In der ökonomischen Theorie bildet die Annahme des optimierenden Verhaltens von Akteur:innen (z. B. Maximierung von Gewinn, Erlös, der produzierten Menge) die Grundlage des betrieblichen Wirtschaftens. Dabei versuchen Betriebe beispielsweise, mit gegebenen Ressourcen einen (langfristig) möglichst großen Profit zu erwirtschaften. Die Fähigkeit eines Unternehmens, den maximal möglichen Profit/Erlös zu erwirtschaften, wird als Effizienz bezeichnet (Kumbhakar und Lovell 2003). Die Effizienz lässt sich in mehrere Komponenten aufteilen: am häufigsten werden die technische Effizienz (TE), und die allokative Effizienz (AE) untersucht (Abbildung 1). Die technische Effizienz beschreibt den Unterschied zwischen einer realisierten Produktionsmenge und der maximal produzierbaren Menge, gegeben der Inputs. So ist Betrieb A bspw. technisch effizienter als Betrieb B, wenn Betrieb A es schafft, mit denselben Ressourcen bzw. Inputs mehr Output als Betrieb B zu produzieren oder wenn er es schafft, mit weniger Inputs den gleichen Output wie Betrieb B zu produzieren. Allokative Effizienz im Output beschreibt die Optimalität des Produktmixes in Abhängigkeit der Erzeugerpreise. Der Outputmix eines Produzenten ist dann allokativ effizient, wenn Output X nicht gegen Output Y getauscht werden kann, ohne dass der Erlös oder Profit sinkt. Allokative Effizienz bewirkt, dass in einer Gesellschaft Produkte nach ihrem jeweiligen Nutzen (abgebildet durch den Preis) produziert und so knappe Ressourcen optimal genutzt werden. Durch Produktionseinschränkungen, die die Menge der produzierten Güter oder die Zusammensetzung unterschiedlicher Güter beeinflussen, kann sich sowohl technische als auch allokative Effizienz von Betrieben ändern.
Abbildung 1: Produktionsmöglichkeiten und Effizienz eines Betriebs mit zwei Outputs
Effizienz von Betrieben kann mit stochastischen (ökonometrisch – Stochastic Frontier Analysis) und deterministischen Methoden gemessen werden (Coelli u. a. 2005). Unter die deterministischen Methoden fällt die Data Envelopment Analysis (DEA), die sich besonders gut eignet, die Effizienz eines Betriebes in technische und allokative Effizienz aufzuteilen (Pascoe u. a. 2022). Neben der klassischen DEA bestehen heute zahlreiche Varianten, mit denen auch stochastische Elemente (z.B. via Bootstrapping) in die deterministische Effizienzanalyse miteinfließen können (Bogetoft und Otto 2010), um so die Unsicherheit der Ergebnisse besser abbilden zu können. Während die technische Effizienz im Agrarsektor (z. B. Brümmer und Loy 2000; Djokoto 2015; Latruffe u. a. 2017; Nowak, Kijek, und Domańska 2015; Thiam, Bravo-Ureta, und Rivas 2001) und der Fischerei (Dresdner, Campos, und Chávez 2010; Estrada, Suazo, und Dresdner Cid 2017; Koemle u. a. 2023; Pascoe 2007) bereits vielfach untersucht wurde, besteht weiterhin großer Forschungsbedarf zur allokativen Effizienz.
