Reforestation, livelihoods and income equality: Lessons learned from China's Conversion of Cropland to Forest Program
Notice bibliographique
Résumé
Abstract Despite global momentum in restoration activities, their socio‐economic implications are little studied. Thus far, the limited evidence available tends to overlook equity and equality outcomes. In this work, we aimed at investigating fairness within the Chinese Conversion of Cropland to Forest Program (CCFP), given the relevance of local people's support for the long‐term success of land restoration and for the inherent belief that equity should be pursued also by environmental policies. Additionally, we propose a methodology to investigate equity and equality, from a quantitative perspective. Our results suggested a shift in the overall households' economic structure, with the main changes being a decrease in farming activities (−44 pp) and a sharp increase in out‐migration (+44 pp), with the most significant variation within the lowest income groups (−57 pp and + 75 pp, respectively). We also observed that both equality (the Gini coefficient decreased by 23%) and equity (higher income increase for low‐income groups) improved, and the best enhancement happened in the regions where the CCFP has been implemented for a longer time. Moreover, data showed that the main driver of inequality was households' income deriving from remittances, both before and after the Program implementation (with concentration coefficient equal to 1.1 and 1.0, respectively) but its effect decreased over time suggesting an increase in out‐migration opportunities for lower‐income households. Finally, we found that the level of participation in the Program holds a quite strong explanatory power for both on‐farm and off‐farm income (explaining 19% and 18% of their respective variability).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».