基于蓝圆鲹CPUE的捕捞信息船样本量优化
doi: 10.19663/j.issn2095-9869.20240918001
梁耀威1 ， 冯波1,2 ， 李忠炉1,2 ， 李美霖1 ， 陈月泽1
1. 广东海洋大学水产学院 广东 湛江 524088
2. 广东省南海深远海渔业管理与捕捞工程技术研究中心 广东 湛江 524088
基金项目: 国家重点研发计划重点专项(2024YFD2400403)和广东省南海深远海渔业管理与捕捞工程技术研究中心配套经费共同资助
Optimization of Catch Study Fleet Sample Size Based on CPUE of Decapterus maruadsi
LIANG Yaowei1 ， FENG Bo1,2 ， LI Zhonglu1,2 ， LI Meilin1 ， CHEN Yueze1
1. College of Fisheries, Guangdong Ocean University, Zhanjiang 524088 , China
2. Guangdong Provincial Far Sea Fisheries Management and Fishing Engineering Technical Research Center, Zhanjiang 524088 , China
摘要
明确不同作业类型渔船最少调查样本量对收集高质量的渔获量数据至关重要。本研究根据 2008―2018 年南海北部渔港抽样调查获得的 36499 个生产航次数据，基于蓝圆鲹(Decapterus maruadsi)单位捕捞努力量渔获量(catch per unit effort, CPUE)，采用计算机模拟重抽样方法，对 5 种作业类型(单拖网、双拖网、光诱围网、刺网和光诱罩网)的调查样本量进行优化，使用相对估计误差(REE)和相对偏差(RB)作为评价指标，分析调查样本量的变化对 CPUE 估值的影响。结果显示， CPUE 在不同作业类型间差异明显，同种作业类型在不同季节亦存在差异，其中，光诱围网四季 CPUE 同比高于其他作业类型，CPUE 变化范围为(1.714~4.984) kg/(kW·d)。单拖网、双拖网和光诱罩网宜以 REE≤10%确定最少样本量，而刺网和光诱围网(除冬季外)则宜以 REE≤5%确定最少样本量，各作业类型最少样本量四季不同，其中，单拖网平均为 76 航次，双拖网平均为 54 航次，刺网平均为 218 航次，光诱围网平均为 101 航次，光诱罩网为 72 航次。当样本量达到特定值时，REE 和 RB 的变化趋于稳定，冗余样本量减少也能够在一定程度上保证估计精度。本研究可为渔获量调查捕捞信息船样本量优化提供科学参考。
Abstract

Fishery production surveys constitute the basis for assessing and managing fishery resources. A well-defined and reasonable sample size is essential for the accuracy and precision of survey outcomes. In this study, we aggregated production surveys from major economic fishing ports in the northern South China Sea from 2008 to 2018, totaling 36499 forms. It was assumed that these data accurately reflected the catch per unit effort (CPUE) of Decapterus maruadsi employing various fishing gear. We focused on optimizing the investigations by analyzing the CPUE of D. maruadsi across five distinct fishing operations: otter trawl, twin trawl, light purse seine, gillnet, and light falling net. We organized the survey data by fishing type and stratified them according to engine power and survey time. We used a proportional allocation for the sample sizes and stratified random sampling without replacement for the simulations. We utilized computer simulations to resample the CPUE of D. maruadsi derived from five different fishing operation types, employing the relative estimation error (REE) and relative bias (RB) as evaluation metrics. We aimed to analyze the relationship between the CPUE of D. maruadsi and sample size in the northern South China Sea.

The port catch sampling survey yielded production information for different fishing operation types, with each survey form reflecting the CPUE data for a single voyage. Because of the variability of the CPUE for D. maruadsi among different fishing operation types and across seasons within the same operation type, this study categorized the survey forms by operation type and season. We calculated the CPUE for each operation type in the different seasons and used these values as the "true values" for comparison. We consolidated the survey data from various fishing gears across different power ranges and computed the CPUE for these forms. Furthermore, we employed CPUE as a metric to compare the fishing capacity and efficiency of the different fishing gear targeting the species of interest. We observed seasonal variations in the CPUE estimates for D. maruadsi across different fishing operation types. By averaging the CPUE estimates over the four quarters, we discovered that the light purse seine method had the highest CPUE estimate at 3.577 kg/(kW·d), whereas the gillnet method had the lowest CPUE estimate at 0.143 kg/(kW·d).

The results of this study revealed differences in the distribution range of REE values for catch rate estimates among different fishing operation types; however, the overall trend of change was similar. Particularly, with an increase in sample size, the boxplot of REE values for CPUE estimates of each fishing gear showed a gradually decreasing trend, whereas the RB values exhibited decreasing dispersion and tended to stabilize. Notably, the distribution range of REE values for the light purse seine and gill net methods was relatively smaller than that of other fishing gear. We found that the minimum sample sizes required for estimating CPUE varied among different fishing operation types, and the rules for determining these minimum sample sizes also differed. Otter trawl, pair trawl, and light purse seine determined the minimum sample size based on REE ≤ 10%, whereas gillnets and light falling nets (except in winter) determined the minimum sample size based on REE ≤ 5%. We also found that, as the sample size reached a specific threshold, the impact of increasing the number of survey forms on the estimation accuracy of the average catch rates gradually decreased. In the summer, when the sample size reached 600, the REE values for twin trawl, light purse seine, and light falling net were below 10%; when the sample size reached 800, the REE values for the otter trawl decreased to within 10%; and when the sample size increased to 1200, the REE value for the gill net decreased to within 10%, whereas the REE values for other operation types remained below 5%. As the sample size continued to expand, the impact on sampling accuracy became increasingly minimal. In general, when the sample size reached a certain threshold, the changes in REE and RB tended to stabilize, and the redundant portion of the sample size could be optimized. Even with a reduced sample size, estimation accuracy could be ensured to a certain extent.

