MétaCan
Menu
Retour à la cohorte
Enregistrement W4283524056 · doi:10.1016/j.marpol.2022.105179

A framework for investigating commercial license and quota holdings in an era of fisheries consolidation, concentration and financialization

2022· article· en· W4283524056 sur OpenAlexafffundabout
Jennifer J. Silver, Joshua S. Stoll

Notice bibliographique

RevueMarine Policy · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Land Use, Rural Development
Établissements canadiensUniversity of Guelph
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésLicenseBusinessConsolidation (business)JurisdictionFisheryEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

This paper proposes a novel framework to conceptualize and investigate license and quota holdings within fisheries jurisdictions and regions. We motivate and develop the framework by drawing together two bodies of literature that have been relatively disparate: one on fisheries industrialization and the other, from food studies and food systems scholars, on consolidation and concentration in farming and agrifood value chains. An important observation from food studies and food systems research is that a spectrum of logics -- from productive through to speculative -- motivate farmland accumulation and shape patterns of ownership, investment, and power in farming regions. We apply the framework to investigate license holding portfolios within the federally-managed fisheries jurisdiction off of Canada’s western-most province, British Columbia (BC). We calculate the market value of a selection of large portfolios. We also begin to explore power dynamics, finding that those with large and valuable portfolios are uniquely positioned to exercise and expand control within the jurisdiction. Fisheries and marine policy researchers should assume that hedge funds, private investment and equity firms, and other publicly traded businesses now regularly assess the investment potential of licenses and quota; case-based, comparative, and policy-oriented research are all urgently needed.

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 enseignants0,109
Score d'incertitude au seuil0,274

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 Opus0,027
Tête enseignante GPT0,258
Écart entre enseignants0,231 · 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

Citations9
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMarine PolicyMême sujetAgriculture, Land Use, Rural DevelopmentTravaux en français237 207