DESAFÍOS ACTUALES Y SOLUCIONES EMERGENTES PARA EL ASESORAMIENTO EN ORDENACIÓN BASADO EN EVIDENCIA

Manuel Correia (Recopilación) - Asesor FUNDATUN - 22 de febrero de 2023

INTRODUCCIÓN

La administración de la pesca es un proceso continuo, sucesivo y permanente, mediante el cual se evalúan los datos, se percibe el estado de las poblaciones y se intenta predecir los impactos con base científica, para ordenar acciones que, en el corto y mediano plazo, garanticen la conservación y uso sostenible en el largo plazo. Esta dinámica de gestión, con aciertos y desaciertos, ha logrado la conservación de los recursos y el aprovechamiento sostenible de la mejor forma posible en las últimas décadas (Figura 1). Cabe destacar que la gobernanza de la pesca en las Áreas Más Allá de las Jurisdicciones Nacionales (ABNJ, por sus siglas en inglés) se encuentra debidamente abordada en diversos instrumentos del Derecho Internacional como la Convención de las Naciones Unidas sobre el Derecho del Mar (CONVEMAR) y el Acuerdo Relativo a la Conservación y Ordenación de Poblaciones de Peces Transzonales y las Poblaciones de Peces altamente migratorios (Acuerdo de Nueva York de 1995), el Código de Conducta para la Pesca Responsable, y los tratados multilaterales bajo los cuales funcionan las Organizaciones Regionales de Ordenación Pesquera (OROP’s).

Figura 1.- Guía estratégica para implementar un marco de gestión pesquera integrado y basado en evidencia

Figura 2.- Organismos Regionales de Ordenación Pesquera (OROP´ s) del atún

Desde el 23 de febrero de 2023 se retomó el Quinto Período de Sesiones de las conversaciones de la Conferencia intergubernamental sobre un instrumento internacional jurídicamentevinculante enelmarcodelaConvenciónde las Naciones Unidas sobre el Derecho del Mar sobre la conservación y utilización sostenible de la diversidad biológica marina en zonas situadas fuera de la jurisdicción nacional (BBNJ, por sus siglas en inglés) en la sede de la Organización de las Naciones Unidas (ONU) en la ciudad de Nueva York. Siendo uno de los procesos de negociación más importantes de las últimas décadas, en donde se apunta a definir el futuro de la creación de más Áreas Marinas Protegidas (AMP´s).

En esta oportunidad, aprovechando que algunos debates han pretendido desconocer el valor de que sea explícita la alusión a los miembros de las OROP’s como destinatarios del beneficio de la participación en los procesos bajo la BBNJ, se presenta una la revisión de los actuales desafíos y soluciones de cinco campos interrelacionados de modelado de pesquerías; que incluyen: Métodos de Datos Limitados (MDL), evaluación de poblaciones, modelado espacial, modelado de ecosistemas y Evaluación de Estrategias de Ordenación (EEO). La Tabla 1 muestra un resumen que resalta los principales impedimentos que ocurren en la interfaz ciencia-política y algunas posibles soluciones emergentes.

Tabla 1 - Resumen de nuevas fuentes de datos y cómo se pueden utilizar en modelos de pesca. (Según Goethel y col., 2022)

EVALUACIÓN DE HERRAMIENTAS DISPONIBLES

Aunque los modelos de evaluación de poblaciones se están volviendo cada vez más sofisticados, al incorporar efectos aleatorios para rastrear las perturbaciones provocadas por el medio ambiente y evitar sesgos debido a una flexibilidad inadecuada de sus valores, siguen siendo esencialmente empíricos y describen patrones históricos recientes debidos casi exclusivamente a los efectos de la pesca. A continuación se presenta una recopilación de un amplio espectro de herramientas cuantitativas que sirven para guiar la gestión de las pesquerías.

1. Métodos de gestión y evaluación con datos limitados. La mayoría de las pesquerías no poseen los datos necesarios para respaldar los métodos de evaluación tradicionales ni la capacidad de recursos para desarrollar asesoramiento de gestión basado en modelos. El término “limitado en datos” sigue siendo la frase general para pesquerías o poblaciones que tienen deficiencias de datos, pero también puede referirse a situaciones que carecen de recursos técnicos o de gestión. El problema obvio para estos casos de datos limitados es la baja calidad o la falta de datos, lo que requiere maximizar el contenido de información de las fuentes de datos existentes, tomando prestada información de especies similares ricas en datos, explorar métodos de seguimiento de bajo costo o utilizar el Conocimiento Ecológico Local (CEL) para monitorear las tendencias de la población.

Eventualmente se percibe en algunas OROP´s una presión al realizarse evaluaciones formales de poblaciones incluso cuando existen limitaciones extremas de datos, lo que a menudo resulta en una aplicación incorrecta de algún modelo, ya que muchas veces se buscan soluciones genéricas o una aplicación general de un único enfoque analítico para muchas poblaciones.

