Біоекономічна оптимізація спостереження для виявлення та знищення карантинних лісових шкідників та патогенів

Основні моменти

• Біоекономічна модель оптимізує економічно ефективний нагляд за шкідниками у Швейцарії.
• Він враховує ризик укорінення, поширення, виявлення та витрати на знищення шкідників.
• Для ефективного спостереження рекомендуються інвестиції, спрямовані на боротьбу зі шкідниками та регіон.
• Спостереження не є економічно ефективним для шкідників з високим рівнем виявлення серед населення.
• Результати підтверджують розподіл опитувань з високою рентабельністю інвестицій.

Анотація

Раннє виявлення має вирішальне значення для ефективного реагування на вторгнення інвазивних видів, що робить програми спостереження за потенційними загарбниками надзвичайно важливими. Оскільки ресурси обмежені, діяльність зі спостереження має бути максимально ефективною та результативною. Ми використали біоекономічну модель для розробки оптимальної програми спостереження за шістьма пріоритетними карантинними та двома карантинними лісовими шкідниками у Швейцарії. Ми прагнули мінімізувати витрати на управління (тобто спостереження та знищення) для видів, які підлягають викоріненню на основі угод про спільну біобезпеку з Європейським Союзом. Модель визначила оптимальні зусилля зі спостереження, враховуючи відмінності в ймовірності інтродукції, виявленні та швидкості поширення між шкідниками та місцевостями. Модель запропонувала ймовірне заниження оптимальних інвестицій у розмірі 1 187 000 швейцарських франків на рік для спостереження за допомогою візуальних обстежень та пасток для комах або спор, залежно від цільового виду. Рекомендації щодо спостережень різнилися залежно від місцевості та типу шкідників, з найбільшими зусиллями зі спостереження для Agrilus planipennis , Bursaphelenchus xylophilus , Dendrolimus sibiricus , Fusarium circinatum та Phytophthora ramorum . Спостереження за відловом шкідників ( Anoplophora glabripennis , A. chinensis ) було б економічно нераціональним для двох шкідників ( Anoplophora glabripennis , A. chinensis ), головним чином через високу ймовірність фонового виявлення населенням, низьку ефективність офіційних обстежень та низькі показники поширення. Модель показує, де у Швейцарії спостереження дає найвищу економічну віддачу, з більшими зусиллями спостереження в районах з найвищим ризиком інтродукції та для видів з низькою ймовірністю виявлення населенням та швидкими темпами поширення. Модель показує, що використання ефективніших методів відлову та підвищення обізнаності громадськості можуть зменшити необхідні інвестиції у офіційну діяльність зі спостереження.

Графічна анотація

Ключові слова

Азійський довгорогий жук;

Біоекономічна модель;

Біологічні вторгнення;

Смарагдовий попелястий мотиль;

Інвазивні шкідники;

Спостереження на основі ризиків

1. Вступ

Інвазивні лісові шкідники можуть мати руйнівний вплив на здоров’я лісів у всьому світі ( Brockerhoff and Liebhold, 2017 ; Nahrung and Carnegie, 2020 ; Ramsfield et al., 2016 ), пошкоджуючи або знищуючи дерева та зменшуючи екосистемні послуги, що надаються лісами ( Freer-Smith and Webber, 2017 ; Raffa et al., 2023 ). Очікується, що ці втрати екосистемних послуг, які пов’язані з високими суспільними витратами ( Warziniack et al., 2021 ), зростатимуть, оскільки інтродукції немісцевих видів продовжують зростати з подальшою глобалізацією ( Seebens et al., 2021 ). Після того, як інвазивний лісовий шкідник прибуває та закріплюється в новому середовищі, його можна викорінити, щоб зменшити шкідливий вплив шкідників на ранніх стадіях процесу вторгнення ( Liebhold and Kean, 2019 ). Методи та успіх зусиль з викорінення відрізняються залежно від цільових організмів та умов вторгнення ( Liebhold and Kean, 2019 ). Як правило, менші спалахи мають вищу ймовірність успішного викорінення та є менш витратними, ніж спалахи, що поширилися на більші території ( Tobin et al., 2014 ). Тому виявлення інвазивних видів якомога раніше в процесі вторгнення є критично важливим і служить основною мотивацією для фітосанітарних органів багатьох країн інвестувати в програми спостереження для раннього виявлення нових шкідників ( Brockerhoff et al., 2010 ).

Спостереження за виявленням нових інвазивних видів часто здійснюється національними організаціями захисту рослин (НОЗР) з обмеженими ресурсами, що робить економічно ефективне проектування ключовим критерієм ( Epanchin-Niell, 2017 ). Ці програми зазвичай впроваджуються на національному або регіональному рівні, в неоднорідних ландшафтах і потенційно для кількох цільових організмів. Це передбачає компроміси між видами та місцями розташування, де чисті вигоди від різних варіантів залежать від низки видоспецифічних та місцевих факторів, таких як ймовірність інтродукції та швидкість поширення, а також витрати на обстеження та контроль ( Epanchin-Niell et al., 2012 ; Welsh et al., 2021 ). Біоекономічні моделі можуть допомогти дослідити компроміси у варіантах розподілу ресурсів для раннього виявлення шкідників ( Epanchin-Niell, 2020 ; Epanchin-Niell, 2017 ; Mastin et al., 2020 ; Nguyen et al., 2024 ; Welsh et al., 2021 ).

Тут ми демонструємо біоекономічну оптимізацію інвестицій у програму спостереження, спрямовану на раннє виявлення немісцевих інвазивних шкідників, на прикладі швейцарського територіального спостереження за численними карантинними шкідниками, що вражають ліси. Щоб обмежити поширення та шкоду, завдану особливо небезпечними шкідливими організмами в лісі, Швейцарія бере участь у міжнародних заходах щодо здоров’я рослин. У рамках двосторонньої сільськогосподарської угоди з Європейським Союзом (ЄС) Швейцарія забезпечує еквівалентність фітосанітарних правил, щоб забезпечити вільний рух товарів з ЄС. Таким чином, швейцарське фітосанітарне законодавство містить еквівалентні положення до положень законодавства ЄС. Юридично передбачено, що Швейцарія щорічно проводить спостереження за шістьма пріоритетними карантинними лісовими шкідниками ( Pflanzengesundheitsverordnung, PGesV, 2018 ; PGesV-WBF-UVEK, 2019 ). Крім того, ця програма обстеження також включає двох додаткових карантинних шкідників ( Таблиця 1 , Таблиця S1) ( VpM-BAFU, 2017 ). Програма визначає, що після виявлення будь-якого карантинного шкідника першою реакцією має бути його знищення. Тільки якщо знищення стає неможливим, обов’язковий курс дій переходить до стримування ( Pflanzengesundheitsverordnung, PGesV, 2018 ; PGesV-WBF-UVEK, 2019 ). Щоб забезпечити більш раннє виявлення цих видів, а отже, знизити витрати та підвищити ймовірність успіху спроби знищення, якщо популяцію буде виявлено, швейцарська НОКЗР вирішила впровадити програму спостереження на основі ризику. Спостереження на основі ризику в цьому контексті можна визначити як спостереження, яке пріоритезує зусилля з моніторингу на основі як ймовірності появи шкідника, так і його потенційного впливу. Карантинні види можна обстежувати за допомогою пошуку візуальних симптомів, а також пасток для спор та комах на вибраних ділянках. Деякі обстежувальні ділянки можуть бути спрямовані на кілька організмів одночасно, якщо види мають один і той самий вид дерева-господаря.

Таблиця 1. Огляд видів лісових шкідників, обстежених в рамках описаної програми. «prioQO» – пріоритетні карантинні організми, «QO» – карантинні організми ( Pflanzengesundheitsverordnung, PGesV, 2018 ; PGesV-WBF-UVEK, 2019 ).

Види	Тип
Agrilus anxius Gory, свердловина березова (BBB)	Жорсткокрилі, Buprestidae; личинки, що свердлять флоему та деревину (prioQO)
Agrilus planipennis Fairmaire, смарагдовий попелястий мотиль (EAB)	Жорсткокрилі, Buprestidae; личинки, що розривають флоему та деревину (prioQO)
Anoplophora glabripennis Motschulsky, азійський довгорогий жук (ALB)	Жорсткокрилі, Cerambycidae, личинки деревних свердловин (prioQO)
Anoplophora chinensis Forster, цитрусовий довгорогий жук (CLB)	Жорсткокрилі, Cerambycidae, личинки деревних свердловин (prioQO)
Bursaphelenchus xylophilus Steiner&Buhrer, соснова нематода (PWN)	Aphelenchida, Parasitaphelenchidae, рослинний паразитичний нематод (prioQO)
Dendrolimus sibiricus Tschetverikov, Сибірський шовкопряд (SSM)	Лускокрилі, Lasiocampidae, личинки, що живляться голками (prioQO)
Fusarium circinatum Nirenberg&O’Donnell, смоляний рак сосни (PPC)	Гіпокреальні гриби, Nectriaceae, патогенні гриби (QO)
Phytophthora ramorum Werres, De Cock & Man in’t Veld, раптова смерть дуба (SOD)	Pythiales, Pythiaceae, ооміцетний фітопатоген (QO)

Оскільки знищення цих карантинних шкідників є обов’язковим, незалежно від конкретної шкоди, яку вони можуть завдати у Швейцарії, ми тут зосереджуємося на розробці програми спостереження таким чином, щоб мінімізувати очікувані витрати на обстеження та знищення цих видів. Зокрема, наш підхід враховує зростання очікуваних витрат на знищення зі збільшенням розміру вторгнення шкідників, таким чином, що більш раннє виявлення може зменшити очікувані витрати, які несуть органи влади у разі укорінення шкідника. Наш підхід базується на попередніх дослідженнях, спрямованих на оптимізацію заходів спостереження за боротьбою з інвазивними шкідниками. Наприклад, попередня робота була зосереджена на мінімізації витрат на обстеження та знищення одного виду ( Epanchin-Niell et al., 2012 ; Venette et al., 2010 ; Yemshanov et al., 2019 ) або на оптимізації обстежень та заходів боротьби з узагальненими типами шкідників ( Epanchin-Niell et al., 2014 ). Просторовий розподіл ресурсів для обстеження та боротьби з інвазивними шкідниками в місцях з низьким та високим ризиком досліджували Horie et al. (2013) , Kompas et al. (2023) та Мастін та ін. (2020) . Нгуєн та ін. (2024) порівнювали ефективність спостереження зі специфічними та універсальними приманками для пасток для короїдів та дереворізів. Ми спиралися на цю попередню літературу, щоб вирішити конкретну політичну проблему, з якою стикаються Швейцарія та інші регіони (тобто обов’язкова спроба викорінення), застосовуючи її до конкретних політично значущих шкідників. Досліджені шкідники різноманітні: п’ять видів комах (дерево- або короїди та лускокрилий дефоліатор) та три збудники дерев (нематода, грибок та ооміцет) ( Таблиця 1 , Таблиця S1). Ми враховуємо відмінності в ризику інтродукції між видами та неоднорідність ландшафту (наприклад, склад видів господарів, щільність популяції людини), а також відмінності у виявленні за допомогою офіційних обстежень та громадськістю (тобто пасивний спостереження). Ми використовували різноманітні джерела даних для параметризації біоекономічної моделі. Результати моделі були використані для розробки програми спостереження за видами в національному масштабі ( Augustinus et al., 2022 ).

Біоекономічну модель було використано для відповіді на такі три питання:

oЯкий оптимальний рівень щорічних інвестицій у дослідження загалом?
oЯк слід розподіляти спостереження між цільовими організмами?
oДе (в яких місцях) слід пріоритезувати зусилля зі спостереження?

