MétaCan
Menu
Retour à la cohorte
Enregistrement W3109625468 · doi:10.3390/jrfm13120297

Effect of Fisheries Subsidies Negotiations on Fish Production and Interest Rate

2020· article· en· W3109625468 sur OpenAlexvenueno aff
Radika Kumar, Ronald Ravinesh Kumar, Peter Josef Stauvermann, Pallavi Arora

Notice bibliographique

RevueJournal of risk and financial management · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueTaxation and Compliance Studies
Établissements canadiensnon disponible
Organismes subventionnairesChangwon National University
Mots-clésSubsidyInterest rateDeveloping countryMarket liquidityProduction (economics)EconomicsFinancial marketFisheryInvestment (military)Monetary economicsNegotiationBusinessInternational economicsFinanceMacroeconomicsMarket economy

Résumé

récupéré en direct d'OpenAlex

We analyze the effect of fisheries subsidy negotiations on financial markets and aggregate demand in developed and developing countries. We examine the plausible scenarios that are likely to emerge in the event of elimination or reduction of subsidies, and the subsequent effect on the financial markets and the fish production. We use the Keynesian macroeconomic static framework, which is based on an extended well-known investment-savings (IS) and liquidity preference–money supply (LM) model for analysis. Our analysis shows that the impact of a reduction in fisheries subsidies would reduce the exploitation of fish and marine resources in developing countries, thus leading to a general increase in fish prices and quantity stabilizing at lower levels. We also find that this effect would transfer to financial markets, leading to a decline in interest rates for fish exporting developing countries, but interest rates tend to stabilize at higher levels for fish importing developed countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,187
Score d'incertitude au seuil0,258

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,212
Écart entre enseignants0,187 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetTaxation and Compliance StudiesTravaux en français237 207