金枪鱼渔业是我国远洋渔业的支柱产业。黄鳍金枪鱼(Thunnus albacares)是金枪鱼渔业中产量最高的经济鱼种，具有重要的经济价值^[1]。印度洋黄鳍金枪鱼资源量丰富，占世界黄鳍金枪鱼产量的30%。作为大洋中少有的具有进一步开发的目标鱼种，印度洋黄鳍金枪鱼的资源状况和管理措施对我国远洋延绳钓渔业发展具有重要的影响。自1984年起印度洋黄鳍金枪鱼渔获量不断攀升，1994年以来，产量维持在30万t以上，其中2003-2006年产量新高^[2]。根据印度洋金枪鱼委员会(Indian Ocean Tuna Commission，IOTC)最近的资源评估结果，近年来印度洋黄鳍金枪鱼捕捞量一直维持在最大持续产量(maximum sustainable yield，MSY)附近，目前种群状态并没有出现过度捕捞的现象，但是其整体资源处于风险状态。传统的渔业资源管理政策制定时，往往是依据资源评估的结果确定一个总可捕量(total allowable catch, TAC)或者总可捕努力量(total allowable effort，TAE)^[3]，如MSY和最大可持续捕捞死亡系数(F_MSY)。IOTC对于资源状况的确定一般是通过资源评估来比较捕捞量和MSY的关系，以及捕捞死亡系数和F_MSY的关系，由于数据收集误差、过程误差、模型误差等各种误差的存在，可能会产生较大的不确定性，从而会对渔业管理的结果带来风险。

渔业管理策略评价^[4](management strategy evaluation，MSE)是一种系统的方法，通过计算机模拟管理对象的渔业系统，设定合理的管理目标，然后综合考虑各种误差及不确定性，测试和评价不同渔业管理策略的表现及管理风险，从而选择最适策略。在渔业管理方面，达到预设的管理目标(如20年后资源量维持在一定的水平)有很多策略，可以通过调控不同的投入(基于捕捞死亡系数F)和产出控制(基于生物量水平B)的实现，但不同管理策略的实施效果不同，渔业管理不是科学实验，现实中不可能在一种渔业上同时实施几种管理策略来比较优劣，实际的渔业管理导致渔业资源的变化是不可逆的，而MSE可以通过计算机模拟技术来同时对一种渔业实施不同的管理策略，评价不同管理策略达到预期管理目标的效果[⁵, ⁶, ⁷]，选择表现较好的管理策略，因此可以提高渔业管理成功的概率，在现代渔业管理中逐步得到推广，尤其是在一些国际区域性渔业管理组织中得到应用。

作为当前国际渔业研究的前沿，MSE的研究在我国很少开展，本研究将根据印度洋黄鳍金枪鱼的生活史特征参数和渔业数据，建立一个计算机模拟渔业，通过实施不同的管理策略对黄鳍金枪鱼模拟渔业进行管理，并实施管理策略的评价，从而选择适宜的管理策略，为印度洋黄鳍金枪鱼资源持续开发提供建议，本研究也将有助于我国更好地介入IOTC的科学事务中，从而提升我国的话语权。

MSE中一般包含操作模型、采样模型、资源评估模型和执行模型4部分(图 1)^[8]，其中操作模型是MSE的核心。

图1(Fig.1)

图1 MSE结构图 Fig.1 Structure chart of MSE

操作模型(operating model)用来模拟“真实的”资源动态，即，通过假设生态系统、资源动态、船只动态、捕捞生产等过程中的关系式或者参数的值，建立操作模型，将这些过程作为一个动态系统进行研究^[9]。然后利用蒙特卡洛(Monte Carlo)等模拟方法，以运行不同的评估、管理方案，分析结果的不确定性。由于已知“真实的”资源动态，因此MSE可以更准确地量化评估、管理方案的不确定性，符合渔业管理预防原则(Precautionary Principal)的要求^[10]。然后基于不确定性，测试不同管理策略达到管理目标的程度，并获得模拟结果的概率分布。采样模型是模拟渔业数据的收集过程，即对操作模型产生的数据进行采样，以获得观测数据。资源评估模型是对收集的观测数据、利用资源评估模型进行资源评估，估算生物学参考点、以判断资源的状态，并根据渔业资源状态与管理控制规则，制定管理计划。执行模型则是模拟渔业管理策略、管理计划的实施过程。

