Assessing the Effectiveness of Monitoring Control and Surveillance of Illegal Fishing: The Case of West Africa
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
This paper assesses illegal fishing in West Africa, one of the regions most affected by Illegal, Unreported and Unregulated fishing (IUU) in the world. The catch, the economic loss and the amount recovered through Monitoring, Control and Surveillance (MCS) are calculated based on a reconstruction method, and the information made available through national MCS units, between 2010 and 2016 in an effort to assess the effectiveness of surveillance efforts in the region. Results show considerable loss of revenues for Mauritania, Senegal, The Gambia, Guinea Bissau, Guinea and Sierra Leone, estimated at 2.3 billion USD annually, while a minimal amount of 13 million USD is recovered through MCS. In addition, this paper finds that countries touched by the Ebola crisis (Guinea and Sierra Leone) drive a tremendous increase in the loss generated by illegal fishing. However, further analysis shows that the overall severity of illegal fishing, as defined by a range of types investigated here, declines as the fines against the most severe forms of IUU fishing increase. Finally this study finds that Sierra Leone and The Gambia have the highest scoring MCS systems, and were the countries where the most offenders are caught and charged with the highest fines, while Senegal’s new legislations which improved MCS during 2015 does not appear to show on the scoring results. This study finds that illegal fishing amounts the equivalent of 65% of the legal reported catch from West Africa and poses serious concern for food security, and the economy in the region.
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 | 0,005 | 0,001 |
| 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 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle