In dit artikel wordt beschreven hoe Bayesian Belief Networks (BBN’s) werden gebruikt om te onderzoeken hoe een beheersinterventie meerdere aspecten van de prestatie van een visserij beïnvloedt. De ideeën werden ontwikkeld in de context van een specifieke casestudy waarin de prestaties van de visserij werden gemeten aan de hand van de certificeringsscores van de Marine Stewardship Council (MSC), en de beheersinterventie was of de visserij al dan niet onder catch share management (een vorm van op rechten gebaseerd beheer) valt. Om MSC certificering te verkrijgen, worden de prestaties van een visserij beoordeeld aan de hand van meer dan 30 indicatoren. Deze indicatoren zijn gegroepeerd in drie Principes die verschillende aspecten van duurzaamheid meten. Het effect van catch share beheer moet worden onderzocht in het licht van andere kenmerken van de visserij, zoals vistuigtype en doelsoorten, die ook van invloed kunnen zijn op de MSC scores. Statistische modellen kunnen het effect van deze kenmerken op de scores voor elke afzonderlijke indicator meten, maar zijn niet in staat om hun effect voor alle Principes tegelijk te beoordelen. In een BBN werden de resultaten van het statistische model van elke indicator samengevat en gesynthetiseerd. Met behulp van het BBN was het mogelijk om (i) de waarschijnlijkheid te vergelijken om hoog te scoren op alle drie de beginselen, of subgroepen van indicatoren, voor visserijtakken met verschillende kenmerken en vangstaandeelbeheerstrategieën, (ii) vast te stellen of een visserijtak die hoog scoort op alle drie de beginselen meer kans maakt om te worden beheerd met behulp van vangstaandelen en (iii) vast te stellen welke kenmerken en indicatoren het meest samenhangen met het behalen van hoge scores op alle drie de beginselen. Het BBN was in staat om een breed scala van vragen te beantwoorden en een mechanisme te bieden voor de integratie van een reeks statistische modellen die een complexe dataset met meerdere interessante responsvariabelen beschrijven.