Willingness and Influencing Factors of Farmers’ Forestland Management in Ethnic Minority Areas: Evidence from Southwest China
Notice bibliographique
Résumé
This paper uses a questionnaire and interviews from households in ethnic minority areas of the Jianchuan County (Dali Bai Autonomous Prefecture) and Pingbian County (Honghe Hani and Yi Autonomous Prefecture) in Yunnan Province to explore the willingness of foresters to manage forests. Using the Sustainable Livelihoods Analysis framework, we select three indicators including the variables of individual social economic attributes, the cognition and experience of forest landowners, and policy guidance. We use a binary logistic regression model to analyze the factors affecting the willingness of foresters to participate in forest management. Through the above analysis, we found the following: (1) Forest landowners’ willingness to engage in forest management in ethnic minority regions is relatively high, at 71.98%. (2) Variables of individual social economic attributes have the most significant degree of influence on the willingness to engage in forest management. (3) Standard of living and the woodland area have a significant positive effect on forest land management intentions, while education level, whether they are compensated by public welfare forests, and whether they have participated in the project of returning farmland to forest and grassland have a significant negative effect on management intentions. (4) There are significant differences between forest landowners’ willingness to engage in forest management and the influencing factors between minority regions and non-minority regions.
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 | 0,001 |
| 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 ».