What Drives and Stops Deforestation, Reforestation, and Forest Degradation? An Updated Meta-analysis
Notice bibliographique
Résumé
This article updates our previous comprehensive meta-analysis of what drives and stops deforestation (Busch and Ferretti-Gallon 2017). By including six additional years of research, this article more than doubles the evidence base to 320 spatially explicit econometric studies published in peer-reviewed academic journals from 1996 to 2019. We find that deforestation is consistently associated with greater accessibility (as influenced by natural features such as slope and elevation and built infrastructure such as roads, cities, and cleared areas) and with higher economic returns (from agriculture, livestock, and timber). Some demographic variables are consistently associated with less deforestation (e.g., Indigenous people, poverty, and age) or more deforestation (e.g., population), and others are not associated with the level of deforestation (e.g., education and gender). Policies that directly influence allowable land-use activities are associated with less deforestation (e.g., protected areas, enforcement of forest laws, payments for ecosystem services, community forest management, and certification of sustainable commodities). But policies and institutions that primarily seek other ends are not consistently associated with more or less deforestation (e.g., democracy, general governance, conflict abatement, and land-tenure security). We introduce reforestation and forest degradation as new dependent variables alongside deforestation. Greater population is consistently associated with more forest degradation, whereas steeper slope, greater distance from cities, and lower population are consistently associated with more reforestation.
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 | 0,031 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,042 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».