Artículos

 

Enfoque bayesiano con error de implementación para mejorar el manejo de la pesquería de pulpo rojo (Octopus maya) en la Península de Yucatán*

 

A Bayesian framework with implementation error to improve the management of the red octopus (Octopus maya) fishery off the Yucatán Peninsula

 

J Jurado–Molina

 

Secretariat of the Pacific Community, 95 Promenade Roger Laroque, Anse Vata, New Caledonia. E–mail: jjurado@u.washington.edu

 

Recibido en julio de 2009
Aceptado en noviembre de 2009

 

ABSTRACT

The red octopus (Octopus maya) is an endemic species of the Yucatán Peninsula and its fishery is one of the most important along the Atlantic coast of Mexico. Commercial exploitation started in 1949. Since 2002 an index of abundance has been estimated, and this index was used to perform a stock assessment and decision analysis using the Schaefer model. A Bayesian approach was applied to estimate the model parameters and to project the species population under two management scenarios with a constant harvest rate and a positive implementation error. Results suggest that in 1995 the biomass corresponded to 23% of the population carrying capacity (K) and that the current stock is only 14% of K. The population may be depleted and a rebuilding plan might be necessary. In the decision analysis, when the implementation error was included, the Markov Chain Monte Carlo simulations suggested that the current level of exploitation (50% harvest rate) could produce a decreasing trend with the most probable biomass of 9679 t and an expected catch of 7920 t in 2018, and an expected probability of 0.82 of the population being less than 40% of K. On the contrary, a 30% harvest rate would raise the expected catch in 2018 (12,058 t), also reducing the probability of the population being smaller than 40% of K. The inclusion of the implementation error provides a more realistic scenario and represents a more conservative option; therefore, using this type of auxiliary data within a Bayesian framework is recommended for the decision making process. If adopted by Mexican fisheries managers, the approach used in this study could help improve the management of this resource and keep exploitation at sustainable levels.

Key words: constant harvest rate, posterior distribution, Markov Chain Monte Carlo simulations, implementation error, depletion.

 

RESUMEN

El pulpo rojo (Octopus maya) es una especie endémica de la Península de Yucatán. La suya es una de las pesquerías más importantes de la costa Atlántica de México; su explotación comercial inicio en 1949, y desde 2002 se ha estimado su índice de abundancia. Este índice se usó para llevar a cabo una valoración del stock y un análisis de decisión usando el modelo de Schaefer. Se usó un enfoque Bayesiano para la estimación de los parámetros del modelo y para proyectar la población de esta especie bajo dos escenarios de manejo con una tasa de explotación constante y un error de implementación positivo. Los resultados sugieren que en 1995 la biomasa correspondía al 23% de la capacidad de carga de la población K y que el stock actual es sólo 14% de K. Los resultados sugieren que la población podría estar sobreexplotada y que podría ser necesario un plan de reconstrucción del recurso. Cuando se usó error de implementación en el análisis de decisión, las simulaciones de cadenas de Markov–Monte Carlo sugieren que el nivel actual de explotación (tasa de explotación del 50%) podría producir una tendencia decreciente en la biomasa, con un valor de biomasa más probable de 9679 t, una esperanza de captura de 7920 t en 2018 y una probabilidad de 0.82 de que la población sea menor que 40% de K. Por el contrario, una tasa de explotación del 30% incrementaría la esperanza de la captura en 2018 (12,058 t), también reduciendo la probabilidad de que la población sea menor al 40% de K. La inclusión del error de implementación proporciona un escenario más realista y representa una opción más conservadora; por consiguiente se recomienda usar este tipo de datos auxiliares en un marco Bayesiano para la toma de decisión. Si las autoridades pesqueras mexicanas adoptan el método usado en este trabajo se puede mejorar el manejo de este recurso, manteniendo su explotación en niveles sustentables.

Palabras clave: tasa de explotación constante, distribución posterior, Cadenas de Markov Monte Carlo, error de implementación, sobreexplotación.

 

INTRODUCCIÓN

El pulpo rojo (Octopus maya) es una especie bentónica endémica de la península de Yucatán (Voss y Solís–Ramírez 1966, Solís–Ramírez y Chávez 1986). Se distribuye desde la costa de Ciudad del Carmen en el estado de Campeche hasta Isla Mujeres en el estado de Quintana Roo (Solís–Rámirez 1994, Van Heukelem 1977). La temporada de desove va de noviembre a diciembre (Fuentes et al. 1965, Voss y Solís–Ramírez 1966). Es una de las pesquerías más importantes en la costa Atlántica de México generando 15,000 empleos directos y un ingreso anual de 360 millones de pesos mexicanos (INAPESCA 2008). La explotación comercial se inició en 1949 (Solís–Ramírez et al. 1997). Tres flotas participan en la pesquería, dos flotas artesanales trabajando en aguas someras y una flota de embarcaciones medianas en aguas profundas capturando el pulpo rojo y el pulpo común (Octopus vulgaris). El arte de pesca, localmente conocida como "jimba", consiste de una caña con varias líneas con carnada de cangrejo (Arreguín–Sánchez et al. 2000). Las flotas artesanales capturan alrededor del 80% de la captura anual de pulpo rojo. El porcentaje de pulpo rojo en la captura de la flota de embarcaciones medianas varía entre el 70% y 80% de la captura total de pulpo.

