DAFTAR ISI
M-40ISBN 92-5-104045-1
Juan Carlos Seijo ingin mengucapkan terima kasih kepada Ceci, Juan Carlos Jr. dan
Adrianita karena telah menjadi sumber motivasi dan cinta yang tetap. Omar Defeo
mendedikasikan buku ini untuk Anita, Diego, orang tua dan saudara laki-lakinya. Silvia
Salas mempersembahkannya untuk putrinya Nayelli dan orang tuanya.
Distribusi:
Semua Anggota FAO dan Anggota Asosiasi Departemen Perikanan FAO Petugas
Perikanan FAO di Kantor Regional FAO Lembaga Non-Pemerintah
Seijo, JC; Defeo, O .; Salas, S.
Bioekonomi perikanan. Teori, pemodelan dan manajemen.
Kertas Teknis Perikanan FAO.No. 368. Roma, FAO. 1998. 108p.
ABSTRAK
Buku ini disajikan dalam tujuh Bab. Bab 1 menjelaskan asumsi dasar yang mendasari
alokasi optimal sumber daya alam dan karakteristik perikanan yang melekat yang
menentukan, di bawah akses yang tidak dibatasi, kegagalan untuk mengalokasikan
sumber daya, inefisiensi ekonomi dan penangkapan ikan yang berlebihan. Untuk
mengurangi efek yang tidak diinginkan ini, literatur bioekonomi meminta alokasi hak
milik, yang pada gilirannya harus dilaksanakan dalam konteks manajemen. Oleh
karena itu, dalam Bab ini kami menyarankan beberapa pedoman untuk melaksanakan
rencana pengelolaan. Model bioekonomi statis dan dinamis disajikan pada Bab 2
sebagai kerangka teoritis untuk desain skema manajemen cerdas yang bertujuan untuk
penggunaan sediaan ikan secara berkelanjutan. Model klasik yang ditampilkan, seperti
Gordon-Schaefer berdasarkan logistik. Kami juga mengembangkan pendekatan
bioekonomi baru, seperti model penundaan terdistribusi untuk menambahkan realisme
ke pendekatan dinamika armada Smith. Bab 2 juga mencakup versi pengantar model
bioekonomi hasil-mortalitas, dan model dinamis terstruktur usia. Perbandingan lintasan
dinamis dan statis ditekankan. Harga waktu dan implikasinya untuk alokasi sumber
daya yang optimal dari waktu ke waktu juga dibahas. Demi menambahkan realisme ke
model di atas, pendekatan sistem digunakan dalam Bab 3 untuk memodelkan
kompleksitas teknologi dan ekologi yang berbeda yang terjadi di perikanan laut. Saling
ketergantungan ekologis (persaingan, pemangsaan), serta kesalingtergantungan
teknologi yang dihasilkan dari armada dengan kekuatan penangkapan ikan dan / atau
jenis alat tangkap yang berbeda, yang beroperasi pada komponen sediaan, atau pada
spesies sasaran yang berbeda dari "sediaan campuran", ditentukan dan dimodelkan.
Dalam Bab 4 kami memberikan pedoman praktis untuk penerapan pendekatan ilmu
sistem sebagai metodologi yang sistematis dan kuat untuk pemodelan perikanan. Kami
menyajikan teori dan contoh tentang bagaimana memodelkan dinamika jangka pendek
dan jangka panjang dari stok dan perikanan, termasuk penerapan model penundaan
terdistribusi untuk mewakili dari proses penetasan / pemijahan hingga dinamika intra
dan antar-tahunan armada penangkapan ikan. Bab 5 memberikan gambaran umum
tentang sejumlah metode alternatif untuk mengelola perikanan, dan mengembangkan
pendekatan bioekonomi untuk pengelolaan perikanan dengan berbagai kriteria,
memperkenalkan algoritma pengoptimalan nonlinier. Dalam Bab 6 kami melonggarkan
asumsi kumpulan dinamis dari model yang dikembangkan di Bab 2, 3 dan 4 dan
memperkenalkan pertimbangan bioekonomi spasial dalam pemodelan perikanan,
terutama jarak dari pelabuhan ke daerah penangkapan untuk lebih memahami
pengambilan keputusan jangka pendek dari para nelayan dalam alokasi intensitas
penangkapan ikan mereka. Model stokastik dirinci, juga menambahkan tingkat
kerumitan pada saling ketergantungan yang dibahas dalam Bab 3. Penggabungan
risiko dan ketidakpastian dalam pemodelan bioekonomi dan analisis keputusan formal
jarang didokumentasikan dalam literatur perikanan. Dalam Bab 7 kami menyajikan
beberapa cara alternatif untuk menghadapi risiko dan ketidakpastian dalam konteks
pengelolaan perikanan kehati-hatian. Beberapa aspek analisis keputusan dirinci.
Keputusan matematis dengan dan tanpa probabilitas matematis ditekankan, dan
beberapa teknik resampling seperti bootstrap digunakan untuk memperkirakan varians
parameter dalam model yield-mortalitas yang dijelaskan pada Bab 2.
Hyperlink ke situs Internet non-FAO tidak menyiratkan dukungan resmi atau tanggung
jawab atas opini, ide, data, atau produk yang disajikan di lokasi ini, atau menjamin
validitas informasi yang diberikan. Satu-satunya tujuan tautan ke situs non-FAO adalah
untuk menunjukkan informasi lebih lanjut yang tersedia tentang topik terkait.
Isi
Daftar Gambar
Daftar tabel
Glosarium
1
Karakteristik Stok Ikan yang Melekat
.
1.1
Alokasi optimal sumber daya terbarukan: asumsi dasar
.
1.2
Kegagalan alokasi sumber daya perikanan secara optimal
.
Rezim properti, hak milik dan eksternalitas
Biaya pengecualian tinggi
Perangkap sosial dalam perikanan, dan perilaku pengendara bebas
Biaya transaksi tinggi
1.3
Rencana pengelolaan perikanan
.
1.4
Komentar penutup
.
2
Model Bioekonomi
.
2.1
Model Gordon-Schaefer
.
Hasil marjinal dan rata-rata
Tingkat upaya di MSY, MEY dan MENJADI
Asumsi model
Batasan
2.2
Dinamika armada: model Smith dengan penundaan terdistribusi
.
2.3
Model mortalitas hasil: pendekatan bioekonomi
.
Model logistik
Model eksponensial
Pendekatan bioekonomi pencegahan
Model mortalitas-hasil: komentar penutup
2.4
Model bioekonomi terstruktur usia
.
2.5
Intertempor
.
1. Karakteristik Stok Ikan Yang Melekat
Pengelolaan perikanan merupakan proses kompleks yang membutuhkan integrasi
biologi sumberdaya dan ekologi, dengan faktor sosial ekonomi dan kelembagaan yang
mempengaruhi perilaku nelayan dan pembuat kebijakan. Tujuan dari bidang multidisiplin
ini adalah untuk membantu pengambilan keputusan untuk mencapai pengembangan
kegiatan yang berkelanjutan, sehingga generasi mendatang juga dapat memperoleh
manfaat dari sumber daya tersebut. Namun, keberlanjutan jauh lebih sulit untuk dicapai
yang umumnya dianggap: populasi ikan semakin terbatas, tangkapan dunia mulai
menurun, dan hampir 70% dari stok ikan individu di seluruh dunia sepenuhnya
dieksploitasi secara besar-besaran, dieksploitasi secara berlebihan atau habis. (Garcia
& Newton, 1997). Memang, anak-anak yang tertekan, ditambah dengan kenaikan
permintaan dan harga, menentukan tren penurunan sistematis dalam tingkat tangkapan
dan pendaratan global. Langkah-langkah pengelolaan konvensional, seperti batas
ukuran minimum dan pengurangan hasil tangkapan atau dalam upaya penangkapan
ikan, telah digunakan untuk mempromosikan pembangunan kembali stok dengan
mengurangi kematian akibat penangkapan dan meningkatkan kelangsungan hidup stok
pemijahan. Namun, tingkat ketidakpastian dalam perkiraan stok, perubahan yang
mengesankan dan tersembunyi dalam kekuatan penangkapan, ditambah dengan sikap
manajemen yang rentan terhadap risiko dan preferensi antar waktu yang tinggi dalam
penggunaan sumber daya, telah menentukan keruntuhan drastis beberapa stok, bahkan
di bawah manajemen sukses “apriori”. skenario (Ludwig et al., 1993). Apa alasan
kegagalan manajemen? Bagaimana sindrom eksploitasi berlebihan ini bisa dijelaskan?
Di antara berbagai alasan yang telah digunakan untuk menjelaskan hal ini, beberapa
niscaya muncul dari karakteristik yang melekat baik dari stok ikan maupun perikanan.
Untuk lebih memahami batasan pengelolaan stok ikan, bagian berikut membahas
asumsi dasar yang mendasari alokasi sumber daya alam yang optimal, dan karakteristik
yang melekat pada perikanan yang mencegah pasar, dengan akses yang tidak terbatas,
untuk mengalokasikan sumber daya perikanan secara optimal. Untuk mengurangi efek
yang tidak diinginkan ini, literatur bioekonomi meminta alokasi hak milik, yang
memerlukan pertimbangan konteks manajemen. Oleh karena itu, kami memberikan
beberapa pedoman untuk mengembangkan rencana pengelolaan perikanan. literatur
bioekonomi meminta alokasi hak milik, yang membutuhkan pertimbangan konteks
manajemen. Oleh karena itu, kami memberikan beberapa pedoman untuk
mengembangkan rencana pengelolaan perikanan. literatur bioekonomi meminta alokasi
hak milik, yang membutuhkan pertimbangan konteks manajemen. Oleh karena itu, kami
memberikan beberapa pedoman untuk mengembangkan rencana pengelolaan
perikanan.
Eksklusif, sehingga orang yang memiliki hak tersebut juga akan bertanggung jawab atas
sumber daya apa pun, dan sanksi yang terkait dengan penggunaan sumber daya alam.
Dapat dialihkan, agar hak-hak tersebut berada di tangan mereka yang memiliki
kemampuan untuk menyampaikannya dengan nilai guna tertinggi.
Sumber daya perikanan dapat diatur dalam empat rezim kepemilikan yang berbeda:
negara bagian, swasta, umum (res communis) dan akses terbuka (res nullius). Konsep
relevan yang dianalisis oleh Bromley (1991) digunakan untuk mengkarakterisasi setiap
rezim, sebagai berikut:
Eksternalitas
Eksternalitas didefinisikan sebagai setiap efek eksternal yang disebabkan oleh masing-
masing nelayan tetapi tidak termasuk dalam sistem akunting mereka. Eksternalitas
penangkapan ikan umumnya negatif dan terjadi ketika nelayan dapat dengan bebas
masuk dan menangkap sumber daya, dan di mana tidak ada kesepakatan kerja sama
sukarela; dalam kasus ini, pengguna sumber daya tidak mempertimbangkan dampak
eksternal yang ditimbulkan pada orang lain. Tiga jenis eksternalitas negatif telah
diidentifikasi di sebagian besar perikanan (Smith, 1969; Agnello & Donnelley, 1976):
terkait dengan stok, kerumunan, dan alat tangkap. Sebelum kami memperluas klasifikasi
ini untuk memperhitungkan jenis eksternalitas lain, termasuk eksternalitas positif, ketiga
hal ini dapat ditentukan sebagai berikut:
Eksternalitas yang penuh sesak. Ini muncul ketika pengumpulan kapal di daerah
penangkapan meningkatkan biaya tangkapan marjinal. Terjadinya eksternalitas
seperti itu tergantung pada perluasan daerah penangkapan dan besaran stok.
Upaya penangkapan ikan tidak akan secara sempurna dialokasikan dalam ruang
(misalnya, pada konsentrasi sumber daya terbesar) dan waktu (misalnya, mereka
akan menunggu untuk memiliki akses ke daerah penangkapan yang terbatas).
Eksternalitas ini umumnya terlihat pada spesies yang menetap dengan distribusi
tidak merata, di mana strategi eksploitasi cenderung secara berurutan menguras
lapisan yang paling menguntungkan.
(iii.2) Eksternalitas insidental. Hal ini muncul dalam perikanan yang saling bergantung
teknologi, ketika armada menggunakan alat tangkap non-diskriminatif, misalnya,
tangkapan sampingan di perikanan A mengurangi kelimpahan spesies yang menjadi
target perikanan B.Efek eksternal negatif yang tidak diperhitungkan bagi nelayan yang
tergabung dalam perikanan A merupakan eksternalitas insidental. Hal ini umumnya
diamati pada perikanan udang dan demersal, di mana perikanan udang menghasilkan
tangkapan insidental dari spesies demersal, efek negatif yang tidak diperhitungkan yang
menghasilkan dan eksternalitas terhadap armada penangkapan ikan demersal.
Sebagai alternatif, anggaplah bahwa tanpa pengaruh manusia, spesies S2 yang secara
kompetitif lebih rendah dikecualikan oleh S1 yang dominan. Upaya penangkapan ikan
yang dilakukan oleh perikanan A akan mengurangi S1, menentukan kenaikan S2, yang
dipanen oleh perikanan B, karena peningkatan ketersediaan sumber daya yang terbatas
(misalnya ruang, makanan). Dengan demikian, perikanan A menghasilkan efek positif
eksternal terhadap perikanan B, yang merupakan eksternalitas melalui pelepasan
kompetitif.
Karakteristik yang melekat pada stok ikan menghasilkan biaya tinggi untuk
mengeluarkan nelayan lain dari eksploitasi sumber daya. Rezim akses terbuka,
dikombinasikan dengan tingkat ketidakpastian yang tinggi dalam besaran stok,
menentukan bahwa nelayan mungkin tidak mendapatkan keuntungan dengan menunda
penangkapan dengan harapan akan menangkap ikan yang lebih besar dan mungkin
lebih berharga di kemudian hari, karena ikan tersebut kemungkinan besar akan
ditangkap untuk sementara waktu. oleh nelayan lain. Dengan kata lain, seorang nelayan
tidak dapat mempengaruhi ukuran stok dengan mengurangi tingkat tangkapannya,
kecuali semua atau sebagian besar nelayan lain setuju untuk abstain secara
proporsional (Eckert, 1979). Akibatnya, setiap nelayan akan meningkatkan hasil
tangkapannya, sehingga menimbulkan biaya pengeluaran yang tinggi. Skema tradisional
yang berorientasi untuk menghindari biaya eksklusi yang tinggi melibatkan struktur
kelembagaan yang strategis (misalnya pendekatan berbasis hak milik, skema
pengelolaan bersama) dan rangkaian tindakan pengelolaan operasional (sensu Charles,
1995; lihat juga Orensanz & Jamieson, 1998). Setidaknya ada 4 pendekatan yang dapat
dikenali: (i) privatisasi sumber daya melalui alokasi kuota individu; (ii) intervensi negara
melalui pengaturan ukuran dan komposisi hasil tangkapan dan intensitas usaha
penangkapan; (iii) implementasi sistem manajemen berbasis komunitas (Berkes, 1985,
1989; Smith & Berkes, 1991); atau (iv) strategi campuran berdasarkan kombinasi skema
di atas (Defeo, 1993a, b; Seijo, 1993; Castilla, 1994 Castilla et al., 1998). (ii) intervensi
negara melalui pengaturan ukuran dan komposisi hasil tangkapan dan intensitas usaha
penangkapan; (iii) implementasi sistem manajemen berbasis komunitas (Berkes, 1985,
1989; Smith & Berkes, 1991); atau (iv) strategi campuran berdasarkan kombinasi skema
di atas (Defeo, 1993a, b; Seijo, 1993; Castilla, 1994 Castilla et al., 1998). (ii) intervensi
negara melalui pengaturan ukuran dan komposisi hasil tangkapan dan intensitas usaha
penangkapan; (iii) implementasi sistem manajemen berbasis komunitas (Berkes, 1985,
1989; Smith & Berkes, 1991); atau (iv) strategi campuran berdasarkan kombinasi skema
di atas (Defeo, 1993a, b; Seijo, 1993; Castilla, 1994 Castilla et al., 1998).
Tanpa kesepakatan untuk membatasi hasil tangkapan, hasil utama dari penurunan
tingkat tangkapan satu nelayan adalah menurunkan biaya ekstraksi nelayan lain tanpa
harus meningkatkan keuntungannya. Akibatnya, setiap nelayan akan meningkatkan laju
tangkapan dan dengan demikian berkontribusi untuk menghancurkan perikanan, suatu
hasil jangka panjang yang tidak diinginkan bagi semua nelayan yang terlibat. Dengan
menggunakan terminologi Schelling (1978), hal ini merupakan perangkap sosial dalam
perikanan karena motif mikro individu nelayan dalam jangka pendek tidak konsisten dan
sesuai dengan hasil makro yang diinginkannya dan nelayan lain dalam jangka panjang.
Motif mikro nelayan jangka pendek adalah menangkap ikan sebanyak mungkin untuk
meningkatkan keuntungan marjinal mereka, sedangkan hasil makro yang diinginkan
dalam jangka panjang mungkin melibatkan pencapaian hasil maksimum yang
berkelanjutan. Ketidakpastian ketersediaan saham di masa depan menentukan bahwa
hasil jangka panjang biasanya didominasi oleh keuntungan marjinal dalam jangka
pendek. Hasil perikanan yang berkelanjutan, mengingat preferensi antarwaktu tertentu
dari penggunaan sumber daya, akan menjadi tujuan yang dapat dicapai hanya jika
jumlah nelayan dibatasi oleh semacam regulasi upaya dan bertindak bersama.
Besar kecilnya kelompok nelayan merupakan faktor relevan yang mempengaruhi
penghindaran jebakan sosial ini. Jika kelompoknya besar, seorang nelayan mungkin
merupakan pengendara bebas yang tidak disengaja atau pengguna yang tidak
berkontribusi ketika dia tidak dapat menghindari hasil makro (perikanan runtuh) karena
dia tidak dapat memastikan bahwa perilaku nelayan lain akan mempertahankan hasil
sumber daya. Pengguna semacam ini biasanya ditemukan ketika tidak ada tindakan
kolektif sukarela oleh sebagian besar anggota masyarakat untuk mencegah penipisan
sumber daya, dan juga ketika ada ketidakpastian tentang kelimpahan stok (yang biasa
terjadi). Ketika grup kecil, biaya pengecualian tidak selalu lebih rendah, tetapi pengguna
yang tidak berkontribusi dapat dengan mudah diidentifikasi, oleh karena itu mengurangi
jumlah penumpang gratis (Schmid, 1987).
Perikanan laut melibatkan biaya transaksi yang tinggi, yang juga mengurangi alokasi
sumber daya perikanan yang efisien dari waktu ke waktu. Biaya transaksi melibatkan
biaya informasi, biaya penegakan atau kepolisian dan biaya kontrak (Schmid, 1987,
Randall, 1981).
Biaya kontrak. Jenis biaya transaksi ini terjadi di negara-negara di mana terdapat
upaya legislatif yang diarahkan untuk mempromosikan bentuk organisasi kolektif
(misalnya koperasi), memberi mereka hak eksploitasi atas sumber daya tertentu.
Dalam konteks ini, biaya yang diarahkan untuk membina organisasi semacam ini
biasanya besar, jadi perlu untuk mengidentifikasi siapa (misalnya nelayan atau
Negara Bagian) yang akan membayar biaya kontrak. Hal serupa terjadi ketika
Negara tertarik untuk mempromosikan strategi pengelolaan tertentu, seperti
penerapan Individual Transferable Quotas (ITQ: Geen & Nayar, 1988) atau
Individual Transferable Grounds (ITG: Seijo, 1993) antara anggota komunitas
perikanan di untuk memaksimalkan sewa sumber daya dari waktu ke waktu.
