Arctic shipping 2013–2022: the traffic has grown, with big variation between regions, seasons and ship types
Notice bibliographique
Résumé
This article analyses decadal changes in Arctic ship traffic from 2013 to 2022, using data from the Arctic Ship Traffic Data system (ASTD). Shipping in waters affected by sea ice has grown, but how much depends on geographical definitions. The Polar Code area had an average annual growth of 8.7%, mainly due to more traffic in the Barents Sea, where most Arctic ship traffic occurs. Where analysts set the southern boundary of the Barents Sea significantly influences the statistics, for example, to what extent fishing vessels dominate Arctic shipping. Reports on Arctic shipping should consider the significant intra-Arctic variations in activity levels, growth rates and traffic composition. The Kara Sea experienced the biggest annual growth rate—14% on average—because of petroleum projects that have introduced big oil and gas tankers. In contrast, there is minimal activity and growth in the Large Marine Ecosystems of the Northern Canadian Archipelago and the Central Arctic Ocean. Even though the winter traffic has grown in the Barents Sea, the Kara Sea and Baffin Bay, the activities there remain distinctly seasonal. In other seas, ships almost vanish in winter. Transit shipping over the Arctic is still insignificant in a global context. The standard reports in the ASTD are important for understanding Arctic shipping and should be improved. In particular, the Polar Code area needs to be subdivided to enable consistent reporting on overall pan-Arctic and intra-Arctic developments. Definitions for transit traffic should also be agreed upon and opportunities for automatic reporting accordingly investigated.
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 | 0,003 | 0,001 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».