Marine protected areas and fisheries: bridging the divide
Notice bibliographique
Résumé
ABSTRACT Long‐term and well‐managed marine protected areas (MPAs) can, under the right circumstances, contribute to biodiversity conservation and fisheries management, thus contributing to food security and sustainable livelihoods. This article emphasizes (1) the potential utility of MPAs as a fisheries management tool, (2) the costs and benefits of MPAs for fishing communities, and (3) the foundations of good governance and management processes for creating effective MPAs with a dual fisheries and conservation mandate. This article highlights case studies from numerous regions of the world that demonstrate practical and often successful solutions in bridging the divide between MPA management and fisheries sustainability, with a focus on small‐scale coastal fisheries in order to emphasize lessons learned. To be an effective fisheries management tool, MPAs should be embedded in broader fisheries management and conservation plans. MPAs are unlikely to generate benefits if implemented in isolation. The spatial and temporal distribution of benefits and costs needs to be taken into account since proximal fishery‐dependent communities may experience higher fishing costs over the short and long‐term while the fisheries benefits from MPAs may only accrue over the long‐term. Key lessons for effectively bridging the divide between biodiversity conservation and fisheries sustainability goals in the context of MPAs include: creating spaces and processes for engagement, incorporating fisheries in MPA design and MPAs into fisheries management, engaging fishers in management, recognizing rights and tenure, coordinating between agencies and clarifying roles, combining no‐take‐areas with other fisheries management actions, addressing the balance of costs and benefits to fishers, making a long‐term commitment, creating a collaborative network of stakeholders, taking multiple pressures into account, managing adaptively, recognizing and addressing trade‐offs, and matching good governance with effective management and enforcement. © 2014 The Authors. Aquatic Conservation: Marine and Freshwater Ecosystems published by John Wiley & Sons, Ltd.
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) | 0,001 | 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 ».