Early effects of COVID-19 interventions on US fisheries and seafood
Notice bibliographique
Résumé
The United States seafood sector is susceptible to shocks, both because of the seasonal nature of many of its domestic fisheries and its global position as a top importer and exporter of seafood. However, many datasets that could inform science and policy during an emerging event do not exist or are only released months or years later. Here we synthesize multiple data sources from across the seafood supply chain, including unconventional real-time datasets, to show the relative initial responses and indicators of recovery during the COVID-19 pandemic. We synthesized news articles from January to September, 2020 that reported effects of COVID-19 on the US seafood sector, including processor closures, shortened fishing seasons, and loss of revenue. Concerning production and distribution, we assessed past and present landings and trade data and found substantial declines in fresh seafood catches (-40%), imports (-37%) and exports (-43%) relative to the previous year, while frozen seafood products were generally less affected. Google search trends and seafood market foot traffic data suggest consumer demand for seafood from restaurants dropped by upwards of 70% during lockdowns, with recovery varying by state. However, these declines were partially offset by an increase (270%) in delivery and take-out service searches. Our synthesis of open-access datasets and media reports shows widespread, but heterogeneous, ramifications of COVID-19 across the seafood sector, implying that policy-makers should focus support on states and sub-sectors most affected by the pandemic: fishery-dependent communities, processors, and fisheries and aquaculture that focus on fresh products.
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 | 0,003 |
| 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 | 0,000 | 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 ».