A synthesis of the prevalence and drivers of non-compliance in marine protected areas
Notice bibliographique
Résumé
Non-compliance regularly negates the effectiveness of marine protected areas (MPAs) worldwide. Understanding and addressing non-compliance is critical given continued efforts to establish MPAs to meet international milestones (e.g., Aichi targets). We conducted a literature review and meta-analysis to address five key questions and research gaps for MPAs: 1) how is non-compliance best measured? 2) what are common drivers of non-compliance? 3) what is the overall prevalence of non-compliance? 4) how frequently is ecological failure of MPAs attributed to non-compliance? and 5) are there measurable management impacts on regulated fishing in MPAs (i.e., effective reduction of fishing)? We found 151 papers that had some focus on non-compliant resource extraction in MPAs and 96 that quantified it. Insufficient enforcement was the most cited driver of non-compliance, followed by several socio-economic drivers including lack of awareness, livelihood/economic gain, social norms, and ineffective governance. Prohibited fishing in MPAs was often reduced compared to outside areas, as shown by our meta-analysis. However, we found frequent reports and measures of non-compliance globally, and many cases of failed ecological performance attributed primarily to non-compliance (57% of 67 relevant studies). Overall, our synthesis demonstrates that non-compliance continues to be a prevalent issue for MPAs. Reducing non-compliance and ensuring effective MPAs will rely on continuous evaluation of non-compliance to inform adaptive management, as well as addressing the complex, interrelated drivers that arise throughout MPA planning, establishment, and 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 | 0,000 |
| 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 ».