Growing Into Poverty: Reconstructing Peruvian Small-Scale Fishing Effort Between 1950 and 2018
Notice bibliographique
Résumé
Small-scale fisheries are globally marginalized by management institutions; thus, they have to endure the consequences of ineffective regulations, environmental uncertainty, social traps and market inequity. Small-scale fisheries in Peru, one of the world's leading fishing countries, are important contributors to national employment, food security and gross domestic product. Yet, relatively little is known about these fisheries and their evolution, except for the fact that the Peruvian small-scale fleet size is rapidly increasing. Here, we developed several indicators to assess changes in the fishing efficiency and economic performance of this fleet. Segmented regression analysis was used to identify statistically significant breakpoints and changes in their trajectories between 1950–2018. Our results suggest that fishing effort has strongly increased, and at much faster rates than the catches, particularly since 2006. The combined effect of these trends results in significant declines in the fleet's ratio indicators (i.e., catch per unit of effort, revenue per unit of effort, and fisher's incomes relative to Peru's minimum wage), suggesting that the growing fishing effort is unsustainable and uneconomic. The behavior of these indicators differs within the fleet, depending on the vessel's main fishing method. Most small-scale fishers are currently living in relative poverty. Yet, fishers using the least selective fishing gears, or engaged in illegal fishing, had the most stable incomes over the past decade. These findings are discussed in detail by exploring the social, legal and economic drivers fostering fleet growth. Finally, a list of general recommendations aimed at improving fisheries sustainability and fisher's wellbeing was produced, based on the local context, fisheries literature and common sense.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 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 ».