Linking catch reconstructions with downstream supply chain nodes can help strengthen management actions in favour of just, sustainable and resilient futures
Notice bibliographique
Résumé
Supply chain opacity enables seafood fraud, human rights abuses and unsustainable resource use. To boost seafood transparency, it is vital to understand what is being caught or farmed, by whom, how, where and when. Catch reconstructions, such as those from the Sea Around Us, achieve this. Yet, linking producers’ outputs with downstream supply chain nodes (processors, distributors, wholesalers, retailers, or consumers) provides insights into who utilizes the production, its sourcing, and intended use. This paper describes a methodology for establishing links between marine taxa, producers, and downstream nodes over time. Peru is used as a case study to illustrate the approach. The resulting database covers the period between 1950 and 2021, and links 15 producers with 11 downstream nodes, across 45 functional groups (aggregating 340 taxa). A closer look at the data reveals that downstream nodes are growing increasingly reliant on inputs sourced from small-scale fisheries. Moreover, the use of unreported inputs by nodes involved in export-driven supply chains is declining, while the opposite trend is observed by nodes along supply-chains whose end consumers are domestic. Links between downstream nodes and producers are very variable and dynamic. Yet, all nodes show signs of environmental regime shifts, Fishing Down the Food Web and the expansion of fishers’ domains. The implications for supply chain transparency and fisheries systems research are discussed in detail.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».