Determinants of Fish Trade Flows in Africa
Notice bibliographique
Résumé
Given that fish and fishery products are ranked among the most traded food commodities globally, with developing countries accounting for the bulk of the world’s fish exports, the analysis of fish trade flows is of key importance for any policy measure in the fisheries sector. This study evaluates the determinants of fish trade flows by applying the generalized gravity model. Using panel data covering a period of 14 years for 54 African countries, the gravity model is estimated using the Tobit regression to overcome estimation challenges in the presence of zero trade observations. The results suggest that a 1% increase in exporters’ GDP, importers’ GDP, population, exporters’ fish production, and countries sharing a common border increased fish trade flows by 8%, 14 %, 4%, 36% and 60%, respectively. On the other hand, importers’ fish production, and distance reduced fish trade flows by 5% and 17%, respectively. The results further shows that the belonging to ECOWAS, EAC, SADC and AMU has significantly enhanced intra-fish trade flows thereby contributing to gross trade creation for fish. The results indicate that the current demand for fish is very high such that current production is unable to meet the consumption needs. This calls for consolidated efforts in investment and development of the aquaculture sector as an alternative to the dwindling fish supplies from the wild environment. The findings also demonstrate the need for regional blocs to improve the transport networks on the continent by, among others, adopting a regional cooperation strategy centered on infrastructure development.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».