In this study, the minimum acceptable sample size for CPUE estimation varied across fishing operation types. Assuming that the survey data from 2008 to 2018 accurately represented fishery production and considering an REE of less than 10%, the minimum number of survey trips required for CPUE estimation of D. maruadsi by operation type and season were as follows: otter trawl (91, 68, 59, and 86), twin trawl (41, 41, 82, and 52), light purse seine (164, 87, 95, and 57), gillnet (218, 218, 245, and 191), and light falling net with attractors (100, 81, 64, and 43). On average, these corresponded to 76 trips for the otter trawl, 54 for the twin trawl, 218 for the gillnet, 101 for the light purse seine, and 72 for the light falling net with attractors. In this study, we optimized sample size using the mean CPUE of D. maruadsi as the survey target, and the evaluation results may serve as a reference for catch surveys in northern South China Sea fishing ports.

渔获量调查通常跟踪若干固定捕捞信息船（监测船）或针对区域中心渔港开展渔获物上岸量调查，通过渔捞日志或渔船申报信息获得渔船功率、生产天数、渔获物种类组成、作业海域、捕捞量等信息（Lunn et al，2006; Pennino et al，2016; 刘勇等，2021）。调查样本量直接影响渔获量统计质量（Angermeier et al，1995）。相对渔业科学调查而言，渔业生产调查样本量的优化研究尚不足。目前，相关研究主要围绕样本量（如监测船或观察员数量等）的变动对渔获量估值的影响（Wang et al，2021; 马亚宸等，2020; 朱文斌等，2023; 刘文博等，2023），较少关注样本量的分配问题。由于固定捕捞信息船占渔船总量比例较小，因此，调查结果往往只能覆盖小部分的渔业生产情况（Pennino et al，2016）。渔港渔获量调查可获得各种作业类型全功率段的生产信息，具有覆盖范围广、调查样本量大、时间灵活的特点，通过增加调查样本量使其平均值更加接近捕捞量的“真值”，从而较好弥补固定捕捞信息船覆盖面较小的局限性（刘勇等，2022; 童玉和等，2012）。在渔获量调查实践中，由于调查经费往往有限，样本量不可能无限增加。如何采用最低调查样本量实现最大代表性是当前渔港渔获量调查的难点所在。此外，调查样本量的设置受主观因素影响较大，样本量收集环节的不确定性一方面增大了调查难度，另一方面可能导致评估精度不足（何国毅等，2014），因此，明确最低样本量十分重要。
样本量优化是通过调整努力量的大小来保持调查目标估值的精度，以追求调查需求、调查成本、调查精度的权衡（戴黎斌等，2021）。渔业产量数据的长期性和持续性对资源评估至关重要。良好的调查设计，合理明确的样本量，不仅能够获得高质量的渔业数据，提升评估结果的准确性，还可以有效节约成本，增加调查工作的可行性和延续性。分层随机抽样作为渔业资源调查最常用的调查方法（Xu et al，2015; Wang et al，2018），该方法可有效化解捕捞方式繁多、功率段组成复杂、样本分配不均等问题，减少抽样误差，提高调查样本的代表性（袁兴伟等，2011）。甘喜萍等（2008）探讨了分层抽样在渔获量调查的应用问题；马亚宸等（2020）基于 2017 年山东省 211 艘监测船渔捞日志，利用分层随机抽样方法，分析了监测船样本量的变动对渔获量估值的影响。朱文斌等（2023）使用 2017 年浙江省 262 艘监测船渔获量数据，基于分层随机抽样方法，采用计算机模拟重抽样思路，对渔获量调查的监测船样本量进行了优化。
本研究以南海北部蓝圆鲹（Decapterus maruadsi）的单位捕捞努力量渔获量（catch per unit effort，CPUE）为优化目标，采用 2008―2018 年 5 种作业方式合计 36 499 个生产航次的数据，分析蓝圆鲹 CPUE 估算最低可接受的样本量，以期为南海区渔获量调查捕捞信息船的数量优化提供科学参考。
1 材料与方法
1.1 数据来源
渔获量数据来源于广东海洋大学渔业资源团队 2008―2018 年在南海三省（区）16 个中心（主要）渔港进行的渔获量分层抽样调查（图1），调查的作业类型包括单拖网、双拖网、刺网、光诱围网和光诱罩网，形成 36 499 份记录航次生产信息的数据（表1）。光诱罩网生产数据 2012 年之前纳入光诱围网统计，2012 年之后独立统计。每种作业类型不同功率段分层参考陶雅晋等（2019a）的研究。
1.2 单位捕捞努力量渔获量
为便于比较不同作业类型 CPUE，采用 kg/（kW·d）作为标准单位使用（陶雅晋等，2019b），即提取渔获量对应渔船的主机功率（kW）、作业天数（d），计算各作业类型在不同季节的 CPUE。
图1调查站点分布[底图审图号为 GS（2024）0650 号]
Fig.1Distribution of survey stations
表1渔港产量分层抽样调查作业类型及各功率段对应的航次数
Tab.1Types of operations and voyage numbers corresponding to each power segment in the stratified sampling survey of fishery port output
CPUE =CE
(1)
式中，C 表示渔获量，单位为 kg；E 表示捕捞努力量，单位为 kW·d。
1.3 抽样调查方案