2. Матеріали та методи

2.1. Цільові види

Швейцарія має спільну фітосанітарну зону з Європейським Союзом і запровадила юридичні зобов’язання щорічно проводити обстеження на наявність пріоритетних карантинних організмів («prioQO») ( Pflanzengesundheitsverordnung, PGesV, 2018 ; PGesV-WBF-UVEK, 2019 ). Окрім шести видів у списку пріоритетних карантинних видів, Федеральне відомство охорони навколишнього середовища включає два карантинні організми («QO») ( VpM-BAFU, 2017 ) для щорічного спостереження (див. Таблицю 1 ).

2.2. Модель

2.2.1. Огляд моделі

Модель, використана в цій роботі ( рис. 1 ), була адаптована з інструменту підтримки рішень CESAT («Інструмент економічно ефективного розподілу ресурсів нагляду»), який був розроблений за угодою з Міністерством сільського господарства США, Службою інспекції здоров’я тварин і рослин ( Epanchin-Niell, 2020 ). Алгоритм, що лежить в основі CESAT, визначає економічно ефективний розподіл ресурсів, використовуючи інформацію про ймовірність впровадження та розселення шкідників, темпи природного розселення, витрати на знищення, а також витрати на обстеження та чутливість ( Epanchin-Niell et al., 2014 ; Epanchin-Niell et al., 2012 ). Алгоритм базується на механістичній моделі встановлення, росту, виявлення та контролю популяції шкідників, а також розподіляє ресурси між шкідниками та ділянками, щоб забезпечити найбільше скорочення довгострокових витрат та збитків шляхом виявлення вторгнень раніше, коли вони менші та менш витратні в управлінні ( Epanchin-Niell, 2020 ; Tobin et al., 2014 ). Початкова модель CESAT передбачала, що після виявлення шкідника особи, які приймають рішення, оптимальним чином вирішуватимуть, чи знищувати популяцію, уповільнювати її поширення чи відмовитися від контрольних заходів, причому цінність обстежень випливає з того, як раннє виявлення шкідників (завдяки розгортанню обстежень) зменшує довгострокові витрати на управління вторгненням ( Epanchin-Niell, 2020 ).

На відміну від початкового контексту моделі CESAT, управлінські дії щодо виявлених карантинних шкідників у Швейцарії визначають нормативні вказівки, а не оптимізацію витрат. Зусилля з ліквідації є обов’язковими. Таким чином, ми адаптували модель для оцінки оптимальної кількості обстежуваних ділянок та місць для кожного цільового організму, виходячи з мети мінімізації очікуваних витрат на обстеження та ліквідацію нових вторгнень.

Важливо, що для кожного організму переваги обстежень залежать від ймовірності його укорінення ( рис. 1 ), оскільки це визначає ймовірність того, що відбувається вторгнення, яке потребує виявлення. Після укорінення шкідник поширюється (наприклад, шляхом природного розповсюдження та поширення за участю людини), займаючи більшу площу в кожному наступному році, що ми представляємо за допомогою моделі вікових класів, що вказує на площу вторгнення в кожному році після укорінення ( рис. 1 ). Ймовірність виявлення в кожному році залежить від зусиль та ефективності виявлення, а також від розміру зараженої території. Ми припускаємо, що вторгнення шкідника може бути виявлено за допомогою пасивного спостереження (наприклад, виявлення громадськістю або громадянською наукою) або за допомогою офіційних обстежень. Модель, у свою чергу, оптимізує рівень офіційних обстежень для кожного виду та в різних місцевостях, щоб мінімізувати сукупні витрати на спостереження та знищення з часом ( рис. 1 ).

2.3. Деталі моделі

Далі ми опишемо математичні деталі моделі. Почнемо з опису моделі для виявлення одного виду та одного місця.

2.3.1. Формування, ріст та виявлення популяції для одного виду та ділянки

Ми припускаємо річну ймовірність e(t) появи та закріплення шкідника в осередку поширення в кожен період часу t . Після закріплення популяція зростає та поширюється відповідно до функції зростання, таким чином, що за відсутності будь-яких заходів контролю популяція займає площу A ( a ), яка залежить від її віку a . У кожен період часу популяцію можна виявити за допомогою розгорнутих обстежувальних пунктів або методів, що не пов’язані з обстеженням (наприклад, громадськістю). Після виявлення застосовуються заходи з ліквідації, вартість яких зростає зі збільшенням розміру популяції, C _e (A(a)) .

Динаміка населення моделюється за допомогою моделі вікових класів, де вікові класи населення $\in$ {1,2, …, a _max }. Очікувана ймовірність того, що невиявлена популяція віку a буде присутня в осередку в момент часу t , представлена як x ^a (t) , що завжди дорівнює ймовірності встановлення вікового класу a = 1. Усі популяції вікового класу a потім переходять до вікового класу a + 1 у наступному періоді часу, якщо їх не виявлять, і встановлюються нові популяції віком 1. Таким чином, для кожного періоду часу t модель вікового класу для невиявлених популяцій визначається як:(1) $х^{1} (т + 1) = е (т) х^{а} (т + 1) = х^{а - 1} (т) (1 - {стр.}_{виявити} (а - 1, Я)) для а = 2, \dots, а_{макс.}$ де p _detect (a,I) – ймовірність виявлення популяції віком a за умови інвестицій I у дослідження виявлення шкідників.

Імовірність виявлення p _detect (a,I) зростає зі збільшенням інвестицій у дослідження I , розміром популяції A(a) (виміряним як площа), чутливістю дослідження y _surv та ефективністю виявлення громадськістю y _public . Виявлення за допомогою дослідження вимагає як просторового перетину місця дослідження з популяцією, так і успішного виявлення популяції за умови такого перетину. Ми припускаємо, що за умови просторового перекриття дослідження виявляє популяцію з імовірністю y _surv , що відображає видоспецифічну для дослідження та дослідження виявлюваність. Аналогічно до Epanchin-Niell et al., 2012 , Epanchin-Niell et al., 2014, розміщення дослідження в межах сприйнятливого середовища існування вважається випадковим щодо розташування кожної встановленої популяції, оскільки одне або обидва є випадковими в просторі. Ймовірність того, що дана популяція буде виявлена за допомогою дослідження (тобто принаймні одне місце дослідження успішно виявить популяцію), можна оцінити як біноміальний розподіл, де кількість спроб дорівнює кількості розгорнутих місць дослідження (рівень інвестицій I, поділений на вартість одного дослідження, c _s ). Ймовірність успіху для кожного випробування дорівнює ймовірності просторового перетину ( A(a)/M , або 1, якщо популяція перевищує площу ділянки), помноженій на умовну ймовірність виявлення ysurv _. Ми припускаємо, що виявлення громадськістю відбувається за подібним ймовірнісним процесом , як виявлення за допомогою опитування, де ймовірність виявлення зростає з розміром популяції та чутливістю виявлення громадськістю, але виявлення громадськістю може відбуватися по всій ділянці, на відміну від обмежень у певних місцях опитування1 ^. Ми визначаємо y _public як ймовірність того, що популяція одиничного розміру буде виявлена населенням за один період часу, таким чином, що ймовірність p _detect ( a,I ) того, що популяція, присутня на об’єкті, буде виявлена опитуванням або населенням за один період часу, дорівнює 1 – (1 – y _surv A ( a )/ M ) ^(I/Cs) (1 – y _public ) ^A ( a ) для популяцій, площа яких менша або дорівнює площі M фокального об’єкта, та дорівнює 1 – (1 – y _surv ) ^(I/Cs) (1 – y _public )^M для популяцій, більших за фокальний обстежений об’єкт. Ми припускаємо, що p _detect ( a, _max , I ) = 1, таким чином, що будь-які раніше не виявлені популяції виявляються, коли вони досягають максимального віку.

2.3.2. Розрахунок загальних витрат на управління вторгненням

На основі цієї моделі чисту приведену вартість очікуваних витрат на встановлення, виявлення та управління вторгненням можна визначити залежно від рівня інвестицій у дослідження з виявлення шкідників. Ми розглядаємо застосування стратегії постійного спостереження (тобто постійного рівня інвестицій) протягом фіксованого часового горизонту ( T ) та оцінюємо загальну чисту приведену вартість витрат від усіх популяцій, що встановилися під час програми спостереження, та від популяцій, які були присутні в ландшафті (але ще не виявлені) на початку програми.

Ми припускаємо, що до початку програми спостереження популяції мали річну ймовірність укорінення e(t) та ймовірність виявлення pdetect ( a , 0). Таким чином, очікувану кількість невиявлених популяцій, присутніх на ландшафті на початку програми ( t = 1), можна розрахувати шляхом ітеративного розв’язання рівняння (1) _, починаючи з t = −T past _до t = 1, де T _past – найстаріша популяція, що розглядається для виявлення на початку програми спостереження.

Визнаючи, що x ^a ( t ) є функцією інвестицій у обстеження I, ми можемо переписати це як x ^a ( t,I ) та обчислити чисту теперішню вартість загальних очікуваних витрат на ліквідацію (з коефіцієнтом дисконтування δ) для програми обстеження з річними інвестиціями I та тривалістю T років: (2) $Т С^{Ерад} (Я) = \sum_{т = 1}^{Т} \sum_{а = 1}^{а_{макс.}} х^{а} (т, Я) {стр.}_{виявити} (а, Я) С_{е} (А (а)) {(1 + δ)}^{1 - т} + \sum_{т = Т + 1}^{Т + а_{макс.} - 1} \sum_{а = т - Т + 1}^{а_{макс.}} х^{а} (т, 0) {стр.}_{виявити} (а, 0) С_{е} (А (а)) {(1 + δ)}^{1 - т}$

Перші підсумовування (з плином часу та віковим класом) відображають витрати на ліквідацію виявлених популяцій протягом тривалості програми обстеження, тоді як другі підсумовування враховують витрати на ліквідацію усталених популяцій, які ще не були виявлені на момент завершення програми обстеження.

Вартість опитувань протягом часового горизонту програми T розраховується так:(3) $Т С^{Су} (Я) = \sum_{т = 1}^{Т} Я {(1 + δ)}^{1 - т}$

А загальні витрати на управління вторгненням становлять:(4) $ТК = Т С^{Су} (Я) + Т С^{Ерад} (Я)$

2.3.3. Врахування кількох шкідників та місць поширення

Щоб оптимізувати спостереження за кількома шкідниками та регіонами, ми розширюємо модель, щоб підсумувати очікувані витрати (рівняння 4 ) для потенційних загарбників pεP та ділянок sεS . Ми також допускаємо, що один тип обстеження tr може бути спрямований на кількох шкідників , таким чином, що вигоди від цього обстеження залежать від очікуваного зниження витрат на знищення видів, виявлених цим типом обстеження.

Загальна мета рішення про розподіл ресурсів полягає у визначенні оптимальних інвестицій I _tr,s у кожному типі обстеження tr на ділянці s для мінімізації витрат для всіх шкідників та ділянок, включаючи витрати на спостереження та знищення. Усі параметри та інвестиції в обстеження ( I ) можна індексувати за видами або типами пасток та ділянками. TC ^Erad_p,s ( I _tr,s ) – це теперішня вартість загальних очікуваних витрат на знищення шкідника p та ділянки s з урахуванням інвестицій I _tr,s , згідно з рівнянням 2. Таким чином, для всіх ділянок, типів пасток та видів загальні витрати становлять:(5) $ТК = \sum_{с \in С} \sum_{тр \in Тр} ({ТК}^{Су} (Я_{тр, с}) + \sum_{стр. \in П_{тр}} {ТК}_{стр., с}^{Ерад} (Я_{тр, с}))$

Задача оптимізації спостереження полягає у визначенні рівня інвестицій у пастки на кожній ділянці для кожного типу шкідника, який мінімізує загальні очікувані витрати на спостереження та знищення (рівняння 5 ).

Очікувані чисті поточні вигоди від впровадження оптимальної програми спостереження або будь-якої іншої потенційної програми спостереження (визначеної рівнями інвестицій Itr _,s ) відносно бездіяльності розраховуються як різниця в загальних витратах за зазначеною програмою, коли всі Itr _,s = 0.