El manejo de los recursos pesqueros en México está basado en tres herramientas de manejo: los planes de manejo, la Carta Nacional Pesquera (contiene información breve de los recursos pesqueros mexicanos, como captura, regulaciones pesqueras, estado de salud del recurso, etc.) y las normas oficiales mexicanas. Las normas oficiales mexicanas son regulaciones técnicas obligatorias expedidas por el gobierno mexicano, estableciendo reglas, especificaciones, atributos, y características aplicadas a productos, procesos, logística, sistemas, actividades, servicios, o métodos de producción (Diario Oficial de la Federación 30/04/2009). En particular, dos normas oficiales mexicanas, NOM–008–PESC–1993 y NOM–009–PESC–1993, están dedicadas al manejo de la pesquería del pulpo rojo. La primera norma establece una talla mínima de manto de 110 mm y prohíbe el uso de ganchos y fisgas. La segunda norma, establece la necesidad de crear vedas en las aguas mexicanas; en particular, la veda para el pulpo rojo va del 16 de diciembre al 31 de julio (INAPESCA 2008).

A partir de 1995 hasta 2008, las capturas de pulpo han variado entre 7,206 y 18,460 t con un máximo en 2006. En 2002 el Instituto Nacional de la Pesca (INP) desarrolló un programa para estimar un índice de abundancia independiente de la pesquería. La campaña de evaluación de la biomasa produjó una estimación de 22,737 t en la costa de la península de Yucatán en ese año. La estimación máxima de biomasa se registro en 2004 con 25,944 t. La estimación mínima fue de 16,219 t en 2008. A partir de 2002, se ha estableció una cuota anual para esta pesquería basada en la estimación de la biomasa. Es importante señalar que ésta es una de las pocas pesquerías en México regulada por cuota. A pesar de que no es claro como se ha establecido esta cuota y cuál es la estrategia de manejo implementada en esta pesquería (INP 2002, 2007, INAPESCA2008), la cuota ha variado entre 44% y 50% de la biomasa estimada. Sin embargo, las capturas han variado entre 30% y 76% de la biomasa estimada. La mayor captura (18 460 t)se realizó en 2006 y podría haber causado un importante decremento en la biomasa vulnerable en los años subsecuentes.

Esta pesquería presenta una oportunidad importante para la modelación de diferentes escenarios de manejo debido a la disponibilidad de un índice de abundancia y datos del error de implementación en la cuota propuesta. Este tipo de error tiene un papel importante en la dinámica de las especies porque refleja las implicaciones de la incapacidad de implementar plenamente las acciones de manejo (Punt y Hilborn 2001) y es reconocida como un componente importante en el análisis de decisión pesquero (Rice y Richards 1996).

A pesar de que proveen información valiosa, los métodos cuantitativos actualmente usados en el manejo de este recurso no valoran la respuesta de la población de pulpo rojo a la presión de pesca; tampoco miden la productividad de este recurso. Este análisis es un primer paso en el establecimiento de un método cuantitativo diferente para el manejo de la pesquería del pulpo rojo basado en la misma información disponible para el manejo actual. En este análisis, se usa un método Bayesiano para valorar las consecuencias potenciales de distintos escenarios de pesca bajo una tasa de explotación constante en el mediano plazo. En este trabajo se pretende proveer información adicional para las autoridades pesqueras mexicanas acerca de la incertidumbre, la productividad y la respuesta a la presión de pesca de este recurso. Este tipo de método podría asegurar una explotación sustentable del pulpo rojo en la península de Yucatán y otros recursos marinos mexicanos.

 

MATERIAL Y MÉTODOS

Se usaron datos de la pesquería comercial del pulpo rojo en Yucatán de 1995 a 2008 y un índice de abundancia estimado por personal del INP/INAPESCA de 2002 a 2008 (INP 2002, 2003, 2004, 2005, 2006, 2007, INAPESCA 2008). Los datos de los desembarcos comerciales se obtuvieron de las oficinas de la Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación (SAGARPA) en Campeche y Yucatán. La modelación de la dinámica poblacional del pulpo rojo en la península de Yucatán se realizó con el modelo de Schaefer (1954):

donde B_t es la biomasa en el año t, r es la tasa intrínseca de crecimiento, K es la capacidad de carga poblacional y C_t es la captura comercial en el año . Se supuso que la población inicial en 1995 (B₀) era un porcentaje de la capacidad de carga. El modelo de Schaefer es una de las herramientas más simples que pueden ser usadas para caracterizar el estado de salud y la productividad de una población (Punt y Hilborn 1996). Los modelos dinámicos han sido aplicados principalmente a las especies con una tasa intrínseca de crecimiento relativamente baja (Punt y Hilborn 1996), como es el caso del pulpo rojo. El ajuste del modelo se llevo a cabo suponiendo error de observación con distribución log–normal en las estimaciones anuales de la biomasa (I^obs); entonces, para un año dado t, el logaritmo negativo de la verosimilitud (LL) es (Hilborn y Mangel 1997):