将原始调查表按照作业类型和季节分类，然后把各作业类型按渔船主机功率划分为 5 层（表1），采用比例分配法对每层调查表进行无放回抽样（甘喜萍等，2008）；由于渔业生产调查的样本量优化通常采用原始数据作为“真值”（Liu et al，2009; 马亚宸等，2020; 朱文斌等，2023），因此，本研究遵循该思路，将 2008― 2018 年在渔港开展的渔获量调查获取的原始生产数据作为“真值”使用，在区分作业类型和季节基础上，探讨 CPUE 估值与样本量的关系。本研究将抽样间隔定义为相邻两次抽取的样本量之间的差值，根据各作业类型在不同季节的总航次数确定间隔大小，当总航次数量介于（0，500）、[500，1 050）、[1 050，2 000）、[2 000，3 000）、[3 000，4 000）和[4 000，+∞）的范围时，抽样间隔分别设置为 15、30、50、80、120 和 150。各作业类型不同季节的抽样间隔及样本量抽取的范围见表2。
Wij=NijNi
(2)
式（2）中，Wij 为 i 作业方式 j 层的调查表权重，Nij 为 i 作业方式 j 层调查表数量，Ni 为 i 作业方式调查表总数。
表2渔船产量分层随机抽样设计方案
Tab.2Stratified random sampling design schemes for fishing vessel catches
1.4 模拟流程
以2008―2018 年渔获量调查数据为蓝圆鲹 CPUE “真值”，比较不同样本量时估值与“真值”的相似度，分析样本量变化对 CPUE 估值的影响。优化流程如下：（1）提取某作业类型原始生产航次数据，逐一编号构建数据集，分季节计算某作业类型 CPUE，此为“真值”。（2）对数据集进行无放回分层随机抽样，根据各作业类型不同季节总航次数，判断航次数所在区间，进而得到抽样间隔（表2），模拟得到的样本汇总后计算 CPUE。（3）将步骤（2）重复 1 000 次，得到的 1 000 次模拟数据，将模拟值与“真值”对比。计算不同样本量下的相对估计误差（relative estimation error，REE）和相对偏差（relative bias，RB），以衡量实际值与模拟值之间的精度和准确度。（4）将步骤（2）和步骤（3）重复进行 100 次，使用箱线图表征 REE 在不同样本量的分布情况；使用散点图表征 RB 在不同样本量的分布情况，以聚集程度表示 RB 的离散程度，数据在纵坐标越分散表示 RB 离散程度越高，数据在纵轴越集中表示 RB 越稳定。
联合国粮农组织（FAO）相关文件对渔业生产调查样本量的表述中，明确了最大允许误差范围应设定在0~10%之间（Constantine，2002）。除特别要求外，常规的生产调查选择的精度为 5%或 10%（何国毅等，2014）。因此，本研究各作业类型最小样本量（最低可以接受的样本量）判定规则如下：若 REE≤10%时，且 REE 下降趋势平缓，则取 REE=10%和 RB 的绝对值≤2.5%时的样本量；若 REE≤10%时，且 REE 下降趋势仍然明显，则取 REE≤5%和 RB 的绝对值≤1% 时的样本量。
本研究中的数据处理和计算机模拟重抽样均使用 R 统计软件（version 4.2.3）实现（R Core Team，2021），绘图使用“ggplot2”函数包完成（Wickham，2016）。
1.5 评价指标
相对估计误差是比较不同抽样量下 CPUE 估值的准确性（Paloheimo et al，1996; Jiao et al，2004; Chen，1996）。
REE=∑i=1R yijestimated -yitrue 2/Ryiture ×100%
(3)
相对偏差是比较不同抽样量下 CPUE 估计量的偏差，反映模拟抽样的 CPUE 对“真值”的高估或低估（Paloheimo et al，1996; Chen，1996）。
RB=∑i=1R yijestimated R-yiture yiture ×100%
(4)
式（3）和（4）中，yiture 是根据原始数据某季节 i 作业方式计算的 CPUE“真值”； yijestimated 是根据 i 作业方式第 j 次模拟抽样计算的 CPUE 的“模拟值”，R 是计算机模拟重抽样次数（本研究取 1 000 次）。REE 和 RB 能够反映估计值的偏差（bias）和变异（variation），2 个准确度统计量越接近零，表示抽样效果越理想。样本量下降幅度计算规则如下：（优化前的航次数–优化后的航次数）/优化前的航次数。
2 结果
2.1 不同作业类型的 CPUE
分析 2008―2018 年渔港渔获量调查数据得出，不同作业类型对蓝圆鲹 CPUE 估值存在差异。若不区分季节，单拖网、双拖网、光诱围网、刺网和光诱罩网的 CPUE 估值分别为 0.240、0.673、3.577、0.143 和 0.456 kg/（kW·d）。研究发现，在拖网中，双拖网 CPUE 是单拖网 CPUE 的 2 倍。进一步对 5 种作业类型对比发现，光诱围网 CPUE 高于其他作业类型，是刺网的 25 倍、双拖网的 5 倍。若区分季节，并且对同种作业类型不同季节比较，单拖网、双拖网和光诱罩网的 CPUE 在夏季最高，秋季次之。其中，光诱围网的四季 CPUE 均高于其他作业类型，夏季最高 [4.984 kg/（kW·d）]，冬季最小[1.714 kg/（kW·d）]（图2）。结果表明，同种作业类型的 CPUE 在不同季节之间存在差异。若区分季节，并且对相同季节的各作业类型比较，冬春季节，光诱围网最高，单拖网最低；夏秋季节，光诱围网最高，刺网最低。此外，各作业类型四季 CPUE 变动范围：单拖网为 0.073~0.570 kg/（kW·d），双拖网为 0.611~0.754 kg/（kW·d），光诱围网为 1.714~4.984 kg/（kW·d），刺网为 0.105~0.189 kg/（kW·d），光诱罩网为 0.241~0.857 kg/（kW·d）（图2）。
2.2 相对估计误差
在控制调查时间和作业类型的情况下，通过调节样本量的大小模拟渔港抽样量过程。总体而言，不同作业类型 REE 值分布范围存在较大差异，但整体变化趋势呈负指数曲线形式。各作业类型 REE 值随着抽样调查样本量的增加呈下降趋势并趋于稳定（图3）。研究发现，相同作业类型的 REE 变化趋势具有季节差异。如单拖网在夏秋季节的 REE 分布范围（1.4%~54.6%）低于冬春季节（1.4%~102.8%），若样本量相同，夏秋季节的 REE 值同比低于冬春季节。另一方面，在相同季节的不同作业类型比较中，REE 值随样本量的变动引起的分布范围之间的差异也有所不同（图3）。在春季，光诱围网和刺网的REE值分布范围低于35%，单拖网、双拖网和光诱罩网的 REE 值分布范围均超过 50%。当仅调查 50 航次时，单拖网的 REE 值甚至超过 100%。夏季的情况与春季不同，5 种作业类型的 REE 值分布范围整体偏小（REE<80%），并且单拖网、光诱围网和刺网的 REE 值均在 50%以内。秋季和夏季类似，但双拖网的REE值分布范围超过了80%。冬季情况较为复杂，除刺网外（REE<30%），其他作业类型的 REE 值分布范围均超过了 75%。总的来说， CPUE 的估值可能受到调查时间、作业类型和调查航次数的共同影响。
