Когда рыбаки отправляются в морские экспедиции, охраняемые виды случайно попадают в их сети вместе с рыбой, предназначенной для продажи. Биологи собирают наборы данных о количестве рыб и показателях сохранения видов, чтобы они могли изучить объем случайного промысла и его влияние на морскую фауну. Структура этих данных, известных как «вложенные», сложна, потому что она объединяет массу технической информации, такой как количество экспедиций или тип используемых лодок.
В данных также записывается количество рыбы, пойманной в сети во время каждой рыбалки. Однако некоторые виды — например, акула-молот — один из таких случаев — обычно не ловятся, что затрудняет создание моделей, включающих количество нулевых уловов для каждого вида. «До сих пор не существовало общего статистического метода, который сочетал бы вложенную структуру данных с большим количеством нулей в наблюдениях», — объясняет Ева Кантони, профессор Исследовательского центра статистики Женевской школы экономики и менеджмента UNIGE (GSEM). . «Таким образом, этот пробел необходимо было заполнить, что мы и сделали, создав очень общую и гибкую модель, названную« Модель препятствий со случайными эффектами ».Сложность общности
Статистики разработали новый метод с конечной целью внедрения регулируемого промысла и сокращения прилова. «Мы должны были принять во внимание ряд динамических характеристик», — продолжает Кантони. «Целью было не только проанализировать изменения количества уловов с течением времени, но и изучить различные сезоны и погоду с учетом технических условий: глубины сетей, времен года (как я уже упоминалось), тип использованных крючков, использовались ли световые палки или нет, а также тип судна ". Основываясь на этих данных, исследователи определили легко поддающиеся влиянию условия (такие как глубина крючков), которые уменьшили бы количество пойманных нерыночных видов.Затем статистики создали новую методологию, которая объединила старые модели, специализирующиеся либо на вложенных структурах, либо на нулевом управлении. «Сложность заключалась в том, чтобы объединить эти два аспекта вместе с тем, чтобы модель была как можно более общей, чтобы ее можно было адаптировать ко многим ситуациям», — говорит Джоанна Миллс Флемминг с факультета математики и статистики Университета Далхаузи. Чем более общая модель, тем сложнее ее обрабатывать. Были использованы современные методы моделирования для оценки параметров модели (связанных, например, с глубиной зацепов) и их изменчивости.
Авторы продемонстрировали теоремы, которые определяют и количественно определяют пределы ошибки для модели и ее прогнозов. Предотвращение случайных уловов и поддержка экологической политики.
Это моделирование означает, что теперь можно оценить потенциальный прилов для рыболовной экспедиции. «Когда рыбаки предоставляют нам данные о своем рейсе, мы можем с большей точностью прогнозировать случайный улов, например, акул-молотов», — заявляет Кантони. «Этот метод можно использовать для подкрепления экологической политики путем запрета промысла на определенной глубине в определенное время года, поскольку это приведет к слишком большому прилову», — добавляет Алан Уэлш из Австралийского национального университета.Модель заполняет статистический пробел: ранее не существовало общей модели, способной одновременно учитывать сложные и вложенные структуры данных и большое количество наблюдений, равное нулю.
Сегодня новая модель предназначена не только для коммерческого рыболовства: ее также можно использовать в других областях со сложной структурой данных, включая экономику здравоохранения, медицину и образование.