La aplicación a ciegas de un conjunto de MDL sin comprender cómo se recopilaron los datos o los supuestos subyacentes del modelo pueden generar evaluaciones poco confiables y asesoramiento de gestión inapropiado. De esta manera, se espera una mayor incertidumbre debido a la necesidad de simplificar los supuestos del modelo, compartir datos biológicos entre regiones o especies, identificación errónea de especies similares e intensidad de muestreo baja o aleatoria.

1a. Dificultades de seguimiento y gestión de pesquerías multiespecíficas. Los enfoques para evaluar y gestionar las pesquerías multiespecíficas con datos limitados incluyen la selección de especies indicadoras para representar las poblaciones no evaluadas mediante la evaluación cuantitativa de poblaciones o la agregación de poblaciones en un grupo. Este enfoque asume que las especies elegidas son representativas de otras especies no evaluadas. Sin embargo, las especies seleccionadas generalmente deberían tener niveles de riesgo más altos; es decir, ser más vulnerables a las presiones externas en comparación con otras especies no indicadoras.

1b. Recomendación: estrategias de gestión empírica. Las pesquerías con capacidad y datos limitados enfrentan restricciones de recursos tanto técnicos, como humanos, como monetarios y enfrentan circunstancias únicas, según la administración local, que complican la tarea de asesoría. Los métodos empíricos y de datos limitados deben integrarse en estrategias de gestión que sean sólidas a los niveles más altos de incertidumbre en los resultados de la evaluación, mediante la inclusión de medidas de gestión preventivas. Por ejemplo, cuando se puede desarrollar una medida de abundancia relativa, rendimiento por recluta, huevo por recluta o un indicador basado en una muestra representativa de frecuencia de tallas, proporciona el requisito mínimo para que una RegladeControldeCapturas (HCR, siglas en inglés) regule los niveles de aprovechamiento (capturas).

Figura 3.- Regla de decisión (algoritmo/fórmula) para la ordenación de una pesquería

2. Evaluación general de poblaciones. Por el contrario, cuando los datos lo permiten, a menudo se implementan evaluaciones completas basadas en modelos para determinar el estado de la población (stock). Gran parte de la ciencia moderna de evaluación de poblaciones "rica en datos" se basa en el paradigma del "análisis integrado" , en el que el desarrollo de la dinámica de población modelada se basa en el conocimiento del sistema en consideración, los datos disponibles y cómo se utilizará en la evaluación con fines de gestión. Las técnicas básicas, para realizar evaluaciones de stock, están bien desarrolladas para los modelos de evaluación estructurados por edad y tamaño.

Figura 4 - Modelo conceptual de cómo los objetivos de gestión y las limitaciones biológicas guían la selección de reglas de control de la captura (Modificado de Berger y col., 2012)

2a. Uso inconsistente de modelos de diagnóstico. Un paso fundamental, al realizar cualquier evaluación de stock, es evaluar si el modelo proporciona un ajuste adecuado a los datos; sin embargo, sigue existiendo inconsistencia con respecto a ¿qué diagnóstico utilizar? y ¿qué constituye evidencia para el rechazo del modelo?. La mayoría de las evaluaciones, que examinan múltiples diagnósticos, en ocasiones han llevado al rechazo cuando se usan con fines de gestión. La tarea es conseguir una configuración del modelo para la cual no haya evidencia de una especificación incorrecta y que proporcione resultados plausibles

2b. Subjetividad del punto de referencia. La ordenación pesquera normalmente implica comparar una población medida o una variable pesquera (p. ej., biomasa actual o mortalidad por pesca) con un punto de referencia objetivo o límite. Calcular puntos de referencia a menudo requiere definir valores para parámetros que son difíciles de estimar; como por ejemplo, los parámetros de reclutamiento de la población. Por esta razón, los puntos de referencia a menudo se desarrollan utilizando simulaciones generalizadas y, a su vez, en base a metaanálisis previos; sin embargo, las diferencias entre poblaciones no se reconocen adecuadamente, lo que lleva a puntos de referencia inapropiados o subjetivos, que pueden dificultar el desempeño de la gestión. Además, las definiciones y los métodos inconsistentes para el cálculo de los puntos de referencia límite (es decir, los niveles de población por debajo de los cuales es probable que se vea afectada la sustentabilidad del recurso) crean una mayor incertidumbre en el manejo a medida que se acercan a los valores límites

2c. Dificultades para abordar la no estacionalidad del punto de referencia. La variación en el tiempo de parámetros biológicos básicos (como el crecimiento, la mortalidad natural y el reclutamiento) se reconoce ampliamente y se tienen en cuenta en los modelos de evaluación integrados; pero se vuelve controvertido el ¿cómo abordar la variación resultante en el tiempo en los puntos de referencia? Algunas evaluaciones utilizan puntos de referencia dinámicos o permiten cambios similares a cambios de régimen.

