漁業管理のための生態系モデリングの費用便益分析

1. 序論と概要

本視点論文『漁業管理を支援するための生態系モデリングの費用便益分析』は、漁業科学と管理における根本的な緊張関係、すなわちモデルの単純性と複雑性の間のトレードオフに取り組む。1世紀以上にわたり、単純で定常的な単一種モデルは、その使いやすさとキャリブレーションの容易さから、戦術的漁業管理を支配してきた。しかし、気候変動が急速に進み生態系への圧力が高まる時代において、これらの単純なモデルの妥当性が疑問視されている。著者らは、費用便益分析（CBA）が、より複雑な生態系モデルへの投資価値を客観的に評価するために必要でありながら十分に活用されていない重要な枠組みであると提唱する。本論文は、文献における重要なギャップを浮き彫りにしている。複雑性の便益については時折議論される一方で、これらのモデルを開発、維持、実行するための実際の費用が報告されたり分析されたりすることはほとんどない。

2. 漁業におけるモデル複雑性のジレンマ

モデルの複雑性の選択は、単に学術的なものではなく、管理成果、資源配分、生態学的持続可能性に直接的な影響を及ぼす。

3. 費用便益分析の枠組み

本論文は、モデル選択を導く正式なCBAを提唱する。これは、定性的な議論を超えて定量的な比較へと移行することを意味する。

4. 実証的費用データと仮想事例

議論を具体化するため、著者らはオーストラリアの組織からの予備的な費用データを提示する。

5. 技術的詳細と数学的定式化

モデル選択のためのCBAの中核は、数学的に定式化できる。より複雑なモデル（$M_c$）を単純なベースライン（$M_s$）よりも選択することの正味便益（$NB$）は：

$$NB = B(M_c) - B(M_s) - [C(M_c) - C(M_s)]$$

ここで：

• $B(M)$は、モデル$M$に基づく管理下で達成される総割引便益（例：漁獲のNPV）。
• $C(M)$は、モデル$M$を開発、維持、運用する総割引費用。

より微妙なアプローチは、漁業で一般的なリスクと不確実性を組み込む。期待正味便益は、主要パラメータ（例：将来の加入、市場価格、気候シナリオ）の確率分布を積分することで計算できる：

$$E[NB] = \int_{\Theta} \big( B(M_c | \theta) - B(M_s | \theta) - \Delta C \big) p(\theta) d\theta$$

ここで$\theta$は不確実なパラメータのベクトルを表し、$p(\theta)$はそれらの結合確率分布である。これは、モデルが「真の」システム状態を表す一連のオペレーティングモデルでテストされる管理戦略評価（MSE）の原則と一致する。

6. 分析枠組み：コードを用いない事例

シナリオ： 漁業管理協議会は、現在単一種評価で管理されている多種混合底魚漁業のために、Ecopath with Ecosim（EwE）モデルの開発に資金を提供するかどうかを決定しなければならない。

枠組みの適用：

1. 代替案の定義： A) 現状維持（単一種）。 B) 多種漁獲制限に情報を提供するEwEモデルを開発。
2. 費用と便益の特定：
   • 費用（B）： モデル開発のための2人年（@ 15万ドル/年）= 30万ドル；継続的な年間メンテナンス（5万ドル/年）。
   • 便益（B）： シミュレーションによる定量化。歴史データと予測シナリオを使用し、EwEモデルが捕食者-被食者相互作用をより適切に考慮することで、長期的な持続可能漁獲量を5%増加させられると推定。年間1000万ドルの漁業の場合、これは年間50万ドルの追加収益となる。
3. 分析の実施： 割引率3%、20年間の期間で：
   • NPV(費用) = 30万ドル + PV(5万ドルの年金) ≈ 30万ドル + 74.3万ドル = 104.3万ドル。
   • NPV(便益) = PV(50万ドルの年金) ≈ 743万ドル。
   • 正味便益 = 743万ドル - 104.3万ドル = 638.7万ドル。 BCR ≈ 7.1。
4. 感度分析の実行： 漁獲増加が2%のみの場合（BCR ≈ 2.8）や開発費用が2倍の場合（BCR ≈ 3.5）の結果をテスト。妥当なシナリオ下でも投資は有利である。
5. 提言： 期待便益が費用を大幅に上回るため、EwEモデル開発を進める。

7. 将来の応用と研究の方向性

本論文の行動喚起は、いくつかの重要な研究分野を開く：

• 標準化された費用報告： ゲノミクスや高エネルギー物理学での取り組みと同様に、機関横断でモデリング費用（人件費、計算、時間）を報告するためのテンプレートやデータベースの作成。
• 「情報の価値（VOI）」の定量化： 深い不確実性下での意思決定成果の改善にモデル複雑性を厳密に結びつける。これにはロバスト意思決定（RDM）や情報ギャップ理論のような高度なシミュレーション技術が含まれる。
• 適応的管理との統合： モデル開発を一度きりの費用ではなく、学習自体が便益となる適応的管理サイクル内での反復的投資として位置づける。
• AI・機械学習の応用： エミュレータ（代理モデル）などのツールを活用して、CBAやMSEのために複雑な生態系モデルを実行する計算コストを削減し、これらの分析をより実現可能にする。高価な地球システムモデル（CESMなど）を近似するためにエミュレータが使用される気候モデリング分野の技術は直接適用可能である。
• 政策への統合： 漁業管理計画においてモデリング投資のCBAがいつ必要とされるかについて、規制機関（例：NOAA、FAO）向けのガイドラインの開発。

8. 参考文献

1. Holden, M.H., et al. (2024). Cost-benefit analysis of ecosystem modelling to support fisheries management. Journal of Fish Biology. https://doi.org/10.1111/jfb.15741
2. Walters, C. J., & Maguire, J. J. (1996). Lessons for stock assessment from the northern cod collapse. Reviews in Fish Biology and Fisheries, 6(2), 125–137.
3. Fulton, E. A. (2010). Approaches to end-to-end ecosystem models. Journal of Marine Systems, 81(1-2), 171–183.
4. Punt, A. E., et al. (2016). Management strategy evaluation: best practices. Fish and Fisheries, 17(2), 303–334.
5. Hilborn, R., & Walters, C. J. (1992). Quantitative fisheries stock assessment: choice, dynamics and uncertainty. Chapman and Hall.
6. National Oceanic and Atmospheric Administration (NOAA). (2021). Guidelines for Conducting Fisheries Stock Assessments. NOAA Technical Memorandum NMFS-F/SPO-XXX.
7. Food and Agriculture Organization (FAO). (2020). The State of World Fisheries and Aquaculture 2020. FAO.

9. 独自分析と専門家コメント