Livelihood vulnerability and human-wildlife interactions across protected areas
Notice bibliographique
Résumé
Protected Areas (PAs) are important wildlife refuges and act as climate change buffers, but they may impact human livelihoods, particularly engendering a high risk of negative human-wildlife interactions (HWI). Understanding synergies and trade-offs among the drivers of overall human vulnerability within PAs is needed to ensure good outcomes for conservation and human well-being. We examined how climate variability, HWI, and socio-demographics affect livelihood vulnerability across three PAs in Mozambique, Southeast Africa. We used structured questionnaires to obtain information on livelihood vulnerability and social-ecological context-specific variables. We applied principal component analysis to understand synergies and trade-offs between the dimensions of vulnerability and linear models to test the effect of social-ecological drivers on vulnerability. We show that households are mostly vulnerable within PAs due to exposure to climate variability and to HWI, and their low capacity to employ livelihood strategies or to have a strong social network. Furthermore, we show that vulnerability to HWI and climate variability increases with distance to strict protection areas within the PAs and distance to rivers, which implies that proximity to strict protection areas and rivers within PAs still promotes better livelihood conditions than elsewhere. On the other hand, we also found that lower access to infrastructure and other livelihood assets enhances vulnerability, which reflects a trade-off within PAs that potentially limits the benefits of socially inclusive conservation. Our results show that the impacts of PAs, HWI, and climate on community vulnerability should not be viewed in isolation, but instead, conservation and livelihood improvement strategies should reflect their interconnectedness. Although livelihood vulnerability appears to be shaped by these general effects of PAs, it is important also to consider the local PA context when addressing or mitigating livelihood vulnerability in and around them.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».