Assessing the economic impacts of post-harvest fisheries losses in Malawi
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 presents the findings from a qualitative and quantitative fisheries value chain and post-harvest loss study conducted in four Malawian lakes: Malawi, Malombe, Chilwa and Chiuta. The research found that the estimated total value of the fisheries value chain was US $454 million in 2016 – or 7.2% of the projected 2017 GDP. This is over 2.5 times the previously reported (Government of Malawi, 2017) beach landing site value. The study found that 43%, 54% and 69% of fish have physical and quality losses at the beach, processing and marketing nodes, respectively. However, high quality loss is not proportionately affecting economic loss. The fisheries value chain experiences less than 10% annual economic losses mainly due to low pricing sensitivity of existing products. The overall economic losses are nine percent, being highest at the beach node (19.3%) and smallest at the market node (2.1%). The main reason for this unusual relationship is that pricing is not sensitive to quality, which means that almost all types of quality of product is sold resulting in a recorded relatively low overall physical loss of 4.1%. An important conclusion of the assessment is that even though the economic losses are relatively modest in relation to the total value, the quality losses, which range between 43% and 69% depending on the node, indicate that the potential for health impacts and nutritional value loss are high throughout the value chain. Value chain improvements are recommended to provide economic and nutritional benefits for end-users and value chain actors.
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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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