EAC) and the East African Grains Council (EAGC) provide an institutional 
framework for doing this. WFP has supported this framework by moving its purchases in 
Uganda to EAC standards and by participating in various fora sponsored by EAC and EAGC.  
Continued active engagement by WFP at this level will be needed as it works to further enhance 
the quality and reduce the cost of grain that it purchases. 
WFP has had relatively little impact on quality practices in Mozambique, for multiple 
reasons: the highly dispersed marketing system that raises the cost of coordination for quality 
improvement, the dominant position of the two early trading firms who had no meaningful 
competition in supplying WFP, and the lack of any organized quality training program, even for 
the small‐ and medium‐scale traders selling under P4P.  
Our second broad findings is that traders are able to generate greater operational 
efficiencies selling to WFP, due to the relatively large size of tenders and the price that is 
known once a tender is won.  Both factors were repeatedly cited by traders when asked why, 
despite WFP’s strict and burdensome requirements, they wished to continue selling to the 
agency. If firms are able to use their WFP experience to increase their scale of operation more 
generally, then these efficiency gains will be long‐lasting and generate high returns to the 
farmers and consumers operating in the local food system. 
Finally, on the question of market entry, we found that WFP operations have spurred 
market entry in the Malawian and Ethiopian HEPS sectors, have facilitated greater 
commercial competitiveness of the Malawian HEPS and Ethiopian bean sectors, but have had 
limited effect on market entry in Mozambique’s maize sector. By spurring entry into the 
139 
 

Ethiopian HEPS sector, WFP has potentially facilitated a robust response by that sector to 
growing commercial markets, but that response has to date been limited, and WFP has not 
facilitated any entry by these firms into regional operations. As WFP moves now to include 
Ethiopian HEPS firms in regional tenders – as have done successfully for several years in Malawi 
– these companies may begin to be able to take broader advantage of the quality training they 
have received.

140 
 

 
 
 
 
 
 
 
 
 
REFERENCES 
 
 

 

141 
 

REFERENCES 
 
Clay, E.; B. Riley and I. Urey. 2005. The Development Effectiveness of Food Aid: Does Tying 
Matter? Paris, France: Organization for Economic Cooperation and Development (OECD). 
Coulter, J. 2007. Local and Regional Procurement of Food Aid in Africa: Impact and Policy Issues. 
Journal of Humanitarian Assistance October 2007. 
GAO. 2009. Local and Regional Procurement Can Enhance the Efficiency of U.S. Food Aid, but 
Challenges May Constraint its Implementation. Report to the Chairman, Subcommittee on 
Africa and Global and Global Health, Committee on Foreign Affairs, House of Representatives 
GAO‐09‐570. Washington, DC: United States Government Accountability Office (GAO). 
Jayne, T. S.; N. M. Mason; R. J. Myers; J. N. Ferris; D. Mather; M. Beaver; N. Lenski; A. Chapoto 
and D. Boughton. 2010. Patterns and Trends in Food Staples Markets in Eastern and Southern 
Africa: Toward the Identification of Priority Investments and Strategies for Developing Markets 
and Promoting Smallholder Productivity Growth. MSU International Development Working 
Papers 104. East Lansing, Michigan: Michigan State University. 
Lentz, E. C.; S. Passarelli and C. B. Barrett. 2013. The Timeliness and Cost‐Effectiveness of the 
Local and Regional Procurement of Food Aid. World Development 49: 9‐18. 
Tschirley, D.; J. J. Nijhoff; P. Arlindo; B. Mwinga; M. T. Weber and T. S. Jayne. 2006. Anticipating 
and Responding to Drought Emergencies in Southern Africa: Lessons from the 2002‐2003 
Experience. MSU International Development Working Paper 90. East Lansing, Michigan: 
Michigan State University. 
Tschirley, D. L. and A. M. del Castillo. 2007. Local and Regional Food Aid Procurement: An 
Assessment of Experience in Africa and Elements of Good Donor Practice. MSU International 
Development Working Paper 91. East Lansing, Michigan: Michigan State University. 
UNBS. 2011. Final Draft Uganda Standard ‐ Maize Grains Specifications. Kampala, Uganda: 
Uganda National Bureau of Standards. 
Upton, J. B. and E. C. Lentz. 2012. Expanding the Food Assistance Toolbox, in Barrett, C. B., A. 
Binder and J. Steets (Eds.). Uniting on Food Assistance: The Case for Transatlantic Cooperation: 
Volume. New York: Routledge. 

142 
 

Violette, W. J.; A. P. Harou; J. B. Upton; S. D. Bell; C. B. Barrett; M. I. Gómez and E. C. Lentz. 
2013. Recipients’ Satisfaction with Locally Procured Food Aid Rations: Comparative Evidence 
from a Three Country Matched Survey. World Development 49: 30‐43. 
Walker, D. J. and T. Wandschneider. 2005. Local Food Aid Procurement in Ethiopia: A Case 
Study Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Wandschneider, T. and R. Hodges. 2005. Local Food Aid Procurement in Uganda: A Case Study 
Report for EC PREP (UK Department for International Development). Chatham, United 
Kingdom: The University of Greenwich Natural Resources Institute. 
Webb, P.; B. Rogers; I. Rosenberg; N. Schlossman; C. Wanke; J. Bagriansky; K. Sadler; Q. 
Johnson; J. Tilahun; A. R. Masterson and A. Narayan. 2011. Delivering Improved Nutrition: 
Recommendations for Changes to U.S. Food Aid Products and Programs. Boston, MA: Tufts 
University. 
WFP. 2010. WFP Nutritional Improvement Approach: Informal Consultation. Rome, Italy: World 
Food Programme (WFP). 
WFP. 2012. WFP Nutrition Policy: Policy Issues Agenda Item 5. Rome, Italy: World Food 
Programme (WFP). 
 

143 
 

CHAPTER 5: 
CONCLUSIONS 
Food aid agencies had traditionally responded to food crises by shipping food 
commodities from donor countries to recipient countries. This modality of food aid assistance is 
referred to as transoceanic shipment of food aid. However, starting in the late 1990s, concerns 
about the disincentive effects of transoceanic food aid shipments on recipient countries 
combined with changing agricultural policies in donor countries to make food aid agencies – 
including the United Nations World Food Programme (WFP) the World’s largest agency 
administering multilateral food assistance – move away from transoceanic food aid shipments. 
This led to emergence of innovative alternative modalities of food assistance. Among these 
alternative forms of food assistance, local and regional procurement (LRP) – the purchase of 
food commodities in the country or region where food aid is being distributed to targeted 
groups of households – became one of the chief modalities, with its share of global food aid 
deliveries rising from less than 5% prior to 1995 to 8% in 2001 to about 30% in 2011. 
Policy makers, development practitioners and researchers have also raised importance 
concerns about the potential impacts of LRP on procurement countries. However, there are 
limited empirical studies that assess quantitatively the LRP impacts, despite the growing 
importance of LRP. In fact, we are not aware of any existing studies of LRP effects on local 
markets and households in countries where LRP purchases have been a significant share of total 
marketed surplus. This study addresses this knowledge gap by focusing on four countries and 
commodities where WFP LRP has had a meaningful share of the market: maize in Uganda and 
Mozambique, beans in Ethiopia, and high energy protein supplements (HEPS) in Ethiopia and 
Malawi. This study investigates three potential impacts of WFP LRP: (1) the effect of LRP on the 
level and variability of local market prices, (2) the impacts of resulting price changes on the 
welfare of households selling and/or consuming commodities procured by WFP, and (3) the 
effect of LRP purchases and related training and inspection activities on investment decisions 
and trading practices of traders and processors in the food system, and hence on the 
development of the food supply chain. 

144 
 

This study is structured into three self‐contained, but related, essays. Several broad 
findings emerge from the three essays. First, findings from essay one indicate that even though 
WFP LRP effects on local market maize prices in Mozambique and bean prices in Ethiopia were 
estimated to be modest on average, effects were substantial in particular years when the 
recent history of LRP purchases were especially high. Because we chose countries with the 
highest LRP as a share of marketed surplus for the study, it is likely that LRP price effects in 
other African countries will be lower. Second, results from essay two show that there is a large 
group of households in Mozambique and Uganda whose welfare is little affected by any 
reasonable estimate of LRP‐induced maize price increases. Average welfare effects are less than 
a 1% loss for maize in both countries, and about three‐quarters of all households experience 
impacts between 1% and ‐1%.  
Third, findings from essay two also suggest that welfare effects are significant for some 
households, though the impacts are fairly small on average and for most households. In 
Uganda, 8.9% of households are estimated to experience welfare gains or losses greater than 
3%, while in Mozambique 6.9% experience such effects. Welfare gains and losses are 
distributed relatively evenly across the income distribution in Mozambique (as many low 
income as high income households benefit and are harmed). However, the distribution of 
welfare gains and losses in Uganda suggests that higher welfare losses tend to be more 
concentrated among low income households due to these households’ greater reliance on 
maize for their consumption. Focusing on the bottom third of the income distribution in that 
country, over 13% had estimated losses of greater than 3%, and nearly 6% had losses greater 
than 5%.  Because this study focuses on countries where WFP LRP had a meaningful share of 
marketed surplus, welfare gains and losses will be smaller in countries with lower WFP LRP 
shares.   
Although WFP LRP effects on local market maize prices in Mozambique and bean prices 
in Ethiopia were estimated to be modest on average, effects were substantial in particular 
years. In Uganda, average LRP effects on maize prices are meaningful. Welfare gains and losses 
resulting from this induced price increases were estimated to be substantial among some 
households in Uganda and Mozambique, although they are fairly small on average. This 
145 
 