Aunque es deseable tener en cuenta los cambios en los parámetros de la población a lo largo del tiempo, las implicaciones para los puntos de referencia objetivo y límite suelen ser controvertidas. Por ejemplo, las reducciones en la productividad pueden conducir a objetivos de puntos de referencia más bajos y a la falta de medidas de gestión frente a la disminución de la biomasa.

2d. Recomendación: mayor uso de efectos aleatorios. Los efectos aleatorios son un marco estadístico unificador para campos de investigación dispares en biología pesquera. El uso de efectos aleatorios en ecología estaba previamente restringido a modelos lineales, debido a las demandas computacionales de aproximar la probabilidad marginal maximizada para la estimación de parámetros; sin embargo, el acceso a software de diferenciación automática ha ayudado sustancialmente a la adopción de estos.

La complejidad de un modelo de dinámica de población, así como su capacidad para emular la variación temporal y espacial en procesos como el reclutamiento, la selectividad y el crecimiento, depende de cuántos parámetros se estimen.

Tradicionalmente, las evaluaciones de stock y los análisis asociados trataban todos los parámetros del modelo como efectos fijos. Cuando la variación temporal, espacial o de edad en un proceso se tuvo en cuenta en una evaluación de stock, se hizo utilizando la "verosimilitud penalizada" , con los parámetros que definen la variación tratada como efectos fijos y sujetos a una penalización. Además, el parámetro que determinaba el grado de variación se especificó o ajustó previamente y, a menudo, posteriormente se descubrió que estaba sustancialmente sesgado. Sin embargo, en la literatura estadística, tal variación se trataría modelando los parámetros asociados como efectos aleatorios. Ahora se reconoce que la "verosimilitud penalizada" es solo una aproximación rudimentaria a los efectos aleatorios, y generalmente se limita a permitir que solo un proceso varíe en el tiempo debido a restricciones computacionales.

3. Modelos espaciales La estructura espacial de la población está influenciada por el entorno biofísico marino (p. ej., corrientes, temperatura, presas y depredadores), el comportamiento de los peces (p. ej., preferencias de hábitat, dispersión y movimiento) y los patrones de pesca, que pueden manifestarse en una variedad de patrones biogeográficos. Los modelos espaciotemporales (incluida la distribución de especies) pueden dilucidar las distribuciones locales y a gran escala, al tiempo que vinculan la dinámica de la población con las variables ambientales o del hábitat. Por otro lado, los modelos espacialmente estratificados pueden dar cuenta de la estructura de la población y la dinámica espacial a gran escala.

Figura 5.- Captura retenida (TM) de Atún Aleta Amarilla en el Océano Pacífico Oriental durante el período 2010-2020 (Datos CIAT)

3a. Impedimentos de datos. Existe una compensación inherente entre la cantidad de datos y la precisión del modelo espacial, porque los tamaños de las muestras disminuyen con el aumento de la resolución del modelo. La contabilidad de la autocorrelación espacial y los efectos aleatorios, como se hace en los modelos espaciotemporales, puede ayudar a superar estas limitaciones de datos, al compartir información en todo el dominio del modelo y reducir la cantidad efectiva de parámetros que deben estimarse

Aunque la mayoría de los programas de recopilación de datos, independientes y dependientes de la pesca, ahora recopilan de forma rutinaria coordenadas espaciales precisas, los datos históricos recopilados antes de la disponibilidad generalizada de los Sistema de Posicionamiento Global (GPS) o los Sistema de Monitoreo de Embarcaciones (VMS) generalmente solo se informaban en áreas de gestión a gran escala. Por lo tanto, el análisis histórico de patrones espaciales a escala fina a menudo se excluye; ya que las “líneas base” son difíciles de establecer y la resolución espacial de los modelos que utilizan la serie temporal completa se ve obligada a ser más gruesa de lo deseado. La información sobre la estructura de la población también es un requisito previo para las evaluaciones espaciales, pero su recopilación y análisis puede ser costoso y llevar mucho tiempo. Se necesita una investigación continua sobre la mejor manera de integrar la gran cantidad de nuevas fuentes de datos georreferenciados, incluida la forma de manejar el posible sesgo de muestreo, para garantizar una aplicación más amplia de los modelos espaciales.

