Protected areas shape the distribution of tourism across rural Europe
Notice bibliographique
Résumé
Abstract Protected areas (PAs) have expanded rapidly in recent decades to help mitigate the ongoing biodiversity crisis but are under increasing human pressures that jeopardize their conservation effectiveness. Tourism in PAs may galvanize efforts towards biodiversity conservation, but it can also be a major source of threats, leading to multiple adverse social and ecological impacts. Considering the recent Kunming‐Montreal Global Biodiversity Framework, which aims to protect at least 30% of terrestrial ecosystems by 2030, understanding and assessing how and which PAs shape the spatial distribution of tourism is of great importance to biodiversity management and policy. In this study, we used a geospatial data set that describes the location and capacity of tourism accommodation in 81,185 local administrative units (LAUs) covering over 28 countries across rural Europe. After estimating the number of nights spent per LAU, we modelled the influence of PAs on the distribution of tourism throughout Europe while controlling for other social, economic and environmental covariates, but also for spatial autocorrelation. We reveal a positive link between highly protected PAs and the number of nights spent by tourists in LAUs. The attractiveness of these PAs for tourists may pose a conservation paradox, that is, highly protected PAs, which aim to safeguard nature tend to attract a disproportionate number of tourists, which may lead to nature degradation. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,000 | 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 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 ».