La pêche migrante au Sénégal, en Mauritanie et Gambie : un mécanisme d’approvisionnement des industries de farine de poisson
Bibliographic record
Abstract
L’objectif de l’article est de présenter une évaluation de la contribution quantitative des captures des pêcheurs migrants à l’approvisionnement des usines de farine de poisson du Sénégal, de la Gambie et de la Mauritanie. La méthode a consisté d’abord à identifier et quantifier les volumes des captures des pêcheurs migrants ciblant les petits pélagiques dans les trois pays étudiés. Ensuite, des entretiens de terrain auprès des pêcheurs migrants et mareyeurs ont permis de déterminer la part des captures allouée aux industries de farine de poisson. Sur la base du ratio de conversion poisson / farine de poisson, la quantité de farine produite à partir de l’approvisionnement des pêcheurs artisans migrants est déterminée. Globalement, les captures des quatre filières migrantes de petit pélagique (trois sénégalaises et une guinéenne) identifiées en Mauritanie et en Gambie sont estimées à plus de 300 000 tonnes. Plus de 72% de ce tonnage estimé, soit 220 000 tonnes, sont destinés à l’approvisionnement des usines de farine de poisson des trois pays. Plus de deux tiers de cet approvisionnement sont versés dans les usines mauritaniennes de farine de poisson, le Sénégal et la Gambie se partageant ainsi le tiers restant. Par ailleurs, sur les 500 000 tonnes de pélagiques transformées annuellement dans les usines de farine de poisson, plus de la moitié est approvisionnée par les pêcheurs migrants. À l’échelle micro-économique, les industries de farine de poisson engendrent une amélioration des comptes d’exploitation des pêcheries, elles assurent la vente des captures à des prix plus rémunérateurs que sur le marché local. Mais, analysées à une échelle plus importante, les industries d’usine de farine de poisson créent de réelles tensions sur la sécurité alimentaire des pays ouest-africains, sachant que les petits pélagiques constituent la principale source de protéines animales au Sénégal et en Gambie où ils sont surexploités depuis quelques années maintenant. Par ailleurs, elles privent l’accès à la transformation artisanale de leur matière première. Autant d’éléments qui posent la réflexion sur l’impérieuse nécessité de réglementer les captures de la pêche migrante à l’échelle régionale et de diminuer radicalement la part allouée à la transformation de farine de poisson au profit de la consommation locale.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".