Щоб знайти оптимальні інвестиції в обстеження за відсутності бюджетних обмежень, можна просто визначити рівень інвестицій у спостереження, який максимізує чисті вигоди для кожної ділянки та типу обстеження окремо, оскільки оптимальні інвестиції в обстеження для кожного типу обстеження та ділянки не залежать від оптимальних рівнів на інших ділянках або для інших типів обстежень, за умови цільової функції, яка враховує очікувані збитки від вторгнення та витрати на знищення на всіх ділянках. Однак, коли ресурси обмежені, оптимальні інвестиції в обстеження залежать від ділянок та типів пасток, причому оптимальні інвестиції зрівнюють граничні вигоди від інвестицій в обстеження на різних ділянках та пастках, таким чином, що перерозподіл ресурсів з однієї ділянки або пастки на іншу не може покращити результати.

Щоб знайти оптимальні інвестиції в обстеження, ми розраховуємо очікувані граничні вигоди від інвестицій для кожної ділянки за комбінацією типів обстежень для діапазону рівнів інвестицій, а потім використовуємо жадібний алгоритм для розподілу інвестицій між ділянками за комбінаціями пасток у порядку зменшення граничних вигод від інвестицій, доки ресурси не будуть повністю розподілені ( рис. 2 ). Ми розраховуємо граничні вигоди як зменшення очікуваних витрат на ліквідацію від додаткових (граничних) інвестицій i в тип обстеження tr на ділянці s , де очікувані витрати відображають результати вторгнення по всій Швейцарії, а не лише в межах центральної ділянки:(6) $МБ = {ТК}^{Ерад}_{тр, с} (Я_{тр, с}) - {ТК}^{Ерад}_{тр, с} (Я_{тр, с} + я)$

За відсутності бюджетних обмежень, менеджер інвестуватиме в дослідження на об’єкті до рівня, за якого гранична вигода від додаткових інвестицій лише дорівнюватиме вартості додаткових інвестицій. Такий рівень інвестицій максимізує загальну чисту вигоду (вигода від інвестицій мінус витрати на інвестиції).

2.4. Параметризація моделі

2.4.1. Географічний охоплення та контекст

Наші аналізи зосереджені на загальнонаціональних дослідженнях по всій Швейцарії. Розташована в Центральній Європі, Швейцарія не має виходу до моря, а Альпи є природним внутрішнім бар’єром, а гори Юра — на північному сході. Висота країни коливається від 193 до 4634 м над рівнем моря, вона поділена на 26 кантонів, які далі поділяються на райони, виборчі округи або регіони, які знову поділяються на муніципалітети. Ми використовували поділ кантонів (райони, виборчі округи або регіони; далі — «райони») як регіональну одиницю аналізу (тобто ділянки або райони) для визначення просторової неоднорідності ймовірності прибуття та придатності середовища існування. Наше дослідження охоплює D = 143 райони загалом.

Оскільки більшість початкових поселень чужорідних інвазійних лісових комах-шкідників знаходяться в міському або приміському середовищі, а не в лісах чи сільській місцевості ( Branco et al., 2019 ), ми використали дані зі швейцарської статистики землекористування ( Bundesamt für Statistik, 2018 ) для оцінки площі придатних для пасток у кожному районі. Ці детальні дані про землекористування, надані Швейцарським федеральним управлінням статистики, окреслюють чотири категорії землекористування/покриття: забудована (міська та транспортна інфраструктура), сільськогосподарська, лісиста та непродуктивна ( Bundesamt für Statistik, 2018 ). Ми використали площу забудованої території (км² ⁾ на район для представлення розміру потенційної площі дослідження в кожному районі, оскільки дослідження будуть проводитися в цих районах.

2.4.2. Ймовірність впровадження

Важливим для визначення оптимального розподілу зусиль дослідження є інформація про ймовірність заселення на ділянці, яка залежить від ймовірності інтродукції (тобто прибуття) та придатності ділянок для кожного організму. Для нашого аналізу ми припускаємо постійну ймовірність заселення e з часом, але допускаємо, що ця ймовірність може відрізнятися для різних видів та ділянок. Ми оцінюємо метрику відносної ймовірності інтродукції (‘Rel_Pr_Intro’) для району. $день \in Д$ , використовуючи інформацію про два основні шляхи введення, людей та торгівлю, за такою формулою:(7) $Відносний_Пр_{Вступ}_{день} = (\frac{{Мешканці}_{день}}{{макс.}_{Д} (Мешканці)} + \frac{{Імпорт відповідних товарів}_{день}}{{макс.}_{Д} (Імпорт відповідних товарів)})$

Тут «імпорт відповідних товарів» стосується кількості векторних матеріалів (таких як дерев’яна тара, вироби з кори, дрова або живі рослини), що походять з країн, де зустрічається організм, і надходять до району d (вимірюється шляхом віднімання нетто-ваги від брутто-ваги товарів у кг). Ці дані (з 2015 по 2021 рік) були отримані від швейцарської митниці та узагальнені за районами. «Мешканці» відносяться до населення району, згідно з переписом населення 2019 року. Обидві складові метрики (тобто кількість жителів та імпорт відповідних товарів для відповідного організму) були масштабовані шляхом ділення кожної на максимум району, присвоївши максимальному значенню цього показника «1». Це забезпечило масштабування обох змінних таким чином, щоб вони були однаково важливими, враховуючи роль імпорту та додаткового переміщення організмів людьми.

На момент моделювання ALB та CLB мали усталені популяції поблизу швейцарського кордону у Франції, Німеччині та Італії ( Branco et al., 2021 ), що створювало додатковий ризик інтродукції. Для цих видів ми включили додатковий показник ризику інтродукції, заснований на відстані до сусідніх активних спалахів, враховуючи шляхи пересування автостопом, такі як дрова ( Nardi et al., 2025 ). Відстань від кожного спалаху до столиці (або, якщо недоступно, до найбільшого міста) відповідних районів вимірювалася за допомогою плагіна ORS tools у QGIS v3.16 ( QGIS Development Team, 2020 ). Відстані понад 300 км були обмежені, що відповідає визначенню Євростату (статистичного управління Європейського Союзу) максимальної добової мобільності на короткі відстані. Визнаючи, що ризик інтродукції зменшується з відстанню від джерела організму та що переважна більшість поїздок здійснюються в межах максимальної добової мобільності на короткі відстані, ми припустили обернену логарифмічну залежність між відстанню та ймовірністю інтродукції:(8) $Інвлог_відст. = \frac{1}{колода (Відстань у км)} - \frac{1}{колода (300)}$

Після цього значення Invlog_dist було масштабовано до максимального значення 1. За такого підходу усталеним популяціям, що знаходяться далі за 300 км від району, не надається жодної ваги ризику інтродукції, тоді як ближчі популяції мають вищі значення ризику інтродукції. Для ALB та CLB загальна відносна ймовірність інтродукції (‘Rel_Pr_Intro’) була розрахована наступним чином:(9) $Відносний_Пр_{Вступ}_{день} = (\frac{{Мешканці}_{день}}{{макс.}_{Д} (Мешканці)} + \frac{{Імпорт відповідних товарів}_{день}}{{макс.}_{Д} (Імпорт відповідних товарів)} + \frac{Інвлог_{відст.}_{день}}{{макс.}_{Д} (Інвлог_відст.)})$

2.4.3. Екологічна придатність

Ми розрахували екологічну придатність для кожного організму та району на основі наявності дерев-господарів у міських та лісових районах. Оскільки близько 90% перших виявлень інвазійних лісових шкідників відбувається в міських районах ( Branco et al., 2019 ), у формулі екологічної придатності міські дерева-господарі мали більшу вагу, ніж лісові дерева-господарі:(10) $костюм = (0,9 * Частка дерев-господарів у міському середовищі + 0,1 * Частка дерев-господарів у лісах)$

Щоб оцінити частку дерев-господарів у міських районах, ми проаналізували інвентаризації дерев з 26 швейцарських муніципалітетів ( Augustinus et al., 2024 ). Усі інвентаризації включали види-господарі для всіх цільових організмів, але з різною відносною чисельністю. Оскільки склад родів міських дерев у громадському та приватному міському середовищі Швейцарії суттєво не відрізняється ( Christen et al., 2024 ), ми розглядали склад громадських дерев в інвентаризаціях як репрезентативний для обох. Ми не виявили просторової автокореляції між складами міських дерев (статистика Мантеля r: 0,0193, p > 0,05). Однак Швейцарія географічно різноманітна, з чотирма національними мовами, і ми виявили, що лінгвістичний регіон місцевості (двомовна французька/німецька, французька, німецька або італійська) суттєво пояснює видовий склад дерев (попарний перестановочний дисперсійний аналіз, Таблиця 2 ). Для цих аналізів ми виключили дерева родів, які зустрічаються менше десяти разів загалом у всіх міських інвентаризаціях дерев разом, щоб виключити сильний вплив цих рідкісних дерев, оскільки пермутаційний дисперсійний аналіз (PERMANOVA) чутливий до відмінностей у відносному розсіюванні точок між групами ( Staudhammer et al., 2018 ). Тому ми припустили, що муніципалітети, які не мають інвентаризації дерев, мають видовий склад дерев, типовий для кожного мовного регіону.

Таблиця 2. P -значення для результатів попарного перестановочного дисперсійного аналізу впливу розташування міста в мовному регіоні на видовий склад дерев.

Порожня клітинка	Німецька	Німецька+Французька	Французька	італійська
Німецька	х
Німецька+Французька	0,125	х
Французька	<0,001	0,037	х
італійська	<0,001	0,306	<0,001	х

Для лісових дерев склад був агрегований за районами на основі ділянок у Швейцарській національній лісовій інвентаризації ( Brändli et al., 2020 ).

2.4.4. Відносна ймовірність встановлення

Відносну ймовірність укорінення («est») у районі d розраховували шляхом множення відносної ймовірності інтродукції та екологічної придатності, а потім масштабування значень шляхом ділення на максимальне значення для даного організму:(11) ${ст.}_{день} = \frac{Відносний_Пр_{Вступ}_{день} * {костюм}_{день}}{{макс.}_{Д} (Відносний_Пр_Вступ * костюм)}$

Район з найвищим значенням для організму приймає значення 1.

2.4.5. Ймовірності заснування

Для більшості організмів, які ми тут змоделювали, у Швейцарії не зареєстровано жодного – або зареєстровано небагато – поселень, тому оцінка щорічної ймовірності поселення є складною. Для деяких видів доступні записи про перехоплення на кордоні, але їхня цінність для прогнозування обговорюється ( Caley et al., 2015 ). Хоча підходи до моделювання з використанням даних про відсутність із записів про перехоплення були застосовані ( Turner et al., 2020 ), пріоритетні карантинні шкідники, яких ми тут розглядаємо, перевозяться різними імпортними товарами, які не обстежуються з однаковою інтенсивністю. Тому ми вирішили не використовувати дані про перехоплення на кордоні для оцінки. Натомість ми покладаємося на попередньо проведені експертні оцінки EFSA ( EFSA et al., 2020a ; EFSA et al., 2020d ; EFSA et al., 2020e ; EFSA et al., 2020b ; EFSA et al., 2020c ; EFSA et al., 2019b ; EFSA et al., 2019a ), Möykkynen et al. (2015) , а також оцінку ризиків, проведену Конференцією кантональних лісівників та федеральним управлінням охорони навколишнього середовища ( BAFU and KoK, 2017 ).