图2各作业类型在不同季节的 CPUE 分布
Fig.2Scatter plots of CPUE for different types of fishing vessel operations in spring, summer, autumn, and winter
在 REE 值不超过 10%的前提下，投入到各作业类型的样本量不同（图3）。例如，在夏季开展的调查航次数达 600 时，双拖网、光诱围网和光诱罩网的 REE 值低于 10%；当调查航次增加至 800 时，单拖网的 REE 值下降至 10%以内；当航次继续增加至 1 200 时，刺网的 REE 值下降至 10%以内，此时其他作业类型的 REE 值均低于 5%。这表明样本量对不同作业类型的 REE 估计精度具有显著影响。
2.3 相对偏差
5 种作业类型的 RB 绝对值均在 10%以内，并随着调查航次的增加趋近于零（图4）。结果表明，利用计算机模拟的各作业类型在不同样本量 RB 值的分布范围没有出现一致性增大或减小的波动，这说明 CPUE 的估值为无偏估计（图4）。RB 值的估计跟调查时间和作业类型有关，在同一作业类型上，RB 值存在明显的季节差异。单拖网在夏秋季节的 RB 绝对值低于冬春季节，这说明夏秋季节对蓝圆鲹 CPUE 的估计偏差高于冬春季节。对不同季节 RB 绝对值比较发现，冬季光诱围网的 RB 绝对值小于 5%，而其他季节的 RB 绝对值小于 3%；双拖网、刺网和光诱罩网的 RB 绝对值差异不明显。此外，当作业类型的调查航次逐渐减少时，RB 值的离散程度越高，采样精度越低（图4）。
图3各作业类型 CPUE 估值的 REE 与样本量的关系
Fig.3Relationship between REE values and sample size for different types of fishing operations
a、b、c、d 分别表示单拖网的春季、夏季、秋季、冬季；e、f、g、h 分别表示双拖网的春季、夏季、秋季、冬季； i、j、k、l 分别表示光诱围网的春季、夏季、秋季、冬季；m、n、o、p 分别表示刺网的春季、夏季、秋季、冬季； q、r、s、t 分别表示光诱罩网的春季、夏季、秋季、冬季。
a, b, c, and d represent the REE graphs for otter trawler in spring, summer, autumn, and winter, respectively; e, f, g, and h represent the REE graphs for pair-trawler in spring, summer, autumn, and winter, respectively; i, j, k, and l represent the REE graphs for light purse seine net in spring, summer, autumn, and winter, respectively; m, n, o, and p represent the REE graphs for gill net in spring, summer, autumn, and winter, respectively; q, r, s, and t represent the REE graphs for light falling-net in spring, summer, autumn, and winter, respectively.
2.4 样本量对 CPUE 的影响
本研究基于 2008―2018 年 36 499 个生产航次数据分析得出，当调查航次慢慢逼近样本上限时，模拟得到的 CPUE 估值愈来愈接近原始数据 CPUE，这说明在渔获量调查中，调查航次越多，CPUE 估值的精度就越高，其结果就越能反映作业类型对目标鱼种的 CPUE 估计。然而，实际调查的样本量不可能无限增加，测试不同作业类型样本量对 CPUE 估计精度显得十分重要。在忽略年际资源量变化和允许的 REE 低于 10%的前提下，以单拖网为例，利用 11 年数据（2008―2018 年）估算得到的春、夏、秋、冬所需最低可以接受的样本量分别为 1 000、750、650、950，将上述结果按时间序列长度平均，求得春、夏、秋、冬每年所需最低可以接受的样本量分别为 91、68、59、 86（表3）。这说明假设单拖网春季调查航次数量设置为 91，随着持续调查的年限增加到 11 年时，REE 范围能够维持到 10%以内。优化后的调查航次相对于原始调查航次数量而言，春、夏、秋冬同比减少了 18.9%、4 9.3%、46.8%、17.8%，这侧面说明减少调查航次能够在一定程度上保证估计精度（表4）。
图4各作业类型 CPUE 估值的 RB 与样本量的关系
Fig.4Relationship between RB values and sample size for different types of fishing operations
a、b、c、d 分别为单拖网的春季、夏季、秋季、冬季；e、f、g、h 分别为双拖网的春季、夏季、秋季、冬季； i、j、k、l 分别表示光诱围网的春季、夏季、秋季、冬季；m、n、o、p 分别表示刺网的春季、夏季、秋季、冬季； q、r、s、t 分别表示光诱罩网的春季、夏季、秋季、冬季。
a, b, c, and d represent the RB graphs for otter trawler in spring, summer, autumn, and winter, respectively; e, f, g, and h represent the RB graphs for pair-trawler in spring, summer, autumn, and winter, respectively; i, j, k, and l represent the RB graphs for light purse seine net in spring, summer, autumn, and winter, respectively; m, n, o, and p represent the RB graphs for gill net in spring, summer, autumn, and winter, respectively; q, r, s, and t represent the RB graphs for light falling-net in spring, summer, autumn, and winter, respectively.