El logaritmo negativo total de la verosimilitud es la suma de los n componentes (número de los datos disponibles de I^obs), el error estándar (σ) asociado a cada estimado del índice de abundancia no estuvo disponible (INP 2002–2007, INAPESCA 2008); por consiguiente se supuso un valor constante para ayudar a reducir el número de parámetros estimados de n + 4 a 5 y hacer el proceso de estimación posible. Debido a que la evaluación anual de la biomasa se llevó a cabo a la mitad del año, I^est fue calculado como:

donde es el coeficiente de capturabilidad estimado y es la biomasa estimada. También se ajusto un modelo de Pella–Tomlinson (1969) y se comparó con el modelo de Schaefer usando el criterio de Akaike (1973):

donde el primer termino representa el logaritmo negativo de la verosimilitud y p el numero de parámetros incluidos en el modelo.

Se usó ajuste de bondad bayesiano (Hilborn y Mangel 1997). Este enfoque brinda una forma sencilla de incorporar información adicional para construir las distribuciones a priori de los parámetros del modelo. En este marco estadístico, la probabilidad de la hipótesis dados los datos o la distribución de probabilidad posterior Pr{H_i|data}se estima con la siguiente ecuación:

donde L es la verosimilitud de los datos dado la hipótesis y Prior es la distribución de probabilidad a priori para cada hipótesis que resume todo el conocimiento previo. Desafortunadamente sólo existe un estudio previo del pulpo rojo reportando una estimación puntual de la tasa intrínseca de crecimiento (0.57) del modelo de Schaefer (Arreguín–Sánchez 2000). Se usó este valor suponiendo una distribución log–normal para este parámetro. Por consiguiente, para los parámetros restantes se uso una Prior uniforme (–, ).

Se estimó la distribución de probabilidad posterior de los siguientes parámetros: la capacidad de carga, la tasa intrínseca de crecimiento, el coeficiente de capturabilidad, la biomasa inicial (1995) y el error estándar de la valoración de la biomasa anual. También se estimaron las distribuciones de probabilidad posterior de los indicadores de desempeño (la biomasa en 2008 y la reducción porcentual del stock en 2008). La distribución de probabilidad posterior de los parámetros y los indicadores de desempeño fueron estimados con simulaciones de las cadenas de Markov–Monte Carlo (MCMC). Se hicieron un total de 30 millones de simulaciones usando el software AD Model Builder (Fournier 1996) con un "quemado" inicial de 1000 vectores de parámetros. Se registraron los vectores de parámetros cada 500 simulaciones para probar la convergencia con las pruebas Geweke (Geweke 1992), Heidelberger y Welch (Heidelberger y Welch 1983) y la prueba de autocorrelación del paquete CODA (Convergence Diagnosis and Output Analysis Software for Gibbs sampling outputs version 4.0) para el paquete estadístico R (R Foundation for Statistical Computing, ISBN 3–900051–07–0).

Para valorar la respuesta del recurso a diferentes niveles de explotación, se llevó a cabo un análisis de decisión, el modelo de Schaefer fue proyectado 10 años considerando dos escenarios de manejo distintos. En el primer escenario, se usó un rango de tasas de explotación constante de 30% a 60% en intervalos de 5%. En el segundo escenario, se usaron los mismos niveles de explotación pero se agregó un error de implementación con distribución normal (1732.71 ± 3658.2 t), basado en datos de las cuotas propuestas y los desembarcos registrados (fig. 1). Los índices de desempeño para valorar cada opción de manejo fueron la probabilidad de ser menor al 40% de la capacidad de carga y la captura en 2018. El primer indicador provee información en la capacidad reproductiva del stock y ha sido usado en el manejo de otros recursos pesqueros (Simpfendorfer et al. 2000). El segundo indicador mide las salidas típicas de una pesquería. A pesar de que se pudieron usar más indicadores en este análisis, estos dos indicadores pueden medir el desempeño esperado de la pesquería del pulpo rojo. Análisis posteriores incorporaran indicadores adicionales dependiendo de las necesidades de la pesquería y su manejo. Los resultados se resumieron en las tablas de decisión.

