Dans le contexte actuel de la gestion des pêches, les modèles de simulation sont requis afin de permettre l’évaluation de scénarios de gestion. Ces modèles doivent permettre la description de processus clés du système pêche tels que : la dynamique des populations, la dynamique des flottilles, les règles de décisions des gestionnaires et les interactions de ces trois éléments. La majorité des modèles existants se sont concentrés dans la modélisation des processus biologiques, de la dynamique des populations et des interactions avec l’écosystème. Cependant, un certain nombre d’échecs en terme de gestion des pêches ont plus résulté d’une méconnaissance des comportements de pêche que d’un manque de connaissances sur la biologie des espèces. Il a par exemple été montré que dans un système exploité, le comportement spatial d’exploitation influence autant les résultats d’une politique de gestion que les facteurs biologiques et écologiques. Les objectifs de ce travail sont de décrire et modéliser les comportements de pêche afin de pouvoir les prendre en compte lors de l’évaluation de mesures de gestion. Ces comportements de pêche peuvent être décrits à plusieurs échelles. Le comportement à court terme décrit la manière dont les pêcheurs vont se comporter au sein de la marée. Le comportement à moyen terme décrit, lui, la manière dont ils allouent leurs efforts sur les différents métiers et zones de pêches et enfin, le comportement à long terme décrit la manière dont les capacités de pêche évoluent au cours des années. Ce travail de thèse se concentrera sur les processus à court et moyen terme. Nous avons ainsi tout d’abord décrit le comportement de pêche à court terme et la manière dont les pêcheurs allouent leur effort au cours de la marée. Nous proposons d’étudier les trajectoires des bateaux de pêche, décrites par le biais de données VMS, en utilisant des chaînes de Markov cachées dans un cadre bayésien afin d’identifier l’état de ces bateaux (définis par la pêche, la route ou l’arrêt -au port ou en mer-) au cours de la marée. Un modèle de choix discret de type RUM (Random Utility Model) a ensuite été développé afin de décrire et de prédire l’allocation de l’effort de pêche des chalutiers pélagique ciblant l’anchois de manière active. Ce modèle permet de prédire le choix du métier à l’échelle de la marée, en fonction de la VPUE totale réalisée la marée précédente, de la composition spécifique de la marée précédente et d’une variable représentant l’inertie des pêcheurs à changer de métier. Nous décrivons et reproduisons ainsi l’allocation de l’effort sur les différents métiers et montrons l’intérêt des RUM en prédiction en simulant l’année 2005 (année de fermeture de la pêche à l’anchois). Nous montrons qu’il est possible de reproduire la ré-allocation de l’effort sur les métiers ciblant le bar et le thon lors de la fermeture de la pêche à l’anchois. Ces développements sont ensuite intégrés dans le modèle de simulation de pêcheries ISIS-Fish qui permet la modélisation des dynamiques de population, de flottille et leur interaction. Cette intégration permet de pouvoir évaluer l’impact, de prendre ou non en compte le comportement de pêche dans l’évaluation de mesures de gestion. On montre que les hypothèses concernant la réaction des pêcheurs, tout comme la répartition spatiale des poissons ont un impact fort sur l’efficacité des mesures de gestion.

In the current context of fisheries management, simulation models are required to support the evaluation of management scenarios. These models should include the key processes of the fishery system: stock dynamics, fleet dynamics, manager decision-making, and the interactions between these three elements. Most of the existing models have concentrated on the modeling of biological processes, population dynamics, and ecosystem interactions. However, a number of fisheries management failures could have resulted from a misunderstanding of fishers behavior rather than from limited knowledge of the status of fishery resources. It has for example been showed that in an exploited system, fishers’ spatial behavior influences the predicted outcomes of management policies, just as importantly as biological and ecological factors. The objective of the work is to describe and model fishers behavior in order to be able to take it into account while evaluating management measures. Fishing behavior can be described at three different scales. Short term behavior describes how fishermen behave during a fishing trip. Mid term behavior describes how they allocate their fishing effort among available métiers and fishing areas. And long term behavior describes how fishing capacity evolutes over the years. The present PhD focused on short and mid-term behavior. We first modeled fisher’s short term behavior. Short term behavior describes how fishers are allocating their effort among the fishing trip. Effort can be divided into Steaming, fishing or stopping. We proposed a Bayesian Hidden Markov Modeling (HMM) framework to analyze VMS data and identify states (Steaming/Fishing or Stopping) from position (Longitude/Latitude) of the boats during the fishing trip. A RUM (Random Utility Model) was then developed to describe and predict effort allocation over métiers for the pelagic trawlers targeting anchovy in the Bay of Biscay. This model allows predicting métiers choice for one fishing trip depending on the total VPUE of the previous fishing trip, the percentage of the VPUE realized in the different species during the previous trip and the inertia to change from one métier to another. We then described and reproduced the effort allocation over the different métier and showed the interest of RUM for prediction. We used this model in prediction for the year 2005, during the closure of the anchovy fishery. We showed that the model was able to predict the effort re-allocation on métiers targeting Tuna and Sea Bass. This development was introduced in an operating model (ISIS-Fish) that models the stock and fleet dynamics and interactions between each others. This allowed evaluating impact of management measures on exploited biomass taking into account fishers behavior or not. More than the implemented MPA, we show that given the structure of the dynamic model developed, fisher's behavior and spatial fish distribution have a strong impact on the performances of management strategies.