在对管理策略进行选择时，通常需运行多年的模拟测试，来确定该管理策略的效果，从而根据管理目标和限制条件，来辨别效果较好的管理策略^[8]。

本研究主要对印度洋黄鳍金枪鱼渔业建立MSE体系，然后测试不同的管理策略，从而选择最优管理策略。操作模型是MSE的核心，本研究采用NOAA开发的基于年龄结构的模拟模型Popsim作为操作模型，对印度洋黄鳍金枪鱼种群动态进行模拟^[11]，主要利用印度洋黄鳍金枪鱼的生活史数据和渔业生产数据建立计算机模拟渔业，该渔业可以反映种群“真实”的资源动态，然后根据同样的管理目标，设置不同的管理策略对这个计算机模拟渔业进行管理测试，具体的管理策略测试模拟过程通过NOAA渔业管理策略评价软件MSE 4.0来实现^[12]。每种管理策略以2010年为模拟的初始年份进行100次模拟运算，模拟预测年限为10年。

操作模型需要的数据主要包括：基于年龄的性成熟度、自然死亡率、捕捞选择性、个体重量，以及每年的捕捞死亡率和补充群体量等。黄鳍金枪鱼操作模型的参数设置见表 1。本研究操作模型的种群动态循环是以年为单位时间，模型中黄鳍金枪鱼的年龄从1龄开始。

表1(Table1)

表1 操作模型的参数Tab.1 Parameters for the operation model 参数parameter 数值value 参考文献references 基准年限baseyear 1963-2010 预测年限 predicting year 2010-2020 最大年龄maximum age 8 [13] 年龄结构age structure 1 2 3 4 5 6 7 + [13] 性成熟度maturity 0 0.5 1 1 1 1 1 [14] 自然死亡率natural mortality 0.2 0.2 0.2 0.2 0.2 0.2 0.2 [15] 捕捞选择性fishing selectivity 0 0.5 1 1 1 1 1 [16] 个体重量/kgindividual weight 2.84 14.6 33.9 53.1 73 80.5 80.5 [17] 捕捞死亡系数fishing mortality 图 2 [16] 补充群体(B-H模型)recruitment a=30465986 b=194497 [18]

表1 操作模型的参数 Tab.1 Parameters for the operation model

图2(Fig.2)

图2 1963-2010年捕捞死亡率 Fig.2 Fishing mortality during 1963-2010

在资源开发的初始阶段，捕捞死亡系数较低，初始生物量约等于一个世代中各个年龄群体重量的总和，各个年龄的重量由尾数乘以个体重量得到。本研究初始生物量设定为9.25万t^[19]，基于年龄的个体重量见表 1，自然死亡系数假设为0.2，初始捕捞死亡系数假设为0.05。通过最大似然估计法，可以估算出1963年每个年龄的尾数。各个年龄的生物量如表 2 所示。

表2(Table 2)

表2 初始年1963年各个年龄的尾数(×103尾)Tab.2 Number of individuals at different ages in 1963 年龄age 1 2 3 4 5 6 7 8 总计total 尾数number 65 267 50 830 39 586 30 830 24 010 18 699 14 563 11 341 255 130

表2 初始年1963年各个年龄的尾数(×103尾) Tab.2 Number of individuals at different ages in 1963

MSE模拟中需要渔获重量(yield)、产卵生物量(spawning stock biomass)和种群重量(stock biomass)来支持运算。渔获重量由个体重量代替，产卵亲体种群重量通过NOAA渔业工具VPA软件^[20]的Rivard weights功能计算^[11], Rivard weights可以根据渔获重量运算得到其他两个基于年龄的重量。

在本研究中，根据历史数据^[15]，结合他人的研究成果[¹⁸, ¹⁹, ²⁰, ²¹]，对F和SSB各设置6个不同水平的数值，将二者自由组合，即形成A₁B₁，A₁B₂，A₁B₃……A₅B₄，A₅B₅，共25个不同的组合(表 3 )，每一个组合即一个管理策略。每个管理策略以2010年为模拟的初始年份进行100次模拟预测运算，模拟预测年限为10年。

表3(Table 3)

表3 管理策略的设定Tab.3 Specification of management strategies SSB/t F A1 A2 A3 A4 A5 0.15 0.2 0.3 0.4 0.5 B1 600000 MS1 MS2 MS3 MS4 MS5 B2 700000 MS6 MS7 MS8 MS9 MS10 B3 800000 MS11 MS12 MS13 MS14 MS15 B4 900000 MS16 MS17 MS18 MS19 MS20 B5 1000000 MS21 MS22 MS23 MS24 MS25

