Economía Ecológica 148 (2018) 66-76

listas de contenidos ofrecidos en ScienceDirect

Economía ecológica

revista Página de inicio: www.elsevier.com/locate/ecolecon

Análisis

La pérdida de bosques y la desigualdad económica en las Islas Salomón: El uso de SmallArea Estimación de
Enlace Cambio Ambiental para el bienestar de los Resultados

John Gibson
Departamento de Economía, Universidad de Waikato, Nueva Zelanda

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

JEL Clasi fi catión: Para estudiar el bienestar de correo ff ECTS de los cambios ambientales, las encuestas de hogares pueden estar vinculados a los datos de teledetección. El uso de
O15 agregación espacial de enlace corre el riesgo de falacia ecológica, ya que las encuestas lo general son representativos para áreas más grandes que la escala espacial de
Q23 las unidades de toma de decisiones. En este trabajo se utiliza la imputación-encuesta-censo para estimar los indicadores de bienestar para las pequeñas áreas para

palabras clave: estudiar el correo ff ect de la deforestación sobre la desigualdad posterior en las Islas Salomón rurales. Este país depende de la tala de casi la mitad de las divisas y una
La deforestación La sexta parte de los ingresos del gobierno, y la mayoría de los restos de tierras forestales bajo propiedad habitual. Un fuerte aumento de las exportaciones de madera, a siete
desigualdad de la veces el rendimiento sostenible, y un importante cambio en los destinos de exportación como en otros países se retiraron del comercio de trozas tropicales representa un
pobreza
shock exógeno que ayuda a identificar e ff ECTS de la deforestación sobre la desigualdad en lugar de la relación inversa. Un aumento de una desviación estándar en la tasa
Estimación de áreas pequeñas
de pérdida de bosques durante 2000-2012 eleva el índice de Gini de desigualdad en el año 2013 por un tercio de una desviación estándar. los ingresos medios y las tasas

de pobreza son también más altos, lo que implica que la deforestación hace que algunos hogares más ricos, mientras que otros se vuelven más pobres. Estos estimada

con precisión e ff ECTS serían oscurecidos utilizando datos más agregados espacialmente.

1. Introducción
Las causas de la deforestación humanos son ampliamente estudiadas pero las consecuencias para los
seres humanos y no menos. 1 En cambio, las causas humanas y las consecuencias ambientales son los dos
temas más ampliamente investigados. Una razón de esta asimetría puede ser que la deforestación puede
una ff ect personas en di ff Erent tiempos y lugares desde donde se produce, dado el papel de los bosques en
el ciclo global del carbono. A esta escala temporal y espacial, la vinculación de los cambios ambientales a un
indicador del bienestar humano estrecha para una de fi grupo puede ser definido di FFI culto. Sin embargo,
ausentes tales pruebas, los reguladores pueden ver beneficios económicos inmediatos fi ts, como los ingresos
de exportación y regalías de la explotación forestal, pero no tienen suficiente información sobre los costos de
bienestar inmediatas para equilibrarlos, especialmente si los costos para el medio ambiente se minimizaron
como algo para los futuros responsables de las políticas de tratar.
los derechos de propiedad claramente definidos no se pueden con Florida icto sobre quién obtiene qué.
La mayor evidencia de cómo la explotación de recursos de una ff ECTS con Florida Las TIC son de
estudios de varios países, pero dentro de los países también cada vez más pruebas para este canal ( Aragón
et al., 2015 ). Por otra parte, mientras que la pobreza se piensa a veces para conducir la tala de
bosques, un análisis a nivel de hogar por 24 países en desarrollo muestra que es más rico y más
hogares orientadas al mercado que son más propensos a bosque claro ( Babigumira et al., 2014 ). Los
mismos datos muestran que los recursos forestales tienen menos de un bu ff Ering, el papel de red de
seguridad, que se suele suponer ( Wunder et al., 2014A, 2014b ), Lo que socava las nociones de
pobreza estacional o de corto plazo que contribuyen a la deforestación. En cambio, parece que los
hogares más ricos son más propensos a participar en, y bene fi t de, claro del bosque, que tenderá a
aumentar la desigualdad.

En este trabajo se da evidencia en un costo de bienestar particular de la pérdida de bosques, que se
asocia con una mayor desigualdad económica local. este correo ff ect tiene al menos dos vías. En primer lugar,
las ganancias inesperadas de la explotación de recursos naturales pueden exacerbar la búsqueda de rentas
con Florida TIC, creando ganadores y perdedores. Esto puede ser especialmente con la propiedad tradicional;
sin
La segunda vía es que los pobres dependen más de los bosques para alimentos, forraje y
combustible que hacer lo que no son pobres, y así los bosques (y otras fuentes de ingresos del medio
ambiente) deben tener una igualación de correo ff reflexionar sobre la distribución del ingreso local ( Vedeld
et al., 2007 ; López-Feldman, 2014 ). Por ejemplo, un estudio exhaustivo de los medios de vida rurales que
dio cada uno de ca. 8000 hogares en 24 países en desarrollo de cuatro de recuerdo trimestral

Dirección de correo electrónico: jkgibson@waikato.ac.nz .

1 Un pequeño literatura considera e ff ECTS de la deforestación en la salud humana. Hay evidencia de que la pérdida de bosques aumenta la incidencia local de la malaria en Indonesia ( Garg, 2016 ) y en

Nigeria ( Berazneva y Byker, 2017 ).

https://doi.org/10.1016/j.ecolecon.2018.02.012
Recibido el 20 de de junio de 2017. Recibido en forma 17 de enero 2018 revisado; Aceptado el 19 de de febrero de 2018

0921-8009 / © 2018 Elsevier Todos los derechos reservados.