表3不同作业类型 CPUE 评估最小样本量
Tab.3Minimum sample size assessment for CPUE evaluation of different types of fishing operations
相同作业类型在不同季节的样本量下降幅度存在差异（表4）。例如，单拖网在夏季的样本量下降幅度最大（49.3%），冬季最小（17.8%）。相同季节在不同作业类型的样本量下降幅度亦有所不同（表4）。以春季为例，光诱罩网的样本量下降幅度最大（49.3%），单拖网最小（18.9%）。按照作业类型划分，对春夏秋冬下降幅度取均值，光诱围网四季下降幅度的均值最大（46.4%），双拖网最小（30.0%）。按照季节划分，对 5 个作业类型下降幅度取均值，夏季的均值最大（41.5%），冬季最小（33.3%）。
表4不同作业类型样本量下降幅度
Tab.4Reduction in sample size for different types of fishing operations after optimization
3 讨论
3.1 作业类型与季节对 CPUE 的影响
由于目标鱼种往往被多种作业类型捕捞，因此， CPUE 估计就不能单以某一种类型渔具的调查结果为准。本研究对比 5 种作业类型发现，光诱围网中蓝圆鲹 CPUE 最高，这与以往调查结果一致（颜云榕等，2009; 杨吝等，2009; 何雄波等，2016）。蓝圆鲹具有趋光性（黄克勤，1984），使得光诱围网和光诱罩网 CPUE 估值相对较高，并且光诱围网的 CPUE 高于光诱罩网，可能与蓝圆鲹的趋光特性及光诱围网的围捕范围有关（颜云榕等，2009）。
相同作业类型 CPUE 估值呈现季节变化，这可能与蓝圆鲹的生活习性相关。在冬、春季，蓝圆鲹自外海向沿岸产卵洄游，随着水温上升常结群浮游于水面（陈再超等，1982），单拖网和双拖网作业水深和蓝圆鲹栖息范围不重合，从而影响其 CPUE；而蓝圆鲹浮游于水面的特点为光诱围网和光诱罩网捕捞创造了有利条件，渔获率相对其他作业类型更为稳定。夏、秋季蓝圆鲹在南海北部均有分布，常栖息于近底层（陈再超等，1982），其栖息范围与拖网作业范围重合度较高，拖网的渔获率有所回升；同时，大型光诱围网由于作业范围广，对蓝圆鲹的捕获概率也更大，渔获率同样持续上升。各作业类型 CPUE 在 4 个季节亦有所不同，其原因可能跟作业方式和作业渔场的环境变化有关（陶雅晋等，2019a）。蓝圆鲹的时空分布与海洋环境因子密切相关（陈国宝等，2003）。Zhao 等（2021） 和范江涛等（2018）认为，南海北部蓝圆鲹群体时空分布主要受水深、表层盐度和叶绿素 a 浓度等的影响； 何露雪等（2023）发现，风浪和涌浪影响蓝圆鲹的集群。总的来说，各作业类型中蓝圆鲹 CPUE 存在季节差异，使得各季节调查的最少样本量有所不同。
3.2 样本量对 CPUE 的影响
在样本量优化中，通常选择随样本量增加 REE 和 RB 趋近平缓时对应的样本量为最小样本量（Wang et al，2022; Long et al，2022; 程文等，2022; 韩青鹏等，2019; 孟新翔等，2019; 吴桢等，2021）。本研究中，单拖网、双拖网和光诱罩网的 REE 值低于 10%时，REE 的箱线图趋势逐渐放缓，RB 值逐渐向零值靠拢，因此，以 REE=10%作为优化效率的临界值较为合适。然而，刺网和光诱围网（冬季除外）的REE值低于10%时，REE 的箱线图下降趋势依然显著，因此，取 REE≤5%和 RB≤1%作为判定依据更合适。以光诱围网为例，除冬季选用的 REE≤10%的判定外，其他季节均采用 REE≤5%进行判定，春、夏、秋、冬原始调查航次数量分别为 3451、1974、2008、1018，优化后的样本量分别为 1800、960、1040、630，降幅分别为 47.8%、 51.4%、48.2%、38.1%。综上所述，在 REE<10%的前提下，蓝圆鲹 CPUE 估计最低可以接受的样本量，按照春、夏、秋、冬顺序，单拖网为 91、68、59、 86 航次，平均为 76 航次；双拖网为 41、41、82、52 航次，平均为 54 航次；刺网为 218、218、245、191 航次，平均为 218 航次；光诱围网为 164、87、95、57 航次，平均为 101 航次；光诱罩网为 100、81、64、43 航次，平均为 72 航次。
分层随机抽样调查是海洋捕捞信息动态采集常用的方法（朱玉贵等，2016）。按照渔船作业类型和主机功率合理分层，可以提高估计精度，降低调查费用，使得调查样本在总体上更具代表性（Xu et al，2015; Wang et al，2018; Cao et al，2014）。由于渔港渔获量调查最初是以分层随机抽样开展的，因此，本研究在模拟调查时仍然遵循该采样设计，后续研究可以考虑不同采样设计及年际资源量变化对 CPUE 估值的影响。另一方面，本研究抽样间隔的设置由原始样本量大小决定。以冬季的光诱罩网和刺网为例，光诱罩网对应的样本量最小（445 航次），抽样间隔设置为 15 航次； 刺网对应的样本量最大（4 380 航次），抽样间隔设置为 150 航次。当二者以各自抽样间隔为标准，样本量随着抽样间隔增加至第 29 次时，都接近各自原始调查航次总数，这为评价指标的比较提供了便利。然而，至于抽样间隔设置是否对采样精度造成影响，有待进一步研究。
3.3 研究展望
目前，有研究探讨了渔获量不确定性（历史统计偏差、观测误差）对资源评估的影响（李亚楠等，2018; 冯佶等，2023），但样本量收集环节的不确定性对资源评估的影响研究较少。本研究初步探讨了样本量变化对蓝圆鲹 CPUE 的影响，对其他种类的 CPUE 估计有一定的参考价值。无论开展哪种样本量优化，都要考虑优化临界值问题。然而，有关判定规则仍然匮乏，当前主要依据评价指标（如 REE、RB 等）趋势图主观判断，存在较大的主观性和不确定性。有研究以准确度变化率（accuracy change rate，ACR）判断 REE 值是否显著降低，作为确定样本量的依据（张国晟等，2021; 张烨等，2024），或者以不同间隔的 REE 差值作为衡量监测渔船数量优化效率和分析 REE 值降低情况的依据（朱文斌等，2023）；也有研究通过调节调查精度的大小来确定所需的样本量，如以满足最大变异系数（coefficient of variation，CV）精度要求确定最佳站点数（邓越秀等，2024）。由于渔获量调查往往面临作业类型、目标鱼种、调查季节等多种因素共同影响，因此，选择采样误差低于 10%作为优化效率临界值，最低可接受的样本量则结合实际情况做出调整。本研究可为我国近海渔获量调查提供参考，但当统计的种类发生变化时，由于所需要考虑的作业类型、作业时间发生变化，最低的样本量必然发生变化，因此，如何克服种类变化带来的影响，形成渔获量抽样调查的规范，是下一步近海渔获量抽样调查的重要研究内容。
图1调查站点分布[底图审图号为 GS（2024）0650 号]
Fig.1Distribution of survey stations
图2各作业类型在不同季节的 CPUE 分布
Fig.2Scatter plots of CPUE for different types of fishing vessel operations in spring, summer, autumn, and winter
图3各作业类型 CPUE 估值的 REE 与样本量的关系
Fig.3Relationship between REE values and sample size for different types of fishing operations
图4各作业类型 CPUE 估值的 RB 与样本量的关系
Fig.4Relationship between RB values and sample size for different types of fishing operations
表1渔港产量分层抽样调查作业类型及各功率段对应的航次数
Tab.1Types of operations and voyage numbers corresponding to each power segment in the stratified sampling survey of fishery port output
表2渔船产量分层随机抽样设计方案
Tab.2Stratified random sampling design schemes for fishing vessel catches
表3不同作业类型 CPUE 评估最小样本量
Tab.3Minimum sample size assessment for CPUE evaluation of different types of fishing operations
