Strong fisheries management and governance positively impact ecosystem status
Notice bibliographique
Résumé
Abstract Fisheries have had major negative impacts on marine ecosystems, and effective fisheries management and governance are needed to achieve sustainable fisheries, biodiversity conservation goals and thus good ecosystem status. To date, the IndiSeas programme (Indicators for the Seas) has focussed on assessing the ecological impacts of fishing at the ecosystem scale using ecological indicators. Here, we explore fisheries ‘Management Effectiveness’ and ‘Governance Quality’ and relate this to ecosystem health and status. We developed a dedicated expert survey, focused at the ecosystem level, with a series of questions addressing aspects of management and governance, from an ecosystem‐based perspective, using objective and evidence‐based criteria. The survey was completed by ecosystem experts (managers and scientists) and results analysed using ranking and multivariate methods. Results were further examined for selected ecosystems, using expert knowledge, to explore the overall findings in greater depth. Higher scores for ‘Management Effectiveness’ and ‘Governance Quality’ were significantly and positively related to ecosystems with better ecological status. Key factors that point to success in delivering fisheries and conservation objectives were as follows: the use of reference points for management, frequent review of stock assessments, whether Illegal, Unreported and Unregulated ( IUU ) catches were being accounted for and addressed, and the inclusion of stakeholders. Additionally, we found that the implementation of a long‐term management plan, including economic and social dimensions of fisheries in exploited ecosystems, was a key factor in successful, sustainable fisheries management. Our results support the thesis that good ecosystem‐based management and governance, sustainable fisheries and healthy ecosystems go together.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».