Why Do Households Depend on the Forest for Income? Analysis of Factors Influencing Households’ Decision-Making Behaviors
Notice bibliographique
Résumé
Using survey information of 150 randomly selected households across 21 villages of the forest-rich district of Swat, Pakistan, this study assessed households’ decision-making behaviors in depending on income from nearby forested land using socio-economic attributes. The evidence from the study may aid in making the existing policies be better targeted toward families that depend on the forest for income. Descriptive statistics and econometric techniques such as logit and tobit were used to analyze the data. Respondent households obtained the highest share of their income from off-farm activities (37%) and least from forest activities (16%). Fuelwood constitutes the biggest share (66%) of forest income, followed by medical plants (20%) and fodder (13%). We found that households with more physical assets, more family members working in off-farm jobs, and households earning more income from off-farm jobs were significantly and negatively associated with households’ decision to depend on forest income and total income obtained. We also found that households with less distance to the market and membership to joint forest management committees (JFMCs) were significantly and negatively associated with households’ total income obtained. However, household size was significantly and positively related to households’ decision of forest dependency. The study recommends the creation of off-farm opportunities and inclusion of local people in the management of forests through establishment of JFMCs, particularly for large and poor families.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».