KERTAS TEKNIS PERIKANAN FAO 368

Teori, pemodelan dan

pengelolaan bioekonomi
perikanan

DAFTAR ISI

byJ.C. SeijoDepartamento de Recursos del MarCINVESTAV-IPN Unidad MéridaMérida,

Yucatán, México, dan Centro Marista de Estudios SuperioresMérida, Yucatán, México,

O.DefeoDepartamento de Recursos del MarCINVESTAV-IPN Unidad MéridaMérida,

Yucatán, México, dan Instituto Nacional de PescaMontevideo, Uruguay

S.SalasDepartamento de Recursos del MarCINVESTAV-IPN Unidad MéridaMérida,

Yucatán, México

Sebutan yang digunakan dan penyajian materi

dalam publikasi ini tidak menyiratkan
pernyataan pendapat apa pun dari pihak
Organisasi Pangan dan Pertanian Perserikatan
Bangsa-Bangsa mengenai status hukum suatu
negara, wilayah, kota atau daerah atau
otoritasnya. , atau tentang penetapan batas-
batas atau batas-batasnya.

M-40ISBN 92-5-104045-1

Seluruh hak cipta. Tidak ada bagian dari publikasi ini

yang boleh direproduksi, disimpan dalam sistem
pengambilan, atau ditransmisikan dalam bentuk apapun
atau dengan cara apapun, elektronik, mekanis, fotokopi
atau lainnya, tanpa izin sebelumnya dari pemilik hak
cipta. Permohonan izin tersebut, dengan pernyataan
tujuan dan tingkat reproduksi, harus ditujukan kepada
Direktur, Divisi Informasi, Organisasi Pangan dan
 Pertanian Perserikatan Bangsa-Bangsa, Viale delle
Terme di Caracalla, 00100 Roma, Italia

Organisasi Pangan dan Pertanian Perserikatan Bangsa-Bangsa Roma, 1998 ©

FAO

Persiapan Dokumen ini

Evaluasi dan representasi matematis dari tren dinamis dalam populasi sumber daya
perikanan pada awalnya hanya dianggap sebagai interaksi antara intensitas
penangkapan ikan dan kendala biologis yang menentukan produktivitas ekosistem laut.
Sementara studi rinci tentang dinamika populasi ikan dan penilaian stok ikan masih
berlaku, subjek dinamika populasi ikan semakin diperlakukan dalam kombinasi dengan
kekuatan ekonomi yang menggerakkan dinamika perikanan, seperti sewa, lapangan
kerja manusia dan produksi pangan. Kegiatan gabungan ini disebut sebagai
'Bioeconomics' dan FAO telah menerbitkan sejumlah publikasi perangkat lunak yang
lebih terspesialisasi di bidang ini, namun sejauh ini belum menghasilkan teks yang berisi
teori dan contoh penerapan. Teks saat ini mengisi kekosongan ini,

Ucapan Terima Kasih

Kami ingin mengucapkan terima kasih kepada kelompok kerja Bioekonomi Perikanan di
CINVESTAV, terutama kepada Miguel Cabrera, Anita de Alava dan Jose Luis Cabrera
atas bantuan mereka dalam edisi manuskrip. Kami berterima kasih kepada Rognvaldur
Hannesson atas revisi rinci naskah dan John Caddy atas komentar dan tinjauan
editorialnya yang bermanfaat. Eduardo Pérez membantu kami dalam penjabaran indeks
subjek. Enzo Acuna, Jorge Gonzalez, Minerva Arce, dan Eduardo Balart memberikan
komentar berharga yang menyempurnakan teks tersebut. Hector Mares menguraikan
sampul buku ini. Kami ingin mengucapkan terima kasih yang sebesar-besarnya kepada
para siswa yang mengikuti program pascasarjana Bioekonomi Perikanan di
CINVESTAV-Unidad Mérida (México) dan di beberapa Institusi Amerika Latin, selama
sepuluh tahun terakhir.

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.

1.1. Alokasi optimal sumber daya terbarukan: asumsi dasar

Untuk mendapatkan alokasi sumber daya alam yang optimal dalam ekonomi tertentu,
hak milik yang tidak dilemahkan perlu ditentukan. Hak-hak itu harus (Randall, 1981,
Schmid, 1978):
Secara lengkap ditentukan dalam hal hak yang menyertai properti atas sumber daya,
pembatasan atas hak-hak tersebut, dan hukuman yang terkait dengan pelanggarannya.

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.

Ditegakkan secara efektif, karena hak non-polisi menjadi hak kosong.

1.2. Kegagalan alokasi sumber daya perikanan secara optimal

Di bidang perikanan, asumsi dasar model pasar neoklasik yang disebutkan di atas
dilanggar. Dengan demikian, eksploitasi berlebihan, baik secara biologis maupun
ekonomi, telah menjadi ciri umum dari banyak perikanan penting di seluruh dunia.
Sumber daya perikanan memiliki ciri khusus yang melekat yang membedakannya dari
sumber daya alam yang terbarukan dan memerlukan pembahasan lebih lanjut untuk
memahami pola eksploitasi jangka pendek dan jangka panjang.

Rezim properti, hak milik dan eksternalitas

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:

● Apabila pengguna sumberdaya mempunyai kewajiban untuk menaati aturan dan

norma penggunaan / akses yang ditentukan oleh instansi pemerintah yang
berhak pengelolaannya, maka perikanan adalah milik negara.
● Jika nelayan memiliki hak untuk memutuskan penggunaan sumber daya yang
dapat diterima secara sosial, meskipun mereka memiliki kewajiban untuk tidak
melakukan penggunaan yang merusak, rezim eksploitasi dianggap sebagai milik
pribadi.
● Jika Negara telah mengalokasikan hak milik kepada sekelompok nelayan yang
didefinisikan dengan baik yang memiliki hak dan kewajiban khusus sehubungan
dengan tingkat penggunaan sumber daya, maka rezim eksploitasi adalah milik
bersama (res communis). Situasi ini menyiratkan kondisi yang diperlukan tetapi
tidak cukup untuk kegagalan dalam alokasi sumber daya yang optimal. Ini
karena rezim kepemilikan bersama mempertimbangkan pengecualian tugas non-
peserta dan tugas khusus untuk pengguna sumber daya, yang tidak dapat
membuat keputusan sendiri yang mengarah pada runtuhnya perikanan. Efisiensi
tindakan pengelolaan alternatif yang diberlakukan oleh otoritas pengelolaan, dan
spesifikasi hak dan kewajiban yang jelas bagi pemilik, sangat penting untuk
menghindari keruntuhan perikanan.
● Dalam kondisi akses terbuka (res nullius), sumber daya sebagai properti tidak
ada, sehingga setiap anggota masyarakat dapat memanen sumber daya. Rezim
ini gagal untuk menghasilkan alokasi sumber daya yang optimal, dan dengan
demikian merupakan kondisi yang cukup untuk eksploitasi sumber daya yang
 berlebihan (Anderson, 1977; Hannesson, 1978). Dua situasi muncul: (1) akses
tidak terbatas ke sumber daya dan (2) generasi eksternalitas antara pengguna
sumber daya.

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 saham. Ini terjadi ketika masuknya kapal baru mengurangi

ketersediaan stok dan karenanya biaya panen kapal lain. Nelayan tidak
mempertimbangkan biaya-biaya ini karena mereka hanya memperhitungkan biaya
perjalanan penangkapan ikan pribadi mereka (internal); mengabaikan biaya
eksternal yang dikenakan kepada orang lain dengan pengurangan stok.

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.

Eksternalitas teknologi. Bangkit ketika alat tangkap mengubah dinamika struktur

populasi spesies target dan tangkapan sampingan terkait, menimbulkan efek
negatif bagi nelayan lain, dan mempengaruhi kelimpahan spesies insidental yang
mungkin merupakan target perikanan lain. Dua jenis eksternalitas teknologi dapat
dibedakan:

(iii.1) Eksternalitas berurutan. Terjadi ketika armada artisanal dan industri

mengeksploitasi komponen yang berbeda dari struktur populasi spesies yang sama,
sehingga saling mempengaruhi. Kapal artisanal cenderung menerapkan upaya
penangkapan ikan mereka dekat dengan zona pesisir tempat tinggal remaja, sedangkan
armada industri umumnya beroperasi di perairan yang lebih dalam, mengeksploitasi
komponen dewasa dari sediaan. Dengan demikian, peningkatan substansial dalam
upaya penangkapan ikan armada artisanal akan menyebabkan penangkapan ikan
berlebihan dan penurunan ketersediaan stok untuk armada industri di periode
berikutnya, yaitu eksternalitas negatif untuk armada industri. Sejalan dengan itu,
peningkatan upaya penangkapan ikan pada armada industri akan mengurangi stok
pemijahan, yang mempengaruhi perekrutan berikutnya dan dengan demikian
ketersediaan stok untuk armada artisanal.

(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.

Eksternalitas berbasis ekologis. Misalkan dua spesies yang bersaing merupakan

target perikanan yang berbeda; variasi intensitas penangkapan yang dilakukan
oleh kedua armada akan mengubah besaran dan arah interaksi ekologi dan
dengan demikian kelimpahan relatif dari kedua spesies. Pertimbangkan dua
perikanan A dan B yang menangkap, masing-masing, spesies pesaing S1 dan S2
yang hidup berdampingan tanpa eksploitasi. Peningkatan upaya penangkapan
ikan atas spesies S1 akan menentukan peningkatan kelimpahan spesies S2, yang
dieksploitasi oleh perikanan B. Dengan demikian, perikanan A menghasilkan efek
positif eksternal terhadap perikanan B, yang didefinisikan sebagai eksternalitas di
bawah koeksistensi kompetitif.

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.

Saling ketergantungan predator-mangsa juga dapat memandu arah eksternalitas.

Pertimbangkan situasi sederhana dari hubungan predator-mangsa yang dapat
dimodelkan dengan persamaan ekuilibrium Lotka-Volterra. Peningkatan usaha
penangkapan pada perikanan A yang membidik mangsa Sp akan menyebabkan
penurunan kelimpahan predator Sd yang dipanen oleh perikanan B (pertimbangkan
predator spesialis sensu Begon et al., 1990), sehingga menimbulkan eksternalitas
negatif . Secara analogi, ketika upaya penangkapan meningkat di perikanan B,
kelimpahan mangsa meningkat, menghasilkan eksternalitas positif untuk perikanan A.
Kedua efek eksternal merupakan eksternalitas berbasis trofik.

Eksternalitas tekno-ekologis. Hal ini terjadi jika misalnya, alat tangkap

mengganggu habitat target dan spesies lain yang muncul bersamaan yang
mungkin menjadi target perikanan lain. Eksternalitas ini umum terjadi pada stok
bentik yang dipanen dengan pukat. Misalnya, perusakan habitat biogenik bentik
dapat mengurangi kemungkinan rekolonisasi dan perekrutan (Botsford et al.,
1997). Kualitas daerah penangkapan ikan (misalnya ruang yang tersedia untuk
pemukiman, ketersediaan makanan) dapat mengurangi efek eksternalitas.
Biaya pengecualian tinggi

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).

Perangkap sosial dalam perikanan, dan perilaku pengendara bebas

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).

Biaya transaksi tinggi

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 informasi. Manajemen perikanan menyiratkan biaya informasi yang tinggi

yang dihasilkan dari upaya penelitian interdisipliner di bidang biologi, ekologi,
statistik, dan sosio-ekonomi. Penelitian ini diperlukan untuk melacak; (1) dinamika
populasi ikan dan besaran stok; (2) variabilitas lingkungan; (3) dinamika spasial
hasil tangkapan dan upaya penangkapan; (4) perubahan preferensi antarwaktu
masyarakat sebagai akibat dari fluktuasi permintaan pasar dan ketersediaan
sumber daya. Peningkatan keseluruhan dalam penangkapan ikan biasanya tidak
disertai dengan peningkatan yang sesuai dalam informasi ilmiah dan perikanan,
yang pada gilirannya menyebabkan pengelolaan yang buruk dan penangkapan
ikan yang berlebihan, peningkatan biaya panen dan akibatnya penurunan rente
ekonomi perikanan. Situasi ini menjadi lebih kompleks dengan ketidakpastian
besar yang diamati dalam sistem alam,

Biaya penegakan hukum. Manajemen perikanan melibatkan biaya penegakan atau

pengawasan yang tinggi sebagai akibat dari implementasi skema manajemen dan
alokasi hak milik. Dalam banyak kasus, wilayah kepolisian begitu luas (perikanan
samudra) atau dapat diakses oleh pihak ketiga (misalnya pemanen rekreasi
dengan mengumpulkan stok intertidal dan memanen stok infralittoral dengan
scuba) sehingga upaya pemolisian ekstensif dan tidak efektif. Ketika ini terjadi,
hak yang tidak dapat diberlakukan menjadi hak kosong. Aspek-aspek yang
disebutkan di atas, ditambah dengan biaya operasi yang rendah, menyebabkan
banyak perikanan pesisir runtuh (Defeo et al., 1993).

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.

1.3. Rencana pengelolaan perikanan

Aliran biaya dan manfaat antarwaktu dari strategi pengelolaan alternatif harus didukung
oleh analisis perikanan yang kuat secara keseluruhan. Untuk tujuan ini, model
bioekonomi statis dan dinamis merupakan bantuan penting untuk pengambilan
keputusan yang bertujuan pada pengelolaan stok ikan yang berkelanjutan. Langkah-
langkah yang diperlukan untuk perencanaan pengelolaan perikanan dapat diringkas
sebagai berikut (Seijo et al., 1991a).

● 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;

(b) menguraikan diagram sebab akibat dengan subsistem perikanan yang

dikenal dan variabel antarmuka yang sesuai;

(c) membangun diagram blok untuk menentukan secara kuantitatif subsistem

model dan interaksi di antara mereka, serta variabel eksogen dan kebijakan
serta dampaknya terhadap sistem.

● Pantau perikanan untuk mengevaluasi dampak strategi pengelolaan alternatif

yang termasuk dalam rencana pengelolaan. Tentukan apakah tujuan dan
sasaran manajemen tercapai, dan identifikasi faktor-faktor yang dapat
menghalangi pelaksanaannya. Beberapa hipotesis dapat dikemukakan atas
model simulasi yang telah dibangun untuk memperkirakan dampak skema
regulasi alternatif.
● Evaluasi kembali perikanan secara berkala, tujuan dan tujuan pengelolaan yang
ditetapkan.
 1.4. Komentar penutup
Literatur bioekonomi meminta alokasi hak milik sebagai cara untuk mengurangi efek
yang tidak diinginkan yang disebabkan oleh karakteristik yang melekat pada perikanan,
dan dengan demikian untuk mengurangi risiko eksploitasi stok yang berlebihan. Dalam
konteks ini, dampak bioekonomi yang dihasilkan dari strategi pengelolaan alternatif
harus dievaluasi, serta instrumen kebijakan yang memadai yang harus digunakan untuk
memenuhi kriteria biologi dan ekonomi. Ini termasuk tingkat biomassa, hasil,
pendapatan bersih, lapangan kerja langsung, pendapatan ekspor dan kontribusi untuk
produksi makanan di wilayah tersebut. Untuk tujuan ini, model bioekonomi statis dan
dinamis telah dikembangkan sebagai kerangka teoritis untuk desain skema manajemen
cerdas yang bertujuan untuk penggunaan stok ikan secara berkelanjutan. Bab-bab
selanjutnya dari buku ini akan membahas topik-topik ini.

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).

2.1. Model Gordon-Schaefer

Persamaan logistik (Verhulst, 1838) menggambarkan pertumbuhan penduduk
berdasarkan ekspresi matematis berikut (Graham, 1935):

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.

Di bawah eksploitasi, Schaefer (1954) memperkenalkan tingkat tangkapan Y (t) sebagai:

Y (t) = qf (t) B (t) (2.2)

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:

Ketika populasi berada pada keseimbangan, yaitu, dB / dt = 0, dan dengan demikian

kerugian akibat kematian akibat penangkapan ikan dan alam dikompensasi oleh
peningkatan populasi karena pertumbuhan dan perekrutan individu. Hasil ekuilibrium
dapat didefinisikan sebagai:
Dengan demikian, kesetimbangan biomassa (Beq) sebagai fungsi usaha penangkapan
dapat didefinisikan 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)

atau, sebagai alternatif:

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.

Mengganti (2.2) dalam (2.10), π dapat didefinisikan sebagai fungsi usaha:

π = [pqB-c] f (2.11)

Seperti dalam model biologi, Gordon (1954) mengasumsikan kesetimbangan untuk

memperoleh fungsi produksi perikanan jangka panjang. Hasil kesetimbangan akses
terbuka terjadi ketika TSR sama dengan TC dan dengan demikian π (t) = 0, dan tidak
akan ada stimulus untuk masuk atau keluar ke perikanan. Sebagai tambahan, jika
biomassa diasumsikan sebagai: ekuilibrium, hasil yang terbentuk akan memberikan
keseimbangan simultan baik dalam arti ekonomi maupun biologis, yang mengarah pada
kesetimbangan bioekonomi (BE). Biomassa pada kesetimbangan bioekonomi (BBE)
dapat ditentukan dengan menyelesaikan persamaan (2.11) untuk B:

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 marjinal dan rata-rata

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.

Tingkat upaya di MSY, MEY dan BE

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:

a. Populasi berada pada ekuilibrium (lihat di atas). Dengan demikian, ia berperilaku

dengan cara yang kurang lebih teratur sehingga perubahan dalam lintasan
penangkapan dan upaya dapat digunakan untuk mencerminkan pernyataan
tentang perilaku masa depan dari sistem (Caddy, 1996).
b. Dalam kesetimbangan, kematian akibat penangkapan (F) sebanding dengan
usaha (f), dengan koefisien catchability (q) konstanta proporsionalitas, yaitu:

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

a. Semua proses yang mempengaruhi produktivitas stok (misalnya, pertumbuhan,

kematian, dan perekrutan) dimasukkan dalam hubungan efektif antara usaha
dan tangkapan.
b. Koefisien tangkapan q tidak selalu konstan, dan mungkin berbeda karena
misalnya, perilaku agregasi yang berbeda dari sumber daya pelagis dan tidak
bergerak. Faktor-faktor yang terkait dengan selektivitas roda gigi diferensial
berdasarkan usia / panjang tidak diperhitungkan.
c. CPUE tidak selalu merupakan indeks kelimpahan yang tidak bias. Hal ini
terutama relevan untuk sumber daya yang menetap dengan distribusi tidak
merata dan tanpa kapasitas redistribusi di daerah penangkapan ikan setelah
upaya penangkapan dilakukan. Penipisan patch secara berurutan juga
menentukan distribusi yang tidak merata dari pengguna sumber daya, yang
menghalangi penerapan model (lihat Caddy, 1975, 1989a, b; Conan, 1984;
Orensanz et al., 1991).
d. Variasi dalam distribusi spasial stok biasanya diabaikan, begitu juga dengan
proses biologis yang menghasilkan biomassa, interaksi intra / interspesifik, dan
fluktuasi stokastik di lingkungan dan kelimpahan populasi.
e. Saling ketergantungan ekologi dan teknologi (lihat Bab 3) dan perbedaan alokasi
upaya penangkapan ikan dalam jangka pendek (lihat Bab 6) biasanya tidak
diperhitungkan.
f. Peningkatan teknologi dan daya tangkap menentukan bahwa q sering kali
bervariasi dari waktu ke waktu.
g. Menjadi sulit untuk membedakan apakah fluktuasi populasi disebabkan oleh
tekanan penangkapan ikan atau proses alami. Di beberapa perikanan, upaya
penangkapan ikan dapat dilakukan pada tingkat yang lebih besar dari dua kali
optimal (Clark, 1985).

2.2. Dinamika armada: model Smith dengan penundaan

terdistribusi
Smith (1969) mengasumsikan bahwa tingkat penangkapan ikan jangka panjang
sebanding dengan keuntungan:
di mana φ adalah konstanta positif yang menggambarkan dinamika armada dalam
jangka panjang (keputusan jangka pendek tidak dipertimbangkan). Perubahan upaya
penangkapan ikan diperoleh dengan mengganti (2.11) di (2.28):

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.

Contoh 2.1. Model bioekonomi dinamis

Pertimbangkan perikanan pelagis dengan parameter yang ditentukan pada Tabel 2.1.

Tabel 2.1. Parameter untuk model bioekonomi dinamis (Gordon-Schaefer).

Parameter / Variabel Nilai
Laju pertumbuhan intrinsik 0.36
Koefisien daya tangkap 0,0004
Daya dukung sistem 3500000 ton
Harga spesies target 60 US $ / ton
Biaya satuan usaha penangkapan 30000US $ / thn
Biomassa populasi awal 3500000 ton
Parameter dinamika armada 0,000005

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.

2.3. Model mortalitas hasil: pendekatan bioekonomi

Model mortalitas hasil menghubungkan dua keluaran utama dari sistem perikanan: hasil
Y (variabel terikat) dan koefisien kematian total sesaat Z. Pemasangan Y terhadap Z
menghasilkan kurva Produksi Biologis, yang mencakup kematian alami ditambah hasil
panen untuk populasi secara keseluruhan (Gambar 2.6). Model YZ memberikan tolok
ukur alternatif untuk MSY, berdasarkan pada konsep Produksi Biologi Maksimum (MBP)
(Caddy dan Csirke, 1983), seperti hasil pada produksi biologis maksimum (YMBP) dan
tingkat kematian yang sesuai di mana produksi biologis total dari sistem dimaksimalkan
(ZBMBP dan FMBP). Teori dan pendekatan untuk menyesuaikan model telah dijelaskan
secara lengkap (Caddy & Csirke, 1983; Csirke & Caddy, 1983; Caddy & Defeo, 1996)
dan dengan demikian tidak akan dibahas secara rinci di sini.

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:

Yi = aZ2i + bZi + c (2.32)

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:

Persamaan di atas lebih disukai karena keberatan teoritis terhadap prosedur

pemasangan langsung (Hoenig & Hoenig, 1986; Caddy & Defeo, 1996). Model ini
dilengkapi dengan menggunakan nilai uji coba M yang berbeda, dimana nilai terbaik
yang dipilih adalah yang memaksimalkan kriteria goodness of fit (Caddy, 1986).
Parameter model logistik ini dapat diperoleh seperti dalam Caddy & Defeo (1996).

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.

Pendekatan bioekonomi pencegahan

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.

Diferensialkan persamaan di atas, dan persamaan yang menghasilkan sewa marjinal

(πm) dengan perubahan F diperoleh:

Memecahkan F, ekspresi yang memberikan tingkat kematian penangkapan ikan di MEY

(FMEY) diperkirakan sebagai:
Dengan melakukan a = e1/ (halBq) c, fungsi khusus MathCad®1 disebut W [a] dapat
dibangun sebagai berikut:

1
Mathcad 5.0 untuk Windows. 1994. Mathsoft, Inc.

Contoh 2.2. Model mortalitas hasil bioekonomi

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.

Tabel 2.2. Data hipotetis digunakan untuk

menyesuaikan model bioekonomi hasil-mortalitas
(diadaptasi dari Caddy, 1986).
Tahun Hasil (ton) Z (1 / thn)
1 7.5 0.175
 2 12.5 0.170
3 19.0 0.250
4 35.0 0.440
5 40.5 0,610
6 39.5 0.795
7 30.5 1.080
8 20.0 1.170
9 26.0 0,900
10 29.5 0.790
11 27.5 0.710
12 29.0 0.470

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.

Pendekatan bioekonomi untuk menyesuaikan model hasil-mortalitas yang

dikembangkan oleh Defeo & Seijo (sedang dicetak) secara jelas menunjukkan bahwa
mean dan interval kepercayaan dari RP bioekonomi cenderung jatuh di batas bawah
yang sesuai dengan model biologis, dengan jelas menunjukkan bahwa mereka relatif
berhati-hati RP untuk manajemen. RP yang berasal dari kurva Produksi Biologis, seperti
YMBP dan tingkat kematian yang sesuai (Caddy & Csirke, 1983), juga merupakan tolok
ukur penting untuk dipertimbangkan dalam penelitian masa depan pada subjek,
terutama jika dianggap bahwa ZMBP ditemukan untuk menjadi target yang lebih aman
dari ZMSY.

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.

Tabel 2.3.Rata-rata dan interval kepercayaan 95% (pendekatan persentil) dari RP

yang berasal dari model Y-Z bioekonomi, diperkirakan dengan bootstrap. B∞ MSYY
MEY dan MBP diberikan dalam ton, sedangkan parameter mortalitas diberikan
setiap tahun (setelah Defeo & Seijo, in press).
Parameter c = $ 15 c = $ 25
Berarti 2.5 Cl 97.5 Cl Berarti 2.5 Cl 97.5 Cl
B∞ 225 160 291 228 185 296
MSY 36 31 41 36 32 41
FMSY 0.440 0,348 0,531 0.435 0.363 0,511
ZMSY 0,570 0.478 0,661 0,565 0.493 0.641
YMEY 32 26 38 28 22 34
FMEY 0.258 0,234 0.283 0.187 0.168 0.203
ZMEY 0,388 0,364 0.413 0,317 0.298 0.333
MBP 48 40 56 49 42 57
YMBP 35 31 40 35 32 40
FMBP 0,375 0.283 0.466 0,352 0.281 0.429
ZMBP 0,505 0.413 0,596 0.482 0.493 0,559
fMSY 4.395 3.476 5,314 4.349 3.527 5.171
fMEY 2.584 2.339 2.828 1.867 1.690 2.044

Pendekatan sederhana untuk perumusan strategi manajemen penghindaran risiko

dieksplorasi oleh Defeo dan Seijo (sedang dicetak), menggunakan teori keputusan
(Schmid, 1989: lihat Bab 7) bersama-sama dengan pendekatan YZ bioekonomi yang
dikembangkan di sini. Untuk tujuan ini, konsep Maximax. Maximin dan Minimax diakui
sebagai alat yang ampuh untuk pilihan di bawah ketidakpastian, karena mereka
tampaknya beradaptasi dengan baik untuk perumusan strategi manajemen yang
menghindari risiko dan manajemen perikanan pencegahan (FAO, 1995a, Pérez &
Defeo, 1996). Analisis risiko alternatif dapat dilakukan dengan menggunakan fungsi
kepadatan probabilitas YMEY dan MSY yang dihasilkan dengan melakukan bootstrap
terhadap tingkat kematian yang sesuai yang digunakan sebagai variabel kontrol, seperti
yang dijelaskan oleh Caddy & Defeo (1996).
 Model mortalitas-hasil: komentar penutup

Dalam pandangan kami, model mortalitas hasil memiliki beberapa keunggulan

dibandingkan model upaya tangkap klasik karena (lihat juga Caddy & Defeo, 1996;
Caddy, 1996):

1. Mereka dapat dianggap sebagai "keluaran-keluaran", yaitu, baik Y maupun Z

merupakan keluaran dari subsistem biologi dan ekonomi. Dengan demikian,
kesalahan akibat kalibrasi usaha penangkapan ikan yang buruk (variabel
masukan) dalam model upaya penangkapan standar, serta efek perubahan q
yang tidak dirasakan dengan intensitas penangkapan ikan dan biomassa, dapat
dikurangi dengan menggunakan pendekatan ini.
2. Nilai yang dihitung dari model logistik untuk angka kematian total pada produksi
biologis maksimum ZMBP cenderung jatuh pada persentil rendah dari distribusi
kumulatif ZMSY, sehingga merupakan titik referensi yang relatif hati-hati untuk
pengelolaan. Bergantung pada biaya unit usaha, ZMBP bahkan lebih berhati-hati
daripada ZMEY
3. Kecuali jika ada perubahan tahunan yang sangat besar dalam upaya
penangkapan ikan, poin tahunan berturut-turut dalam plot YZ tidak akan
menunjukkan lompatan tajam dari sisi kiri ke kanan kurva hasil, karakteristik
model produksi usaha tangkap dengan penyimpangan yang lebar dari
ekuilibrium.
4. Model bioekonomi yang ditunjukkan di sini mengasumsikan “kondisi pseudo-
ekuilibrium” (sensu Caddy, 1996: p. 219). Namun demikian, nilai Z yang
diperoleh dari kurva tangkapan dan analisis kelompok multi-usia lebih dekat
mewakili dampak penangkapan ikan di masa lalu dan sekarang pada semua
kelas tahun panen daripada nilai tahunan upaya penangkapan ikan, sehingga
memberikan ketangguhan sehubungan dengan penyimpangan dari ekuilibrium.

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).

2.4. Model bioekonomi terstruktur usia

Model terstruktur usia mempertimbangkan faktor-faktor yang mempengaruhi biomassa
melalui waktu, seperti pertumbuhan, rekrutmen dan kematian, dalam suatu populasi
yang didistribusikan secara homogen dalam ruang dan waktu. Model-model ini
didasarkan pada model statis Beverton & Holt (1957), dan secara eksplisit memuat
struktur umur penduduk. Model Beverton & Holt dan variasi berikutnya, mengasumsikan
bahwa perekrutan tidak tergantung pada ukuran stok dan tidak dipengaruhi oleh variasi
dalam intensitas penangkapan. Selain itu, hal ini bergantung pada "Asumsi Kumpulan
Dinamis", yang memungkinkan persediaan unit diperlakukan sebagai kelompok usia
campuran sempurna dengan distribusi homogen dan kemungkinan penangkapan yang
sama dalam area distribusi, sebelum dan sesudah menerapkan upaya penangkapan.
Parameter pertumbuhan dan kematian sama untuk seluruh area,
Pendekatan alternatif untuk model statis mempertimbangkan variasi dalam struktur
populasi melalui waktu, berdasarkan pada penghitungan dinamis arus masuk dan arus
keluar individu untuk setiap usia struktur populasi. Penggabungan rekrutmen bersifat
dinamis, memungkinkan analisis musiman rekrutmen dan distribusinya (Seijo, 1986;
Seijo & Defeo, 1994b). Dalam model dinamis, perubahan jumlah individu dari waktu ke
waktu dapat didefinisikan sebagai:

Dimana Si menunjukkan tingkat kelangsungan hidup organisme usia i dan Ai sesuai

dengan tingkat kematian total (Gulland, 1983). Oleh karena itu, Sl-1 (t) dapat dinyatakan
sebagai:

St-1 (t) = 1- [MRt-1 (t) + FRT-1 (T)] (2,47)

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:

Bi (t + DT) = Ni ((t) + DT [Si-1Ni-1 (t) -Ni

(t)] 2,50
Dalam hal ini, persamaan pertumbuhan von Bertalanffy dan hubungan panjang-berat (W
= alb) digunakan untuk memperkirakan biomassa untuk setiap kelas usia:
 Bi (t + DT) = Ni ((t + DT) Wi (2.51)

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:

Yi (t) = qi Bi (t) f (t) (2,54)

Total biaya (TC (t) dan pendapatan bersih π (t) diperoleh seperti dalam model Gordon-
Schaefer.

Contoh 2.3. Model bioekonomi dinamis terstruktur usia

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.

