Criteria for effective zero-deforestation commitments
Notice bibliographique
Résumé
Zero-deforestation commitments are a type of voluntary sustainability initiative that companies adopt to signal their intention to reduce or eliminate deforestation associated with commodities that they produce, trade, and/or sell. Because each company defines its own zero-deforestation commitment goals and implementation mechanisms, commitment content varies widely. This creates challenges for the assessment of commitment implementation or effectiveness. Here, we develop criteria to assess the potential effectiveness of zero-deforestation commitments at reducing deforestation within a company supply chain, regionally, and globally. We apply these criteria to evaluate 52 zero-deforestation commitments made by companies identified by Forest 500 as having high deforestation risk. While our assessment indicates that existing commitments converge with several criteria for effectiveness, they fall short in a few key ways. First, they cover just a small share of the global market for deforestation-risk commodities, which means that their global impact is likely to be small. Second, biome-wide implementation is only achieved in the Brazilian Amazon. Outside this region, implementation occurs mainly through certification programs, which are not adopted by all producers and lack third-party near-real time deforestation monitoring. Additionally, around half of all commitments include zero-net deforestation targets and future implementation deadlines, both of which are design elements that may reduce effectiveness. Zero-net targets allow promises of future reforestation to compensate for current forest loss, while future implementation deadlines allow for preemptive clearing. To increase the likelihood that commitments will lead to reduced deforestation across all scales, more companies should adopt zero-gross deforestation targets with immediate implementation deadlines and clear sanction-based implementation mechanisms in biomes with high risk of forest to commodity conversion.
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 | 0,042 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».