Economic indicators and their use in sustainable forest management
Notice bibliographique
Résumé
The economic sustainability literature highlights important theoretical and practical limitations when developing economic indicators to assess sustainable forest management (SFM). Since SFM is multi-disciplinary, no body of theoretical knowledge can embrace all of its dimensions. There is a significant gap between economic theory and management application which will likely remain. For the economic indicators, spatial scales have a very significant impact on the indicator chosen, and there is a danger of not selecting the best indicator simply because there is little or poor-quality data. The use of criteria and indicator frameworks and certification systems is a means to define and assess SFM. However, these frameworks and systems do not address some key conflicts in economic theory. This paper explores these conflicts and their challenges, identifies areas for improvement, and provides some guidance on the use of economic indicators in forest management. The authors conclude that: (1) stakeholder participation is imperative for sfm; (2) all stakeholders need to clearly state their choice of framework before beginning a dialogue on the implementation of economic indicators; (3) new methods for measuring economic sustainability based on the concept of total capital need to be developed; (4) spatial scale must be thoroughly discussed and incorporated into the set of indicators chosen; (5) a selection process needs to be developed to help in balancing the “best” indicators against the “practical” indicators which may not fully address the issues at hand; and (6) the collection and maintenance of appropriate datasets is a priority for the implementation of economic indicators.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,026 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,017 | 0,017 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».