A global dataset on subsidies to the fisheries sector
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 article contains data on subsidies provided to the fisheries sector by maritime countries. The dataset is the culmination of extensive data collection efforts using peer-reviewed and grey literature, national budgets, online databases, websites and other relevant sources (e.g. OECD, World Bank and WTO), in order to estimate the scope and magnitude of global fisheries subsidies. For subsidies where we found evidence of expenditure by a country, we record the total amount alongside the source references and refer to these as ‘reported’ data. Where evidence is found that a country provides a subsidy but no amount reported, we estimate using various approaches and refer to these as ‘modeled’ data. Where evidence exists that no subsidy is provided by a country we refer to these null values as ‘not found evidence of subsidy’. All amounts were converted to constant 2018 USD using 2017 exchange rates and annual Consumer Price Index averages. The final dataset of ‘reported’, ‘modeled’ and ‘not found’ subsidies for 2018 consists of 13 subsidy types across 152 maritime countries. The dataset, first developed in the early 2000s, now forms part of the global fisheries management infrastructure and is a central tool used by WTO negotiators. The data we provide may be used to support local, regional and global fisheries management decision-making and may have further uses when analysed in combination with other fisheries related data. Interpretation of these data can be found in the associated research article titled “Updated estimates and analysis of global fisheries subsidies” [1].
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 | 0,000 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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