Financial compensation and uncertainty: using mean-variance rule and stochastic dominance to derive conservation payments for secondary forests
Notice bibliographique
Résumé
The expected opportunity costs of conserving a specific land use are usually considered adequate as financial compensation. However, a “conservation premium” is sometimes proposed as an added incentive, i.e., compensation greater than the expected opportunity costs. This paper discusses various methodological opportunities for deriving effective compensation under uncertainty. Based on cumulative distribution functions of possible opportunity costs (a Douglas-fir ( Pseudotsuga menziesii (Mirb.) Franco) plantation was considered the alternative to conserving a Chilean secondary forest), generated through Monte Carlo simulations, we derived an inclusive range of possible compensations from 77 up to 375 US$·ha –1 ·year –1 . If we assumed that the two land-use alternatives were mutually exclusive and independent from other risky investments, a compensation of 375 US$·ha –1 ·year –1 was necessary to convince every decision maker to maintain the secondary forest. However, only 77 US$·ha –1 ·year –1 was enough for a risk-averse decision maker (given average opportunity costs of 113 US$·ha –1 ·year –1 ). Yet, it turned out that the greatest possible opportunity costs would already be compensated for with 199 US$·ha –1 ·year –1 , given an error probability of 0.05. Compensating for the last 5% of possible opportunity costs would thus require an additional 176 US$·ha –1 ·year –1 . Our approach had two main limitations, namely we did not consider portfolio effects, which would allow diversifying away unsystematic risks, and we did not take into account the different systematic risks of the compared alternatives. These limitations may have led to an overestimation of effective compensation.
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 | 0,001 | 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 | 0,001 | 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) | 0,000 | 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 ».