J. Gibson
encuestas de diversas fuentes de ingresos encontraron más de uno fi quinto del total de ingresos provenía de los
bosques naturales, con una proporción de 2: 1 de fi ber a la alimentación ( Angelsen et al., 2014 ). La naturaleza
favorable a los pobres de este ingreso medio ambiente se muestra por el coe Gini FFI ciente siendo casi fi cinco
puntos más alto cuando se tiene en cuenta los ingresos del medio ambiente. 2 Por lo tanto, si se interrumpen los
medios de vida basados ​en los bosques, tenderá a exacerbar la desigualdad local.
Mientras que las vías de la pérdida de bosques a la desigualdad son intuitivamente plausibles, que ha
sido de estudio, tal vez debido al problema bien conocido de vincular a las personas píxeles ( Geoghegan y
col., 1998 ). Los datos sobre la desigualdad y el bienestar son en su mayoría de las encuestas de hogares,
mientras que el cambio ambiental se mide típicamente por teledetección. Si estos dos tipos de datos se
comparan mediante el uso de agregación espacial existe el riesgo de una falacia ecológica; la mayoría de
las encuestas son sólo representativos para grandes áreas, como una provincia, que no coincide con la
toma de decisiones unidad propietarias de la tierra sobre los bosques. Por otra parte, la agregación a un
área más grande para conseguir suficientes observaciones para el cálculo de las estadísticas de
desigualdad corre el riesgo de suavizado de una gran cantidad de variabilidad espacial dentro de la unidad
y puede introducir autocorrelación espacial ( Anselin de 2001 ). 3 La otra alternativa, de confiar únicamente
en las encuestas, también es probable que tenga éxito porque la mayoría de las encuestas de hogares de
población representativa hacen un mal trabajo de medición del ingreso medio ambiente ( Wunder et al.,
2014A, 2014b ) Y son incluso menos adecuados para la medición de los cambios ambientales.
Una técnica que ha demostrado ser útil en la economía del desarrollo, pero rara vez se aplican
en la economía ambiental, es de áreas pequeñas con la estimación de imputación-encuesta-censo. 4 Los
datos de encuestas se utilizan para estimar un modelo de consumo, con variables explicativas
restringidos a aquellos con distribuciones se solapan disponible de un censo reciente. Coe ffi-
coeficientes de este modelo se combinan con las variables del censo, para predecir el consumo de cada
hogar censal. Los modelos están diseñados para reducir los términos de ubicación comunes en los
residuos de modo que las predicciones son más precisas y simulaciones dibujan a partir de
componentes idiosincrásicos y correlacionados de los errores ( Elbers et al., 2003 ). Las simulaciones
repetidas se utilizan para calcular los indicadores de bienestar con un alto grado de precisión para áreas
pequeñas. La mayoría de las aplicaciones del método de enfoque en la pobreza, sino que también
puede medir la desigualdad para áreas más pequeñas de lo que es posible con una encuesta. Por
ejemplo, Demombynes y Özler (2005) estadísticas de desigualdad creadas para estaciones de policía en
Sudáfrica ( n = 1064) para que coincida con los datos disponibles índice de criminalidad en el mismo nivel
desagregado espacialmente.
En este trabajo se estudia el correo ff ect de la pérdida de bosques 2000-2012 en el nivel
posterior de la desigualdad económica, a nivel de barrio para las Islas Salomón rurales. Wards son la
unidad sub-nacional por debajo de las provincias, y la sala de las zonas rurales mediana tiene sólo
360 hogares, que es mucho más pequeño que los campos de la encuesta típicos para las cuales se
elabora la desigualdad. Las estimaciones de desigualdad producidos por la imputación-encuesta-a
censo permiten una igualación de área a área de datos de sensores y de bienestar remotos que es
particularmente adecuado cuando las decisiones de gestión de recursos se realizan por entidades
colectivas, como tribus. En las Islas Salomón, 90% de la tierra de bosque está bajo la propiedad
tradicional (tribal). Terratenientes obtener regalías de las empresas madereras (equivalente a
aproximadamente el 15% de los precios de los troncos libres de a bordo) y también pueden ser
compensados ​si las carreteras tienen que ser construido en su tierra con el fin de bosque se
encuentra el acceso.
2 En situaciones particulares donde el ingreso medio ambiente también incluye los recursos hídricos de acceso abierto, como
Camboya, se ha encontrado que el ingreso medio ambiente reduce el coeficiente de Gini por hasta siete puntos; 0,53-0,46 ( Nguyen
et al., 2015 ). Dado que gran parte de la tala en las Islas Salomón es basada en el mar, la alteración del medio ambiente no es sólo
para los ecosistemas con base en tierra, con el daño a los arrecifes y los recursos de la laguna y de bajura fi También es importante
la pesca.
3 Si los pixels son pequeñas, y si se hace referencia a-geo hogares encuestados (o grupos de ellos, tales como un punto en
particular en una zona de empadronamiento), entonces bu ff res se pueden crear alrededor de cada familia o grupo y la medición de
cambios en los bosques hecho para todos los píxeles dentro de la bu ff er (por ejemplo, esto es utilizado por Berazneva y Byker, 2017 ).
Sin embargo, el tamaño de la bu ff er es a menudo ad hoc y puede que no coincida con la escala de unidades de toma de decisiones.
4 Sims (2010) estudia el correo ff ect de las áreas protegidas en Tailandia el local de la pobreza, con el método de estimación de
áreas pequeñas se utiliza aquí.
67
Economía Ecológica 148 (2018) 66-76
concesión maderera.
A pesar de que las salas son unidades políticas y estadísticos, que coincide bien con los patrones
de control de la tribu de la tierra. Se trata de los propietarios tradicionales (o algún subconjunto de
ellos) que otorgan concesiones madereras por lo que el patrón de la deforestación también tiende a
tener patrones espaciales que varían según la sala. Por lo general, las fronteras tribales se extienden
hacia el interior desde la costa a la espina dorsal montañosa de cada una de las islas principales. La
falta de caminos existentes, y el fácil acceso desde el mar también significan que la tala sigue un
patrón espacial similar. De hecho, los bosques en las Islas Salomón son muy accesibles, en
comparación con otras islas boscosas de Asia y el Pacífico fi c, porque las islas están cerca uno del
otro por lo que una empresa maderera extranjera puede pasar rápidamente de un sitio a otro, y puede
dar servicio a varios sitios con las mismas naves nodrizas ( Katovai et al., 2015 ). La accesibilidad de
los bosques y el alcance limitado de otras actividades económicas hacen que las Islas Salomón
depende de la tala altamente. Casi el 50% de las divisas y el 17% de los ingresos del gobierno
provienen de la tala ( URS, 2014 ). Hay pocas posibilidades de que el registro de ser reemplazado con
las plantaciones forestales; plantaciones son sólo el 1% de la superficie de bosques indígenas ( Pauku
de 2009 ). Del mismo modo, las exportaciones de madera aserrada - a menudo de las compañías
locales en lugar de las multinacionales - son sólo el 5% del valor de las exportaciones de trozas ( URS,
2014 ). Por lo tanto, los reguladores pueden ver bene económica actual fi ts de la tala, mientras que los
costos ambientales se descuentan como caer más en las generaciones futuras. Esto puede ser
especialmente cierto en las Islas Salomón, que sigue siendo muy boscosa a pesar de que el valor de
los recursos forestales se está agotando rápidamente. En un entorno tan, una evaluación más
completa puede ser posible si algunos de los costos de bienestar actuales de tala - que puede incluir
una mayor desigualdad - se destacan.
Mientras que el correo ff ect de pérdida de bosque en la desigualdad es en gran parte sin
estudiar, hay literatura sobre la relación inversa, de la desigualdad causando la degradación
ambiental. 5 Por ejemplo, Boyce (1994) las afirmaciones de que las desigualdades de poder y riqueza
conducen a la degradación del medio ambiente, ya que más del grado en que se lleva a cabo una
actividad degradante del medio ambiente depende de la relación de fuerzas entre los que bene fi T de
la actividad y los que llevan el costo de la degradación. Torras y Boyce (1998) encontrado evidencia
corroborando en datos de distintos países, con mayor desigualdad de ingresos asociada a una mayor
contaminación. Un estudio relacionado, por Koop y Tole (2001) encontrado que los países con altos
niveles de desigualdad en el ingreso o propiedad de la tierra sierra desarrollo económico asociado a
una mayor deforestación, mientras que en los países más igualitarios había menos la deforestación
ya que el país se enriqueció.
Mientras que los estudios de esquí de fondo predominan en la literatura sobre el correo ff ECTS de
desigualdad en el daño ambiental, 6 si la misma relación iban a celebrar en el nivel micro que puede
hacer que sea difícil de desenredar correo ff ECTS de la deforestación en la desigualdad de la relación
inversa. Una característica favorable para una interpretación causal de cómo la deforestación
2000-2012 desigualdad impactado en el año 2013 es el cambio dramático en el volumen y pro fi l de las
exportaciones de madera de las Islas Salomón. Desde 2001, los volúmenes de exportación crecieron a
una tasa anual de 11,4% (SE 1,2%), sin signi fi no puede tendencia en el tiempo inmediatamente
anterior a continuación. El motor de este crecimiento ha sido la exportación a China, que tienen una
tasa de crecimiento anual de 23,3% (SE 4.2%). China ha pasado de ser el destino de sólo el 13% de
las Islas Salomón ingrese exportaciones en 2001 a tomar ahora el 95% de estas exportaciones. Al
mismo tiempo, las Islas Salomón han convertido en la segunda fuente de importaciones de trozas
tropicales para China. Estos cambios en los destinos de exportación de los registros de las Islas
Salomón y las fuentes de importación de China están probablemente impulsados ​por otros países que
se retiran del comercio de trozas de madera tropical, por lo que este representa un cambio exógeno
5 Estos son sólo un pequeño componente de la literatura más amplia que considere cómo la degradación del medio
ambiente varía con el desarrollo económico. Por ejemplo, sólo 2,7% de regresiones utiliza para estudiar la curva de
Kuznets ambiental para la deforestación incluye una variable de desigualdad, en el meta-análisis de Choumert et al.
(2013) .
6 Cushing et al. (2015) revisar casi 100 estudios y fi nd los solamente dentro de los países son de los Estados
Unidos.
J. Gibson
para las Islas Salomón.
El resto del documento está estructurado de la siguiente manera: Sección 2 describe el entorno, Seccion
3 cubiertas de cómo se derivan las principales medidas de la deforestación y la desigualdad, Sección 4
informa de los resultados, y
sección 5 concluye.
2. Antecedentes y Contexto
Las Islas Salomón son un grupo de islas oceánicas tropicales, al noreste de Australia. Hay
aproximadamente 1.000 islas en el país, aunque muchos de ellos son muy pequeñas. La superficie
total es de aproximadamente dos tercios más grande que Hawai y las islas más grandes individuales
son aproximadamente del tamaño de Delaware, en los Estados Unidos. Las islas más grandes están
cortadas por valles profundos y estrechos, y obtener elevaciones punto más alto de entre 1.000 y
2.000 m. Normalmente, la cadena montañosa de cada una de las islas principales actúa como un
límite a las tierras tribales, que se extienden hacia el interior desde la costa. Los límites para las salas
también tienden a seguir una topografía similar. Las islas están cubiertas por selva tropical, a menudo
clasificación fi ed como bosques colina que se producen en altitudes de 400 a 600m, con distintas
alturas de los árboles y la densidad del dosel ( Pauku de 2009 ). la tala comercial a gran escala en las
Islas Salomón comenzó hace más de 50 años, en la pequeña cantidad de tierra del gobierno
alienado. Sin embargo, a partir de la década de 1980, el registro de las compañías multinacionales se
desplazó a tierras tradicionales, que es fi de toda la tierra y 90% de las zonas boscosas sextos cinco ( Gosi controla, intensidades de cosecha pueden ser tres veces mayor de lo que debería ser, en alrededor
de 2010 ). los Los recursos forestales y la Ley de Utilización de la Madera regula el proceso por el cual
se otorga una concesión maderera; el gobierno provincial (hay nueve) identi fi es cuál de los
propietarios de tierras en un grupo pueden otorgar derechos sobre la madera a un concesionario. Esto
puede conducir a una forma de élite de captura, donde los políticos y tribales ' Hombres grandes '
llegar a acuerdos con los madereros extranjeros mientras que algunos miembros de la comunidad se pierda ( Katovai2015 ).
et al., 2015 ). La coalición entre las empresas madereras, los políticos y las élites tribales también puede
facilitar la tala ilegal y otras desviaciones de los acuerdos ya que pocas personas ordinarias están dispuestos
a oponerse a estos grupos de élite mediante la realización de correo legal ff Orts para hacer cumplir las
disposiciones de salvaguardia ( Hughes et al., 2010 ). Este proceso derechos sobre la madera también se
demanda para crear una división injusta de los beneficios fi ts, que causa el aire interno Florida TIC y conduce a
aumento de la desigualdad dentro de los grupos propietario rural ( Corrin 2012 ).
El registro que se practica en las Islas Salomón está destinado a ser selectiva, donde un enfoque en
especies de alto valor y limitaciones de corte de tamaño podría proporcionar un rendimiento sostenible. De
hecho, existe una considerable degradación de los bosques debido a la tala selectiva mal ejecutada ( Katovai
et al., 2015 ). La tasa actual de las exportaciones de madera es aproximadamente siete veces el nivel
sostenible, teniendo en cuenta que las estimaciones de la producción sostenible de cosechas nacionales
de registro varían de 0.25millionm 3 por año ( Hughes et al., 2010 ) Para 0.3millionm 3 ( URS, 2014 ). Antes de
2001, las exportaciones de registro fueron aproximadamente 50% por encima del rendimiento sostenible, Florida
fluctuante entre aproximadamente 0,4 y 0.6millionm 3, pero desde entonces el rápido crecimiento de las
exportaciones a China se ha visto exportaciones se expanden a lo largo 2.1millionm 3 ( Figura 1 ). 7 Como se
ha señalado anteriormente, este fuerte aumento de las exportaciones totales, y el cambio de destino de
exportación, re probable Florida ect la retirada de otros países del comercio de trozas tropicales. Este
choque exógeno a las Islas Salomón ayuda a identificar el correo ff ECTS de la deforestación sobre la
desigualdad en lugar de la relación inversa.
La investigación previa de las Islas Salomón señala que los bosques con <30 - 40% de cobertura
corona producen menos de 20m 3 de madera comercial por hectárea, lo que los hace menos
atractivos económicamente para la explotación forestal ( Jansen et al., 2006 ). Por lo tanto, incluso si
no se controla adecuadamente la tala selectiva, la disminución en el valor económico del bosque
debido a la perturbación stand-sustitución puede ser mayor de lo que sería
7 Puede haber subfacturación de las exportaciones de madera (ver www.globaltimber.org.uk/ solomonislands.htm para
detalles). Por lo tanto, los datos de Figura 1 son de estadísticas de importación de China y los otros importadores principales
(Japón, Corea del Sur, Filipinas) y a partir de datos Comtrade de las Naciones Unidas, que pueden ser más fiables que las
estadísticas de exportación de las Islas Salomón.
68
Economía Ecológica 148 (2018) 66-76
2.4
2.1
A China a todos los
1.8
países
c i b u cs
1.5
r eo ti el lmi M
1.2
n
0.9
0.6
rendimiento sostenible aproximada
0.3
0
1998 2000 2002 2004 2006 2008 2010 2012 2014
Figura 1. Tendencias en las exportaciones de madera de las Islas Salomón. Nota: Los datos proceden de las estadísticas de importación de los
importadores, debido a las preocupaciones sobre la subfacturación de las exportaciones.
indicado por centrarse sólo en las tasas de tala. Por otra parte, cuando la tala selectiva no se
de 30 árboles cortados por hectárea, y a esta velocidad de corte un soporte residual de árboles
inmaduros severamente dañadas se queda atrás ( Katovai et al., 2015 ). En este sentido, una reciente
evaluación de los recursos forestales de las Islas Salomón encontró que más de la mitad de los
recursos forestales comerciales primaria ha sido explotada ( SKM 2012 ). potencial de regeneración
del bosque restante también se ve perjudicada por el registro de re-entrada, que se hace posible
debido a la mala supervisión y posiblemente debido a la falta de información sobre el medio ambiente
y económico e ff ECTS del registro existente - sin esta información los costes y beneficios fi ct de
madereros dejando de nuevo en un área que no se pueden evaluar adecuadamente ( Katovai et al.,
Mientras que la mayoría de investigaciones sobre los bosques en las Islas Salomón es la tala, los
bosques son también una fuente importante de alimentos, especialmente para los pobres rurales. Las
Islas Salomón tiene un número de especies de árboles indígenas de tuerca, y sobre todo la tuerca Ngali
que crece en los árboles de gran tamaño (aprox 40m de altura) de la canarium especies. Un árbol maduro
puede proporcionar hasta 30 kg de frutos secos por año, que se cosechan del bosque Florida suelo y se
comen tanto fresca y seca. Este es un Do FFI cientemente importante de alimentos que el censo detalla
que entre los productos de subsistencia, y más de la mitad de los hogares rurales Notificar cosechar
estos frutos secos. Es importante destacar que por el impacto que puede tener la destrucción de bosques
en la desigualdad, Ngali es más importante para los pobres rurales; 60% del cuartil más pobre de los
hogares rurales cosechar y consumir tuerca Ngali en comparación con poco más del 40% de los hogares
rurales más ricas ( Jansen et al., 2006 ). En la medida en que canarium árboles son destruidos, aunque sin
darse cuenta, por la tala, induce una descarga creciente desigualdad-ingreso medio ambiente. similar
correo ff refleja probablemente por el agua, ya que estropea registro de corrientes y alrededor de una
fi FTH de los hogares de la bebida Islas Salomón desde corrientes, mientras que tiende a ser más
ricos hogares rurales sólo que tienen un techo de hierro y el tanque de agua.
3. Datos y métodos
Con el fin de estudiar la relación entre la pérdida de bosques y la consiguiente desigualdad, se
necesitan dos tipos de bases de datos. los fi primero se basa en datos de teledetección, desde una fuente
de datos bien conocida en la economía ambiental. La segunda utiliza métodos menos familiares, y se
necesita con el fin de datos de bienestar Derivar - estimaciones de desigualdad y pobreza - para las
pequeñas áreas geográficas que coinciden con la escala espacial de las medidas de teledetección
derivados de la pérdida de bosques.
3.1. Medir el cambio forestal
Los datos sobre los bosques son de Hansen et al. (2013) , Y se basan en
J. Gibson
Figura 2. La ubicación de la pérdida de bosques entre 2000 y 2012 basados ​en Hansen et al. (2013) . Nota: Temotu se muestra en la escala correcta, pero se trasladó ca. 450 km al fi t en el marco del mapa y permite una escala global mapa más grande. Nombres en el
mapa son de provincias, y también se muestra la ubicación de la capital.
Landsat 7 Enhanced Thematic Mapper Plus (ETM +) de la estación de crecimiento para cada anual
entre 2000 y 2012, con una resolución espacial de un segundo de arco (unos 30 metros en el ecuador).
En el Hansen et al. los datos, la pérdida de bosques es de fi define como cualquiera de la eliminación
completa de dosel cubierta para más alto vegetación de 5 m (que es raro en las Islas Salomón) o
stand-sustitución de perturbación, después de lo cual la composición dosel probablemente tendrá más
árboles intolerantes a la sombra que proporcionan menos bene ecológica fi ts (esta es la forma principal
de los cambios forestales en las Islas Salomón). Estos datos indican que el 2,2% de los bosques se
perdió en las Islas Salomón desde 2000 a 2012. Hay una asimetría en la distribución; la sala de las
zonas rurales mediana perdió sólo el 1,5% de su cubierta forestal mientras que hasta uno fi FTH de la
cubierta forestal se perdió en los más gravemente una ff salas ejadas.
Las áreas de mayor pérdida de bosques se concentró en la Provincia Occidental, aunque
algunas islas más pequeñas de esa provincia fueron mucho menores tasas de pérdida ( Figura 2 ).
También hay altas tasas de pérdida de bosques en áreas de Guadalcanal, al este de la capital,
Honiara. Varias de las islas principales muestran una diversidad de tasas de pérdida, que sirve como
una advertencia contra la realización de un análisis más agregado (por ejemplo, a nivel provincial)
que pueden tender a media durante algunas experiencias diferentes y posiblemente ocultar cualquier
relación causal.
3.2. Encuesta-a-Censo de imputación para la medición de áreas pequeñas Desigualdad
Los datos sobre la desigualdad se derivan de las Islas Salomón Ingresos y Gastos de los
Hogares 2012/13 de la encuesta (HIES) cuya muestra de 4500 hogares era casi el 5% de todos los
hogares del país. La encuesta se desarrolló entre octubre 2012-noviembre 2013 por lo que se refiere
aquí como la medición del bienestar en 2013. Incluso con esta cobertura muestra las estimaciones
de desigualdad de verdad el consumo per cápita sólo se informaron en el ámbito provincial por, con
el índice de Gini Variar de 0,25 a 0,39 en las nueve provincias. En términos de precisión, los errores
estándar variaron de 5,2% a 11,1% del valor del índice de Gini, con un error estándar relativa media
de 7,5%.
69
Economía Ecológica 148 (2018) 66-76
Los HIES no está diseñado para ser representativa de salas, y sólo 144 de 168 salas rurales
son en la muestra HIES. El número de hogares encuestados por sala oscilaban entre 7 y 72 años,
con una media de 22, por lo que es imposible utilizar directamente la encuesta para obtener
resultados a nivel de barrio. A modo de ilustración, incluso restringir la atención a las salas con> 30
hogares encuestados, con la esperanza de que esto podría ser suficiente muestra para calcular las
estadísticas de desigualdad de representación, los errores estándar de éstos a nivel de sala de Gini
Coe FFI coefi oscilarían entre 9,2% a 23,1% del valor del índice, con un error estándar relativa media
de 14,4%. Por lo tanto, si uno se basó únicamente en los datos de la encuesta, las estadísticas de
desigualdad estarían disponibles por sólo una fracción de las salas, no sería representativa a nivel de
barrio, y sería bastante impreciso.
En cambio, el enfoque de estimación de áreas pequeñas de Elbers et al. (2003)
[ELL, de aquí en adelante] se utiliza. 8 Para empezar, un modelo de (log) el consumo per cápita de las personas
que viven en el hogar h en la localización do se estima, en donde do es una zona de empadronamiento (o ' racimo
'):
En ch y = '+x ch
β u ch (1)
El vector de variables explicativas, X ch se limita a las variables de la encuesta también en el
censo con las distribuciones que se superponen en cada fuente. El vector de parámetros β no tiene
ninguna interpretación causal; la ecuación es para la predicción. El error u ch se supone que tiene dos
componentes independientes: a especí clúster fi ce ff ect η do y una especificidad del hogar fi ce ff ect ε ch.
La especificidad de clúster fi ce ff ect re Florida ECTS aspectos del entorno común a los hogares en
el mismo lugar. Si uno acaba de utilizar datos de la encuesta, estos elementos no vistos pueden ser
controlados con el racimo fi jo
8 Este método se utiliza para apuntar mil millones de dólares de fondos contra la pobreza. Bedi et al. (2007) proporcionar
varios ejemplos, y una validación del método utilizando datos censo de Brasil se proporciona en Elbers et al. (2008) . Los
detalles sobre el software están en la imputación Zhao y Lanjouw (2003) . Los lectores que no quieren ser distraídos por las
ecuaciones pueden fi nd una descripción intuitiva del método en el recuadro 1.1 de la Bedi et al. (2007, p. 4) .
J. Gibson Economía Ecológica 148 (2018) 66-76

mi ff ECTS. Sin embargo, la encuesta muestrea solamente 375 de las áreas de enumeración de 1340 en las tabla 1

Islas Salomón por lo fi jo correo ff ECTS dan ninguna manera de hacer frente a la otra n = 965 racimos. Si la Comparación de los datos desigualdad.

ubicación de correo ff ECTS se ignoran terminan en los residuos de la ecuación. (1) , Donde son
basado en encuestas ELL encuesta-a-censo
potencialmente perjudicial, en el sentido de que hacen predicciones menos precisas. 9 Una estrategia
imputada
común, seguido aquí, es el uso de los medios de racimo de variables a nivel de los hogares a partir de los
datos del censo, que están disponibles para todos los grupos. Los residuos de la ecuación. (1) a nivel provincial - sector rural ( n = 9) media del índice
de Gini 0.32 0.33
continuación, se descomponen en el componente idiosincrásico de los hogares no correlacionado y el
error estándar relativa media (intervalo) 7,5% (5,2% a 4,1% (3,0% a 6,3%)
componente de localización correlacionada:
11,1%)
nivel de barrio - Sólo las zonas rurales ( n = 168) media del índice

de Gini No disponible 0.30

u ch= + η• ε cĥ (2)
do error estándar relativa media (intervalo) 7,1% (3,8% a 20,0%)

los • η do son medios dentro de la agrupación de los residuos totales. Los componentes del
hogar ε cĥ son la red global de residuos a nivel de hogar Nota: ELL significa Elbers, Lanjouw y Lanjouw (2003) . El error estándar relativa es el error estándar como un
ubicación de los componentes. porcentaje del índice de Gini para cada unidad espacial.

Heterocedasticidad en el componente idiosincrásico de los hogares se estima a partir de:

el valor de índice (los índices tuvieron promedios similares, de 0,32 para la encuesta y 0,33 para el

2
censo).
• ε ch
Aε
En X ch α• r ch El beneficio real de fi t de la utilización de las medidas basadas en el censo muestra en las
2
•• - • ch •• = '+ (3) estadísticas a nivel de barrio, que no son reportados por la encuesta y aunque se calcularon a partir
de los datos de los hogares que no eran representativos a nivel de barrio e impreciso. Por el
dónde X ch son de las variables en la ecuación. (1) y las interacciones entre ellos y las predicciones de
contrario, las medidas censusbased cubren cada barrio, ya que se incluyen todas las casas, y las
la ecuación. (1) y UNA se fija igual a
estimaciones son mucho más precisos que los basados ​en encuestas, con errores estándar que
1,05 × max { ε ch 2}. Eq. (3) da una especificidad del hogar fi c varianza del estimador de ε ch que se inserta a lo
media el 7,1% del índice de Gini. En términos generales, el método de ELL da un nivel de precisión
largo de la diagonal de una norte × norte matriz cuadrada, para cada uno de la norte hogares encuestados.
equivalente a lo que la encuesta tiene en el siguiente nivel superior de agregación espacial (es decir,
Una matriz de bloques del mismo tamaño, donde cada bloque tiene la varianza clúster lo largo de la
en la provincia en lugar de nivel de barrio).
diagonal, se añade para formar la matriz de varianza-covarianza para el modelo, de manera que la ec. (1) puede
ser re-estimado por mínimos cuadrados generalizados.

En términos de patrones espaciales, la desigualdad rural parece ser mayor en el oeste del país,
En la etapa de simulación, el coe regresión estimada FFI coeficientes de la ecuación. (1) se
especialmente en partes del oeste, Choiseul e Isabel provincias ( Fig. 3 ). La desigualdad es más bajo
aplican a X ch Del censo para predecir el consumo por cada hogar censal. Para cada una de r simulaciones
en la provincia oriental de Temotu. 10 El índice de nivel de barrio Gini para el consumo real per cápita
un conjunto de beta y alfa Coe FFI cientes, β ͠ y α ͠
de los rangos de los hogares rurales 0,25 hasta 0,39 con una media y la mediana de 0,30. También
se han extraído de distribución normal multivariante
hay una considerable variación dentro de algunas de las provincias, particularmente Choiseul y
tribuciones sobre la base de la fi estimaciones puntuales fase primeras y las matrices de varianza-covarianza.
2η un valor simulado de la varianza de Guadalcanal, donde el Consejo de Europa dentro de la provincia FFI ciente de variación del índice de
Adicionalmente, σ ( )͠r
Gini-nivel de barrio es de aproximadamente 0,12. La heterogeneidad de la desigualdad a nivel de
el componente de error de localización se dibuja, y entonces la ecuación. (3) se aplica a cada hogar
censal para calcular el hogar especí fi c componente de error, σ barrio sugiere que la información puede perderse en los análisis efectuados en los niveles más

͠ ε ,ch r ) de la varianza. términos de perturbación simulado, η ͠

r agregados tales como provincias.
(
2
cr y ε ͠ ch
a continuación, se extraen de sus correspondientes distribuciones. El consumo de cada hogar
r es desde el combinado e ff ect de la
censal, • y ch
los gastos de registro previsto, x 'rβch; ͠ y los términos de perturbación:

4. resultados
•y = exp ( x 'rβch + η͠ + ε r ch ) ͠ ͠ (4)
r ch cr

Las simulaciones se repiten 100 veces, dibujo un nuevo conjunto de Coe FFI coeficientes y Los resultados de mínimos cuadrados ordinarios (MCO) regresiones del wardlevel índice de

términos de perturbación para cada simulación. El conjunto completo de simulación • y ch
r valores se utilizan para medir la desigualdad; la media de la
100 simulaciones da la estimación puntual del índice de Gini para cada área pequeña, y la desviación
estándar sirve como el error estándar estimado.
Los detalles sobre los modelos (NCA. (1) y (3) ) Utilizado para generar la
parámetros para las simulaciones son en Apéndice A . El modelo de consumo de n = 3117 familias
rurales de las HIES utilizaron 43 variables de predicción, con un ajustado R 2 = 0.46. Un poco más de
la mitad de las covariables fueron promedios de grupos de variables de los hogares del censo, lo que
ayudó a reducir la proporción de la varianza del error total debido a la componente de localización
por debajo de uno fi quinto. El modelo de heteroscedasticidad (Eq. (3) ) Usado 11 variables de
predicción. Los parámetros de estos modelos y sus errores fueron utilizados para el consumo de
imputar n = 75,716 hogares del censo.
Una comparación de las estadísticas de desigualdad calculados directamente a partir de la
encuesta con los derivados de la imputación-encuesta-a censo ELL se informa en tabla 1 . A nivel
provincial, los errores estándar en el Gini basado en encuestas promediaron 7,5% del valor de índice
Gini. Las estadísticas de desigualdad, basados ​en el censo errores estándar imputados promedio solo
el 4,1% de
Gini, para las zonas rurales el consumo familiar per cápita en 2013, sobre el porcentaje de bosque de
la sala que se perdió durante 2000-2012 se presentan en Tabla 2 . Además de los resultados para
una regresión simple, hay cuatro regresiones que cada añadir una sola covariable, que se presentan
en las columnas (2) a (5). Una regresión con todas las covariables considerados juntos es en la
columna (6).
Las regresiones sugieren que cuanto mayor es el porcentaje de pérdida de bosques para una sala,
cuanto mayor es la desigualdad económica posterior entre los hogares rurales. El e ff ect se estima con
precisión, con significación estadística fi cado en el p < 0,01 nivel para fi cinco regresiones y p < 0,05 para el
otro. En contraste, la estimación a nivel provincial a partir de estimaciones de desigualdad de los datos del
estudio da un error estándar del 70% más grande que el Consejo de Europa FFI ciente ( t = 0,58), lo que
demuestra el problema de confiar únicamente en los datos del estudio. De acuerdo con los resultados de
la columna (1), si se perdió el 10% de la selva en una sala (teniendo en cuenta que esto puede ser la
sustitución de stand-perturbación en lugar de la tala), el índice de Gini en 2013 sería 3,9 puntos superior.
En términos libre de unidades, un aumento de la desviación estándar en la pérdida de bosques aumenta
la desigualdad por un tercio de una desviación estándar (que se muestra en [] en Tabla 2 ).

9 Si un gran componente del error es común a grupos de hogares en lugar de ser idiosincrásica y al azar, los 10 Estas regiones donde la desigualdad es inferior tienden a tener una mayor incidencia de la pobreza rural, con

avances en la precisión que normalmente proceden de un promedio de más números más grandes se silencian. una correlación incondicional entre el índice de Gini y la tasa de recuento de la pobreza de - 0.31.

70
J. Gibson Economía Ecológica 148 (2018) 66-76

Fig. 3. Los patrones espaciales de la desigualdad, en base a la estimación de ELL área pequeña. Nota: Ver Figura 2 .

Tabla 2
OLS estimaciones de correo ff ECTS de 2000 - 2012 la pérdida de bosques en el índice de Gini de desigualdad en el consumo per cápita en el año 2013 para las salas rurales de las Islas Salomón.