Las tablas de decisión son un buen método para mostrar los resultados del análisis de decisión a las autoridades pesqueras cuando se manejan pocas hipótesis. En el presente caso, se supusieron sólo tres hipótesis sobre el nivel de biomasa (bajo, mediano, alto) en el último año de la valoración del stock. Las probabilidades asignadas (primer renglón de la tablas 2–5) a estos tres niveles fueron tomadas de la posterior marginal para la biomasa en 2008 para calcular la esperanza de los indicadores seleccionados (tablas 2–5).

Resultados

El criterio de Akaike para el modelo de Schaefer fue –28.485 con cinco parámetros y un logaritmo negativo de la verosimilitud de –19.242. Para el modelo de Pella–Tomlinson el criterio de Akaike fue de –27.224 con seis parámetros y un logaritmo negativo de la verosimilitud de –19.612. Los resultados de las corridas MCMC mostraron que el modelo de Schaefer se ajustó bien a los datos observados del índice de abundancia de 2002 a 2008 (fig. 2). La capacidad de carga estimada para la población del pulpo rojo en Yucatán fue de 104,213 t con un intervalo de 95% de probabilidad de (86,908, 137,837). La estimación de r fue 0.63 con un intervalo de 95% de probabilidad de (0.53, 0.74). La estimación del coeficiente de capturabilidad fue 1.01 con un intervalo de 95% de probabilidad de (0.87, 1.21). La estimación del error estándar de la biomasa usado en la función objetivo fue 0.034 con un intervalo de 95% de probabilidad de (0.030, 0.040). Las distribuciones de probabilidad posteriores se muestran enseguida (figs. 3, 4). Se encontró una sola correlación alta entre el coeficiente de capturabilidad y la tasa intrínseca de crecimiento (0.8892). La capacidad de carga y la tasa intrínseca de crecimiento estuvieron negativamente correlacionados (–0.4365). Los coeficientes de correlación restantes fueron muy pequeños (tabla 1).

La biomasa estimada del stock disminuyó de 1995 a 2008 (fig. 5), con el valor más probable (moda de la distribución posterior marginal) de la biomasa en 1995 de 24,992 t con un intervalo de 95% de probabilidad (21,537, 31,462), que es equivalente al 23% de la capacidad de carga con un intervalo de probabilidad de (0.19, 0.29). Los resultados sugieren que hubo una disminución importante de la biomasa del pulpo rojo en los últimos dos años (19,191 y 16,160 t). Los resultados de las simulaciones MCMC confirman el nivel de reducción de la biomasa en 2008, sugiriendo que la biomasa estimada es equivalente al 14% de la capacidad de carga con un intervalo de 95% de probabilidad de (0.11, 0.17) y la distribución posterior acumulativa sugirió que hay una probabilidad de 0.6 de que la reducción sea menor o igual al 15% de la capacidad de carga.

Respecto a las pruebas de convergencia, los valores p de la puntuación de la Z en el diagnostico de convergencia de Geweke fueron mayores que 0.05 indicando que no existe evidencia contra la convergencia. Las pruebas estacionaria y de medio ancho de banda de Heidelberger y Welch indicaron que todos los parámetros pasaron ambas pruebas. En general los resultados de estas pruebas sugieren que el numero de iteraciones (30,000,000) en las simulaciones MCMC fueron suficientes para la convergencia.

En cuanto a las proyecciones MCMC para la futura población del pulpo rojo, las trayectorias más probables de la biomasa de 2008 a 2018 para los distintos niveles de tasa de explotación constante se muestran enseguida la figura 6(a, b). Como se observa, cuando el error de implementación no fue incluido, la mayoría de las tasas de explotación constantes permitieron que la población creciera, excepto los niveles de 55% y 60% que provocaron que la población disminuyera con respecto al nivel de la biomasa registrado en 2008. El valor más probable en 2018 para la tasa de explotación de 55% fue 15,814 t mientras que la biomasa correspondiente a la tasa de explotación de 60% fue de 11,308 t. Asimismo, la tasa de explotación de 30% produjo una biomasa probable de 50,249 t, equivalente al 48% de la capacidad de carga. Cuando el error de implementación se incluyó, las tasas de explotación de 50%, 55% y 60% provocaron una disminución de la biomasa del pulpo rojo. La biomasa más probable en 2018 para las tasas de explotación de 50%, 55% y 60% fueron 9870, 7177 y 4954 t, respectivamente. La tasa de explotación de 45% mantuvo a la biomasa (17,779) ligeramente mayor que el nivel de la biomasa en 2008. Los niveles de explotación restantes permitieron que la biomasa aumentara de tal forma que el mayor incremento correspondió a la tasa de explotación de 30%. Sin embargo, es importante señalar que el nivel de la biomasa (32% de la capacidad de carga) alcanzado en 2018 en este escenario con el error de implementación fue menor que la biomasa estimada con la misma tasa de explotación cuando no se incluyo el mencionado error.