Die Bestimmungsfaktoren der verschiedenen Komponenten der Effizienz (TE und AE) können mittels einer der DEA nachgelagerter Analysen geschätzt werden. Bei Politikmaßnahmen, die nicht zufällig in der Population verteilt sind, weil sie bspw. auf freiwilliger Basis umgesetzt werden, erfordert die Messung der Politikeffekte die Anwendung kausalanalytischer Methoden (Cunningham 2021; Pearl, Glymour, und Jewell 2016). Ein praktisches Beispiel für diese Maßnahmen ist das österreichische Agrar-Umweltprogramm ÖPUL, in dem unter freiwilliger Teilnahme der Landwirt:innen Maßnahmen zum Umwelt-, Natur- und Gewässerschutz gefördert werden. In der Fischerei werden Fangkapazitäten einerseits durch geförderte zeitlich befristete oder permanente Stilllegungen von Fischereifahrzeugen Fangkapazitäten reduziert (Koemle u. a. 2023; Lado 2016), andererseits durch Investitionsförderungen zur Steigerung der Wettbewerbsfähigkeit der Fischereiflotte auch Kapazitäten erhöht (Lado 2016). Abbildung 2 zeigt exemplarisch die kausalen Zusammenhänge zwischen einer Politikadoption durch einzelne Teilnehmer und Effizienz, in Abhängigkeit messbarer Eigenschaften des Betriebs (X), externer Faktoren (Z, z.B. Regulierungen, Politikmaßnahmen, Umwelteffekte) sowie nicht gemessener Faktoren (B), die bspw. in der Persönlichkeit, Fähigkeit und Psyche der handelnden Person liegen. Aufgrund der Einflüsse ungemessener Effekte auf Politikadoption und Effizienz lässt sich der kausale Effekt der Politikadoption auf die Effizienz nicht ohne weitere Annahmen identifizieren. Häufig angewandte Identifikationsstrategien sind bspw. Difference-in-Differences (DiD), Propensity Score (Matching), Instrumental Variables, oder andere kontrafaktische Methoden. Im Rahmen der Weiterentwicklung der genannten klassischen Methoden auch Machine Learning Methoden eingesetzt (Bach u. a. 2024; Chernozhukov u. a. 2018; Huber 2023).
Abbildung 2: Directed acyclic graph der kausalen Treiber der Effizienz. Orange eingezeichnete Beziehungen sind unbeobachtet; der zu identifizierbare Effekt ist jener der Politikadoption (blau)
Eine Kombination von DEA und Methoden des maschinellen Lernens bietet neue und spannende Möglichkeiten zur Evaluierung von Politikmaßnahmen. Verglichen mit traditionellen regressionsbasierten Methoden zur Kausalanalyse bietet die Anwendung von Machine Learning mehrere Vorteile: (1) Machine Learning Modelle können sich besser an die Daten anpassen und daher auch bessere Vorhersagen treffen als klassische statistische Modelle; und (2) Machine learning Modelle kommen mit weniger restriktiven Annahmen aus (bspw. zur funktionellen Form der Zusammenhänge zwischen Variablen), sondern lernen die Struktur der (nichtlinearen) Zusammenhänge aus den Daten. Beim Double Machine Learning Verfahren können somit hochdimensionale erklärende Variablensets (= Datenätze mit vielen Variablen) und nichtlineare Zusammenhänge berücksichtigt und damit kausale Politikeffekte geschätzt werden. Dabei sind, je nach Fragestellung, unterschiedliche Verfahren verfügbar (z.B. Partial Linear Regression, Interactive Regression Model, DoubleML-basiertes DiD, etc.; Bach u. a. 2024). Dabei kann zwischen homogenen und heterogenen Politikeffekten (d.h. Politikeffekten, die je nach Eigenschaften des teilnehmenden Betriebes unterschiedlich wirken) unterschieden werden. Das R-Paket DoubleML (Bach u. a. 2024) erlaubt es darüber hinaus, basierend auf Bootstrapping, kausale Effekte mehrerer Einflussvariablen gleichzeitig zu ermitteln.