表3 管理策略的设定 Tab.3 Specification of management strategies

上一年估算得到的种群用于计算下一年的target F，通过这种方式来模拟资源评估以及开发建议的过程。具体模拟预测过程如下：(1)对2011年的产卵亲体量(spawning stock biomass，SSB)计算得到2012年的估算SSB(SSB estimated)；(2)根据管理策略公式、F_msy和SSB_msy,计算得到2013年的目标捕捞死亡率(target F)；(3)对target F进行对数正态误差和偏差计算，得到2013年的捕捞死亡率；(4)增加年份，使用捕捞死亡率进行种群计算，得到产卵亲体量；(5)不断重复上述步骤，一直到预测年限结束。管理策略公式如下： SSB＜SSB_msy时，F_target=F_msy×(SSBSSB_msy)(1) 式中：SSB为预测年份的产卵生物量；SSB_msy为预测年份的最大可持续产卵生物量；F_target为预测年份的捕捞死亡率。 SSB≥SSB_msy时，F_target=F_may(2) 式中：SSB为预测年份的产卵生物量，SSB_msy为预测年份的最大可持续产卵生物量，F_target为预测年份的捕捞死亡率。

IOTC对于黄鳍金枪鱼的管理目标是：捕捞量小于MSY，F/F_msy、SSB/SSB_msy的比值小于1，从而避免资源出现过度捕捞的状况。在符合该管理目标的前提下，本研究采用了以下管理效果评价指标用来检验不同管理策略的效果^[22]： (1)10年预测年限中，每次模拟的平均年捕捞量与MSY的比值； (2)10年预测年限中，每次模拟的平均年捕捞量的年间变异系数； AAV=100×∑|C_y+1-C_y|∑C_y(3) 式中：AAV为平均年捕捞量的年间变异系数，C_y为第y年的捕捞量，C_y+1为第y+1年的捕捞量。 (3)10年预测年限中，每次模拟的平均年F与F_msy的比值； (4)10年预测年限中，每次模拟的平均年SSB与SSB_msy的比值； (5)10年预测年限中，每次模拟中年SSB的最小值； (6)管理结束后，最后一年的SSB。

前3项管理效果评价指标与渔业输出相关，例如渔获量和捕捞死亡率，后三项与资源的养护相关，例如SSB的水平^[18]。好的管理策略应该是高渔获量且年间波动低、F/F_msy小于1、SSB/SSB_msy大于1、管理结束时高SSB，高SSB最小值。当然，在比较3种管理策略时，需要对这些评价指标进行权衡。

根据ROSENBERG和RESTREPO^[23]，FRANCIS和SHOTTON^[24]，KELL等[²⁵, ²⁶, ²⁷]的分类, MSE中的不确定性可以分为：过程误差、观察误差、估算误差、模型误差和执行误差。本文考虑了初始生物量的参数估算误差，以及补充量、渔获量取样和调查取样相关的过程误差。估算误差和过程误差都遵循对数正态分布。在每次重复模拟中，都要对参数以及过程中的数据进行对数正态分布误差运算。

表4(Table 4)

表4 不确定性的设置Tab.4 Specification of uncertainties 参数parameter 误差类型error 分布distribution 数值number 初始生物量initial biomass 参数误差 对数正态分布 CV=0.01 补充量recruitment 过程误差 对数正态分布 CV=0.4 渔获量取样catch sampling 观测误差 对数正态分布 CV=0.1 调查取样survey sampling 过程误差 对数正态分布 CV=0.1

表4 不确定性的设置 Tab.4 Specification of uncertainties

为检验模拟效果，建立操作模型后，以2010年作为预测年限的开始，分别进行1963-2018、1963-2019、1963-2020年的3次模拟计算，每次模拟含有100次重复，得到的模拟产量见图 3。1963-2003年的模拟结果几乎重合，2003-2020年产量的变化率如表 5，最大值仅为4.2%。由此可知，3次的模拟结果比较稳定，此模拟方法是可行的。

图3(Fig.3)

图3 1963-2018、1963-2019、1963-2020年的模拟结果 Fig.3 Simulation results of three stages of 1963-2018, 1963-2019 and 1963-2020

表5(Table 5)