El análisis de decisión incluyó dos escenarios diferentes usando los mismos valores de tasa de explotación y tomó en cuenta la incertidumbre de la estimación de la biomasa en el último año (tablas 2–5) y la incertidumbre de los parámetros. En el primer escenario, cuando no se incluyó el error de implementación, los resultados de la simulación sugirieron que la tasa de explotación de 30% produjo la menor esperanza (0.11) de la probabilidad de que la biomasa del pulpo rojo fuera menor al 40% de la capacidad de carga. El siguiente nivel de explotación (35%) produjo una esperanza de 0.53 de la probabilidad que la biomasa del pulpo rojo fuera menor del 40% de la capacidad de carga. Los niveles restantes de tasa de explotación incrementaron la esperanza de esta probabilidad considerablemente (tabla 2). En este escenario, la tasa de explotación con la esperanza más alta para la captura en 2018 correspondió a la tasa de explotación de 30% (16,168 t). La siguiente tasa de explotación (35%) produjo una esperanza para la captura en 2018 de 16,044 t. Una tendencia decreciente en la esperanza de la captura puede ser observada para las siguientes tasas de explotación, con la esperanza más pequeña correspondiendo a la tasa de explotación de 60% (tabla 3). Es importante señalar que esta captura es ligeramente menor que la captura registrada en 2008.

En el segundo escenario se incluyó un error de implementación. En general, los resultados de estas simulaciones son menos optimistas. Al contrario del primer escenario, aun la tasa de explotación más baja produjo una esperanza mayor de 0.5 de que la población sea menor que el 40% de la capacidad de carga (tabla 4). La tasa de explotación de 50% incremento la esperanza de la probabilidad de que la biomasa sea menor a 40% de la capacidad de carga a 0.82. Con respecto a la esperanza de la captura en 2018, una vez más, la captura más grande correspondió a la tasa de explotación de 30% con 12,058 t. Es importante señalar que los niveles de explotación mayores que la tasa de explotación de 40% produjeron que la esperanza de la captura fuera menor a 10,000 t.

También se usó la probabilidad de que la población fuera menor que 50% de la capacidad de carga con ambos escenarios, con y sin error de implementación, y los mismos niveles de explotación. Todas las esperanzas de las probabilidades de que la biomasa fuera menor que el 50% de K para ambos escenarios fueron mayores que 0.55; de hecho, excepto por la tasa constante de 30% sin error de implementación, las esperanzas de las probabilidades restantes fueron mayores o iguales a 0.7, con la mayoría de los casos mayores a 0.8. Este criterio sugiere que la implementación de las tasas de explotación simuladas mantendría probablemente a la población en sobrepesca (B_current < B _MSY).

 

DISCUSIÓN

La pesquería del pulpo rojo tiene una gran importancia económica en la región de Yucatán; esta pesquería es la tercera comercial más importante en el país de acuerdo al valor monetario de su captura, sólo debajo de las pesquerías de atún y camarón (Diario Oficial de la Federación 25/08/ 2006), generando empleos directos e indirectos y siendo también una fuente importante de captación de divisas extranjeras; por consiguiente es importante asegurar la sustentabilidad de este recurso. Actualmente existen algunas regulaciones para el manejo de esta pesquería. Sin embargo, estas regulaciones podrían ser insuficientes para garantizar un manejo optimo de este recurso y maximizar las capturas sostenibles entre 10,000 y 12,000 t anuales como se estableció por parte de las autoridades pesqueras mexicanas (INP 2000). De hecho los resultados muestran que sólo reduciendo la tasa de explotación a 30%, estos niveles de captura serán alcanzados en un periodo de seis años aproximadamente.

Esta pesquería se caracteriza por los métodos cuantitativos usados en su manejo. Los esfuerzos se enfocaron en establecer una cuota anual basada en la valoración anual de la biomasa (INP 2006). A pesar de que la valoración de biomasa llevada a cabo por el INP/INAPESCA provee información útil, ningún esfuerzo se realizó para el desarrollo de un marco estadístico capaz de medir las consecuencias potenciales de los niveles actuales de la pesca del pulpo rojo. El establecimiento del sistema de cuotas en esta pesquería aparentemente incrementó la variabilidad de la captura debido a que las autoridades pesqueras no fueron capaces de cerrar la pesquería una vez que se alcanzó la cuota recomendada.