Als Fallbeispiel zur Messung des Einflusses von Politikmaßnahmen auf die allokative Effizienz dient in diesem Projekt ein Datensatz aus der kommerziellen Fischerei in der deutschen Ostsee. Wie viele globale Fischbestände (Pauly u. a. 2002; Pikitch 2012) sind auch die Bestände der sogenannten Brotfischarten Dorsch (Gadus morhua) und Hering (Clupea Harengus) in der Ostsee massiv eingebrochen (Möllmann u. a. 2021), was eine Vielzahl von Regulierungen und Reduktion der jeweiligen Fangquoten nach sich zog. Zusätzlich unterliegt insbesondere die Küstenregion Mecklenburg-Vorpommerns inklusive ihrer Fischerei einem starken Strukturwandel seit der Wende 1989 (Lewin u. a. 2023; Kotte und Stöckmann 2024). Für die Politik ergibt sich daraus ein Zielkonflikt zwischen Ernährungssicherung, Erhalt einer leistungsfähigen Fischereiflotte und damit verbundenen Arbeitsplätzen, und dem langfristigen Erhalt der Ressourcen (der Verfügbarkeit fangbarer Fischbestände). Die Fischerei unterliegt einem komplexen, mehrschichtigen Regelwerk: So wirkt sowohl die Europäische Gemeinsame Fischereipolitik zum Erhalt der Fischbestände (bspw. durch Quoten für Dorsch, Hering; Flottenpolitik), wie auch nationale Regelungen und Regeln auf Bundesländerebene für die Küstenbereiche (z.B. die Küstenfischereiverordnung Mecklenburg-Vorpommerns). Zur Regulierung gehören Input- und Outputorientierte Maßnahmen. Input-orientierte Maßnahmen begrenzen oder reduzieren den Fischereiaufwand und/oder die Effektivität, mit der Fischerei betrieben wird, z. B. zeitweilige Stilllegungen, Abwrackprämien, technische Einschränkungen (maximale Leistung, minimale Maschenweiten, Verbot bestimmter Fangmethoden, gebietsweise Beschränkung von Netzlängen und Haken), Schongebiete, oder Schonzeiten. Output-orientierte Maßnahmen hingegen begrenzen die Menge an Fisch, die entnommen werden kann, z.B. durch (individuelle, handelbare) Quoten. Neben dem Fischereimanagement wirken externe Faktoren wie Wetter oder Märkte auf die Fischerentscheidungen sowie die realisierten Fänge und Gewinne.
Die meisten Gewässer der Ostseeregion enthalten mehrere befischbare Arten (z.B. Hering oder Dorsch in der Ostsee, Süßwasserarten wie Hecht, Barsch oder Zander in Brackwassergebieten wie den Rügener Bodden). Durch Kenntnis des Fischverhaltens zu unterschiedlichen Jahreszeiten, der lokalen Habitate sowie der geeigneten Fanggeräte können Fischer mehr oder weniger gezielt spezifische Arten (inkl. Fischgrößen) befischen (Pascoe, Koundouri, und Bjørndal 2007; Koemle u. a. 2024). Die Auswahl der Zielarten am Betrieb wird einerseits durch die Ausstattung an Fanggeräten (Fischereifahrzeuge, Reusen, Stell- oder Schleppnetze usw.) sowie die Verfügbarkeit von fangbarem Fisch und dessen Wert (Preis) getrieben, andererseits beeinflussen auch diverse Politikmaßnahmen (z.B. Quoten oder anderen Anlandungsrechten) getrieben. Je nach Fischereibetrieb ist die Flexibilität, auf aktuelle Marktentwicklungen zu reagieren, jedoch begrenzt, da für den Wechsel einer Zielart bspw. neues Gerät angeschafft (und genehmigt) oder auch neues Wissen (wie/wo kann die Zielart am besten Gefangen werden, welche Konkurrenten habe ich auf See, etc.) aufgebaut werden muss. Daraus ergeben sich Quellen für technische oder allokative Ineffizienz die im vorgeschlagenen Projekt beleuchtet werden sollen.
Zielsetzung
Hauptziele
- Die kausale Wirkung verschiedener Politikmaßnahmen auf die Output-Allokative Effizienz von Betrieben schätzen.
- Internationale Vernetzung und Aufbau von Methodenkompetenz
Detailziele
- Detaillierte Beschreibung der Literatur zur Wirkung von Politikmaßnahmen auf Effizienz im Kontext der Lebensmittelproduktion mit Fokus Fisch.
- Beschreibung der Fischerei im Gebiet der Fallstudie.
- Berechnung der allokativen Effizienz mittels Data Envelopment Analysis (nichtparametrische Effizienzanalyse).
- Verwendung von Causal Machine Learning, um kausale Effekte von Politikmaßnahmen auf Effizienz von reinen Korrelationen zu trennen.
- Ableitung von Schlussfolgerungen und Empfehlungen
Arbeitspakete
Im vorliegenden Projekt sollen die Bestimmungsfaktoren der allokativen Effizienz von Fischereibetrieben mit Hilfe von deterministischer Effizienzanalyse und Causal Machine Learning geschätzt werden. Das Projekt besteht aus vier auf einander aufbauenden Arbeitspaketen (AP 1-4) sowie einem Steuerungspaket (AP 0).
Arbeitspaket 0: Projektsteuerung
Es sind zumindest drei Projekttreffen mit allen Projektpartnern gemeinsam geplant:
Anfang 2025 wird ein Kick-Off Meeting per Zoom mit allen internationalen Projektpartnern organisiert. Dabei soll ein allgemeiner Austausch über den Stand des Wissens stattfinden, die Forschungsfragen konkretisiert, sowie Entscheidungen über den effizienten Austausch von Wissen, Daten, und Literatur getroffen werden. Außerdem sollen mögliche Hürden thematisiert und Lösungsvorschläge diskutiert werden.
Ein zweites Projekttreffen per Zoom wird in der zweiten Jahreshälfte 2025 zur Diskussion des aktuellen Standes des Projekts organisiert. Hier werden notwendige Weichenstellungen vorgenommen, der Fortschritt des Projekts in seinen unterschiedlichen Arbeitsbereichen präsentiert, und finale Abstimmungen zur Analyse und Entwicklung der Kernaussagen (methodisch und inhaltlich) getroffen.
Bei einem dritten Projekttreffen Mitte 2026 wird ein Entwurf für den Abschlussbericht diskutiert sowie letzte Weichenstellungen für eine wissenschaftliche Publikation getroffen und das angestrebte Journal festgelegt. Im Anschluss werden die entsprechenden Abschlussdokumente (Bericht und wissenschaftlicher Artikel) finalisiert
Arbeitspaket 1: Literaturanalyse und Methodenreview
Dieter Kömle, Yifan Lu, Christoph Tribl, Robert Arlinghaus
In Arbeitspaket 1 werden drei Stränge von Literatur analysiert: Erst wird untersucht, welche Formen der nichtparametrischen Effizienzanalyse sich im gegebenen Kontext besonders gut eignen, um die allokative Effizienz im Output zu berechnen (Asche und Roll 2018; Koemle u. a. 2023; Pascoe u. a. 2022; 2003). Darüber hinaus wird die Literatur zu Methoden der Kausalinferenz in Verbindung mit Machine Learning untersucht. Drittens wird die Literatur zur Fischereipolitik im allgemeinen (Analysen der Entwicklung der Fischereipolitik, unterschiedlicher Förderprogramme und Regulierungen; (Lado 2016; Sumaila 2013; Sumaila, Bellmann, und Tipping 2016)) sowie speziell in der Ostseefischerei statt (Arlinghaus u. a. 2023; Möllmann u. a. 2021) erhoben. Zur Aufschlüsselung der fischereilichen Politikmaßnahmen in der Ostsee wird auf Vorarbeiten des Thünen-Instituts, sowie des Leibniz-Instituts für Gewässerökologie und Binnenfischerei zurückgegriffen. Basierend auf diesem ersten Schritt werden die konkrete Vorgehensweise bei der Schätzung der kausalen Effekte und die konkret zu untersuchenden Politikmaßnahmen definiert.
Arbeitspaket 2: Datenakquise
Dieter Kömle, Gabriele Scheufele, Yifan Lu
Arbeitspaket 2 umfasst die Akquise der notwendigen Daten. Daten zur kommerziellen Fischerei werden über Kooperationen mit Projektpartnern in Deutschland akquiriert. Weiters werden alle relevanten Daten zu Politikmaßnahmen auf Betriebsebene (z.B. Teilnahme an zeitlich befristeter Stilllegung) sowie auf Landes- oder EU-Ebene (z.B. Quoten, Naturschutzmaßnahmen, sonstige Einschränkungen der Fischerei) von den relevanten Behörden und öffentlichen Quellen gesammelt und mit Anlandungsdaten verschnitten. Darüber hinaus werden geeignete Datenquellen mit Bestandsschätzungen (z.B. vom Internationalen Rat für Meeresforschung ICES – International Council for the Exploration of the Sea) sowie Daten zur Schiffseigenschaften aus dem Europäischen Flottenregister eingebunden.
Arbeitspaket 3: Analysen
Dieter Kömle, Sean Pascoe, Yifan Lu, Gabriela Scheufele, Christoph Tribl
Nach Akquise und Bereinigung der Daten beginnt die eigentliche Analyse. Die Analyse ist dreistufig, und kombiniert Unsupervised Learning zur Reduktion der Komplexität der Inputdaten (Zusammenfassung der Fischarten in Artengruppen mittels Clustering), nichtparametrische Effizienzanalyse (Bogetoft und Otto 2010), und Machine-Learning getriebener Kausalinferenz (Supervised Learning) (Bach u. a. 2024; Chernozhukov u. a. 2018). Im Ergebnis werden Parameter geschätzt, die den Einfluss der jeweiligen Politikmaßnahmen auf die Effizienz (Fokus allokative Effizienz) beschreiben. Mittels Feedbackschleifen werden die Ergebnisse sowie die methodischen Ansätze fortlaufend mit den Koautoren diskutiert.
