Valuing seafood: The Peruvian fisheries sector
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There are tradeoffs in managing fisheries, and ideally such tradeoffs should be known when setting fisheries policies. An aspect of this, which is rarely considered, is the spin-off effect of different fisheries: the economic and social benefits that fisheries generate through processing through distribution and on to the end consumer. This study evaluated the benefits generated in the Peruvian marine fisheries sector through a comprehensive value chain analysis, based on a newly-developed combined ecosystem-economic modeling approach, which was integrated in the widely-used Ecopath with Ecosim approach and software. The value chain was parameterized by extensive data collection through 35 enterprise types covering the marine fisheries sector in Peru, including the world's biggest single-species fishery for anchoveta. While anchoveta is what is known about Peruvian fisheries, the study finds that anchoveta accounts for only 31% of the sector contribution to GDP and for only 23% of the employment. Thus, while anchoveta indeed is the fundamental fish species in the Peruvian ecosystem, there are other fisheries to be considered for management. The study indicates that the economic multipliers for Peruvian fisheries were 2.9 on average over the industry, and that these varied surprisingly little between fleets and between seafood categories indicating that the multipliers can be used beyond Peru to generalize the spin-off effect of the value chain. Employment multipliers vary much more across types of fisheries, but also around an average of 2.9; here it was clear that longer value chains result in more employment.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,144 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle