ANALYSIS OF FOREST CONSERVATION PERFORMANCE OF MAJOR FORESTED COUNTRIES: AN APPLICATION USING TOPSIS AND WASPAS
Notice bibliographique
Résumé
Countries hosting extensive forest areas, particularly those encompassing a significant proportion of the world’s forests, play a critical role in global biodiversity, environmental stability, and economic systems. Within this framework, the forest conservation performance of nine nations—Russia, Brazil, Canada, the USA, China, the Democratic Republic of Congo (DRC), Indonesia, India, and Peru—representing 65% of global forest cover, was evaluated using the 2024 Forest Environmental Performance Index (EPI-F) criteria through the WASPAS (Weighted Aggregated Sum Product Assessment) and TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) methodologies. Results indicated that rankings derived from WASPAS and TOPSIS diverged only for China and India. Furthermore, average forest conservation performance scores were computed using both approaches. According to WASPAS, India, China, and Peru exceeded the average, whereas TOPSIS identified India, China, Peru, and Indonesia as above-average performers. Consequently, a joint evaluation of both methods suggests that Russia, Brazil, Canada, the USA, the DRC, and Indonesia, whose forest conservation performances fall below the average, should reinforce their conservation policies to more effectively support global environmental integrity, biodiversity preservation, and economic sustainability. Moreover, sensitivity and comparative analyses confirmed the suitability of WASPAS and TOPSIS within the EPI-F framework for assessing these countries’ forest conservation performance. Regarding limitations, the study exclusively employed data from 2024. Future research may benefit from longitudinal analyses spanning multiple years and incorporating additional multi-criteria decision-making (MCDM) techniques to broaden the methodological comparison.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,011 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».