Arbeitspaket 4: Publikation und Dissemination
Dieter Kömle, Robert Arlinghaus, Sean Pascoe, Yifan Lu, Gabriela Scheufele, Christoph Tribl
Die gewonnen Erkenntnisse hinsichtlich Eignung der Methoden für weitere Politikevaluierungen (z.B. ähnliche Maßnahmen des GAP Strategieplans) sowie die Schlussfolgerungen für Politikmaßnahmen und der Projektverlauf werden in Arbeitspaket 4 in Form eines Abschlussberichts zusammengefasst.
Ein zentraler Bestandteil von Arbeitspaket 4 ist das Verfassen eines wissenschaftlichen Artikels für die Fachöffentlichkeit. Eine Einreichung erfolgt bei einem geeigneten internationalen wissenschaftlichen Journal mit Peer-Review (entweder ein General Interest Journal wie z.B. PNAS, oder ein fachspezifisches Journal wie bspw. Marine Policy). Über Teilnahme an internationalen Konferenzen sowie interne Feedbackrunden werden Inhalt und die Analyse iterativ überarbeitet und bis zur Publikationsreife verbessert. Die Publikation wird nach Veröffentlichung über geeignete populärwissenschaftliche Formate einer breiteren Öffentlichkeit vorgestellt. Aus den gewonnenen methodischen und inhaltlichen Erkenntnissen sollen Folgeprojekte konzipiert werden.
Stand des Projektes
Das Projekt wird für 2025 initiiert.
Arbeiten 2025
In 2025 erfolgt am Jahresanfang die Projektinitiierung mit allen Projektpartnern. Danach startet die Literaturanalyse (AP1) sowie die Datenakquise und Bereinigung (AP2). Erste Analysen sind für das Ende 2025 geplant.
Zeitplan
Projektbeginn: 01/2025
Projektende: 12/2026
Projektpartner
Prof. Dr. Robert Arlinghaus ist Forschungsgruppenleiter für integratives Fischereimanagement am IGB sowie Professor an der Humboldt Universität zu Berlin und forscht seit vielen Jahren in der Studienregion. Sein Fokus liegt auf der Verbindung von Natur- und Sozialwissenschaften im fischereilichen Kontext (Freizeit- und Erwerbsfischerei). Neben seinen wissenschaftlichen Publikationen ist er auch sehr aktiv in der Wissenschaftskommunikation tätig, was sich im Gewinn des prestigeträchtigen Communicator Awards der DFG in 2020 niederschlug. Im Projekt marEEchange untersucht er gemeinsam mit Dr. Yifan Lu derzeit Kipppunkte und Strukturwandel in der Dorschfischerei in der westlichen Ostsee.
Dr. Yifan Lu ist ein angewandter Ökonom mit Fokus auf die Identifikation kausaler Zusammenhänge zwischen Fischerei und menschlichem Verhalten unter Nutzung natürlicher Experimente (Difference-in-Difference, Regression Discontinuity Analysis). Er ist auf Mehrarten-Fischerei spezialisiert und hat Erfahrung mit der Ostsee (Dorsch und Hering), indonesischen Küstengewässern und der Antarktis.
Dr. Sean Pascoe ist Fischereiökonom an der Commonwealth Scientific and Industrial Research Organization (CSIRO) in Brisbane, Australien. Er bringt viel Expertise in Effizienzanalysen in der weltweiten kommerziellen Fischerei mit, war bereits an bisherigen Projekten beteiligt und ist Koautor für einen Artikel, der in der Fachzeitschrift „Canadian Journal of Fisheries and Aquatic Sciences“ akzeptiert wurde (Koemle u. a. 2024).
Dr. Gabriela Scheufele (CSIRO) ist Ressourcenökonomin und forscht ebenfalls seit vielen Jahren in der Fischerei. Dr. Scheufele bringt große Expertise in ökonometrischen Analysen im Umweltressourcen- und Fischereikontext mit.
Literatur
Arlinghaus, Robert, Marlon Braun, Felicie Dhellemmes, Elias Ehrlich, Fritz Feldhege, Dieter Koemle, Dominique Niessner, u. a. 2023. „Boddenhecht - Ökologie, Nutzung und Schutz von Hechten in den Küstengewässern Mecklenburg-Vorpommerns“. 33. Berichte des IGB. Berlin, Germany: Leibniz-Institute of Freshwater Ecology and Inland Fisheries. https://doi.org/10.4126/FRL01-006453300.
Asche, Frank, und Kristin H. Roll. 2018. „Economic inefficiency in a revenue setting: the Norwegian whitefish fishery“. Applied Economics 50 (56): 6112–27. https://doi.org/10.1080/00036846.2018.1489502.
Bach, Philipp, Malte S. Kurz, Victor Chernozhukov, Martin Spindler, und Sven Klaassen. 2024. „DoubleML: An Object-Oriented Implementation of Double Machine Learning in R“. Journal of Statistical Software 108 (Februar):1–56. https://doi.org/10.18637/jss.v108.i03.
Bogetoft, Peter, und Lars Otto. 2010. Benchmarking with DEA, SFA, and R. Springer Science & Business Media.
Brümmer, Bernhard, und Jens-Peter Loy. 2000. „The Technical Efficiency Impact of Farm Credit Programmes: A Case Study of Northern Germany“. Journal of Agricultural Economics 51 (3): 405–18. https://doi.org/10.1111/j.1477-9552.2000.tb01239.x.
Chernozhukov, Victor, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian Hansen, Whitney Newey, und James Robins. 2018. „Double/debiased machine learning for treatment and structural parameters“. The Econometrics Journal 21 (1): C1–68. https://doi.org/10.1111/ectj.12097.
Coelli, Timothy J., Dodla Sai Prasada Rao, Christopher J. O’Donnell, und George Edward Battese. 2005. An Introduction to Efficiency and Productivity Analysis. Springer Science & Business Media.
Cunningham, Scott. 2021. Causal Inference: The Mixtape. Yale University Press.
Djokoto, Justice. 2015. „Technical Efficiency of Organic Agriculture: A Quantitative Review“. Studies in Agricultural Economics 117 (2): 61–71. https://doi.org/10.7896/j.1512.
Dresdner, Jorge, Nélyda Campos, und Carlos Chávez. 2010. „The Impact of Individual Quotas on Technical Efficiency: Does Quality Matter?“ Environment and Development Economics 15 (5): 585–607. https://doi.org/10.1017/S1355770X10000215.
Estrada, Gloria Angélica Chávez, Miguel Ángel Quiroga Suazo, und Jorge David Dresdner Cid. 2017. „The Effect of Collective Rights-Based Management on Technical Efficiency: The Case of Chile’s Common Sardine and Anchovy Fishery“. Marine Resource Economics 33 (1): 87–112. https://doi.org/10.1086/696130.
Huber, Martin. 2023. Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R. MIT Press.
Koemle, Dieter, Thang Dao Nguyen, Xiaohua Yu, und Robert Arlinghaus. 2023. „Subsidies, Temporary Laying-Up, and Efficiency in a Coastal Commercial Fishery“. Marine Resource Economics 38 (2): 153–79. https://doi.org/10.1086/723731.
Koemle, Dieter, Sean Pascoe, Marc Simon Weltersbach, Birgit Gassler, und Robert Arlinghaus. 2024. „How quota cuts, recreational fishing, and predator conservation can shape coastal commercial fishery efforts“. Canadian Journal of Fisheries and Aquatic Sciences, August. https://doi.org/10.1139/cjfas-2024-0081.
Kotte, Volker, und Andrea Stöckmann. 2024. „Strukturwandel in Mecklenburg-Vorpommern“. IAB-Regional Nord. https://doi.org/10.48720/IAB.REN.2402.
Kumbhakar, Subal C., und C. A. Knox Lovell. 2003. Stochastic Frontier Analysis. Cambridge University Press.
Lado, Ernesto Penas. 2016. The Common Fisheries Policy: The Quest for Sustainability. John Wiley & Sons.
Latruffe, Laure, Boris E. Bravo-Ureta, Alain Carpentier, Yann Desjeux, und Víctor H. Moreira. 2017. „Subsidies and Technical Efficiency in Agriculture: Evidence from European Dairy Farms“. American Journal of Agricultural Economics 99 (3): 783–99. https://doi.org/10.1093/ajae/aaw077.
