Updated and expanded analysis of fuel tax concessions for the commercial fishing fleet of the United Kingdom
Notice bibliographique
Résumé
Fuel represents one of the most substantial cost items for commercial fishing enterprises. Despite growing government commitments to reducing carbon emissions and improving energy efficiency, fuel subsidies for fisheries persist globally, including in the United Kingdom (UK), where Fuel Tax Concessions (FTCs) provide tax relief to the fishing industry thus reducing their costs. This study updates and expands previous work examining the economic implications of FTCs for the UK commercial fishing fleet, incorporating the latest financial data up to 2022 as well as new insights into the large-scale pelagic fleet segment. Results show that over the past decade, FTCs have totalled approximately £1480 million in the UK, and in 2022 alone amounted to about £ 121 million in foregone government revenue. The UK fleet generated approximately £1020 million in income in 2022, therefore without FTCs, the fleets’ collective profits would have been around £ 1 million, effectively breaking even, all else remaining equal. While FTCs are currently important for maintaining overall fleet profitability, ensuring international competitiveness, and therefore supporting the livelihoods and food provision that these fleet segments provide, there are concerns about their alignment with sustainability and net-zero targets. This study highlights the need for greater transparency and informed debate between industry, government and civil society on the future of FTCs to balance economic support with social and environmental objectives, and the need to further invest in the acceleration of fuel efficiencies and cost-effective alternative fuel sources.
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 | 0,002 |
| 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 ».