Respecto a la incertidumbre del modelo, el criterio de Akaike sugirió que el modelo de Schaefer es mejor para describir la dinámica poblacional del pulpo rojo que el modelo de Pella–Tomlinson. Por consiguiente todos los análisis fueron hechos con el modelo de Schaefer. El presente trabajo muestra la flexibilidad potencial del los modelos de producción excedente cuando son usados en un marco Bayesiano que permite usarlos en análisis de riesgo y/o análisis de decisión para producir recomendaciones para el manejo que van más allá del indicador de desempeño tradicional de rendimiento máximo sostenible (MSY) y el esfuerzo correspondiente cuando se supone el equilibrio (Haddon 2001). Se han aprovechado estos métodos para llevar a cabo la estimación de parámetros poblacionales y su incertidumbre y para valorar las consecuencias de la pesca tomando toda la ventaja de la información disponible. Los resultados sugieren que el nivel de explotación actual podría ser no sustentable.

En particular, el uso de un índice de abundancia independiente de la pesquería tiene consecuencias importantes. Usar los datos de CPUE como un índice de abundancia puede potencialmente traer problemas porque en algunos casos la CPUE permanece alta hasta que el stock ha disminuido drásticamente, esto sucede debido a la formación de bancos (Hilborn y Mangel 1997). Adicionalmente, los pescadores tienden a dirigir el esfuerzo pesquero a las zonas con altas densidades de población, por lo tanto se puede esperar que los intentos para estimar la abundancia de organismos a partir de datos comerciales de captura y esfuerzo estén sesgados. Las autoridades pesqueras han intentado evadir los sesgos de los datos de captura comercial usando campañas de valoración que pueden usar diseño experimental y de muestreo y condiciones controladas para los artes de pesca (Hilborn y Walters 1992).

En particular, en los resultados la mayoría de los parámetros estimados no estaban correlacionados, opuesto a los resultados de la pesquería del erizo rojo en Baja California (Jurado–Molina et al. 2009), donde la alta correlación entre los parámetros podría deberse a los datos de CPUE usados en el ajuste del modelo. Las correlaciones altas son un problema que ocurre en muchas estadísticas pesqueras. Cuando dos parámetros están correlacionados, no se puede distinguir entre las diferentes combinaciones de los dos parámetros y es imposible determinar cuál de las variables "independientes" o parámetros del modelo esta mas cercanamente relacionado a los cambios en las llamadas variables dependientes, tales como la biomasa de la especie. Los efectos de las variables independientes correlacionadas se dice que están confundidos estadísticamente (Haddon 2001). Por consiguiente es importante mantener el programa de campañas de valoración de biomasa para el pulpo rojo y establecer nuevos programas para las especies adecuadas como el erizo rojo en Baja California para evitar sesgos en la estimación del stock.

El nivel de biomasa actual estimado (14% de K) provee un criterio formal para clasificar el estado de salud de la población del pulpo rojo. Este nivel de biomasa sugiere que la población pudiera estar sobre explotada en lugar de explotada al nivel máximo sustentable como se sugirió previamente (INP 2006). Es importante mencionar que 20% de la biomasa virgen es un nivel que no se considera conservador, sino que representa un límite inferior donde niveles bajos de reclutamiento pueden ser observados (Beddington y Cooke 1983). Este hecho es reforzado por las últimas estimaciones de biomasa llevadas a cabo por el INP/INAPESCA (2007, 2008) y la captura decreciente registrada en 2007 y 2008. Debido a que los resultados sugieren que la población del pulpo rojo está reducida a niveles muy bajos, sería necesario desarrollar un plan de reconstrucción para evitar el cierre de la pesquería en el mediano plazo.

En general, las opciones de manejo con los rendimientos más altos también tienen los riesgos más altos de reducción del stock; por consiguiente, las autoridades pesqueras deben escoger una estrategia pesquera que tenga los más altos beneficios pero también riesgos bajos aceptables (McAllister y Kirkwood 1998). El análisis de decisión es una herramienta ideal para alcanzar este objetivo. La inclusión del error de implementación provee un escenario más realista y es una opción más conservadora, por consiguiente se recomienda usar este tipo de datos en el proceso de toma de decisiones cuando estén disponibles.

Los resultados del escenario con error de implementación sugiere que la tasa de explotación constante del 30% es la estrategia que potencialmente tendría los beneficios más altos y niveles de riesgo aceptables y podría ser la mejor opción para reconstruir la población de pulpo rojo; sin embargo, se deben de tomar en cuenta algunas consideraciones de tipo económico porque puede surgir una oposición a esta medida debido a la disminución de la cuota anual. También es necesario valorar el impacto de esta estrategia en cuanto a la pérdida de empleos e ingreso. Es importante señalar que cuando se incluyo el error de implementación en las simulaciones de los cuatro niveles más altos de la tasa de explotación, no se logro alcanzar el nivel de biomasa que se tenía en 1995. La implementación de ninguna de las tasas de explotación permitió alcanzar el nivel de 50% de la capacidad de carga en diez años. Finalmente, los datos sugieren que el error de implementación se podría reducir cuando la biomasa disminuye porque es más difícil alcanzar la cuota debido a la escasez del recurso, requiriéndose más esfuerzo pesquero. Sin embargo es difícil verificar este hecho. Datos nuevos en los futuros años proveerán más información en este respecto.