З восьми організмів, розглянутих у нашому аналізі, ALB (азійський довгорогий жук) має найбільшу кількість попередніх поселень у Швейцарії, з п’ятьма поселеннями на сьогоднішній день станом на 2023 рік ( Dubach et al., 2023 ). Ми встановили теоретичну максимальну річну ймовірність поселення на рівні 0,2, що відповідає приблизно одному поселенню кожні п’ять років, виходячи з показників поселення ALB. Ми визначили «середні» показники поселення як один раз на 10 років (тобто річна ймовірність поселення 0,1), а низькі показники поселення як один раз на 25 років (ймовірність поселення 0,04 на рік). Оцінюючи ймовірність поселення кожного виду, ми надали швейцарським експертним оцінкам ( BAFU та KoK, 2017 ) вищу вагу, ніж іншим експертним оцінкам, оскільки вони зосереджені на Швейцарії, тоді як інші оцінки враховують всю Європу. Це призвело до значень, наведених у таблиці 3 .

Таблиця 3. Очікувана ймовірність укорінення (на рік) на організм у Швейцарії, як використовується в моделі, джерела у виносці під таблицею.

Організм	Оцінка для Швейцарії	Оцінювання для Європи	Річна ймовірність заснування
Головна сторінка Великої Британії	низький ¹	низький-середній ²	0,04
ЕАБ	високий ¹	середній ³	0,2
КЛБ	високий ¹	високий ⁴	0,2
Альбом	високий ¹	висока ⁵	0,2
PWN	середній ¹	високий ⁶	0,1
ССМ	низький ¹	високий ⁷	0,04
Контекстна реклама	середній ¹	дуже високий ⁸	0,1
СОД	Н/Д	високий ⁹	0,2

(BAFU та KoK, 2017), ² (EFSA та ін., 2020d), ³ (EFSA та ін., 2020b), ⁴ (EFSA та ін., 2019b), ⁵ (EFSA та ін., 2019a), ⁶ (EFSA та ін., 2020c; Möykkynen та ін., 2015 ), ⁷ (EFSA та ін., 2015). al., 2020e), ⁸ (EFSA та ін., 2020a), ⁹ ( EFSA, 2011 ).

2.4.6. Ймовірність заснування за окрузі

Річна ймовірність заснування в кожному районі (тобто ділянці) (‘ e _d ‘) потім була розрахована шляхом розподілу ймовірності заснування на рівні країни між районами пропорційно до їхньої відносної ймовірності заснування за такою формулою:(12) $е_{день} = Ймовірність встановлення * (\frac{{ст.}_{день}}{\sum_{Д} ст.})$

2.4.7. Природне поширення

Для розрахунку швидкості поширення після впровадження нового організму ми використовували дані з документів обстеження шкідників, які називаються «картками обстеження шкідників», підготовленими EFSA (Європейським агентством з безпеки харчових продуктів), які прогнозують природне поширення на рік для ALB, BBB, CLB, EAB, PPC, SOD та SSM (EFSA et al., 2020a, 2020e, 2020c, 2020b, 2020d, 2019a, 2019b). Картки обстеження шкідників для PNW ще не були доступні, тому ми використали значення потенційного поширення, надані Möykkynnen et al. (2015). Ми використовували розрахункове середнє максимальне поширення на рік з карток обстеження шкідників EFSA. Значення, які ми використовували для потенційного річного радіального поширення, наведені в таблиці 4 .

Таблиця 4. Потенційне максимальне поширення на рік на організм.

Організм	м/рік
Головна сторінка Великої Британії	1300
ЕАБ	1600
КЛБ	194
Альбом	150
PWN	5000
ССМ	9500
Контекстна реклама	1300
СОД	1000

2.4.8. Коефіцієнт виявлення фону

Щоб оцінити рівень виявлення без спостереження, ми використовували оцінки часу від впровадження до виявлення, наведені в картках обстежень шкідників EFSA ( EFSA et al., 2020a ; EFSA et al., 2020d ; EFSA et al., 2020e ; EFSA et al., 2020b ; EFSA et al., 2020c ; EFSA et al., 2019b ; EFSA et al., 2019a ), та значення, наведені в Möykkynen et al. (2015) . Ми використовували середні оцінені значення зі звітів про шкідників (тобто оцінений середній вік виявлення). Коли ці значення були наведені для міських та природних територій, ми використовували оцінку для міських районів, оскільки ми очікуємо, що шкідники спочатку оселяться в міському або приміському середовищі ( Branco et al., 2019 ; Paap et al., 2017 ). У поєднанні з оціненою швидкістю поширення організму (див. вище), ми встановлюємо параметр «ймовірність публічного виявлення» ( y _public ) на значення, яке забезпечує 50% ймовірність публічного виявлення за зареєстрованим середнім віком виявлення організму.

2.4.9. Організми, що досліджувалися за місцем відлову

Швейцарська національна служба спостереження за пріоритетними карантинними шкідниками проводить щорічний нагляд на основі інспекцій та відлову в певних типах місць ( Augustinus et al., 2022 ). Ми визначили п’ять типів місць, які охоплюють наші вісім основних карантинних видів. BBB обстежується в місцях з березою, EAB – в місцях з ясенами. ALB та CLB обстежуються разом в місцях з широколистяними деревами, в ідеалі кленами. PWN та PPC обстежуються разом в місцях з соснами, а SSS та SOD обстежуються разом в місцях з модринами.

2.4.10. Ефективність опитування

Кожне обстеження в межах типу локації охоплює площу 10 000 м² ^та може включати візуальний огляд і пастки. Ці обстеження є недосконалими у виявленні організмів, навіть якщо вони перетинаються з розподілом організму, оскільки приманки недосконалі, а симптоми не завжди достатньо чіткі для виявлення, коли організм вперше атакує хазяїна. Ми визначили ефективність обстеження y _surv як ймовірність того, що вторгнення буде виявлено за допомогою обстеження, що перекривається. Ми оцінили ефективність обстеження для кожного організму, використовуючи видоспецифічну інформацію з кількох досліджень ( таблиця 5 ).

Таблиця 5. Ймовірність виявлення на рік (як частка) на організм, якщо популяція організму перетинається з місцем дослідження площею 10 000 ^м² .

Організм	Ймовірність виявлення/рік	Обґрунтування
Головна сторінка Великої Британії	0,45	Обмежена ефективність пасток. У разі нападу європейські берези, як правило, швидко гинуть (EFSA et al., 2020d; Miller et al., 1991 )
ЕАБ	0,4	Повідомляється, що ефективність пасток для EAB (ясеня цибульного) є так само низькою, як і для BBB (гемоглобіну), навіть зі специфічними семіохімічними приманками ( Silk and Ryall, 2015 ). Однак ясени у Швейцарії вже страждають від відмирання ясена ( Gross et al., 2014 ; Pautasso et al., 2013 ), що робить візуальне виявлення уражених дерев менш ймовірним.
КЛБ	0,3	Пастки не дуже ефективні, оскільки доступні приманки мають лише помірну ефективність, а жук не дуже активний літун. CLB має довгий час генерації (1–2 роки) у Швейцарії ( Keena and Richards, 2022 ), тому має пройти значний час, щоб популяція стала достатньо великою для появи симптомів.
Альбом	0,3	Як і CLB ( Кіна та Мур, 2010 )
PWN	0,5	Існують ефективні пастки для переносника ( Monochamus spp.) ( Boone et al., 2019 ), але вони вловлюють лише переносника, з якого можна вилучити нематод. Пошкодження дерев легко спостерігати (EFSA et al., 2020c).
ССС	0,7	Існують дуже ефективні феромонні пастки; молі дуже рухливі (EFSA et al., 2020e). Гусениці та яйця за низької щільності непомітні.
Контекстна реклама	0,4	Заражені дерева можуть бути безсимптомними протягом тривалого часу ( Martín-García et al., 2019 ; Storer et al., 1998 ). Грибок досліджують за допомогою спорових пасток, які менш спрямовані, ніж пастки для комах.
СОД	0,5	Довший час затримки від зараження до симптомів, ніж у PPC, і менша відстань, яку долають спори, порівняно з PPC ( Sansford et al., 2009 ). Однак, можна очікувати більшої кількості спор порівняно з PPC, якщо спорулює SOD, що має місце у випадку модрини, і дослідження на SOD проводиться в місцях з модриною ( Beenken et al., 2024 ; Sansford et al., 2009 ).

2.4.11. Витрати на обстеження

Річні витрати на одну ділянку обстеження площею 10 000 м² ^були розраховані на рівні 8000 швейцарських франків ( Augustinus et al., 2022 ). Під час оптимізації обстежувальних робіт ми розглядали розподіл коштів з кроком у 1000 швейцарських франків. Розподіл у 1000 швейцарських франків представлятиме обстеження однієї ділянки (тобто району) раз на 8 років.

2.4.12. Витрати на ліквідацію

Ми розрахували витрати на ліквідацію спалаху на квадратний кілометр, використовуючи формулу, отриману з огляду 672 програм ліквідації членистоногих у Тобіна та ін. (2014) :(13) ${колода}_{10} (витрати, мільйони Долари США) = - 0,254 + 0,416 ({колода}_{10} (площа, к м^{2}))$

Значення було переведено з доларів США у швейцарські франки.

2.5. Припущення моделі

Ми розглядаємо оптимальне розгортання обстежень, зосереджуючись на 20-річній програмі спостереження для раннього виявлення та знищення популяцій, що встановилися під час програми або що встановилися протягом 10 років до початку програми та не були виявлені громадськістю. Під час оптимізації спостереження ми припускаємо, що всі популяції шкідників виявлені протягом 30 років з моменту їх встановлення ( a _max = 30). Пріоритетні карантинні та підпільні організми в цьому дослідженні навряд чи залишаться непоміченими так довго, навіть без офіційних обстежень, оскільки їхня шкода деревам-господарям є високою і, ймовірно, буде виявлена громадськістю в міру поширення організмів. Максимальний розмір гіпотетичної популяції шкідника встановлено на площі Швейцарії (41 285 км² ⁾ , оскільки обстеження та зусилля з знищення зосереджені у Швейцарії, а не охоплюють сусідні країни. Під час розрахунку витрат з часом ми використовували коефіцієнт дисконтування 2% для коригування інфляції та часових уподобань.

2.5.1. Аналіз узагальнених типів шкідників

Щоб допомогти в інтерпретації оптимізованих результатів для Швейцарії, ми додатково запустили модель для одного теоретично репрезентативного району та дослідили розподіл обстежень для набору узагальнених типів шкідників, які відрізнялися за своїми характеристиками. Ми припустили район із середнім розміром швейцарських районів, а також гіпотетичні види, що відрізняються ймовірністю виявлення серед громадськості, ефективністю обстежень та ймовірністю укорінення (кожен з найнижчим, середнім та найвищим відповідними значеннями реальних організмів, змодельованих вище), та одинадцятьма коефіцієнтами поширення для кожної комбінації вищезазначених факторів. Досліджуючи ці комбінації атрибутів, ми мали на меті висвітлити роль кожного атрибута в оптимальних інвестиціях у обстеження.

2.5.2. Використане програмне забезпечення

Маніпуляції з даними та запуску моделей проводилися в R версії 4.3.2 (R Foundation for Statistical Computing, 2023). Маніпуляції з даними здійснювалися за допомогою readxl ( Wickham, 2016 ), dplyr ( Wickham et al., 2019 ), stringr ( Wickham, 2022 ) та sf ( Cook and Baston, 2023 ). Для роботи коду моделі потрібні пакети sqldf ( Grothendieck, 2022 ), data.table ( Barrett et al., 2024 ) та knitr ( Yihui, 2023 ). Для візуалізації ми використовували пакети r ggplot2 ( Wickham and Chang, 2016 ) та ggpubr ( Kassambara, 2016 ), а також QGIS 3.16 ( QGIS Development Team, 2020 ).

