A typology of fisheries management tools: using experience to catalyse greater success
Notice bibliographique
Résumé
Abstract Fisheries provide nutrition and livelihoods for coastal populations, but many fisheries are fully or over‐exploited and we lack an approach for analysing which factors affect management tool performance. We conducted a literature review of 390 studies to assess how fisheries characteristics affected management tool performance across both small‐scale and large‐scale fisheries. We defined success as increased or maintained abundance or biomass, reductions in fishing mortality or improvements in population status. Because the literature only covered a narrow set of biological factors, we also conducted an expert elicitation to create a typology of broader fishery characteristics, enabling conditions and design considerations that affect performance. The literature suggested that the most commonly used management tool in a region was often the most successful, although the scale of success varied. Management tools were more often deemed successful when used in combination, particularly pairings of tools that controlled fishing mortality or effort with spatial management. Examples of successful combinations were the use of catch limits with quotas and limited entry, and marine protected areas with effort restrictions. The most common factors associated with inadequate biological performance were ‘structural’ issues, including poor design or implementation. The expert‐derived typologies revealed strong local leadership, high community involvement and governance capacity as common factors of success across management tool categories (i.e. input, output and technical measures), but the degree of importance varied. Our results are designed to inform selection of appropriate management tools based on empirical data and experience to increase the likelihood of successful fisheries management.
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 | 0,000 |
| 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 ».