Tabel 2.4 Parameter yang digunakan untuk model terstruktur usia

dinamis.
Parameter / Variabel Nilai
Usia pengamatan maksimum 10 tahun
Usia saat kematangan pertama 2 tahun
Fekunditas rata-rata 5000 telur
Umur saat penangkapan pertama 2 tahun
Proporsi jenis kelamin 0,5
Koefisien kematian alami 0,2 / bln
Parameter kelengkungan persamaan von
0,5 / thn
Bertalanffy
ι0 dari persamaan von Bertalanffy 0.0
 Panjang asimtotik L∞ 100 mm
Berat asimtotik W∞ 200 g
Parameter selektivitas L50 = 20 mm
L75 = 30 mm
Area tersapu setiap hari 0.1 Km2
Total area distribusi stok 10 Km2
Perekrutan yang diamati secara maksimal 20000000
Harga rata-rata 10.000 US $ / ton
75000 US $ / kapal /
Biaya satuan usaha penangkapan
d
Parameter dinamika armada 0,00005

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,

3. Saling Ketergantungan Ekologi dan Teknologi

Kerangka kerja bioekonomi teoretis dan analitis untuk pengelolaan perikanan yang
dikembangkan di Bab 2 mengasumsikan eksploitasi satu stok oleh armada
penangkapan ikan yang homogen. Namun, perubahan tajam dalam kelimpahan spesies
target dan non-target, dan juga dalam komposisi spesies relatif dari komunitas yang
dieksploitasi, telah terdeteksi di seluruh dunia, sebagai akibat dari intensitas
penangkapan ikan yang meningkat (lihat contoh di Mercer, 1982; Mei, 1984; Pauly &
Murphy, 1982). Penangkapan berlebih telah diamati, dengan penurunan progresif
spesies paling berharga yang umumnya sesuai dengan level tertinggi rantai trofik
(Pauly, 1982; Bustamante & Castilla, 1987). Hal ini menyebabkan pengakuan bahwa,
dalam praktiknya, penangkapan ikan mempengaruhi sumber daya multispecific (May et
al., 1979), dipanen secara tidak sengaja atau sengaja oleh armada dengan ukuran
berbeda,

Dalam dua dekade terakhir, ilmuwan perikanan telah mengambil pendekatan

pengelolaan yang lebih holistik (Caddy & Sharp, 1986; Ströbele & Wacker, 1991; Seijo
et al., 1994c). Untuk tujuan ini, penelitian telah diarahkan untuk mengevaluasi
keterkaitan ekologi dan teknologi, serta pengaruh lingkungan fisik. Saling
ketergantungan ekologis didefinisikan sebagai terjadi ketika dua saham memiliki
hubungan kompetitif atau predator-mangsa (Anderson, 1975a, b; Mitchell, 1982; Seijo &
Defeo, 1994a; Mesterton-Gibbons, 1996). Ini juga dapat menjelaskan interaksi
intraspesifik (misalnya rekrutan dan orang dewasa: Defeo, 1998). Saling ketergantungan
teknologi terjadi ketika armada dengan kekuatan penangkapan ikan yang berbeda
(misalnya armada artisanal dan mekanik) dan / atau jenis peralatan, beroperasi pada
komponen yang berbeda dari satu stok atau pada spesies target yang berbeda,
mempengaruhi kelimpahan mereka dalam bentuk yang berbeda (lihat misalnya, FAO,
1978; Clark, 1985; Huppert, 1979; May, 1984). Konsep armada di sini digunakan dalam
arti luas, termasuk teknik kumpul-kumpul dalam perikanan pesisir artisanal.

3.1. Saling ketergantungan teknologi: upaya penangkapan ikan

yang heterogen
Saling ketergantungan teknologi dapat muncul dari aktivitas armada penangkap ikan
dengan kekuatan penangkapan yang berbeda dan bahkan biaya usaha yang berbeda,
atas satu stok. Hasil berkelanjutan dari dua armada (misalnya artisanal dan industri)
dapat direpresentasikan sebagai berikut:

dimana Y1(t) dan Y2(t) adalah, masing-masing, hasil dari armada penangkapan ikan 1
dan 2 pada waktu t.

Analisis statis

Dalam kondisi ekuilibrium dΒ / dι = 0. Kemudian:

Dengan demikian, hasil berkelanjutan dari armada 1 dapat dinyatakan sebagai:

Dari Bab 2 kita tahu bahwa:

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:

dan corres [merenungkan rente ekonomi:

π1 = pY1 - c1f1 (3.9)

π2 = pY2 - c2f2 (3.10)
Ekuilibrium bioekonomi BE untuk misalnya armada 1 terjadi jika π = 0. Mengganti (3.7)
ke (3.9):

MEY untuk armada 1 dapat dipertahankan dengan mengambil turunan pertama dari
pendapatan bersih;

Dengan demikian diperoleh biaya satuan usaha penangkapan:

Alasan yang sama dapat diterapkan pada armada 2. Dari persamaan (3.11) dan (3.14),
mudah untuk menunjukkan bahwa fMEY adalah setengah fBE.

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.

Contoh 3.1. Armada dengan daya tangkap 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.

3.2. Perikanan yang saling bergantung secara teknologi: dua

armada

Kasus 1: armada 1 secara tidak sengaja menangkap spesies target

armada 2

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.

Gambar 3.3 menunjukkan hasil model dinamis bioekonomi yang merepresentasikan

interdependensi teknologi. Biomassa dari kedua spesies tersebut menurun sebagai
akibat dari perkembangan perikanan (Gambar 3.3a). Armada 1, dengan daya tangkap
yang lebih tinggi, memperoleh hasil penting dari kedua spesies selama 15 tahun
pertama, menentukan pengurangan biomassa spesies 1 hingga 1/4 dari daya
dukungnya setelah periode ini. Armada 2 mencapai hasil maksimum setelah 8 tahun
pengembangan perikanan (Gbr. 3.3b), terus berkurang. Sewa ekonomi armada 1
menjadi negatif pada t = 15 tahun karena peningkatan berkelanjutan dalam upaya
penangkapan ikan, yang menentukan biomassa dan hasil yang berkurang (Gambar
3.3c, d). Dalam jangka panjang, kedua armada mencapai fBE di sejumlah kapal yang
mendekati 500. Perikanan akan cenderung menunjukkan siklus amplitudo variabel
dalam kelimpahan, pendapatan dan pendapatan, sesuai dengan besarnya upaya
penangkapan yang dilakukan oleh kedua armada tersebut. Dalam situasi yang ideal,
tingkat upaya oleh armada 1 harus diperluas sampai pendapatan marjinal kedua armada
sama dengan biaya marjinal upaya penangkapan ikan di armada 1. Hal yang sama juga
berlaku untuk armada 2. Intervensi pengelolaan yang efektif dalam perikanan siklik
harus dilakukan, khususnya , selama fase peningkatan kelimpahan saham untuk
mengurangi efek investasi berlebih (lihat Caddy & Gulland, 1983 untuk diskusi yang
berguna tentang subjek).

Tabel 3.2. Perikanan yang saling bergantung secara teknologi:

parameter masukan yang digunakan dalam pemrograman dinamis
diarahkan untuk mensimulasikan perilaku atau variabel kinerja
perikanan sepanjang waktu.
Parameter / Variabel Nilai
r spesies 1 0.36
r spesies 2 0.30
K spesies 1 4000000 ton
K spesies 2 2000000 ton
q spesies 1 armada 1 0,0004
q spesies 1 armada 2 0
q spesies 2 armada 1 0,00015
q spesies 2 armada 2 0,0025
Harga spesies 1 60 US $ / ton
Harga spesies 2 45 US $ / t
Armada biaya unit 1 60000 US $ / thn
Armada biaya unit 2 15000 US $ / thn
Parameter dinamika armada (1) 0,00001
Parameter dinamika armada (2) 0,000015
Gambar 3.3. Bioekonomi armada yang saling bergantung secara teknologi: (a)
biomassa spesies; (b) upaya penangkapan ikan; (c) hasil; dan (d) sewa ekonomi.

Kasus 2: armada 1 dan 2 saling mempengaruhi

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):

π1 (t) = PxYx1 (f1, f2) + PyYy1 (f1f2) -c1f1 (3.16)

sedangkan untuk armada 2 (spesies target Y):

π2 (t) = PyYy2 (f1f2) + PxYx2 (f1f2) -c1f2 (3,17)

Ketika satu armada meningkatkan upaya penangkapannya, hasil ekuilibrium yang lain
akan menurun dan dengan demikian juga tingkat upaya yang sesuai dalam akses
terbuka. Analisis kasus ini sangat mirip dengan yang sebelumnya. Karena kedua
armada menangkap ikan pada kedua sediaan tersebut, pengoperasian salah satunya
akan berdampak langsung pada yang lain.
 3.3. Saling ketergantungan teknologi: perikanan sekuensial
Dalam perikanan berurutan, 2 armada perikanan yang dipisahkan secara spasial (mis.
Industri pesisir dan industri di laut lepas) mempengaruhi komponen yang berbeda dari
siklus hidup satu atau lebih spesies (mis., Udang: lihat Willmann & Garcia, 1985).
Dengan demikian, diharapkan adanya persaingan antara pengguna sumber daya yang
berbeda. Beberapa model bioekonomi statis (Anderson, 1977, 1986) dan dinamis (lihat
teks) telah dikembangkan untuk menentukan alokasi optimal tangkapan antara 2
armada yang secara berurutan menangkap ikan pada satu stok (Geen & Nayar, 1988).
Meskipun ada kurva ekuilibrium populasi tunggal, berbagai tingkat tangkapan, harga,
biaya dan pendapatan diperkirakan untuk setiap armada. Koeksistensi kompetitif atau
pengecualian armada mungkin terjadi di bawah akses terbuka. Alokasi tangkapan yang
optimal antar armada akan bergantung pada rasio yang sesuai antara harga dan biaya,
serta pada karakteristik siklus hidup spesies (umur panjang, pertumbuhan,
kelangsungan hidup dan rekrutmen) (Hoppensteadt & Sohn, 1981; seijo et al., 1994b).
Pertimbangan eksplisit dari struktur usia populasi, dan pengaruh diferensial dari kedua
armada di atasnya, sangat penting untuk pemodelan perikanan sekuensial.

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.

Contoh 3.3. Perikanan berurutan

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.

3.4. Bioekonomi dari sediaan yang saling bergantung secara

ekologis
Biasanya terjadi bahwa 2 perikanan mandiri memanen 2 stok yang berinteraksi melalui
kompetisi atau predasi. Dalam kasus ini, besarnya upaya yang dilakukan di satu
perikanan akan menghasilkan efek tidak langsung pada kinerja perikanan lainnya.
Strategi pemanenan yang optimal akan bergantung pada kekuatan interaksi antar
spesies dalam persaingan, dan lebar makanan predator dalam hubungan predator-
mangsa. Dalam akses terbuka, keseimbangan bioekonomi di satu perikanan akan
bergantung pada jumlah upaya penangkapan ikan yang dilakukan di perikanan lain.

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.

3.5. Saling ketergantungan tekno-ekologis

Saling ketergantungan teknologi-ekologis terjadi ketika dua armada yang saling
bergantung secara teknologi memanen dua stok yang saling berinteraksi. Sifat interaksi
yang beragam membuat dinamika perikanan jenis ini sulit dianalisis.

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:

dimana NX dan NY masing-masing adalah kelimpahan spesies Χ (dominan) dan Υ

(bawahan); rx dan ry adalah tingkat intrinsik pertumbuhan penduduk; KX dan KY adalah
daya dukung lingkungan masing-masing saat kedua spesies tumbuh dalam isolasi, αXY
adalah konstanta yang mengukur efek kompetitif per kapita pada spesies X dari spesies
Y, dan αYX adalah konstanta yang mengukur efek pada spesies Y dari X. Dengan
demikian, peningkatan populasi satu spesies dibatasi oleh efek intra dan interspesifik. Di
sini sekali lagi, perilaku dinamis dari satu perikanan bergantung pada tingkat upaya
perikanan lainnya, dan juga pada kekuatan interaksi antara pesaing.

Kasus 2: predasi

Model predator-mangsa yang digunakan untuk memodelkan saling ketergantungan

ekologis ini didasarkan pada persamaan logistik yang dijelaskan oleh Leslie & Gower
(1960). Biarkan Χ menjadi mangsa dan Y menjadi predator:
Dalam persamaan ini, pertumbuhan mangsa dibatasi oleh daya dukung sistem, K, dan
juga oleh istilah predasi β1ΒY. Pertumbuhan populasi predator (spesies Υ) adalah fungsi
dari laju pertumbuhan intrinsik dan jumlah mangsa. Konstanta β2 menghubungkan
jumlah mangsa dengan biomassa maksimum yang mampu dijangkau predator, dibatasi
oleh K.

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.

Tabel 3.4.Saling ketergantungan tekno-ekologis. Parameter yang ditentukan pada

awal simulasi dijalankan untuk mengevaluasi perilaku dinamis mangsa dan preadator
yang ditangkap oleh 2 armada yang saling bergantung secara teknologi.
Parameter / Variabel Nilai
r mangsa 0.36
r predator 0.15
K mangsa 4000000 ton
K predator 275.000 ton
q mangsa: armada 1 0,0004
q mangsa: armada 2 0.0
q armada predator 1 0,0002
q armada predator 2 0,0004
Harga satuan mangsa 60 US $ / ton
Harga satuan predator 275 US $ / ton
Armada biaya unit 1 60.000 US $
Armada biaya unit 2 9000 US $
Parameter dinamis Fleet 1 0,00001
 Parameter dinamis Armada 2 0,000015
β1 (konstanta predasi) 0,00000001
β2 (konstan) 0,069

3.6. Perikanan multispecies dan manajemen eksperimental

Pengetahuan tentang besarnya saling ketergantungan ekologi dan teknologi
memfasilitasi prediksi fluktuasi biomassa sepanjang waktu dan karenanya pendapatan
bersih yang diperoleh dari penangkapan ikan. Respon komunitas terhadap tekanan
penangkapan tergantung pada kompleksitasnya (sensu Cohen, 1987), yaitu, kekuatan
interaksi antara spesies dan peran fungsional spesies yang dieksploitasi (Sainsbury,
1988; Lubchenco et al., 1995; Botsford et al. ., 1997). Misalnya, perubahan dalam
struktur komunitas mungkin berbeda sesuai dengan spektrum trofik (spesialis atau
generalis) dan efisiensi predator yang dieksploitasi, dan besarnya interaksi antara
mangsa (apakah mereka bersaing atau tidak dan apakah persaingannya simetris atau
tidak). Selain itu, memanen pesaing yang dominan akan cenderung meningkatkan
martabat komunitas, sedangkan eksploitasi spesies kunci dapat menyebabkan
penyederhanaan komunitas dan penurunan keanekaragaman hayati (Paine, 1966;
Durán & Castilla, 1989). Menurut tingkat eksploitasi, besarnya saling ketergantungan
dapat dimodifikasi dan skema pengelolaan yang sesuai dapat diubah.

Gambar 3.7. Interaksi tekno-ekologis: saham dengan hubungan predator-mangsa

ditangkap oleh 2 armada yang saling bergantung secara teknologi.

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).

Meskipun manipulasi eksperimental di lapangan merupakan prioritas utama untuk

invertebrata, sangat sulit dan kompleks untuk melakukan eksperimen skala besar di
komunitas ikan bersirip. Kejadian skala spasial yang besar seperti penyebaran dan
migrasi, menghalangi eksperimen dan bahkan prediksi dampak penangkapan ikan pada
komunitas ikan bersirip berdasarkan ekstrapolasi langsung dari eksperimen lapangan
skala kecil. Selain itu, eksperimen manajemen skala besar cenderung mahal dan
berisiko dibandingkan dengan beberapa kebijakan manajemen yang disukai oleh
pembuat kebijakan yang menghindari risiko atau kelompok kepentingan lingkungan
(lihat Walters, 1997 untuk pembahasan rinci). Namun demikian, kebutuhan akan
pendekatan empiris dan manipulatif untuk menguji efek penangkapan ikan pada
komunitas ikan telah disorot oleh beberapa penulis (lihat misalnya Sainsbury, 1987,
1988; Sugihara et al., 1984; Garcia & Demetropoulos, 1986; Mapstone et al., 1996;
Walters, 1997 dan referensi di dalamnya).