表5 2003-2020年产量的变化率Tab.5 Change rate of catch in 2003-2020 年份year 变化率 change rate 1963-2018与1963-2019 1963-2018与1963-2020 1963-2019与1963-2020 2003 -0.7% -1.2% -0.6% 2004 0.4% -1.1% -1.5% 2005 0.9% -0.8% -1.7% 2006 1.4% -0.2% -1.6% 2007 1.4% -0.1% -1.5% 2008 1.3% -0.1% -1.4% 2009 1.2% 0 -1.1% 2010 0.7% 0.8% 0.1% 2011 -0.8% 2.0% 2.9% 2012 2.0% 2.8% 0.8% 2013 2.6% 1.1% -1.5% 2014 2.7% 3.4% 0.7% 2015 0.3% 0.2% -0.1% 2016 0.7% 0.2% -0.5% 2017 1.8% -1.3% -3.1% 2018 -2.3% -2.0% 0.3% 2019 - - -4.2% 2020 - - - 注：黑体加粗数字代表产量变化率最小，-代表没有计算的意义。Note：The black bold number in the table represents the minimum change rate of catch. -represents there is no meaning of calculation.

表5 2003-2020年产量的变化率 Tab.5 Change rate of catch in 2003-2020

通过MSE4.0得到的25种管理策略的模拟见表 6，由管理策略1-5、管理策略6-10、管理策略11-15、管理策略15-20、管理策略21-25可以看出，随着捕捞强度的增大，年捕捞量不断增大，而最终年的SSB不断减小，说明捕捞强度的增大虽然能得到较高的产量，但是对资源养护不利；平均年捕捞量的年间变异系数随着捕捞死亡率的增大先减小后变大，在捕捞死亡率在0.2的时候，年间变异系数最小，为2.14%。当捕捞 死亡率为0.4和0.5时，即管理策略4、5、9、10、14、15、19、20、24、25，随着管理目标中SSB_msy越来越高，年捕捞量相应减少，并随着SSB_msy的增大，年捕捞量的下降越来越多，这说明，制定SSB的管理目标有利于降低捕捞量，管理养护资源。

表6(Table 6)

表6 25种管理策略的模拟结果Tab.6 Simulation results of 25 management strategies 模型model 平均年捕捞量average yield 平均年捕捞量年间变异系数average of annual variance F/Fmsy SSB/SSBmsy 模拟终年SSB predicted SSB 最小SSB minimum SSB 1 378767.34 3.06% 0.9246 3.36 2121293 1835560 2 440138.65 2.14% 0.8958 2.97 1783101 1766768 3 519383.75 8.57% 0.8671 2.37 1285071 1281830 4 559453.05 15.02% 0.8526 1.94 941781 941781 5 575989.49 20.88% 0.8433 1.62 699764 699764 6 378767.34 3.06% 0.9246 2.88 2121293 1835560 7 440138.65 2.14% 0.8958 2.54 1783101 1766768 8 519383.75 8.57% 0.8671 2.03 1285071 1281830 9 559453.05 15.02% 0.8526 1.66 941781 941781 10 574325.20 21.18% 0.8339 1.39 723264 716623 11 378767.34 3.06% 0.9246 2.52 2121293 1835560 12 440138.65 2.14% 0.8958 2.23 1783101 1766768 13 519383.75 8.57% 0.8671 1.78 1285071 1281830 14 559137.99 15.08% 0.8520 1.45 943891 943891 15 569657.72 21.65% 0.8137 1.23 765798 740696 16 378767.34 3.06% 0.9246 2.24 2121293 1835560 17 440138.65 2.14% 0.8958 1.98 1783101 1766768 18 519383.75 8.57% 0.8671 1.58 1285071 1281830 19 557807.24 15.30% 0.8454 1.30 958579 953176 20 566122.56 21.91% 0.7841 1.12 824995 765561 21 378767.34 3.06% 0.9246 2.01 2121293 1835560 22 440138.65 2.14% 0.8958 1.78 1783101 1766768 23 519405.37 8.57% 0.8671 1.42 1285071 1281830 24 554209.69 15.60% 0.8338 1.18 992287 970236 25 561340.82 22.56% 0.8557 1.03 883582 791002

