Can catch share fisheries better track management targets?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Fisheries management based on catch shares – divisions of annual fleet‐wide quotas among individuals or groups – has been strongly supported for their economic benefits, but biological consequences have not been rigorously quantified. We used a global meta‐analysis of 345 stocks to assess whether fisheries under catch shares were more likely to track management targets set for sustainable harvest than fisheries managed only by fleet‐wide quota caps or effort controls. We examined three ratios: catch‐to‐quota, current exploitation rate to target exploitation rate and current biomass to target biomass. For each, we calculated the mean response, variation around the target and the frequency of undesirable outcomes with respect to these targets. Regional effects were stronger than any other explanatory variable we examined. After accounting for region, we found the effects of catch shares primarily on catch‐to‐quota ratios: these ratios were less variable over time than in other fisheries. Over‐exploitation occurred in only 9% of stocks under catch shares compared to 13% of stocks under fleet‐wide quota caps. Additionally, over‐exploitation occurred in 41% of stocks under effort controls, suggesting a substantial benefit of quota caps alone. In contrast, there was no evidence for a response in the biomass of exploited populations because of either fleet‐wide quota caps or individual catch shares. Thus, for many fisheries, management controls improve under catch shares in terms of reduced variation in catch around quota targets, but ecological benefits in terms of increased biomass may not be realized by catch shares alone.
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.
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 | 0,000 | 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) | 0,061 | 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 découle