Setelah mengenali karakteristik yang melekat pada sumber daya perikanan, yang
merupakan elemen utama dari konteks pengelolaan, bagian selanjutnya merangkum
langkah-langkah utama yang diperlukan untuk mengembangkan rencana pengelolaan
yang cerdas.
● Mengevaluasi perikanan dalam arti abiologis, ekologis dan ekonomi. Ukuran dan
dinamika stok, armada dan hasil tangkapan, arus sementara biaya dan manfaat,
pekerjaan langsung dan tidak langsung dan pendapatan yang dihasilkan, serta
variabel lingkungan penting yang dapat digunakan untuk menjelaskan fluktuasi
dalam distribusi dan kelimpahan stok, harus dianalisis dengan cermat.
● Identifikasi dan ukur tujuan dan sasaran manajemen.
● Pilih kombinasi yang tepat dari variabel kinerja, baik biologis dan ekonomi, dan
tentukan variabel kontrol yang memungkinkan pencapaian tingkat yang
diinginkan dalam kriteria kinerja perikanan.
● Tentukan strategi manajemen alternatif dan mekanisme implementasinya, untuk
membuat variabel kontrol yang telah ditetapkan sebelumnya beroperasi. Untuk
memilih vektor pengelolaan yang memadai, akan berguna untuk mengeksplorasi
perilaku dinamis perikanan dengan menggunakan model matematika yang
menggabungkan elemen utama sistem. Untuk tujuan ini:
(a) secara hati-hati menentukan sistem perikanan dan konteks di mana model
tersebut dimaksudkan untuk dioperasikan;
2. Model Bioekonomi
Untuk melakukan estimasi dan prediksi dampak bioekonomi yang berasal dari strategi
pengelolaan yang berbeda, diperlukan pendekatan pemodelan dinamis sumber daya
dan perikanan secara keseluruhan. Dalam Bagian ini kami mengembangkan: (1) versi
statis dan dinamis dari model Gordon-Schaefer (Gordon, 1953, 1954); (2) model
dinamika armada penundaan terdistribusi berdasarkan model Smith (1969); (3) model
mortalitas hasil; dan (4) model dinamis terstruktur usia (Seijo & Defeo, 1994a).
Dimana r adalah laju intrinsik pertumbuhan penduduk, B (t) adalah biomassa populasi
pada waktu t dan K adalah daya dukung lingkungan. Perilaku populasi sepanjang waktu
digambarkan sebagai kurva sigmoid, di mana biomassa yang tidak tereksploitasi
meningkatkan unitl tingkat maksimumB∞, dibatasi oleh K (Gbr. 2.1: lihat pella &
Tomlinson, 1969; Schaefer, 1954 untuk detailnya).
Gambar 2.1. Model pertumbuhan logistik penduduk untuk K = 3,5 juta ton dan r =
0,36.
Dimana f (t) adalah usaha penangkapan dan q adalah koefisien daya tangkap, yang
didefinisikan sebagai bagian dari populasi yang menangkap ikan oleh unit usaha
(Gulland, 1983). Perubahan biomassa dari waktu ke waktu dapat dinyatakan sebagai:
Sejumlah usaha penangkapan ikan akan mengarah ke tingkat Beq tertentu, karena
kedua variabel berkorelasi terbalik. Hasil keseimbangan sebagai fungsi usaha dapat
diperoleh dengan mensubstitusi (2.7) di (2.2):
Persamaan (2.8) memberikan parabola yang mewakili fungsi produksi perikanan jangka
panjang, di mana hasil yang sesuai (Y) untuk tingkat usaha penangkapan tertentu (f)
dalam populasi pada keseimbangan disebut hasil berkelanjutan. Hasil ekuilibrium akan
meningkat dengan f sampai titik Hasil Maksimum Berkelanjutan (MSY), terus turun
seiring dengan meningkatnya upaya penangkapan.
Model ekonomi yang dikembangkan oleh Gordon (1954) didasarkan pada model
Schaefer, dan memperkenalkan konsep economic overfishing pada perikanan open
access. Model tersebut menetapkan bahwa pendapatan bersih π yang diperoleh dari
penangkapan ikan merupakan fungsi dari total pendapatan berkelanjutan (TSR) dan
total biaya (TC):
π = TSR-TC (2.9)
π = pY-cf (2.10)
di mana p adalah harga (konstan) spesies dan c biaya (konstan) per unit usaha. Yang
terakhir mencakup biaya tetap, biaya variabel dan biaya peluang tenaga kerja dan
modal. Biaya tetap tidak tergantung pada operasi penangkapan (depresiasi, biaya
administrasi dan asuransi), sedangkan biaya variabel timbul saat nelayan pergi
menangkap ikan (bahan bakar, umpan, makanan dan minuman, dll.). Biaya peluang
adalah keuntungan bersih yang dapat dicapai dalam kegiatan ekonomi terbaik
berikutnya, yaitu perikanan regional lainnya, investasi modal atau pekerjaan alternatif,
dan dengan demikian harus diintegrasikan dalam perkiraan biaya.
π = [pqB-c] f (2.11)
B (t) akan selalu lebih besar dari 0, karena upaya penangkapan ikan akan berkurang atau
bahkan dihentikan pada TC ≥TSR. Jadi, model tersebut memprediksi: (1) eksploitasi
berlebihan, jika kurva TC memotong kurva TSR pada tingkat upaya yang lebih tinggi
daripada yang diperlukan untuk beroperasi di MSY; dan (2) sumber daya tidak punah,
karena pada tingkat usaha di atas BE tidak akan ada stimulus untuk masuk ke
perikanan. Prediksi non-kepunahan akan bergantung pada laju pertumbuhan stok dan
bentuk fungsi yang ditentukan oleh persamaan 2.2 (Clark, 1985; Anderson, 1986). Ini
akan benar jika dan hanya jika biomassa yang dihasilkan di BE melebihi ambang batas
tingkat biomassa yang disyaratkan agar suatu populasi dapat hidup.
TSR pada kesetimbangan dapat diperoleh dengan mengalikan (2.4) dengan harga
satuan p:
Kurva TSR sebagai fungsi dari upaya akan memiliki bentuk yang sama dengan kurva
imbal hasil berkelanjutan, tetapi dalam istilah moneter (Gbr. 2. 1c). TC diperoleh dari
persamaan (2.2), sebagai fungsi usaha penangkapan:
Fungsi jangka panjang TC dihitung dengan menyelesaikan f dan mengalikannya dengan
c:
Oleh karena itu, fungsi produksi dan biomassa berkelanjutan jangka panjang dari
perikanan dapat dibangun dengan menentukan tingkat yang sesuai dari upaya
penangkapan ikan pada Hasil Ekonomi Maksimum (fMEY), Hasil Berkelanjutan
Maksimum (fMSY) dan keseimbangan bioekonomi (fBE) (Gbr. 2.2) .
Gambar 2.2. Model statis Gordon-Schaefer. Berkelanjutan (a) biomassa, (b) hasil,
dan (c) total pendapatan berkelanjutan (TSR) dan biaya (TC).
Di bawah akses tidak terbatas, keuntungan bersih atau rente ekonomi dari perikanan
adalah positif ketika f <fBE dan nol ketika TC sama dengan TSR (Gbr. 2.2c). Area di
bawah kurva TSR dan di atas TC berhubungan dengan rente ekonomi, yang
dimaksimalkan di MEY dan fMEY yang sesuai, di mana perbedaan antara TC dan TSR
paling tinggi. Posisi kurva TC akan menentukan perubahan level MEY dan BE.
Diasumsikan bahwa upaya tambahan dihasilkan dengan masuknya unit penangkapan
ikan tambahan, daripada perluasan upaya oleh kapal yang sudah ada (Anderson, 1986).
Gordon (1954) memprediksi bahwa fBE akan menjadi dua kali fMEY (lihat di bawah).
Hasil rata-rata (AY) dan marjinal (MY) sesuai dengan penerapan unit usaha tambahan,
dan akan berkelanjutan per unit waktu. Yang pertama terus menerus jatuh saat upaya
meningkat (Gbr. 2.3a), hingga mencapai 0 saat sumber daya habis. MY menurun lebih
tajam dari AY dan mencapai 0 di MSY, di luar itu dibutuhkan nilai negatif, yaitu, hasil
yang diperoleh oleh unit upaya tambahan secara progresif lebih rendah daripada yang
sebelumnya. Hal ini terjadi karena setiap nelayan beroperasi sesuai dengan variasi AY-
nya, dan tidak memperhitungkan efek eksternal yang ditimbulkan kepada pengguna lain
dan perikanan secara keseluruhan.
Gambar 2.3. Rezim akses terbuka. (a) Hasil rata-rata dan marjinal yang
berkelanjutan; (b) biaya rata-rata dan marjinal, dan pendapatan, sebagai fungsi
dari upaya dalam kondisi akses terbuka.
Salah satu tujuan biologis adalah untuk menetapkan upaya dan tingkat hasil di MSY
melalui waktu. Untuk tujuan ini, kita dapat mengambil turunan pertama dari fungsi hasil
di (2.8):
Begitu:
Beroperasi di fMEY memaksimalkan rente ekonomi, karena perbedaan antara TSR dan
TC harus dimaksimalkan. Hal ini juga terjadi ketika nilai marjinal usaha penangkapan
ikan (MVE) sama dengan biaya per unit usaha, yaitu MVE = c (Gbr. 2.3b). Berdasarkan
persamaan (2.2), biomassa yang dinyatakan sebagai fungsi usaha penangkapan
diberikan oleh:
Mengalikan (2.22) dengan harga rata-rata spesies dan membaginya dengan f, diperoleh
nilai rata-rata upaya penangkapan (AVE):
Nilai marjinal usaha penangkapan ikan (MVE) diperoleh dengan mengalikan (2.23)
dengan harga rata-rata spesies (p):
Upaya penangkapan ikan di MEY (fMEY) diperoleh dengan menyamakan (2.24) dengan
biaya satuan upaya penangkapan (c), dan penyelesaian untuk f.
Keseimbangan bioekonomi tercapai ketika AVE sama dengan biaya per unit usaha AVE
= c: Gambar 2.3b). Yang terakhir dapat diperkirakan dengan menyamakan (2.23)
dengan biaya (c) dan menyelesaikan f. Akan dicatat bahwa fBE = 2fMEY, yaitu fBE dua
kali fMEY.
Asumsi model
Model ekonomi yang dikembangkan oleh Gordon juga memperhitungkan asumsi yang
dipertimbangkan oleh Schaefer (1954) untuk model biologis:
F = qf (2.26)
c. Hasil tangkapan per unit usaha (CPUE) adalah indeks relatif dari kelimpahan
populasi:
d. Stok dibatasi oleh daya dukung lingkungan yang konstan.
e. Saham akan segera merespons variasi dalam besarnya upaya yang dilakukan.
f. Teknologi penangkapan ikan konstan.
g. Harga dan biaya marjinal / rata-rata konstan dan tidak tergantung pada tingkat
upaya yang dilakukan.
h. TC sebanding dengan usaha, dan dengan demikian perubahan kemiringan
kurva TC akan menentukan perubahan level BE dan MEY.
Batasan
Jika π (t) ≥ O, kapal akan memasuki perikanan; keluar diharapkan terjadi ifπ (t) ≤O. Parameter φ
dapat diperkirakan secara empiris berdasarkan variasiπ (t), giliran akan memiliki hubungan
yang erat dengan biaya yang dikeluarkan untuk tingkat usaha yang berbeda (Seijo et
al., 1994b).
Variasi dalam upaya penangkapan ikan mungkin tidak segera tercermin dalam
kelimpahan stok dan hasil yang dirasakan. Untuk alasan ini, Seijo (1987) memperbaiki
model Smith dengan memasukkan proses penundaan antara saat nelayan menghadapi
pendapatan bersih positif atau negatif dan saat masuk atau keluarnya terjadi. Hal ini
diekspresikan oleh parameter penundaan terdistribusi DEL) yang diwakili oleh fungsi
kepadatan probabilitas Erlang (Manetsch, 1976), yang menggambarkan jeda waktu rata-
rata masuk / keluar kapal ke perikanan setelah efek perubahan dalam pendapatan
bersih diwujudkan ( lihat juga Bab 6). Oleh karena itu, dinamika jangka panjang kapal
tipe m (Vm (t)) dapat dijelaskan dengan fungsi tunda terdistribusi orde g dengan
persamaan diferensial berikut:
dimana Vm adalah masukan untuk proses penundaan (jumlah kapal yang akan
mengalokasikan upaya penangkapan ikannya ke spesies target); γtg (t) adalah output
dari proses delay (jumlah kapal yang masuk perikanan); γ1 (t), γ2 (t),…, γg-1 (t) adalah
tingkat penundaan antara; DELm adalah waktu yang diharapkan untuk masuknya kapal
ke perikanan; dan g adalah urutan penundaan. Parameter g menentukan anggota
keluarga Gamma dari fungsi kepadatan probabilitas.
Gambar 2.4 menunjukkan variasi dalam biomassa, hasil, biaya dan pendapatan yang
dihasilkan dari penerapan versi dinamis dan statis model Gordon-Schaefer, sebagai
fungsi dari tingkat usaha yang berbeda. fBE dicapai di 578 kapal dan fMEY di 289 kapal.
Gambar 2.4. Lintasan statis (ekuilibrium) dan dinamis biomassa (a), hasil (b) dan
pendapatan biaya (c) yang dihasilkan dari penerapan tingkat upaya penangkapan
yang berbeda.
Gambar 2.5 menunjukkan fluktuasi temporal dalam variabel kinerja perikanan.
Penurunan hasil dan pendapatan bersih pada tingkat upaya penangkapan ikan di atas
630 kapal, diikuti dengan masuk / keluarnya kapal secara dinamis ke perikanan, karena
rente ekonomi menjadi positif atau negatif. Kesetimbangan bioekonomi (π = 0) tercapai
pada 1.200 ton, setelah 50 tahun operasi penangkapan ikan.
Gambar 2.5. Lintasan dinamis dari (a) biomassa, (b) hasil, (c) rente ekonomi, dan
(d) usaha penangkapan ikan.
Model logistik
Csirke & Caddy (1983) menyatakan persamaan hasil ekuilibrium Graham (1935) dalam
hal nilai ekuilibrium angka kematian tahunan (lihat hal. 45 dan juga Caddy, 1986),
sehingga mengurangi persamaan (2.1) menjadi bentuk kuadrat:
Dimana Yi dan Zi masing-masing adalah hasil dan koefisien kematian total rata-rata
untuk tahun i.
Dalam asumsi logistik, persamaan (2.32) memberikan parabola yang melewati absis di
sebelah kanan titik asal. Menggunakan regresi berganda, Dimana Zi dan Zi2diperlakukan
sebagai dua variabel independen, kurva "cembung ke bawah" yang menghubungkan
nilai tahunan hasil dan total mortalitas dapat ditarik. Perkiraan koefisien kematian alami
M dapat diperoleh dengan menyelesaikan persamaan ini untuk Z = M (Yi dan F = 0).
Lihat Csirke & Caddy (1983) dan Caddy & Defeo (1996) untuk perhitungan ini dan
parameter lain yang terkait dengan kurva Produksi Biologis (Gbr. 2.5).
Csirke & Caddy (1983) menyarankan pendekatan alternatif untuk menyesuaikan model
logistik, berdasarkan indeks kelimpahan:
Model eksponensial
Caddy & Defeo (1996) memperluas teori pemodelan produksi dengan perkiraan
mortalitas untuk memasukkan model eksponensial Fox (1970). Pendekatan linier dan
non-linier digunakan untuk menyesuaikan model ini. Model eksponensial untuk data
hasil dan mortalitas dapat diringkas sebagai:
Dimana B∞dan b 'dapat diperkirakan dengan teknik regresi nonlinier. Seperti dalam
kasus pendekatan logistik alternatif, model tersebut disesuaikan untuk nilai uji coba M
yang berbeda, memilih model yang memaksimalkan kriteria kesesuaian. Prosedur
estimasi untuk parameter yang tersisa dijelaskan secara lengkap dalam Caddy & Defeo
(1996). Pendekatan linear dari persamaan di atas dapat dengan mudah diturunkan
sebagai:
menggunakan In (Yi / Zi-M) dan Zi sebagai variabel dependen dan independen. Estimasi
parameter mengikuti penalaran yang sama seperti pada pendekatan sebelumnya,
menggunakan nilai uji coba M.
Untuk mendapatkan titik referensi bioekonomi (RP) untuk pengelolaan perikanan kehati-
hatian (Caddy & Mahon, 1995), Defeo & Seijo (sedang dicetak) mengembangkan
ekspresi untuk rente ekonomi (π) stok dari versi eksponensial hasil- model mortalitas
dalam bentuk liniernya:
Di mana p adalah harga rata-rata spesies sasaran dan c adalah biaya kesatuan upaya
penangkapan.
1
Mathcad 5.0 untuk Windows. 1994. Mathsoft, Inc.
Contoh yang akan diberikan di bawah ini (Defeo & Seijo, sedang dicetak) didasarkan
pada kumpulan data hipotetis yang digunakan oleh Caddy (1986: p. 387), yang
disesuaikan dengan metodologi yang diusulkan (Tabel 2.2). Informasi bioekonomi yang
memungkinkan penghitungan yang dilaporkan di sini pada kumpulan data nyata tidak
tersedia, sehingga hasil (dan perkiraan mortalitas yang digunakan) hanya dimaksudkan
untuk menggambarkan model bioekonomi yang dikembangkan dan metodologi
penyesuaian data yang diusulkan. Input data yang dipilih untuk menjalankan model
adalah p = $ 3000, q = 0,0001, dan c = $ 25. Nilai M yang digunakan sebagai input
model diperoleh dengan mengiterasi persamaan (2.35) dan memaksimalkan kriteria
goodness-of-fit. R tertinggi2 sesuai dengan M = 0,13 / tahun.
Gambar 2.6 menunjukkan hubungan antara Y dan Z, dipasang oleh model eksponensial
linier. Tiga RP utama: MSY, yMEY dan YMBP, diilustrasikan untuk M yang dioptimalkan
sebesar 0,13 / tahun. Tabel 2.3 menunjukkan perkiraan nilai rata-rata parameter,
bersama dengan 95% interval kepercayaan yang diperoleh dengan simulasi bootstrap
(lihat Bab 7). Dengan kumpulan data buatan yang disediakan, RP bioekonomi turun di
bawah dua lainnya, dengan urutan sebagai berikut: YMEY≤YMBP ≤MSY. Tren yang
sama yang disebutkan di atas tetap berlaku untuk parameter pengelolaan yang tersisa
(Tabel 2.3), dan dengan demikian RP bioekonomi lebih konservatif daripada RP
“berkelanjutan maksimum”, dengan mempertimbangkan rata-rata keseluruhan dan
interval kepercayaan yang dihasilkan oleh proses bootstrap. Perlu dicatat bahwa YMPB
serta mortalitas yang sesuai.
tarif (FMBP dan ZMBP) secara konsisten di bawah yang sesuai dengan MSY dan
dengan demikian dapat dianggap RP pencegahan (Gbr. 2.6).
