Spatial and Non-Spatial Factors Influencing Willingness to Pay (WTP) for Urban Green Spaces (UGS): A Review
Notice bibliographique
Résumé
With numerous ecosystem services of urban green spaces (UGS), contributing to sustainability and a better quality of life, UGS provision is perceived as a pivotal role in urban planning. However, concern arises as to what extent local governments have effectively provided good quality and adequate quantity of UGS for the public? Provisioning those UGS aspects has been given a low priority due to insufficient resources and the limited budget allocated by local governments. As such, maintenance and management effectiveness of UGS is detrimentally affected, resulting in disused, overused spaces and thus hot spots for crimes. Therefore, public monetary contribution via taxation is suggested as an alternative to ensuring the continuity and sustainability of UGS services. This review paper is vital to identify and showcase specific factors and mediators, influencing the willingness to pay (WTP) of residents/users for UGS services. Methodologically, after conducting Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) for the purpose of article screening and selection based on the two primary databases (Google Scholar and Elsevier), this paper reviewed 18 journal articles, from the year 2013 to 2020. Along with the indirect sub-factors, namely environmental behaviour/attitude and socioeconomic profiles of users, there are three main spatial and non-spatial variables (factors) identified: (i) accessibility/proximity to the nearest UGS; (ii) quantity/adequacy of UGS; and (iii) quality of UGS within a township area, influencing satisfaction and enjoyment as well as reasons and frequency of park visiting of users (mediators), which consequently affect their WTP for UGS.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».