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

Este estudo demonstra que, embora os pontos de referência de rendimento máximo sustentável (MSY) derivados do modelo de recrutamento "hockey-stick" apresentem viés, a sua combinação com medidas de precaução e aprendizagem adaptativa permite uma gestão pesqueira robusta e sustentável, mesmo na presença de incertezas estruturais e dados limitados.

O essencial

🎣 O Dilema do Pescador: Como Gerenciar um Banco de Peixes sem Saber o Futuro

Imagine que você é o gerente de um grande banco de peixes. Seu trabalho é garantir que os peixes se reproduzam o suficiente para que sempre haja comida para todos, sem esgotar o estoque. Para fazer isso, você precisa de um "mapa" que mostre a relação entre quantos peixes adultos existem (os pais) e quantos filhotes nascem (o recrutamento).

No mundo da pesca, esse mapa é chamado de Relação Stock-Recrutamento (SRR).

1. O Problema: O Mapa Desapareceu

Os cientistas têm dois mapas clássicos e muito confiáveis para prever isso: o modelo Beverton-Holt e o modelo Ricker. Eles são como GPSs sofisticados. Mas, para funcionar, esses GPSs precisam de dados históricos muito variados (precisam ter visto o banco de peixes muito cheio e muito vazio no passado).

O problema? Muitas vezes, os dados são ruins. É como tentar usar um GPS em uma estrada onde você só andou em linha reta por 10 anos. Você não sabe se a estrada faz curvas ou se tem buracos. Quando os dados são poucos e pouco variados, os modelos clássicos falham ou dão previsões bizarras (como prever que, se houver um peixe só, nascerão milhões de filhotes, o que é impossível).

2. A Solução "Tática": O Modelo de "Hockey" (HS)

Aqui entra o protagonista do artigo: o modelo Hockey-Stick (HS), ou "Haste de Hóquei".

• A Analogia: Imagine um gráfico onde a linha sobe em um ângulo de 45 graus (como o cabo de um taco de hóquei) e depois vira uma linha reta horizontal (como a lâmina do taco).
• Como funciona: Ele diz: "Até certo ponto, mais peixes adultos significam mais filhotes. Mas, depois de um certo limite, não importa quantos adultos você tenha, o número de filhotes não aumenta mais".
• A Vantagem: É um modelo "seguro". Ele não tenta adivinhar o futuro além do que já viu. Se os dados são ruins, ele não faz previsões malucas. É como dizer: "Não sei o que vai acontecer lá na frente, então vou assumir que vai continuar igual ao que vi até agora".

3. A Descoberta: O Jogo de "Viés vs. Variância"

Os autores do estudo (Ichinokawa e Okamura) fizeram milhares de simulações de computador para testar o que acontece se usarmos o modelo de Hóquei quando o "mapa real" é outro (como o Beverton-Holt).

Eles descobriram uma troca interessante, como escolher entre um carro rápido mas instável e um carro lento mas seguro:

• O Modelo Real (Beverton-Holt): Quando os dados são ruins, ele tenta adivinhar demais. Isso gera muita incerteza (variância alta). Às vezes ele diz "vamos pescar muito!", outras vezes "vamos parar tudo!". É como um GPS que muda de rota a cada 5 segundos.
• O Modelo de Hóquei (HS): Ele é menos preciso (tem mais "viés" ou erro sistemático), mas é muito mais estável. Ele não muda de ideia. A estimativa é sempre a mesma, mesmo que não seja a perfeita. É como um GPS que diz "siga reto" o tempo todo. Pode não ser o caminho mais curto, mas você não vai se perder em um beco sem saída.

Resumo da troca: O modelo de Hóquei erra um pouco mais na direção, mas nunca dá um susto gigante.

4. A Estratégia de Gerenciamento: Como Usar o "Hóquei" sem Errar

A grande pergunta era: Podemos usar esse modelo "imperfeito" para gerenciar a pesca?

A resposta é SIM, mas com condições. O estudo mostra que, se você usar o modelo de Hóquei sozinho, pode acabar pescando demais ou de menos. Mas, se você adicionar medidas de precaução, o sistema funciona muito bem.

