Building climate resilience, social sustainability and equity in global fisheries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Although the Paris Agreement establishes targets to limit global warming—including carbon market mechanisms—little research has been done on developing operational tools to achieve them. To cover this gap, we use CO 2 permit markets towards a market-based solutions (MBS) scheme to implement blue carbon climate targets for global fisheries. The scheme creates a scarcity value for the right to not sequester blue carbon, generating an asset of carbon sequestration allowances based on historical landings, which are considered initial allowances. We use the scheme to identify fishing activities that could be reduced because they are biologically negative, economically inefficient, and socially unequitable. We compute the annual willingness to sequester carbon considering the CO 2 e trading price for 2022 and the social cost of carbon dioxide (SC-CO 2 ), for years 2025, 2030 and 2050. The application of the MBS scheme will result in 0.122 Gt CO 2 e sequestered or US$66 billion of potential benefits per year when considering 2050 SC-CO 2 . The latter also implies that if CO 2 e trading prices reach the 2050 social cost of carbon, around 75% of the landings worldwide would be more valuable as carbon than as foodstuff in the market. Our findings provide the global economy and policymakers with an alternative for the fisheries sector, which grapples with the complexity to find alternatives to reallocate invested capital. They also provide a potential solution to make climate resilience, social sustainability and equity of global fisheries real, scientific and practical for a wide range of social-ecological and political 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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle