MétaCan
Menu
Retour à la cohorte
Enregistrement W4285804302 · doi:10.3390/su14148662

Assessing the Economic Contribution of Ocean-Based Activities Using the Pacific Coast of British Columbia as a Case Study

2022· article· en· W4285804302 sur OpenAlexafffundabout
Lydia C. L. Teh, William W. L. Cheung, Rashid Sumaila

Notice bibliographique

RevueSustainability · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensFisheries and Oceans CanadaUniversity of British Columbia
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésGross domestic productCruiseEconomic impact analysisValue (mathematics)Ocean observationsInclusion (mineral)Total economic valueGeographyBusinessOceanographyEconomicsNatural resource economicsEconomic growthEcologyMeteorologyEcosystem services

Résumé

récupéré en direct d'OpenAlex

Global obligations to achieve sustainable oceans by 2030 require countries to commit to solutions that balance ocean use and protection. To do so necessitates baseline understanding of the ocean’s contribution to socio-economic well-being, which we do by measuring the economic activity of ocean-related sectors. Economic assessments tend to be data intensive and are typically reliant on professional economists, yet they are increasingly relevant to non-economists who engage in ocean management and communication, where they are integral in facilitating trade-off analysis of future ocean change. Thus, there is a need to make ocean economic assessment more accessible to nonspecialists. We fill this need by providing a pragmatic framework for conducting an economic assessment using British Columbia’s ocean sector as a case study. Our results show the impact of the province’s ocean sectors on four economic indicators and indicate that the ocean contributed almost $5 billion (or about 2%) to provincial gross domestic product (GDP) and generated about 106,120 jobs (over 4% of the province’s total) in 2015. Of these, the marine transport sector made the highest overall contribution followed by cruise lines, with GDP impacts of 66% and 13%, respectively. It should be noted that this estimated economic value is not representative of the full value of the ocean as it excludes oil and gas, research and education, and other activities that do not meet our criteria for inclusion, and it does not account for cultural and ecological values. Nonetheless the study highlights the substantial number of economic benefits generated by the blue economy. More significantly, the framework provides a simplified procedure for quantifying economic benefits, and can be applied by nonspecialists to perform rapid economic assessments in a variety of 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,024
Score d'incertitude au seuil0,175

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,009
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,008
Tête enseignante GPT0,258
Écart entre enseignants0,249 · 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 source (Gemma direct ou Codex distillé), 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 revueSustainabilityMême sujetCoastal and Marine ManagementTravaux en français237 207