表4不同作业类型样本量下降幅度
Tab.4Reduction in sample size for different types of fishing operations after optimization
ANGERMEIER P L, SMOGOR R A. Estimating number of species and relative abundances in stream-fish communities: Effects of sampling effort and discontinuous spatial distributions. Canadian Journal of Fisheries and Aquatic Sciences, 1995, 52(5): 936-949
CAO J, CHEN Y, CHANG J H, et al. An evaluation of an inshore bottom trawl survey design for American lobster (Homarus americanus) using computer simulations. Journal of Northwest Atlantic Fishery Science, 2014, 46: 27-39
CHEN G B, LI Y Z, CHEN P M. A study on spawning ground of blue mackerel scad (Decapterus maruadsi) in continental shelf waters of northern South China Sea. Journal of Tropical Oceanography, 2003, 22(6): 22-28[陈国宝, 李永振, 陈丕茂. 南海北部陆架区海域蓝圆产卵场的研究. 热带海洋学报, 2003, 22(6): 22-28]
CHEN Y. A Monte Carlo study on impacts of the size of subsample catch on estimation of fish stock parameters. Fisheries Research, 1996, 26(3/4): 207-223
CHEN Z C, LIU J X. Economic fish in South China Sea. Guangzhou: Guangdong Science & Technology Press, 1982[陈再超, 刘继兴. 南海经济鱼类. 广州: 广东科技出版社, 1982]
CHENG W, JI Y P, XUE Y, et al. Effect of sampling design on the estimation of length-weight relationship parameter b of Chaemrichthys stigmatias. Journal of Fisheries of China, 2022, 46(12): 2357-2365[程文, 纪毓鹏, 薛莹, 等. 采样设计对估计矛尾虾虎鱼体长-体质量关系参数 b 的影响. 水产学报, 2022, 46(12): 2357-2365]
CONSTANTINE S. Sample-Based fishery surveys-A technical handbook. FAO fisheries technical paper, 2002, 425
DAI L B, TIAN S Q, LIU W C, et al. Comparison of the relation between the length frequency distribution and sample size for several commercial fish species in the Wentai fishing ground. Journal of Fisheries of China, 2021, 45(2): 200-208[戴黎斌, 田思泉, 刘伟成, 等. 温台渔场 3 种经济鱼类体长频次分布与采样量间关系的比较. 水产学报, 2021, 45(2): 200-208]
DENG Y X, HUANG Y H, DONG J Y, et al. Optimization, design, and implementation of biodiversity-focused fisheries survey stations: A case study of the coastal waters of Maoming. Progress in Fishery Sciences, 2024, 45(6): 1-12[邓越秀, 黄永恒, 董建宇, 等. 渔业生物多样性评估为目标的站位优化设计实现以茂名海域为例. 渔业科学进展, 2023, 45(6): 1-12]
FAN J T, HUANG Z R, XU Y W, et al. Habitat model analysis for Decapterus maruadsi in northern South China Sea based on remote sensing data. Transactions of Oceanology and Limnology, 2018, 40(3): 142-147[范江涛, 黄梓荣, 许友伟, 等. 基于遥感数据的南海北部近海蓝圆鲹栖息地模型分析. 海洋湖沼通报, 2018, 40(3): 142-147]
FENG J, ZHU J F, ZHANG F, et al. Influence of statistical deviation of historical catch on stock assessment: A case study of western Atlantic Thunnus thynnus. South China Fisheries Science, 2023, 19(1): 1-11[冯佶, 朱江峰, 张帆, 等. 历史渔获量统计偏差对资源评估的影响: 以西大西洋蓝鳍金枪鱼为例. 南方水产科学, 2023, 19(1): 1-11]
GAN X P, LU H S, FENG B, et al. Application of stratified sampling in fishery production statistics. Journal of Anhui Agricultural Sciences, 2008, 36(20): 8401-8402[甘喜萍, 卢伙胜, 冯波, 等. 分层抽样法应用于渔业生产统计的研究. 安徽农业科学, 2008, 36(20): 8401-8402]
HAN Q P, SHAN X J, JIN X S, et al. Study on optimizing sampling design of multi-objective fishery-independent surveys: A case study in the Bohai Sea. Progress in Fishery Sciences, 2019, 40(1): 1-11[韩青鹏, 单秀娟, 金显仕, 等. 多目标资源调查站位优化设计——以渤海为例. 渔业科学进展, 2019, 40(1): 1-11]
HE G Y, SUN Z Q, ZHU Y G. Sample selection issues in sampling survey of fishing catches in marine fishing industry. Modern Agricultural Science and Technology, 2014(17): 281-283[何国毅, 孙兆群, 朱玉贵. 海洋捕捞业渔获量抽样调查中样本选取问题研究. 现代农业科技, 2014(17): 281-283]
HE L X, FU D Y, LI Z L, et al. Spatio-temporal distribution of Decapterus maruadsi and its relationship with environmental factors in the northwestern South China Sea. Progress in Fishery Sciences, 2023, 44(1): 24-34[何露雪, 付东洋, 李忠炉, 等. 南海西北部蓝圆鲹时空分布及其与环境因子的关系. 渔业科学进展, 2023, 44(1): 24-34]