Gambar 2.6 Model YZ bioekonomi: kurva hasil dan produksi biologis yang
disesuaikan dengan data hipotetis. Posisi MSY, Y MEY, MBP ditampilkan. Nilai AM
sebesar 0.13 / tahun yang memaksimalkan kriteria goodness-of-fit pada
persamaan (2.35) digunakan sebagai masukan untuk menjalankan model
(diadaptasi dari Defeo & Seijo, in press).
Simulasi yang melibatkan perubahan dalam biaya satuan usaha penangkapan ikan (c)
menghasilkan, seperti yang diharapkan, dalam variasi RP bioekonomi yang diturunkan
dari YZ yang diturunkan dari model YZ (Tabel 2.3). Misalnya, pengurangan c sebesar
40% (dari $ 25 menjadi $ 15 per unit upaya) menentukan peningkatan bersamaan dalam
perkiraan bootstrap rata-rata RP bioekonomi urutan 14% untuk YMEY, 38% untuk
FMEY dan fMEY, dan 22 % untuk ZMEY. Distribusi empiris YMEY dan MSY yang
diperoleh dengan bootstrap di bawah dua nilai input c yang dipilih menunjukkan bahwa
YMEY berada di bawah MSY, tetapi semakin dekat satu sama lain di bawah skenario
biaya yang lebih rendah. Hal yang sama berlaku untuk RP bioekonomi yang tersisa jika
dibandingkan dengan RP biologis (Defeo & Seijo, in press). Pembaca mengacu pada
Bab 7 untuk pembahasan rinci dan penerapan bootstrap untuk menilai ketidakpastian.
Analisis sensitivitas pada model terhadap variasi biaya unit mengakibatkan perubahan
RP bioekonomi. Seperti yang diharapkan, mereka secara sistematis meningkat dengan
menurunkan biaya dan mendekati RP yang “berkelanjutan maksimum”. Ini bisa menjadi
penting dalam banyak perikanan pesisir artisanal dengan biaya total yang relatif rendah
dan nilai unit yang tinggi dari stok yang dipanen, seperti kerang-kerangan, di mana
keseimbangan bioekonomi sering dicapai pada tingkat usaha penangkapan ikan yang
tinggi (Seijo & Defeo, 1994b) dan FMEY yang sesuai mendekati FMSY. Oleh karena itu,
pada tingkat unit biaya usaha yang sangat rendah, FMBP bisa menjadi RP yang lebih
berjaga-jaga daripada FMEY. Pertukaran sewa-biomassa dapat diperkirakan
mencerminkan biaya sosial dari penerapan opsi manajemen yang menghindari risiko
tinggi yang berangkat dari paradigma memaksimalkan sewa.
Model dinamis stokastik yang mengikuti pendekatan ilmu sistem dapat diformulasikan
sebagai alternatif untuk membandingkan kinerja pendekatan dinamis dan statis dan
untuk mengevaluasi, berdasarkan asumsi model, mana yang terbukti paling efektif dan
berguna untuk saran manajemen. Pendekatan pengoptimalan beberapa kriteria juga
dapat dikembangkan untuk satu atau lebih set tujuan kebijakan dan target manajemen,
untuk mencerminkan kesediaan pembuat keputusan untuk memungkinkan pertukaran
antar variabel kinerja (Diaz de León & Seijo, 1992; Seijo et al. ., 1994c: lihat Bab 5).
di mana MR (t) dan FR (t) masing-masing adalah tingkat kematian alam dan
penangkapan ikan yang terbatas, yang diturunkan dari perkiraan sebelumnya dari
tingkat kematian alam dan penangkapan ikan yang sesaat.
Mengatur ulang:
Dengan demikian, jumlah individu dalam setiap kohort (Ni) dapat diperoleh dengan
mengintegrasikan dalam interval [t, t + DT], jumlah individu usia i-1 yang bertahan dan
tumbuh menjadi kohort pada waktu t, dikurangi tingkat kematian total (Ai) dikurangi
tingkat di mana organisme yang hidup dari kelompok i (Si) dimasukkan ke dalam
kelompok i + 1 dalam waktu t (Seijo & Defeo, 1994b). Dengan menggunakan integrasi
numerik Euler (Chenney & Kincaid, 1985), struktur populasi dinamis dapat dinyatakan
sebagai:
Mortalitas penangkapan ikan (Fi) dan hasil Yi (t) menurut kelas umur diperoleh masing-
masing seperti pada (2.26) y (2.2), tetapi dalam kasus ini B dan q diberikan oleh kelas
umur:
Pendapatan total TR diperoleh dengan mengalikan harga satuan (pi) dengan hasil yang
diperkirakan untuk setiap usia:
Total biaya (TC (t) dan pendapatan bersih π (t) diperoleh seperti dalam model Gordon-
Schaefer.
Dalam contoh berikut, perilaku dinamis dari populasi biomassa, hasil, usaha dan
pendapatan dianalisis untuk perikanan pukat-hela (trawl) udang dengan parameter yang
ditentukan pada Tabel 2.4. Simulasi melibatkan variasi umur saat pertama kali
menangkap (tc) dan jumlah usaha penangkapan f.
Lintasan dinamis variabel kinerja perikanan di bawah nilai tc yang berbeda diamati pada
Gambar 2.7. Biomassa menurun seminimal mungkin dengan hasil tertinggi, 20 tahun
setelah dimulainya perikanan. Penurunan biomassa lebih terlihat dengan nilai tc yang
rendah, yang selanjutnya menentukan nilai terendah dari hasil dan rente ekonomi.
Keseimbangan jangka panjang dicapai setelah 45 tahun (Gbr. 2.7a sampai d). Upaya
penangkapan maksimum adalah sekitar 200 kapal untuk satu tc yang terdiri antara 2
dan 3 tahun di ca. 20 tahun dan semakin berkurang sebagai akibat dari rente ekonomi
negatif (Gbr. 2.7c). Jumlah kapal pada nilai tc yang bervariasi dari 1 sampai 4 tahun di
bawah kesetimbangan bioekonomi, masing-masing adalah, 67, 90, 115 142 (Gbr. 2.7d);
yaitu,
dimana Y1(t) dan Y2(t) adalah, masing-masing, hasil dari armada penangkapan ikan 1
dan 2 pada waktu t.
Analisis statis
Y1 = q1f1 B (3.4)
Y2 = q2f1 B (3,5)
Memecahkan B dalam persamaan (3.2) dan mengganti Y1 dan Y2 dengan ekspresi (3.4)
dan (3.5):
Mengganti (3.6) di (3.4) dan (3.5), hasil untuk setiap armada adalah:
MEY untuk armada 1 dapat dipertahankan dengan mengambil turunan pertama dari
pendapatan bersih;
Analisis dinamis
Perilaku dinamis dari stok dan upaya penangkapan dapat dilakukan dengan
memecahkan model secara numerik. Contoh berikut menggambarkan perilaku dinamis
variabel kinerja perikanan dari dua armada dengan daya tangkap yang berbeda.
Diberikan pada perikanan pelagis dengan parameter seperti pada Tabel 3.1, perilaku
dinamis biomassa populasi, hasil dan usaha penangkapan yang dilakukan oleh artisanal
dan armada mekanik dapat dijelaskan sebagai berikut:
Tabel 3.1. Parameter masukan yang ditentukan untuk model asimulasi (seijo al.,
1996) diarahkan untuk mengevaluasi perilaku dinamis dari stok yang dipanen oleh dua
armada yang saling bergantung secara teknologi.
Parameter / Variabel Nilai
Laju pertumbuhan intrinsik r 0.36
Daya dukung ekosistem K 4000000 t
q armada artisanal 0,0002
q armada industri 0,00035
Harga spesies 60US $ / ton
Biaya unit usaha artisanal 15000 US $ / perjalanan
Biaya satuan usaha industri 45000 US $ / perjalanan
Parameter dinamika armada artisanal 0,00001
Parameter dinamika armada industri 0,00001
Hasil simulasi yang dijalankan untuk jangka waktu 50 tahun menunjukkan perluasan
armada industri hingga biomassa mencapai 2 juta ton (Gbr. 3.1a, c). Di luar ambang
batas ini, rente ekonomi untuk armada ini menjadi negatif (Gbr. 3.1e), yang
menyebabkan keluarnya kapal dari kegiatan perikanan dan pelepasan biomassa yang
selanjutnya dapat ditangkap oleh armada artisanal (Gbr. 3.1d).
Gambar 3.2 menunjukkan perilaku dinamis dari biomassa dan upaya penangkapan ikan
yang dilakukan oleh kedua armada tersebut. Penurunan stok biomassa yang nyata
terlihat selama 10 tahun pertama perikanan, sebagai akibat dari upaya penangkapan
ikan yang terus menerus, terutama oleh armada artisanal. Kedua variabel tersebut
menunjukkan siklus jangka panjang dengan jeda waktu 5 tahun, ditentukan oleh
keterlambatan investasi menurut fluktuasi saham (Gambar 3.2a). Osilasi amplitudo
kedua variabel cenderung menurun hingga mencapai kesetimbangan bioekonomi
jangka panjang (TR = TC) dalam biomassa dan jumlah kapal di armada industri (7) dan
artisanal (1250). Dalam jangka panjang, armada artisanal cenderung mengecualikan
armada industri, karena biaya operasional yang lebih rendah.
Gambar 3.1. Perilaku dinamis stok biomassa (a, b), hasil (c, d) dan rente ekonomi
(e, f) menurut jenis armada.
Contoh ini juga dapat dianalisis sebagai perikanan sekuensial (lihat di bawah), tetapi
dalam hal ini pengaruh armada penangkapan ikan terhadap struktur populasi harus
dipertimbangkan.
Gambar 3.2. Perilaku dinamis biomassa (a), usaha (b), pendapatan (c) dan rente
ekonomi (d) yang diperoleh armada artisanal dan industri.
Pertimbangkan perikanan yang terdiri dari 2 armada yang memanen 2 spesies: target
armada 1 pada spesies 1 dan secara kebetulan memperoleh spesies 2, yang pada
gilirannya merupakan target armada 2. Set parameter bioekonomi yang sesuai diberikan
pada Tabel 3.2.
Hal ini terjadi ketika dua armada memperoleh tangkapan yang tidak disengaja dari
spesies sasaran perikanan lainnya. Ukuran populasi dan yiels stok X dan Y adalah
fungsi dari upaya penangkapan yang dilakukan oleh kedua armada. Namun,
pendapatan ekonomi dari satu armada akan bergantung pada tingkat upaya yang
dilakukan oleh armada lainnya. Untuk armada 1 (spesies target X):
Contoh berikut mempertimbangkan perikanan berurutan yang terdiri dari dua armada
dan dua spesies. Model dinamis bioekonomi multispesifik dibangun untuk
mensimulasikan penangkapan ikan dan perilaku sumber daya sepanjang waktu. Nilai
input untuk parameter model ditunjukkan pada Tabel 3.3. Parameter selektivitas dan
daya tangkap masing-masing diestimasi dengan metode ogive seleksi (sparre et al.,
1989) dan pendekatan area sapuan Baranov (Caddy, 1975, 1979), masing-masing (lihat
Bab 4).
Gambar 3.4 menunjukkan fluktuasi temporal dalam kelimpahan spesies, serta hasil,
upaya penangkapan ikan dan sewa ekonomi untuk kedua armada. Biomassa dari kedua
spesies tersebut menurun secara nyata selama fase perkembangan perikanan sebagai
akibat dari perluasan armada industri (Gbr. 3.4a). Penangkapan puncak armada ini
mendekati tahun 20 (Gbr. 3.4b), bersamaan dengan jumlah kapal maksimum (Gbr.
3.4c); mulai tahun ini, armada berkurang secara perlahan sampai akhir jangka waktu
simulasi (50 tahun). Sebaliknya, perikanan artisanal menunjukkan peningkatan hasil
tangkapan dan jumlah kapal yang stabil. Akibat biaya operasi yang lebih rendah,
armada ini dapat mengecualikan armada industri dalam jangka panjang. Peningkatan
upaya oleh armada artisanal dapat menyebabkan penangkapan ikan yang berlebihan,
dengan konsekuensi penurunan ketersediaan stok untuk armada mekanik.
Tabel 3.3. Parameter masukan dari model bioekonomi dinamis multispesifik yang
mewakili perikanan sekuensial.
Parameter / Variabel Nilai
Spesies usia maksimal 1 (thn) 20
Spesies usia maksimal 2 (thn) 12
Umur saat kematangan pertama spesies 1 (thn) 3
Umur saat kematangan pertama spesies 2 (thn) 2
Rasio jenis kelamin (kedua spesies) 0,50
Spesies rekrutmen teramati maksimum 1 50000000
Spesies rekrutmen teramati maksimum 2 100000000
Spesies dengan tingkat kematian alami 1 0,4 / thn
Spesies tingkat kematian alami 2 0,45 / thn
Spesies fekunditas rata-rata 1 1200000
Spesies fekunditas rata-rata 2 1500000
Spesies parameter kelengkungan 1 0,12 / thn
Spesies parameter kelengkungan 2 0,19 / thn
Parameter pertumbuhan t0spesies 1 -0,55 thn
Parameter pertumbuhan t0spesies 2 0,50 thn
Spesies panjang maksimum 1 (mm) 920
Spesies panjang maksimum 2 (mm) 600
Spesies berbobot maksimum 1 (g) 12500
Spesies berbobot maksimum 2 (g) 2400
Spesies harga minimum 1 1500 US $ / ton
Spesies harga minimum 2 1.000 US $ / ton
Kemiringan spesies kurva harga 1 50
Kemiringan spesies kurva harga 2 5
Armada biaya kesatuan 1 55000 US $ / kapal / thn
Armada biaya kesatuan 2 5000 US $ / kapal / thn
Parameter dinamis Fleet 1 0,00001
Parameter dinamis Armada 2 0,0001
Area tersapu oleh armada roda gigi 1 (km2) 2.50
Area tersapu oleh armada roda gigi 2 (km2) 0.18
Panjang retensi gigi sp.1 50% –75%, armada 1 450, 650
Panjang retensi gigi sp.1 50% –75%, armada 2 300, 450
Panjang retensi gigi sp.2 50% –75%, armada 1 300, 450
Panjang retensi gigi sp.2 50% –75%, armada 2 200, 275
Area distribusi, kedua stok (km2) 5.000
Gambar 3.4. Perikanan berurutan. Fluktuasi dinamis dari: (a) biomassa; (b) hasil;
(c) usaha; (d) sewa ekonomi yang dihasilkan oleh kapal industri dan artisanal.
Kasus 1: persaingan
Gambar 3.5 menunjukkan lintasan dinamis biomassa dari 2 spesies yang bersaing,
serta hasil yang sesuai dan rente ekonomi yang dihasilkan oleh satu armada
penangkapan ikan. Dengan tidak adanya pemanenan, pesaing dominan memiliki
biomassa lebih tinggi daripada pesaing bawahan. Ketika upaya penangkapan ikan oleh
pesaing dominan meningkat (anggap saja lebih berharga di pasar daripada
bawahannya), kelimpahannya menurun, sehingga melepaskan sumber daya yang
membatasi ekologis (misalnya, habitat, makanan). Hal ini pada gilirannya
memungkinkan biomassa dan kurva hasil bergeser ke atas untuk spesies subordinat,
hingga mencapai tingkat upaya di atas yang hasil tangkapan juga cenderung menurun.
Kesetimbangan bioekonomi akses terbuka dicapai pada tingkat usaha tinggi yang
menentukan kelimpahan rendah dari spesies yang dominan secara ekologis. Dalam
konteks ini, jika harga spesies bawahan cukup tinggi, yang dominan dapat secara efektif
punah jika lebih rentan daripada spesies bawahan. Sewa ekonomi dimaksimalkan pada
tingkat upaya 292 kapal.
Perlu ditekankan bahwa posisi pasti BE dalam perikanan yang terdiri dari dua sediaan
yang bersaing bergantung pada parameter biologis (misalnya, tingkat pertumbuhan) dan
ekonomi (misalnya, harga pasar), serta pada kekuatan interaksi antar spesies.
Gambar 3.5. Lintasan dinamis biomassa (a, b), tangkapan (c, d), dan rente
ekonomi (e, f) yang dihasilkan oleh perikanan yang terdiri dari dua spesies yang
bersaing.
Kasus 2: predasi
Dalam hal ini, peningkatan upaya penangkapan ikan yang diarahkan ke mangsa akan
mengurangi kelimpahannya dan dengan demikian besarnya sumber daya yang tersedia
untuk predator (asumsikan secara sederhana bahwa predator adalah spesialis dalam
perilaku trofiknya). Dengan demikian, meningkatkan usaha mangsa juga akan
menurunkan hasil dan pendapatan yang dihasilkan dari pemanenan predator. Tren
sebaliknya akan terjadi pada mangsa: tingkat keseimbangan bioekonomi yang sesuai
dan hasil maksimum akan tergantung pada besarnya usaha penangkapan yang
dilakukan terhadap predator. Perilaku predator sangat penting dalam konteks ini.
Predator generalis memakan beberapa mangsa dan dengan demikian dapat beralih
sesuai dengan profil konsentrasi dan kelimpahan mangsa yang berbeda. Dengan
demikian, lintasan dinamis yang ditunjukkan pada Gambar 3.6 harus dimodifikasi untuk
memperhitungkan perilaku pemangsa yang berpindah.
Gambar 3.6. Hubungan predator-mangsa dalam perikanan yang saling bergantung
secara ekologis. Lintasan dinamis dari (a) mangsa dan predator biomassa, (b)
usaha, (c) hasil, dan (d) rente ekonomi yang dihasilkan oleh dua armada.
Kasus 1: persaingan
Model Lotka-Volterra (Volterra, 1926; Lotka, 1932) dan Gause & Witt (1935) umumnya
digunakan untuk memodelkan persaingan antar spesies. Persamaan diferensial yang
digunakan adalah:
Kasus 2: predasi
Contoh berikut didasarkan pada model komputer (Seijo et al., 1996) yang secara
bersamaan mempertimbangkan saling ketergantungan teknologi dan ekologi (predasi)
(Tabel 3.4). Fluktuasi dinamis dalam biomassa mangsa dan predator yang ditunjukkan
di sini bukanlah yang klasik yang ditemukan dalam literatur ekologi (Begon et al., 1990),
karena armada penangkap ikan saling terkait secara teknologi. Kedua stok tersebut
menurun seiring dengan meningkatnya upaya penangkapan yang diterapkan selama 15
tahun pertama pengembangan perikanan (Gambar 3.7a). Upaya penangkapan ikan
yang dilakukan oleh armada 1 pada mangsa juga berdampak pada biomassa predator
selama periode awal ini, kemudian menurun setelahnya (Gbr. 3.7b). Peningkatan jumlah
armada 1 merupakan respons terhadap hasil yang tinggi baik pada mangsa (target) dan
predator (insidental) (Gbr. 3.7c). Hasil dari, sewa ekonomi untuk armada 1 selama 15
tahun sebelumnya jauh lebih tinggi daripada untuk armada 2, yang menargetkan secara
eksklusif pada predator dan selalu bekerja dekat dengan keseimbangan bioekonomi
(Gbr. 3.7d). Parameter biologi dan ekonomi sangat penting untuk menentukan lintasan
dinamis dari saling ketergantungan. Dalam kasus ini misalnya, menipiskan mangsa
dapat mengurangi kelimpahan predator, tetapi tidak harus sebaliknya.
