Critical Aspects of Aquafeed Value Chain in the Kenyan Aquaculture Sector- A Review
Notice bibliographique
Résumé
This article reviews critical aspects of the aquafeed value chain in the Kenyan aquaculture sector. Aquaculture production in Kenya has grown steadily in recent years, to more than 18,000 tons in 2019. Due to the growing demand for fish and fish products, there has been a gradual shift from extensive to semi-intensive to moderately intensive aquaculture systems, leading to an increased demand for high quality commercial fish feeds. The current annual demand for fish feed in Kenya is estimated at 34,000 tons. It is the lack of sufficient and high-quality local fish feed production that has created a market for fish feed importers, which is currently estimated at 7,000 tons annually. However, the imported fish feed is expensive for most fish farmers, leading to low production. Local fish feed production through home-based formulation should be driven by fish farmers to contain the rising cost of feeds. Most cottage feed manufacturers produce mash, crumbles or sinking pellets because they lack extruder for making floating pellets, hence the need for quality control in the aqua-feed sector. Fish feed producers are weakly covered by financial services providers, hence the inability to compete effectively with other value chains. The paper outlines five key actors in the aqua-feed value chain from production to marketing. These include; raw material (ingredients) suppliers, feed manufacturers (feed formulators), distributors/wholesalers, retailers, and customers who are fish farmers. We recommend intensification of local aqua-feed production using locally available materials to reduce the importation. This will ensure the long term economic and ecological sustainability of the aquaculture sector. There is a need for favourable policies to lower importation rates for raw materials as a way of boosting the availability of additional feed resources and inputs.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».