Socio-economic factors boosting the effectiveness of marine protected areas: A Bayesian network analysis
Notice bibliographique
Résumé
Marine protected areas (MPAs) represent an example of nature-based solutions for the conservation and sustainable management of marine biodiversity. Despite the number of MPAs growing worldwide, many of them fail to achieve their goals, sometimes up to the point of becoming the so-called “paper parks”: protected areas without real protection or enforcement that are virtually non-existent in terms of their effectiveness in achieving the ecological and socioeconomic goals for which they have been set up. Following the Kunming–Montreal Biodiversity Agreement (COP 15), the EU Biodiversity Strategy for 2030, and the Biodiversity Beyond National Jurisdiction treaty, global MPA coverage should increase substantially in the coming years. Hence, identifying the factors that contribute to raising the effectiveness of MPAs is pivotal to informing their planning and management. Our study introduces a model based on the Bayesian network that allows testing how different socioeconomic factors (e.g., stakeholder involvement, increased communication and enforcement) can impact the effectiveness of MPAs. The system is a user-friendly decision-support tool to quantify the contribution of each factor in the creation of a successful MPA, thus narrowing the gap between science and decision-making. We modelled the evolution of the effectiveness of MPAs under three contrasting policy-relevant scenarios based on the Intergovernmental Panel on Climate Change frameworks. Our results indicate that the highest and lowest the effectiveness of MPAs is achieved under the “global sustainability” and “national enterprise” scenarios, respectively. Our work sheds light on the complexity of the interactions among the different factors underpinning the effectiveness of MPAs and supports the growth process of MPAs at the global level on the pathway towards the sustainable exploitation of marine living resources. • Many marine protected areas worldwide fail to achieve their goals. • A Bayesian network model was built to predict marine protected area effectiveness. • The model uses a global literature review as a proxy of expert judgement. • Effectiveness is highest under the “global sustainability” policy-relevant scenario.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».