Efficient and equitable design of marine protected areas in Fiji through inclusion of stakeholder-specific objectives in conservation planning
Notice bibliographique
Résumé
The efficacy of protected areas varies, partly because socioeconomic factors are not sufficiently considered in planning and management. Although integrating socioeconomic factors into systematic conservation planning is increasingly advocated, research is needed to progress from recognition of these factors to incorporating them effectively in spatial prioritization of protected areas. We evaluated 2 key aspects of incorporating socioeconomic factors into spatial prioritization: treatment of socioeconomic factors as costs or objectives and treatment of stakeholders as a single group or multiple groups. Using as a case study the design of a system of no-take marine protected areas (MPAs) in Kubulau, Fiji, we assessed how these aspects affected the configuration of no-take MPAs in terms of trade-offs between biodiversity objectives, fisheries objectives, and equity in catch losses among fisher stakeholder groups. The achievement of fisheries objectives and equity tended to trade-off concavely with increasing biodiversity objectives, indicating that it is possible to achieve low to mid-range biodiversity objectives with relatively small losses to fisheries and equity. Importantly, the extent of trade-offs depended on the method used to incorporate socioeconomic data and was least severe when objectives were set for each fisher stakeholder group explicitly. We found that using different methods to incorporate socioeconomic factors that require similar data and expertise can result in plans with very different impacts on local stakeholders.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».