Fisheries management typically aims at controlling exploitation rate (e.g., Fbar) to ensure sustainable levels of stock size in accordance with established reference points (e.g., FMSY, BMSY). Population selectivity (“selectivity” hereafter), that is the distribution of fishing mortality over the different demographic components of an exploited fish stock, is also important because it affects both Maximum Sustainable Yield (MSY) and FMSY, as well as stock resilience to overfishing. The development of an appropriate metric could make selectivity operational as an additional lever for fisheries managers to achieve desirable outcomes. Additionally, such a selectivity metric could inform managers on the uptake by fleets and effects on stocks of various technical measures. Here, we introduce three criteria for selectivity metrics: (a) sensitivity to selectivity changes, (b) robustness to recruitment variability and (c) robustness to changes in Fbar. Subsequently, we test a range of different selectivity metrics against these three criteria to identify the optimal metric. First, we simulate changes in selectivity, recruitment and Fbar on a virtual fish stock to study the metrics under controlled conditions. We then apply two shortlisted selectivity metrics to six European fish stocks with a known history of technical measures to explore the metrics’ response in real-world situations. This process identified the ratio of F of the first recruited age–class to Fbar (Frec/Fbar) as an informative selectivity metric for fisheries management and advice.

中文翻译：

---

渔业管理和建议的选择性指标

渔业管理通常旨在根据既定参考点（例如 FMSY、BMSY）控制开发率（例如 Fbar）以确保种群规模的可持续水平。种群选择性（以下简称“选择性”），即捕捞死亡率在被开发鱼类种群的不同人口组成部分中的分布，也很重要，因为它影响最大可持续产量 (MSY) 和 FMSY，以及种群对过度捕捞的弹性. 制定适当的衡量标准可以使选择性成为渔业管理者实现理想结果的额外杠杆。此外，这种选择性指标可以让管理人员了解车队的采用情况以及各种技术措施对库存的影响。在这里，我们介绍了选择性度量的三个标准：(a) 对选择性变化的敏感性，(b) 对招募变异性的稳健性和 (c) 对 Fbar 变化的稳健性。随后，我们针对这三个标准测试了一系列不同的选择性指标，以确定最佳指标。首先，我们模拟虚拟鱼类种群的选择性、补充和 Fbar 的变化，以研究受控条件下的指标。然后，我们将两个入围的选择性指标应用于具有已知技术措施历史的六种欧洲鱼类种群，以探索指标在现实世界中的反应。该过程确定了第一个招募年龄等级的 F 与 Fbar 的比率（Frec/Fbar）作为渔业管理和建议的信息选择性指标。我们根据这三个标准测试了一系列不同的选择性指标，以确定最佳指标。首先，我们模拟虚拟鱼类种群的选择性、补充和 Fbar 的变化，以研究受控条件下的指标。然后，我们将两个入围的选择性指标应用于具有已知技术措施历史的六种欧洲鱼类种群，以探索指标在现实世界中的反应。该过程确定了第一个招募年龄等级的 F 与 Fbar 的比率（Frec/Fbar）作为渔业管理和建议的信息选择性指标。我们根据这三个标准测试了一系列不同的选择性指标，以确定最佳指标。首先，我们模拟虚拟鱼类种群的选择性、补充和 Fbar 的变化，以研究受控条件下的指标。然后，我们将两个入围的选择性指标应用于具有已知技术措施历史的六种欧洲鱼类种群，以探索指标在现实世界中的反应。该过程确定了第一个招募年龄等级的 F 与 Fbar 的比率（Frec/Fbar）作为渔业管理和建议的信息选择性指标。然后，我们将两个入围的选择性指标应用于具有已知技术措施历史的六种欧洲鱼类种群，以探索指标在现实世界中的反应。该过程确定了第一个招募年龄等级的 F 与 Fbar 的比率（Frec/Fbar）作为渔业管理和建议的信息选择性指标。然后，我们将两个入围的选择性指标应用于具有已知技术措施历史的六种欧洲鱼类种群，以探索指标在现实世界中的反应。该过程确定了第一个招募年龄等级的 F 与 Fbar 的比率（Frec/Fbar）作为渔业管理和建议的信息选择性指标。