Advancing ecosystem services auctions: Insights from an international Delphi panel
Notice bibliographique
Résumé
Auction theory has made major contributions to overcoming allocation problems involving asymmetric information and common-pool resources, leading to multiple Nobel Prizes and serving as a foundation for multi-billion-dollar markets. Despite evidence that related mechanisms could enhance the performance of payments for ecosystem services (PES), adoption has been sporadic and inconsistent. One possibility is that the relevant peer reviewed literature has low visibility or consensus design elements are not sufficiently accessible to interested experts. To overcome this barrier, we adopt a straightforward approach: we asked the PES auction subfield to describe itself. In collaboration with an expert panel (n = 32) whose affiliations span more than two dozen universities and research bodies across three continents—including top-ranked economists, ecosystem services theorists, and practitioners with experience designing and implementing PES programs with and without auctions—we synthesize a birds-eye view of ecosystem services auctions for an interdisciplinary audience. Through an iterative, mixed-method Delphi consultation, we identify broad consensus about fundamental elements of theory and practice, including what functions auctions tend to perform well, common challenges, and key factors influencing their performance. By selecting topics that panelists appeared to disagree about for further discussion, we also highlight open questions and potential research frontiers. We conclude with a reflection on using the Delphi method to foster exchange between time-constrained experts.
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 | 0,230 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,010 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».