Waardebepaling garnalenvisserij voor uitkoopregeling
Bibliographic record
Abstract
SamenvattingDeze notitie beschrijft een analyse om tot een berekening te komen voor een saneringspremie voor een vrijwillige uitkoopregeling in de garnalensector.De berekening is opgesteld op basis van de gekozen insteek voor de saneringsregeling door het ministerie van Landbouw, Visserij, Voedselzekerheid en Natuur (LVVN), waarbij de saneringspremie wordt bepaald op basis van het gemiddelde inkomen voor de eigenaar in een referentieperiode en vermenigvuldigd met een door het ministerie voorgestelde kapitalisatiefactor (8).Daarbij zijn de gevonden patronen in de economische resultaten van de visserij in de referentieperiode (2018-2022) meegenomen.De saneringspremie voor vrijwillige uitkoop van garnalenschepen kan, gegeven de gekozen insteek, berekend worden op basis van het aantal gemaakte dagen op zee, al dan niet met een correctie voor de tonnage van het schip.Deze benadering leidt tot de volgende twee mogelijke berekeningswijzen voor saneringspremies (euro van 2022) 1 die het best aansluiten bij de gevonden patronen in de economische resultaten in de referentieperiode: Alleen zeedagen: Saneringspremie = 3.310 * aantal zeedagen Zeedagen en tonnage: Saneringspremie = 13.970* aantal zeedagen -19.754 * tonnage De berekening met de correctie voor de tonnage sluit het best aan bij het gerealiseerde inkomen in de referentieperiode.De berekeningswijze met zeedagen en tonnage resulteert in lage premies voor grote schepen met weinig zeedagen.Bijlage 4 geeft een aantal alternatieve berekeningswijzen die suboptimaal aansluiten bij de economische resultaten, maar waarbij de spreiding in saneringspremies minder groot is.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.004 | 0.005 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.524 |
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; both teacher heads agree on what is shown here.
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".