Determining the sustainability of legal wildlife trade
Notice bibliographique
Résumé
Exploitation of wildlife represents one of the greatest threats to species survival according to the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. Whilst detrimental impacts of illegal trade are well recognised, legal trade is often equated to being sustainable despite the lack of evidence or data in the majority of cases. We review the sustainability of wildlife trade, the adequacy of tools, safeguards, and frameworks to understand and regulate trade, and identify gaps in data that undermine our ability to truly understand the sustainability of trade. We provide 183 examples showing unsustainable trade in a broad range of taxonomic groups. In most cases, neither illegal nor legal trade are supported by rigorous evidence of sustainability, with the lack of data on export levels and population monitoring data precluding true assessments of species or population-level impacts. We propose a more precautionary approach to wildlife trade and monitoring that requires those who profit from trade to provide proof of sustainability. We then identify four core areas that must be strengthened to achieve this goal: (1) rigorous data collection and analyses of populations; (2) linking trade quotas to IUCN and international accords; (3) improved databases and compliance of trade; and (4) enhanced understanding of trade bans, market forces, and species substitutions. Enacting these core areas in regulatory frameworks, including CITES, is essential to the continued survival of many threatened species. There are no winners from unsustainable collection and trade: without sustainable management not only will species or populations become extinct, but communities dependent upon these species will lose livelihoods.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».