3b. Restricciones metodológicas. La parametrización excesiva es una preocupación rutinaria para los modelos espaciales, porque la cantidad de parámetros aumenta con la cantidad de unidades espaciales modeladas, mientras que los tamaños de muestra de datos asociados disminuyen; a menos que se introduzcan efectos aleatorios. Identificar la estructura espacial y temporal apropiada o factible, que está influenciada por los datos, el poder de cómputo y los objetivos de gestión, a menudo requiere equilibrar objetivos contrapuestos (es decir, resolución, realismo, exactitud, precisión, tiempo de ejecución y costo) que influyen en todos los objetivos supuestos del modelo. Si bien rara vez se logra la resolución espacio-temporal deseada, los objetivos de gestión aún pueden cumplirse con modelos de complejidad intermedia y la resolución subóptima debe sopesarse frente a la alternativa de utilizar enfoques espacialmente agregados.

3c. Recomendación: hibridación de modelos. Los enfoques de modelado multiescalar, modular e híbridos seguirán ganando terreno, a medida que las facetas de cada sistema se tomen prestadas y se compartan. Por ejemplo, mediante el uso de enfoques de modelado híbrido, la naturaleza multiescalar de las fuentes de datos comunes (p. ej., datos de registro biológico a escala fina y datos históricos de pesca a gran escala) y los procesos de población pueden abordarse explícitamente, al mismo tiempo que se ajustan a la escala de gestión (p. ej., mediante la incorporación de submodelos espaciotemporales dentro de evaluaciones estratificadas espacialmente de resolución más gruesa).

De manera similar, la incorporación más amplia de marcos de espacio de estado, que utilizan efectos aleatorios espaciales y temporales, y la autocorrelación espacial ayudarán a la implementación de enfoques de evaluación espacialmente explícitos, al reducir la cantidad de parámetros efectivos.

A medida que se comprende mejor el uso del hábitat, el aumento de la sofisticación y la validación de las funciones de preferencia del hábitat, para definir las dinámicas de movimiento y conectividad, permitirán modelos de resolución más fina. La preferencia y la utilización del hábitat a lo largo de las etapas de la vida (es decir, la ecología espacial) representan una transición natural para incorporar los componentes del ecosistema en las asesorías de ordenamiento.

4. Modelado de ecosistemas Ha habido una mayor sofisticación en los modelos de evaluación de ecosistemas a medida que la Gestión Pesquera Basada en Ecosistemas (EBFM, por sus siglas en inglés) comenzó a implementarse en todo el mundo y que los impactos inducidos por el clima en los recursos marinos se han reconocido más ampliamente. En muchas jurisdicciones, los Modelos de Complejidad Intermedia para Evaluaciones de Ecosistemas (MCIE) se ajustan a los datos observados y los modelos de ecosistemas completos. Ahora se utilizan para proporcionar una comprensión holística de las posibles acciones de gestión sobre el funcionamiento de los ecosistemas; sin embargo, la integración de los resultados del modelo de ecosistema en el asesoramiento de gestión cuantitativa sigue siendo difícil de alcanzar.

Figura 6.- Ganancia en complejidad y sofisticación de los modelos de evaluación pesquera

4a. Dificultad para integrar ecosistemas y métodos de evaluación. Debido a que la mayoría de los procesos de gestión pesquera están estructurados a nivel de población, un primer paso razonable hacia EBFM es integrar los efectos clave del clima y el ecosistema en las evaluaciones de población existentes; sin embargo, surgen dificultades, con las evaluaciones de poblaciones vinculadas a ecosistemas, debido a los intentos de modelar relaciones complejas entre procesos de dinámica de población y variables ambientales utilizando vínculos relativamente simples basados en correlaciones.

Los enfoques correlativos a menudo han explicado una limitada variación en los parámetros de la dinámica de la población (como el reclutamiento anual), probablemente porque el vínculo actual con el ecosistema sigue sin comprenderse bien. Además, las correlaciones a menudo se debilitan o fallan con el tiempo, lo que enfatiza la necesidad de desarrollar una comprensión mecanicista de los impulsores de la productividad de las poblaciones a nivel del ecosistema. En general, visualizamos un enfoque escalonado para identificar y eventualmente incorporar información del ecosistema en las evaluaciones de poblaciones y la Evaluación de Estrategias de Ordenación (EEO)

Actualmente, hay dos formas comunes a través de las cuales el conocimiento del ecosistema y los modelos de evaluación de poblaciones pueden vincularse de manera efectiva: la mortalidad natural y la dinámica espacial. Escalar el parámetro de mortalidad natural para tener en cuenta la depredación, las interacciones de múltiples especies o los impulsores ambientales es el método más común. La contabilidad de la dinámica espacial también representa una intersección potencial entre los modelos de una sola especie y los ecosistemas, dada la importancia compartida de la contabilidad de los procesos espaciales. La investigación futura debe centrarse en colaboraciones interdisciplinarias para ayudar a la hibridación entre la evaluación y los marcos del MCIE, con un enfoque en la dinámica espacial.