Setidaknya untuk kerang yang menetap atau sesil, pemahaman yang lebih baik tentang
efek penangkapan ikan pada komunitas ekologi berasal dari manipulasi eksperimental
populasi dan upaya penangkapan ikan di lapangan (Jamieson & Caddy, 1986; Cobb &
Caddy, 1989; Defeo, 1993a, 1996; 1998 ; Castilla, 1994). Pengelolaan eksperimental
merupakan cara yang berguna untuk menentukan pola respons kerang dalam kaitannya
dengan besarnya tekanan penangkapan dan keterkaitan serta kekuatan interaksi
ekologis (Defeo & de Alava, 1995). Spesies ini sangat cocok untuk eksperimen:
mobilitas rendah atau nol memungkinkan dilakukannya eksperimen lokal dengan tingkat
kelimpahan stok dan intensitas penangkapan yang berbeda. Bahkan, fitur desain dan
manipulasi yang mudah dari plot eksperimental memfasilitasi evaluasi tanggapan
populasi yang mungkin menyertai tingkat penangkapan ikan yang berbeda. Pertukaran
organisme yang rendah di antara ulangan eksperimental adalah fitur berguna tambahan.
Dalam konteks di atas, studi eksperimental baru-baru ini menunjukkan bahwa struktur
komunitas yang dipanen di pantai berbatu sangat berbeda dari yang asli, dan bahwa
intensitas panen yang bervariasi pada kerang-kerangan dari tingkat trofik yang berbeda
dapat menghasilkan struktur komunitas yang berbeda. Komunitas bentik intertidal
dilindungi atau dengan campur tangan manusia kecil telah dibandingkan dengan
komunitas di mana manusia telah memberikan pengaruh yang terus-menerus dalam
sistem (Castilla & Durán, 1985; Hockey & Bosman, 1986; Bosman et al., 1987;
Bustamante & Castilla, 1990) . Hasil penelitian menunjukkan bahwa pengaruh manusia
tidak hanya terlihat pada spesies target, tetapi juga secara tidak langsung pada spesies
yang tidak dipanen yang menempati level lebih rendah dalam rantai trofik. Ini dikenal
sebagai efek kaskade (Paine, 1984; Estes & Palmisano, 1974; Moreno et al., 1984;
1986), dan terutama terjadi ketika: (a) pemanenan diarahkan ke spesies kunci (sensu
Paine, 1980), biasanya predator puncak; dan (b) hubungan trofik antar spesies sangat
kuat (Duran et al., 1987; Lubchenco et al., 1995).
Dampak penangkapan ikan dalam struktur komunitas ekologi mungkin juga bergantung
pada jumlah spesies yang ada
Karakterisasi perikanan
Sistem perikanan dapat diuraikan menjadi tiga subsistem yang berinteraksi untuk
memberikan perilaku unik pada sistem keseluruhan (gbr. 4.2): (a) sumber daya; (b)
pengguna sumber daya; dan (c) manajemen sumber daya. Gambar 4.2 juga
menekankan variabel antarmuka, yang merupakan keluaran dari satu subsistem yang
bertindak sebagai masukan bagi subsistem lainnya. Asumsi utama sistem dianggap
sebagai parameter eksogen yang tidak ditentukan dalam sistem, dan diwakili oleh panah
tanpa asal dalam diagram blok.
Subsistem sumber daya. Meliputi: (1) aspek siklus hidup spesies, seperti biologi
reproduksi dan rekrutmen, dinamika pertumbuhan dan kematian; (2) faktor
lingkungan yang mempengaruhi kelimpahan dan distribusi spatio-temporal; dan
(3) saling ketergantungan ekologis.
Dinamika populasi
Ini dapat dimodelkan dengan menggunakan prinsip-prinsip tabel kehidupan (Seijo, 1986;
Begon et al., 1990), berdasarkan penghitungan dinamis arus masuk dan arus keluar
individu untuk setiap usia struktur populasi. Perubahan jumlah individu melalui waktu
dapat didefinisikan seperti dalam "Model terstruktur" yang dijelaskan dalam Bagian 2
(lihat persamaan 2.45 hingga 2.54).
Mekanisme umpan balik untuk ekspresi (2.49) dapat dihasilkan oleh fungsi perekrutan
stokastik. Mempertimbangkan misalnya, fungsi Beverton & Holt (1957):
di mana Hmaxi mewakili jumlah maksimum telur yang dihasilkan oleh stok pemijahan
spesies i. Rmaxi adalah perekrutan teramati maksimum, dan HSi (t) adalah perkiraan
jumlah telur yang dihasilkan oleh stok pemijahan i pada waktu t. RNi (t) adalah variabel
acak yang terdistribusi normal dengan 0 mean dan varians yang diketahui mewakili
variabilitas yang tidak dapat dijelaskan dengan persamaan (4.1). Fungsi rekrutmen lain
(lihat Ricker, 1975) dapat digunakan sesuai dengan spesies yang dianalisis (lihat Hilborn
& Walters, 1992; De Anda et al., 1994).
HSi (t) dapat diperkirakan untuk setiap periode pemijahan sebagai produk dari
kelimpahan stok pemijahan pada waktu t dengan proporsi betina (Hi) dan kesuburan
rata-rata usia spesifik yang sesuai (FECij):
dimana MAGEi adalah umur pengamatan maksimum dan si adalah umur kematangan
pertama spesies i.
Biomassa untuk setiap spesies dihitung sebagai berikut:
dimana rata-rata bobot individu spesies pada umur Wij = aLbij (a dan b adalah parameter). Lij dapat
diperkirakan dengan fungsi pertumbuhan von Bertalanffy (1938):
dimana Lij adalah panjang umur, L∞i adalah panjang asimtotik, kpsaya adalah parameter
kelengkungan dan usia teoritis pada panjang = 0.
Seperti yang dijelaskan secara rinci dalam Bab 2, periode pemijahan dan penetasan
dapat dimodelkan menggunakan "model penundaan terdistribusi", berdasarkan fungsi
kepadatan probabilitas Gamma:
dimana HSi (t) adalah input untuk proses penundaan (jumlah telur yang muncul dalam
waktu t); γk(t) adalah keluaran dari penundaan (jumlah telur yang menetas dalam waktu
t); γ1 (t), γ2 (t),…, γg-1 (t) adalah tarif perantara; DELHS adalah periode pematangan
telur yang diharapkan dan g adalah urutan penundaan. Parameter g menentukan
anggota keluarga Erlang fungsi kepadatan, yang menjelaskan waktu transit entri
individu saat mereka melewati proses penundaan.
Dinamika armada
Dalam jangka panjang, variasi usaha penangkapan ikan sepanjang waktu dapat
dimodelkan dengan menerapkan persamaan Smith (1969):
di mana RVm (t) adalah variabel acak yang secara eksponensial berhubungan dengan
autokorelasi yang memperhitungkan ketidakpastian dalam tangkapan dari waktu ke
waktu, dan dapat dihasilkan dengan fungsi kepadatan probabilitas lain yang sesuai.
Koefisien tangkapan menurut spesies, ukuran, dan jenis armada (qijm <
5. Manajemen
Terdapat tren peningkatan ke arah penggabungan kriteria non-moneter dalam analisis
bioekonomi perikanan, seperti konservasi keanekaragaman hayati laut, perlindungan
spesies yang terancam punah dan nilai-nilai lain yang tidak diberi harga (nilai
keberadaan dan nilai permintaan opsi). Pendekatan ini perlu mendamaikan kriteria
ekonomi dan ekologi, yang dalam banyak kasus bertentangan (Charles, 1989; Charles &
Herrera, 1994). Di satu sisi, diharapkan memaksimalkan net present value yang
dirasakan oleh nelayan; di sisi lain, kelimpahan dan hasil dari spesies yang dipanen
harus berkelanjutan dari waktu ke waktu. Dalam Bab ini, dijelaskan beberapa kriteria
peraturan perikanan, terutama bentuk-bentuk intervensi negara. Pendekatan
bioekonomi yang memperkenalkan algoritma pengoptimalan non-linier untuk
pengelolaan perikanan dengan berbagai kriteria, juga disajikan.
Pendekatan konservasi
Hal ini biasanya didasarkan pada pengaturan upaya penangkapan, dengan asumsi
bahwa setelah upaya penangkapan diatur, perubahan kelimpahan spesies dapat dibalik
dalam jangka waktu yang wajar. Namun, kurangnya deret waktu jangka panjang berarti
bahwa hasil dari teknik evaluasi yang biasa digunakan (misalnya Analisis Populasi
Virtual: VPA) tidak menunjukkan cukup bukti untuk membenarkan pengurangan upaya
hingga eksploitasi berlebihan terjadi. Dengan demikian, terdapat kecenderungan
berisiko ke arah eksploitasi stok pada tingkat yang mendekati eksploitasi berlebihan,
yang dalam banyak kasus menentukan penurunan tingkat upaya penangkapan ikan
atau bahkan penutupan perikanan, dengan implikasi sosial dan ekonomi.
Pendekatan ekonomi
Pembuat kebijakan jarang mengacu pada konsep efisiensi ekonomi; sebaliknya, mereka
lebih menanggapi tingkat pengangguran yang tinggi, kejatuhan perikanan dan
penurunan tingkat pendapatan, dengan konsekuensi sosio-ekonomi (Maiolo & Orbach,
1982). Memang, beberapa sediaan dieksploitasi bahkan pada tingkat biomassa yang
sangat rendah, karena kenaikan biaya diimbangi oleh kenaikan harga spesies, sebagai
akibat dari penurunan pasokan pasar. Ini merupakan kelemahan penting dalam
penerapan kriteria ekonomi secara grosir.
Dalam kondisi akses terbuka dan berkurangnya stok, beberapa nelayan akan lebih
terpengaruh daripada yang lain. Umumnya, kapal-kapal dengan otonomi tinggi dan rente
ekonomi akan meningkatkan tingkat panen dengan mengerahkan upaya penangkapan
mereka di daerah penangkapan ikan yang jauh. Hal ini dapat menimbulkan konflik di
antara nelayan, dan dengan demikian tugas utama dalam pemilihan alternatif
pengelolaan terletak pada bagaimana memihak kelompok pengguna tanpa merugikan
yang lain. Kerusakan ekonomi didefinisikan sebagai penurunan pendapatan atau
kepuasan individu sebagai akibat dari keputusan publik (dalam hal ini strategi
manajemen tertentu). Dalam konteks ini, keadilan merupakan pertimbangan sosial yang
penting untuk menilai strategi intervensi negara; namun sulit untuk diterapkan, karena
kesempatan yang sama tidak menjamin pemerataan sumber daya tak terbarukan.
Dalil utama teori kesejahteraan ekonomi yang diterapkan pada perikanan (Hannesson,
1978), menetapkan bahwa maksimalisasi kesejahteraan sosial merupakan tujuan akhir
dari kebijakan perikanan. Konsep utama yang mendasari adalah optimalitas Pareto.
Strategi pengelolaan perikanan Pareto optimal jika perubahan yang dihasilkan oleh
instrumen pengelolaan memungkinkan peningkatan kesejahteraan satu atau lebih
nelayan tanpa memperburuk yang lain. Kondisi yang diperlukan dan mencukupi agar
strategi pengelolaan menjadi Pareto optimal adalah sebagai berikut:
i. Tingkat substitusi teknis antara pasangan input usaha penangkapan ikan akan
sama untuk semua kapal dan sama dengan rasio harga input.
ii. Tidak mungkin meningkatkan tangkapan dan keuntungan ekonomi yang
dihasilkan oleh suatu spesies (atau sekelompok spesies) tanpa mengurangi
tangkapan dan rente ekonomi yang akan diperoleh nelayan lain dengan
memanen spesies (ini) atau spesies lain yang ekologis dan / atau saling
bergantung secara teknologi.
iii. Distribusi hasil tangkapan di antara konsumen hasil laut tidak mungkin dilakukan
sedemikian rupa sehingga kesejahteraan konsumen dapat meningkat tanpa
mengurangi kesejahteraan orang lain.
Teori kesejahteraan neoklasik yang diterapkan pada sumber daya alam (Randall, 1981;
Hannesson, 1978; Schmid, 1978, 1989) mempertimbangkan beberapa pendekatan
kesejahteraan yang memiliki implikasi distribusi biaya yang berbeda dan manfaat yang
dihasilkan dari strategi pengelolaan alternatif (Tabel 5.1).
Kriteria
Karakteristik Distribusional Dampak
Kesejahteraan
Netral untuk nelayan
Efisiensi Pareto Kerusakan ekonomi diperbolehkan
yang kurang efisien
Keamanan Pareto Kerusakan ekonomi tidak diperbolehkan Netral untuk semua
nelayan
Kerusakan ekonomi yang diperbolehkan
Nilai maksimum
diperbolehkan jika ∑ kesejahteraan> 0 dan Netral
produk sosial
dimaksimalkan
Kerusakan ekonomi absolut atau relatif antara
Bagian proporsional Sebanding
nelayan tidak diperbolehkan
Kesejahteraan sosial Kerusakan ekonomi diperbolehkan.
Netral
maksimal Mengasumsikan adanya kurva indiferen sosial
Efisiensi Pareto. Pendekatan ini terdiri dari menghilangkan solusi manajemen yang tidak
efisien. Namun harus disebutkan, bahwa lebih dari satu solusi yang efisien dapat ada
karena titik manapun dari kurva Grand Utility Frontier (GUF) melibatkan efisiensi dalam:
(a) alokasi sumber daya, (b) produksi, dan (c) konsumsi (Randall, 1981 : 111–118).
Setiap titik kurva GUF adalah Pareto efisien, karena tidak mempertimbangkan:
i. Kombinasi input yang tidak tetap berada dalam kurva kemungkinan produksi.
ii. Distribusi barang yang tidak tetap berada dalam kurva efisiensi konsumsi.
iii. Semua titik yang tidak berada di kurva GUF.
Oleh karena itu, konsep Efisiensi Pareto didefinisikan sebagai situasi di mana tidak
mungkin untuk meningkatkan seorang nelayan tanpa secara bersamaan merusak yang
lain. Untuk mencapai tujuan ini, semua kemungkinan pertukaran sukarela yang
memungkinkan realokasi sumber daya atau mendistribusikan kembali barang dengan
cara yang lebih efisien, telah habis. Namun, yang melekat pada setiap titik kurva GUF
adalah distribusi awal kekayaan. Ini menunjukkan bahwa pemilihan strategi pengelolaan
perikanan tertentu akan melibatkan penilaian nilai oleh pembuat kebijakan, karena
mereka secara implisit akan mempertimbangkan distribusi awal kekayaan. Pendekatan
efisiensi memungkinkan terjadinya kerusakan ekonomi: karena efisiensi total harus
dicapai melalui pertukaran, distribusi hak awal akan mempengaruhi distribusi manfaat
dan biaya.
Nilai maksimum produk sosial. Pendekatan manajemen ini adalah dasar dari analisis
biaya-manfaat, yaitu strategi manajemen dengan nilai sekarang terbesar dari produk
sosial yang dipilih. Kerusakan ekonomi diperbolehkan apabila jumlah rente ekonomi
yang diperoleh pemenang paling tinggi dan melebihi kerugian nelayan yang tidak
memperoleh rente ekonomi. Prinsip analitiknya mirip dengan pendekatan sebelumnya,
tetapi dalam hal ini kurva indiferen diasumsikan sebagai garis lurus dengan kemiringan-
1. Solusi optimal, yaitu strategi manajemen yang akan dipilih, adalah bersinggungan
antara kurva indiferen dengan kurva GUF. Kemiringan-1 pada kurva indiferen berarti
tidak adanya bobot distribusi bagi masyarakat.
Penciptaan lapangan kerja dan devisa, serta kontribusi makanan bagi negara-negara
pesisir, dapat menjadi pendekatan yang relevan untuk pengelolaan perikanan. Meskipun
penciptaan lapangan kerja bisa jadi tidak efisien secara ekonomi, hal ini penting untuk
mencapai stabilitas politik dan sosial.
Empat rezim kepemilikan yang berbeda (akses negara bagian, privat, umum dan
terbuka) dibahas dalam Bab 1 dan karenanya tidak akan dibahas secara rinci di sini.
Namun demikian, beberapa aspek khusus perlu mendapat perhatian lebih dalam
konteks Bab ini.
Hak penangkapan ikan dapat dialokasikan kepada nelayan dalam konteks "berbasis
komunitas", menggunakan spesies atau wilayah penangkapan ikan sebagai kriteria
untuk menetapkan kuota / hak istimewa (Defeo, 1989; Castilla, 1994). Ini menyiratkan
keputusan untuk mengecualikan orang lain, dan dengan demikian definisi eksplisit dari
akses diferensial ke wilayah atau stok penangkapan ikan tertentu. Individu atau
organisasi ini memperoleh tanggung jawab, meskipun tidak eksklusif, atas tingkat
eksploitasi sumber daya, yang menentukan norma penggunaan mereka sendiri
(Acheson & Reidman, 1982; Seijo & Fuentes, 1989). Jumlah kapal dan nelayan harus
ditetapkan tidak hanya sebagai fungsi dari manfaat ekonomi yang dirasakan, tetapi juga
mempertimbangkan biomassa dan tingkat produksi yang berkelanjutan. Rejim
pengelolaan ini dapat diterapkan secara efisien pada spesies menetap dalam konteks
regional. Defeo (1989, 1996) dan Castilla (1994) mendokumentasikan contoh-contoh
berbasis komunitas yang berhasil di penangkaran kerang bentik skala kecil di Uruguay
dan Chili. Eksekusi percobaan skala besar yang berhubungan dengan komunitas
nelayan artisanal memungkinkan hipotesis khusus untuk didaftarkan tentang re-stocking
alami invertebrata yang dieksploitasi secara berlebihan, termasuk kelayakan ekonomi
dari operasi ini. Meskipun komunitas nelayan menjaga daerah penangkapan ikan
tradisional mereka dengan mencegah penangkapan ikan secara ilegal, dan membiarkan
persediaan avertebrata dibangun kembali, dalam kedua kasus tersebut Negara
menerapkan sistem pemantauan yang efektif untuk mengevaluasi status sumber daya
dari waktu ke waktu. Eksekusi percobaan skala besar yang berhubungan dengan
komunitas nelayan artisanal memungkinkan hipotesis khusus untuk didaftarkan tentang
penebaran alami invertebrata yang dieksploitasi secara berlebihan, termasuk kelayakan
ekonomis dari operasi ini. Meskipun komunitas nelayan menjaga daerah penangkapan
ikan tradisional mereka dengan mencegah penangkapan ikan secara ilegal, dan
membiarkan persediaan avertebrata dibangun kembali, dalam kedua kasus tersebut
Negara menerapkan sistem pemantauan yang efektif untuk mengevaluasi status sumber
daya dari waktu ke waktu. Eksekusi percobaan skala besar yang berhubungan dengan
komunitas nelayan artisanal memungkinkan hipotesis khusus untuk didaftarkan tentang
re-stocking alami invertebrata yang dieksploitasi secara berlebihan, termasuk kelayakan
ekonomi dari operasi ini. Meskipun komunitas nelayan menjaga daerah penangkapan
ikan tradisional mereka dengan mencegah penangkapan ikan secara ilegal, dan
membiarkan persediaan avertebrata dibangun kembali, dalam kedua kasus tersebut
Negara menerapkan sistem pemantauan yang efektif untuk mengevaluasi status sumber
daya dari waktu ke waktu.
Setiap bentuk alokasi hak memiliki penilaian nilai yang melekat yang harus dibuat
secara eksplisit, juga mengakui keuntungan dan batasan yang sesuai (Pearse, 1980;
Young, 1981; Schmid, 1987).
Pengaturan komposisi hasil tangkapan umumnya diarahkan untuk melindungi fase kritis
siklus hidup suatu spesies. Strategi ini dapat dilakukan dengan: (a) musim tertutup,
terutama pada periode pemijahan; (b) menutup area pembibitan untuk melindungi stok
pemijahan, atau lahan dengan keberadaan benih yang penting; (c) mengendalikan
selektivitas roda gigi; (d) membatasi alat tangkap, bahan peledak dan racun tertentu;
dan (e) menetapkan ukuran minimum yang dapat dipanen. Respon sediaan terhadap
peraturan alternatif akan tergantung pada karakteristik biologis sediaan.
Alokasi kuota menurut jenis kapal juga dipersulit ketika armada penangkap ikan yang
heterogen beroperasi pada stok yang sama. Dalam kasus ini, kita perlu mengetahui
daya tangkap yang sesuai, distribusi frekuensi hari penangkapan, waktu penangkapan
efektif per hari dan alat tangkap yang digunakan. Standarisasi upaya sulit dilakukan
dalam kasus di mana metode penangkapan ikan atau jenis kapal yang berbeda
digunakan untuk mengeksploitasi satu atau beberapa stok. Selain itu, karena banyak
perikanan telah menunjukkan peningkatan daya tangkap tanpa adanya perubahan besar
pada peralatan, keterampilan nakhoda dan awak kapal harus diintegrasikan untuk
menganalisis dan membakukan kekuatan penangkapan ikan masing-masing kapal.
Dalam konteks ini, model linier umum memberikan metode yang ampuh untuk
memeriksa efek kapal, daerah, roda gigi dan nelayan.
Pembatasan izin akan membatasi masuknya kapal ke perikanan. Seperti dalam kasus
sebelumnya, masalah muncul dalam menentukan kepada siapa izin diberikan dan
berapa banyak jenis izin yang diperlukan ketika berbagai jenis kapal ada. Selain itu,
pembatasan jumlah izin harus didasarkan pada pemantauan hasil tangkapan yang terus
menerus dan keadaan sumber daya, yang menyiratkan biaya informasi yang tinggi.
Biaya pengawasan juga akan cenderung meningkat, karena nelayan yang tidak diberi
izin dapat mencoba menangkap ikan secara ilegal.
Pendekatan lain untuk membatasi jumlah upaya penangkapan ikan adalah melalui pajak
dan subsidi, yang akan mempengaruhi biaya tetap dan variabel. Subsidi dapat
digunakan di masyarakat berpenghasilan rendah, sehingga meningkatkan upaya yang
dilakukan. Subsidi merangsang partisipasi dalam aktivitas penangkapan ikan dan
pemberantasannya dapat berarti pengurangan upaya dan pengangguran, yang tidak
diinginkan dari sudut pandang normatif, politik dan sosial (Panayotou, 1983). Di sisi lain,
pajak cenderung membuat pengguna enggan untuk memperkenalkan kapal baru untuk
perikanan.
Teori kendali optimal telah diterapkan pada perikanan untuk mengidentifikasi tingkat
upaya penangkapan ikan yang memaksimalkan nilai bersih sekarang dari rente ekonomi
dalam berbagai konteks perikanan (Clark, 1985; Cohen, 1987; Hilbom & Walters, 1987).
Model optimasi multi-kriteria dan / atau non-linier jarang digunakan dalam manajemen
perikanan (Garrod & Shepherd, 1981; Kennedy & Watkins, 1986; Onal et al., 1991).
Baru-baru ini, model optimasi-simulasi hybrid telah dikembangkan untuk estimasi
strategi manajemen optimal dari perikanan sekuensial (Díaz de León & Seijo, 1992) dan
untuk perikanan dengan saling ketergantungan tekno-ekologi (Seijo et al. 1994c).
Pendekatan ini menggabungkan pemodelan pengoptimalan multi-kriteria dan non-linier
secara Pareto-optimal. Prosedur memungkinkan bekerja dengan beberapa input-output,
penundaan waktu, fungsi non-linier dan trade-off alami selama proses estimasi. Strategi
tersebut melibatkan meminimalkan sehubungan dengan satu kriteria, yaitu, deviasi
maksimum dari semua variabel kinerja perikanan sehubungan dengan target khusus
yang ditetapkan untuk masing-masing dari mereka (Osyczka, 1984, Manetsch, 1985).
Metode tersebut bekerja diawal dengan kriteria dengan deviasi goal terbesar hingga
tidak lagi memiliki deviasi target terbesar. Kemudian dilanjutkan dengan perbaikan
kriteria pengelolaan berikutnya yang pada saat itu mengalami penyimpangan tujuan
yang lebih buruk, dan seterusnya. Metode berhenti ketika semua kriteria kinerja
perikanan pada dasarnya mengalami penyimpangan tujuan yang sama. Ini telah terbukti
menjadi alat bantu pengambilan keputusan yang berguna ketika tujuan manajer yang
eksplisit tersedia. Strategi tersebut melibatkan meminimalkan sehubungan dengan satu
kriteria, yaitu, deviasi maksimum dari semua variabel kinerja perikanan sehubungan
dengan target khusus yang ditetapkan untuk masing-masing dari mereka (Osyczka,
1984, Manetsch, 1985). Metode tersebut bekerja diawal dengan kriteria dengan deviasi
goal terbesar hingga tidak lagi memiliki deviasi target terbesar. Kemudian dilanjutkan
dengan perbaikan kriteria pengelolaan selanjutnya yang pada saat itu mengalami
penyimpangan tujuan yang lebih buruk, dan seterusnya. Metode berhenti ketika semua
kriteria kinerja perikanan pada dasarnya mengalami penyimpangan tujuan yang sama.
Ini telah terbukti menjadi alat bantu pengambilan keputusan yang berguna ketika tujuan
manajer yang eksplisit tersedia. Strategi tersebut melibatkan meminimalkan sehubungan
dengan satu kriteria, yaitu, deviasi maksimum dari semua variabel kinerja perikanan
sehubungan dengan target khusus yang ditetapkan untuk masing-masing dari mereka
(Osyczka, 1984, Manetsch, 1985). Metode tersebut bekerja diawal dengan kriteria
dengan deviasi goal terbesar hingga tidak lagi memiliki deviasi target terbesar.
Kemudian dilanjutkan dengan perbaikan kriteria pengelolaan berikutnya yang pada saat
itu mengalami penyimpangan tujuan yang lebih buruk, dan seterusnya. Metode berhenti
ketika semua kriteria kinerja perikanan pada dasarnya mengalami penyimpangan tujuan
yang sama. Ini telah terbukti menjadi alat bantu pengambilan keputusan yang berguna
ketika tujuan manajer yang eksplisit tersedia. deviasi maksimum dari semua variabel
kinerja perikanan sehubungan dengan target spesifik yang ditetapkan untuk masing-
masing variabel (Osyczka, 1984, Manetsch, 1985). Metode tersebut bekerja diawal
dengan kriteria dengan deviasi goal terbesar hingga tidak lagi memiliki deviasi target
terbesar. Kemudian dilanjutkan dengan perbaikan kriteria pengelolaan selanjutnya yang
pada saat itu mengalami penyimpangan tujuan yang lebih buruk, dan seterusnya.
Metode berhenti ketika semua kriteria kinerja perikanan pada dasarnya mengalami
penyimpangan tujuan yang sama. Ini telah terbukti menjadi bantuan pengambilan
keputusan yang berguna ketika tujuan manajer yang eksplisit tersedia. deviasi
maksimum dari semua variabel kinerja perikanan sehubungan dengan target spesifik
yang ditetapkan untuk masing-masing variabel (Osyczka, 1984, Manetsch, 1985).
Metode tersebut bekerja diawal dengan kriteria dengan deviasi goal terbesar hingga
tidak lagi memiliki deviasi target terbesar. Kemudian dilanjutkan dengan perbaikan
kriteria pengelolaan berikutnya yang pada saat itu mengalami penyimpangan tujuan
yang lebih buruk, dan seterusnya. Metode berhenti ketika semua kriteria kinerja
perikanan pada dasarnya mengalami penyimpangan tujuan yang sama. Ini telah terbukti
menjadi bantuan pengambilan keputusan yang berguna ketika tujuan manajer yang
eksplisit tersedia. dilanjutkan dengan memperbaiki kriteria pengelolaan berikutnya yang
pada saat itu mengalami penyimpangan tujuan yang lebih buruk, dan seterusnya.
Metode berhenti ketika semua kriteria kinerja perikanan pada dasarnya mengalami
penyimpangan tujuan yang sama. Ini telah terbukti menjadi bantuan pengambilan
keputusan yang berguna ketika tujuan manajer yang eksplisit tersedia. dilanjutkan
dengan memperbaiki kriteria pengelolaan berikutnya yang pada saat itu mengalami
penyimpangan tujuan yang lebih buruk, dan seterusnya. Metode berhenti ketika semua
kriteria kinerja perikanan pada dasarnya mengalami penyimpangan tujuan yang sama.
Ini telah terbukti menjadi alat bantu pengambilan keputusan yang berguna ketika tujuan
manajer yang eksplisit tersedia.
Dengan adanya model dinamis yang dibangun untuk perikanan (seperti yang dijelaskan
pada Bab sebelumnya), diagram blok untuk masalah pengoptimalan multi-kriteria
didasarkan pada:
dimana:
Ēμ (T) adalah vektor nilai untuk fungsi multi kriteria yang sesuai dengan opsi
pengelolaan μ, dinilai dalam jangka waktu (O, T) yang dipilih untuk mengevaluasi opsi
pengelolaan alternatif; dan μ adalah vektor parameter keputusan yang sesuai dengan
opsi pengelolaan μ. Model dinamis kemudian dioperasikan dalam mode optimasi
(Gambar 5.1).
Gambar 5.1 Diagram blok konseptual untuk optimalisasi multi kriteria perikanan.
Dimana gβφ adalah target untuk kriteria Β dari tujuan yang ditetapkan φ; Eβμ adalah
nilai kriteria β untuk strategi manajemen μ, dan bβ adalah nilai base run dari Β.
Akhirnya, μ*Gambar 5.1 adalah vektor parameter untuk pengendalian perikanan yang
optimal, yaitu vektor yang menentukan kombinasi optimal dari instrumen pengelolaan
perikanan; dan Ēμ*adalah vektor nilai optimal untuk fungsi beberapa kriteria yang
digunakan untuk mengevaluasi kinerja perikanan. Fungsi sgn () mengubah tanda Ωβμφ
untuk tujuan-tujuan yang lebih kecil dari nilai “basis”. Dengan cara ini, nilai Ωβμφ yang
terkait dengan variabel, strategi, dan kumpulan tujuan yang berbeda dapat
dibandingkan.
Metode ini dikembangkan oleh Box (1965) dan diterapkan dalam cara yang ditingkatkan
untuk masalah multi-kriteria oleh Manetsch (1985, 1986), untuk menemukan maksimum
atau minimum dari fungsi multivariat non-linier yang tunduk pada kendala
ketidaksamaan non-linier . Itu dapat diwakili oleh fungsi tujuan berikut:
tunduk pada:
Variabel implisit Xn + 1,…, Xk adalah fungsi dependen dari variabel eksplisit independen
X1, X2, X3, ..., Xn, dan batasan superior dan inferior LLi dan ULi dapat berupa
konstanta atau fungsi variabel independen. Metode ini melibatkan prosedur pencarian
sekuensial yang mencoba menemukan solusi optimal global, dimulai dari sekelompok
titik awal yang didistribusikan secara acak dalam wilayah yang memungkinkan. Setiap
kelompok data sesuai dengan simpul dari gambar geometris atau "Kompleks" yang
dihasilkan dalam n ruang pencarian dimensi. Terkait dengan setiap simpul adalah nilai
fungsi (dihitung dari model simulasi). Prosedur tersebut menyatu menuju optimal global
(Manetsch, 1985).
Metode ini telah diterapkan dalam perikanan laut untuk menghadapi masalah
pengelolaan di mana dinamika yang dihasilkan dari saling ketergantungan teknologi dan
ekologi berarti bahwa pertimbangan berbagai kriteria dalam proses regulasi merupakan
tugas yang sangat kompleks (Diaz de León & Seijo, 1992; Seijo et al., 1994c).
6. Model Bioekonomi Spasial
Model yang dikembangkan dalam Bab 2 dan 5 memenuhi asumsi kumpulan dinamis
dan dengan demikian homogenitas dalam distribusi spasial stok dan upaya
penangkapan ikan yang dilakukan (misalnya spesies pelagis). Dalam sumber daya
menetap (misalnya, moluska), asumsi di atas tidak selalu valid karena alasan berikut
(lihat Hancock, 1973; Caddy, 1975; Orensanz & Jamieson, 1998):
Studi tentang dinamika upaya penangkapan ikan telah difokuskan pada keputusan
jangka panjang nelayan, menekankan pada perkiraan tingkat masuk dan keluar ke
perikanan dan karakterisasi pola umum alokasi intensitas penangkapan ikan (Smith,
1969; Clark, 1976; Mangel & Clark, 1983; Emerson & Anderson, 1989). Namun, dalam
jangka pendek nelayan membuat keputusan spasial: setelah memutuskan untuk pergi
memancing dan memilih spesies target mereka memutuskan di mana akan menangkap
ikan (Hilborn & Ledbetter, 1979; Bockstael & Opaluch, 1983; Defeo et al., 1991 ; Eales &
Wilen, 1986). Keputusan terakhir adalah yang paling penting, karena, berbeda dengan
pandangan tradisional yang berfokus pada kelebihan kapitalisasi armada, hilangnya
rente ekonomi dapat muncul terutama sebagai akibat dari kelebihan nelayan saat ini.
Dengan pertimbangan di atas, kami menyajikan dua model yang dikembangkan oleh
Seijo et al. (1994b), dengan tingkat kompleksitas yang berbeda dalam resolusi spasial
dan kebutuhan informasi bioekonomi.
Dimensi spasial dan temporal digabungkan dalam model dinamis diskrit ini dengan
menentukan: (1) CPUE berdasarkan daerah penangkapan ikan; (2) jarak dari pelabuhan
ke daerah penangkapan ikan yang berbeda; dan (3) fungsi yang menentukan alokasi
spasial intensitas penangkapan ikan jangka pendek. Yang terakhir dimodelkan dalam
ALLOC sebagai fungsi dari jarak dari pelabuhan ke daerah penangkapan ikan alternatif,
pendapatan bersih yang dirasakan dalam perjalanan sebelumnya, dan kemungkinan
menemukan spesies target di setiap wilayah pada tingkat yang menguntungkan.
Alokasi dinamis spasial intensitas penangkapan ikan (yaitu, upaya efektif per unit area,
sensu Gulland, 1983: 44) kapal tipe m dari pelabuhan h antara daerah penangkapan k
dalam waktu t (fkhm (t)) diberikan oleh:
dimana SAEkhm (t) adalah (0,1) sebaran spasial optimal kapal penangkap ikan; DAYS
adalah jumlah rata-rata hari penangkapan ikan efektif per bulan; dan Vhm (t) adalah
jumlah kapal tipe m di pelabuhan h yang secara musiman mengalokasikan upaya
penangkapan ikannya ke spesies sasaran. SAEipm (t) diperkirakan oleh:
dimana Pk adalah probabilitas untuk menemukan spesies target pada tingkat yang
menguntungkan di daerah penangkapan alternatif k, quasiπkhm (t) adalah kuasi sewa
biaya variabel yang diterima oleh rata-rata kapal tipe m dari pelabuhan h di tanah k pada
waktu t, Dkh adalah jarak ke tempat penangkapan k dari pelabuhan h; dan φm adalah
faktor penimbangan yang disebut gesekan jarak untuk kapal tipe m. Pk dapat
diperkirakan dengan rasio antara total perjalanan penangkapan ikan per darat dan
jumlah perjalanan di mana spesies target ditemukan pada tingkat yang menguntungkan,
yaitu, untuk CPUE yang menghasilkan pendapatan bersih lebih besar dari atau sama
dengan biaya variabel upaya penangkapan ikan.
Selain biaya transfer dari pelabuhan asal ke daerah penangkapan ikan alternatif, salah
satu elemen yang dipertimbangkan dalam model ini sebagai faktor penjelas utama untuk
perilaku spasial armada adalah gesekan jarak (Isard & Liossatos, 1979, Seijo et al.,
1994b) ). Kapal artisanal dengan otonomi terbatas diasumsikan memberi bobot yang
besar pada biaya non-moneter yang berasal dari misalnya, ketidakamanan yang terkait
dengan penangkapan ikan yang jauh dari pelabuhan, serta faktor lingkungan dan
budaya lainnya yang menetapkan biaya non-moneter untuk jarak. Jadi, ALLOC secara
implisit tergabung dalam Dkhφmsemua faktor non-moneter yang terkait dengan jarak.
Bobot parameter ini untuk armada jenis m tertentu, ditentukan oleh daya yang
menaikkan jarak (Dkhφm dalam persamaan 6.2).
Sewa kuasi biaya variabel menurut jenis armada dari pelabuhan asal
yang berbeda
Untuk melihat kinerja armada dalam jangka pendek diperlukan estimasi kuasi sewa
yang diterima rata-rata kapal tipe m dari pelabuhan h:
VCkhm (t) diperkirakan dengan mempertimbangkan: (a) biaya transfer (sebagai fungsi
jarak) didefinisikan sebagai produk Dkh dan biaya rata-rata minyak dan gas per km
perjalanan (θ); dan (b) nilai proporsi hasil tangkapan (ω) yang diberikan kepada awak
kapal sebagai pembayaran tenaga kerja. Biaya variabel lainnya (misalnya, umpan,
pemeliharaan dan perbaikan roda gigi) dikumpulkan bersama dalam parameter yang
disebut OVCm:
Dalam jangka pendek, kapal akan tetap melaut jika TRkhm(t) ≥ VCkhm (t), yaitu, sewa kuasi
biaya variabel ≥ 0. Mengingat Fungsi SAEkhm (t), setidaknya empat jenis distribusi yang
memperhitungkan variasi spasial intensitas penangkapan ikan dapat dijelaskan (Tabel
6.1):
i. Kasus 1: perikanan pesisir artisanal. Ketika jarak tidak relevan dalam hal
biaya transfer dari pelabuhan ke lapangan alternatif (θ = 0) dan gesekan
jarak adalah nol (φ = 0), yaitu, tidak ada biaya non-moneter untuk
menangkap ikan di lokasi yang berbeda, dan Kemungkinan yang sama
untuk menemukan spesies pada tingkat yang menguntungkan ada (P1 = P2
=… = Pk, di mana k = 1… n), distribusi SAEkhm (t) yang dihasilkan
sebanding dengan variasi spasial dalam kelimpahan stok.
ii. Kasus 2: perikanan di zona pesisir yang dilindungi. Dimana jarak transfer
ke daerah alternatif dari pelabuhan relevan (θ> 0), tetapi biaya non-moneter
dapat diabaikan karena pengoperasian yang mudah dan kemampuan
navigasi di daerah penangkapan ikan yang dilindungi (φ = 0), dan ada
kemungkinan yang sama untuk menemukan spesies pada tingkat yang
menguntungkan (P1 = P2 =… = Pi, di mana i = 1… n), distribusi SAEkhm (t)
kemudian sebanding dengan variasi spasial dalam sewa semu biaya
variabel.
iii. Kasus 3: perikanan di zona pantai yang terbuka. Ketika θ> 0, gesekan jarak
cukup besar (φ = 0), dan P1 = P2 =… = Pk, distribusi SAEkhm (t) sebanding
dengan distribusi spasial dari sewa kuasi dan berbanding terbalik dengan
gesekan jarak dari pelabuhan ke lapangan alternatif.
iv. Kasus 4: perikanan dengan biaya informasi yang tinggi. Ketika jarak
transfer dari pelabuhan ke lahan alternatif relevan dalam istilah moneter
(D> 0 y θ> 0), gesekan jarak (φ> 0) terjadi, dan ada kemungkinan heterogen
untuk menemukan sumber daya pada tingkat yang menguntungkan (P1 #
P2 # … # Pk), distribusi SAEkhm (t) sebanding dengan distribusi spasial
sewa kuasi dan kemungkinan menemukan sumber daya pada tingkat yang
menguntungkan, dan berbanding terbalik dengan gesekan jarak dari
pelabuhan ke daerah penangkapan alternatif.