Eles testaram três "cintos de segurança":

1. Fator de Precaução (0.8): Em vez de pescar 100% do que o modelo diz que é seguro, você pesca apenas 80%. É como dirigir a 80 km/h em vez de 100 km/h em uma estrada nebulosa.
2. Teto de Captura (Capping): Se o modelo diz que você pode pegar 1.000 toneladas, mas o peixe está escasso, você coloca um teto máximo. Não importa o que o modelo diga, você não passa de X toneladas.
3. Aprendizado Adaptativo: Você não fica preso ao modelo de Hóquei para sempre. A cada 5 anos, você olha os novos dados. Se os dados melhorarem e mostrarem que o modelo clássico (Beverton-Holt) é melhor, você muda de modelo. É como atualizar o software do seu GPS.

5. O Resultado Final: O Que Funciona?

O estudo concluiu que:

• Para peixes pequenos e rápidos (como sardinhas, que nascem e morrem rápido): O "Teto de Captura" funciona muito bem. Como eles mudam rápido, o teto impede que a pesca exagere em anos bons.
• Para peixes grandes e lentos (como bacalhaus ou linguados): O "Fator de Precaução" (dirigir mais devagar) é mais importante.
• A Combinação Vencedora: Usar o modelo de Hóquei (que é estável) + um fator de segurança (pescar menos do que o máximo) + atualizar o modelo com o tempo.

Conclusão: Por que isso importa?

Muitos países não conseguem gerenciar suas pescarias porque os dados são ruins e os modelos complexos dão resultados que ninguém confia.

Este artigo diz: "Não espere ter dados perfeitos para começar a gerenciar."
Você pode usar o modelo de "Hóquei" (que é simples e seguro) como um ponto de partida. Ele pode não ser perfeito, mas se você adicionar um pouco de cautela (pescar menos) e for atualizando a estratégia com o tempo, você consegue manter os peixes saudáveis e a pesca rentável, evitando o colapso dos estoques.

É como construir uma casa em terreno instável: em vez de tentar calcular a fundação perfeita (o que é impossível sem dados), você constrói uma estrutura flexível e segura, e vai reforçando os pilares conforme o tempo passa.

Resumo técnico

Título: Robustez e desempenho de gestão de pontos de referência para Rendimento Máximo Sustentável (RMS) derivados do modelo de recrutamento "hockey-stick" sob incerteza estrutural

1. Problema e Contexto

A gestão sustentável de pescarias depende criticamente da estimativa precisa do Rendimento Máximo Sustentável (RMS) e dos seus pontos de referência associados (como a biomassa de reprodução SBMSY e a mortalidade por pesca FMSY). Estes são derivados da relação entre recrutamento e biomassa de reprodução (SRR). No entanto, a inferência da SRR correta é um dos maiores desafios na avaliação de stocks, especialmente quando há insuficiência de contraste nos dados (variações limitadas na biomassa de reprodução ao longo do tempo), o que impede a distinção estatística entre modelos tradicionais como Beverton-Holt (BH) e Ricker (RI).

Nesses cenários, o modelo Hockey-Stick (HS) (regressão segmentada) é frequentemente utilizado como alternativa empírica para evitar extrapolações irreais de recrutamento. Contudo, as consequências da gestão ao utilizar pontos de referência derivados do HS (quando a verdadeira dinâmica do stock segue outro modelo, como BH) e os riscos associados a essa especificação estrutural inadequada não foram totalmente compreendidos. O estudo visa preencher essa lacuna, analisando o viés, a variância e o desempenho de gestão a longo prazo.

2. Metodologia

Os autores conduziram uma série de simulações hierárquicas utilizando dinâmica populacional estruturada por idade, cobrindo quatro espécies japonesas representativas (sardinha, cavala, bacalhau e linguado) com diferentes histórias de vida.

