Are fishers poor? Getting to the bottom of marine fisheries income statistics
Notice bibliographique
Résumé
Abstract Fishers’ economic status is hard to assess because fisheries socio‐economic data, including earnings, are often not centrally available, standardized or accessible in a form that allows scaled‐up or comparative analyses. The lack of fishing income data impedes sound management and allows biased perceptions about fishers’ status to persist. We compile data from intergovernmental and regional data sets, as well as case‐studies, on income earned from marine wild‐capture fisheries. We explore the level and distribution of fishers’ income across fisheries sectors and geographical regions, and highlight challenges in data collection and reporting. We find that fishers generally are not the poorest of the poor based on average fishing income from 89 countries, but income levels vary widely. Fishing income in the large‐scale sector is higher than the small‐scale sector by about 2.2 times, and in high‐income versus low‐income countries by almost 9 times. Boat owners and captains earned more than double that of crew and owner‐operators, while income from fisheries is greater than that from agricultural work in 63% of countries in this study. Nonetheless, incomes are below national poverty lines in 34% of the countries with data. More detailed fishing income statistics is needed for quantitative scientific research and for supporting socio‐economic policies. Key gaps to address include the lack of a centralized database for fisheries income statistics and the coarse resolution at which economic statistics are reported internationally. A first step to close the gap is to integrate socio‐economic monitoring and reporting in fisheries management.
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 | 0,011 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».