El enfoque tomado en este trabajo es un primer paso en el uso de métodos Bayesianos para proveer información adicional para el proceso de toma de decisiones que pudiera asegurar una explotación sustentable del pulpo rojo. Sólo se tomaron en cuenta los errores de implementación y observación en el presente trabajo; por consiguiente, la incertidumbre podría estar subestimada. Algunas mejoras podrían ser alcanzadas cuando se exploren otros tipos de incertidumbre, como la incertidumbre del modelo. En particular se podría hacer un análisis incluyendo el modelo de Pella–Tomlinson (1969), un modelo con reclutamiento desfasado, supervivencia y crecimiento (Hilborn y Mangel 1997) o un modelo de diferencia–desfasamiento (Deriso 1980). En contraste con el modelo de Schaefer, estos modelos son capaces de incluir características alternas de historia de vida. Crear un manejo basado en el ecosistema requeriría la exploración de los efectos indirectos de la pesca debido a interacciones tróficas. Algún esfuerzo (Arreguín–Sánchez 2000) se ha llevado a cabo para simular los cambios en la vulnerabilidad por depredación del mero (Epinephelus morio) bajo tres escenarios de mortalidad por pesca, incluyendo una mortalidad por pesca constante, un escenario con incrementos graduales de la mortalidad por pesca y un tercer escenario que simula los niveles de mortalidad en 2000. Los resultados de este análisis sugieren que aun cuando la intensidad de la mortalidad por pesca aparentemente produce un impacto importante en la biomasa del pulpo rojo. La vulnerabilidad tiene un papel importante cuando se reduce y cuando el stock es sometido a altos niveles de explotación. Más análisis se deben llevar a cabo para explorar las interacciones tróficas entre el mero y el pulpo rojo en un marco Bayesiano usando un modelo estadístico multiespecífico (Jurado–Molina et al. 2005).

Como se mencionó anteriormente, los resultados de este análisis sugieren que el pulpo rojo podría estar sobreexplotado. Se podría considerar un error en el manejo de este recurso el mantener los niveles actuales de explotación y podría resultar en el cierre de esta pesquería con las correspondientes pérdidas de empleo e ingreso. El desarrollo de un plan de reconstrucción para esta pesquería requiere el establecimiento de objetivos claros en el corto, mediano y largo plazo y claras estrategias y regulaciones para el manejo de este recurso. El plan tiene que incluir todos los sectores involucrados, el académico (a través de universidades e instituciones de investigación), las autoridades pesqueras mexicanas (CONAPESCA, INAPESCA y las autoridades estatales), pescadores y armadores. La adopción de estrategias y regulaciones tiene que realizarse a través del consenso para que se asegure el cumplimiento de las regulaciones por todos los sectores involucrados. Debido a la disponibilidad de datos, el manejo del pulpo rojo ofrece una gran oportunidad para establecer un marco cuantitativo formal basado en la metodología Bayesiana que tome ventaja de todos los datos disponibles para asegurar una explotación sustentable de los recursos pesqueros en México.

 

REFERENCIAS

Akaike M. 1973. Information theory and an extension of the maximum likelihood principle. In: Petrov B, Csaki F (eds.), Proc. 2nd International Symposium of Information Theory. Akademia Kiado, Budapest, pp. 267–281.         [ Links ]

Arreguín–Sánchez F. 2000. Octopus–red grouper interaction in the exploited ecosystem of the northern continental shelf of the Yucatan, Mexico. Ecol. Model. 129: 119–129.         [ Links ]

Arreguín–Sánchez F, Solís–Ramírez MJ, González de la Rosa ME. 2000. Population dynamics and stock assessment for the Octopus maya (Cephalopoda: Octopodidae) fishery in Campeche Bank, Gulf of Mexico. Rev. Biol. Trop. 48 (2–3): 323–331.         [ Links ]

Beddington JR, Cooke JG. 1983. The potential yield of fish stocks. FAO Fish. Tech. Pap. 242, 47 pp.         [ Links ]

Deriso RB. 1980. Harvesting strategies and parameter estimation for an age–structured model. Can. J. Fish. Aquat. Sci. 37: 268–282.         [ Links ]

Fournier D. 1996. An introduction to AD MODEL BUILDER for use in nonlinear modeling and statistics. Otter Research Ltd., Canada.         [ Links ]

Fuentes D, Solís–Ramírez MJ, De la Garza J. 1965. Algunos aspectos de la reproducción de pulpo (Octopus vulgaris Lamarck) de la Sonda de Campeche. Res. II Congreso Nacional de Oceanografía, Ensenada, Baja California, México.         [ Links ]

Geweke J. 1992. Evaluating the accuracy of sampling–based approaches to the calculation of posterior moments. In: Berger JO, Bernardo JM, Dawid AP, Smith AFM (eds.), Bayesian Statistics. 4. Proceedings of the 4th Valencia International Meeting. Clarendon Press, Oxford, pp. 169–193.         [ Links ]

