Unravelling cross-scale and cross-level challenges in Ethiopian forest and landscape restoration governance
Notice bibliographique
Résumé
Ethiopia’s federal government has committed to one of the most ambitious forest and landscape restoration targets as part of the Bonn Challenge. To achieve the targets, actors at multiple governance levels aim to influence relevant ecological processes, drawing particular attention to the governance processes that are used to translate national restoration targets into local action. We take a multilevel governance approach and focus on the cross-scale and cross-level challenges that arise in Ethiopia’s forest and landscape restoration (FLR) governance context. To this end, we analyze public and non-state actor-led efforts related to participatory forest management and area enclosure in the Kafa Biosphere and Mount Guna landscapes. From 56 semi-structured interviews, 14 focus group discussions, and a policy and project document review, we identified five cross-scale and cross-level challenges: (1) short-term tree planting campaigns and quota mismatch with restoration timelines; (2) planning horizons of restoration-related international development projects mismatch with restoration timelines; (3) federal and international budget allocation for alternative livelihoods mismatches with sustained local restoration processes; (4) federal forest and land policies mismatch with the secure land tenure conditions needed to sustain local restoration efforts; and (5) misalignment of the forest and landscape restoration portfolio exists in the cascading government structure. The need to achieve and sustain national FLR targets requires increased focus on how existing and future restoration-related governance arrangements create fit with the temporal and spatial dimensions of forest and landscape restoration processes, and on how governance arrangements create alignment between governance levels.
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 | 0,015 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».