(1) (2) (3) (4) (5) (6)

% De bosque perdido 2000 - 2012 0,394 0,392 0,377 0,278 0,389 0,224
(3.56) ** (3.56) ** (3.45) ** (2.71) ** (3.51) ** (2.18) *
[0,34] [0,34] [0,32] [0,24] [0,33] [0,19]
tasa de recuento de la pobreza - 0,069 0,009
(5.43) ** (0,44)
En la población 0,003 0,006
(1,17) (2.95) **
En el consumo per cápita 0,052 0,058
(5.84) ** (4.47) **
En la línea de base área boscosa 0,001 0.000
(0,54) (0,09)
Constante 0,292 0,303 0,272 - 0,182 0,284 - 0,288
(97.34) ** (79.00) ** (15.47) ** (2.26) * (21.20) ** (2.33) *
R-cuadrado 0,114 0,207 0,120 0,377 0,115 0,409

Nota: N = 168 salas rurales, estadísticas t robustos entre paréntesis, **, * denotan significación fi Cance en el 1%, el nivel de 5%. Coe beta FFI cientes para el correo ff ECTS de un std. cambio de desviación en la pérdida de bosque% en std. desviación de la Gini en [].

El e ff ect de la pérdida de bosques en la desigualdad es robusto a la inclusión de cualquiera de la Coe FFI ciente gotas 0,34-0,24 vez consumo medio per cápita es controlada. De este modo alrededor
tasa a nivel de sala de recuento de la pobreza, la población de barrio o de la cubierta forestal de línea de de un cuarto del correo ff ect de la pérdida de bosques en la desigualdad que se observa en la
base. La única covariable que reduce el correo ff ect de la pérdida de bosques en la desigualdad es el columna (1) para el modelo sin otras covariables re Florida ECTS la vía indirecta de la e ff ect de la

promedio diario de consumo per cápita en la sala (en base a las estimaciones del censo derivados). 11 El pérdida de bosques en los niveles de ingreso promedio (la correlación es de 0,19), y el correo ff ect de
ingresos más altos sobre la desigualdad (la correlación es 0,57). 12
COE regresión FFI ciente en la pérdida de bosques se reduce de 0,39 a 0,28, y la estandarizada

11 Una preocupación con modelos cuyo lado derecho se imputan las variables a partir de los mismos datos de la encuesta, 12 Una preocupación revisor expresado que la columna (4) y Coe (6) regresiones puede haber sesgado FFI cientes, dado que

tales como la tasa de recuento de la pobreza a nivel de barrio y media de consumo per cápita, es que van a estar altamente las variables lado izquierdo y derecho se construyen a partir de los mismos datos de origen. especí fi camente, el nivel de la sala

correlacionadas. Como un control sobre cualquier problema potencial con multicolinealidad, la varianza en Florida ación Factor de Gini Coe FFI ciente se calcula a partir del consumo per cápita estimado de cada hogar censal, mientras que a nivel de barrio

(VIF) se calculó para todas las variables en el modelo en la columna (6), que tiene la mayoría de las covariables y así el mayor media logarítmica consumo per cápita es una variable lado derecho. Cualquier error en las estimaciones de consumo per cápita

riesgo de multicolinealidad. Una regla de oro es que un VIF más de 10 espectáculos potencial de multicolinealidad. Sin embargo, serían comunes a ambas variables del lado de los de la mano izquierda y derecha, y así lo positivo e ff ect de Ward-nivel medio

el más alto VIF de las variables en el modelo en la columna (6) fue sólo 1,82 por lo que no debería haber ningún problema. del consumo per cápita en la desigualdad a nivel de barrio por que podría ser falsa, y puede sesgar el Consejo de Europa FFI ciente

en la pérdida de bosques. Esta preocupación puede

71
J. Gibson Economía Ecológica 148 (2018) 66-76

Cabe señalar que aunque la desigualdad es el indicador de bienestar se considera aquí, el correo ff ect errores de la yo º sala están correlacionados con los errores en las salas adyacentes, con las estimaciones de ρ alrededor

de la pérdida de bosques en la pobreza también se puede ver, de manera indirecta, a partir de los de 0,2 pero esto e ff ect desaparece en cualquier especificación fi-

resultados en Tabla 2 . La tasa de pobreza se puede descomponer en los ingresos medios (como
representada por el consumo) y los componentes de desigualdad ( Datt y Ravallion, 1992 ). Por lo tanto, el
signi fi no puede correo ff ect de la pérdida de bosques en la desigualdad cuando el ingreso medio es
constante retenida (como en las columnas (4) o (6) de Tabla 2 ), Implica que la pobreza será mayor (ya que
una mayor desigualdad de ingresos con media constante da una mayor pobreza). En particular, si la
variable dependiente en la columna (4) se cambió a partir del índice de Gini a la tasa de recuento de la
pobreza (índice de brecha de pobreza) el coe estandarizada FFI cientes serían 0,12 (0,13) y estos son
cationes que incluyen ya sea la tasa de recuento de la pobreza o la media sala de registro de consumo
per cápita. Por otra parte, con la excepción de la columna (3), existen estimaciones más precisas de la e ff
ect de la pérdida de bosques en la desigualdad en Tabla 4 que en Tabla 2 , Por lo que no contabilizados
por autocorrelación espacial no debe haber sesgado de extrapolar los resultados reportados
anteriormente. En términos de la magnitud del correo ff ect, el Consejo de Europa FFI cientes en
Tabla 4 son aproximadamente el 90% del tamaño de los de Tabla 2 , Por lo que se estima correo ff ECTS de la pérdida de

estadísticamente signi fi en el canto p < 0,02 nivel. 13 En otras palabras, la deforestación parece aumentar la bosques en la desigualdad posterior pueden considerarse robusta como para el tratamiento de autocorrelación espacial. 15

desigualdad no sólo mediante el aumento de los ingresos medios a través de un proceso en el que algunas
personas se hacen más ricos que otros, pero también por el aumento de la pobreza. Ambos correo ff ECTS
son consistentes con las vías se ha indicado anteriormente, donde los pobres dependen más de los
4.1. El control de la línea de base de Bienestar
ingresos del medio ambiente, y por lo tanto la pérdida de bosques puede dañar su medio de vida, y donde
los pagos realizados por las empresas madereras pueden no extenderse ampliamente y en su lugar bene fi t
La última amenaza para la validez en cuenta es la posibilidad de causalidad inversa, donde la
sólo un subconjunto de miembros de la tribu.
verdadera relación es de la desigualdad a la pérdida de bosques y no al revés. El supuesto de
identificación se hace es que el fuerte incremento de las exportaciones totales de registro y el cambio
de destino de las exportaciones desde 2001 re Florida desarrollos ECTS fuera de las Islas Salomón, y
es por lo tanto un choque exógeno. Por lo tanto, incluso si el registro anterior dependía de la
Los resultados de la regresión en Tabla 2 depender de una medida imputada como la variable
desigualdad local, como se podría argumentar extrapolando a partir de estudios de varios países,
dependiente; especí fi camente el nivel medio del barrio de las 100 estimaciones del índice de Gini de
tales como Koop y Tole (2001) , Los factores determinantes de la tala anterior son menos relevantes
repeticiones del procedimiento de ELL (basado en la ecuación. (4) ). Estas repeticiones también proporcionan
para el cambio en el registro desde 2001.
una desviación estándar, por lo que es posible poner más peso en las salas donde la desigualdad se estima

con mayor precisión. Los mínimos cuadrados ponderados (WLS) resultados reportados en Tabla 3 tener una

ligera ganancia en el signi estadística fi cance de la estimación de correo ff ECTS de la pérdida de bosques, y casi
A pesar de este supuesto de identificación, que ayudaría a tener datos de referencia sobre la
ningún cambio en Coe FFI cientes en comparación con las magnitudes Tabla 2 . Los resultados reportados hasta
desigualdad a nivel de la sala antes de 2001. Speci fi camente, controlando por la desigualdad antes
el momento no permiten la autocorrelación espacial, donde los errores de regresión para una observación se
permitiría una interpretación similar a una diferencia en las di ff rencia específica fi catión. Sólo había
correlacionan con errores en las observaciones vecinas, lo cual viola el supuesto de independencia de MCO.
una encuesta nacional de hogares en esa época - Los ingresos del hogar 1993 y Encuesta de Gasto -
Estas características espaciales de los datos a menudo se descuidan en los estudios sobre la relación entre la

desigualdad y la calidad del medio ambiente; una revisión de casi 100 estudios realizados por Cushing et al.
(2015) encontrado sólo un estudio que considera estos. De hecho, en los datos de las Islas Salomón hay una
modesta, pero estadísticamente significativa fi no puede grado de autocorrelación espacial en los datos tanto
para la pérdida de bosques y la zona forestal de línea de base, como se muestra por Moran yo
y todos los cuestionarios y datos de las cintas se perdieron cuando una parte de las estadísticas o FFI ce fue
destruido durante las tensiones étnicas en Honiara en la década de 2000. Mientras que las copias del
informe resumido de esa encuesta sobreviven, sólo tienen estimaciones de nivel provincial de las variables
de bienestar. dieciséis

Sin embargo, un proxy para el bienestar de la línea de base, que también pueden proxy para la
desigualdad desde zonas más ricas son más desiguales, está disponible en la forma de un índice de
riqueza utilizado por Jansen et al. (2006) . Este índice utiliza la Encuesta de Recursos 1995 Village, que
estadísticas de 0.07 ( p < 0.07) y 0.10 ( p < 0,03). 14 Si esto tendrá importancia para el modelado de
proporciona datos a nivel de barrio en instalaciones públicas como escuelas, clínicas y puestos de socorro,
regresión no está claro porque no hay evidencia de autocorrelación espacial, ya sea en la
junto con los datos de una serie de instalaciones privadas que pueden correlacionarse con la actividad y la
desigualdad o el registro de consumo per cápita, por lo que los patrones de las variables observadas
riqueza económica, incluyendo el número de mercados, tiendas comerciales, y varios otros negocios. El
no dan una orientación clara sobre los patrones probables en los errores observados.
índice de riqueza se construyó siguiendo el enfoque de Filmer y Pritchett (2001) , Que muestran que los
componentes principales se pueden utilizar para proporcionar los pesos para combinar indicadores en una
Con el fin de descartar cualquier preocupación que las inferencias son una ff ected por autocorrelación
sola variable clasificación si los datos de gasto más típicos utilizados para el bienestar de medida no están
espacial, Tabla 4 reporta los resultados de un modelo de error espacial. En este modelo, se permite que el
disponibles. Las salas rurales desde 1995 también se dividieron en cuartiles de riqueza sobre la base de
error de regresión para cada sala de estar en Florida influido por una media ponderada de los errores en las
este índice por Jansen et al. (2006) . Estas salas coinciden con las fronteras que aparecen en los mapas del Higos.
salas adyacentes, donde la matriz de ponderaciones espaciales se basa en la contigüidad (por ward yo, cualquier
2 y 3 . Si se añade el índice de riqueza de regresiones que son de otra manera el mismo que en Tabla 2 ,
sala j cuyo límite toca el límite del barrio yo es un vecino, y de otra manera no lo es). La tabla tiene una fila
No hay casi ningún cambio en el estimado de correo ff ect de la pérdida de bosques en la desigualdad. el
adicional, en comparación con las tablas de regresión anteriores, para la estimación de ρ, el Consejo de
COE FFI coeficientes van desde 96% a 101% de su valor correspondiente en Tabla 2 , Y el nivel de
Europa FFI ciente en el término de error espacial. En algunos especí fi cationes del modelo de error espacial
significación estadística fi cado es sin cambios. el COE FFI cientes en el índice de riqueza son
existe evidencia de que la
estadísticamente insignificante fi no puede en estas regresiones (la estimación más precisa ( t = 1.87) es
cuando la población de la sala es una covariable) y esto sugiere que los indicadores anteriores de la
riqueza wardlevel no predicen la desigualdad actual. Esto es consistente con la hipótesis de que la
identificación de la dramática expansión de la tala desde 2001 ha actuado como un shock exógeno de
( nota continúa)
ser disipado mediante el uso de una característica de la estimación en áreas pequeñas, que es que hay 100 simulaciones ingresos y el bienestar rural. Del mismo modo, si el cuartil de riqueza está incluido en las regresiones del
de consumo per cápita de cada hogar censal que son producidos por la Ec. Consejo de Europa FFI (coeficientes t
(4) . Por lo tanto, es posible calcular un nivel de barrio ' deje de salida ' significa que el consumo simulado que se utiliza
para calcular el coe Gini FFI ciente se deja fuera cuando se calcula la variable media de consumo per cápita. De esta
manera las variables lado izquierdo y derecho ya no se construyen a partir de los mismos datos de origen. Los resultados
del uso de la licencia de salida se muestran en la media Apéndice A.3 , Utilizando datos de todos los 100 simulaciones, y
éstos sugieren que, en promedio, no hay sesgo discernible en el Coe FFI cientes para la especificación fi de cationes en la
columna (4) de Tabla 2 .

13 El índice de brecha de pobreza da la distancia media por debajo de la línea de pobreza, expresado como una proporción 15 Un modelo autorregresivo espacial más general también se consideró, que incluía el retardo espacial del índice de Gini (el promedio

de esa línea, donde se forma la media sobre toda la población (contando los no pobres como teniendo brecha de pobreza cero). ponderado del índice de Gini para las salas adyacentes). Los términos retardo espacial fueron generalmente insignificante fi no puede, mientras que

el Consejo de Europa FFI coeficientes de los términos de error espaciales fueron similares a los de Tabla 4 y el Consejo de Europa FFI cientes sobre

14 Para cualquier variable z en la desviación de la forma y de pesos espaciales matriz media W, la pérdida de bosques fueron aproximadamente un 13% superiores a los de Tabla 4 .

Moran yo es equivalente a la Coe pendiente FFI ciente en una regresión lineal de wz en z ( Anselin, 1988 ). En otras
dieciséis Boletín Estadístico No. 18/95 “ Las áreas rurales de las Islas Salomón ingresos y gastos Encuesta 1993 ” O las
palabras, se examina la fuerza de la relación entre una observación y la media espacialmente ponderada de sus
observaciones vecinas. estadísticas FFI ce, Honiara, septiembre de 1995.

72
J. Gibson Ecological Economics 148 (2018) 66–76

Tabla 3
Ponderados mínimos cuadrados estimaciones de correo ff ECTS de 2000 - 2012 la pérdida de bosques en el índice de Gini de desigualdad en el consumo per cápita en el año 2013 para las salas rurales de las Islas Salomón.

(1) (2) (3) (4) (5) (6)

% De bosque perdido 2000 - 2012 0,404 0,395 0,393 0,261 0,404 0,206
(3.92) ** (3.97)** (3.85)** (2.85)** (3.86)** (2.23)*
[0.35] [0.34] [0.34] [0.23] [0.35] [0.18]
Headcount poverty rate − 0.060 0.010
(5.69)** (0.56)
ln population 0.002 0.005
(0.67) (2.43)*
ln per capita consumption 0.054 0.060
(6.57)** (4.89)**
ln baseline forested area 0.000 − 0.000
(0.05) (0.26)
Constant 0.288 0.298 0.276 − 0.203 0.287 − 0.298
(109.60)** (90.37)** (16.25)** (2.73)** (23.00)** (2.54)*
R-squared 0.122 0.211 0.124 0.381 0.122 0.402

Note: Observations are weighted by the standard error of the Gini index from the ELL simulations, to put more weight on the Wards with the most precise estimates. Other notes, see
Table 2 .

Table 4
Spatial error model of the e ff ects of 2000 – 2012 forest loss on Gini index for per capita consumption inequality in 2013 for rural wards of the Solomon Islands.

(1) (2) (3) (4) (5) (6)

% of forest lost 2000 – 2012 0.351 0.361 0.291 0.268 0.328 0.192
(3.99)** (4.38)** (3.26)** (3.66)** (3.72)** (2.57)*
Headcount poverty rate − 0.068 0.013
(4.06)** (0.65)
ln population 0.005 0.008
(1.53) (2.97)**
ln per capita consumption 0.052 − 0.000
(8.29)** (0.04)
ln baseline forested area 0.001 0.058
(0.52) (7.05)**
Constant 0.293 0.304 0.261 − 0.181 0.285 − 0.295
(96.05)** (79.27)** (11.73)** (3.17)** (16.25)** (3.64)**
Spatial error (rho) 0.195 0.119 0.269 0.050 0.207 0.153
(1.98)* (1.18) (2.66)** (0.50) (2.11)* (1.44)

Note: Estimated by generalized spatial two-stage least squares, using the spreg package of Drukker et al. (2013) . Other notes, see Table 2 .

estadísticas) sobre la variable de pérdida de bosque son del 96% al 101% (100% a 112%) de su valor entre la tasa de nivel de tutela de la pérdida de bosques y el valor promedio de consumo per cápita. Sin

correspondiente en Tabla 2 (mientras que la t estadísticas de la variable riqueza cuartil promedio 1.4). embargo, cuando este correo ff ect es controlada por, las tres cuartas partes de los aproximadamente correo ff ect

Así, en la medida de lo posible con los datos limitados, la vía inversa a partir de la desigualdad existente de la deforestación en los restos de desigualdad. una mayor desigualdad en torno a una media constante

a una mayor deforestación se puede descartar, y los resultados en Tablas 2 a 4 puede interpretarse implica una mayor pobreza, y esto es verificable fi ed adaptando el modelo de regresión a tener tasas de

como la identificación de la e ff ect de la pérdida de bosques en la desigualdad posterior. pobreza más que la desigualdad como la variable dependiente. Este ejercicio muestra que un aumento de la

desviación estándar de la tasa de pérdida de bosques se asocia con tasas de pobreza siendo la octava parte

de una desviación estándar más alto. Por lo tanto, el segundo e ff ect de la pérdida de bosques es hacer

algunos hogares más pobres. Esto es consistente con los pobres depender más de los ingresos del medio
5. Conclusiones ambiente, por lo que la interrupción de los daños forestales sus medios de vida.

Es importante para un país como las Islas Salomón para tener evidencia clara sobre los costos y
beneficios fi ct de la deforestación. El beneficio económico fi ts son muy claras a los responsables políticos ya
que alrededor de la mitad de las divisas y una sexta parte de los ingresos del gobierno provienen de la tala.
Sin embargo, la evidencia sobre los costos es principalmente en términos de daños al medio ambiente,
debido a un control deficiente ' selectivo ' el registro (por ejemplo, Katovai et al., 2015 ) Y es posible que los
responsables políticos descuentan esta evidencia desde las Islas Salomón sigue estando muy boscosas. En
este documento, se informa nuevas pruebas en un costo de bienestar importante de la deforestación, que es
que hay una mayor desigualdad económica local dentro de la una ff ejadas áreas. especí fi camente, si el 10%
de la cubierta forestal en una sala se perdió durante el período de 2000 a 2012, el índice de Gini en 2013
sería 3,9 puntos superior. En muchos lugares, los políticos revelan una aversión a un aumento de la
desigualdad, por lo que conocer que un aumento de la desviación estándar de la tasa de pérdida de
bosques plantea desigualdad local en un tercio de una desviación estándar en las Islas Salomón rurales
pueden ayudar a los políticos locales para un mejor enfoque en algunos de estos costes sociales de la tala.
En cuanto a la metodología, estas estimaciones de cómo la deforestación afecta a la desigualdad
local no serían posibles sin el enfoque de imputación encuesta-tocensus para obtener estimaciones de
áreas pequeñas de las estadísticas de bienestar. Esta técnica se utiliza muy poco en economía ambiental,
sin embargo, permite un enlace de datos de teledetección sobre el cambio ambiental a los datos sobre los
indicadores de bienestar humano en una escala espacial que mejor coincide con la escala de unidades de
toma de decisiones. En las Islas Salomón, donde la mayoría de los bosques se encuentran bajo la
propiedad tradicional, la estructura espacial de las unidades utilizadas aquí (salas) es debido a los mismos
factores topográficos que un ff ect fronteras tribales y que también es una ff ect los patrones de
deforestación. 17 En consecuencia, hay menos riesgo de falacia ecológica en la investigación llevada a
cabo

17 It is unclear how the fi ndings would translate to settings where forests are under a di ff erent property rights regime,
such as private ownership. However, customary ownership is important in many tropical countries, with Mohamed and
Clark (1996) reporting that for each of the Melanesian countries, somewhere from 83 to 93% of land is in customary
Este aumento de la desigualdad re Florida ECTS dos correo ff ECTS. En primer lugar, la deforestación hace que al menos ownership.

algunos hogares más ricos, con una significación fi correlación positiva no puede

73
J. Gibson Ecological Economics 148 (2018) 66–76

with these spatially detailed data. In contrast, if one only had the survey data to rely on, which would
necessitate carrying out analyses at provincial level, the e ff ect of deforestation on subsequent
inequality would be obscured.
The results for the Solomon Islands compare the e ff ect of forest loss, occurring over more than a
decade, on inequality measured at a particular, subsequent, point in time. In an ideal world, analysts
would have small-area inequality estimates for each year, to relate to forest loss estimates that are at
the same spatial and temporal scale. Many countries where deforestation is a critical issue have weak
statistical capacity, with the surveys that provide inequality estimates fi elded only occasionally.
Moreover, as the current paper emphasizes, surveys alone are insu ffi cient because they have too few
observations to allow inequality estimates for small areas. If survey-to-census imputation is used, it is
census timing that matters, and censuses are typically carried
out decennially, so the approach used in this paper is best suited for studying e ff ects of deforestation
on inequality and poverty over a time span of a decade or so. One practical step that countries (and
donors) could take to assist this modelling e ff ort is to fi eld the surveys that provide inequality and
poverty data as close in time as possible to when a census is carried out, so that the
survey-to-census imputation gives the most reliable estimates.
Acknowledgements
I am grateful to the World Bank for support with data for the small area estimation, to Steve
Hoskins for research assistance, to Geua BoeGibson for the preparation of the maps and to three
anonymous referees and AAEA and AERE conference audiences for helpful comments. The views
expressed here are those of the author alone.

Appendix A

A.1. Estimates of Eq. (1) for predicting consumption

Variable name Coe ffi cient Std. Err. t-stat |Prob| > t Variable label

_intercept_ 10.8691 0.2746 39.5772 0 Intercept

COOK_WOOD_1 − 0.3383 0.0648 − 5.2204 0 Dummy for COOK_WOOD=1
DWELL_NROOMS 0.0632 0.0101 6.2746 0 dwell_nrooms
DWELL_TINROOF_1 0.1686 0.0258 6.53 0 Dummy for DWELL_TINROOF=1
EMPL_INACTIVE − 0.3767 0.0646 − 5.8304 0 empl_inactive
EMPL_SELF − 0.3176 0.0547 − 5.8096 0 empl_self
F06 0.3213 0.0899 3.5746 0.0004 f06
F1550 0.1895 0.0748 2.5315 0.0114 f1550
HAS_MOTORBOAT_1 0.1908 0.0376 5.0719 0 Dummy for HAS_MOTORBOAT=1
HEAD_NONMELANESIAN_1 0.2209 0.0487 4.5371 0 Dummy for HEAD_NONMELANESIAN=1
HEAD_SUBGR6_1 − 0.059 0.0244 − 2.4151 0.0158 Dummy for HEAD_SUBGR6=1
HHSIZE − 0.2143 0.0158 − 13.5729 0 Hhsize
HHSIZE2 0.0077 0.0011 6.9581 0 hhsize2
M06 0.3958 0.0828 4.7802 0 m06
M1550 0.2541 0.0694 3.6601 0.0003 m1550
MEAN_COOK_GAS − 1.7551 0.47 − 3.734 0.0002 mean_cook_gas
MEAN_DWELL_NROOMS 0.0524 0.0236 2.2169 0.0267 mean_dwell_nrooms
MEAN_DWELL_TEMPWALL − 1.4063 0.4514 − 3.1152 0.0019 mean_dwell_tempwall
MEAN_DWELL_TINROOF 0.2238 0.0767 2.9165 0.0036 mean_dwell_tinroof
MEAN_EACHURCH − 0.2324 0.0444 − 5.2395 0 mean_EAchurch
MEAN_EMPL_EMPLOYER − 11.0474 3.9851 − 2.7722 0.0056 mean_empl_employer
MEAN_EMPL_INACTIVE 0.5474 0.2336 2.343 0.0192 mean_empl_inactive
MEAN_EMPL_SELF 0.9498 0.2995 3.171 0.0015 mean_empl_self
MEAN_F714 − 1.0418 0.5681 − 1.8338 0.0668 mean_f714
MEAN_HAS_CARBUSTRUCK 3.5055 0.5906 5.9356 0 mean_has_carbustruck
MEAN_HAS_FRIDGE − 1.0946 0.5022 − 2.1798 0.0293 mean_has_fridge
MEAN_HAS_MOTORBOAT 1.3366 0.1895 7.0542 0 mean_has_motorboat
MEAN_HEAD_AGE − 0.0099 0.0042 − 2.3613 0.0183 mean_head_age
MEAN_HEAD_EMPLOYER 6.008 1.8589 3.232 0.0012 mean_head_employer
MEAN_HEAD_SELF − 0.6047 0.1579 − 3.8304 0.0001 mean_head_self
MEAN_HEAD_SUBGR6 − 0.1298 0.0791 − 1.6401 0.1011 mean_head_subgr6
MEAN_HHSIZE 0.0603 0.0201 3.0023 0.0027 mean_hhsize
MEAN_M06 − 2.0849 0.5939 − 3.5103 0.0005 mean_m06
MEAN_M714 − 2.96 0.5903 − 5.0141 0 mean_m714
MEAN_TENURE_FREE − 0.2986 0.0446 − 6.6883 0 mean_tenure_free
MEAN_TENURE_RENT − 4.0058 0.7607 − 5.2656 0 mean_tenure_rent
MEAN_TOILET_OWNPIT − 0.1057 0.0529 − 1.9965 0.046 mean_toilet_ownpit
MEAN_WATER_HHTANK − 0.5689 0.0912 − 6.2402 0 mean_water_hhtank
MEAN_WATER_RIVER − 0.193 0.0521 − 3.7025 0.0002 mean_water_river
MEAN_WATER_STANDPIPE − 0.2982 0.046 − 6.4899 0 mean_water_standpipe
TOILET_OWNFLUSH_1 0.2603 0.0631 4.128 0 Dummy for TOILET_OWNFLUSH=1
WASH_RIVER_LAKE_SEA_1 − 0.0438 0.0232 − 1.8856 0.0594 Dummy for WASH_RIVER_LAKE_SEA=1
WATER_HHTANK_1 0.1204 0.0333 3.6143 0.0003 Dummy for WATER_HHTANK=1

74
J. Gibson Ecological Economics 148 (2018) 66–76

A.2. Estimates for Eq. (3) for modelling heteroscedasticity

Variable name Coe ffi cient Std. Err. t-stat |Prob| > t Variable label

_intercept_ − 2.7536 0.3597 − 7.6546 0 Intercept

COOK_WOOD_1*_yhat_*_yhat_ − 0.0166 0.0039 − 4.2163 0 Dummy for (COOK_WOOD)=1*_yhat_*_yhat_
M1550*_yhat_ − 1.915 0.4648 − 4.1203 0 m1550*_yhat_
M1550*_yhat_*_yhat_ 0.2064 0.0488 4.2333 0 m1550*_yhat_*_yhat_
MEAN_HAS_CARBUSTRUCK − 6.683 2.8308 − 2.3608 0.0183 mean_has_carbustruck
MEAN_TENURE_FREE − 126.8487 52.7272 − 2.4058 0.0162 mean_tenure_free
MEAN_TENURE_FREE*_yhat_ 28.9619 11.6658 2.4826 0.0131 mean_tenure_free*_yhat_
MEAN_TENURE_FREE*_yhat_*_yhat_ − 1.643 0.6444 − 2.5499 0.0108 mean_tenure_free*_yhat_*_yhat_
MEAN_TENURE_RENT*_yhat_*_yhat_ − 0.1028 0.0532 − 1.9318 0.0535 mean_tenure_rent*_yhat_*_yhat_
MEAN_WATER_RIVER − 0.6255 0.2052 − 3.048 0.0023 mean_water_river
MEAN_WATER_STANDPIPE − 0.6169 0.1728 − 3.5701 0.0004 mean_water_standpipe

A.3. Results from using a leave-out mean for per capita consumption

The regressions in columns (4) and (6) of Tables 2, 3, and 4 have a left-hand side variable – the Gini coe ffi cient for per capita consumption – and a right-hand side – log per capita consumption – that are
derived from the same source data. Given that there are 100 simulations of per capita consumption for each census household, it is possible to break this reliance on the left-hand side and right-hand side
variables being derived from the same data. Speci fi cally, for results in this Appendix the ward-level Gini coe ffi cients were calculated 100 times, once for each of the simulated sets of consumption data. Likewise,
the ward-level mean consumption was calculated 100 times, but this time by leaving out the data from the particular simulation used to calculate the Gini coe ffi cient and averaging, instead, over the other 99
simulations. This leave-out mean breaks any spurious link between the left-hand and right-hand side variables, since they are no longer constructed from the same data.