suggests that WFP does need to pay attention to possible local market price increases and 
corresponding welfare effects when LRP purchases become significant relative to the size of the 
marketed surplus. When price effects are generally modest and welfare effects are small for the 
vast majority of households, then the overall effect of WFP LRP depends on the systemic effects 
on the food systems that WFP is able to induced by the way in which it goes about its 
procurement. The last essay of this research focused on three such potential systemic effects: 
improved knowledge, practices, and investments regarding quality; operational efficiencies 
stemming from larger‐scale transactions under less uncertain prices and quantities, which allow 
unit costs to be driven down; and effects on entry into sectors and on companies’ and sectors’ 
ability to compete in the commercial sector. These are the types of effects that, accumulating 
over time, drive transformational change in food systems over the course of development.  
Our fourth broad finding is that WFP has positively influenced the “quality culture” on 
maize in Uganda, beans in Ethiopia, on HEPS in Ethiopia and Malawi, but not on maize in 
Mozambique. In all these cases, traders and processing companies have invested in new 
machinery and new practices to satisfy WFP’s market. Many companies indicated that WFP’s 
quality training and ongoing interactions on quality have caused them to focus more 
analytically on quality parameters; to understand and implement practices to achieve and 
document these parameters; to consolidate and spread within their company the inconsistent 
quality practices that they already had; and in some cases to use these improved practices to 
enter the export market more strongly. 
Our fifth finding is that traders are able to generate greater operational efficiencies 
selling to WFP, due to the relatively large size of tenders and a price that is known once a 
tender is won.  If firms are able to use their WFP experience to increase their scale of operation 
more generally, then these efficiency gains will be long‐lasting and generate high returns to the 
farmers and consumers operating in the local food system. 
Finally, we found that WFP operations have spurred market entry in the Malawian and 
Ethiopian HEPS sectors, have facilitated greater commercial competitiveness of the Malawian 
HEPS and Ethiopian bean sectors, but have had limited effect on market entry in Mozambique’s 
maize sector. By spurring entry into the Ethiopian HEPS sector, WFP has potentially facilitated a 
146 
 

robust response by that sector to growing commercial markets, but that response has to date 
been limited, and WFP has not facilitated any entry by these firms into regional operations. As 
WFP moves now to include Ethiopian HEPS firms in regional tenders – as have done successfully 
for several years in Malawi – these companies may begin to be able to take broader advantage 
of the quality training they have received. 
In recent years, the importance of vouchers and cash transfers as food assistance 
instruments has been rapidly growing. For instance, according to WFP (2011), the value of 
vouchers and cash transfer projects administered by WFP increased about eight‐fold from 
US$5.4 million in 2008 to US$41.0 million in 2010. Furthermore, it is projected that vouchers 
and cash transfers account for 30% of WFP assistance programs by 2015. Like LRP, vouchers 
and cash transfers increase local demand for food commodities, leading to price increases in 
local markets and corresponding household welfare effects.46 Hence, with the shift to increased 
use of vouchers and cash transfers, WFP and other food assistance agencies have to be mindful 
of the impacts of vouchers and cash transfers on local market prices and household welfare. 
This is because vouchers and cash transfers could potentially have significant effects on local 
market prices and welfare for some households as shown by our findings for the case of LRP. 
 

                                                       

46

 This assertion is consistent with findings by Hidrobo et al. (2014) showing that vouchers and cash transfers 
significantly increased per capita food consumption in Northern Ecuador. 

147 
 

 
 
 
 
 
 
 
 
 
REFERENCES 
 
 

 

148 
 

REFERENCES 
 
Hidrobo, M.; J. Hoddinott; A. Peterman; A. Margolies and V. Moreira. 2014. Cash, Food, or 
Vouchers? Evidence from a Randomized Experiment in Northern Ecuador. Journal of 
Development Economics 107: 144‐56. 
WFP. 2011. Update on Implementation of WFP's Policy on Vouchers and Cash Transfers: 
Informal Consultation. Rome, Italy: World Food Program (WFP). 
 

149