表6 25种管理策略的模拟结果 Tab.6 Simulation results of 25 management strategies

在捕捞死亡率为0.4和0.5时，年间变异系数都比较最大，分别为15.02%和20.88%，不利于基于配额的渔业管理。在捕捞死亡率为0.4和0.5时，年捕捞量的年间变异系数增大，这是因为随着捕捞死亡率的增大，年捕捞量不断增大，当SSB小于SSB_msy时，就要降低捕捞死亡率，减少产量，所以会造成捕捞量较大的变异系数，而且捕捞死亡率在0.4和0.5时，捕捞量过大，远大于IOTC提供的最大可持续产量，并不是合适的管理策略。

在剩下的15个管理策略中，将管理目标定为高产和养护两种进行讨论。当管理目标定为高产时，即在SBB大于SSB_msy的条件下，年捕捞量越大越好。当渔获量定在400 000 t时，管理策略2、7、12、17、22较好，当渔获量定在500 000 t时，管理策略3、8、13、18、23较好。当管理目标定位养护时，即要求SSB/SSB_msy的比值较大，最终年和最小的SSB较大，管理策略1、6、11、16、21较好。

可以看出两种管理目标存在着一定的矛盾，需要进行平衡。在管理策略7，F_msy定为0.2，SSB_msy定在600 000 t时，捕捞量较高，年间变异系数最小，SSB/SSB_msy较大，最终年和最小的SSB较大，是在高产和养护管理目标之间的一个平衡点，是本次研究中最好的管理策略，运用Kobe Plot Ⅰ对管理策略7中模拟得到的黄鳍金枪鱼渔业开发轨迹绘图见图 4，在模拟渔业中，1963-2003年间只有2004年出现过短暂的过度捕捞，可能与历史数据中2004年的捕捞死亡率较高有关。1963年开始，捕捞强度不断增加，特别是在1990-2004年，捕捞强度增长较快，到2010年，F/F_msy、SSB/SSB_msy都已经接近1，对于黄鳍金枪鱼的捕捞强度已经很大，黄鳍金枪鱼资源不断下降，处于很大的开发风险中。在2010-2020年间，根据使用管理策略7来管理渔业时，没有出现过度捕捞的情况，资源也可以基本维持在接近1的状态，是本研究中最合适的管理策略。

图4(Fig.4)

图4 印度洋黄鳍金枪鱼渔业轨迹图Kobe Plot Fig.4 Trajectory chart of yellowfin tuna fishery in Indian Ocean(Kobe Plot Ⅰ)

本研究共设置25种管理策略，通过评价2010-2020年的渔业管理情况，其中最佳的管理策略是管理策略7，即F_msy设置为0.2，SSB设置为600 000 t。在此情况下，每年的产卵亲体量都高于目标值SSB_msy，平均年捕捞死亡率低于目标值F_msy，平均年捕捞量为440 139 t，年间产量波动最小，有利于基于配额管理体系的渔业管理。

本研究管理策略7中，黄鳍金枪鱼的年捕捞量的年均捕捞量440 139 t，根据IOTC的统计，按照渔具和渔船对捕捞量分类进行统计，得到2011-2013年的年捕捞量分别为327 453、400 292和402 084 t，其中2012年和2013年的捕捞量也明显高于最大可持续产量 340 000t，这与本研究的研究结果442 986、441 496 t大体一致。根据2014年最新的印度洋渔业委员会IOTC的统计，黄鳍金枪鱼的可持续产量为340 000 t，低于本研究年均捕捞量440 139 t，说明根据管理策略7的模拟推测，在2010-2020年黄鳍金枪鱼资源的开发过程中，要注意防止出现过度捕捞的情况。

在预测中本研究只选用捕捞死亡率和产卵亲体量作为开发管理的目标值，但是并不等同于使用恒定的捕捞死亡率进行渔业管理。根据本研究的管理策略公式(1)和(2)，在资源出现衰退现象，即产卵亲体量低于目标值SSB_msy时，可以对捕捞死亡率进行调整以保护资源，这是对渔业种群动态信息反馈的一种调整，可以预防过度捕捞情况的发生。

在本研究中，黄鳍金枪鱼渔业的模拟过程中考虑了多种不确定性，例如初始生物量、补充量、渔获量取样、调查取样的不确定性，初始生物量与补充量的数值都来自于印度洋渔业委员会的资源报告，但仍可能存在一定的不确定性，对于不确定性数值的设置还需要进一步的研究与评价。本文的研究只是初步尝试使用MSE对印度洋黄鳍金枪鱼渔业进行管理测试，使用的数据和参数主要来自IOTC网站和文献，下一步工作拟对数据和参数进行进一步评价，以使得MSE的结果更加全面和合理。