4b. Recomendación: modelado de transiciones de régimen ecosistémico Identificar e incorporar los cambios de régimen en los sistemas de gestión sigue siendo un desafío crítico; porque la ignorancia de las condiciones biológicas, del ecosistema o climáticas cambiantes puede conducir a recomendaciones de capturas no sostenibles. Desarrollar un consenso con respecto al momento y el impacto de una transición de régimen es extremadamente difícil; especialmente considerando que es probable que los cambios ambientales influyan de manera diferente (es decir, en términos del grado de impacto, los procesos de población afectados y el momento del impacto) en cada especie en el ecosistema. De manera similar, la pesca y las medidas de gestión asociadas también juegan un papel en los cambios de régimen y también se debe considerar la contribución potencial de las actividades antropogénicas.

5. Evaluación de Estrategias de Gestión (EEO) La EEO utiliza un sistema de pesca biológico simulado para determinar las estrategias de gestión que probablemente sean sólidas para los datos del mundo real, el modelo, la gestión y la incertidumbre del ecosistema. El modelo operativo simula la implementación del asesoramiento de gestión (incluida la retroalimentación entre la estrategia de gestión y el modelo operativo), la biología de la dinámica de los recursos subyacentes, cómo las pesquerías capturan esos recursos y el muestreo de datos. La EEO ha llevado a un cambio de paradigma en el asesoramiento de gestión pesquera cuantitativa, al trasladar el modelado de pesquerías al ámbito de la formación de políticas. Existe una variedad de aplicaciones potenciales para EEO en el modelado y la gestión de pesquerías (p. ej., optimización de la recopilación de datos, prueba de solidez del modelo y exploración del desempeño de la estrategia de gestión); lo cual ha sido demostrado por la extensa referencia a su uso.

Figura 7.- Modelos de reglas de control de captura (línea azul continua) para mostrar cómo se pueden desarrollar reglas de captura en relación con los Puntos de Referencia

5a. Falta de metodología estandarizada de EEO Una barrera, para una implementación y adopción más amplias de EEO, ha sido la proliferación de enfoques de “EEO dispares” ; lo que ha creado confusión, entre los gerentes y las partes interesadas, en cuanto a los beneficios potenciales de adoptar o participar en iniciativas de EEO. Si bien muchas evaluaciones se utilizan para desarrollar e implementar una estrategia de gestión para una pesquería específica o para identificar estrategias de gestión genéricas que son aplicables a una variedad de pesquerías, la adopción de una terminología estandarizada y el trabajo adicional para definir claramente la EEO (y la metodología asociada) ayudaría a reducir la confusión con respecto a los objetivos y capacidades de las diferentes iniciativas de ordenación. De manera similar, el desarrollo de atajos en las estrategias de ordenación, que simplifican aspectos del sistema simulado, conduce a un sistema que difiere de la definición estándar. El resultado suele ser una confusión con respecto a la distinción entre la EEO y el paradigma de la "mejor evaluación", así como el papel de una evaluación de stock cuando se implementa una estrategia de ordenación basada en modelos.

5b. Pasando por alto las meta-reglas para la implementación de EEO a largo plazo Un impedimento común para la implementación exitosa de la EEO, para la provisión de asesoramiento de gestión, es la falta de reglas bien explicitas que definan: el momento y las condiciones para una revisión de la estrategia de gestión; la frecuencia de revisión de posibles circunstancias excepcionales; y la especificación del proceso alterno que sigue si se identifican circunstancias excepcionales. En conjunto, dichas directivas se conocen como "metareglas". Las meta-reglas también pueden especificar la frecuencia para implementar la estrategia de ordenación, junto con el rol distintivo y el momento de una evaluación completa de la población. A pesar de la importancia de las meta-reglas, a menudo se pasan por alto cuando se desarrollan estrategias de gestión.

5c. Recomendación: optimizar la recopilación de datos. Un objetivo principal en el desarrollo de un asesoramiento basado en evidencia, para la gestión de recursos naturales, es ¿cómo utilizar mejor y recopilar datos de manera rentable para respaldar estrategias de gestión sólidas?. La EEO se puede utilizar para identificar si los diseños experimentales de recopilación de datos pueden proporcionar una respuesta de retroalimentación dentro de una estrategia de gestión determinada. Por lo tanto, se espera que la EEO se implemente cada vez más para simular las compensaciones entre los beneficios de recopilar varios datos, en términos de mejoras de gestión, y en comparación con los costos de recopilación asociados.

En particular, se espera que los avances en el modelado espacial y la aplicación de MCIE permitan acondicionar modelos operativos de ecosistemas espacialmente explícitos, mejorando así las pruebas de robustez y dando pasos tangibles hacia la implementación de la Gestión Pesquera Basada en Ecosistemas (EBFM, por sus siglas en inglés).

5d.Traducirelasesoramientocientíficoenmedidasdegestión En la ordenación pesquera moderna, el cruce de la interfaz científico-normativa suele adoptar la forma de una Regla de Control de Capturas (HCR, por sus siglas en inglés). La HCR es la base técnica para traducir el asesoramiento científico, basado en evidencia, en respuestas de ordenación, basadas en una relación predeterminada que está diseñada para lograr medidas específicas de desempeño. Aunque las HCR ahora son comunes, la transición del asesoramiento científico a acciones de manejo a menudo se ven obstaculizadas por la incertidumbre científica y la implementación imperfecta del manejo.

5e. Inercia científica y de gestión. Hay muchos beneficios en un enfoque estable para brindar asesoramiento de gestión; pero la inercia institucional puede conducir a la "maldición del statu quo". La inercia en la gestión pesquera puede tomar muchas formas, comenzando con el estancamiento de los consejos científicos cuando los científicos carecen del tiempo o motivación para aprender nuevas habilidades o adoptar una nueva metodología. A pesar de que la ciencia de evaluación de poblaciones se basa en el desarrollo continuo de nuevos enfoques que desafían los paradigmas existentes, la carga de la prueba para demostrar que un nuevo método mejora el asesoramiento de ordenación puede ser onerosa. Por ejemplo, la inercia institucional puede impedir la adopción de nuevos enfoques de evaluación debido a las limitaciones de tiempo, la falta de motivación de los científicos para aplicar nuevos métodos, los costos asociados con la adaptación a un nuevo marco de evaluación y gestión, la mala comunicación y la dificultad para comprender los resultados multidimensionales de modelos más complejos. Eventualmente, el asesoramiento de gestión se volverá más flexible y adaptable, una vez que haya una mayor exposición a nuevos enfoques de modelado o estrategias de gestión, una mayor difusión de las mejores prácticas y un mejor acceso a las oportunidades de capacitación.

5f. Asesoramiento científico y objetivos de gestión mal definidos. Todas las intervenciones de gestión pesquera requieren objetivos específicos, medibles y con plazos para permitir la evaluación del desempeño; así como para informar el diseño de programas de monitoreo. Sin embargo, muchas acciones de gestión son enfoques “ad hoc” reactivos, que a menudo excluyen el asesoramiento directo basado en modelos o las evaluaciones cuantitativas del desempeño. Por ejemplo, en el caso de las Herramientas de Gestión Basadas en Áreas (ABMT p. ej., las áreas marinas protegidas), la selección del sitio puede ser oportunista y no estar basada en criterios ecológicos o cuantitativos. Se pueden desarrollar herramientas analíticas para analizar retrospectivamente e inferir los impactos reales y el desempeño de las medidas de gestión, como el enfoque de modelado de control sintético basado en predicciones contra actuales que se utiliza para comprender los impactos de los ABMT. Además, si los objetivos de manejo son claros, el asesoramiento científico puede ser impreciso, mal comunicado o considerar la incertidumbre de manera inadecuada, por lo que se pueden tomar decisiones propensas al riesgo, a pesar de creer que la política resultante será sostenible y estará en línea con el asesoramiento científico. La responsabilidad recae en los científicos para garantizar que no haya ambigüedad al redactar el asesoramiento, que la incertidumbre se explore a fondo y que las implicaciones resultantes se transmitan adecuadamente a los administradores y partes interesadas.

5g. Recomendación: sinergismo en el asesoramiento de gestión a través de colaboraciones interdisciplinarias. Un asesoramiento sólido en gestión pesquera requiere un conocimiento interdisciplinario que abarque e integre una diversidad de campos de la pesca; incluida la biología, la ecología, las ciencias sociales y la economía. Históricamente, las disciplinas pesqueras se han aislado y segregado; sin embargo, los equipos de investigación se están volviendo cada vez más interdisciplinarios, al incluir a los recolectores de datos, los biólogos, los científicos evaluadores, los modeladores de ecosistemas, los científicos sociales y, a menudo, a las partes interesadas. Una mayor colaboración entre disciplinas conduce a importantes desarrollos paralelos y sinérgicos; adicional a que el paradigma de la EBFM reconoce explícitamente la importancia de la investigación interdisciplinaria. Al avanzar hacia un uso cada vez mayor de resultados científicos interdisciplinarios, en la provisión de asesoramiento de gestión cuantitativa, un primer paso práctico es la recopilación de métricas cualitativas e índices cuantitativos (cuando sea factible) de la salud del ecosistema y el desempeño socioeconómico. El siguiente paso son las iniciativas de modelado participativo para desarrollar modelos de redes conceptuales (es decir, un Enfoque Ecosistémico Integrado o IEA), que describan relaciones funcionales en todo el sistema marino (es decir, componentes biológicos, humanos y del ecosistema). Estos modelos de redes conceptuales pueden luego traducirse en modelos de ecosistemas; cuyos resultados pueden usarse para informar los parámetros del modelo de evaluación (p. ej., mortalidad natural) o para ajustar la mortalidad por pesca objetivo a dar cuenta de los procesos ecológicos. El desarrollo simultáneo de modelos ecosistémicos de evaluación y biosocioeconómicos, dentro del contexto del proceso de asesoramiento científico, puede ayudar a los administradores a comprender mejor las interacciones de los ecosistemas y la incertidumbre del sistema.