Sewa ekonomi kumulatif yang diterima oleh kapal tipe m dari pelabuhan h selama
musim penangkapan diperkirakan dengan:
dimana TRkhm (t) adalah total pendapatan yang diterima kapal tipe m dari pelabuhan p
dengan pemanenan di fishing ground k, in time t; dan TCkhm (t) adalah total biaya
upaya penangkapan yang dikeluarkan oleh armada jenis m dengan melakukan
penangkapan di darat k pada waktu t.
TRkhm (t) = (qmBk) (t) Ptar + Cine Pinc) f khm (t) (6.6)
di mana: Ptar dan Pinc adalah, masing-masing, harga rata-rata yang dibayarkan per kg
spesies target dan spesies insidental; Cinc adalah rata-rata tangkapan tak terduga per
perjalanan penangkapan ikan di kapal m; qm adalah koefisien daya tangkap kapal tipe
m; Bk (t) adalah biomassa spesies target di daerah penangkapan k pada waktu t; FCm
adalah biaya tetap harian untuk kapal tipe m; dan Vhm adalah jumlah kapal m dari
pelabuhan h. Biaya tetap termasuk pembayaran bunga dari modal yang dipinjam untuk
membeli kapal, mesin dan peralatan, penyusutannya, biaya administrasi dan asuransi,
dan biaya peluang modal.
di mana variabel acak RVkhm (t) dihasilkan dengan fungsi kepadatan probabilitas
autokorelasi eksponensial, menggunakan varian yang diamati dari tangkapan harian
untuk kapal tipe m saat memancing di darat k. Variabel ini menjelaskan variabilitas
tangkapan tidak dijelaskan oleh variasi q, B dan f di setiap daerah penangkapan. Ini
secara eksponensial berkorelasi otomatis untuk mewakili fakta bahwa variasi tangkapan
acak pada suatu hari tidak terlepas dari nilai sebelumnya: (a) tangkapan hari ini
tergantung pada tingkat tertentu tangkapan kemarin; (b) pemilihan daerah penangkapan
sebagian tergantung pada daerah yang dipilih sebelumnya; (c) faktor lingkungan yang
mempengaruhi kelimpahan sumber daya cenderung juga bergantung pada nilai
sebelumnya. Variabel ini dihasilkan oleh subrutin EXACOR (Manetsch, 1986), yang
menggunakan variabel acak terdistribusi seragam antara 0 dan 1, yang selanjutnya
diubah menjadi fungsi kepadatan probabilitas yang dipilih. Fungsi kepadatan probabilitas
lainnya dapat digunakan untuk menghasilkan variabel acak, dengan menggunakan
metode transformasi terbalik atau bahkan metode numerik, tergantung pada apakah
fungsi kepadatan probabilitas dapat diintegrasikan secara analitik untuk mendapatkan
fungsi distribusi kumulatif atau tidak (Gottfried, 1984).
CPUE spasial
Hasil tangkapan per unit usaha kapal tipe m di darat k dalam waktu t (CPUEkm (t))
diperkirakan dengan:
dimana rk dan Bmax, masing-masing adalah laju pertumbuhan intrinsik dan biomassa
maksimum di tanah k.
Dinamika armada
dimana Vhm adalah input untuk proses penundaan (jumlah kapal dari pelabuhan h yang
akan mengalokasikan upaya penangkapan ikannya ke spesies target); γtg (t) adalah
keluaran dari proses penundaan (jumlah perahu skala kecil yang memasuki kegiatan
perikanan sepanjang musim); γ1 (t), γ2 (t),…, γg-1 (t) adalah tingkat penundaan antara;
DEL adalah perkiraan waktu masuknya kapal ke perikanan; dan g adalah urutan
penundaan. Parameter g menentukan anggota keluarga Gamma dari fungsi kepadatan
probabilitas.
Alokasi spasial kumulatif intensitas penangkapan ikan sepanjang musim penangkapan
armada m dari pelabuhan h di tanah k (fakhm (t)) diberikan oleh:
Asumsi model
Struktur populasi awal diperkirakan dengan CPUE teramati maksimum di setiap tanah
(CPUEmaxkl), di mana k adalah lintang dan / bujur. Biomassa maksimum di setiap sel
geografis kl (Bmaxkl) diperoleh dengan membagi CPUEmaxkl dengan rata-rata q per
satuan luas. Rekrutmen dari waktu ke waktu dapat ditentukan sebagai konstan, dinamis,
deterministik, atau stokastik. Ini melibatkan fungsi rekrutmen stok umum yang terpasang
di samping batas atas yang diberlakukan oleh perkiraan biomassa maksimum dari
setiap sel di wilayah geografis. Model tersebut menggunakan model perekrutan saham
Beverton-Holt (Beverton & Holt, 1957). Untuk rekrutmen maksimum tertentu (Rmax),
jumlah rekrutan diperkirakan sebagai berikut:
dimana Bkl (t) adalah biomassa dalam sel kl; dan RN (t) adalah variabel acak (0, var)
yang terdistribusi normal.
Jumlah total rekrutmen untuk setiap tahun didistribusikan secara musiman melalui
penggunaan fungsi penundaan terdistribusi, yang menentukan bulan perekrutan puncak
dan periode (dalam bulan) terjadinya. Distribusi spasial patch rekrutmen dihasilkan
dengan memilih koordinat pusat patch rekrutmen secara acak, dan kemudian
menghitung kepadatan rekrutmen dari patch center dengan menggunakan distribusi
normal bivariat (Caddy, 1975):
dimana: Rkl (t) adalah jumlah rekrutan yang terletak di pusat patch sel kl dalam waktu t;
NT (t) adalah jumlah rekrutan yang akan didistribusikan di dalam setiap patch sebelum
kendala biomassa (lihat Seijo et al., 1994b); σ adalah simpangan baku dari kerapatan
patch (0 <σ <1), dan x adalah jarak luas satuan kl dari pusat patch, diperkirakan dengan:
dimana TSG dan TTG masing-masing adalah panjang dan lebar sel, diperkirakan
dengan resolusi spasial yang ditentukan sebelumnya (misalnya derajat, menit dan
detik). Bahkan:
da
saya = 1, 2, 3,…, SG SG = jumlah baris dalam kisi geografis.
n
da
j = 1, 2, 3,…, TG TG = jumlah kolom dalam kisi geografis.
n
da
y = SG / 2 z = TG / 2.
n
dimana Njkl (t) adalah banyaknya individu pada umur j pada lokasi kl pada waktu t dan
mage adalah umur pengamatan maksimum. Rata-rata berat badan individu pada usia
(Wj) dihitung dengan persamaan pertumbuhan von Bertalanffy dan hubungan panjang-
berat yang sesuai:
di mana M adalah angka kematian alami sesaat dan Fjkl (t) adalah angka kematian
penangkapan ikan spesifik usia di lokasi kl dalam waktu t, diperkirakan oleh produk dari
qj spesifik usia dengan intensitas penangkapan ikan yang dilakukan di lokasi kl dalam
waktu t ( fkl (t)).
CPUE spasial
di mana daya tangkap spesifik usia per unit area (quaj) diperkirakan menggunakan
persamaan luas menyapu Baranov (1918) dan kurva selektivitas logistik (Sparre et al.,
1989):
dimana: pcap adalah kemungkinan ditangkap oleh roda gigi; area adalah area yang
disapu setiap hari; SELj adalah retensi roda gigi khusus usia (lihat Bab 4); dan AREA
adalah area yang ditempati oleh stok.
Alokasi spasial jangka pendek dari intensitas penangkapan ikan (misalnya dalam musim
penangkapan) diperkirakan seperti pada ALLOC, dengan satu modifikasi: parameter Pk
diganti dengan risiko penangkapan ikan di daerah penangkapan dengan koordinat kl.
Alokasi spasial intensitas penangkapan ikan kapal dari pelabuhan h di lokasi kl dalam
waktu t, (fklh (t)) diberikan oleh:
dimana: Vp (t) adalah jumlah kapal dari pelabuhan h yang secara musiman
mengalokasikan upaya penangkapan ikannya ke spesies target; dan SAEklh (t) adalah a
(0,1) distribusi kapal dari pelabuhan h ke lokasi dengan koordinat kl, pada waktu t, yang
dapat diperkirakan sebagai:
dimana Riskkl adalah resiko penangkapan ikan di daerah alternatif kl. Parameter ini
ditentukan dalam model dengan rentang nilai [1–3], di mana 1 menyiratkan tidak adanya
risiko dan 2–3 menunjukkan peningkatan tingkat risiko. Hasil tangkapan dan rente
ekonomi untuk setiap tempat diperkirakan seperti di ALLOC.
Jumlah kapal dari pelabuhan h yang ada di perikanan dari waktu ke waktu (tahun),
dimodelkan dengan menggunakan persamaan Smith (1969) secara spasial:
dimana adalah konstanta positif. Persamaan (6.25) menyatakan bahwa dalam jangka
panjang dan dalam kondisi akses terbuka, jika jumlah pendapatan bersih yang diperoleh
dari semua daerah penangkapan adalah: (i) positif, akan ada pemasukan ke perikanan;
(ii) negatif, keluar diharapkan terjadi; dan (iii) nol, perikanan berada pada keseimbangan
bioekonomi, dan tidak akan ada stimulus untuk keluar / masuk.
Asumsi model
i. Perekrutan tidak terjadi pada satu titik waktu, tetapi dalam periode yang
distribusinya dimodelkan oleh model penundaan terdistribusi.
ii. Perpanjangan patch ditentukan oleh varians kepadatan dari distribusi normal
bivariat.
iii. Migrasi, penyebaran dan pergerakan tidak dipertimbangkan.
iv. Kematian alami konstan untuk segala usia.
v. Alokasi spasial intensitas penangkapan ikan merupakan fungsi dari variasi
spesifik-darat dalam: (a) sewa semu, (b) risiko penangkapan ikan, dan (c) jarak
dari pelabuhan yang berbeda.
vi. Jarak antara pelabuhan dan daerah penangkapan ikan diperkirakan secara
geografis tanpa mempertimbangkan kemungkinan hambatan.
vii. Untuk dinamika armada jangka panjang, diperkirakan jeda waktu 6 bulan untuk
masuk / keluar kapal ke perikanan, sedangkan dalam jangka pendek, pengguna
diminta untuk memberikan jeda waktu rata-rata yang diamati untuk memasuki
perikanan musiman.
viii. Ketidakpastian tangkapan harian di setiap tanah dimodelkan oleh fungsi
kepadatan probabilitas yang berkorelasi secara eksponensial.
ix. Harga spesies target dan biaya input upaya penangkapan konstan dan
ditentukan secara eksogen.
Pembaca yang tertarik dapat melakukan eksperimen simulasi dengan model spasial ini,
yang terdapat dalam paket SPASIAL yang diterbitkan oleh FAO (Seijo et al., 1994b).
Sumber daya
Model mereproduksi dengan baik variabilitas temporal dalam kelimpahan rekrutan
(Gambar 6.1a) dan orang dewasa (Gambar 6.1b), dan divalidasi secara statistik. Orang
dewasa meningkat tajam dari tahun 1988, sebagai hasil dari eksperimen eksklusi
manusia yang dilakukan antara Maret 1987 dan November 1989 (lihat Defeo, 1993a;
1996, 1998; Defeo & de Alava, 1995 untuk detailnya). Perekrutan terhambat pada tahun
1989 dan 1990, sebagai akibat dari kompensasi yang berlebihan karena kepadatan
orang dewasa yang tinggi. Fakta ini memiliki konotasi manajemen yang penting:
simulasi menunjukkan bahwa, sebagai akibat dari musim tertutup yang berkepanjangan
(lebih dari 2 tahun), kepadatan ikan dewasa yang tinggi dapat menghambat
keberhasilan perekrutan dan karenanya besarnya stok yang tersedia untuk
penangkapan ikan dua tahun kemudian (lihat Gambar. 6.2).
Gambar 6.1 Mesodesma mactroides. Kepadatan yang diamati vs. diperkirakan dari
(a) rekrutan dan (b) orang dewasa.
Perikanan
According to the results obtained, a spatial management scheme based upon a rotation
of areas was proposed, taking into account periods of unequal demand for the product
and temporal variations in stock accessibility and abundance. Because of relatively low
total costs, the bioeconomic equilibrium is estimated at high levels of fishing effort, which
in turn increases the risks of exhausting this highly vulnerable sedentary species.
Studies on fishing effort dynamics have been focused on long-term decisions of fishers,
emphasizing the estimation of rates of entry and exit to the fishery and the
characterization of general patterns of allocation of fishing intensity (Smith, 1969; Clark,
1976; Mangel & Clark, 1983; Emerson & Anderson, 1989). However, it is in the short-
term that fishers make their spatial decisions: after deciding to go fishing and selecting
the target species they decide where to fish (Hilborn & Ledbetter, 1979; Bockstael &
Opaluch, 1983; Defeo et al., 1991; Eales & Wilen, 1986). The latter decisions are of
utmost importance, because, in contrast with traditional views which focus on excess of
fleet capitalization, dissipation of economic rent can arise primarily as a result of today's
excess of fishermen's movements in response to yesterday's spatial catch rate
variations.
In this Chapter, spatial considerations in modelling fisheries are introduced, notably the
distance from ports to fishing grounds, in order to further understand short-run decision-
making of fishers in their allocation of fishing intensity. We also add a degree of
complexity in the interdependencies discussed in Chapter 3, incorporating the spatial
dimension in the analysis, with special reference to fisheries where the dynamic pool
assumption is not satisfied.
With the above considerations in mind, we present two models developed by Seijo et al.
(1994b), with different degree of complexity in spatial resolution and requirement of
bioeconomic information.
Spatial and temporal dimensions are incorporated in this discrete dynamic model by
specifying: (1) CPUE's by fishing grounds; (2) distances from ports to different fishing
grounds; and (3) a function that determines the short-run spatial allocation of fishing
intensity. The latter is modelled in ALLOC as a function of the distances from ports to
alternative fishing grounds, the net revenues perceived in the previous trips, and the
probability of finding the target species in each ground at profitable levels.
Spatial allocation of fishing intensity
The spatial dynamic allocation of fishing intensity (i.e., effective effort per unit of area,
sensu Gulland, 1983: 44) of vessels type m from port h among fishing grounds k in time
t(fkhm(t)) is given by:
fkhm(t)=SAEkhm(t)DAYS·Vhm(t) (6.1)
where SAEkhm(t) is a (0,1) optimum spatial distribution of fishing vessels; DAYS is the
average number of effective fishing days per month; and Vhm(t) is the number of
vessels type m of port h which seasonally allocate their fishing effort to the target
species. SAEipm(t) is estimated by:
where Pk is the probability of finding the target species at profitable levels in alternative
fishing grounds k, quasiπkhm(t) is the quasi rent of variable costs received by the
average vessel type m from port h in ground k in time t, Dkh is the distance to fishing
ground k from port h; and φm is a weighing factor called friction of distance for vessel
type m. Pk can be estimated by the ratio between total fishing trips per ground and the
number of trips where the target species was found at profitable levels, i.e., for those
CPUE that generated net revenues greater than or equal to variable costs of fishing
effort.
Additional to the transfer costs from the port of origin to alternative fishing grounds, one
element considered in this model as a key explanatory factor for the spatial behavior of
fleets is the friction of distance (Isard & Liossatos, 1979, Seijo et al., 1994b). Artisanal
boats with limited autonomy are assumed to give substantial weight to non monetary
costs derived from e.g., insecurity associated with fishing far away from port, as well as
other environmental and cultural factors that assign non-monetary costs to distance.
Thus, ALLOC implicitly incorporates in Dkhφm all those non-monetary factors associated
with distance. The weight of this parameter for a specific fleet type m, is given by the
power to which distance is raised (Dkhφm in equation 6.2).
Quasi rent of variable costs by fleet type from different ports of origin
To observe the short-term fleet performance, an estimation of the quasi rent received by
an average vessel type m from port h is needed:
where TRkhm(t) are the daily total revenues received by vessel type m from port h by
harvesting in fishing ground k in time t, and VCkhm(t) are the variable costs of fishing
effort incurred by vessel type m by fishing one day in ground k in time t.
VCkhm(t) are estimated considering: (a) transfer cost (as a function of distance) defined
as the product of Dkh and the average cost of oil and gas per km traveled (θ); and (b)
the value of the proportion of the catch (ω) assigned to the crew as labor payment.
Other variable costs (e.g., bait, gear maintenance and repair) are pooled together in a
parameter called OVCm:
In the short-run, vessels will remain in the fishery if TRkhm(t)≥ VCkhm(t), i.e., the quasi rent of
variable costs ≥ 0. Considering the SAEkhm(t) function, at least four types of distributions
that account for spatial variations in fishing intensity can be described (Table 6.1):
The cumulative economic rent received by vessel type m from port h over the fishing
season is estimated by:
where TRkhm(t) are the total revenues received by vessel type m from port p by
harvesting in fishing ground k, in time t; and TCkhm(t) are the total costs of fishing effort
incurred by the fleet type m by fishing in ground k in time t.
where: Ptar and Pinc are, respectively, the average price paid per kg of target and
incidental species; Cinc is the average incidental catch per fishing trip of vessel m; qm is
the catchability coefficient of vessel type m; Bk(t) is the biomass of the target species in
fishing ground k in time t; FCm is the daily fixed cost for vessel type m; and Vhm is the
number of vessels m from port h. Fixed costs include interest payments from borrowed
capital to buy a boat, engine and gear, their depreciation, administration and insurance
costs, and the opportunity cost of capital.
Spatial CPUE
The catch per unit of effort of vessel type m in ground k in time t (CPUEkm(t)) is
estimated by:
CPUEkm(t)=qmBk(t) (6.9)
Biomass for each fishing ground Bk(t) is estimated by spatially disaggregating the
logistic function:
where rk and Bmax, are respectively, the intrinsic growth rate and the maximum
biomass in ground k.
Fleet dynamics
A time lag frequency distribution representing the rate at which small-scale fishing fleets
enter the seasonal fishery or shift from one fishery to another, is frequently observed
(Seijo et al., 1987). Hence, time lags in the short-run dynamics of fishing fleets are
incorporated in ALLOC to relax the assumption that every boat that eventually will fish
for the seasonal target species, will enter the fishery exactly the first day of the season.
This aspect is incorporated through the distributed DELAY model (Manetsch, 1976)
based on the Erlang (Gamma) probability density function (Seijo, 1987). Thus, the
seasonal dynamics of vessel type m from different ports (Vhm(t)) can be described by a
distributed delay function of order g by the following set of differential equations (see
also Chapters 2 and 4):
where Vhm is the input to the delay process (number of vessels from port h which will
allocate their fishing effort to target species); γtg(t) is the output of the delay process
(number of small-scale boats enterning the fishery along the season); γ1(t), γ2(t),…, γg-
1(t) are intermediate rates of the delay; DEL is the expected time of entry of vessels to
the fishery; and g is the order of the delay. The parameter g specifies the member of the
Gamma family of probability density functions.
