Social harvest control rules for sustainable fisheries
Notice bibliographique
Résumé
Abstract Fisheries are supposed to be for the benefit of society, producing food, providing livelihoods and enabling cultural continuity. Biological productivity goals for fish stocks operationalised through Harvest Control Rules (HCRs) are central to contemporary fisheries management. While fisheries policies often state socio‐economic objectives, such as enhancing the livelihoods of coastal communities, those are rarely, if ever, incorporated into operationalised management procedures. The lack of articulation of social objectives and lack of monitoring of social outcomes around HCRs amounts to poor public policy. In this article, we explore the potential for social HCRs (sHCRs) with reference points and agreed predefined actions to make the social dimensions of fisheries explicit. sHCRs cannot cover all social dimensions, so should be considered as one tool within a broader framework of fisheries governance. Moreover, successful sHCRs would require sound deliberative and participatory processes to generate legitimate social objectives, and monitoring and evaluation of fisheries management performance against those objectives. We introduce two potential types of sHCRs, one based on allocation of catch within biological limit reference points, and one for when fishing exceeds biological limit reference points. The application of sHCRs, we argue, can foster accountability and help avoid non‐transparent negotiations on size and distribution of the catch. Our proposal is a call to action for policy makers and fisheries managers to properly integrate social criteria into fisheries governance, and for both biophysical fisheries scientists and social scientists to do better in practical collaboration for methods and knowledge development to support this integration.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».