Availability and usefulness of economic data on the effects of aquaculture: a North Atlantic comparative assessment
Notice bibliographique
Résumé
Abstract This paper focuses on the availability of economic indicators and metrics to assess effects of marine aquaculture production in the North Atlantic area (the EU, Norway, Canada and USA), including also social and environmental effects. We consider how aquaculture planning and management is organised in the different countries and the usefulness of economic information to address different aquaculture‐related policies. We find that the most relevant economic data for aquaculture management should be at the local and regional levels rather than nationally. The availability of such economic data is mapped for national, regional and local level. The focus is on data that are publicly available from authorities or research institutions. The availability of data is generally fairly good for national and regional data on the direct economic effects of aquaculture. Data on how aquaculture‐related products or input markets are affected are however poorly available, as are economic data on external effects from aquaculture. Countries with a larger aquaculture sector tend to have better availability of aquaculture‐related economic data than those with a smaller sector. An index is developed and calculated to show more specifically where the countries have relatively good or poor data availability compared to their needs. While it will not always be cost‐effective or meaningful to collect economic data on the effects of aquaculture, our study indicates that several countries could benefit from expanding such data collection. It can make trade‐off decisions more consistent and easier to perform, and aquaculture policies and measures can be better tailored to specific contexts.
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) | 0,001 | 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 | 0,001 |
| 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 ».