Sebagian besar percobaan di atas dilakukan dalam konteks pengelolaan adaptif

(Walters, 1984; 1986; Hilborn & Walters, 1987), yaitu mengelola melalui eksperimen,
mengubah tingkat upaya penangkapan ikan secara sengaja untuk memahami dinamika
komunitas dan perikanan. Strategi ini memungkinkan penerapan mekanisme kontrol
jangka pendek, sesuai dengan arus informasi yang berkelanjutan tentang stok dan
perikanan. Kebijakan manajemen diperbaiki, dan ketidakpastian tentang dinamika dan
struktur komunitas ikan bersirip berkurang, karena informasi tambahan tersedia
(Sainsbury, 1987, 1988). Pendekatan ini sangat berguna dalam kasus-kasus ketika
peningkatan keseluruhan dalam aktivitas penangkapan ikan tidak dibarengi dengan
peningkatan yang sesuai dalam data ilmiah dan perikanan,

Dampak penangkapan ikan dalam struktur komunitas ekologi mungkin juga bergantung
pada jumlah spesies yang ada

4. Pendekatan Ilmu Sistem dalam Bioekonomi Perikanan

Seperti disebutkan dalam Bab 1, langkah penting dalam pengembangan rencana
pengelolaan adalah penjabaran model matematika. Alat yang berguna untuk pemodelan
perikanan didasarkan pada pendekatan simulasi sistem (Manetsch & Park, 1982; Seijo
1987, 1989; Seijo & Defeo, 1994b). Dalam bab ini kami mengembangkan langkah-
langkah utama yang terlibat dalam proses pemodelan sistem. Penekanan khusus
diberikan pada penerapan metodologi ini pada perikanan, merinci komponen atau
subsistem utama perikanan, dan interaksi di antara mereka.

4.1. Pendekatan simulasi sistem

Pendekatan simulasi sistem adalah proses pemecahan masalah di mana solusi waktu
tertentu dari model matematika tiba, berdasarkan asumsi spesifik mengenai variabel
input, parameter dan hubungan sebab akibat di antara mereka (Manetsch & Park,
1982). Ini terdiri dari langkah-langkah berikut (Gbr. 4.1):

a. Definisi yang jelas tentang kebutuhan informasi perikanan.

b. Karakterisasi perikanan, ditinjau dari sumber daya dan dinamika upaya
penangkapan, saling ketergantungan ekologi dan teknologi serta instrumen
pengelolaan.
c. Pemodelan matematis dari komponen atau subsistem perikanan.
d. Pengumpulan data, baik dari sumber primer maupun sekunder, diperlukan untuk
mengestimasi parameter dan menyesuaikan persamaan model matematika.
e. Pengembangan model komputer untuk menyelesaikan model matematika secara
numerik.
f. Analisis stabilitas dan sensitivitas untuk model komputer.
g. Validasi model.
h. Evaluasi dampak bioekonomi dari strategi pengelolaan alternatif.

Gambar 4.1. Pendekatan simulasi sistem untuk pengelolaan perikanan (setelah

Seijo, 1989).

Pendekatan ini dapat diperluas untuk mengintegrasikan model bioekonomi ke dalam

algoritme pengoptimalan linier / nonlinier yang dapat melibatkan kriteria manajemen
tunggal atau ganda. Strategi ini memungkinkan seseorang untuk menghasilkan vektor
manajemen yang meminimalkan perbedaan antara tingkat variabel kinerja yang
diinginkan oleh pembuat kebijakan dan yang dihasilkan oleh model (lihat Bab 5).

Identifikasi kebutuhan informasi bioekonomi

Program penelitian perikanan dimulai dengan pengenalan beberapa masalah

pengelolaan yang terkait dengan pengamatan bioekonomi terhadap kinerja perikanan
(yaitu pola spasial dan temporal dalam kelimpahan stok dan intensitas upaya
penangkapan), dan pencarian mekanisme (strategi pengelolaan) yang dirancang untuk
mencapai keberlanjutan. aktivitas memancing. Pendekatan berikut dapat berguna untuk
mengidentifikasi informasi bioekonomi relevan yang diperlukan untuk mengatasi
masalah pengelolaan:

a. Nyatakan dengan jelas masalah pengelolaan yang akan ditangani, termasuk

pengamatan tentang kinerja perikanan dan orang-orang yang terlibat, misalnya
nelayan, pembuat kebijakan, atau keduanya (Ackoff, 1962; Seijo, in press).
b. Identifikasi konteks pengelolaan perikanan melalui jenis parameter / variabel
berikut (Seijo, 1986):
● Eksogen: variabel lingkungan, harga spesies.
● Dapat dikontrol secara berlebihan: variabel kebijakan, yang dapat
dikelola selama operasi sistem untuk mengubah kinerja sistem dalam
memberikan keluaran yang diinginkan.
● Perlu berlebihan: variabel yang diperlukan agar sistem berfungsi
(misalnya, minyak-gas, umpan ikan, es, dan makanan).
 ● Parameter desain sistem: atribut struktur sistem yang berdampak pada
keluaran sistem yang diinginkan. Mencakup klasifikasi kelompok nelayan
yang dipilih menurut teknologi yang digunakan, dan fungsi produksi
usaha penangkapan.
c. Tentukan tingkat variabel kinerja perikanan yang diinginkan untuk pembuat
kebijakan.
d. Tentukan setidaknya dua alternatif pengelolaan dengan implementasi yang
layak, penegakan dan pelaksanaan dari sudut pandang fisik, politik dan ekonomi.
e. Menentukan ketidakpastian negara terkait alternatif pengelolaan atau kombinasi
dari berbagai tingkat alternatif ini, adalah cara yang lebih baik untuk mencapai
tujuan yang dinyatakan dalam (c).

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.

ALIMIsaya(t) = ikan untuk (subsisten Lijk= panjang individu

Bijk(t) = biomassa Nijk(t) = jumlah individu
C biaya satuan usaha
p
xpsaya= harga bekas kapal
C = biaya pemrosesan
p
wpsaya= harga grosir
EMP (t) = pekerjaan
m
qijm= koefisien catchability
EXP (t) = pendapatan ekspor, panen
m
πm(t) = pendapatan bersih
sektor SELijm= selektivitas roda gigi
EXPp(t) = pendapatan ekspor, proses V.Aku(t) = jumlah kapal
sektor Waku j= berat individu
fijkm(t) = intensitas penangkapan Yijkm= menangkap
FR (t) = angka kematian penangkapan ikan
ijkm
Rjk(t) = perekrutan
BAPAK = angka kematian alami
saya

dimana: i = spesies; j = usia; k = situs; m = armada; t = waktu

Gambar 4.2. Karakterisasi perikanan.

Subsistem pengguna sumber daya. Termasuk fungsi eksplisit dari upaya

penangkapan ikan, diuraikan oleh jenis armada yang beroperasi pada spesies
atau komponen populasi yang berbeda. Kurva selektivitas menurut spesies,
ukuran / umur dan jenis armada, serta harga spesies target dan insidental, juga
disertakan.
Subsistem manajemen sumber daya. Untuk mencapai tujuan dan sasaran yang
diusulkan dalam langkah (iii) rencana pengelolaan, seseorang perlu
mempertimbangkan pendekatan yang mungkin untuk intervensi Negara, kriteria
pemilihan untuk strategi pengelolaan, dan cara bersaing dengan situasi berbagai
kriteria dalam kombinasi atau pemilihan instrumen manajemen.

Pemodelan matematis perikanan

Model matematika kemudian dibangun berdasarkan serangkaian pernyataan, asumsi

dan persamaan, untuk memberikan penjelasan yang mungkin atas peristiwa yang
diamati. Model akan berisi hubungan sebab akibat antara tiga subsistem, dan, jika
divalidasi (lihat di bawah), itu akan menjadi alat yang ampuh untuk mengevaluasi
dampak bioekonomi dari strategi manajemen alternatif dan untuk melakukan percobaan
simulasi. Penting untuk melakukan analisis yang cermat terhadap asumsi yang
mendasari model / fungsi terpilih yang menggambarkan proses dinamis populasi dasar.
Dalam Bab 2 dan 3, dan juga di Bab ini, model dibangun untuk merepresentasikan
perikanan yang perilakunya memenuhi asumsi kumpulan dinamis. Dalam Bab 6, asumsi
ini dilonggarkan untuk memodelkan heterogenitas dalam distribusi stok dan dalam
intensitas penangkapan yang sesuai,

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):

Lij = L∞i(1 - e (-kpi (j-toi))

) (4.4)

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):

Dinamika armada jangka pendek (musiman) dapat dimodelkan dengan model

penundaan terdistribusi, untuk mewakili masuknya kapal sepanjang musim
penangkapan. Hasil tangkapan menurut spesies dan ukuran untuk setiap armada tipe m
dalam waktu t Yijm (t) dapat dijelaskan sebagai:

Yijm = qijmfm (t) Bij (t) + RVm (t) (4.9)

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.

5.1. Kriteria intervensi negara

Kriteria pengelolaan perikanan berikut telah diidentifikasi (lihat juga Panayotou, 1983;
Beddington & Rettig, 1984; Lawson, 1984):

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

Dalam perikanan akses terbuka, keseimbangan bioekonomi dicapai dengan

meningkatnya inefisiensi ekonomi (Clark, 1985). Pada saat perikanan berkembang, tren
penurunan biaya terjadi karena peningkatan daya tangkap dan efisiensi, bersamaan
dengan bertambahnya pengetahuan tentang konsentrasi ikan terpenting. Namun, faktor-
faktor ini cenderung (a) mengurangi kelimpahan stok, (b) meningkatkan biaya panen
dan (c) mengurangi pendapatan bersih per unit usaha. Ketika ini terjadi, daerah
penangkapan ikan yang paling dekat dengan pelabuhan secara bertahap dieksploitasi
secara berlebihan atau bahkan habis (misalnya, persediaan yang menetap) dan daerah
yang sebelumnya kurang menarik akan cenderung digunakan secara progresif. Dengan
demikian, keseimbangan bioekonomi akan tercapai pada tingkat eksploitasi berlebih
stok yang tinggi, di mana kekurangan keuntungan menghalangi masuknya kapal baru.

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.

Pendekatan bioekonomi sederhana yang tidak mempertimbangkan variasi faktor

lingkungan tidak akan memberikan representasi nyata dari perikanan, terutama untuk
spesies yang sangat sensitif terhadap variabilitas lingkungan sebagai pelagis kecil
(misalnya ikan teri dan sarden). Faktor lingkungan eksogen mempengaruhi stok dan
dengan demikian rente ekonomi yang diperoleh dari perikanan. Inilah alasan mengapa
beberapa ilmuwan perikanan menyatakan bahwa kesetimbangan bioekonomi
deterministik yang sebenarnya tidak berlaku (Beddington & Rettig, 1984). Sekali lagi, ini
menghalangi penerapan kriteria ekonomi untuk pengelolaan perikanan.

Pendekatan ekuitas dalam penggunaan sumber daya

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.

Dengan menggabungkan kondisi (ii) dan (iii), dimungkinkan untuk mendapatkan

kondisi umum yang berkaitan dengan produksi dan konsumsi sumber daya
penangkapan ikan yang dieksploitasi:
 iv. Tarif substitusi untuk setiap pasang barang laut akan sama untuk setiap
pasangan konsumen, dan juga akan sama dengan tingkat transformasi produk
dari pasangan barang yang sama untuk semua perusahaan industri perikanan,
juga sama dengan harga rasio antara kedua barang tersebut.

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).

Tabel 5.1. Kriteria kesejahteraan diterapkan pada perikanan laut.

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.

Keamanan Pareto. Pendekatan ini mencari perbaikan di sektor perikanan, dengan

syarat strategi pengelolaan yang dipilih harus meningkatkan pendapatan sekelompok
nelayan tanpa mengurangi pendapatan kelompok nelayan lainnya. Dalam teori
kesejahteraan, konsep ini diartikan sebagai perbaikan Paretian, dimana kerusakan
ekonomi tidak diperbolehkan. Namun, kerusakan ekonomi relatif bisa terjadi, karena
meskipun pengurangan pendapatan nelayan tidak diperbolehkan, distribusi relatif
kekayaan dapat berubah.

Nilai kesejahteraan sosial yang maksimal. Pendekatan ini memungkinkan terjadinya

kerusakan ekonomi yang nyata di dalam batas yang ditentukan oleh kurva indiferen
sosial, karena nilai optimal terletak pada titik singgung dengan GUF. Meskipun telah ada
diskusi akademis mengenai ketidakmungkinan memperkirakan kurva indiferen sosial
(Arrow, 1976), konsep umum dapat diterapkan pada perikanan secara kualitatif. Dengan
demikian, kerusakan ekonomi hanya diperbolehkan bila ada kesepakatan Sosial bahwa
strategi pengelolaan yang dipilih mewakili peningkatan kesejahteraan sosial sektor
perikanan secara keseluruhan.

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.

Bagian konstan proporsional. Pendekatan ini mendefinisikan strategi pengelolaan

sebagai perbaikan yang menghasilkan peningkatan pendapatan nelayan secara
proporsional. Oleh karena itu, semua nelayan mendapat manfaat dari strategi
pengelolaan baru ini sebanding dengan pendapatan awal mereka. Kerusakan
Ecomomic tidak diperbolehkan. Namun, distribusi jumlah absolut dari sewa yang
dihasilkan oleh perikanan tidak sama untuk setiap nelayan, tetapi sebanding dengan
nilai sewa relatif sebelum penerapan strategi pengelolaan baru.

Pendekatan yang disebutkan di atas dapat digabungkan dalam rencana pengelolaan,

dan pembuat kebijakan harus membuat secara eksplisit penilaian nilai distribusi yang
melekat pada setiap pendekatan.

Pendekatan keadilan antargenerasi

Konsep keadilan antargenerasi berarti bahwa generasi mendatang memiliki peluang

yang sama dengan generasi sekarang dalam menggunakan (dengan atau tanpa
konsumsi) sumber daya penangkapan ikan. Dengan demikian, tingkat eksploitasi akan
menentukan ketersediaan stok tertentu untuk generasi mendatang. Jika pendekatan ini
dianggap relevan bagi pembuat kebijakan, analisis dinamis akan diperlukan untuk
menentukan besaran alokasi spasial usaha penangkapan ikan yang akan
memungkinkan untuk mempertahankan ketersediaan sumber daya dari waktu ke waktu.

Pendekatan manajemen lainnya

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.

Kelayakan administrasi dan politik. Peraturan perikanan membutuhkan kelayakan

administratif, karena pelaksanaannya memakan waktu (pemantauan sumber daya dan
pengendalian). Namun, masalah yang paling penting berkaitan dengan biaya
penegakan hukum (lihat Bab 1), dan oleh karena itu nelayan harus berpartisipasi,
memahami dan berbagi tindakan pengaturan yang diberlakukan. Kegiatan perikanan
juga perlu dipantau, karena peraturan yang berbeda akan menyiratkan strategi yang
berbeda untuk pemantauan dan pengumpulan data dari sumber informasi primer dan
sekunder.

