Cost-Benefit Analysis of Green Space Investment in Residential Areas of Dar es Salaam City, Tanzania
Notice bibliographique
Résumé
Urban green spaces are increasingly recognized as alternative ameliorative methods to technical solutions abating cities' environmental problems like poor air quality, climate change impacts, and heat stress. However, the costs of development and maintenance of green spaces in terms of materials, labor, and time are not known. The main objective of the study was to assess the costs and benefits associated with green space investment in residential plots of Dar es Salaam City. The study employed in-depth interviews using structured questionnaires and document review. Results indicated that households incur an average cost of TZS 136,579 (USD 59) and a maximum of TZS 6,629,019 (USD 2,882) for establishing more than one home greenery type. The total net monetary benefit per household after all costs due to disservices have been accounted for was TZS 3,148,827 (USD 1,369) annually. Based on a cost-benefit analysis of home greenery, it was found that the benefit was 2.6 times as much as the investment cost thus suggesting that maintaining home greeneries is cost-effective and a worthwhile investment. The results may help in evaluating trades off between courses of action as well as a decision tool for the households when investing in green spaces. The study recommends that residents and City managers should invest in allotments, shade trees, and/or fruit trees, as they were found to have the highest benefits, monetary savings, and benefit-cost ratio. Moreover, to maximize monetary benefit from home greenery, residents should select the right type of green space followed by choosing the right plant species, identification of the right location within the residential plot for establishing green space, and adopting building designs that optimally support green space functioning.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,002 | 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 ».