3. Результати

3.1. Оптимальне інвестування

Модель виявила, що інвестиції в дослідження у розмірі 1 187 000 швейцарських франків на рік мінімізують очікувані сукупні витрати на спостереження та ліквідацію у Швейцарії для восьми організмів, показаних у Таблиці 1 ( Рис. 3 ), із загальним чистим прибутком у розмірі 48 180 500 швейцарських франків протягом 20-річного періоду програми спостереження. На дослідження ALB та CLB інвестиції не виділялися. Для дослідження BBB оптимальними інвестиціями було визначено 15 000 швейцарських франків на рік. Модель щорічно виділяла 250 000 швейцарських франків на спостереження за EAB. Для відлову SSM та SOD на комбінованих місцях відлову оптимальними річними інвестиціями для спостереження було розраховано 437 000 швейцарських франків. Місцям відлову, де обстежували PWN та PPC, було виділено найбільші оптимальні інвестиції у розмірі 485 000 швейцарських франків на рік ( Рис. 3 ).

3.2. Географічний розподіл інвестицій

Оптимальний розподіл інвестицій у дослідження відрізнявся просторово між організмами, і лише чотири райони (Брюгг АГ, Женева ГЕ, Лауфенбург АГ та Цюрих ЗГ) отримали інвестиції в дослідження для всіх організмів ( рис. 4 ).

3.3. Вплив характеристик шкідників на результати моделі

Ми використали аналіз чутливості, щоб дослідити роль щорічної ймовірності укорінення, рівня виявлення серед громадськості, ефективності обстежень та коефіцієнта поширення на оптимальні інвестиції в обстеження. Зокрема, порівнюючи узагальнені типи шкідників з різними ознаками, ми виявили, що організми з найвищим рівнем виявлення серед обстежених організмів не отримали жодних інвестицій. Оптимальні інвестиції в обстеження загалом зростали з ймовірністю укорінення та зменшувалися з ефективністю обстеження для всіх досліджених нами комбінацій ознак ( рис. 5 ). Крім того, оптимальні інвестиції в обстеження зростали з коефіцієнтом поширення.

4. Обговорення

Результати моделі розрахували оптимальні річні інвестиції у розмірі 1 187 000 швейцарських франків для обстеження організмів, перелічених у Таблиці 1 , та розподілили інвестиції по всій Швейцарії. Очікується, що ця програма обстеження забезпечить очікуваний річний чистий прибуток, еквівалентний приблизно 2 946 521 швейцарським франкам на рік, порівняно з відсутністю офіційної програми спостереження. Нижче ми обговорюємо розподіл та масштаби інвестицій у обстеження, включаючи деякі результати, які спочатку були несподіваними. Наприклад, не було виділено жодних інвестицій на ALB та CLB, хоча обидва є дуже шкідливими та раніше були виявлені у Швейцарії. Крім того, обмежені інвестиції спрямовані на Тічино, регіон Швейцарії на південь від Альп, хоча перші виявлення інвазивних видів часто відбуваються саме в цьому регіоні.

4.1. Вплив характеристик шкідників на результати моделі

Запуск моделі на узагальнених типах шкідників, значення атрибутів яких знаходяться в діапазоні (від найнижчого до найвищого) пріоритетних карантинних шкідників у нашому дослідженні, надав інформацію про відносний вплив різних факторів (тобто річної ймовірності укорінення, рівня виявлення серед громадськості, рівня поширення та ефективності обстежень). Організми з низькими рівнями укорінення отримували менші рекомендовані інвестиції в обстеження, ніж види з вищою ймовірністю укорінення. Аналогічно, види з нижчими рівнями поширення, як правило, мали нижчі оптимальні рівні обстежень. Навпаки, види з нижчою ефективністю обстежень, як правило, мали вищі рекомендовані інвестиції в обстеження. Рівень виявлення серед громадськості мав більш виражений вплив, ніж інші досліджувані нами фактори, оскільки модель не призначала жодних інвестицій організмам з високими рівнями виявлення серед громадськості, незалежно від інших атрибутів шкідника ( рис. 5 ).

4.2. Оптимальні інвестиції загалом

Запропоновані оптимальні щорічні інвестиції в обстеження у розмірі 1 187 000 швейцарських франків можуть здатися низькими, враховуючи, що програма ліквідації одного спалаху ALB у швейцарському місті Вінтертур у 2012 році коштувала щонайменше 3,3 мільйона швейцарських франків ( Oberpriller et al., 2017 ). Інтерпретація рівня інвестицій залежить від рідкості установ районного рівня, ймовірності виявлення серед населення та припущень моделювання. Наприклад, ми припускаємо, що витрати на ліквідацію залежать від розміру вторгнення на момент виявлення, але наш аналіз не враховує i) ймовірність успішного знищення кожного конкретного цільового організму, ii) величину прямих та непрямих витрат на завдану шкоду від спалаху (наприклад, втрату екосистемних послуг) або iii) торговельні наслідки (наприклад, скорочення внутрішньої торгівлі або експорту уражених ресурсів). Акцент на витратах на ліквідацію ґрунтувався на чітких вказівках щодо того, що спроба ліквідації є юридично обов’язковою відповіддю на розглянуті організми. Тому витрати на обстеження та ліквідацію є ключовими бюджетними проблемами. Врахування успішності ліквідації збитків, ймовірно, збільшить оптимальні інвестиції в обстеження, особливо враховуючи, що ліквідація стає менш ймовірною зі збільшенням розміру спалаху ( Tobin et al., 2014 ). Це означає, що більш раннє виявлення дає додаткові переваги, окрім зниження витрат на боротьбу. Збитки від осередкових організмів можуть включати ринкові витрати, такі як втрата врожаю ( Petucco et al., 2020 ), втрата вартості майна в лісах, що ростуть ( Holmes et al., 2010 ) та обмеження доступу до ринку деревної продукції ( Prestemon et al., 2008 ). Неринкові витрати, такі як екологічні, естетичні, духовні чи культурні витрати, пов’язані зі спалахом, можуть бути високими ( Bradshaw et al., 2016 ), але достовірна інформація про ці витрати рідко доступна ( Welsh et al., 2021 ). Отже, визначені оптимальні інвестиції >1 мільйона швейцарських франків на рік для спостереження, ймовірно, є заниженими. У 2025 та 2026 роках швейцарська програма спостереження проводилася з використанням 75 місць відлову, що, як розраховано в цій моделі, дорівнювало б річним інвестиціям у розмірі 600 000 швейцарських франків. Враховуючи витрати, які б збільшили обсяг, запропоновано, що оптимальні інвестиції навряд чи призведуть до збільшення виділених інвестицій на практиці через обмежені кошти Федерального відомства з охорони навколишнього середовища.

4.3. Пріоритизація організмів

Модель пропонувала більше інвестувати в типи локацій, що використовуються для одночасного спостереження за двома видами, а також для EAB (що контролюються лише). Для порівняння, було запропоновано виділити мало коштів (∼1,2%) на локації, що використовуються для спостереження за BBB, і не було запропоновано жодних інвестицій для ALB та CLB. Відносно низькі запропоновані інвестиції в спостереження за BBB можна пояснити низькою ймовірністю інтродукції, що знижує користь від спостережень. BBB та SSM – єдині організми, що підлягають спостереженню, але ще не оселилися за межами свого природного ареалу (BAFU and KoK, 2017; EFSA et al., 2020d).

На відміну від BBB, у Швейцарії було виявлено кілька випадків перехоплення та встановлення ALB, а також принаймні одне перехоплення CLB після кордону ( Branco et al., 2021 ; Wermelinger, 2006 ). Однак модель не виділяла інвестиції на обстеження цих видів. Цей нелогічний висновок можна пояснити двома основними факторами: i) високий рівень виявлення серед населення, та ii) низькі показники поширення ALB та CLB. Високий рівень виявлення серед населення дозволяє виявляти шкідника навіть без будь-яких спеціальних інвестицій у обстеження. Повільний темп поширення призводить до того, що їхня популяція залишається невеликою протягом тривалішого періоду після їх встановлення, що робить їх викорінення менш витратним, ніж види, що швидше поширюються. Наш аналіз узагальнених типів шкідників свідчить про те, що ці два фактори мають сильний вплив ( рис. 5 ): модель ніколи не розподіляла інвестиції на організми з найвищим рівнем виявлення серед населення ( рис. 5 , C, F, I). Однак вона розподіляла інвестиції на організми з нижчими показниками виявлення серед населення, але низькою ефективністю обстежень ( рис. 5 A, B). Дійсно, багато перших виявлень ALB та CLB були полегшені завдяки пасивному спостереженню ( Branco et al., 2021 ). Обидва види комах є харизматичними організмами, які є такими ж великими або більшими за найбільших місцевих жуків-довгунців, і відрізняються від них, а отже, дуже добре підходять для виявлення пасивним спостереженням або громадськими вченими ( Brown et al., 2020 ; Ciampitti and Cavagna, 2014 ; de Groot et al., 2023 ; Kompas et al., 2023 ). Як альтернатива активному відлову, кампанії з підвищення обізнаності громадськості можуть бути кращою інвестицією у раннє виявлення цих видів, ніж офіційні обстеження.

Розподіл досліджень за видами міг би бути ще більше диференційованим, якби враховувалися витрати на ліквідацію, ринкові або неринкові збитки. Наприклад, SOD має набагато ширший спектр хазяїв, ніж BBB ( EFSA, 2011 ; EFSA et al., 2020d). Тому спалах SOD може бути дорожчим, ніж спалах BBB. Однак ці дані не були частиною нормативно-правової сфери та недоступні у стандартизованому вигляді. Це припущення може призвести до менш однорідних витрат на спалах для різних організмів.

4.4. Географічний розподіл запропонованої вибірки

Модель виділила найбільше інвестицій на спостереження в центральному плато Швейцарії, яке є регіоном з найвищою економічною активністю та щільністю населення. Хоча це узгоджується з іншими дослідженнями ( Epanchin-Niell et al., 2014 ; Kompas et al., 2023 ; Nguyen et al., 2024 ), варто зазначити, що багато інвазивних видів у Швейцарії вперше виявлені в її найпівденнішому кантоні, Тічино. Наприклад, жук-амброзія Anisandrus maiche вперше був виявлений у Тічино ( Ribeiro-Correia et al., 2024 ), як і японський жук Popilia japonica ( Agroscope, 2017 ) та борошниста роса Erysiphe corylacearum на фундуці ( Beenken et al., 2020 ). Тому може бути несподіванкою, що лише невелика частка запропонованих щорічних інвестицій була виділена на райони цього кантону, особливо тому, що в Північній Італії є активні спалахи ALB та CLB ( Branco et al., 2021 ). Однак, активні спалахи ALB поблизу кордону зі Швейцарією в Німеччині та Франції (на момент запуску моделі, S. Branco et al., 2021 ). Модель не розподіляє інвестиції в спостереження за ALB та CLB через високий рівень їх виявлення серед населення, як обговорювалося вище. Щодо інших організмів, спалахи поблизу (тобто < 300 км автомобілем) від швейцарського кордону не відомі, і тому ці організми більш схильні до завезення внаслідок перевезення вантажів на великі відстані. Економічна активність та чисельність населення вищі в інших частинах Швейцарії, ніж у Тічино, що є ключовими факторами, що стимулюють інвестиції в спостереження.

Більшість лісових шкідників, які є новими для Швейцарії та вперше виявлені в Тічино, ймовірно, поширилися після попереднього завезення до прикордонних регіонів північної Італії, економічно активного та густонаселеного регіону. Північна Італія була визначена як гаряча точка першої інтродукції шкідників рослин у Європі ( Branco et al., 2019 ; Rosace et al., 2025 ). Це підкреслює загальну слабкість національних програм спостереження: в принципі, вони розглядають країни як острови, навіть якщо враховувати потенційне перенесення на короткі відстані або природне поширення, як ми це зробили в моделі для ALB та CLB. Хоча наш підхід лише частково враховував сусідні країни, він враховував усі райони Швейцарії, включаючи ті, що мають низьку економічну активність, низьку щільність населення або низьку екологічну придатність, як це було запропоновано попередньою роботою з біоекономічними моделями для оптимізації спостереження ( Epanchin-Niell et al., 2014 ; Mastin et al., 2020 ).

