Robustness and management performance of MSY reference points derived from the hockey-stick stock-recruitment model under structural uncertainty

Deze studie concludeert dat hoewel op het hockey-stick-model gebaseerde MSY-referentiepuntenschattingen vaak vertekend zijn, het combineren ervan met adaptief leren en voorzorgsmaatregelen robuust visserijbeheer mogelijk maakt dat vergelijkbaar is met beheer op basis van het ware stock-recruitment-relatiemodel.

De kern

De IJshockeystick en de Visvangst: Een Verhaal over Risico en Voorzichtigheid

Stel je voor dat je de leider bent van een vissersvloot. Je wilt vissen vangen, maar je wilt ook zorgen dat er over 10 of 20 jaar nog steeds vis in de zee zit. Om dat te doen, moet je weten: hoeveel vis kunnen we veilig vangen zonder de populatie te vernietigen?

In de visserij noemen ze dit de "MSY" (Maximum Sustainable Yield). Om dit getal te berekenen, kijken wetenschappers naar een grafiek die laat zien hoeveel nieuwe visjes (larven) er geboren worden in verhouding tot hoeveel volwassen vissen er in de zee zwemmen. Dit heet de voortplantingsrelatie.

Het Probleem: De Onzekere Grafiek

Normaal gesproken gebruiken wetenschappers ingewikkelde wiskundige modellen (zoals de Beverton-Holt of Ricker-modellen) om deze grafiek te tekenen. Maar hier zit een addertje onder het gras: je hebt veel data nodig om die lijn goed te tekenen.

Stel je voor dat je probeert de vorm van een berg te tekenen, maar je hebt alleen maar foto's gemaakt van de top en de voet, en niets van de helling in het midden. Dan is het heel moeilijk om te zeggen waar de steilste plek zit. In de visserij gebeurt dit vaak: de vissers hebben de visstand al jaren op een constant niveau gehouden, of ze hebben te weinig data. Er is dan geen "contrast" in de data.

Als je dan toch die ingewikkelde modellen gebruikt, kan het zijn dat je een grafiek tekent die er perfect uitziet, maar in werkelijkheid totaal verkeerd is. Je zou kunnen denken dat je veilig kunt vissen, terwijl je eigenlijk de vispopulatie naar de afgrond rijdt.

De Oplossing: De "IJshockeystick"

In dit artikel kijken de auteurs naar een alternatief model: de IJshockeystick (Hockey-stick).

• Hoe werkt het? Stel je een ijshockeystick voor. De steel ligt plat op de grond (dat is de periode waarin de visstand laag is en de vis niet groeit door te weinig ouders). Plotseling buigt de stick omhoog (dat is het punt waarop er genoeg volwassen vissen zijn om de populatie te laten groeien).
• Het voordeel: Dit model is simpel en "veilig". Het gaat er niet van uit dat er magie gebeurt als er heel weinig vis is. Het zegt simpelweg: "Als er te weinig vis is, gebeurt er niets. Als er genoeg is, groeit het." Het voorkomt dat je te optimistische voorspellingen doet op basis van te weinig data.

Wat hebben de auteurs ontdekt?

De auteurs hebben met computersimulaties gekeken wat er gebeurt als je deze simpele "IJshockeystick" gebruikt in plaats van de complexe modellen, vooral als je niet genoeg data hebt.

1. De "Bias-Variance" Ruil:

   • De complexe modellen (de "echte" modellen) zijn soms heel nauwkeurig, maar ze schommelen enorm als je weinig data hebt. Het is alsof je probeert een auto te besturen met een stuur dat heel wazig is: soms slaat je te hard links, soms te hard rechts.
   • De IJshockeystick is minder nauwkeurig (hij kan een beetje scheef liggen), maar hij is stabil. Hij schommelt niet. Het is alsof je een auto met een zwaar stuur hebt: hij draait niet snel om, maar hij blijft wel op de weg.
   • Conclusie: De IJshockeystick geeft een iets vertekend beeld, maar dat beeld is veel stabieler dan de andere modellen bij weinig data.

2. De Gevaarlijke Valkuil:
   Als je de IJshockeystick gebruikt zonder voorzorgsmaatregelen, kan het zijn dat je denkt dat je veilig bent, terwijl je eigenlijk te veel vangt (of juist te weinig). Het model kan de "knik" in de stick op de verkeerde plek zetten.

