Unveiling the hidden hands: Analysis of corporate ownership of industrial tuna fishing vessels in the Eastern Pacific Ocean
Notice bibliographique
Résumé
Distant-water fishing (DWF) refers to fishing operations conducted by companies in waters beyond their national exclusive economic zones (EEZs), often targeting the EEZs of other coastal states or international waters. Research on DWF typically emphasizes the flag states of vessels, rather than the nationalities of the corporations that own them, despite evidence of efforts to obscure ownership. This paper examines the corporate owners of 1648 industrial and semi-industrial tuna fishing vessels in the Eastern Pacific Ocean (EPO) using Orbis data, analyzing ownership at three levels: flag state, direct corporate owners, and ultimate corporate owners. Results show that flag state data alone understate the true fishing capacity of key DWF nations. Shifts in ownership nationality across levels are significant, notably for Taiwanese and Spanish corporations owning vessels through proxies in the Global South. These ownership shifts impact 6 % of vessels and 14 % of gross tonnage in the registered EPO tuna fleet. Furthermore, spatial analysis using Global Fishing Watch data highlights the Galapagos Islands EEZ as a critical fishing zone, frequently accessed by foreign fishing corporations through Ecuadorian intermediaries. This study underscores the need to incorporate ownership data into fisheries governance for greater transparency and accountability. The systematic collection and analysis of ownership data would allow fisheries managers to better monitor capacity, address power concentration, and promote policies that ensure fairer distribution of resources and benefits.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».