У параметрі «Екологічна придатність» для різних організмів ми не враховували кліматичну придатність, оскільки немає дрібномасштабних даних про швейцарський мікроклімат, і ми очікуємо, що перші інтродукції цих організмів відбудуться в міському або приміському середовищі ( Branco et al., 2019 ; Paap et al., 2017 ). Клімат у цих середовищах піддається ефекту міського теплового острова ( Oke, 1982 ), причому міські райони до 10 °C тепліші за навколишнє середовище. Інтенсивність цього явища може значно відрізнятися в різних містах через відмінності в просторовому плануванні ( Schwaab et al., 2021 ).

Ми використовували доступність рослин-господарів як визначальний показник придатності довкілля. У Швейцарії склад міських та лісових дерев значно відрізняється ( Augustinus et al., 2024 ). Тому нам довелося окремо розглядати дані інвентаризації міських дерев та лісів. Такий підхід призвів до пропозиції інвестицій у відловлювання дерев у місцях, які не враховувалися б, якби враховувалися лише лісові дерева. Наприклад, було запропоновано відбір проб сосен ( Pinus sp.) для кількох місць на центральному плато Швейцарії ( рис. 4 D). Оскільки сосни в природі зустрічаються переважно в гірських районах ( Brändli et al., 2020 ), це показує, як включення міських дерев до опитувань щодо лісових шкідників змінює оптимальний розподіл для спостережних заходів. Висновок про те, що склад міських дерев відрізнявся залежно від мовних регіонів, ілюструє, що важливо враховувати культурні впливи на уподобання щодо посадки рослин. У цьому випадку уподобання щодо посадки вплинули на те, які шкідники найімовірніше матимуть негативний вплив на міста та навколишні ліси.

5. Обмеження

Одним із ключових факторів, що впливають на поширення інвазійного організму, є те, чи подолав організм початкову фазу затримки процесу вторгнення. Аналізи EFSA приписують потенційне річне поширення гіпотетичним популяціям, які встановилися та досягли високої щільності популяції. Це означає, що ці значення не враховують початкову фазу затримки вторгнення організмів, під час якої поширення може бути значно повільнішим. Однак на час затримки може впливати багато факторів ( Crooks, 2005 ), а біологія цільових організмів, з якими ми мали справу, недостатньо відома, щоб робити достовірні прогнози щодо часу затримки їхніх процесів вторгнення. Тому ми вирішили виключити потенційні фази затримки з аналізів. Історичні локальні зміни, такі як зміни у землекористуванні та попередні обстеження, а також попередні вторгнення, можуть змінити ймовірність впровадження та виявлення ( de Groot et al., 2023 ; O’Donnell et al., 2024 ). Включення цих факторів може ще більше уточнити результати моделі. Висновки.

Тут ми показуємо, як біоекономічну модель можна використовувати для оптимізації національного спостереження за інвазивними карантинними лісовими шкідниками, що мають пріоритет. Це можна використовувати для визначення пріоритетів економічно доцільного вибору видів та місць для обстеження. Загалом, ми виявили, що вища ефективність відлову, нижча ймовірність укорінення, нижчі показники поширення та одночасне обстеження місць відлову на наявність меншої кількості організмів призвели до меншої суми запропонованих інвестицій у обстеження. Найбільш очевидно, що вищі показники виявлення серед населення призвели до менших рекомендованих інвестицій у обстеження. Тому використання ефективніших пасток (наприклад, з використанням більш спеціалізованих напівхімічних речовин), посилення фітосанітарних заходів та підвищення обізнаності громадськості можуть зменшити необхідні інвестиції у спостереження за інвазивними лісовими шкідниками та загальні витрати.

Майбутні моделі могли б дослідити, які параметри мають найбільший вплив на інвестиції в дослідження на кожен організм, щоб інформувати про оптимізацію спостереження, а також могли б бути використані для більшої географічної території для інформування про міжнародну співпрацю щодо спостереження за карантинними шкідниками. Крім того, альтернативні цілі до обов’язкового викорінення, такі як вибір між стримуванням та викоріненням, можуть бути включені до моделей, щоб зробити їх більш економічно раціональними та застосовними в національних схемах спостереження.

Декларація використання генеративного штучного інтелекту та технологій на основі штучного інтелекту в процесі підготовки рукопису

Під час підготовки цієї роботи автори використовували ChatGPT-5 для скорочення частин рукопису в ранній версії чернетки. Після використання цього інструменту автори переглянули та відредагували вміст за потреби й несуть повну відповідальність за зміст опублікованої статті.

Фінансова підтримка

Цю роботу було підтримано Швейцарським федеральним відомством з охорони навколишнього середовища (FOEN) у рамках грантів на науково-технічну діяльність у сфері охорони лісів «Wissenschaftliche-technische Tätigkeiten im Bereich Waldschutz» [№ 00.0482.PZ / S394-1025, № 00.0482.PZ / 41AB248AE, № 00.0482.PZ / B4387AFF4] та основним фінансуванням Швейцарського федерального дослідницького інституту WSL.

Заява про внесок авторства CrediT

Бенно Андреас Августинус: Написання – рецензування та редагування, Написання – оригінальний варіант, Візуалізація, Валідація, Методологія, Дослідження, Формальний аналіз, Курування даних, Концептуалізація. Ребекка Сюзанна Епанчин-Ніль: Написання – рецензування та редагування, Візуалізація, Валідація, Нагляд, Програмне забезпечення, Методологія, Дослідження, Формальний аналіз, Концептуалізація. Валентин Келоз: Написання – рецензування та редагування, Нагляд, Ресурси, Адміністрування проектів, Методологія, Дослідження, Залучення фінансування, Курування даних, Концептуалізація. Еккехард Густав Брокергофф: Написання – рецензування та редагування, Нагляд, Ресурси, Адміністрування проектів, Методологія, Дослідження, Концептуалізація.

Декларація про конкуруючі інтереси

Автори не мають жодного конфлікту інтересів, про який варто було б заявити.

Визнання

Ми дякуємо Аліні Кноблаух зі Швейцарського федерального відомства з охорони навколишнього середовища за коментарі до раннього проєкту.

Додаток А. Додаткові дані

Завантажити: Завантажити документ Word (43 КБ)

Додаткові матеріали

Доступність даних

Використані дані частково є конфіденційними. Дані, що не є конфіденційними, надаються за запитом.

