Could there be Unintended Effects of Government Support for Seafood Traceability Implementation on Business Planning? Results of a Survey among Italian Fishery Businesses
Notice bibliographique
Résumé
Governments have intervened in food, agricultural and fisheries markets through various support programs to promote adoption of traceability practices and systems in order to raise food safety levels and increase industry competitiveness. The aim of this paper is to investigate intended and unintended effects of participation in such supporting programs. Intended effects comprise of the impacts on traceability capacity levels, costs and benefits of program participants vs. comparable non-participants. Unintended effects concern the firms’ planning accuracy which we propose to measure through deviations of actual from expected outcomes. We conduct our empirical analysis based on a sample of 55 Italian fishery businesses which we divide in firms who received support, a comparable control group and the remaining sample. Although we find that recipients of government support have higher average levels of traceability capacity and overall benefits than the control group, differences are not statistically significant. In regards to the unintended effects of government support, we find that recipients of government support reported larger deviations of actual from expected benefits than the control group did. While these differences were not significant at the aggregate level, significant differences are found at the level of specific benefit categories. For example, support recipients had overestimated sales and price related benefits but severely underestimated efficiency gains in operations. The results suggest that the motivation for participating in a government support program may not align with the firm’s strategic goals. This misalignment may reduce planning accuracy.
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 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».