MétaCan
Menu
Retour à la cohorte
Enregistrement W4389482689 · doi:10.1038/s44183-023-00031-9

Fisheries subsidies exacerbate inequities in accessing seafood nutrients in the Indian Ocean

2023· article· en· W4389482689 sur OpenAlexaff
Vania Andreoli, Jessica J. Meeuwig, Daniel J. Skerritt, Anna Schuhbauer, U. Rashid Sumaila, Dirk Zeller

Notice bibliographique

Revuenpj Ocean Sustainability · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensOceans Limited (Canada)University of British Columbia
Organismes subventionnairesMinderoo FoundationBloomberg PhilanthropiesMarisla Foundation
Mots-clésSubsidyOverfishingFishingFisheryFood securityBusinessNatural resource economicsDistribution (mathematics)Fisheries lawExclusive economic zoneGeographyFisheries managementEconomicsAgriculture

Résumé

récupéré en direct d'OpenAlex

Abstract Harmful, capacity-enhancing subsidies distort fishing activities and lead to overfishing and perverse outcomes for food security and conservation. We investigated the provision and spatial distribution of fisheries subsidies in the Indian Ocean. Total fisheries subsidies in the Indian Ocean, estimated at USD 3.2 billion in 2018, were mostly harmful subsidies (60%), provided to the large-scale industrial sector by mainly a few subsidising countries, including Distant Water Fishing countries. We also explored possible socio-economic drivers of the composition of subsidies, and show that the extent of harmful subsidies provided by Indian Ocean Rim (IOR) countries to their industrial sector can be predicted by the seafood export quantities of these countries. These results illustrate the inequity in accessing fisheries resources for the small-scale sector of nutrient insecure and ocean-dependant IOR countries. The present study can benchmark future assessments and implementation of fisheries subsidy disciplines in the region following the World Trade Organisation Agreement on Fisheries Subsidies.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge 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 enseignants0,068
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,021
Tête enseignante GPT0,280
Écart entre enseignants0,258 · 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

Citations14
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuenpj Ocean SustainabilityMême sujetMarine and fisheries researchTravaux en français237 207