The cumulative spatial allocation of fishing intensity along the fishing season of fleets m
from port h in ground k (fakhm(t)) is given by:
Model assumptions
The initial population structure is estimated by the maximum observed CPUE on each
ground (CPUEmaxkl), where k is the latitude and / the longitude. Maximum biomass in
each geographic cell kl(Bmaxkl) is obtained by dividing CPUEmaxkl by an average q per
unit area. Recruitment over time can be specified as constant, dynamic, deterministic or
stochastic. It involves a general stock-recruitment function built-in in addition to the
upper bound imposed by the estimated maximum biomass of each cell of the geographic
area. The model uses a Beverton-Holt stock-recruitment type of model (Beverton & Holt,
1957). For a given maximum recruitment (Rmax), the number of recruits is estimated as
follows:
where Bkl(t) is the biomass in cell kl; and RN(t) is a (0, var) normally distributed random
variable.
Total number of recruits for each year is seasonally distributed through the use of a
distributed delay function, which specifies the peak recruitment month and its period (in
months) of occurrence. The spatial distribution of recruitment patches is generated by
randomly selecting the recruitment patch center coordinates, and then calculating
recruitment density out from patch center by using the bivariate normal distribution
(Caddy, 1975):
where: Rkl(t) is the number of recruits located in the patch center of the cell kl in time t;
NT(t) is the number of recruits to be distributed within each patch before biomass
constraint (see Seijo et al., 1994b); σ is the standard deviation of the patch density (0 <
σ < 1), and x is the distance of unit area kl from patch center, estimated by:
where TSG and TTG are, respectively, the length and width of the cell, estimated by a
previously specified spatial resolution (e.g. degrees, minutes and seconds). Moreover:
an
i = 1, 2, 3,…, SG SG = number of rows in the geographic grid.
d
an
j = 1, 2, 3,…, TG TG = number of columns in the geographic grid.
d
an
y = SG/2 z = TG/2.
d
where Njkl(t) is the number of individuals at age j in site kl in time t and mage is the
maximum observed age. Average individual weight at age (Wj) is calculated by the von
Bertalanffy growth equation and the corresponding length-weight relationship:
Lj = :∞(1 - e ) (6.17)
(-kp(j-to))
Wi = aL j (6.18)
b
where M is the instantaneous natural mortality rate and Fjkl(t) is the age specific fishing
mortality rate in site kl in time t, estimated by the product of the age-specific qj by the
intensity of fishing exerted in site kl in time t (fkl(t)).
Spatial CPUE
where: pcap is the probability of capture by the gear; area is the area swept per day;
SELj is the age-specific gear retention (see Chapter 4); and AREA is the area occupied
by the stock.
Short-run spatial allocation of fishing intensity (e.g. within the fishing season) is
estimated as in ALLOC, with one modification: parameter Pk is substituted by the
perceived risk of fishing on the fishing ground with coordinates kl.
Spatial allocation of fishing intensity of vessels from port h in site kl in time t, (fklh(t)) is
given by:
where: Vp(t) is the number of vessels from port h that seasonally allocate their fishing
effort to the target species; and SAEklh(t) is a (0,1) distribution of vessels of port h into
sites with coordinates kl, in time t, which can be estimated as:
where Riskkl is the perceived risk of fishing in alternative grounds kl. This parameter is
specified in the model with a range of values [1–3], where 1 implies absence of risk and
2–3 indicates increasing risk levels. Catch and economic rent for each ground are
estimated as in ALLOC.
The number of boats from port h present in the fishery over time (years), is modelled by
spatially applying Smith (1969) equation:
where is a positive constant. Equation (6.25) states that in the long-run and under open
access conditions, if the sum of net revenues obtained from all fishing grounds is: (i)
positive, there will be entry to the fishery; (ii) negative, exit is expected to occur; and (iii)
zero, the fishery is at bioeconomic equilibrium, and there will be no stimulus for
exit/entry.
Model assumptions
i. Recruitment does not occur at a single point in time, but within a period whose
distribution is modelled by the distributed delay model.
ii. Extension of patches is defined by the density variance of a bivariate normal
distribution.
iii. Migration, dispersal and movement are not considered.
iv. Natural mortality is constant for all ages.
v. Spatial allocation of fishing intensity is a function of ground-specific variations in
the: (a) quasi-rent, (b) risk of fishing, and (c) distances from different ports.
vi. Distances between ports and fishing grounds are estimated geographically
without consideration of possible obstacles.
vii. For the long-term fleet dynamics, an estimated time lag of 6 months is assumed
for vessel entry/exit to the fishery, whereas in the short-run, the user is requested
to provide the observed average time lag of entering the seasonal fishery.
viii. Uncertainty of daily catches in each ground is modelled by an exponentially
autocorrelated probability density function.
ix. Price of target species and costs of fishing effort inputs are constant and
exogenously determined.
The interested reader can conduct simulation experiments with these spatial models,
which are contained in the package SPATIAL published by FAO (Seijo et al., 1994b).
The resource
The model reproduced well the temporal variability in abundance of recruits (Fig. 6.1a)
and adults (Fig. 6.1b), and was statistically validated. Adults markedly increased from
1988 on, as a result of a human exclusion experiment conducted between March 1987
and November 1989 (see Defeo, 1993a; 1996, 1998; Defeo & de Alava, 1995 for
details). Recruitment was inhibited in 1989 and 1990, as a result of overcompensation
due to high adult densities. This fact has important management connotations:
simulation showed that, as a result of a prolonged closed season (more than 2 years),
high adult density could inhibit recruitment success and hence the magnitude of the
stock available for fishing two years later (see Fig. 6.2).
The fishery
The fishery showed a strong seasonal component. The model (Fig. 6.2) adequately
reproduced the marked increase in catch and fishing intensity during summer and
spring. A decline in the demand for local market consumption and a reduced availability
of the resource because of downward migration towards the infralittoral explained the
diminished catches in autumn and winter (Defeo, 1989). The model also satisfactorily
explained the marked spatial variability in effective fishing days, catches and fishing
intensity (Fig. 6.3a; see also Defeo et al., 1991), as well as spatial variations in the
economic rent. Fishermen spatially allocated fishing effort proportionally to spatial
variations in stock abundance, i.e., the central zones 2 and 3, with greater stock
abundance presented highest yield values (Fig. 6.3b) and fishing intensity. The model
correctly represented variations within and between years. As a result of the above
mentioned trends and the marked seasonality of the fishery, net revenues were also
greater from the central grounds, peaking in spring and summer (see also Defeo et al.,
1991 for a detailed analysis).
In June 1995, FAO and the Sweden Government organized in Lysekil (Sweden) a
scientific consultation guided to establish a precautionary approach in the investigation
and management of fishing resources (FAO, 1995a). The following definitions were
adopted: (i) risk is the probability of occurrence of an undesirable event, (ii) uncertainty is
the incompleteness of knowledge about the states or processes of nature, and (iii)
statistical uncertainty is the stochasticity or error coming from several sources as
described using statistical methodology.
Illustrative example
Decision criterion: Select the management strategy with the maximum NPV of the
minimum outcome: D2
Table 7.2. The Minimax regret criterion, and the regret decision table (US$'000).
Decision Regret for each decision Maximum Regret
SN1 SN2
D1 80-(-30)=110 400-400=0 110
D2 80-80=0 400-150=250 250
D3 80-50=30 400-300=100 100
Decision criterion: Select the management action that minimizes the maximum
regret: D3
Decision criterion: Select the management strategy which provides the maximum
NPV: D1
7.4. Management decisions with mathematical probabilities
Decision theory provides an excellent framework for management advice. The analysis
includes stochastic outcomes for a fishery model that considers uncertainty in its
parameters and variables, and also in the structure of the model. The outcomes of
alternative management actions can thus be evaluated by means of a decision table
containing hypotheses about parameter values or model structure and the referred
management alternatives (Hilborn & Peterman, 1996).
In these cases, the policy maker must do a balance between the expected value and the
variances of alternative management decisions(see below).
The example that follows considers again two possible states of nature corresponding to
two observed recruitment levels, but now with probabilities of occurrence P1=.75,
P2=.25. The risk and uncertainty associated with D1,D2,D3 are incorporated, and the
NPV for these decisions, are presented for each SN in Table 7.4.
Table 7.4. NPV (US$'000) of three alternative management strategies (D1, D2, D3)
under two states of nature (SN1, SN2) with the corresponding probabilities of
occurrence P1 and P2. EV: expected value; VAR: variance; SD: standard deviation.
Decision States of nature EV VAR SD
SN1(P1=.75) SN2(P2=.25)
D1 -30 400 77.5 34668 186
D2 80 150 97.5 919 39
D3 50 300 112.5 11719 108
The maximum expected value of NPV is generated by D3. However, VAR is greater for
D3 than for D2 and thus the policy maker must decide between both actions, balancing
EV and VAR.
In the previous section, the Minimax principle suggested that we proceed according to a
distribution defined over few alternative states. However, there is no reason to expect
that nature behave according to this distribution. In some situations, the decision-maker
has some information about possible states of nature that allow him to judge a priori
which state of nature is more likely to be true. Such information can usually be
expressed as a probability distribution, considering the state of nature as a random
variable. This distribution is referred as a prior distribution. Prior distribution are often
subjective, and depend on the experience or intuition of an individual.
A procedure for utilizing a prior to aid in the selection of alternative management actions
is the Bayesian Criterion. When prior probabilities can be assigned to different states of
nature and management options, the Bayesian approach could be most appropriate for
fisheries stock assessment problems (Hilborn & Mangel, 1997 and references therein).
The Bayes' Theorem prompts the decision maker to select an action (Dξ) that minimizes
the expected loss (LOSS (Dξ)), which is evaluted with respect to a prior distribution
(P(SNλ)) defined over the possible λ states of nature (SNξ), where ξ are alternative
management options.
The Bayesian approach could be applied to the above example as follows (Table 7.5):
Decision criterion: Select the management strategy which provides the minimum
expected losses: D3
Other decision tables could be built with different performance variables (e.g., biomass,
yield, employment, etc.). A detailed analysis of the Bayesian approach as applied in
ecology and fisheries stock assessment is beyond the scope of this book. For a
complete description, the reader must refer to Hilborn & Mangel (1997) and references
therein.
Jackknife
The “jackknife” consists of sequentially sampling with substitution a pair of data from a
base of n data pairs corresponding to a series of n years of e.g., catch and effort data.
Thus, n groups of n-1 data sets are generated, which provide n estimates of
biological/management parameters. The confidence interval calculated by “jackknife”
could be estimated using the classical procedures of linear statistics, assuming that the
probabilistic density functions of the parameters are normal (“jackknife normal based”
sensu Meyer et al., 1986).
Although this constitutes a potentially useful technique for building confidence intervals
(Hiborn & Walters, 1992), its application has been questioned. The “jackknife” can be
ineffective in providing variance estimates with the usual moderately short fisheries time
series, and in such cases do not always provide a clear distribution of the management
parameters (Caddy & Defeo, 1996).
Bootstrap
This is based on two different approaches (Efron, 1982; Manly, 1991): random
resampling of: (1) the original values in the data set; and (2) the errors derived from the
estimations vs observations used to fit a given fishery model (see Punt & Hilborn, 1996).
Caddy & Defeo (1996) applied version (1) of bootstrap to equilibrium versions of the
logistic and exponential versions of the yield-mortality models mentioned in Chapter 2.
Confidence limits were obtained directly for the population (M, B∞ and r) and
management (FMSY, ZMSY, MSY) parameters, from the pool of bootstrap estimates,
using the quartile approach. Given the skewed nature of almost all distributions, they
determined the median, and calculated the 10th and 90th percentile values that enclosed
the central 80% of the bootstrap distribution as the empirical confidence interval.Chapter
2 also shows an additional application of bootstrapping, directed to quantify variability in
the parameters of a bioeconomic yield-mortality model (see also Punt & Hilborn, 1996
for a detailed application of bootstrapping to biomass dynamic models).
Due to the asymmetric nature of almost all the parameters distribution functions
generated by fishery models, resampling the residuals together with the application of
the percentile theory seems to be a useful method. It preserves the “design” of the study,
by using the original values of the independent variable, and also diminishes the
probability of obtaining negative values (Pérez & Defeo, 1996).
Other procedures related to the estimation of risk and uncertainty for scientific advice in
fisheries are beyond the scope of this document. The reader is referred to FAO (1996)
and Francis & Shotton (1997) among other relevant scientific papers on the subject.
References
Acheson, J. & R. Reidman. 1982. Biological and economic effects of increasing the
minimum legal size of American lobster in Maine. Trans. Amer. Fish. Soc. 111:1–12.
Ackoff, R.L. 1962. Scientific method: Optimizing Applied Research Decisions. J. Wiley &
Sons, New York.
Agnello, R.J. & L.G. Anderson. 1983. Production responses for multi-species fisheries.
Can. J. Fish. Aquat. Sci. 38: 1393–1404.
Agnello, R.J. & L.P. Donnelley. 1976. Externalities and property rights in the fisheries.
Land Econ. 52:518–529.
Akenhead, S.A. J. Carscadden, H. Learn, G.R. Lilly & R. Wells. 1982. Cod-capelin
interactions off Northeast Newfoundland and Labrador. In: Mercer, M.D.(ed),
Multispecies Approaches to Fisheries Management Advice. Can. Spec. Publ. Fish.
Aquat. Sci. 59: 141–148.
Alverson, D.L, M.H. Freeberg, J.G. Pope & S.A. Murawski. 1994. A global assessment
of fisheries bycatch and discards. FAO Fish. Tech. Pap. (339): 233 pp.
Anderson, L.G. 1977. The Economics of Fisheries Management. The John Hopkins
University Press, New York.
Anderson, L.G. 1980. A comparison of limited entry fisheries management schemes. In:
ACMRR Working Party on the Scientific Basis of Determining Management
Measures, FAO Fish. Rep. 236: 47–74.
Anderson, L.G. 1981. Economics Analysis for Fisheries Management Plans. Ann Arbor
Science Publishers, Michigan.
Anderson, L.G. 1982a. Optimal utilization of fisheries with increasing costs of effort. Can.
J. Fish. Aquat. Sci. 39: 211–214.
Anderson, L.G. 1994. Fundamental issues in the design of ITQ programs. In: Antona,
M., J. Catanzano & J. Sutinen (ed.), Proceeding of the sixth conference of the
International Institute of Fisheries Economics and Trade. Paris, Francia. Tome II:
787–801.
Anderson, L.G. 1995. Privatizing open access fisheries: individual transferable quotas.
In: Bromley, D. W. (ed.), Handbook of Environmental Economics. Blackwell
Publishers, Cambridge, Mass.: 453–474.
Anonymous, 1995. Solving Bycatch: Considerations for Today and Tomorrow. Alaska
Sea Grant College Program Report No. 96-03, University of Alaska Fairbanks.
Arrow, K.J. 1976. Social Choice and Individual Values. 2nd edition.J. Wiley & Sons, New
York.
Baranov, F.I. 1918. On the question of the biological basis of fisheries. Nauchn. Issled.
Ikhtiologicheskii Inst. Izv. 1: 81-128.
Beddington, J.R. & R.B. Rettig. 1984. Criterios para la ordenación del esfuerzo de
pesca. FAO Doc. Tec. Pesca(243): 44pp.
Begon, M., J.L. Harper & C.R. Townsend. 1990. Ecology. Individuals, Populations and
Communities. Blackwell Scientific Publications, Boston.
Bertalanffy, L., von. 1938. A quantitative theory of organic growth. Hum. Biol. 10: 191–
213.
Beverton, R.J.H. & S.J. Holt. 1954. Notes on the use of theoretical models in the study of
the dynamics of exploited fish populations. U.S. Fish. Lab., Beaufort, N.C., Misc.
Contrib 2: 159 pp.
Beverton, R.J.H. & S.J. Holt. 1957. On the dynamics of Exploited Fish Populations. Fish.
Invest. London. Ser. II. 19: 1–533.
Botsford, L., J.C. Castilla & C.H. Peterson. 1997. The management of fisheries and
marine ecosystems. Science 277:509–515.
Box, J.M. 1965. A new method of constrained optimization and a comparison with other
methods. Computer J. 8: 42–52.
Bromley, W.D. 1991. Testing for common versus private property: comment. J.Environ.
Econ. Manag. 21: 92–96.
Caddy, J.F. 1975. Spatial model for an exploited shellfish population, and its application
to the Georges Bank scallop fishery. J.Fish. Res. Bd. Can. 32: 1305–1328.
Caddy, J.F. 1979. Some considerations underlying definitions of catchability and fishing
effort in shellfish fisheries, and their relevance for stock assessment purposes. Fish.
Mar. Serv., Manuscr. Rep. 1489: 1–18.
Caddy, J.F. 1989b. Recent developments in research and management for wild stocks
of bivalves and gastropods. In: Caddy, J.F. (ed.), Marine Invertebrate Fisheries:
Their Assessment and Management. J. Wiley & Sons, New York: 665–700.
Caddy, J.F. 1996. Regime shifts and paradigm changes: is there still a place for
equilibrium thinking? Fish. Res. 25:219-2
Caddy, J.F. & J. Csirke. 1983. Approximation to sustainable yield for exploited and
unexploited stocks. Oceanogr. Trop. 18(1): 3–15.
Caddy, J.F. & O. Defeo. 1996. Fitting the exponential and logistic surplus yield models
with mortality data: some explorations and new perspectives. Fish. Res. 25:39–62.
Caddy, J.F. & J.A. Gulland. 1983. Historical patterns of fish stocks. Mar. Pol. 7:267–278
Caddy, J.F. & R. Mahon. 1995. Reference points for fisheries management. FAO Fish.
Tech. Pap. (347): 83 pp.
Caddy, J.F. & G.D. Sharp. 1986. An ecological framework for marine fishery
investigations. FAO Fish. Tech. Pap. (283): 152 pp.
Castilla, J.C. 1994. The chilean small-scale benthic shellfisheries and the
institutionalization of new management practices. Ecol. Int. Bull. 21:47–63.
Castilla, J.C. & R. Durán. 1985. Human exclusion from the rocky intertidal zone of
Central Chile: the effects on C. concholepas (Mollusca: Gastropoda: Muricidae).
Oikos 45:391–399.
Charles, A.T. 1989. Bio-socio-economic fishery models: labour dynamics and multi-
objective management. Can. J. Fish. Aquat. Sci. 46:1313–1322.
Chenney, W. & D. Kincaid. 1985. Numerical Mathematics and Computing. Brooks Cole
Publishing Company, Monterey, California,
Clark, C.W. 1973. Profit maximization and the extinction of animal species. J. Polit.
Econ. 81: 950– 961.
Cobb, J.S. & J.F. Caddy. 1989. The population biology of decapods. In: Caddy, J.F.
(ed.), Marine Invertebrate Fisheries: Their Assessment and Management. J. Wiley &
Sons, New York: 327–374.
Cohen, Y. 1987. A review of harvest theory and applications of optimal control theory in
fisheries management. Can. J. Fish. Aquat. Sci. 44(Suppl. 2): 75–83.
Conan, G.Y. 1984. Do assumptions commonly used for modelling populations of finfish
apply to shellfish species? ICES, Shellfish Committee, C.M. 1984/K: 49: 21 pp.
