Kostnadsutvikling for havbruk i Norge og i konkurrentland. Faglig sluttrapportering
Bibliographic record
Abstract
Produksjonskostnadene i norsk oppdrettsnæring har økt betydelig de siste årene. Denne rapporten undersøker om og i hvilken grad dette er tilfellet også for våre konkurrentland, og hva dette betyr for konkurransesituasjonen til norsk oppdrettsnæring. I rapporten gjennomgås kostnadsutviklingen, og forklaringene bak, for Canada, Chile, Skottland og Færøyene. Kostnadsdriverne er i stor grad de samme som for Norge; fôr og helsekostnader, men i ulik grad. De ulike landene har ulike utfordringer med lakseluse og forskjellige sykdommer. I tillegg har en del av landene utfordringer med giftige alger og predatorer. Regelverkets betydning for kostnadene blir også diskutert. Færøyene og Norge har den mest kostnadseffektive produksjonen, på grunn av gode naturgitte forhold, gode biologiske resultater og større og mer effektive anlegg. I rapporten diskuteres også kostnadsutviklingens betydning for konkurransesituasjonen. Her blir kostnadsutviklingen sett i sammenheng med markedsutviklingen for enkelte av landene og ikke minst i sammenheng med valutasituasjonen. Rapporten peker på at norsk oppdrettsnæring til tross for kostnadsvekst er meget konkurransedyktig, og at dette både har sammenheng med at næringen er innovativ og at den har rammevilkår som gjør det mulig å utnytte de gode naturgitte forholdene for oppdrett i Norge.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.138 | 0.072 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".