Ketika strategi manajemen dievaluasi, pembuat kebijakan biasanya mempertimbangkan

kelayakan politisnya, karena kemungkinan dampaknya pada kredibilitas politik mereka
sendiri. Mereka dapat mempertimbangkan dampak dari tindakan pengelolaan yang
berbeda dalam kerangka kerja bio-sosio-ekonomi, termasuk risiko eksploitasi stok yang
berlebihan, potensi konflik antara kelompok nelayan yang berbeda, atau bahkan konflik
internasional dengan Negara-negara yang berdekatan dengan pesisir dalam hal sumber
daya bersama. Pengakuan biaya politik merupakan faktor yang dapat mempengaruhi
pembuat kebijakan ketika mempertimbangkan untuk mengadopsi tindakan manajemen.

5.2. Strategi manajemen

Rencana pengelolaan perikanan dapat dilakukan melalui alokasi hak milik, pengaturan
komposisi hasil tangkapan, pengaturan ukuran tangkapan dan penerapan program
perpanjangan penangkapan (Anderson, 1977; Pearse, 1980; Seijo, 1986).

Rezim properti dan alokasi hak milik

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.

Di bawah akses terbuka, banyak perikanan yang berkembang di dunia dieksploitasi

secara berlebihan, kelebihan modal, dan menimbulkan eksternalitas. Akibatnya, Negara
pantai menerapkan pendekatan yang berbeda untuk mengalokasikan hak milik
sebagaimana disebutkan dalam Bab 1. Dalam kondisi kepemilikan negara, badan
pengelola menetapkan norma penggunaan dan akses ke stok ikan. Alokasi hak meliputi
pengaturan jumlah dan komposisi hasil tangkapan. Di bawah rezim kepemilikan
bersama, hak eksklusif diberikan kepada kelompok nelayan (memiliki hak untuk
mengecualikan orang lain), yang umumnya kami kelola ke dalam koperasi atau
komunitas nelayan (Berkes, 1989; Ostrom, 1990; Seijo, 1993). Akhirnya, alokasi hak
milik pribadi telah dieksplorasi sejak tahun 80-an dengan menetapkan Kuota yang Dapat
Dipindahtangankan Individu (ITQ's: lihat Morgan, 1997).

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

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.

Pengaturan jumlah hasil tangkapan

Pembatasan usaha penangkapan ikan melalui kriteria berikut dapat mengatur jumlah
tangkapan: (a) jumlah kapal; (b) daya tangkap; (c) distribusi spasial intensitas
penangkapan ikan; dan (d) waktu penangkapan ikan yang efektif. Instrumen regulasi
utama adalah: (1) kuota kapal berdasarkan alat tangkap; (2) kuota tangkapan
berdasarkan musim dan / atau lokalitas; (3) pajak dan subsidi; (4) kawasan tertutup,
refugia laut atau kawasan lindung laut; (5) perubahan durasi musim tertutup; dan (6)
pembatasan ruang-waktu dalam penggunaan alat tangkap.

Prosedur standar untuk membatasi upaya penangkapan ikan adalah dengan

menetapkan kuota tangkapan berdasarkan titik referensi, jumlah tangkapan yang
diperbolehkan, menurut perkiraan kelimpahan. Ini mungkin sulit dalam praktiknya,
karena fluktuasi populasi, arus tangkapan, dan variasi kekuatan penangkapan dari
waktu ke waktu. Juga sulit untuk menentukan bagaimana mengalokasikan hasil
tangkapan di antara nelayan atau bahkan antar negara (sumber daya bersama).

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.

Pada pertengahan 80-an, penggunaan skema manajemen privatisasi dimulai. Untuk

mempromosikan penggunaan sumber daya laut yang optimal, beberapa negara pantai
seperti Selandia Baru, Amerika Serikat, Norwegia, dan Chili, mengalokasikan hak milik
kepada nelayan individu melalui Individual Transferable Quotas ((ITQ's) (Morgan, 1997).
Di bawah sistem ITQ , nelayan perorangan, perusahaan perikanan dan / atau pabrik
pengolahan, memiliki hak eksklusif atas persentase kuota tangkapan tahunan. Pemilik
ITQ melakukan transaksi komersial di antara mereka, menyesuaikan arus produksinya
untuk memenuhi total kuota. Harga dan harga sewa ekuilibrium adalah dihasilkan, dan
manfaat pertukaran kuota diizinkan untuk diakumulasi kepada pengguna. Akibatnya,
industri perikanan diatur ulang atas dasar efisiensi, karena perusahaan yang paling
efisien membeli ITQ ' dari perusahaan dengan biaya lebih besar. Namun, Squires et al
(1995) menyatakan bahwa: (i) potensi sewa dan peningkatan efisiensi pengawasan
harus cukup untuk menjamin program ITQ, dan (ii) kemungkinan adanya konsentrasi
struktur penangkapan ikan, sehingga mempengaruhi distribusi kekayaan. dan
mempromosikan monopoli (lihat juga Anderson 1994, 1995). Hannesson (1993)
menunjukkan bahwa ITQ dapat mengarah pada pemanfaatan stok ikan yang efisien. Dia
membahas berbagai cara untuk mengalokasikan kuota (misalnya, sebagai jumlah tetap
atau bagian dalam total tangkapan yang diperbolehkan), dan juga implikasi sosial-
ekonomi yang diturunkan dari ITQ di dua tingkat: (a) ketika kuota individu dialokasikan;
dan (b) saat kuota individu dipertukarkan. Meskipun dia mendefinisikan ITQ '

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.

Pengenalan teknologi baru akan meningkatkan daya tangkap. Persaingan di antara

nelayan dapat mendorong pengenalan teknologi, yang meningkatkan efisiensi
tangkapan dan risiko eksploitasi stok yang berlebihan. Dengan demikian, beberapa
skema regulasi melarang penggunaan roda gigi yang berdampak kuat pada saham
(Anderson, 1980).

Program penyuluhan dan pendidikan lingkungan

Langkah-langkah sebelumnya membutuhkan program penyuluhan yang saling

melengkapi mengenai penggunaan cerdas sumber daya laut. Untuk itu, hasil penelitian
harus dapat disalurkan kepada masyarakat perikanan melalui program edukasi, buletin
teknis dan materi audio visual.

5.3. Pendekatan optimasi berbagai kriteria untuk pengelolaan

perikanan
Pengelolaan perikanan laut sangat rumit karena biasanya terdapat lebih dari satu
rangkaian kriteria yang relevan dalam mengevaluasi kinerja perikanan. Masalahnya
bukan hanya salah satu dari memaksimalkan rente ekonomi yang dihasilkan oleh
perikanan (mengingat preferensi antarwaktu tertentu), tetapi juga mempertahankan
biomassa spesies target dan insidental (biasanya terancam) di atas tingkat tertentu, dan
mungkin memaksimalkan produksi pangan, lapangan kerja pesisir , dan pendapatan
ekspor. Dalam jenis masalah ini, pembuat keputusan harus membuat trade-off antara
kriteria yang bertentangan. Kemudian, tujuan dari proses pengoptimalan harus
membantu memastikan bahwa trade-off terbaik dibuat untuk masalah pengelolaan
perikanan tertentu. Ini melibatkan pencarian yang disebut "solusi optimal Pareto" untuk
masalah pengoptimalan beberapa kriteria.

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.

M-OPTSIM (Manetsch, 1986) adalah paket optimasi yang menggunakan metode

optimasi non-linier COMPLEX (Box, 1965). Ini dapat diterapkan untuk menyelesaikan
masalah pengoptimalan yang sangat kompleks (misalnya, pengoptimalan strategi
pengelolaan di perikanan multispesifik) dengan solusi optimal global yang sulit
ditemukan. Metode Box telah terbukti menjadi cara yang efektif untuk menemukan
lingkungan yang optimal secara global.

Fungsi Tujuan Multi Kriteria

Dengan adanya model dinamis yang dibangun untuk perikanan (seperti yang dijelaskan
pada Bab sebelumnya), diagram blok untuk masalah pengoptimalan multi-kriteria
didasarkan pada:

Ēμ (T) = (μ, T) (5.1)

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.

Pada Gambar 5.1, Ωμφ dapat dinyatakan sebagai berikut:

Ωμφ = MIN [MAKS [Ωμφ]] (5.2)

di mana Ωβμφ adalah deviasi yang dinormalisasi dari nilai kriteria β sehubungan dengan
opsi pengelolaan μ dan tujuan yang ditetapkan φ, dan dinyatakan sebagai berikut:

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.

Prosedur berulang menemukan deviasi terbesar dan meminimalkannya, beroperasi

pada semua kriteria hingga tidak ada perbaikan signifikan yang dapat dilakukan pada
deviasi tujuan terbesar. Untuk alasan ini, metode “min-max” cenderung menemukan
solusi Pareto yang optimal untuk masalah pengoptimalan multi-kriteria. Masalah dengan
pendekatan ini adalah kemungkinan mendapatkan beberapa solusi, beberapa Pareto
lebih rendah dari yang lain. Untuk mengatasi hal ini, perlu menggunakan prosedur
pencarian acak, seperti yang digunakan dalam metode "Complex" dari Box (1965), yang
memungkinkan seseorang untuk menemukan solusi global yang optimal.

Metode pengoptimalan "Kompleks" untuk fungsi non-linier dengan

beberapa kriteria

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:

Maks f (X1, X2, X3,…, Xn) (5,4)

tunduk pada:

LLi≤Xsaya≤ULi untuk i = 1,2,3,…, n…, k (5.5)

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):

1. Populasi tersebar secara tidak merata (Elliot, 1977).

2. Mobilitas yang rendah atau nol menghalangi redistribusi spesies di atas daerah
penangkapan, dengan mengisi celah dalam tambalan yang dihasilkan dari pola
distribusi berurutan yang dihasilkan oleh alokasi usaha penangkapan ikan yang
heterogen (Hancock, 1979; Caddy, 1989a, b; Conan, 1984; Orensanz et al .,
1991). Dengan demikian, CPUE tidak dapat digunakan sebagai indeks
kelimpahan yang tidak bias.
3. Parameter pertumbuhan, kematian dan rekrutmen sangat tergantung pada
kondisi lingkungan bahkan antara jarak yang kecil (Orensanz, 1986; Defeo,
1993a).

Dua pendekatan alternatif tampaknya cocok:

1. Untuk melonggarkan asumsi homogenitas spasial distribusi stok. Dengan

demikian, daerah penangkapan ikan yang luas dengan variabilitas dalam kondisi
lingkungan dan heterogenitas kelimpahan terkait, pola pertumbuhan dan
kematian, dapat dibagi menjadi wilayah yang lebih kecil yang dapat dianggap
sebagai unit independen (Caddy, 1975; 1989a; b; Hall, 1983; Sluczanowski,
1984; 1986). Oleh karena itu, untuk stok yang menunjukkan rentang geografis
karakteristik populasi yang berkelanjutan, pendekatan yang berguna adalah
dengan menganggapnya terdiri dari beberapa subpopulasi terpisah yang dapat
dipelajari secara independen, dan prediksi terintegrasi setelahnya (Seijo et al.,
1994b, c).
2. Untuk mengembangkan pendekatan yang komprehensif, mengintegrasikan efek
dari rezim lingkungan yang berbeda pada struktur spasial populasi,
heterogenitas spasial usaha penangkapan ikan, interaksi biologis, dan implikasi
dari faktor ekonomi dan sikap manusia (perilaku pengelola sumber daya dan
pengguna) (Seijo & Defeo , 1994a; Seijo et al., 1994c). Mengingat ketidakpastian
yang terlibat dalam faktor-faktor di atas (Lewis, 1982; Anderson, 1984;
Sissenwine, 1984a, b; Seijo, 1987), lebih disukai untuk membangun model
stokastik daripada yang deterministik, di mana prediksi titik digantikan oleh
probabilitas fungsi (Botsford, 1986; Seijo, 1986; Fogarty, 1989; Seijo & Defeo,
1994a; Seijo et al., 1994b).

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.

Dalam Bab ini, pertimbangan spasial dalam pemodelan perikanan diperkenalkan,

terutama jarak dari pelabuhan ke daerah penangkapan, untuk lebih memahami
pengambilan keputusan jangka pendek dari nelayan dalam alokasi intensitas
penangkapan ikan. Kami juga menambahkan tingkat kerumitan dalam saling
ketergantungan yang dibahas dalam Bab 3, dengan memasukkan dimensi spasial
dalam analisis, dengan referensi khusus untuk perikanan di mana asumsi kumpulan
dinamis tidak terpenuhi.

6.1. Alokasi spasial intensitas penangkapan ikan

Pemodelan dinamika spasial perikanan dalam jangka pendek memungkinkan kita untuk
lebih memahami perilaku alokasi antarwaktu dalam upaya penangkapan ikan dan
dengan demikian mengembangkan strategi pengelolaan yang memadai. Beberapa
strategi alokasi spasial upaya telah diidentifikasi:

i. Alokasi proporsional menurut kelimpahan spasial sumber daya (Caddy,

1975).
ii. Alokasi berurutan ke patch dengan kelimpahan terbesar (Hilborn & Walters,
1987).
iii. Pencarian acak (Hilborn & Walters, 1987).
iv. Distribusi alokasi intensitas penangkapan ikan secara gratis (Gillis et al.,
1993).
v. Alokasi proporsional untuk (Defeo et al., 1991; Seijo et al., 1994b):
● Sewa kuasi biaya variabel (termasuk biaya transfer akibat perpindahan
dari pelabuhan ke daerah penangkapan alternatif).
● Gesekan jarak, yaitu biaya non-moneter yang terkait dengan jarak.
● Kemungkinan menemukan spesies target pada tingkat yang
menguntungkan.

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.

6.2. Dinamika spasial jangka pendek: model ALLOC

ALLOC adalah model bioekonomi jangka pendek yang mewakili saling
ketergantungan antara dua jenis armada (misalnya artisanal dan mekanik /
industri) yang berasal dari pelabuhan asal yang berbeda yang menangkap spesies
target yang sama di daerah penangkapan ikan alternatif (Seijo et al., 1994b).

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 spasial intensitas penangkapan ikan

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:

fkhm (t) = SAEkhm (t) HARI · Vhm (t) (6.1)

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.

Jarak ke tempat penangkapan ikan dari pelabuhan asal yang berbeda

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:

quasiπkhm (t) = TRkhm (t) - VCkhm (t) (6.3)

dimana TRkhm (t) adalah total pendapatan harian yang diterima oleh kapal tipe m dari
pelabuhan h dengan pemanenan di daerah penangkapan k pada waktu t, dan VCkhm (t)
adalah biaya variabel usaha penangkapan yang dikeluarkan oleh kapal tipe m dengan
menangkap ikan suatu hari di tanah k dalam waktu t.

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:

VCkhm (t) = ωqmBk (t) + θDkh + OVCm (6,4)

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.

Tabel 6.1. Properti model SAE.

KAS Biaya moneter Gesekan Kemungkinan Distribusi yang
US jarak D jarak (φ) menemukan sumber diharapkan
 daya (P)
Kasu D1= D2 =… = Dk φ=0 P1 = P2 =… = Pk Proporsional dengan
s1 θ=0 kelimpahan
Kasu D1∞D2… Dk θ> φ=0 P1= P2 =… = Pk Proporsional dengan
s2 0 kuasi sewa
Kasu D1∞D2… Dk θ> θ> 0 φ=0 P1= P2 =… = Pk
s3 0 Proporsional dengan
kuasi sewa dan 1 / Dφ
Kasu D1∞D2… Dk θ> φ=0 P1∞= P2∞=… = Pk Proporsional dengan
s4 0 kuasi sewa, 1 / Dφ dan Pk

Variasi spasial dalam pendapatan bersih

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) dan TCkhm (t) diperkirakan masing-masing sebagai:

TRkhm (t) = (qmBk) (t) Ptar + Cine Pinc) f khm (t) (6.6)

TCkhm (t) = FCmVhm + VC khm (t) f khm (t) (6.7)

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.

