Factors Affecting Forest Area Changes in Cambodia: An Econometric Approach
Notice bibliographique
Résumé
Clarifying factors affecting forest area changes is critical to implementing REDD+ scheme properly. We analyzed some socio-economic factors and clarified their relationships with deforestation in Cambodia for the period of 2002 to 2010. A panel data analysis was conducted for 18 provinces, while six other provinces were deleted from the list because only a small amount of their land was forested. Time effects, cross-sectional dependence, serial correlation in idiosyncratic errors, and heteroskedasticity were tested, and robust variance matrix estimations were obtained to solve the problems of heteroskedasticity and serial correlation. The model estimation results showed that population, gross agricultural production and large-scale plantation development have negative impacts on forest area changes. On the other hand, the impacts of rice cultivation, gross industrial production, household income and house floor area by household were found not to be significant. Overall, however, the results indicated that forests in Cambodia still face pressure from the increases in population, agriculture production, and the enlargement of land development. As the increase in productivity of agriculture gives a better use of current agricultural land and lessens the pressure on forest, intensifying agriculture is important. It is also important to develop industry and other economic ventures to grow national economy while not imposing pressure on forest. This research reminds decision makers to use discretion when developing large-scale plantations.
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 | 0,001 |
| 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 ».