Factors influencing patterns in distribution, abundance and diversity of sedimentary macrofauna in deep, muddy sediments of Placentia Bay, Newfoundland and the adjacent shelf
Notice bibliographique
Résumé
The goal of this article is to understand strategies by which both the environmental and poverty alleviation objectives of PES programs can be achieved cost effectively. To meet this goal, we first create a conceptual framework to understand the implications of alternative targeting when policy makers have both environmental and poverty alleviation goals. We then use the Grain for Green program in China, the largest PES program in the developing world, as a case study. We also use a data set from a survey that we designed and implemented to evaluate the program. Using the data set we first evaluate what factors determined selection of program areas for the Grain for Green program. We then demonstrate the heterogeneity of parcels and households and examine the correlations across households and their parcels in terms of their potential environmental benefits, opportunity costs of participating, and the asset levels of households as an indicator of poverty. Finally, we compare five alternative targeting criteria and simulate their performance in terms of cost effectiveness in meeting both the environmental and poverty alleviation goals when given a fixed budget. Based on our simulations, we find that there is a substantial gain in the cost effectiveness of the program by targeting parcels based on the "gold standard," i.e., targeting parcels with low opportunity cost and high environmental benefit managed by poorer households.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».