What Drives and Stops Deforestation, Reforestation, and Forest Degradation? An Updated Meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle