KÜMELENME MEKANİZMALARI VE YEREL SEKTÖREL SİNERJİLER: TRABZON’DA TÜRK SOMONU (ALABALIK) SEKTÖRÜ
Bibliographic record
Abstract
Türk somonu (alabalık) sektörü, Türkiye'nin ticaret dengesi üzerinde giderek artan bir etkiye sahiptir. Sektör, ülkenin ekonomik büyümesinin yanı sıra istihdam yaratma ve bölgesel kalkınmayı teşvik etme açısından da kritik bir rol oynamaktadır. Karadeniz Bölgesi'nde yoğunlaşan balık yetiştiriciliği ve işleme faaliyetleri, bölgesel ekonomik kalkınmayı desteklemekte ve yerel halk için istihdam fırsatları yaratmaktadır. Bu çalışma, Trabzon'da Türk somonu (alabalık) sektöründeki kümelenme mekanizmalarını ve yerel sektörel sinerjileri incelemektedir. Araştırmanın amacı, sektör paydaşlarının rollerini ve katkılarını belirlemek, işbirliği dinamiklerini analiz etmek ve rekabetçiliği geliştirmek için stratejik önerilerde bulunmaktır. Veriler, balık yetiştiricileri, yem tedarikçileri, ambalaj ve lojistik tedarikçileri, üretici örgütleri ve kamu kurumları gibi çeşitli paydaşlarla gerçekleştirilmiş derinlemesine görüşmeler yoluyla toplanmıştır. Bulgular, bölgedeki sektörel kümelenme stratejilerinin bölgesel ekonomik kalkınmayı desteklediğini, ancak kaynak kısıtlamaları, stratejik planlama eksiklikleri ve düşük ürün farkındalığı gibi zorluklarla karşı karşıya olduğunu ortaya koymaktadır.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.005 |
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".