Tingkat tangkapan dinamis diperkirakan sebagai:

Ykhm (t) = (qmBk (t) + RVkhm (t)) f khm (t) (6.8)

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:

CPUEkm (t) = qmBk (t) (6.9)

Biomassa untuk setiap daerah penangkapan Bk (t) diperkirakan dengan memisahkan

fungsi logistik secara spasial:

dimana rk dan Bmax, masing-masing adalah laju pertumbuhan intrinsik dan biomassa
maksimum di tanah k.

Dinamika armada

Distribusi frekuensi jeda waktu yang merepresentasikan laju di mana armada

penangkapan ikan skala kecil memasuki perikanan musiman atau berpindah dari satu
perikanan ke perikanan lainnya, sering diamati (Seijo et al., 1987). Oleh karena itu, jeda
waktu dalam dinamika jangka pendek armada penangkapan ikan dimasukkan ke dalam
ALLOC untuk melonggarkan asumsi bahwa setiap kapal yang pada akhirnya akan
menangkap ikan untuk spesies target musiman, akan memasuki perikanan tepat pada
hari pertama musim tersebut. Aspek ini digabungkan melalui model DELAY terdistribusi
(Manetsch, 1976) berdasarkan fungsi kepadatan probabilitas Erlang (Gamma) (Seijo,
1987). Dengan demikian, dinamika musiman kapal tipe m dari pelabuhan yang berbeda
(Vhm (t)) dapat dijelaskan oleh fungsi penundaan terdistribusi dari orde g dengan
rangkaian persamaan diferensial berikut (lihat juga Bab 2 dan 4):

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

i. Alokasi spasial intensitas penangkapan ikan di antara daerah penangkapan

alternatif merupakan fungsi dari kemungkinan menemukan spesies sasaran,
pendapatan bersih yang diperoleh dari daerah penangkapan ikan yang berbeda
pada perjalanan sebelumnya, dan jarak ke daerah penangkapan alternatif dari
pelabuhan asal yang berbeda.
ii. CPUE adalah fungsi q dan biomassa sumber daya di setiap daerah
penangkapan dari waktu ke waktu, dan akan cenderung menurun seiring dengan
intensitas penangkapan dan tingkat eksploitasi yang sesuai (sensu Gulland,
1983) meningkat pada tingkat yang lebih tinggi daripada tingkat pertumbuhan
biomassa alam di setiap lokasi.
iii. Tidak ada migrasi silang atau imigrasi di antara daerah penangkapan ikan.
iv. Ketidakpastian dalam alokasi spasial upaya penangkapan ikan dari waktu ke
waktu diwakili oleh variabel acak (0, VAR) dengan fungsi kepadatan probabilitas
yang berkorelasi secara eksponensial.
v. Perilaku pengambilan harga nelayan (Clark, 1985) diasumsikan untuk harga
spesies target dan tangkapan insidental. Asumsi ini dapat dilonggarkan jika
rangkaian waktu yang kuat dari harga ikan, jumlah yang dipanen dan
pendapatan riil konsumen sumber daya tersedia.
vi. Biaya input yang dibutuhkan untuk setiap perjalanan penangkapan tetap konstan
sepanjang musim penangkapan.

6.3. Dinamika bioekonomi geografis jangka pendek dan jangka

panjang: model BAGAN
Ketika informasi bioekonomi tersedia, beberapa asumsi yang dibuat dalam ALLOC
dapat dilonggarkan untuk mencapai representasi yang lebih baik dari dinamika populasi
dan resolusi spasial model. BAGAN adalah model spasial dinamis terstruktur usia yang
menggabungkan fitur utama dari model YRAREA (Caddy, 1975) dengan dinamika
jangka pendek dan panjang dari armada penangkap ikan dalam konteks bioekonomi
dan geografis (Seijo et al., 1994b).

Spesifikasi spasial biomassa dan perekrutan maksimum

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.

Distribusi spasial patch rekrutmen

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

Distribusi spasial sumber daya biomassa

Biomassa yang dialokasikan di setiap sel kl diperkirakan dengan:

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:

Lj =:∞(1 - e (-kp (j-to))

) (6,17)
Wi = aL j (6.18)
b
dimana a dan b adalah konstanta.

Distribusi spasial-temporal dari struktur populasi (Njkl (t)) diperkirakan dengan:

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

CPUE di situs kl dalam waktu t (CPUEkl (t)) diestimasi dengan:

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.

Dinamika armada jangka pendek: alokasi spasial intensitas

penangkapan ikan

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:

fklh (t) = SAEkhm (t) HARI Vh (t) (6.23)

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.

Dinamika armada jangka panjang

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).

6.4. Model bioekonomi spasial untuk perikanan menetap: kerang

kuning Mesodesma mactroides Uruguay, studi kasus
Seijo & Defeo (1994a) melakukan analisis jangka pendek dan jangka panjang pada
perikanan kerang kuning Mesodesma mactroides Uruguay. Untuk tujuan ini, model
dinamis, non-linier dan stokastik dibangun untuk merepresentasikan perilaku sumber
daya dan nelayan sepanjang waktu. Distribusi ruang-waktu jangka pendek usaha
penangkapan ikan diwakili sebagai fungsi dari tangkapan dinamis per unit usaha di 4
tempat alternatif, jarak dari lokasi yang berbeda, kemungkinan yang dirasakan untuk
menemukan spesies pada tingkat yang menguntungkan, dan pendapatan bersih yang
diperoleh. dalam perjalanan penangkapan ikan sebelumnya (lihat juga Defeo et al.,
1991). Dinamika perikanan jangka panjang mempertimbangkan keterlambatan waktu
dalam proses pemijahan, penetasan dan perekrutan, serta masuk dan keluarnya
nelayan ke perikanan. Model penundaan terdistribusi diterapkan untuk tujuan ini. Fungsi
stock-dependent, overcompensatory (Ricker) mencirikan dinamika hubungan perekrutan
saham (Defeo, 1993a). Rekrutmen dimodelkan dengan menggunakan model delay
terdistribusi (fungsi gamma orde 3) sesuai dengan periode rekrutmen selama 4 bulan.
Kematian alami yang dinamis dan bergantung pada kepadatan diperkirakan sebagai
fungsi dari kepadatan awal rekrut dan salinitas (yang secara substansial dipengaruhi
oleh aliran keluar anak sungai air tawar) di setiap daerah penangkapan. Dinamika upaya
dalam jangka panjang (jumlah nelayan dari lokasi h yang hadir dalam perikanan dari
waktu ke waktu) dimodelkan dengan menerapkan persamaan Smith (1969) secara
spasial dan model penundaan terdistribusi (lihat Seijo & Defeo, 1994b). Harga spesies,
biaya peluang tenaga kerja dan biaya operasi juga dimasukkan dalam model. fungsi
overcompensatory (Ricker) mencirikan dinamika hubungan perekrutan saham (Defeo,
1993a). Rekrutmen dimodelkan dengan menggunakan model delay terdistribusi (fungsi
gamma orde 3) sesuai dengan periode rekrutmen selama 4 bulan. Kematian alami yang
dinamis dan bergantung pada kepadatan diperkirakan sebagai fungsi dari kepadatan
awal rekrut dan salinitas (yang secara substansial dipengaruhi oleh aliran keluar anak
sungai air tawar) di setiap daerah penangkapan. Dinamika upaya dalam jangka panjang
(jumlah nelayan dari lokasi h yang hadir dalam perikanan dari waktu ke waktu)
dimodelkan dengan menerapkan persamaan Smith (1969) secara spasial dan model
penundaan terdistribusi (lihat Seijo & Defeo, 1994b). Harga spesies, biaya peluang
tenaga kerja dan biaya operasi juga dimasukkan dalam model. fungsi overcompensatory
(Ricker) mencirikan dinamika hubungan perekrutan saham (Defeo, 1993a). Rekrutmen
dimodelkan dengan menggunakan model delay terdistribusi (fungsi gamma order 3)
sesuai dengan periode rekrutmen selama 4 bulan. Kematian alami yang dinamis dan
bergantung pada kepadatan diperkirakan sebagai fungsi dari kepadatan awal rekrut dan
salinitas (yang secara substansial dipengaruhi oleh aliran keluar anak sungai air tawar)
di setiap daerah penangkapan. Dinamika upaya dalam jangka panjang (jumlah nelayan
dari lokasi h yang hadir dalam perikanan dari waktu ke waktu) dimodelkan dengan
menerapkan persamaan Smith (1969) secara spasial dan model penundaan terdistribusi
(lihat Seijo & Defeo, 1994b). Harga spesies, biaya peluang tenaga kerja dan biaya
operasi juga dimasukkan dalam model.

Eksperimen simulasi dilakukan dengan tiga strategi manajemen untuk mengamati

dampak dinamis pada variabel kinerja. Tiga vektor kebijakan berikut disimulasikan dan
dibandingkan dengan proses dasar yang mewakili skema pengelolaan saat ini (batasan
ukuran minimum 50 mm, dan 50 izin penangkapan):

1. Skema pengelolaan saat ini dan kuota tangkapan 50 ton / tahun.

2. Ukuran minimum yang dapat dipanen 43mm (ukuran saat dewasa seksual) dan
150 izin penangkapan ikan.
3. Batasan ukuran minimum 50 – mm dan 150 izin penangkapan ikan.

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

Perikanan menunjukkan komponen musiman yang kuat. Model (Gambar 6.2)

mereproduksi secara memadai peningkatan penangkapan dan intensitas penangkapan
ikan selama musim panas dan musim semi. Penurunan permintaan untuk konsumsi
pasar lokal dan berkurangnya ketersediaan sumber daya karena migrasi ke bawah
menuju infralitorial menjelaskan berkurangnya tangkapan di musim gugur dan musim
dingin (Defeo, 1989). Model tersebut juga secara memuaskan menjelaskan variabilitas
spasial yang ditandai pada hari penangkapan ikan yang efektif, tangkapan dan
intensitas penangkapan (Gambar 6.3a; lihat juga Defeo et al., 1991), serta variasi
spasial dalam rente ekonomi. Nelayan mengalokasikan usaha penangkapan ikan secara
spasial secara proporsional dengan variasi spasial dalam kelimpahan sediaan, yaitu
zona tengah 2 dan 3, dengan kelimpahan sediaan yang lebih besar memberikan nilai
hasil tertinggi (Gambar 6.3b) dan intensitas penangkapan. Model tersebut dengan tepat
merepresentasikan variasi dalam dan antar tahun. Sebagai hasil dari tren yang
disebutkan di atas dan musim perikanan yang ditandai, pendapatan bersih juga lebih
besar dari daerah pusat, memuncak pada musim semi dan musim panas (lihat juga
Defeo et al., 1991 untuk analisis rinci).

Figure 6.2 Seasonal variations in simulated fishing intensity by fishing ground

from 1983 to 1992 for the yellow clam fishery of Uruguay.

Figure 6.3 Mesodesma mactroides. Comparison of observed vs. simulated: (a)

seasonal fishing effort; and (b) catches by fishing ground (summer 1985).

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.

6. Spatial Bioeconomic Models

Models developed in Chapters 2 and 5 satisfy the dynamic pool assumption and thus
homogeneity in the spatial distribution of the stock and fishing effort exerted (e.g. pelagic
species). In sedentary resources (e.g., mollusks), the above assumption is not always
valid for the following reasons (see Hancock, 1973; Caddy, 1975; Orensanz & Jamieson,
1998):

1. Populations are patchily distributed (Elliot, 1977).

2. The low or null mobility precludes species redistribution over a fishing ground, by
filling gaps in patches resulting from a sequential distribution pattern produced by
the heterogeneous allocation of fishing effort (Hancock, 1979; Caddy, 1989a, b;
Conan, 1984; Orensanz et al., 1991). Thus, CPUE cannot be used as an
unbiased index of abundance.
3. Growth, mortality and recruitment parameters are extremely dependent on
environmental conditions even between small distances (Orensanz, 1986; Defeo,
1993a).

Two alternative approaches seem to be appropriate:

1. To relax the assumption of spatial homogeneity of stock distribution. Thus,

extensive fishing grounds with variability in environmental conditions and related
abundance heterogeneity, growth and mortality patterns, can be divided into
smaller areas that can be considered as independent units (Caddy, 1975; 1989a;
b; Hall, 1983; Sluczanowski, 1984; 1986). Hence, for a stock showing a
continuous geographic range of population characteristics, a useful approach is
to consider it as composed of several discrete subpopulations which can be
studied independently, and the predictions integrated afterwards (Seijo et al.,
1994b, c).
2. To develop a comprehensive approach, integrating effects of different
environmental regimes on the spatial structure of the population, spatial
heterogeneity of fishing effort, biological interactions, and the implications of
economic factors and human attitudes (behavior of resource managers and
users) (Seijo & Defeo, 1994a; Seijo et al., 1994c). In view of the uncertainty
involved in the above factors (Lewis, 1982; Anderson, 1984; Sissenwine, 1984a,
b; Seijo, 1987), it is preferable to build stochastic models instead of deterministic
ones, in which point predictions are replaced by probability functions (Botsford,
1986; Seijo, 1986; Fogarty, 1989; Seijo & Defeo, 1994a; Seijo et al., 1994b).

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.

6.1. Spatial allocation of fishing intensity

Modelling the spatial dynamics of fisheries in the short-term allows us to better
understand the intertemporal allocation behavior of fishing effort and thus to develop
adequate management strategies. Some strategies of spatial allocation of effort have
been indentified:

i. Proportional allocation according to the spatial abundance of the resource

(Caddy, 1975).
ii. Sequential allocation to those patches of greatest abundance (Hilborn &
Walters, 1987).
iii. Random search (Hilborn & Walters, 1987).
iv. Free distribution of allocation of fishing intensity (Gillis et al., 1993).
v. Proportional allocation to (Defeo et al., 1991; Seijo et al., 1994b):
● The quasi rent of variable costs (including transfer costs resulting from
moving from port to alternative fishing grounds).
● The friction of distance, i.e., non-monetary costs associated to distance.
● The probability of finding the target species at profitable levels.

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.

6.2. Short-run spatial dynamics: ALLOC model

ALLOC is a short-run bioeconomic model that represents interdependencies
between two fleet types (e.g. artisanal and mechanized/industrial) coming from
different ports of origin that capture the same target species in alternative fishing
grounds (Seijo et al., 1994b).

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.

Distance to fishing grounds from different ports of origin

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:

quasiπkhm(t) = TRkhm(t) - VCkhm(t) (6.3)

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:

VCkhm(t) = ωqmBk(t) + θDkh + OVCm (6.4)

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):

i. Case 1: artisanal littoral fisheries. When the distance is irrelevant in terms

of transfer costs from port to alternative grounds (θ=0) and the friction of
distance is zero (φ=0), i.e., there are not non-monetary costs to fishing the
different grounds, and the same probability of finding the species at
profitable levels exists (P1=P2=…=Pk, where k = 1…n), the resulting
SAEkhm(t) distribution is proportional to the spatial variations in stock
abundance.
ii. Case 2: fisheries in protected coastal zones. Where transfer distances to
alternative grounds from port are relevant (θ>0), but non-monetary costs
are negligible because of the easy operation and navigability in protected
fishing grounds (φ=0), and there is the same probability of finding the
species at profitable levels (P1=P2=…=Pi, where i = 1…n), the SAEkhm(t)
distribution is then proportional to spatial variations in the quasi-rent of
variable costs.
iii. Case 3: fisheries in exposed coastal zones. When θ>0, the friction of
distance is substantial (φ=0), and P1=P2=…=Pk, the SAEkhm(t) distribution
is proportional to the spatial distribution of the quasi rent and inversely
related to the friction of distance from port to the alternative grounds.
iv. Case 4: fisheries with high information costs. When transfer distances
from port to alternative grounds are relevant in monetary terms (D>0 y
θ>0), friction of distance (φ>0) occurs, and there is heterogeneous
probability of finding the resource at profitable levels (P1# P2#…# Pk), the
distribution of SAEkhm(t) is proportional to the spatial distribution of the
quasi rent and to the probability of finding the resource at profitable levels,
and inversely related to the friction of distance from port to alternative
fishing grounds.