HE X B. The differences of catch composition and effects on the fishery resource of light purse seine and light falling net in the South China Sea. Master’s Thesis of Guangdong Ocean University, 2016[何雄波. 南海光诱围网、光诱罩网渔获结构差异及对渔业资源的影响. 广东海洋大学硕士研究生学位论文, 2016]
HUANG K Q. Decapterus maruadsi. Marine Fisheries, 1984, 6(3): 108[黄克勤. 蓝圆鲹. 海洋渔业, 1984, 6(3): 108]
JIAO Y, CHEN Y, SCHNEIDER D, et al. A simulation study of impacts of error structure on modeling stock-recruitment data using generalized linear models. Canadian Journal of Fisheries and Aquatic Sciences, 2004, 61(1): 122-133
LI Y N, DAI X J, ZHU J F, et al. Impact of catch uncertainty on the stock assessment of bigeye tuna (Thunnus obesus) in the Indian Ocean. Progress in Fishery Sciences, 2018, 39(5): 1-9[李亚楠, 戴小杰, 朱江峰, 等. 渔获量不确定性对印度洋大眼金枪鱼资源评估的影响. 渔业科学进展, 2018, 39(5): 1-9]
LIU W B, ZHU W B, WANG J, et al. Optimization of the number of production monitoring vessels—Calculated by the yield of each species in different regions. Journal of Zhejiang Ocean University (Natural Science), 2023, 42(2): 157-164[刘文博, 朱文斌, 王晶, 等. 生产监测船数量的优化——通过不同地区各物种产量计算. 浙江海洋大学学报(自然科学版), 2023, 42(2): 157-164]
LIU Y, CHEN Y, CHENG J H. A comparative study of optimization methods and conventional methods for sampling design in fishery-independent surveys. ICES Journal of Marine Science, 2009, 66(9): 1873-1882
LIU Y, CHENG J H, CHEN T. Preliminary analysis on regional differences of fishing habits of marine fishing vessels in Zhejiang Province: Taking double trawlers as an example. Journal of Fisheries of China, 2022, 46(2): 298-309[刘勇, 程家骅, 陈挺. 以双拖渔船为例分析浙江省海洋捕捞渔船捕捞区域差异. 水产学报, 2022, 46(2): 298-309]
LIU Y, CHENG J H, ZHANG H Y, et al. Temporal and spatial distribution characteristics of stow net fisheries in Jiangsu Province in 2014. Journal of Fishery Sciences of China, 2021, 28(3): 337-347[刘勇, 程家骅, 张寒野, 等. 2014 年江苏沿海定置张网渔业生产时空分布特征. 中国水产科学, 2021, 28(3): 337-347]
LONG X Y, WAN R, LI Z G, et al. Sampling designs for monitoring ichthyoplankton in the estuary area: A case study on Coilia mystus in the Yangtze Estuary. Frontiers in Marine Science, 2022, 8: 767273
LUNN K E, DEARDEN P. Monitoring small-scale marine fisheries: An example from Thailand’s ko Chang archipelago. Fisheries Research, 2006, 77(1): 60-71
MA Y C, XU B D, WANG J, et al. Effect of number of study fleets on the marine fisheries catch estimate in a fishery-dependent survey. Periodical of Ocean University of China, 2020, 50(Sup.Ⅰ): 71-77[马亚宸, 徐宾铎, 王晶, 等. 渔业信息船数对海洋捕捞产量估计的影响. 中国海洋大学学报(自然科学版), 2020, 50(增Ⅰ): 71-77]
MENG X X, WANG J, ZHANG C L, et al. Effects of sampling transect number on estimation of abundance index for bottom trawl surveys of fisheries resources in the Yellow River estuary. Journal of Fisheries of China, 2019, 43(6): 1507-1517[孟新翔, 王晶, 张崇良, 等. 黄河口渔业资源底拖网调查采样断面数对资源量指数估计的影响. 水产学报, 2019, 43(6): 1507-1517]
PALOHEIMO J E, CHEN Y. Estimating fish mortalities and cohort sizes. Canadian Journal of Fisheries and Aquatic Sciences, 1996, 53(7): 1572-1579
PENNINO M G, CONESA D, LÓPEZ-QUÍLEZ A, et al. Fishery-dependent and-independent data lead to consistent estimations of essential habitats. ICES Journal of Marine Science, 2016, 73(9): 2302-2310
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2021. https
TAO Y J, FENG B, YI M R, et al. A novel approach to unit standardization of CPUE for multiple types of fishing gear based on fishing port sampling surveys. Progress in Fishery Sciences, 2019b, 40(2): 15-24[陶雅晋, 冯波, 易木荣, 等. 基于渔港抽样调查不同捕捞方式 CPUE 单位标准化新方法. 渔业科学进展, 2019b, 40(2): 15-24]
TAO Y J, YI M R, LI B, et al. Comparative analysis of CPUE of different fishing types in the South China Sea based on the fishing port sampling survey. Progress in Fishery Sciences, 2019a, 40(3): 1-10[陶雅晋, 易木荣, 李波, 等. 基于渔港抽样调查南海不同捕捞方式 CPUE 比较分析. 渔业科学进展, 2019a, 40(3): 1-10]
