MétaCan
Menu
← Retour à la cohorte
Enregistrement W2195089822

Fish-farming Value Chain Analysis: Policy Implications for Transformations and Robust Growth in Tanzania

2015· article· en· W2195089822 sur OpenAlexvenueno aff
Francis Mwaijande, Prudence Lugendo

Notice bibliographique

RevueJournal of rural and community development · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTanzaniaValue (mathematics)Fish <Actinopterygii>AgricultureFish farmingEconomicsGlobal value chainAgricultural scienceBusinessFisheryAquacultureEnvironmental scienceMathematicsGlobalizationEcologyBiologySocioeconomicsStatisticsMarket economy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This article sets out data and issues in relation to fish-farming in Tanzania with the objective of generating information to inform policy decisions required for the transformations in the fish-farming into a viable commercial activity. It identifies challenges within the sector that should be addressed through policy reform. Fish farming in Tanzania is governed by the Fishery Act 2003 No. 22 and the National Fisheries Sector Policy of 1997. The guiding research problem statement was despite the National policy objective to develop a robust, competitive and efficient fishery sub-sector, fish farming in Tanzania is underdeveloped at subsistence production that contributes to only 1.2% of GDP. A survey design was used for collecting primary data from 293 respondents randomly sampled from 8 regions of Dar Es Salaam, Coastal, Morogoro, Njombe, Mbeya, Ruvuma, Kagera and Kilimanjaro. This data was collected using questionnaire and interviews. These were triangulated with secondary data obtained from desk top review. Descriptive statistics and content analysis method were used to report findings. The study found that the major constraints were lack of value chain in the fish farming. We examined the value chain in terms of sources of production, inputs, extension services, technology, and marketing and found that 60% of fish farmers obtain fingerlings from local sources such as friendship network. These sources have no scientific production of fingerlings suitable for commercial fish-farming. In the overall, farmers don't have good and reliable sources for fingerlings. It was also found that 76% of fish farmers make their own feeds using the locally obtained materials like maize and paddy husks, remains of vegetables from garden, cocoyam leaves, and cattle dung. However, it was found that the home made feeds lack quality due to inadequate basic knowledge of producing right fish feeds Lack of appropriate technology application in the fish-farming was a critical constraint that minimizes the chance of transforming the sub-sector into a commercial entity. Technology in fish farming industry include proper pond size, species, sex selection fingerlings, improved fish feeds, hatchery and storage facilities. Furthermore, the study found high demand for extension services in the fish-farming agribusiness, but there is insufficient or non-availability of the extension services, to impart knowledge, proper use of medicines, fish farm management practices and appropriate technology application. For the fish-farming sub-sector to grow from the current 1.2% to the targeted 5% contribution to GDP, it is recommended that policy actions should be undertaken for providing capacity building for small farmers in terms of skills for best practice of fish-farming, credit and or subsidy facility for fish farming infrastructure and inputs, extension services for knowledge and technology transfer to small farmers and encouraging public-private partnership along fish-farming value chain for ensuring availability of quality fingerlings, fish feeds, transportation, and marketing. Keywords: fish farming, small farmers, constraints, latent potential, policy implications making. ------------------------------------------------------- Résumé Cet article présente les données et les problèmes relatifs à la pisciculture en Tanzanie, en relation avec l'objectif de génération d'informations, pour mieux éclairer les décisions politiques requises pour des changements de la pisciculture à une activité commerciale viable. Il identifie les défis à l'intérieur du secteur et auxquels il faudrait répondre via une réforme politique. La pisciculture en Tanzanie est régie par la Loi 2003 No. 22 sur la pêche (Act. 2003 No. 22) et la Politique nationale relative au secteur de la pêche de 1997 (National Fisheries Sector Policy of 1997). La recherche repose sur le problème que malgré les objectifs de la politique nationale de développer des filières piscicoles robustes, compétitives et efficientes, la pisciculture en Tanzanie est sous-développée et ne permet qu'une production de subsistance qui ne contribue qu'à 1.2% du PIB. Un plan de sondage a été utilisé pour collecter les données primaires de 293 répondants sondés au hasard dans les huit régions du Dar Es Salaam, Coastal, Morogoro, Njombe, Mbeya, Ruvuma, Kagera et Kilimandjaro. Ces données ont été collectées à l'aide de questionnaires et d'entrevues. Elles ont été recoupées avec des données secondaires provenant d'examens documentaires. Des statistiques descriptives et la méthode d'analyse de contenu ont été utilisées pour les conclusions. L'étude montre que le principal obstacle a été le manque de chaîne de valeur dans la pisciculture. Nous avons examiné la chaîne des valeurs en termes de sources de production, des entrées, de services auxiliaires, de technologie, de marketing et avons trouvé que 60% des fermiers piscicoles obtiennent des alevins de sources locales, par exemple dans un réseau d'amis. Ces sources n'ont pas de production scientifique d'alevins adaptée à une pisciculture commerciale. En général, les fermiers n'ont pas de sources d'alevins de qualité ou stables. De plus, 76% des fermiers piscicoles font leurs propres nourritures en utilisant les produits obtenus localement tels que le maïs et les balles de riz, restes végétaux des jardins, les feuilles de taro et du fumier de bétail. Cependant, il a été prouvé que cette nourriture faite maison manquait de qualité du fait d'un manque de connaissances de base dans la production d'une bonne nourriture pour poisson. Le manque d'applications technologiques appropriées dans la pisciculture est un obstacle critique qui minimise les chances de transformer les filières en une entité commerciale. La technologie dans la pisciculture inclut des bassins de taille adéquate, des espèces, une sélection sexuelle des alevins, une amélioration de la nourriture des poissons, un incubateur et des installations de stockage. De plus, l'étude montre une forte demande pour des services auxiliaires dans la pisciculture agroalimentaire mais il y a une insuffisance ou une non-disponibilité de l'extension des services pour faire connaître la bonne utilisation des médicaments, les pratiques de gestion piscicoles et l'application appropriée des technologies. Pour que les filières piscicoles passent de 1.2 % à l'objectif de 5% de contribution au PIB, il est recommandé que les actions politiques soient entreprises dans le but de fournir la capacité de construire pour les petits fermiers en termes de compétences pour les meilleures pratiques de pisciculture, crédit ou bonification d'intérêt pour les infrastructures piscicoles et les entrées, des services auxiliaires pour le transfert des savoirs et des technologies aux petits fermiers et encourager le partenariat public-privé avec les valeurs de la chaîne piscicole pour s'assurer de la disponibilité de la qualité des alevins, de la nourriture des poissons, des transports et du marketing.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,005
Études des sciences et des technologies0,0010,002
Communication savante0,0040,005
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,066
Tête enseignante GPT0,283
Écart entre enseignants0,217 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations20
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of rural and community development→Même sujetAgricultural Innovations and Practices→Travaux en français237 207→