The model that is reported in column (4) of Table 2 was re-estimated 100 times, using each of the 100 sets of Gini coe ffi cients and the 100 sets of leave-out means of log per capita consumption. The
distribution of the regression coe ffi cients and their 95% con fi dence intervals (shown by the grey bars) is shown in the fi gures below. From these 100 regressions, the median value of the coe ffi cient on the “% forest
loss ” variable is 0.265 and the inter-quartile range is from 0.199 to 0.352. In contrast, when the log per capita consumption variable and the Gini coe ffi cient were calculated from the same data series (as in
column (4) of Table 2 ) the coe ffi cient was 0.278. The coe ffi cient on the logarithm of per capita consumption has a median value from the 100 regressions of 0.051 and the inter-quartile range is from 0.042 to
0.063. These values are very close to the coe ffi cient estimate of

0.052 that is reported in Table 2 . In light of this similarity of results when the regressions use a leave-out mean, compared to when using the ordinary leave-in mean, it seems that bias in the results in columns
(4) and (6) of Tables 2, 3, and 4 from having a common data source for the left-hand side and right-hand side variables may not be too serious in this case.

References
Angelsen, A., Jagger, P., Babigumira, R., Belcher, B., Hogarth, N.J., Bauch, S., Börner, J.,
Smith-Hall, C., Wunder, S., 2014. Environmental income and rural livelihoods: a global-comparative analysis.
World Dev. 64 (S1), 12 – 28 .
Anselin, L., 1988. Spatial Econometrics: Methods and Models. Kluwer Academic
Publishers, Dordrecht .
Anselin, L., 2001. Spatial e ff ects in econometric practice in environmental and resource
economics. Am. J. Agric. Econ. 83 (3), 705 – 710 .
Aragón, F., Chuhan-Pole, P., Land, B., 2015. The local economic impacts of resource
abundance: What have we learned? (Policy Research Working Paper No. 7263). The World Bank .
Babigumira, R., Angelsen, A., Buis, M., Bauch, S., Sunderland, T., Wunder, S., 2014.
Forest clearing in rural livelihoods: household-level global-comparative evidence. World Dev. 64 (S1), 67 – 79 .
Bedi, T., Coudouel, A., Simler, K., 2007. More Than a Pretty Picture: Using Poverty Maps
to Design Better Policies and Interventions. World Bank Publications .
Berazneva, J., Byker, T., 2017. Does forest loss increase human disease? Evidence from
Nigeria. Am. Econ. Rev. 107 (5), 516 – 521 .
Boyce, J., 1994. Inequality as a cause of environmental degradation. Ecol. Econ. 11 (3),
169 – 178 .
Choumert, J., Motel, P., Dakpo, H., 2013. Is the environmental Kuznets curve for defor-
estation a threatened theory? A meta-analysis of the literature. Ecol. Econ. 90 (1), 19 – 28 .
Corrin, J., 2012. REDD+ and Forest Carbon Rights in Solomon Islands: Background Legal
Analysis. (Report Prepared for the SPC/GIZ Regional Project ‘ Climate Protection through Forest
Conservation in Paci fi c Island Countries ’) .
Cushing, L., Morello-Frosch, R., Wander, M., Pastor, M., 2015. The haves, the have-nots,
and the health of everyone: the relationship between social inequality and environmental quality. Annu. Rev.
Public Health 36, 193 – 209 .
Datt, G., Ravallion, M., 1992. Growth and redistribution components of changes in
poverty measures: a decomposition with applications to Brazil and India in the 1980s.
J. Dev. Econ. 38 (2), 275 – 295 .
Demombynes, G., Özler, B., 2005. Crime and local inequality in South Africa. J. Dev.
Econ. 76 (2), 265 – 292 .

75
J. Gibson
Drukker, D., Prucha, I., Raciborski, R., 2013. Maximum likelihood and generalized spatial
two-stage least-squares estimators for a spatial-autoregressive model with spatialautoregressive
disturbances. Stata J. 13 (2), 221 – 241 .
Elbers, C., Lanjouw, J., Lanjouw, P., 2003. Micro-level estimation of poverty and in-
equality. Econometrica 71 (1), 355 – 364 .
Elbers, C., Lanjouw, P., Leite, P., 2008. Brazil within Brazil: Testing the Poverty Map
Methodology in Minas Gerais (Policy Research Working Paper Series No. 4513). The World Bank .
Filmer, D., Pritchett, L., 2001. Estimating wealth e ff ects without expenditure data — or
tears: an application to educational enrollments in states of India. Demography 38 (1), 115 – 132 .
Garg, T., 2016. Ecosystems and Human Health: The Local Bene fi ts of Forest Cover in
Indonesia (mimeo, School of Global Policy and Strategy). University of California, San Diego .
Geoghegan, J., Pritchard, L., Ogneva-Himmelberger, Y., Chowdhury, R., Sanderson, S.,
Turner, B., 1998. “ Socializing the pixel ” and “ pixelizing the social ” in land-use and land-cover change. In:
Liverman, D., Moran, E., Rindfuss, R., Stern, P. (Eds.), People and Pixels: Linking Remote Sensing and Social
Science. vol. 3. National Research Council Chapter, pp. 51 – 69 .
Government of Solomon Islands, 2010. Initial Programme Document – Solomon Islands.
(Prepared by the Government of the Solomon Islands for the UN-REDD Programme 5th Policy Board Meeting,
November 2010) .
Hansen, M., Potapov, P., Moore, R., Hancher, M., Turubanova, S., Tyukavina, A., Thau,
D., Stehman, S., Goetz, S., Loveland, T., Kommareddy, A., 2013. High-resolution global maps of
21st-century forest cover change. Science 342 (6160), 850 – 853 .
Hughes, T., Crawford, P., Sutch, H., Tacconi, L., 2010. Solomon Islands Forest
Management Project II. (Independent Completion Report. Report Prepared for AusAid August – March
2010) .
Jansen, T., Pauku, R., Gibson, J., 2006. Study of Rural Sources of Income Summary
Report. Solomon Islands Agriculture and Rural Development Strategy, The World Bank, Honiara .
Katovai, E., Edwards, W., Laurance, W., 2015. Dynamics of logging in Solomon Islands:
76
Ecological Economics 148 (2018) 66–76
the need for restoration and conservation alternatives. Trop. Conserv. Sci. 8 (3), 718 – 731 .
Koop, G., Tole, L., 2001. Deforestation, distribution and development. Glob. Environ.
Chang. 11 (3), 193 – 202 .
López-Feldman, A., 2014. Shocks, income and wealth: do they a ff ect the extraction of
natural resources by rural households? World Dev. 64 (S1), 91 – 100 .
Mohamed, N., Clark, K., 1996. Forestry on customary-owned land: Some experiences
from the South Paci fi c (Rural Development Forestry Network Paper No. 19a). https://
www.odi.org/sites/odi.org.uk/ fi les/odi-assets/publications-opinion- fi les/1112.pdf .
Nguyen, T.T., Do, T.L., Bühler, D., Hartje, R., Grote, U., 2015. Rural livelihoods and
environmental resource dependence in Cambodia. Ecol. Econ. 120 (1), 282 – 295 .
Pauku, R., 2009. Solomon Islands forestry outlook study. In: Asia-Paci fi c Forestry Sector
Outlook Study II. UN Food and Agriculture Organization, Regional O ffi ce for Asia and the Paci fi c, Bangkok
(Working Paper No. APFSOS II/WP/2009/31) .
Sims, K., 2010. Conservation and development: evidence from Thai protected areas. J.
Environ. Econ. Manag. 60 (2), 94 – 114 .
Sinclair Knight Merz [SKM], 2012. Solomon Islands National Forest Resources
Assessment: 2011 Update. SKM, Honiara .
Torras, M., Boyce, J., 1998. Income, inequality, and pollution: a reassessment of the
environmental Kuznets curve. Ecol. Econ. 25 (2), 147 – 160 .
URS, 2014. Market Study for Solomon Islands Timber Exports: A Report for the Paci fi c
Horticultural and Agricultural Market Access Program (PHAMA). http://phama.com.
au/resources/technical-reports/market-study-for-solomon-islands-timber-exports/ .
Vedeld, P., Angelsen, A., Bojö, J., Sjaastad, E., Berg, G., 2007. Forest environmental in-
comes and the rural poor. Forest Policy Econ. 9 (7), 869 – 879 .
Wunder, S., Angelsen, A., Belcher, B., 2014a. Forests, livelihoods, and conservation:
broadening the empirical base. World Dev. 64 (S1), 1 – 11 .
Wunder, S., Börner, J., Shively, G., Wyman, M., 2014b. Safety nets, gap fi lling and forests:
a global-comparative perspective. World Dev. 64 (S1), 29 – 42 .
Zhao, Q., Lanjouw, P., 2003. Using PovMap2: A User's Guide. World Bank, Washington.
http://iresearch.worldbank.org/PovMap/PovMap2/PovMap2Manual.pdf .