Table 6.1. Properties of the SAE model.

CAS Monetary cost Friction of Probability of finding
Expected distribution
ES of distance D distance (φ) the resource (P)
Case D1=D2=…=Dk φ=0 P1=P2=…=Pk Proportional to the
1 θ=0 abundance
Case D1∞D2…Dk θ>0 φ=0 P1=P2=…=Pk Proportional to the quasi
2 rent
Case D1∞D2…Dk θ>0 θ>0 φ=0 P1=P2=…=Pk
3 Proportional to the quasi
rent and 1/Dφ
Case D1∞D2…Dk θ>0 φ=0 P1∞=P2∞=…=Pk Proportional to the quasi
4 rent, 1/Dφ and Pk
 Spatial variations in net revenues

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.

TRkhm(t) and TCkhm(t) are estimated respectively as:

TRkhm(t) = (qmBk)(t)Ptar + Cine Pinc) f khm(t) (6.6)

TCkhm(t) = FCmVhm + VC khm(t) f khm(t) (6.7)

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.

The dynamic catch rate is estimated as:

Ykhm(t)=(qmBk(t) + RVkhm(t)) f khm(t) (6.8)

where the random variable RVkhm(t) is generated with an exponentially autocorrelated

probability density function, using the observed variance of daily catch for vessels type
m when fishing in ground k. This variable accounts for catch variability not explained by
variations in q, B and f in each fishing ground. It is exponentially autocorrelated to
represent the fact that random catch variations at one day are not independent of
previous values: (a) today's catch is dependent to a certain extent of yesterday's catch;
(b) selection of fishing ground is partially dependent on previously selected grounds; (c)
environmental factors affecting resource abundance tend also to be dependent on
previous values. This variable is generated by subroutine EXACOR (Manetsch, 1986),
which uses an uniformly distributed random variable between 0 and1, that is further
transformed to the selected probability density function. Other probability density
functions can be used to generate random variables, by employing the inverse
transformation method or even numerical methods, depending on whether the
probability density function can be integrated analytically to obtain the cumulative
distribution function or not (Gottfried, 1984).

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

i. The spatial allocation of fishing intensity among alternative fishing grounds is a

function of the probability of finding the target species, the net revenues obtained
from different fishing grounds in previous trips, and the distances to alternative
fishing grounds from different ports of origin.
ii. CPUE is a function of q and the resource biomass in each fishing ground over
time, and will tend to decrease as fishing intensity and the corresponding
 exploitation rate (sensu Gulland, 1983) increase at ahigher rate than the natural
biomass growth rate in each site.
iii. There is no cross migration or immigration among fishing grounds.
iv. Uncertainty in the spatial allocation of fishing effort over time is represented by
random variables (0, VAR) with an exponentially autocorrelated probability
density function.
v. Fishers price-taking behavior (Clark, 1985) was assumed for prices of target
species and incidental catch. This assumption could be relaxed if a robust time
series of fish price, quantity harvested and real income of resource consumers
were available.
vi. Costs of inputs needed per fishing trip remains constant along the fishing
season.

6.3. Short and long-run geographic bioeconomic dynamics:

CHART model
When bioeconomic information is available, some of the assumptions made in ALLOC
can be relaxed to achieve a better representation of the population dynamics and of the
spatial resolution of the model. CHART is an age structured, dynamic spatial model that
incorporates the main features of the YRAREA model (Caddy, 1975) with the short and
long run dynamics of the fishing fleets in a bioeconomic and geographic context (Seijo et
al., 1994b).

Spatial specification of maximum biomass and recruitment

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.

Spatial distribution of recruitment patches

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

Spatial distribution of resource biomass

The biomass allocated in each cell kl is estimated by:

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 a and b are constants.

The spatio-temporal distribution of population structure (Njkl(t)) is estimated by:

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

CPUE in site kl in time t (CPUEkl(t)) is estimated by:

where the age specific catchability per unit of area (quaj) is estimated using the area
swept equation of Baranov (1918) and the logistic selectivity curve (Sparre et al., 1989):

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 fleet dynamics: spatial allocation of fishing intensity

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:

fklh(t) = SAEkhm(t)DAYS Vh(t) (6.23)

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.

Long-run fleet dynamics

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).

6.4. A spatial bioeconomic model for sedentary fisheries: the

yellow clam Mesodesma mactroides of Uruguay, a study case
Seijo & Defeo (1994a) conducted a short and long run analysis of the yellow clam
Mesodesma mactroides fishery of Uruguay. For this end, a dynamic, non-linear and
stochastic model was built to represent the behavior of resource and fishers through
time. The short term space-time distribution of fishing effort was represented as a
function of the dynamic catch per unit effort in 4 alternative grounds, the distance from
different localities, the perceived probability of finding the species at profitable levels,
and the corresponding net revenues obtained in the previous fishing trip (see also Defeo
et al., 1991). The long-term dynamics of the fishery considered time lags in spawning,
hatching and recruitment processes, as well as in fishermen's entry and exit to the
fishery. The distributed delay model was applied for this purpose. A stock-dependent,
overcompensatory (Ricker) function characterized the dynamics of the stock-recruitment
relationship (Defeo, 1993a). Recruitment was modelled by using the distributed delay
model (gamma function of order 3) in accordance with a recruitment period of 4 months.
A dynamic and density-dependent natural mortality was estimated as a function of the
initial density of recruits and salinity (which is substantially affected by the outflow of
freshwater creeks) on each fishing ground. Effort dynamics in the long-run (number of
fishers from locality h present in the fishery over time) was modelled by spatially
applying the Smith (1969) equation and the distributed delay model (see Seijo & Defeo,
1994b). Price of species, opportunity costs of labor and operation costs were also
included in the model.

Simulation experiments were conducted with three management strategies to observe

the dynamic impact on performance variables. The following three policy vectors were
simulated and compared with the base run representing the current management
scheme (minimum size restriction of 50 mm, and 50 fishing licenses):

1. The current management scheme and a catch quota of 50 tonnes/year.

 2. A minimum harvestable size of 43mm (size at sexual maturity) and 150 fishing
licenses.
3. Minimum size restriction of 50–mm and 150 fishing licenses.

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).

Figure 6.1 Mesodesma mactroides. Observed vs. estimated densities of (a)

recruits and (b) adults.

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).

Figure 6.2 Seasonal variations in simulated fishing intensity by fishing ground

from 1983 to 1992 for the yellow clam fishery of Uruguay.

Figure 6.3 Mesodesma mactroides. Comparison of observed vs. simulated: (a)

seasonal fishing effort; and (b) catches by fishing ground (summer 1985).
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.

7. Risk and Uncertainty: A Precautionary Approach

Several sources of uncertainty generate variability in fishery performance: (1) variability
in abiotic factors affecting the spatio-temporal distribution and abundance of a stock; (2)
effects of ecological interdependencies; (3) fluctuations in costs and product prices that
determine changes in exploitation intensity and in the quantity demanded; (4) variations
in fishing effort determined by fleets with different fishing power and type of gear, as well
as by differential skill of the skipper and crew; and (5) variability in the behavior of policy
makers due to value judgments when taking management decisions (Caddy & Mahon,
1995; FAO, 1995a, b). In this context, use of bioeconomic models in a formal decision
analysis that explicitly includes uncertainty has been rarely documented in the primary
literature. Because these uncertain events involve more than one possible outcome,
bioeconomic evaluation of alternative management strategies requires the quantification
of uncertainty and risk associated with the application of each strategy. In this Chapter,
we summarize some types and sources of uncertainty and risk in fisheries. Moreover,
some formal decision models directed to quantify the economic value of alternative
management strategies are presented in a precautionary fishery management context.

7.1. Precautionary approach to fisheries management

In Chapter 1 we identified those inherent characteristics of fish stocks that result, under
open access conditions, in the overexploitation syndrome, dissipation of economic rent
and overcapitalization of fishing fleets. These problems could also be caused by not
recognizing the high uncertainty levels that characterize most of the fisheries and the
corresponding lack of caution in management (Garcia, 1996). Indeed, many fisheries
experienced biological and economic overfishing as a result of risky management
policies (Garcia, 1992; FAO, 1993; Garcia & Newton, 1994; Caddy & Mahon, 1995).

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.

7.2. Sources of uncertainty in fisheries

Hilborn & Peterman (1996) identify seven sources of uncertainty in fisheries stock
assessment: (1) in the estimates of fish abundance; (2) in the structure of the
mathematical model of the fishery; (3) when estimating model parameters; (4) in future
environmental conditions; (5) in the response of users to regulations; (6) in future
management objectives; and (7) in economical, political and social conditions (see
Hilborn & Peterman, 1996, for details).

1. Univertainty in abundance estimates.. One of the main sources of error in

abundance estimates can arise from incorrect or unreliable estimates of
inputs used in stock assessment models. For example, stock estimates
from VPA are based on time-invariant and mean values of M estimates
made in the 1950s to 1980s (Caddy, 1996), when it is known that M strongly
affects estimates of current abundance by this methodology (Lapointe et
al., 1989). Moreover, many stock estimates are unreliable due to incomplete
information concerning catch/effort data, which often results in baised
abundance indexes (CPUE)) and estimates of population structure
significantly different from that observed. Variance and error structure of
the entire data series might also be a source of uncertainty, and should be
quantified (Schnute & Hilborn, 1993).
2. Uncertainty in model structure. Most of the models used in stock
assessment are based on single-species population dynamics, although
important ecological interdependencies have been recognized (see
Chapter 3). Difficulties in data gathering and lack of robustness in
abundance estimates make multispecies models quite unreliable.

Even for single-species models, uncertainty associated with model structure is

often large and it is not usually reported. Results obtained by alternative models
should be useful depending on which of them is most appropriate in a given
situation. It may be also considered precautionary to fit several models, and for
management purposes, emphasize the one that provides the most cautious
approach. A detailed analysis of the basic assumptions of the model used and
the estimation of uncertainty associated with the bioeconomic functions and
equations fitted in a fishery model (see Chapter 4), should be a common practice
to validate model structure and evaluate its performance (e.g. Caddy & Defeo,
1996). Several possible management options using the whole range of available
bioeconomic models should ideally be systematically analyzed.

3. Uncertainty in estimation of model parameters. Although reporting the

variance for bioeconomic parameters is attracting increasing attention by
fisheries agencies, possible data biases and resulting estimates are rarely
discussed and made explicit. Moreover, many key parameters used as
inputs in stock assessment models, even in methods that purport to
analyze yearly data as VPA, are assumed to be time-invariant, and
variability around mean estimates are neither reported nor used to perform
sensitivity analyses (Caddy, 1996). This tends to underestimate uncertainty
in the parameters and, consequently, in the outcomes provided by the
models.
4. Uncertainty in future environmental conditions. Changes in environmental
conditions have an important impact on the abundance and spatio-
temporal distribution of fish resources (Walters & Parma, 1996). In order to
carry out dynamic forecasts of a stock, the prediction of environmental
future conditions is required, especially for resources sensitive to an
extreme degree to environmental changes. Three types of alternative
 assumptions are considered: (1) environmental constant conditions
correspond to the average of the historical observations; (2) environmental
conditions randomly vary conditions around the average, with a known
probabilistic density function; and (3) environmental conditions show
systematic patterns, e.g., periodic or linear trends. In this context, random
variability about past average conditions might be considered when
modelling a fishery.
5. Uncertainty in the behavior of resource users. Fishers and fishery policies
are affected by costly, imperfect enforcement of fisheries law (Sutinen &
Andersen, 1985). Therefore, the response of fishers to regulations should
be considered when the expectations of implementation, execution and
surveillance of a specific management strategy are evaluated (Sutinen et
al., 1990). The simplest approach is to assume that the regulations will not
be violated and that a free-rider behavior will not occur (Hilborn &
Peterman, 1996; see also Chapter 1). However, variations in the dynamic
behavior of fishers concerning their allocation of fishing effort, selection of
the target species and the fishing gear, and the reliability of catch and
effort data reported, could change as a response of changes in
management regulations. The dynamic behavior and responses of
resource users to regulations should ideally be incorporated into stock
assessments in order to mitigate uncertainty levels associated with the
forecasted outcomes of management actions (Hilborn & Peterman, 1996;
see also Rosenberg & Brault, 1993). When the nature of the regulatory
sector is such that its behavior is unpredictable (see below), fishers
behavior will be seriously affected and will tend to increase fishing
intensity, with the obvious effect on both stock size and profit levels.
6. Uncertainty in future management objectives. Management strategies
should be periodically revised and adapted to the dynamic conditions of
the stock and resource users, as well as to changes in the intertemporal
preferences of the fishing sector. Changes in management objectives
resulting from an unpredictable behavior of the regulatory sector
constitute an important source of uncertainty (Anderson, 1984). Policy
makers will tend to maximize their utility or satisfaction functions, which
are subjected to their financial budget and political capital (Niskanen,
1971). In this context, Anderson (1984) introduces the concept of
bioregunomic equilibrium, which occurs when the biological, economic
and regulation components achieve equilibrium simultaneously. Anderson
views regulation as endogenous to the fishery system, in which
government is seen as the producer or supplier of regulation and the
fishers as demanders of regulation. He describes the behavior of marginal
and average costs and benefits when introducing this regulation
component. According to the model, three basic points exist: open-access
equilibrium, bioregunomic equilibrium and the socially optimal level of
effort. These points do not necessarily occur at the same fishing effort
level. Anderson considers constant prices, and describes the behavior of
the regulator trying to select that combination of yield and profit that will
maximize his utility, as he must satisfy the demands of several groups
(e.g., consumers and producers of fish) involved in the fishery. In this
sense, uncertainty in the preference functions of policy makers could be
represented by a series of indifference curves of costs and profits, whose
shape and position will depend upon the negotiation, political and
 economic power of each group of the society involved (see Anderson,
1982a, b; 1984).
7. Uncertainty in economic, political and social future conditions. Uncertainty
in species price according to market fluctuations, as well as in
fixed/variable costs of fishing effort, could influence the dynamic behavior
of users. Consequently, the magnitude of catches and related fishing
mortality might vary in the short-term, with obvious effect in population
abundance. Changes in both local and international political conditions
may also constitute a source of uncertainty and could determine different
responses of fishers to regulations, especially in cases of political
instability and scarcity of employment. This is extremely important in
cases of shared resources among developing countries, where the costs of
monitoring, control and surveillance depends on international political
agreements rather than in enforcement efforts provided by a single
country. Moreover, variations in welfare levels of artisanal coastal
communities, caused by endogenous (i.e. variations in stock abundance)
or exogenous (e.g. changes in species price in the international market)
factors, could add uncertainty to the fishery system. These biological,
economic or market uncertainties affect expected profits and consequently
the short-term dynamic behavior of the fishing fleet. A sudden increase in
fishing. mortality generally occurs as a result of uncertainty as to future
modifications in the regulatory process, because fishers will not be sure of
the benefits that will follow from the regulatory measures.

7.3. Management decisions without mathematical probabilities

Three levels of risk in the attitude of the manager can be distinguished in decision theory
(Pearce & Nash, 1981 Schmid, 1989). (1) A decision-maker who is satisfied to be acting
on the basis of expected values, without considering the variance of the different
outcomes of decisions, is referred to as risk neutral. (2) A risk averse decision maker
assigns to uncertain prospects as to future costs and benefits of alternative management
strategies, certainty equivalencies lower than the expected values. (3) A policy-maker
that assigns to future and uncertain economic rents, certainty equivalencies greater than
the expected values, is risk prone. In practice, a continuous gradient of risk aversion is
observed with more than three discrete categories.

