A regional analysis of climate change effects on global snow crab fishery
Notice bibliographique
Résumé
Abstract The snow crab fishery faces increasing vulnerability to environmental factors, yet the literature on the relationship between climate change and snow crab harvest remains limited. This study estimates snow crab harvest functions using climate change indicators with unbalanced panel data of snow crab production from the eastern Bering Sea (Alaska), the southern Gulf of St. Lawrence (Canada), the Sea of Japan, and the Barents Sea (Norway‐Russia). The relationship between snow crab biomass, stock, and catch is analyzed and the endogeneity of stock in the harvest function is also addressed using climate change indicators as instrumental variables (IVs). The results show that the extent of Arctic sea ice is effective in addressing the endogeneity, and the random effects IV model with error components two stage least squares estimator performs the best to control heterogeneity. A 1% increase in snow crab fishing effort is associated with a 0.42% increase in snow crab harvest, and a 1% increase in snow crab stock causes a 0.98% increase in snow crab harvest. The reported estimates indicate a large stock‐harvest elasticity and provide supporting evidence to prioritize stock enhancement in snow crab fishery policy designs to maintain stocks at sustainable levels and minimize government expenditures on subsidies. Recommendations This study explores how snow crab harvests are influenced by snow crab populations and fishing efforts in the context of global warming across various global regions, including the Bering Sea, the Gulf of St. Lawrence, the Sea of Japan, and the Barents Sea. A 1% increase in fishing effort is associated with a 0.42% increase in harvest, while a 1% increase in snow crab population leads to a 0.98% increase in harvest, showing a high dependency on snow crab biomass. Arctic sea ice extent is identified as a crucial climate factor affecting snow crab biomass and harvests, making it a valuable variable for understanding and managing snow crab populations. The study supports the prioritization of stock enhancement policies by fishery agencies and suggests standardizing how fishing effort is measured across different regions to improve snow crab fishery management and future research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».