Посилання

Agroscope, 2017 Agroscope Перше повідомлення про Popillia japonica у Швейцарії EPPO Rep. Serv., 1 (2017), с. 1 https://gd.eppo.int/reporting/article-6128 Google Scholar
Августин та ін., 2022 B.A. Augustinus, RS Epanchin-Niell, V. Queloz, EG Brockerhoff Modellierungen für die gebietsüberwachung der schweizBirmensdorf, Switzerland (2022) https://www.dora.lib4ri.ch/wsl/islandora/object/wsl%3A36737 Google Scholar
Augustinus et al., 2024 B.A. Augustinus, M. Abegg, V. Queloz, EG BrockerhoffВища видова різноманітність та багатство дерев у міських районах, ніж у лісах: наслідки для доступності хазяїв для інвазивних шкідників та патогенів деревLandsc. Urban Plan., 250 (2024), стаття 105144, 10.1016/j.landurbplan.2024.105144 Переглянути PDF Переглянути статтю Переглянути в Scopus Google Scholar
BAFU та KoK, 2017 BAFU, KoKPriorisierung von waldrelevanten Schadorganismen, Bericht der KOK und des BAFU. Берн (2017) Google Scholar
Баррет та ін., 2024 Т. Барретт, М. Доул, А. Срінівасан, Дж. Горецкі, М. Кіріко, Т. ХокінгПакет «data.table» (2024), 10.32614/CRAN.package.data.table Google Scholar
Beenken et al., 2020 Л. Beenken, Т. Brodtbeck, Р. De Marchi Перше згадування erysiphe corylacearum на corylus avellana у Швейцарії та Центральній Європі New Dis. Rep., 41 (2020), с. 11, 10.5197/j.2044-0588.2020.041.011 Переглянути у Scopus Google Scholar
Beenken та ін., 2024 L. Beenken, D. Hölling, EG Brockerhoff, V. QuelozPlötzlicher Eichentod. Phytophthora ramorum Werres, De Cock & Man., Factsheet Waldschutz Schweiz. Бірменсдорф (2024) Google Scholar
Бун та ін., 2019 К.К. Бун, Дж. Суїні, П. Сілк, К. Хьюз, Р.П. Вебстер, Ф. Стівен, Л. Маклохлан, Б. Бенц, А. Друмонт, Б. Чжао, Н. Берквенс, Х. Кастілс, Дж.К. Грегуар Види Monochamus з різних континентів можна ефективно виявляти за допомогою одного й того ж протоколу відлову J. Pest. Sci., 2004 (92) (2019), стор. 3-11, 10.1007/s10340-018-0954-4 Переглянути в Scopus Google Scholar
Бредшоу та ін., 2016 C.JA Bradshaw, B. Leroy, C. Bellard, D. Roiz, C. Albert, A. Fournier, M. Barbet-Massin, JM Salles, F. Simard, F. Courchamp. комун., 7 (2016), 10.1038/ncomms12986 Google Scholar
Бранко та ін., 2019 М. Бранко, П. Нунес, А. Рокес, М. Р. Фернандес, К. Ораціо, Х. Жактель Міські дерева сприяють розселенню немісцевих лісових комах NeoBiota, 52 (2019), стор. 25-46, 10.3897/neobiota.52.36358 Переглянути статтю Переглянути в Scopus Google Scholar
Бранко та ін., 2021 С. Бранко, М. Факколі, Е. Г. Брокерхофф, Г. Ру, Х. Жактель, Н. Десне, Е. Гаше, Р. Мутте, Дж. К. Стрейто, М. Бранко Запобігання вторгненням азійського вовняра та цитрусового вовняра: чи ми на правильному шляху? J. Pest Sci. (2004) (2021), 10.1007/s10340-021-01431-x Google Scholar
Брендлі та ін., 2020 U.-B. Brändli, M. Abegg, B. Allgaier LeuchSchweizerisches Landesforstinventar. Ergebnisse der vierten Erhebung 2009–2017Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft WSL, Birmensdorf (2020)Bern, Bundesamt für Umwelt Google Scholar
Брокергофф та Лібхольд, 2017 Е.Г. Брокергофф, А.М. Лібхольд Екологія вторгнень лісових комах Biol. Invasions, 19 (2017), стор. 3141-3159, 10.1007/s10530-017-1514-1 Переглянути у Scopus Google Scholar
Brockerhoff et al., 2010 Е.Г. Brockerhoff, AM Liebhold, B. Richardson, DM Suckling Знищення інвазивних лісових комах: концепції, методи, витрати та переваги Н. З. Дж. For. Sci., 40 (додаток) (2010), с. 117-135 Google Scholar
Браун та ін., 2020 Н. Браун, А. Перес-Сьєрра, П. Кроу, С. Парнелл Роль пасивного спостереження та громадянської науки у здоров’ї рослин CABI Agric. Biosci., 1 (2020), стор. 1-16, 10.1186/s43170-020-00016-5 Google Scholar
Bundesamt für Statistik, 2018 Bundesamt für StatistikArealstatistik der Schweiz [WWW-документ] https://www.bfs.admin.ch/bfs/de/home/dienstleistungen/geostat/geodaten-bundesstatistik/boden-nutzung-bedeckung-eignung/arealstatistik-schweiz.html (2018)(переглянуто 2.6.24) Google Scholar
Caley et al., 2015 P. Caley, R. Ingram, P. De Barro В’їзд екзотичних комах до Австралії: чи відповідає кількість перехоплень на кордоні ризику вторгнення? Biol. Invasions, 17 (2015), pp. 1087-1094, 10.1007/s10530-014-0777-z Переглянути в Scopus Google Scholar
Крістен та ін., 2024 С. Крістен, Е. Г. Брокергофф, М. М. Госснер, Б. Августинус Перспектива біобезпеки міських дерев у громадських та приватних просторах і дерев, доступних у розсадниках Urban For. Urban Green., 101 (2024), стаття 128529, 10.1016/j.ufug.2024.128529 Переглянути PDF Переглянути статтю Переглянути у Scopus Google Scholar
Чампітті та Каванья, 2014 М. Чампітті, Б. Каванья Підвищення обізнаності громадськості: корисний інструмент для раннього виявлення та успішного знищення довгорогих жуків Anoplophora chinensis та A. glabripennis EPPO Bullet., 44 (2014), стор. 248-250, 10.1111/epp.12116 Переглянути у Scopus Google Scholar
Кук і Бастон, 2023 І. Кук, Д. Бастон Пакет «sf» (2023), 10.32614/CRAN.package.sf Google Scholar
Крукс, 2005 Дж. А. Крукс Часи затримки та екзотичні види: екологія та управління біологічними інвазіями в уповільненій зйомці Ecoscience, 12 (2005), стор. 316-329, 10.2980/i1195-6860-12-3-316.1 Переглянути в Scopus Google Scholar
Dubach et al., 2023 V. Dubach, F. Dennert, S. Blaser, L. Beenken, D. Hölling, S. Stroheker, AD Kupferschmid, R. Heinzelmann, E. Britt, V. QuelozWaldschutzüberblick 2022. Birmensdorf (2023) Google Scholar
EFSA, 2011 Науковий висновок EFSAS щодо аналізу ризику зараження фітофторою раморум, підготовлений проектом FP6 RAPRAEFSA J., 9 (2011), стор. 1-108, 10.2903/j.efsa.2011.2186 Google Scholar
EFSA та ін., 2019a EFSA, Г. Шрадер, Б. Хоппе, М. Кінкар, С. Вос, Картка дослідження шкідників Anoplophora glabripennis 16(12), Допоміжні публікації EFSA (2019), стаття 1750E, 10.2903/sp.efsa.2019.EN-1750 Google Scholar
EFSA та ін., 2019b EFSA, Г. Шрадер, М. Кінкар, С. Вос, Картка дослідження шкідників Anoplophora Chinensis16, Допоміжні публікації EFSA (2019), стаття 1749E, 10.2903/sp.efsa.2019.EN-1749 Google Scholar
EFSA та ін., 2020a EFSA, М. Кінкар, С. ВосПест, картка опитування щодо fusarium circinatum17, Допоміжні публікації EFSA (2020), 10.2903/sp.efsa.2020.en-1842 EN-1842 Google Scholar
EFSA та ін., 2020b EFSA, Дж. Сханс, Г. Шрадер, А. Дельбіанко, І. Граціозі, С. Вос. Картка дослідження шкідників на Agrilus planipennis. Підтримка EFSA. Публікація, 17 (2020), 10.2903/sp.efsa.2020.en-1945 Google Scholar
EFSA та ін., 2020c EFSA, М. Шенк, А. Луманс, Л. ден Найс, Б. Хоппе, М. Кінкар, С. ВосПест, оглядова картка щодо bursaphelenchus xylophilus Підтримка EFSA. Publ., 17 (2020), 10.2903/sp.efsa.2020.en-1782 Google Scholar
EFSA та ін., 2020d EFSA, Г. Шрадер, М. Кінкар, С. Вос, Картка дослідження шкідників Agrilus Anxius17, Допоміжні публікації EFSA (2020), 10.2903/sp.efsa.2020.en-1777 Google Scholar
EFSA та ін., 2020e EFSA, А. Вільстерманн, Г. Шрейдер, М. Кінкар, С. ВосПест Картка опитування щодо Dendrolimus Sibiricus17, Допоміжні публікації EFSA (2020), 10.2903/sp.efsa.2020.en-1779 Google Scholar
Єпанчин-Нілл, 2017 Р.С. Єпанчин-Нілл Економіка політики та управління інвазивними видами Biol. Invasions, 19 (2017), стор. 3333-3354, 10.1007/s10530-017-1406-4 Переглянути у Scopus Google Scholar
Епанчин-Нілл, 2020 Р.С. Епанчин-Нілл Біоекономічне моделювання для підтримки рішень: оптимізація раннього виявлення та контролю інвазивних шкідників. Вашингтон, округ Колумбія https://www.arec.umd.edu/sites/arec.umd.edu/files/files/documents/Seminars/2020/Bioeconomic%20modeling%20for%20decision%20support_Epanchin-Niell.pdf (2020) Google Scholar
Епанчин-Нілл та ін., 2012 Р.С. Епанчин-Нілл, Р.Г. Хейт, Л. Берек, Дж.М. Кін, А.М. Лібхольд Оптимальний нагляд та знищення інвазивних видів у гетерогенних ландшафтах Ecol. Lett., 15 (2012), стор. 803-812, 10.1111/j.1461-0248.2012.01800.x Переглянути у Scopus Google Scholar
Епанчин-Нілл та ін., 2014 Р.С. Епанчин-Нілл, Е.Г. Брокергофф, Дж.М. Кін, Дж.А. Тернер Розробка економічно ефективного спостереження для раннього виявлення та контролю множинних біологічних збудників Ecol. Appl., 24 (2014), стор. 1258-1274, 10.1890/13-1331.1 Переглянути в Scopus Google Scholar
Фрір-Сміт та Веббер, 2017 П.Г. Фрір-Сміт, Дж.Ф. Веббер Шкідники та хвороби дерев: загроза біорізноманіттю та наданню екосистемних послуг Biodivers. Conserv., 26 (2017), стор. 3167-3181, 10.1007/s10531-015-1019-0 Переглянути в Scopus Google Scholar
де Грут та ін., 2023 М. де Грут, М. Дж. О. Покок, Дж. Бонте, П. Фернандес-Конраді, Е. Вальдес-Коррехер Громадянська наука та моніторинг лісових шкідників: вигідний союз? Curr. For. Rep., 9 (2023), стор. 15-32, 10.1007/s40725-022-00176-9 Переглянути в Scopus Google Scholar
Гросс та ін., 2014 А. Гросс, О. Холденрідер, М. Паутассо, В. Келоз, Т.Н. Зібер Hymenoscyphus pseudoalbidus, збудник відмирання ясена польового Mol. Plant Pathol., 15 (2014), стор. 5-21, 10.1111/mpp.12073 Переглянути в Scopus Google Scholar
Гротендік, 2022 Г. Гротендік Пакет «Sqldf» Назва Маніпулювання фреймами даних R за допомогою SQL (2022) Google Scholar
Холмс та ін., 2010 Т.П. Холмс, Е.А. Мерфі, К.П. Белл, Д.Д. Ройл. Вплив вовняного адельгіда болиголова на вартість нерухомості в житлових лісах. For. Sci., 56 (2010), стор. 529-540, 10.1016/j.ecolecon.2022.107354 Переглянути в Scopus Google Scholar
Horie et al., 2013 Т. Horie, RG Haight, FR Homans, RC Venette Оптимальні стратегії спостереження та контролю лісових патогенів: тематичне дослідження з в’яненням дуба Ecol. Econ., 86 (2013), pp. 78-85, 10.1016/j.ecolecon.2012.09.017 Переглянути PDF Переглянути статтю Переглянути в Scopus Google Scholar
Kassambara, 2016 A. KassambaraPackage ‘ggpubr’ http://www.sthda.com/english/rpkgs/ggpubr (2016) Google Scholar
Кіна та Мур, 2010 М.А. Кіна, П.М. Мур Вплив температури на личинок та лялечок Anoplophora glabripennis (Coleoptera: Cerambycidae) Environ. Entomol., 39 (2010), стор. 1323-1335, 10.1603/EN09369 Переглянути у Scopus Google Scholar
Кіна та Річардс, 2022 М.А. Кіна, Дж.Й. Річардс Вплив температури на личинок та лялечок Anoplophora chinensis (Coleoptera: Cerambycidae) Environ. Entomol., 51 (2022), стор. 153-166, 10.1093/ee/nvab132 Переглянути у Scopus Google Scholar
Kompas et al., 2023 Т. Kompas, L. Chu, S. McKirdy, M. Thomas, J. Van Der Merwe Оптимальний пост-кордонний нагляд за інвазивними шкідниками для захисту цінного природного заповідника та острівного активу Ecol. Econ., 208 (2023), стаття 107789, 10.1016/j.ecolecon.2023.107789 Переглянути PDF Переглянути статтю Переглянути в Scopus Google Scholar
Лібгольд та Кін, 2019 А.М. Лібгольд, Дж.М. КінВинищення та стримування немісцевих лісових комах: успіхи та невдачі J. Pest Sci., 92 (2019), стор. 83-91, 10.1007/s10340-018-1056-z Переглянути у Scopus Google Scholar