Where there are inadequate observations to assign probabilities of occurrence to

dissimilar states of nature that have occurred, decision tables could be used to represent
different degrees of management caution through the Maximin, Minimax and Maximax
criteria. Maximin is a cautious approach that consists in selecting the management
decision that involves the maximum Net Present Value (NPV) of the observed minimum
outcome. It is used when the policy maker is risk averse. When he is less cautious, the
Minimax regret criterion could be used. This approach selects the management action
that minimizes the maximum regret, defined as the difference between the real benefit
and the one that could have been obtained if the correct decision had been taken.
Finally, an optimist and risk prone policy maker could use the Maximax approach, by
selecting the management option with the higher NPV (see FAO, 1995a; Perez & Defeo,
1996).
The above decision criteria could be incorporated in the bioeconomic models described
in Chapters 2 and 3. Thus, uncertainty in the biological, economic and social processes
should be included when developing management advice. For this purpose, several
states of nature (SN) could be considered for critical parameters (e.g., natural mortality
rate, species price, MSY, MEY), and also for hypotheses about the behavior of many
bioeconomic processes (e.g. heterogeneity in the spatial distribution of the stock, or
strategies for spatial allocation of fishing intensity). This will result in different
performances of biological and economic variables if alternative management decisions
D1, D2…., Dξ are taken.

Illustrative example

Consider that the number of observations is insufficient to assign probabilities to SN1and

SN2 (e.g., two observed recruitment levels). The risk and uncertainty associated with
three alternative management decisions D1, D2, D3 are incorporated, and fishery
performance as a function of the NPV for these decisions are presented for each state of
the nature in a decision table without mathematical probabilities. Different degrees of
management caution are highlighted through the Maximin, Minimax and Maximax
criteria (Tables 7.1 to 7.3).

Table 7.1. The Maximum criterion.

Decision NPV of states of nature Minimum NPV
SN1 SN2
D1 -30 400 -30
D2 80 150 80
D3 50 300 50

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

Table 7.3. The Maximax criterion.

Decision NPV of states of nature MaximumNPV
SN1 SN2
D1 -30 400 400
D2 80 150 150
D3 50 300 300

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).

When considering mathematical probabilities of fishery performance (Pλ) associated

with λ possible states of nature SN(e.g., recruitment 20% higher or lower than its
average), it is possible to estimate the expected value (EV) of the NPV resulting from
different management decisions (D1, D2,…, Dξ):

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.

The Bayesian approach

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):

Table 7.5. The Bayesian criterion (US$'000)

Decision Loss matrix with prior probabilities Expected Value
SN1(P1=.75) SN2(P2=25)
D1 80-(-30)=110 400-400=0 82.5
D2 80-80=0 400-150=250 62.5
D3 80-50=30 400-300=100 47.5

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.

7.5. Estimation of uncertainty in model parameters

Even though highly recommended in the fisheries literature (e.g., Hilborn & Walters,
1992), there are few examples of the estimation of uncertainty (variance) in the
management parameters of surplus production models (Kizner, 1990; Polacheck et al.,
1993; Punt & Hilborn, 1996). This has substantial importance, because a precautionary
approach to management specifically requires a comprehensive treatment of risk and
uncertainty in critical management parameters known as references points (e.g., FMSY,
ZMSY, MSY; FAO, 1993). In order to use fishery models as explicitly predictive , it is
necessary to build confidence intervals that account for the variability around the mean
estimates of the parameters. In the case of linear models or those that could be
linearised through for example, logarithmic transformations, confidence intervals could
be built based on linear classical statistics (Zar, 1984). However, most fishing models
are nonlinear, and thus confidence intervals can be calculated by computer intensive
methods, such as “jackknife” and “bootstrap” (Efron, 1979; 1981; 1982).

“Jackknife-bootstrap” estimations for confidence intervals

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).

“Bootstrap” with original data. This technique is based on random resampling

with replacement of the original set of n (yearly) data pairs corresponding to a
particular fishery model (e.g., annual series of catch-effort, total catch-mortality,
stock-recruitment). Thus, any of the n data pairs corresponding to a given year
could be reused multiple times in successive bootstrap estimates.

“Bootstrap” based on errors. In this case, observed data is fitted to a certain

fishery model, and the predictions of the dependent variable Y generated are then
subtracted from the observed ones, obtaining the term of error e for each one of
the n observations. These errors are randomly resampled with replacement and
assigned to a certain Y predicted value, thus generating a new group of Y data.
This group of data is used jointly with the independent variable X in order to refit
the model.

A minimum of 500 “bootstrap” replicates is suggested to estimate confidence bounds

(Punt & Hilborn, 1996). The mean and confidence intervals of each parameter could be
estimated in two ways: (1) When the probabilistic density functions of the parameters are
symmetric and they can be assumed to follow a normal curve, the mean and confidence
intervals could be estimated following classical parametric statistics. (2) When parameter
distributions are asymmetric, the percentile method is a useful tool for enclosing a given
percentage of the bootstrap distribution, in order to provide an empirical confidence
interval. In this case, the median is an unbiased and more informative estimate than the
mean (Meyer et al., 1986).

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).

Risk analysis and “bootstrap”

Caddy & Defeo (1996) elaborated a simple approach to formulation of risk-averse

management strategies, using the percentiles of a cumulative distribution of MSY
estimates from bootstrapping against Z, which it is suggested would allow fishery
management advice to be generated based on annual mortality and yield vectors alone.
The bootstrap distribution for ZMSY obtained by equations developed in Chapter 2
suggests a simple way of using this fitting procedure in a management context, where Z
values (from size frequency analysis) could be used as a management control variable,
and where the risk of making a wrong management decision is a real one. A cumulative
distribution of values of MSY with Z from bootstrapping provided the basis for evaluating
a proposed management target. This might be either framed in terms of F (M known), or
simply using the Z value expected for a given management action as the control variable
which provide feedback on the impact of fishing. The probability that a given value Znow
will exceed ZMSY in the current year of fishing could be determined by this procedure.
This simple risk analysis could be carried out by bootstrapping the results of the different
models provided in Chapter 2.

The “bootstrap” procedure provides further advantages for selecting management

options in a probabilistic context. For example, taking into account that the values of M, r
and management parameters from a single bootstrap fit are all cross-correlated, a
manager seeking advice about what to do on the basis of a fit of the models described
here, should primarily consider what would be the most precautionary parameter set to
adopt, i.e., which would be the one least likely to lead to overexploitation.

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. 1975a. Analysis of open-access commercial exploitation and maximum

economic yield in biological and technologically interdependent fisheries. J. Fish.
Res.Bd. Can. 32: 1825–1842.

Anderson, L.G. 1975b. Optimum economic yield of an internationally utilized common

property resource. Fish. Bull. 73:51–66.

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. 1982b. An economic analysis of joint recreational and commercial

fisheries. In: Grover, J.H. (ed), Allocation of Fishery Resources. Procedings of the
Technical Consultation, Vichy, France, 1980. FAO/AFS: 16–26.
Anderson, L.G. 1984. Uncertainty in the fisheries management process. Mar. Res. Econ.
1: 77–87.

Anderson, L. G. 1986. The Economic of Fisheries Management. Revised and enlarged

edition. The John Hopkins University Press, Baltimore.

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. 1984. The response of multispecies systems to perturbations. In:May,

R.M. (ed.), Explotation of Marine Communities. Dahlem Konferenzen 1984.
Springer-Verlag, Berlin: 209–225.

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.

Berkes, F.(Ed.). 1989. Common Property Resources: Ecology and Community-Based

Sustainable Developement. Belhaven Press, London.

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.

Bockstael, N. & J. Opaluch. 1983. Discrete modeling of supply response under

uncertainty: the case of the fishery. J. Environ. Econ. Manag. 10: 125–136.
Bosman, A.L, P.A. Hockey & W.R. Siegfried. 1987. The influence of coastal upwelling on
the functional structure of rocky intertidal communities. Oecologia. (Berlin) 72: 226–
232.

Botsford, L.W. 1986. Effects of environmental forcing on age-structured populations:

northern California Dungeness crab (Cancer magister) as an example. Can. J. Fish.
Aquat. Sci. 43: 2245–2352.

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.

Bustamante, R. & J.C. Castilla. 1987. La pesqueria de mariscos en Chile: un análisis de

26 años de desembarques (1960–1985). Biol. Pesq. (Chile) 16: 79–97.

Bustamante, R. & J.C.Castilla. 1990. Impact of human explotation on population of the

intertidal southern bull-kelp Durvillaea antarctica (Phaeophyta, Durvilleales) in
Central Chile. Biol. Conserv. 52:205–220.

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. 1986. Stock assessment in data-limited situations - the experience in

tropical fisheries and its possible relevance to evaluation of invertebrate resources.
In: Jamieson, G.S. & N. Bourne (ed.), North Pacific Workshop on Stock Assessment
and Management of Invertebrates. Can. Spec. Publ. Fish. Aquat. Sci. 92:379–392.

Caddy, J.F. 1989a. A perspective on the population dynamics and assessment of

scallop fisheries, with special reference to the sea scallop Placopecten magellanicus
Gmelin. In: Caddy, J.F. (ed.), Marine Invertebrate Fisheries: Their Assessment and
Management. J. Wiley & Sons, New York: 559–590.

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.

Castilla, J.C., P. Manriquez, J. Alvarado, A. Rosson, C. Pino, C. Espoz, R. Soto, D. Oliva

& O. Defeo. 1998. Artisanal “caletas” as units of production and co-managers of
benthic invertebrates in Chile. In: Jamieson, J.G. & A. Campbell (eds.), Proceedings
of the North Pacific Symposium on Invertebrate Stock Assessment and
Management. Can. Spec. Publ. Fish. Aquat. Sci. 125:407–413.

Charles, A.T. 1989. Bio-socio-economic fishery models: labour dynamics and multi-
objective management. Can. J. Fish. Aquat. Sci. 46:1313–1322.

Charles, A.T. 1995. Bio-socio-economic modelling and management options in

invertebrate fisheries. In: Jamieson, J.G. & A. Campbell (eds.), Proceedings of the
North Pacific Symposium on Invertebrate Stock Assessment and Management.
Abstract, p. 27.

Charles, A.T. & A. Herrera. 1994. Development and diversification: sustainability

strategies for a Costa Rica Fishing Cooperative. In: Antona, M., J. Catanzano & J.
Sutinen (ed.) Proceedings of the sixth conference of the International Institute of
Fisheries Economics and Trade. Paris, Francia, Tome II: 1315–1324.

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.

Clark, C.W. 1976. Mathematical Bioeconomics: The Optimal Management of Renewable

Resources. J. Wiley & Sons, New York.
Clark, C.W. 1985. Bioeconomic Modelling of Fisheries Management. J. Wiley & Sons,
New York.

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. 1993b. Repopulation of coastal invertebrates through the management on

natural areas: a successful example. Out of the Shell 3: 11–13.

Defeo, O. 1996 Experimental management of an exploited sandy beach bivalve

population. Rev. Chil. Hist. Nat. 69: 605–614.

Defeo, O. 1998. Testing hypotheses on recruitment, growth and mortality in exploited

bivalves: an experimental perspective. 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: 257–264.

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. 1995a. Precautionary approach to fisheries. Part 1: Guidelines on the

precautionary approach to capture fisheries and species introductions. FAO Fish.
Tech. Pap. (350/1): 52 pp.
FAO. 1995b. World fisheries: problems and prospects. FAO Committee of Fisheries
Document. COFI/95/3Inf. 3: 13 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. 1953. An economic approach to the optimum utilization of fishery

resources. J. Fish. Res. Bd. Can. 10: 442–447.

Gordon, H.S. 1954. The economics of a common property resource: the fishery. J. Polit.
Econ. 62: 124–142.

Gottfried, B.S. 1984. Elements of Stochastic Process Simulation. Prentice-Hall, Inc.,

Englewood Cliffs.

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. 1996. On bycatches. Rev. Fish Biol. Fish. 6: 319–352.

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. 1978. Economics of Fisheries: An Introduction. Columbia University

Press, New York.

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. & M. Mangel. 1997. The Ecological Detective. Monographs in Population

Biology 28, Princeton University Press, Princeton.

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.

Issard, W. & P. Liossatos. 1979. Spatial Dynamics and Optimal Space-Time

Development. North- Holland Publishing Company, New York.

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.

Lawson, R.M. 1984. Economics of Fisheries Management. Praeger Publishers, New

York.

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.

Lewis, T.R. 1982. Stochastic Modeling of Ocean Fisheries Resource Management.

University of Washington Press, Seattle.

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.

MacCall, A.D. 1976. Density-dependence of catchability coefficient in the California

Pacific sardine, Sardinops sagax caerula, purse seine fishery. California Coop.
Ocean. Fish. Inv. Rep. 18: 136–148.

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. 1986. M-OPTSIM. A Microcomputer Based Program for System

Simulation and Optimization. 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.

Mendelssohn, R. 1979. Determining the best trade–off between expected economic

return and the risk of undesirable events when managing a randomly varying
population. J. Fish. Res. Bd. Can. 36:939–947.

Mercer, M.C. 1982. Multispecies approaches to fisheries management advice. Can.

Spec. Publ. Fish. Aquat. Sci. 59.

Mesterton-Gibbons, M. 1996. A technique for finding optimal two-species harvesting

policies. Ecol. Model. 92: 235–244.

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.

Mitchell, C.L. 1982. Bioeconomics of multispecies exploitation in fisheries: management

implications. In: Mercer, M.C. (ed.), Multispecies Approaches to Fisheries
Management Advice. Can. Spec. Publ. Fish. Aquat. Sci. 59: 157–162.

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.

Niskanen, W.A. 1971. Bureaucracy and Representative Government. Aldine-Atherton,

Chicago.

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.

Ostrom, E. 1990. Governing to Commons: The Evolution of Institutions for Collective

Action. Cambridge University Press, Cambridge.

Osyczka, A. 1984. A Multicriterion Optimization in Engineering. Halsted Press, New

York.

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.

Panayotou T. 1983. Conceptos de ordenacion para las pesquerias en pequeña escala.

FAO. Doc. Tec. Pesca (228): 60 pp.

Pauly, D. 1982. Studying single-species dynamics in a tropical multispecies context. In:

D. Pauly & G.I. Murphy (ed.), Theory and Management of Tropical Fisheries.
ICLARM Conf. Proc. 9: 33–70.

Pauly, D. & G.I. Murphy. (ed.) 1982. Theory and Management of Tropical Fisheries.
ICLARM Conf. Proc. 9.

Payne, J.A. 1982. Introduction to Simulation. Programming Techniques and Methods of

Analysis. McGraw-Hill, New York.

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.

Pinkerton, E. (ed.). 1989. Cooperative Management of Local Fisheries: New Directions

for Improved Management and Community Development. University of British
Columbia Press, Vancouver B.C.

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.

Randall, A. 1981. Resource Economics: An Economic Approach to Natural Resource

and Environmental Policy. Grid Publishing Inc., Columbus, Ohio.

Ricker, W.E. 1975. Computation and interpretation of biological statistics of fish

populations. Bull. Fish. Res. Bd. Can. 191: 382 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.

Schmid, A.A. 1989. Benefit-Cost Analysis: A Political Economy Approach. Westview

Press. Boulder.

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. 1993. Individual transferable grounds in a community managed artisanal

fishery. Mar. Res. Econ. 8:78–81.

Seijo, J.C. (in press). Análisis bioeconómico de pesquerias criticas. In: Flores, D