Lewin, Wolf-Christian, Fanny Barz, Marc Simon Weltersbach, und Harry V. Strehlow. 2023. „Trends in a European coastal fishery with a special focus on small-scale fishers – Implications for fisheries policies and management“. Marine Policy 155 (September):105680. https://doi.org/10.1016/j.marpol.2023.105680.
Möllmann, Christian, Xochitl Cormon, Steffen Funk, Saskia A. Otto, Jörn O. Schmidt, Heike Schwermer, Camilla Sguotti, Rudi Voss, und Martin Quaas. 2021. „Tipping Point Realized in Cod Fishery“. Scientific Reports 11 (1): 14259. https://doi.org/10.1038/s41598-021-93843-z.
Nowak, Anna, Tomasz Kijek, und Katarzyna Domańska. 2015. „Technical Efficiency and Its Determinants in the European Union“. Agricultural Economics (Zemědělská Ekonomika) 61 (6): 275–83. https://doi.org/10.17221/200/2014-AGRICECON.
Pascoe, Sean. 2007. „Estimation of cost functions in a data poor environment: the case of capacity estimation in fisheries“. Applied Economics 39 (20): 2643–54. https://doi.org/10.1080/00036840600722257.
Pascoe, Sean, Parastoo Hassaszahed, Jesper Anderson, und Knud Korsbrekke. 2003. „Economic versus physical input measures in the analysis of technical efficiency in fisheries“. Applied Economics 35 (15): 1699–1710. https://doi.org/10.1080/0003684032000134574.
Pascoe, Sean, Phoebe Koundouri, und Trond Bjørndal. 2007. „Estimating Targeting Ability in Multi-Species Fisheries: A Primal Multi-Output Distance Function Approach“. Land Economics 83 (3): 382–97. https://doi.org/10.3368/le.83.3.382.
Pascoe, Sean, Stephanie McWhinnie, Eriko Hoshino, und Robert Curtotti. 2022. „Using Productivity Analysis in Fisheries Management“. Canberra, Australia: FDRC. https://www.frdc.com.au/sites/default/files/products/2019-026%20Guide%20to%20Using%20Productivity%20Analysis%20in%20Fisheries%20Management.pdf.
Pauly, Daniel, Villy Christensen, Sylvie Guénette, Tony J. Pitcher, U. Rashid Sumaila, Carl J. Walters, R. Watson, und Dirk Zeller. 2002. „Towards Sustainability in World Fisheries“. Nature 418 (6898): 689–95. https://doi.org/10.1038/nature01017.
Pearl, Judea, Madelyn Glymour, und Nicholas P. Jewell. 2016. Causal Inference in Statistics: A Primer. John Wiley & Sons.
Pe’er, Guy, Aletta Bonn, Helge Bruelheide, Petra Dieker, Nico Eisenhauer, Peter H. Feindt, Gregor Hagedorn, u. a. 2020. „Action Needed for the EU Common Agricultural Policy to Address Sustainability Challenges“. People and Nature 2 (2): 305–16. https://doi.org/10.1002/pan3.10080.
Pikitch, Ellen K. 2012. „The Risks of Overfishing“. Science 338 (6106): 474–75. https://doi.org/10.1126/science.1229965.
Stern, Elliot. 2009. „Evaluation Policy in the European Union and Its Institutions“. New Directions for Evaluation 2009 (123): 67–85. https://doi.org/10.1002/ev.306.
Sumaila, U. Rashid. 2013. „How to make progress in disciplining overfishing subsidies“. ICES Journal of Marine Science 70 (2): 251–58. https://doi.org/10.1093/icesjms/fss173.
Sumaila, U. Rashid, Christophe Bellmann, und Alice Tipping. 2016. „Fishing for the future: An overview of challenges and opportunities“. Marine Policy 69 (Juli):173–80. https://doi.org/10.1016/j.marpol.2016.01.003.
Thiam, Abdourahmane, Boris E. Bravo-Ureta, und Teodoro E. Rivas. 2001. „Technical Efficiency in Developing Country Agriculture: A Meta-Analysis“. Agricultural Economics 25 (2–3): 235–43. https://doi.org/10.1111/j.1574-0862.2001.tb00204.x.