Мартін-Гарсія та ін., 2019 Дж. Мартін-Гарсія, Р. Зас, А. Солла, С. Вудворд, Дж. Хантула, Е. Дж. Вайніо, М. Маллетт, К. Моралес-Родрігес, А. Ванніні, П. Мартінес-Альварес, Г. Пінто, А. Алвес, Дж. Амарал, М. Дж. Вінгфілд, G. Fourie, ET Steenkamp, R. Ahumada, B. Šerá, AV Sanz-Ros, R. Raposo, M. Elvira-Recuenco, E. Iturritxa, TR Gordon, JJ Diez Екологічно чисті методи боротьби з раком соснової смоли Plant Pathol., 68 (2019), стор. 843-860, 10.1111/ppa.13009 Переглянути в Scopus Google Scholar
Мастін та ін., 2020 А. Дж. Мастін, Т. Р. Готвальд, Ф. ван ден Бош, Н. Дж. Канніфф, С. Парнелл Оптимізація ризик-орієнтованого спостереження для раннього виявлення інвазивних фітопатогенів PLoS Biol., 18 (2020), стор. 1-25, 10.1371/journal.pbio.3000863 Google Scholar
Міллер та ін., 1991 Р.О. Міллер, П.Д. Блуз, Дж.В. Гановер, Р.А. Хаак Паперова береза та європейська біла береза відрізняються за зростом та стійкістю до бронзового березового мотиля J. Am. Soc. Hortic. Sci., 116 (1991), стор. 580-584, 10.21273/jashs.116.3.580 Google Scholar
Möykkynen et al., 2015 Т. Möykkynen, P. Capretti, T. Pukkala Моделювання потенційного поширення Fusarium circinatum, збудника смоляного раку в Європі Ann. For. Sci., 72 (2015), pp. 169-181, 10.1007/s13595-014-0412-2 Переглянути в Scopus Google Scholar
Нарунг і Карнегі, 2020 Х.Ф. Нарунг, А.Дж. Карнегі Немісцеві лісові комахи та патогени в Австралії: укорінення, поширення та вплив Front. Forests Global Change, 3 (2020), стор. 1-12, 10.3389/ffgc.2020.00037 Google Scholar
Nardi et al., 2025 Д. Nardi, C. Geppert, MJ Thorn, SF Ward, RL Brown, JS Gordon, JJ RigginsАктуальні питання: як поведінка людини та характеристики дров впливають на транспортування комах, що свердлять деревинуBiol. Invasions, 27 (2025), pp. 1-13, 10.1007/s10530-024-03518-9 Google Scholar
Нгуєн та ін., 2024 Х.Т.М. Нгуєн, Л. Чу, А.М. Лібхольд, Р.С. Епанчин-Нілл, Дж.М. Кін, Т. Компас, А.П. Робінсон, Е.Г. Брокерхофф, Дж.Л. Мур Оптимальний розподіл ресурсів між загальними та видовими інструментами для спостереження за біобезпекою шкідників рослин Ecol. Appl., 34 (2024), 10.1002/eap.2955 Google Scholar
Oberpriller та ін., 2017 Q. Oberpriller, A. Vettori, G. GelpkeVolkswirtschaftliche Beurteilung (VOBU): Gesetzesanpassung zur Strategie zu invasiven gebietsfremden Arten. Цюрих (2017) Google Scholar
О’Доннелл та ін., 2024 У. О’Доннелл, К. Ф. Макгі, А. Бурк, Дж. М. Єрслі Розуміння спостережуваної історичної динаміки шкідників за допомогою підходу порятунку даних Biol. Invasions, 27 (2024), с. 36, 10.1007/s10530-024-03485-1 Google Scholar
Оке, 1982 Т.Р. ОкеЕнергетична основа міського теплового островаК. Дж. Рой. Meteorol. Soc., 108 (1982), стор. 1-24, 10.1002/qj.49710845502 Google Scholar
Паап та ін., 2017 Т. Паап, Т.І. Берджесс, М.Дж. Вінгфілд Міські дерева: плацдарми для вторгнень лісових шкідників та вартові для раннього виявлення Biol. Invasions, 19 (2017), стор. 3515-3526, 10.1007/s10530-017-1595-x Переглянути в Scopus Google Scholar
Паутассо та ін., 2013 М. Паутассо, Г. Аас, В. Келоз, О. ХолденрідерВідмирання ясена польового (fraxinus excelsior) – виклик природоохоронній біологіїBiol. Conserv., 158 (2013), стор. 37-49, 10.1016/j.biocon.2012.08.026 Переглянути PDF Переглянути статтю Переглянути в Scopus Google Scholar
Петукко та ін., 2020 К. Петукко, А. Лобіанко, С. КаурлаЕкономічна оцінка інвазивного лісового патогену у великих масштабах: випадок відмирання ясена у ФранціїEnviron. Model. Assess., 25 (2020), стор. 1-21, 10.1007/s10666-019-09661-1 Переглянути у Scopus Google Scholar
Pflanzengesundheitsverordnung, 2018 PflanzengesundheitsverordnungPGesVSchweizerische Bundesrat, Берн (2018) Google Scholar
PGesV-WBF-UVEK, 2019 PGesV-WBF-UVEKDas Eidgenössische Departement für Wirtschaft, Bildung und Forschung (WBF) und das Eidgenössische Departement für UmweltEnergie und Kommunikation (UVEK), Verkehr (2019) Google Scholar
Престемон та ін., 2008 Дж. П. Престемон, Дж. А. Тернер, Дж. Буонджорно, С. Чжу, Р. Лі Деякі наслідки інвазивного дефоліатора для ринку деревини та торгівлі: випадок азійської лімантрії у Сполучених Штатах Дж. Фор., 106 (2008), с. 409-415 Crossref View in Scopus Google Scholar
Команда розробників QGIS, 2020 Команда розробників QGISQGIS.Org [WWW документ] http://qgis.org (2020) Google Scholar
Раффа та ін., 2023 К.Ф. Раффа, Е.Г. Брокергофф, Ж.-К. Грегуар, Р.К. Хамелін, А.М. Лібхольд, А. Сантіні, Р.К. Венетт, М.Дж. Вінгфілд Підходи до прогнозування шкоди, завданої інвазивними лісовими комахами та патогенами: перехресна оцінка Bioscience, 73 (2023), стор. 85-111, 10.1093/biosci/biac108 Переглянути в Scopus Google Scholar
Рамсфілд та ін., 2016 Т.Д. Рамсфілд, Б.Дж. Бенц, М. Факколі, Х. Жактель, Е.Г. Брокергофф Здоров’я лісів у світі, що змінюється: вплив глобалізації та зміни клімату на вплив лісових комах та патогенів Лісівництво, 89 (2016), с. 245-252, 10.1093/forestry/cpw018 Переглянути в Scopus Google Scholar
Ribeiro-Correia та ін., 2024 J.P. Ribeiro-Correia, S. Prospero, L. Beenken, PHW Biedermann, S. Blaser, M. Branco, Y. Chittaro, D. Frey, D. Hölling, SO Kaya, M. Knížek, J. Mittelstrass, B. Ruffner, A. Sanchez, EG Brockerhoff. Розповсюдження інвазивного амброзієвого жука anisandrus maiche (coleoptera, scolytinae) у Швейцарії та перші записи в Європі його амброзійного гриба ambrosiella cleistominutaAlpine Entomol., 8 (2024), стор. 35-49, 10.3897/alpento.8.117537 Переглянути в Scopus Google Scholar
Rosace та ін., 2025 M.C. Rosace, A. López-Quílez, V. Rossi. Картування гарячих точок інтродукції шкідників у ЄС: регіональний аналіз екологічних, антропогенних і просторових впливів. Біол. Вторгнення (2025), стор. 1-28, 10.1007/s10530-024-03461-9 Google Scholar
Сансфорд та ін., 2009 К. Сансфорд, А. Дж. Інман, Р. Бейкер, К. Бразьє, С. Франкель, Дж. Де Грюйтер, К. Хассон, Х. Келенбек, Г. Кессел, Е. Моралехо, М. Стіхс, Дж. Веббер, С. Веррес. Аналіз ризику фітофтори раморум, нещодавно визнаної патогенної загрози для Європи та причини раптової загибелі дуба в США (акронім – RAPRA) (докторська дисертація) (2009) Google Scholar
Schwaab та ін., 2021 J. Schwaab, R. Meier, G. Mussetti, S. Seneviratne, C. Bürgi, EL Davin Роль міських дерев у зниженні температури поверхні землі в європейських містах Нац. Комун., 12 (2021), С. 1-11, 10.1038/s41467-021-26768-w Google Scholar
Зеебенс та ін., 2021 Х. Зеебенс, С. Бахер, Т. М. Блекберн, К. Капінья, В. Доусон, С. Дуллінгер, П. Дженовезі, П. Е. Халме, М. ван Клеунен, І. Кюн, Дж. М. Єшке, Б. Ленцнер, А. М. Лібхольд, З. Паттісон, Й. Пергль, П. Пишек, М. Вінтер, Ф. Ессл. Прогнозування континентального накопичення чужорідних видів до 2050 року. Global Chang. Biol., 27 (2021), стор. 970-982, 10.1111/gcb.15333 Переглянути в Scopus Google Scholar
Сілк та Райалл, 2015 П. Сілк, К. Райалл Семіохімія та хімічна екологія смарагдового попелястого мотиля agrilus planipennis (coleoptera: Buprestidae) Can. Entomol., 147 (2015), стор. 277-289, 10.4039/tce.2014.58 Переглянути в Scopus Google Scholar
Staudhammer et al., 2018 C.L. Staudhammer, FJ Escobedo, A. Blood Методи оцінки для порівняння видового різноманіття з різних джерел даних: випадок міських та приміських лісів Ecosphere, 9 (2018), 10.1002/ecs2.2450 Google Scholar
Сторер та ін., 1998 А. Дж. Сторер, Т. Р. Гордон, С. Л. Кларк. Асоціація грибка смоляного раку, Fusarium subglutinans f.sp. pini, з насінням та саджанцями сосни Монтерей у Каліфорнії. Plant Pathol., 47 (1998), стор. 649-656, 10.1046/j.1365-3059.1998.00288.x. Переглянути у Scopus Google Scholar.
Тобін та ін., 2014 П.К. Тобін, Дж.М. Кін, Д.М. Саклінг, Д.Г. Маккалоу, Д.А. Хермс, Л.Д. Стрінгер. Визначальні фактори успішних програм знищення членистоногих. Biol. Invasions, 16 (2014), стор. 401-414, 10.1007/s10530-013-0529-5 Переглянути в Scopus Google Scholar
Тернер та ін., 2020 Р.М. Тернер, М.Дж. Планк, Е.Г. Брокерхофф, С. Поусон, А. Лібхольд, А. Джеймс. Врахування невидимих прибуття в прогнозах ризику для установ на основі перехоплень біобезпеки на кордоні. Ecol. Appl., 30 (2020), 10.1002/eap.2194 Google Scholar
Venette та ін., 2010 Р.К. Venette, DJ Kriticos, RD Magarey, FH Koch, RHA Baker, SP Worner, NNG Raboteaux, DW McKenney, EJ Dobesberger, D. Yemshanov, PJD Barro, WD Hutchison, G. Fowler, TM Kalaris, J. Pedlar. (2010), стор. 349-362, 10.1525/bio.2010.60.5.5 Переглянути в Scopus Google Scholar
VpM-BAFU, 2017 VpM-BAFUDas Bundesamt für Umwelt (BAFU), Берн (2017) Google Scholar
Варзініак та ін., 2021 Т. Варзініак, Р.Г. Хейт, Д. Ємшанов, Дж.Л. Апрісніг, Т.П. Холмс, А.М. Кантрімен, Дж.Д. Ротлісбергер, К. Хаберланд Економіка інвазивних видів Т.М. Поланд, Т. Патель-Вейнанд, Д.М. Фінч, К. Форд Мініат, Д.К. Хейс, В.М. Лопес (ред.), Інвазивні види в лісах і пасовищах Сполучених Штатів, Чам, Швейцарія (2021), с. 305-317, 10.1007/978-3-030-45367-1 Переглянути в Scopus Google Scholar
Велш та ін., 2021 М. Дж. Велш, Дж. А. Тернер, Р. С. Епанчин-Нілл, Дж. Дж. Монж, Т. Соліман, А. П. Робінсон, Дж. М. Кін, К. Філліпс, Л. Д. Стрінгер, Дж. Верейссен, А. М. Лібхольд, Т. Компас, М. Ормсбі, Е. Г. Брокергофф Підходи до оцінки вигод та витрат від втручань у біозахист рослин на різних фазах інвазії Ecol. Appl., 31 (2021), стаття e02319, 10.1002/eap.2319 Переглянути в Scopus Google Scholar
Wermelinger, 2006 B. WermelingerAuf für einen bislang unbekannten schädlingGartenbau, 46 (2) (2006), стор. 4 Google Scholar
Вікхем, 2016 Х. ВікхемReadxl: Читання файлів Excel (2016) Google Scholar
Вікхем, 2022 Г. Вікхем, Пакет «stringr». (2022) Google Scholar
Вікхем і Чанг, 2016 Х. Вікхем, В. Чанг Пакет ggplot2: реалізація граматики графіки2, Створення елегантних візуалізацій даних за допомогою граматики графіки (2016), с. 1-189 Переглянути в Scopus Google Scholar
Вікхем та ін., 2019 Г. Вікхем, Р. Франсуа, Л. Генрі, К. Мюллер, Dplyr: Граматика маніпулювання даними, пакет R, Media (2019) Google Scholar
Ємшанов та ін., 2019 Д. Ємшанов, Р. Г. Хейт, Ф. Х. Кох, Р. К. Венетт, Т. Свистун, Р. Е. Фурньє, М. Маркотт, Ю. Чен, Дж. Дж. Терджен Оптимізація стратегій спостереження для раннього виявлення інвазійних чужорідних видів Ecol. Econ., 162 (2019), стор. 87-99, 10.1016/j.ecolecon.2019.04.030 Переглянути PDF Переглянути статтю Переглянути в Scopus Google Scholar
Yihui, 2023 X. YihuiPackage ‘knitr.'(2023) Google Scholar

У попередніх роботах (наприклад, Epanchin-Niell et al., 2012 , Epanchin-Niell et al., 2014 ) ми розглядали роль виявлення шкідниками громадськістю, припускаючи, що популяції шкідників будуть виявлені з певністю через фіксовану кількість років. Однак існує велика невизначеність та мінливість ймовірності виявлення громадськістю, яка залежить від розміру популяції, характеристик шкідника та навіть характеристик ділянки та людей, які живуть і працюють у цій місцевості.