• Fase A (Definição de RMS): Cálculo de pontos de referência RMS determinísticos e estocásticos sob três SRRs (HS, BH, RI), variando parâmetros de história de vida, steepness (h) e variabilidade de recrutamento ($\sigma$).
• Fase B (Experimentos de Estimativa): Simulação de cenários com baixo contraste de dados (biomassa constante em níveis baixo, médio e alto) onde os dados foram gerados pelo modelo BH, mas estimados usando o modelo HS. O objetivo foi quantificar o viés e a variância dos pontos de referência estimados.
• Fase C (Avaliação de Estratégia de Gestão - MSE): Simulação de longo prazo (40 anos de gestão) para testar o desempenho de diferentes regras de colheita (HCR). Foram comparadas cinco estratégias de gestão (MPs):
  1. MP-BH/N: Usa sempre BH (sem tampa de captura) – Cenário de referência ideal.
  2. MP-HS/N: Usa sempre HS (sem tampa).
  3. MP-HS/C: Usa HS com tampa de captura (capping) no RMS estimado.
  4. MP-AIC/N: Usa HS, mas muda para BH se o Critério de Informação de Akaike (AIC) indicar melhor ajuste.
  5. MP-AIC/C: Combinação de seleção adaptativa (AIC) com tampa de captura.
  • As estratégias também variaram quanto ao fator de precaução ($\beta = 0.8$ ou $1.0$) e ao limiar de biomassa (SBtrigger).
• Análise Estatística: Uso de Modelos Lineares Generalizados (GLM) para identificar quais medidas de precaução mais influenciaram o sucesso da gestão (biológico e de captura) através de diferentes espécies e níveis de depleção.

3. Principais Contribuições e Resultados

• Trade-off Viés-Variância: O estudo confirma um trade-off fundamental. Quando o HS é aplicado a stocks que seguem a dinâmica BH (especialmente com baixo contraste de dados), os pontos de referência derivados do HS apresentam maior viés (tendendo a subestimar a SBMSY e superestimar a FMSY em stocks depletados) mas menor variância (mais estabilidade nas estimativas) em comparação com o uso correto do modelo BH. O HS evita extrapolações, reduzindo a incerteza extrema, mas introduz um viés estrutural.
• Desempenho de Gestão:
  • Estratégias que usam apenas HS sem medidas de precaução (MP-HS/N) levam a um viés persistente e recuperação mais lenta do stock em cenários de depleção severa.
  • Estratégias que combinam o uso do HS com medidas de precaução (fator de precaução $\beta=0.8$ e/ou tampa de captura no RMS estimado) e aprendizado adaptativo (seleção de modelo via AIC) conseguiram reduzir o viés ao longo do tempo.
  • A estratégia MP-AIC/C (adaptativa com tampa) demonstrou desempenho comparável ao da estratégia ideal (MP-BH/N) em termos de biomassa e rendimento, com a vantagem de menor variabilidade nas capturas e reduções iniciais menos drásticas.
• Dependência de História de Vida: A eficácia das medidas de precaução varia conforme a espécie:
  • Espécies pelágicas (ciclo de vida curto): Beneficiaram-se significativamente da tampa de captura, pois a variabilidade de recrutamento se traduz rapidamente em flutuações de biomassa e TAC.
  • Espécies demersais (ciclo de vida longo): Beneficiaram-se mais do fator de precaução ($\beta=0.8$), que reduz diretamente a mortalidade por pesca, sendo a tampa de captura menos eficaz devido à dinâmica populacional mais amortecida.
• Definição de RMS Estocástico: O estudo destaca que, sob o modelo HS, a variabilidade de recrutamento tem um impacto maior na SBMSY do que nos modelos BH/RI, exigindo níveis de biomassa-alvo mais altos para garantir a sustentabilidade, alinhando-se com abordagens precautórias atuais (como as do ICES).

4. Significância e Conclusões

O artigo fornece suporte empírico e teórico para o uso prático do modelo Hockey-Stick em avaliações de stocks onde os dados são insuficientes para suportar modelos mais complexos. As conclusões principais são:

1. Viabilidade do HS: O modelo HS pode ser uma ferramenta robusta para gestão, desde que não seja usado de forma ingênua.
2. Necessidade de Precaução: O uso do HS deve ser obrigatoriamente acompanhado de estratégias de precaução (como fatores de redução de captura e limites de TAC) e mecanismos de aprendizado adaptativo para corrigir o viés estrutural ao longo do tempo.
3. Gestão Robusta: A combinação de HS com medidas de precaução permite manter a gestão próxima do RMS real, limitando a variabilidade das capturas e evitando reduções drásticas iniciais, o que pode facilitar a aceitação pelos stakeholders.
4. Ampliação de Opções: Estas descobertas ampliam o leque de opções de gestão para pescarias onde a incerteza estrutural impede a aplicação de modelos tradicionais, apoiando a transição global para a gestão baseada no RMS mesmo em condições de dados limitados.

Em suma, o estudo demonstra que, embora o HS introduza viés, a sua baixa variância, quando combinada com gestão adaptativa e precautória, oferece um caminho viável e robusto para a sustentabilidade pesqueira sob incerteza.