Municipal bylaw to reduce cosmetic/non-essential pesticide use on household lawns - a policy implementation evaluation
Notice bibliographique
Résumé
BACKGROUND: Pesticide use on urban lawns and gardens contributes to environmental contamination and human exposure. Municipal policies to restrict use and educate households on viable alternatives deserve study. We describe the development and implementation of a cosmetic/non-essential pesticide bylaw by a municipal health department in Toronto, Ontario, Canada and assess changes in resident practices associated with bylaw implementation. METHODS: Implementation indicators built on a logic model and were elaborated through key informant interviews. Bylaw impacts on awareness and practice changes were documented through telephone surveys administered seasonally pre, during and post implementation (2003-2008). Multivariable logistic regression models assessed associations of demographic variables and gardening season with respondent awareness and practices. RESULTS: Implementation indicators documented multiple municipal health department activities and public involvement in complaints from commencement of the educational phase. During the enforcement phases only 40 warning letters and 7 convictions were needed. The number of lawn care companies increased. Among survey respondents, awareness of the bylaw and the Natural Lawn campaign reached 69% and 76% respectively by 2008. Substantial decreases in the proportion of households applying pesticides (25 to 11%) or hiring lawn care companies for application (15 to 5%) occurred. Parallel absolute increases in use of natural lawn care methods occurred among households themselves (21%) and companies they contracted (7%). CONCLUSIONS: Bylaws or ordinances implemented through education and enforcement are a viable policy option for reducing urban cosmetic pesticide use.
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 ».