E-Commerce Platforms and Their Impact on Fish Product Supply Chains in India: A Comprehensive Analysis
Notice bibliographique
Résumé
This study examines the transformative impact of e-commerce platforms on India's fish product supply chains from 2018 to 2022. Using a mixed-methods approach, we analyze primary data from 450 stakeholders (fishermen, retailers, and consumers) across six coastal states and secondary data from government and industry reports. Key findings reveal a 27.4% reduction in post-harvest losses (from 38% to 27.6%) and a 22.1% increase in fishermen's net income due to e-commerce adoption. Our structural equation modeling shows that digital platform integration explains 41.3% of supply chain efficiency improvements (β = 0.643, p < 0.001). The study identifies three phases of e-commerce adoption: incubation (2018–19), acceleration (2020–21), and consolidation (2022). Regional disparities are evident, with Kerala achieving 34.2% adoption rates compared to West Bengal's 18.7%. The COVID-19 pandemic accelerated platform adoption by 3.4 times, highlighting the resilience of digital solutions. Policy recommendations include ₹8,200 crore investments in cold chain infrastructure and standardized quality certifications. This study underscores the potential of e-commerce to enhance sustainability and equity in India’s fisheries, aligning with SDG 14.b goals for small-scale fisheries access to markets. This research provides actionable insights for policymakers, platform developers, and fisheries stakeholders to optimize India's aquatic food systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».