MEJORAS RECOMENDADAS AL MARCO DEL ASESORAMIENTO CIENTÍFICO

Para las partes interesadas y las comunidades directamente afectadas por las fallas científicas y de gestión, la reevaluación exhaustiva de los enfoques de gestión es fundamental para el bienestar económico y social. Por lo tanto, los aspectos del actual paradigma de asesoramiento científico y gestión pesquera requieren refinamientos iterativos.

Dados los múltiples desafíos, pero también los rápidos avances, en el asesoramiento científico que forma la base de las decisiones de gestión pesquera, surgen varias preguntas pertinentes al futuro del proceso de asesoramiento científico, que incluyen:

1.- ¿Qué aspectos de estos avances recientes en el modelado de pesquerías se volverán críticos para el desarrollo del asesoramiento de manejo de pesquerías en el futuro?

2.- ¿Cómo evolucionarán los procesos de gestión pesquera para utilizar nuevas fuentes de información científica?

3.- Aparte de mejores datos y modelos mejorados, ¿cómo se pueden revisar los sistemas de gestión pesquera para que sean más transparentes, inclusivos y flexibles?

CONCLUSIONES

Se intentó, en esta recopilación, presentar un amplio espectro de herramientas cuantitativas para guiar la gestión de las pesquerías. El conjunto de herramientas diseñadas para situaciones con datos limitados proporciona un punto de partida para una conversación cuantitativa sobre la gestión pesquera, al proporcionar las primeras estimaciones de las tendencias básicas de las poblaciones. Cuando los datos lo permitan, se pueden implementar modelos de análisis integrados estructurados por edad y talla para rastrear tendencias a largo plazo, evaluar el estado del stock y proyectar niveles de captura sostenibles.

Los modelos de evaluación de poblaciones se están volviendo expertos en incorporar efectos aleatorios para rastrear las perturbaciones provocadas por el medio ambiente y evitar sesgos debido a una flexibilidad inadecuada del modelo. Sin embargo, los modelos de evaluación siguen siendo esencialmente empíricos y describen patrones históricos y recientes debidos casi exclusivamente a los efectos de la pesca. Solo se puede lograr una comprensión más holística de las relaciones causales y mecanicistas, que engendran las tendencias demográficas, a través de modelos de ecosistemas de múltiples especies, que integren la estructura espacial y que tengan en cuenta directamente los impulsores climáticos y socioeconómicos de los procesos biológicos y pesqueros. Los equipos interdisciplinarios de investigación de modelos de pesquerías ahora están reuniendo estas piezas a través de las EEO dentro de entornos de cogestión. Por lo tanto, cada vez es más factible brindar asesoramiento cuantitativo que incorpore la probabilidad de una infinidad de resultados potenciales y sus compensaciones asociadas al implementar la estrategia de gestión; dada la mejora del conocimiento de los sistemas marinos.

La gestión pesquera es un problema con muchos baches, porque no existe una solución definitiva que satisfaga todos los intereses contrapuestos; por lo que es probable que las mejoras en el paradigma de gestión actual conduzcan a pesquerías políticamente más sólidas y capturas progresivamente más sostenibles. Sin embargo, dada la rápida expansión de la economía azul, es probable que los marcos existentes de gestión pesquera y gobernanza de los océanos se vean gravados de formas imprevistas. A medida que la demanda de "bienes inmuebles" marinos se expande en la economía azul, los administradores tendrán cada vez más la tarea de sopesar los deseos de las partes interesadas de la pesca frente a los cambios o la expansión de las necesidades de los grupos de interés no pesqueros (p ej.: energía eólica, extracción de petróleo, turismo marino, entre otras). Incluso si se pudiera identificar e implementar un proceso de ordenación pesquera óptimo y científicamente informado, es poco probable que se alcancen los objetivos biológicos, sociales y económicos generales si el sistema no está adecuadamente integrado en un plan de manejo espacial marino holístico. La gestión pesquera nunca será perfecta, debe continuar su tendencia hacia el asesoramiento basado en evidencias.