3. De Oplossing: Voorzichtigheid en Leren:
   Het goede nieuws is dat je dit probleem kunt oplossen door slim te managen. De auteurs tonen aan dat als je de IJshockeystick combineert met twee dingen, het heel goed werkt:

   • Voorzichtigheid: Je vangt niet 100% van wat het model zegt dat je mag vangen, maar bijvoorbeeld 80%. Je laat een veiligheidsmarge over.
   • Adaptief Leren: Je kijkt elke paar jaar opnieuw naar de data. Als je merkt dat het model niet klopt, pas je het aan. Je "leert" van je fouten.

De Resultaten in het Dagelijkse Leven

• Voor snelle vissen (zoals sardines): Deze vissen leven kort en vermenigvuldigen zich snel. Hier werkt het "vangen en cappen" (een maximum aan de vangst) heel goed. Het fungeert als een rem die automatisch ingrijpt als de populatie dreigt te dalen.
• Voor langzame vissen (zoals kabeljauw): Deze vissen leven lang. Bij hen werkt het simpelweg minder goed om alleen te "cappen". Hier is het belangrijker om de vangst direct te verlagen (de voorzichtigheidsfactor van 0,8).

De Grootste Les

Het artikel zegt eigenlijk: "Gebruik de simpele IJshockeystick, maar doe het niet naïef."

Als je weinig data hebt, is het beter om een simpel, stabiel model te gebruiken dat voorzichtig is, dan een complex model dat je een vals gevoel van zekerheid geeft. Maar je moet die simpele modellen wel combineren met een "rem" (voorzichtigheid) en een "spiegel" (leren van de data).

Kortom: In plaats van te proberen de perfecte voorspelling te maken met onvolledige informatie (wat gevaarlijk is), is het slimmer om een veilig, simpel model te gebruiken dat je continu aanpast. Zo kun je vissen vangen, maar blijft de vispopulatie gezond. Het is de kunst van het "veilig spelen" in plaats van "alles of niets".

Technische samenvatting

Titel

Robuustheid en beheersprestaties van MSY-referentiepunten afgeleid van het hockey-stick-model voor populatie-recruitment onder structurele onzekerheid.

1. Het Probleem

Het bepalen van de relatie tussen voortplantingsbiomassa (spawning stock biomass, SSB) en rekrutering (stock-recruitment relationship, SRR) is een van de grootste uitdagingen in visserijbeheer. Traditionele modellen zoals Beverton-Holt (BH) en Ricker (RI) vereisen voldoende variatie in historische data ("data contrast") om betrouwbare parameters te schatten.

• Data-tekort: In veel visserijbeoordelingen ontbreekt deze variatie (bijvoorbeeld door stabiele visserijdruk of korte beoordelingsperioden), waardoor het moeilijk is om te onderscheiden welk SRR-model het beste past.
• Alternatief: Het "hockey-stick" (HS) model (een gesegmenteerde regressie) wordt vaak gebruikt als pragmatisch alternatief omdat het geen extrapolatie buiten het waargenomen bereik vereist.
• Risico: Het is onvoldoende onderzocht hoe het gebruik van het HS-model (in plaats van het ware model) de schatting van referentiepunten voor maximale duurzame opbrengst (MSY) beïnvloedt, en welke gevolgen dit heeft voor het langetermijnbeheer, vooral bij onvoldoende data-contrast.

2. Methodologie

De auteurs voerden een hiërarchische simulatiestudie uit bestaande uit drie hoofdstappen:

• A. Simulatieontwerp en ware MSY-punten:

  • Er werden stochastische leeftijdsstructuurpopulatiemodellen gebruikt voor vier Japanse vissoorten (verschillend in grootte, levensduur en habitat: sardine, makreel, koolvis en platvis).
  • Drie SRR-modellen werden getest: HS, BH en RI.
  • Er werd gevarieerd in biologische parameters, steilheid ($h$) en rekruteringsvariabiliteit ($\sigma$).
  • MSY-referentiepunten ($F_{MSY}$, $SB_{MSY}$) werden berekend onder zowel deterministische als stochastische omstandigheden.

• B. Schattingsexperimenten (Bias en Variantie):

  • Data werd gegenereerd uit een populatie met een ware BH-relatie, maar zonder voldoende data-contrast (constante populatiegrootte).
  • Het HS-model werd toegepast op deze data om MSY-punten te schatten en vergeleken met de ware waarden en schattingen waarbij BH correct werd gebruikt.
  • Dit analyseerde de zuiverheid (bias) en variantie van de schattingen onder verschillende uitputtingsscenario's (laag, midden, hoog).

• C. Beheerstrategie-evaluatie (MSE):

  • Lange-termijn simulaties (40 jaar beheer) werden uitgevoerd om de prestaties van verschillende beheerstrategieën te testen.
  • Strategieën: Vergelijking van beheer gebaseerd op het ware BH-model (MP-BH) versus het HS-model (MP-HS) en een adaptieve strategie (MP-AIC) die schakelt tussen HS en BH op basis van Akaike Informatiecriterium (AIC).
  • Precautionaire maatregelen: Toepassing van een voorzorgsfactor ($\beta = 0.8$) en een vangstcap (capping) op de geschatte MSY.
  • Prestatiemetingen: Gemiddelde biomassa, kans op instandhouding boven veilige grenzen, gemiddelde vangst, variabiliteit in vangst en initiële vangstreductie.

3. Belangrijkste Bijdragen

• Definitie van Stochastische MSY onder HS: De auteurs definiëren en berekenen MSY-referentiepunten onder het HS-model rekening houdend met rekruteringsstochasticiteit, wat resulteert in andere waarden dan onder deterministische aannames.
• Bias-variantie trade-off: Het artikel kwantificeert de fundamentele trade-off: het HS-model levert schattingen met een hogere bias maar lagere variantie dan het ware BH-model wanneer data-contrast ontbreekt.
• Adaptief Beheer: Het toont aan dat het gebruik van HS alleen niet voldoende is, maar dat het gecombineerd met adaptief leren (modelverversing) en precautionaire maatregelen robuust beheer mogelijk maakt.
• Soortspecifiek Effect: Het onderzoek onthult dat de effectiviteit van precautionaire maatregelen (zoals vangstcaps) sterk afhangt van de levensgeschiedenis van de soort (bijv. pelagische vs. demersale soorten).

4. Resultaten

• Schattingseigenschappen:

  • Wanneer het ware model BH is maar HS wordt gebruikt, vertonen de MSY-schattingen een systematische bias (afhankelijk van de uitputtingsgraad: overschatting van $F_{MSY}$ bij lage biomassa, onderschatting bij hoge biomassa).
  • Echter, de variantie van de HS-schattingen is aanzienlijk lager dan die van BH-schattingen bij beperkt data-contrast.
  • Stochastische MSY-punten onder HS zijn gevoeliger voor rekruteringsvariabiliteit ($\sigma$) dan onder BH/RI, wat leidt tot bredere bereiken voor $SB_{MSY}/SB_0$.

• Beheersprestaties (MSE):

  • Naïef HS-gebruik: Zonder precautionaire maatregelen leidt het gebruik van HS tot een langzamere herstel naar de ware $SB_{MSY}$ en een blijvende bias in $F_{MSY}$.
  • Adaptieve Strategieën: Strategieën die HS gebruiken maar schakelen naar BH zodra de data dit ondersteunt (MP-AIC), of die HS combineren met precautionaire factoren, bereiken op lange termijn vergelijkbare biomassa- en opbrengstniveaus als het ware BH-model.
  • Precautionaire Maatregelen:
    • Een voorzorgsfactor van 0.8 ($\beta=0.8$) bleek zeer effectief voor alle soorten om de kans op succes te vergroten.
    • Vangstcap (Capping): Was zeer effectief voor pelagische soorten (korte generatietijd, hoge variabiliteit) om overbevissing te voorkomen, maar had weinig extra effect op demersale soorten (langere generatietijd, meer buffer).
  • Stabiliteit: HS-gebaseerde strategieën resulteerden in minder variabiliteit in de jaarlijkse vangst en minder drastische initiële vangstreducties dan BH-gebaseerde strategieën, wat het voor stakeholders acceptabeler maakt.

5. Betekenis en Conclusie

De studie concludeert dat het hockey-stick model een waardevol pragmatisch instrument kan zijn voor visserijbeheer, zelfs wanneer de ware SRR onbekend is of data-contrast ontbreekt.

• Robuustheid: Hoewel HS-schattingen vertekend kunnen zijn, is de lage variantie gunstig voor stabiliteit.
• Aanbeveling: Het gebruik van HS moet niet "naïef" gebeuren. Het moet worden gecombineerd met:
  1. Adaptief leren: Periodiek herzien van het model op basis van nieuwe data.
  2. Precautionaire maatregelen: Toepassing van een voorzorgsfactor (bijv. 0.8) en vangstcaps, afgestemd op de levensgeschiedenis van de vissoort.
• Toepassing: Deze aanpak biedt een praktische ingang voor het implementeren van MSY-gebaseerd beheer in visserijen waar complexe modellen momenteel niet haalbaar zijn, terwijl het risico op instorting van de populatie wordt beperkt.

De auteurs benadrukken dat deze bevindingen de overgang naar MSY-beheer wereldwijd kunnen ondersteunen, mits de onzekerheid in de SRR-structuur wordt gemanaged via een combinatie van voorzichtigheid en adaptiviteit.