Effects of increased specialization on revenue of Alaskan salmon fishers over four decades
Notice bibliographique
Résumé
Abstract Theory and previous studies have shown that commercial fishers with a diversified catch across multiple species may experience benefits such as increased revenue and reduced variability in revenue. However, fishers can only increase the species diversity of their catch if they own fishing permits that allow multiple species to be targeted, or if they own multiple single‐species permits. Individuals holding a single permit can only increase catch diversity within the confines of their permit (e.g. by fishing longer or over a broader spatial area). Using a large dataset of individual salmon fishers in Alaska, we build a Bayesian variance function regression model to understand how diversification impacts revenue and revenue variability, and how these effects have evolved since the 1970s. Applying these models to six salmon fisheries that encompass a broad geographic range and a variety of harvesting methods and species, we find that the majority of these fisheries have experienced reduced catch diversity through time and increasing benefits of specialization on mean individual revenues. One factor that has been hypothesized to reduce catch diversity in salmon fisheries is large‐scale hatchery production. While our results suggest negative correlations between hatchery returns and catch diversity for some fisheries, we find little evidence for a change in variability of annual catches associated with increased hatchery production. Synthesis and applications . Despite general trends towards more specialization among commercial fishers in Alaska, and more fishers exclusively targeting salmon, we find that catching fewer species can have positive effects on revenue. With increasing specialization, it is important to understand how individuals buffer against risk, as well as any barriers that prevent diversification. In addition to being affected by environmental variability, fishers are also affected by economic factors including demand and prices offered by processors. Life‐history variation in the species targeted may also play a role. Individuals participating in Alaskan fisheries with high contributions of pink salmon — which have the shortest life cycles of all Pacific salmon — also have the highest variability in year‐to‐year revenue.
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 | 0,000 | 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 | 0,000 |
| 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 ».