Csirke, J. & J.F. Caddy. 1983. Production modelling using mortality estimates. Can. J.
Fish. Aquat. Sci. 40: 43–51.
De Anda, J.A., J.C. Seijo & S. Martinez. 1994. Reclutamiento y variabilidad ambiental en
la pesqueria de sardina Monterrey (Sardinops sagax) del Golfo de California,
Mexico. Invest. Pesq. (Chile) 38: 23–36.
Defeo, O. 1989. Development and management of artisanal fishery for yellow clam
Mesodesma mactroides in Uruguay. Fishbyte 7:21–25.
Defeo, O. 1993a. The effect of spatial scales in population dynamics and modelling of
sedentary fisheries: the yellow clam Mesodesma mactroides of an Uruguayan
exposed sandy beach. Ph.D. Thesis, CINVESTAV-IPN Unidad Mérida, Yucatán,
México. 308 pp.
Defeo O. & A. de Alava. 1995. Effects of human activities on long-term trends in sandy
beach populations: the wedge clam Donax hanleyanus in Uruguay. Mar. Eco. Prog.
Ser. 123: 73– 82.
Defeo O. & J.C. Seijo. (in press). Yield-mortality models: a precautionary bioeconomic
approach. Fish. Res.
Defeo, O., A. de Alava, V. Valdivieso & J.C. Castilla. 1993. Historical landings and
management options for the genus Mesodesma in coasts of South America. Biol.
Pesq. (Chile) 22: 41–54.
Defeo, O., J.C. Seijo, J. Euan & M. Liceaga. 1991. Dinámica espacial del esfuerzo
pesquero de una pesquería artesanal de la costa Atlántica Uruguaya. Invest. Pesq.
(Chile). 36: 17–25.
Díaz de León, A.J. & J. C. Seijo. 1992. A multi-criteria non-linear optimization model for
the control and management of a tropical fishery. Mar. Res. Econ. 7: 23–40.
Durán, L.R. & J.C. Castilla. 1989. Variation and persistence of the middle rocky intertidal
community of Central Chile, with and without human harvesting. Mar. Biol. 103: 555–
562.
Durán, R., J.C. Castilla & D. Oliva. 1987. Intensity of human predation on rocky shores
at Las Cruces, Central Chile. Environ. Conserv. 14: 143–149.
Eales, J. & J.W. Wilen. 1986. An examination of fishing location choice in the pink
shrimp fishery. Mar. Res. Econ. 2: 331–351.
Eckert, R. 1979. The Enclosure of Ocean Resources. Hoover Institution Press, Stanford
California.
Efron, B. 1979. Bootstrap methods: another look at the jackknife. Ann. Stat. 7: 1–26.
Efron, B. 1981. Non parametric estimates of standard error: the jackknife, the bootstrap
and other methods. Biometrika 68: 589–599.
Efron, B. 1982. The jackknife, the Bootstrap and other Resampling Plans. Society for
Industrial and Applied Mathematics, Philadelphia, Pennsylvania.
Elliot, J.M. 1977. Some Methods for the Statistical Analysis of Samples of Benthic
Invertebrates (2nd. ed.). Freshwater Biol. Assoc. Sci. Publ. 25.
Emerson, W. & J. Anderson. 1989. A spatial allocation model for the New England
fisheries. Mar. Res. Econ. 6: 123–144.
Estes, J.A. & J.F. Palmisano. 1974. Sea otters: their role in structuring nearshore
communities. Science 185: 1058–1060.
FAO. 1978. Fishery commodity situation and outlook. FAO: Com. Fish. 12th Session,
COFI/78/inf. 5: 1–15.
FAO. 1993. Reference Points for fishery management: their potential application to
straddling and highly migratory resources. FAO Fish. Circ. (864): 52 pp.
FAO. 1994. Review of the state of world marine fishery resources. FAO Fish. Tech. Pap.
(335): 136 pp.
FAO. 1996. Precautionary approach to fisheries. Part 2: Scientific papers. FAO Fish.
Tech. Pap. (350/2): 210 pp.
Farzin, Y.H. 1984. The effect of the discount rate on depletion of exhaustible resources.
J. Polit. Econ. 92: 841–851.
Fogarty, M.J. 1989. Forecasting yield and abundance of exploited invertebrates. In:
Caddy, J.F. (ed.), Marine Invertebrate Fisheries: Their Assessment and
Management. J. Wiley & Sons, New York: 701–724.
Fox, W.W. 1970. An exponential surplus yield model for optimizing exploited fish
populations. Trans. Am. Fish. Soc. 99: 80–88.
Francis, R.I.C.C. & R. Shotton. 1997. “Risk” in fisheries management: a review. Can. J.
Fish. Aquat. Sci. 54: 1699–1715.
Garcia, S.M. 1992. Ocean fisheries management: the FAO programme. In: Fabbri, P.
(ed.), Ocean Management and Global Change. Elsevier Applied Science, London:
381–418.
Garcia, S.M. 1996. The precautionary approach to fisheries and its implications for
fishery research, technology and management: an updated review. In: Precautionary
Approach to Fisheries. Part 2: Scientific papers. FAO Fish. Tech. Pap. (350/2): 1–
75.
Garcia, S.M. & A. Demetropoulos. 1986. Management of Cyprus fisheries. FAO Fish.
Tech. Pap. (250): 40 pp.
Garcia, S.M. & C. Newton. 1994. Responsible fisheries: an overview of FAO policy
developments (1945–1994). Mar. Poll. Bull. 29: 528–536.
Garcia, S.M. & C. Newton. 1997. Curent situation, trends, and prospects in world
capture fisheries. In: Pikitch, E.K., D.D. Huppert & M.P. Sissenwine (ed.), Global
Trends in Fisheries Management. American Fisheries Society Symposium, 20,
Bethesda, Maryland: 3–27.
Garrod, D.J. & J.G. Shepherd. 1981. On the relationship between fishing capacity and
resource allocations. In: Haley, K.B. (ed.), Proceedings of a NATO Symposium on
Applied Operations Research in Fishing. Plenum Press, New York: 321–336.
Gause, G.F. & A.A. Witt. 1935. Behavior of mixed populations and the problem of natural
selection. Am. Nat. 69: 596–609.
Geen, G. & M. Nayar. 1988. Individual transferable quotas in the Southern bluefin tuna
fishery: an economic appraisal. Mar. Res. Econ. 5: 365–387.
Gillis, D.M., R.M. Peterman & A.V. Tyler. 1993. Movement dynamics in a fishery:
application of the ideal free distribution to spatial allocation of effort. Can. J. Fish.
Aquat. Sci. 50: 323–333.
Gordon, H.S. 1954. The economics of a common property resource: the fishery. J. Polit.
Econ. 62: 124–142.
Graham, M. 1935. Modern theory of exploiting a fishery and application to North Sea
trawling. J. Cons. Int. Explor. Mer. 10: 264–274.
Graybeal, W.J. & W.W. Pooch. 1980. Simulation Principles and Methods. Winthrop
Publishers, Inc. Cambridge, Mass.
Gulland, J.A. 1983. Fish Stock Assessment: A Manual of Basic Methods. J. Wiley &
Sons, New York.
Gulland, J.A. & S.M. Garcia. 1984. Observed patterns in multispecies fisheries, In: May,
R.M. (ed.), Exploitation of Marine Communities. Dahlem Konferenzen 1984.
Springer-Verlag, Berlln: 155–190.
Hall, M.A. 1983. A spatial approach to the population dynamics of the manila clam
(Tapes philippinarum). Ph.D. Dissertation, University of Washington: 244 pp.
Hall, M.A. 1998. An ecological view of the tuna-dolphin problem: impacts and trade-offs.
Rev. Fish Biol. Fish. 8: 1–34.
Hancock, D.A. 1973. The relationship between stock and recruitment in exploited
invertebrates. Rapp. P.-V. Reun. Cons. Int. Explor. Mer. 164: 113–131.
Hancock, D.A. 1979. Population dynamics and management of shellfish stocks. In:
Thomas, H.J. (ed.), Population Assessments of Shellfish Stocks. Rapp. P.-V. Reun.
Cons. Int. Explor. Mer. 175: 8–19.
Hannesson, R. 1986. The effect of the discount rate on the optimal exploitation of
renewable resources. Mar. Res. Econ. 3: 319–329.
Hannesson, R. 1987. Optimal catch capacity and fishing effort in deterministic and
stochastic fishery models. Fish. Res. 5: 1–21.
Hannesson, R. 1993. Bioeconomic Analysis of Fisheries. Fishing News Books,
Blackwell, Oxford.
Hilborn, R. & M. Ledbetter. 1979. Analysis of the British Columbia salmon purse seine
fleet: dynamics of movement. J. Fish. Res. Bd. Can. 36:384–391.
Hilborn, R. & R.M. Peterman. 1996. The development of scientific advice with
incomplete information in the context of the precautionary approach. In:
Precautionary Approach to Fisheries. Part 2: Scientific papers. FAO Fish. Tech. Pap.
(350/2): 77–101.
Hilborn, R. & C.J. Walters. 1987. A general model for simulation of stock and fleet
dynamics in spatially heterogeneous fisheries. Can. J. Fish. Aquat. Sci. 44: 1366–
1369.
Hilborn, R. & C.J. Walters. 1992. Quantitative Fisheries Stock Assessment. Choice,
Dynamics and Uncertainty. Chapman & Hall, New York.
Hockey, P.A.R. & A.L. Bosman. 1986. Man as an intertidal predator in Transkei:
disturbance, community convergence, and management of a natural food resource.
Oikos 46: 3–14.
Hoenig, J.M. & N.A. Hoenig. 1986. Fitting stock production models subject to a
constraint. U. Rhode Island Dept. Stats. Tech. Rep. TR–186: 10 pp.
Hoppensteadt, F.C. & I. Sohn. 1981. A multiple species fishery model: an input-output
approach. In: Haley, K.B. (ed.), Applied Operations Research in Fishing. NATO
Conference Series, Plenum Press, London: 115–124.
Huppert, D. 1979. Implications of multipurpose fleets and mixed stocks for control
policies. J. Fish. Res. Bd. Can. 36 (7): 845–854.
Jamieson, G.S., & J.F. Caddy. 1986. Research advice and its application to
management of invertebrate resources: an overview. In: Jamieson, G.S. & N.
Bourne (ed.), North Pacific Workshop on Stock Assessment and Management of
Invertebrates. Can. Spec. Publ. Fish. Aquat. Sci. 92: 416–424.
Kennedy, J.O.S. & J.W. Watkins. 1986. Time-dependent quotas for the southern bluefin
tuna fishery. Mar. Res. Econ. 2: 293–313.
Kizner, Z.I. 1990. Bootstrap estimation of the confidence intervals of stock and TAC
assessments with the use of dynamic surplus production models. NAFO SCR Doc.
90/108: 6 pp.
Lapointe, M.F., R.M. Peterman & A. MacCall. 1989. Trends in fishing mortality rate along
with errors in natural mortality rate can cause spurious time trends in fish stock
abundances estimated by Virtual Population Analysis (VPA). Can. J. Fish. Aquat.
Sci. 46: 2129–2139.
Leslie, P.H. & J.C. Gower. 1960. Properties of a stochastic model for the predator-prey
type of interaction between two species. Biometrika 47:219–301.
Lotka, A.J. 1932. The growth of mixed populations: two species competing for a
common food supply. J. Wash. Acad. Sci. 22: 461–469.
Lubchenco, J., G.W. Allison, S.A. Navarrete, B. A. Menge, J.C. Castilla, O. Defeo, C.
Folke, O. Kussakin, T. Norton & A.M. Wood. 1995. 6.1.9. Coastal systems, In:
United Nations Environment Programme. Global Biodiversity Assessment. Section
6: Biodiversity and ecosystem functioning: ecosystem analyses. Cambridge
University Press, Cambridge, U.K.: 370–381.
Ludwig, D., R. Hilborn & C. Walters. 1993. Uncertainty, resource exploitation, and
conservation: lessons from history. Science 260: 17, 36.
Maiolo, R.M. & Orbach, K.M. 1982. Modernization and Marine Fisheries Policy. Ann
arbor Science Publishers, Michigan.
Manetsch, T.J. 1976. Time varying distributed delays and their use in aggregate models
of large systems. IEEE Transactions on Systems, Man and Cybernetics. SMC-6
N°8: 547–553.
Manetsch, T.J. 1985. Planning to meet economic and nutritional goals in developing
countries. An application of multi-criteria optimization. Unpublished manuscript,
Michigan State University, East Lansing, Michigan.
Manetsch, T.J. & G.L. Park. 1982. System Analysis and Simulation with Applications to
Economic and Social Systems. Fourth edition, Michigan State University, Michigan.
Mangel, M. & C.W. Clark. 1983. Uncertainty, search and information in fisheries. J.
Cons. Perm. Int. Explor. Mer. 48: 93–103.
Manly, B.J. 1991. Randomization and Monte Carlo Methods in Biology. Chapman & Hall,
London.
Mapstone, B.D., R.A. Campbell, & A.D.M. Smith. 1996. Design of experimental
investigations of the effects of line and spear fishing on the Great Barrier Reef. CRC
Reef Research Technical Report Number 7, C.R.C Reef Research Centre, James
Cook University, Townsville, Queensland, Australia.
May, R.M. (ed.). 1984. Exploitation of Marine Communities. Report of the Dahlem
Workshop on Exploitation of Marine Communities. Dahlem Konferenzen 1984.
Springer-Verlag, Berlin.
May, R.M., J.R. Beddington, C.W. Clark, S.J. Holt & R.M. Laws. 1979. Management of
multispecies fisheries. Science 205: 267–277.
Meyer, J.S., C.G. Ingersoll, L.L. McDonald & M.S. Boyce. 1986. Estimating uncertainty
in population growth rates: jackknife vs. bootstrap techniques. Ecology 67: 1156–
1166.
Moreno, C.A., J.P. Sutherland & H.F. Jara. 1984. Man as a predator in the intertidal
zone of southern Chile. Oikos 42: 155–160.
Moreno, C.A., K.M. Lunecke & M.I. Lepez. 1986. The response of an intertidal
Concholepas concholepas population to the protection from man in southern Chile
and the effects on benthic sessile assemblages. Oikos 46:359–364.
Morgan G.R. 1997. Individual quota management in fisheries. FAO Fish. Tech. Pap.
(371): 41 pp.
Onal, H., B.A. McCarl, W.L. Griffin, G. Matlock, G. & J. Clark. 1991. A bioeconomic
analysis of the Texas shrimp fishery and its optimal management. Am. J. Agr. Econ.
(Nov.): 1161–1170.
Orensanz, J.M. 1986. Size, environment, and density: regulation of a scallop stock and
its management implications. In: Jamieson, G.S. & N. Bourne (ed.), North Pacific
Workshop on Stock Assessment and Management of Invertebrates. Can. Spec.
Publ. Fish. Aquat. Sci. 92: 195–227.
Orensanz, J & G.S. Jamieson 1998. The assessment and management of spatially
structured stocks: an overview of the North Pacific Symposium on Invertebrate Stock
Assessment and Management. In: Jamieson, J.G. & A. Campbell (ed.), Proceedings
of the North Pacific Symposium on Invertebrate Stock Assessment and
Management. Can. Spec. Publ. Fish. Aquat. Sci. 125: 441–459.
Orensanz, J.M., A.M. Parma & O.O. Iribarne. 1991. Population dynamics and
management of natural stocks. In: Shumway, S.E. (ed.), Scallops: Biology, Ecology
and Aquaculture. Development in Aquaculture and Fisheries Science 21: 625–713.
Paine, R.T. 1966. Food web complexity and species diversity. Amer. Nat. 100: 65–75.
Paine, R.T. 1980. Food webs: linkage, interaction strength and community infrastructure.
J. Anim. Ecol. 49: 667–685.
Paine, R.T. 1984. Ecological determinism in the competition for space. Ecology 65:
1339–1348.
Pauly, D. & G.I. Murphy. (ed.) 1982. Theory and Management of Tropical Fisheries.
ICLARM Conf. Proc. 9.
Pearce, D.W. & C.A. Nash. 1981. Social Appraisal of Projects: A Text in Cost-Benefit
Analysis. Macmillan, London.
Pearse, P.H. 1980. Regulation of fishing effort. FAO. Fish. Tech. Pap. (197): 82 pp.
Pella, J.J. & P.K. Tomlinson. 1969. A generalized stock production model.Bull. Inter-
Amer. Trop. Tuna Comm. 13: 421–496.
Pérez, E. & O. Defeo. 1996. Estimación de riesgo e incertidumbre en modelos de
producción captura- mortalidad. Biol. Pesq. (Chile) 25: 3–15.
Polacheck, T., R. Hilborn & A.E. Punt. 1993. Fitting surplus production models:
comparing methods and measuring uncertainty. Can. J. Fish. Aquat. Sci. 50: 2597–
2607.
Power, M. 1993. The predictive validation of ecological and environmental models. Ecol.
Modelling 68: 33–50.
Punt, A.E. & R. Hilborn. 1996. Biomass dynamic models. User's manual. FAO Comp. Inf.
Ser. Fish. (10): 62 pp.
Rosenberg, A.A. & S. Brault. 1993. Choosing a management strategy for stock
rebuilding when control is uncertain. In: Smith, S.J., J.J. Hunt & D. Rivard (ed.), Risk
Evaluation and Biological Reference Points for Fisheries Management. Can. Spec.
Publ. Fish. Aquat. Sci. 120: 243–249.
Rykiel Jr, E.J. 1996. Testing ecological models: the meaning of validation. Ecol.
Modelling 90: 229–244.
Saila, S.B. & K. Erzini. 1987. Empirical approach to multispecies stock assessment.
Trans. Am. Fish. Soc. 116: 601–611.
Sainsbury, K.J. 1987. Assessment and management of the demersal fishery on the
continental shelf of northwestern Australia, In: Polovina, J. & S. Ralston (ed.),
Tropical Snappers and Groupers: Biology and Fisheries Management. Westview
Press, Boulder, Colorado: 465– 503.
Sainsbury, K.J. 1988. The ecological basis of multispecies fisheries and management of
a demersal fishery in Tropical Australia, In: Gulland, J. (ed.), Fish Population
Dynamics. J. Wiley & Sons, New York: 349–382.
Schaefer, M.B. 1954. Some aspects of the dynamics of populations important to the
management of commercial marine fisheries. Bull. Inter-Amer. Trop. Tunna Comm.
1:27–56.
Schelling, T.C. 1978. Micromotives and Macrobehavior. W.W. Norton & Company, New
York.
Schmid, A.A. 1978. Property, Power and Public Choice. Praeger, New York.
Schmid, A.A. 1987. Property, Power and Public Choice. 2ed. Praeger, New York.
Schnute, J.T. & R. Hilborn. 1993. Analysis of contradictory data sources in fish stock
assessment. Can. J. Fish. Aquat. Sci. 50: 1916–1923.
Seijo, J.C. 1986. Comprehensive simulation model of a tropical demersal fishery: red
grouper (Epinephelus morio) of the Yucatan Continental Shelf. Ph.D. Dissertation,
Michigan State University: 210 pp.
Seijo, J.C. 1987. Modelación de pesquerias tropicales. XXV Aniv. Inst. Nal. Pesca (1):
85–90.
Seijo, J.C. 1989. The systems simulation approach to tropical fisheries management, In:
Chávez, E.A. (ed.), Memorias del Seminario México-Australia sobre Ciencias
Marinas: 279–288.
Seijo, J.C. (in press). Análisis bioeconómico de pesquerias criticas. In: Flores, D