National agroforestry program in Mexico faces trade-offs between reducing poverty, protecting biodiversity and targeting forest loss
Notice bibliographique
Résumé
Abstract National reforestation initiatives with ambitious targets and multiple objectives are becoming the norm across the Global South. The extent to which these large-scale initiatives are actually achieving their multiple and potentially conflicting objectives, however, is largely unknown. Sembrando Vida , a national initiative in Mexico implemented in 2019, pays smallholder farmers to plant agroforests in order to reduce poverty and forest loss, and protect biodiversity. We assessed to what degree program recruitment met its stated objectives via its selection of participating municipalities and households. Because program data are not publicly available, we consolidated and harmonized >14 million policy payments (totaling ∼$4 billion USD) to smallholder farmers, thus creating the first spatiotemporal dataset of program outcomes. We found that ∼450k rural households in ∼1000 municipalities across the country participated in the program consistently from 2019 to 2022. The program was reasonably well targeted to achieve its poverty reduction objectives. Significantly more households (ANOVA, p < 0.001) were enrolled in high-poverty (10.4%) than low-poverty (4.9%) municipalities, despite more money being transferred in absolute terms to low-poverty municipalities. The program did not reach some regions that best fit its three goals. Using a zero-inflated negative binomial model, we showed that the distribution of participating households was more likely to address poverty (coefficient = 0.51, p < 0.001 at household level) and forest cover loss (0.1, p = 0.01) than to restore areas important for biodiversity (−0.08, p = 0.02). Finally, we conducted a spatial analysis showing that there is technically sufficient rural land (4.29 Mha) and households (491k) to maximize the potential of all policy objectives simultaneously, but this would require that the program operate in only 83 municipalities across 10 states. Our results highlight the challenges in reaching high poverty regions while meeting multiple other objectives when scaling up forest landscape restoration.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».