Haddon M. 2001. Modelling and Quantitative Methods in Fisheries. Chapman & Hall/CRC, Boca Raton, Florida, 406 pp.         [ Links ]

Heidelberger P, Welch P. 1983. Simulation run length control in the presence of an initial transient. Oper. Res. 31: 1109–1144.         [ Links ]

Hilborn R, Mangel M. 1997. The Ecological Detective: Confronting Models with Data. Princeton Univ. Press, Princeton, New Jersey, 315 pp.         [ Links ]

Hilborn R, Walters CJ. 1992. Quantitative fisheries stock assessment: choice, dynamics and uncertainty. Chapman and Hall, New York.         [ Links ]

INP. 2002, 2003, 2004, 2005, 2006, 2007. Evaluación de la población de pulpo (Octopus maya) en la Península de Yucatán. Instituto Nacional de la Pesca, México. Http://www.inp.sagarpa.gob.mx/Dictamenes/Dictamenes.htm        [ Links ]

INAPESCA. 2008. Evaluación de la población de pulpo (Octopus maya) en la Península de Yucatán 2008. Documento interno, Instituto Nacional de la Pesca, México. Http://www.inp.sagarpa.gob.mx/Dictamenes/Dictamenes.htm        [ Links ]

Jurado–Molina J, Livingston PA, Ianelli JN. 2005. Incorporating predation interactions to a statistical catch–at–age model for a predator–prey system in the eastern Bering Sea. Can. J. Fish. Aquat. Sci. 62: 1865–1873.         [ Links ]

Jurado–Molina J, Palleiro–Nadar JS, Gutiérrez NL. 2009. Developing a Bayesian framework for stock assessment and decision analysis of the red sea urchin fishery in Baja California, Mexico. Cienc. Mar. 35: 183–193.         [ Links ]

McAllister M, Kirkwood G. 1998. Using Bayesian decision analysis to help achieve a precautionary approach for managing developing fisheries. Can. J. Fish. Aquat. Sci. 55: 2642–2661.         [ Links ]

Pella JJ, Tomlinson PK. 1969. A generalized stock–production model. Bull. IATTC. 13 : 421–458.         [ Links ]

Punt AE, Hilborn R. 1996. Biomass Dynamics Models. User's manual. FAO Computerized Information Series (Fisheries) No. 10, Rome, 62 pp.         [ Links ]

Punt AE, Hilborn R. 2001. BAYES–SA: Bayesian Stock Assessment Methods in Fisheries. User's manual. FAO Computerized Information Series (Fisheries) No. 12, Rome, 56 pp.         [ Links ]

Rice JC, Richards LJ. 1996. A framework for reducing implementation uncertainty in fisheries management. North Am. J. Fish. Manage. 16: 488–494.         [ Links ]

Schaefer MB. 1954. Some aspects of the dynamics of populations important to the management of commercial marine fisheries. Bull. IATTC, 25–56 pp.         [ Links ]

Simpfendorfer C, Donahue K, Hall NG. 2000. Stock assessment and risk analysis for the whiskery shark (Furgaleus macki (Whitley)) in southwestern Australia. Fish. Res. 47: 1–17.         [ Links ]

Solís–Ramírez MJ. 1994. La pesquería del pulpo del Golfo de México y Caribe mexicano. In: Atlas Pesquero y Pesquerías Relevantes de México. CD Multimedia. Secretaría de Pesca, INP, CENEDIC, Univ. de Colima, México.         [ Links ]

Solís–Ramírez MJ, Chávez EA. 1986. Evaluación y régimen óptimo de pesca de pulpo de la Península de Yucatán, México. Ann. Inst. Cienc. Mar Limnol. Univ. Nac. Aut. Méx. 13: 1–18.         [ Links ]

Solís–Ramírez MJ, Arreguín–Sánchez F, Seijo JC. 1997. Pesquería de pulpo de la plataforma continental de Yucatán. In: Flores–Hernández D, Sánchez–Gil P, Seijo JC, Arreguín–Sánchez F (eds.), Análisis y Diagnóstico de los Recursos Pesqueros Critícos del Golfo de México. Universidad Autónoma de Campeche, EPOMEX Serie Científica 7, pp. 61–80.         [ Links ]

Van Heukelem WF. 1977. Laboratory maintenance, breeding and biomedical research potential of the Yucatan octopus (Octopus maya). Lab. Anim. Sci. 27: 825–859.         [ Links ]

Voss GL, Solís–Ramírez MJ. 1966. Octopus maya, a new species from the Bay of Campeche. Bull. Mar. Sci. 16: 615.         [ Links ]

 

NOTA

* Versión bilingüe (Inglés–Español) en formato PDF