MétaCan
Menu
Retour à la cohorte
Enregistrement W4361192370 · doi:10.21203/rs.3.rs-2731208/v1

Poverty line income and fisheries subsidies in developing country fishing communities

2023· preprint· en· W4361192370 sur OpenAlexafffund
Louise Teh, Lydia C. L. Teh, U. Rashid Sumaila, Alfredo Giron Nava

Notice bibliographique

RevueResearch Square · 2023
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesKillam Trusts
Mots-clésSubsidyPovertyFishingSustainabilityFisheryEconomicsExtreme povertyBusinessSustainable developmentNatural resource economicsDevelopment economicsEconomic growthPolitical scienceEcology

Résumé

récupéré en direct d'OpenAlex

<title>Abstract</title> Eradicating poverty and harmful fisheries subsidies are two pressing challenges frequently addressed in international agendas for sustainable development. Here we investigate a potential solution for addressing both challenges simultaneously by asking the hypothetical question: to what extent can harmful fisheries subsidies provided by a country finance the cost of lifting fishers out of poverty? Focusing on 30 coastal least developed countries, we find that fishers in 87% of these countries do not earn sufficient income to satisfy the extreme poverty line income of USD 1.90/person/day, and that it costs an estimated USD 2.2 to 2.6 billion to lift these fishers to different levels of poverty line incomes. Our analysis further suggests that at the country level, redirected harmful fisheries subsidies can cover the entire cost of covering the poverty income gap for between 37 to 43% of assessed countries. Our results provide quantitative evidence that can be used to support simultaneous progress towards achieving several Sustainable Development Goals, including those dealing with poverty reduction, food insecurity, and ocean sustainability.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,098
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,015
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,111
Tête enseignante GPT0,362
Écart entre enseignants0,251 · 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.

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

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetMarine and fisheries researchTravaux en français237 207