Profitability Analysis of Small Scale Fishery Enterprise in Nigeria
Notice bibliographique
Résumé
Segmented markets of sub-optimal size existing in fishery value chain do not ensure sizeable private investment in the different stages of the value chain in Nigeria. Supply-demand gaps are increasingly being filled by imports, thus dampening prospects for increased revenue generation by actors in the chain. Market failures in the fish value chain limited capability and performance of small scale fish enterprises at the various stages of the chain. As such this study is prompted by the need to determine and compare profitability of actors along the fish value chain with the use of survey data collected from fishery farmers, marketers and processors. Budgetary framework was used to estimate cost and returns to actors while regression framework was used to estimate determinants of profit at the small scale farm level. The results showed that lowest level of profitability was associated with the producers of fish at farm level. Across all stages, profitability was affected by changes in the cost of labour more than any other costs. In addition, the results showed that profit level declined by 0.04%, 0.51%, 0.01%, and 0.13%, respectively, for every one percent increase in the cost of labour, fertilizer and liming, feed and pond construction at the small scale farm level. Findings suggest that emphasis of new agricultural promotion policy should be on strengthening linkage and access of small scale operators in fishery subsector to adequate inputs, information, and innovation at reduced costs so as to drive increased investments and profitability in fishery value chain.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».