DOCUMENTOS CONSULTADOS:

Berger, A.M., Harley, S.J., Pilling, G.M., y Hampton, J. (2012). Introduction to harvest control rules for WCPO tuna fisheries. WCPFC-SC8-2012/MI-WP03. https://www.researchgate.net/publication/264544407_Introduction_to_harvest_control_rules_for_WCPO_tuna_fisheries

Dorn M.W. & S.G. Zador (2020). “A risk table to address concerns external to stock assessments when developing fisheries harvest recommendations” . Ecosystem Health Sustain 6:1813634 https://spj.science.org/doi/10.1080/20964129.2020.1813634

Dowling NA, ADM Smith, DC Smith, AM Parma, CM Dichmont, K Sainsbury, JR Wilson, DT Dougherty & JM Cope (2019). “Generic solutions for datalimited fishery assessments are not so simple”. Fish Fish 20:174–188. https://doi.org/10.1111/faf.12329

ICES (International Council for the Exploration of the Sea) (2020) “The third Workshop on Guidelines for Management Strategy Evaluations (WKGMSE3)”. ICES Sci Rep. 2:116–112. https://doi.org/10.17895/ices.pub.7627

ICES (2022). “Workshop on ICES reference points (WKREF1)”. ICES Sci Rep. 4:2–70. https://doi.org/10.17895/ices.pub.9822

Goethel D.R., K.L. Omori, A.E. Punt, P D. Lynch, A M. Berger, C L. de Moor, É E. Plagányi, J M. Cope, N A. Dowling, Ri McGarvey, A L. Preece, J T. Thorson, M Chaloupka, S Gaichas, E Gilman, S A. Hesp, C Longo, N Yao & R D. Methot (2022). “Oceans of plenty? Challenges, advancements, and future directions for the provision of evidence-based fisheries management advice”. Rev Fish Biol Fisheries (2022). https://rdcu.be/c6Fsx

Maunder M.N. & J.T. Thorson (2019) “Modeling temporal variation in recruitment in fisheries stock assessment: a review of theory and practice”. Fish Res 217:71–86. https://www.sciencedirect.com/science/article/abs/pii/S0165783618303564

Omori K L. & J T Thorson (2022) “Identifying species complexes based on spatial and temporal clustering from joint dynamic species distribution models”. ICES J Mar Sci. 79(3): 677

Omori K L , C A Tribuzio, E A Babcock & J M Hoenig (2021) “Methods for identifying species complexes using a novel suite of multivariate approaches and multiple data sources: a case study with Gulf of Alaska rockfish”. Front Mar Sci 8: 663375 https://doi.org/10.3389/fmas.2021.663375

Punt A E , G N Tuck, J Day, C M Canales, J M Cope, C L de Moor, J A De Oliveira, M Dickey-Collas, B Elvarsson, M A Haltuch, O S Hamel, A C Hicks, C M Legault, P D Lynch & M J Wilberg (2020) “When are model-based stock assessments rejected for use in management and what happens then?” Fish Res 224:105465 https://www.sciencedirect.com/science/article/abs/pii/S0165783619303200

Thompson G, S Barbeaux, J Conner, B Fissel, T Hurst, B Laurel, CA O’Leary, L Rogers, K Shotwell, E Siddon, I Spies, J T Thorson & Tyrell A (2021) “Assessment of the pacific cod stock in the eastern Bering Sea”. In: Stock assessment and fishery evaluation report for the groundfish resources of the Bering Sea and Aleutian Islands [NPFMC Bering Sea and Aleutian Islands SAFE]. North Pacific Fishery Management Council. https://appsafsc.fisheries.noaa.gov/refm/docs/2021/EBSpcod.pdf

Thompson KA, T S Switzer, M C Christman, S F Keenan, C L Gardner, K E Overly & M D Campbell (2022) “A novel habitat-based approach for combining indices of abundance from multiple fishery-independent video surveys”. Fish Res 247:106178. https://www.sciencedirect.com/science/article/pii/S0165783621003064

Thorson J T (2020) “Predicting recruitment density dependence and intrinsic growth rate for all fishes worldwide using a data-integrated life-history model”. Fish Fish 21:237–251. https://doi.org/10.1111/faf.12427

Thorson J T , S J Barbeaux, D R Goethel, K A Kearney, E A Laman, J K Nielsen, M R Siskey, K Siwicke & G G Thompson (2021) “Estimating fine-scale movement rates and habitat preferences using multiple data sources”. Fish Fish 22(6):1359–1376. https://doi.org/10.1111/faf.12592

Wakefield CB, A.J. Williams, E.A. Fisher, N.G. Hall, S.A. Hesp, T. Halafihi, J. Kaltavara, E. Vourey, B.M. Taylor, J.M. O’Malley, S.J. Nicol, B.W. Wise & S.J. Newman (2020). “Variations in life history characteristics of the deep-water giant ruby snapper (Etelis sp.) between the Indian and Pacific Oceans and application of a data-poor assessment” Fisheries Research 230 https://www.sciencedirect.com/science/article/abs/pii/S0165783620301685