Adoption determinants and policy tools for residential green stormwater infrastructure: A review synthesizing differences and commonalities among lot-level practices
Notice bibliographique
Résumé
Climate change adaptation in intensifying urban environments benefit from green stormwater infrastructure (GSI) investments on private residential yards. Nevertheless, planners are challenged to devise policy tools to mesh such a decentralized GSI approach with current land-use and social systems. Prior research has addressed the multi-scalar socio-economic barriers hindering household uptake, including technical and governance considerations. However, the interconnectedness of these factors has not received much attention. Additionally, studies into GSI often analyze a specific GSI but then overgeneralize their conclusions about adoption determinants for a range of GSI practices. Our review aims to refine previously ambiguous generalizations by comparing adoption factors for three distinct GSI practices: rain gardens, rainwater harvesting, and permeable pavers. We systematically identified 1753 studies and conducted a full content analysis of 56 studies, defining 17 explanatory factors and discussing their independent influences on the three GSI practices. Our results suggest that adoption factors vary between GSI practices, highlighting the need for practice-specific policy tools. Using the Fogg Behavioral Model as a qualitative framework, we illustrate and synthesize the interplay between motivational and ability factors and propose potential targeted policy interventions for each GSI practice. Evidence from different contexts on the three practices suggests that neither stimulative policy instruments (e.g., providing cost subsidies) nor restrictive tools (e.g., enforcing minimal infiltration rates) are efficient in isolation. Our results can guide scholars, decision-makers, and professionals to craft practice-specific integrated policy packages, accounting for socioeconomic factors to achieve transformative GSI uptake.
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 | 0,012 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».