Cet article décrit comment les réseaux de croyance bayésiens (BBN) ont été utilisés pour étudier comment une intervention de gestion affecte de multiples aspects de la performance d’une pêcherie. Les idées ont été développées dans le contexte d’une étude de cas spécifique dans laquelle la performance d’une pêcherie a été mesurée en utilisant les scores de certification du Marine Stewardship Council (MSC), et l’intervention de gestion était de savoir si la pêcherie est sous gestion de partage des captures (une forme de gestion basée sur les droits) ou non. La performance d’une pêcherie est évaluée en fonction de plus de 30 indicateurs pour obtenir la certification MSC. Ces indicateurs sont regroupés en trois principes qui mesurent différents aspects de la durabilité. L’effet de la gestion du partage des captures doit être étudié à la lumière d’autres caractéristiques de la pêche, telles que le type d’engin et les espèces cibles, qui peuvent également affecter les scores du MSC. Les modèles statistiques peuvent mesurer l’effet de ces caractéristiques sur les scores de chaque indicateur individuel, mais ne sont pas en mesure d’évaluer leur effet sur l’ensemble des principes en même temps. Un BBN résume et synthétise les résultats du modèle statistique de chaque indicateur. Grâce au BBN, il a été possible (i) de comparer la probabilité d’obtenir un score élevé pour les trois principes, ou des sous-ensembles d’indicateurs, pour des pêcheries ayant des caractéristiques et des stratégies de gestion de partage des captures différentes, (ii) d’identifier si une pêcherie qui obtient un score élevé pour les trois principes est plus susceptible d’être gérée en utilisant le partage des captures et (iii) d’identifier les caractéristiques et les indicateurs qui sont les plus associés à l’obtention de scores élevés pour les trois principes. Le BBN a permis de répondre à un large éventail de questions et de fournir un mécanisme d’intégration d’une suite de modèles statistiques décrivant un ensemble de données complexes avec de multiples variables de réponse d’intérêt.