Evaluation of the Sustainable Forest Management Performance in Forestry Enterprises Based on a Hybrid Multi-Criteria Decision-Making Model: A Case Study in China
Notice bibliographique
Résumé
Sustainable Forest Management (SFM) can fully use forest resources and improve the economic, environmental, and social sustainability of forest areas. Forestry enterprises play a crucial role in the implementation of SFM. However, the previous literature on SFM pays little attention to the subject of forestry enterprises. This paper aims to extend research on SFM from a macro perspective to the micro level of forestry enterprises. Taking the Triple Bottom Line (TBL) as a theoretical framework and the Montreal Process Criteria and Indicators (MP C&Is) as a basis, this paper constructs an indicator system to evaluate the performance of SFM of forestry enterprises from economic, social, and environmental aspects. Then, we apply the hybrid Multi-Criteria Decision-Making (MCDM) methods, i.e., the Best–Worst Method (BWM) and the VlseKriterijumska Optimizacija I Kompromisno Resenje (VIKOR) method, to construct the methodological system for SFM performance evaluation of forestry enterprises. Through a questionnaire survey of 68 academics and researchers, we determine the weights of the SFM indicators and select a representative forestry enterprise as a case study. The effectiveness of this SFM performance evaluation model is then demonstrated through its application to the case study of forestry enterprises in China. Through the application of the model, this paper evaluates the enterprise’s SFM performance over the five-year period 2017–2021 and proposes appropriate policy recommendations and improvements. It is found that environmental factors are the primary factors of SFM in forestry enterprises. Forestry enterprises should not only pay attention to economic benefits but also to the use of forest resources and the protection of forest ecosystems to better achieve SFM.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».