MétaCan
Menu
Retour à la cohorte
Enregistrement W1944415172 · doi:10.5539/mas.v9n12p194

The Capture Fishery Based Small Pelagic Business Development Opportunities Analysis with Purse Seine Fishing Gear in Maluku (Case Study on Financial Aspect in West Seram Regency)

2015· article· en· W1944415172 sur OpenAlexvenueno aff
Steven Siaila

Notice bibliographique

RevueModern Applied Science · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Agroindustry Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProfitability indexPelagic zoneFishingFisheryShoreBusinessAgricultural scienceEnvironmental scienceFinanceBiology

Résumé

récupéré en direct d'OpenAlex

<p class="zhengwen"><span lang="EN-GB">The study aims to find out and analyze the influence of running cost, shore cost, fishing duration and seasonal climate on profitability of purse seining small pelagic fishery business group in West Seram Regency in purpose to find out capture fishery development prospect by using such equipment in West Seram Regency. The data used in this study is primary data, i.e. a data collected from respondents through interview. Respondents are selected purposively from population of purse seining capture fishery business group. Multiple linear regression analysis method is applied to estimate the influence of running cost, shore cost, fishing duration and seasonal climate on the profitability variables (ROA). The findings reveal that running cost affects positively profitability, shore cost affects negatively and significantly profitability, fishing duration affects negatively and significantly profitability. On the contrary, seasonal climate does not affect profitability of purse seining capture fishery. Further, it is said that there is still a chance to develop purse seining small pelagic fishery business group under the condition that the activity has to be accompanied with control over running cost, shore cost, and fishing duration. <s></s></span></p>

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,234
Score d'incertitude au seuil0,910

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,087
Tête enseignante GPT0,227
Écart entre enseignants0,140 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetAgriculture and Agroindustry StudiesTravaux en français237 207