TONG Y H, MAI R L, CHEN J M, et al. Survey and analysis of landings on Hainan Island. South China Fisheries Science, 2012, 8(6): 85-91[童玉和, 麦日利, 陈积明, 等. 海南岛上岸渔获调查与分析. 南方水产科学, 2012, 8(6): 85-91]
WANG J Q, GAO X D, CHEN J, et al. An evaluation of observer monitoring program designs for Chinese tuna longline fisheries in the Pacific Ocean using computer simulations. Environmental Science and Pollution Research International, 2021, 28(10): 12628-12639
WANG J, XU B D, XUE Y, et al. Performance evaluation of fixed-station sampling design for a fishery-independent survey with multiple objectives. Acta Oceanologica Sinica, 2022, 41(3): 94-102
WANG J, XU B D, ZHANG C L, et al. Evaluation of alternative stratifications for a stratified random fishery-independent survey. Fisheries Research, 2018, 207: 150-159
WICKHAM H. ggplot2-elegant graphics for data analysis. New York: Springer-Verlag, 2016
WU Z, XUE Y, ZHANG C L, et al. Effect of sampling frequency on species richness estimation in fishery-independent surveys. Periodical of Ocean University of China, 2021, 51(6): 34-41[吴桢, 薛莹, 张崇良, 等. 采样频次对渔业资源调查物种丰富度估计的影响. 中国海洋大学学报(自然科学版), 2021, 51(6): 34-41]
XU B D, REN Y P, CHEN Y, et al. Optimization of stratification scheme for a fishery-independent survey with multiple objectives. Acta Oceanologica Sinica, 2015, 34(12): 154-169
YAN Y R, FENG B, LU H S. Comparative analysis on fishing capability of two light attracting commercial fishing methods around Zhongsha and Xisha Islands sea areas, South China Sea. South China Fisheries Science, 2009, 5(6): 59-64[颜云榕, 冯波, 卢伙胜. 中、西沙海域 2 种灯光作业渔船的捕捞特性及其技术效率分析. 南方水产, 2009, 5(6): 59-64]
YANG L, ZHANG X F, TAN Y G, et al. Analysis on the catch composition of light-purse seine in the northern South China Sea. South China Fisheries Science, 2009, 5(6): 65-70[杨吝, 张旭丰, 谭永光, 等. 南海北部灯光围网渔获组成分析. 南方水产, 2009, 5(6): 65-70]
YUAN X W, LIU Y, CHENG J H. Error analysis on stratified sampling and its application in fishery statistics. Marine Fisheries, 2011, 33(1): 116-120[袁兴伟, 刘勇, 程家骅. 分层抽样误差分析及其在渔业统计中的应用. 海洋渔业, 2011, 33(1): 116-120]
ZHANG G S, WANG J, ZHANG C L, et al. Comparison of sampling designs of fishery-independent survey in estimating abundance indices of multiple target species. Journal of Fisheries of China, 2021, 45(5): 700-715[张国晟, 王晶, 张崇良, 等. 基于多目标鱼种资源量指数估计的不同采样设计比较. 水产学报, 2021, 45(5): 700-715]
ZHANG Y, ZHAO J, YE X C, et al. Comparison of sampling designs for fishery resource surveys in Northwest Pacific Ocean. Journal of Shanghai Ocean University, 2024, 33(4): 1031-1042[张烨, 赵静, 叶旭昌, 等. 西北太平洋渔业资源调查采样设计比较. 上海海洋大学学报, 2024, 33(4): 1031-1042]
ZHAO H, FENG Y T, DONG C M, et al. Spatiotemporal distribution of Decapterus maruadsi in spring and autumn in response to environmental variation in the northern South China Sea. Regional Studies in Marine Science, 2021, 45: 101811
ZHU W B, LIU W B, DAI Q, et al. Optimization of the number of sampling fishing vessels based on marine fisheries catch. Periodical of Ocean University of China, 2023, 53(2): 51-59[朱文斌, 刘文博, 戴乾, 等. 基于渔业捕捞产量的监测渔船数量优化. 中国海洋大学学报(自然科学版), 2023, 53(2): 51-59]
ZHU Y G, LIU H H, HE G Y, et al. A study on the scheme of fishing vessel sampling in fisheries production statistics. Marine Economy in China, 2016(2): 108-120[朱玉贵, 刘红红, 何国毅, 等. 渔业生产统计中渔船抽样方案研究. 中国海洋经济, 2016(2): 108-120]
  • You are the：th visitor today   Total visits：
  • Switchboard：(86)532-85833580  Email：yykxjz@ysfri.ac.cn
  • Address：Editorial Office of Progress of Fishery Sciences
    No. 106 Nanjing Rd, Qingdao, Shandong, 266071, P.R. China      Zip Code：266071
  • Public security filing number ：公网安备37020202001466号  ICP Filing Number ：  Supported by:Beijing E-Tiller Technology Development Co., Ltd.