Vulnerability to climate change hazards and risks: crop and flood insurance
Notice bibliographique
Résumé
This paper reviews the widely used concepts of risk and vulnerability as they relate to climate and weather hazards, re‐conceptualizes these terms in the context of climate change and illustrates this development using crop and flood insurance as examples. Government subsidization of insurance against risks associated with adverse climatic conditions and weather events, such as flood damage and crop loss, may lead to individual decisions that actually increase the susceptibility of people, property and economic activities to those risks. The processes that give rise to this phenomenon are important in understanding the vulnerability of human populations to climate change. In many regions, existing conditions that give rise to flooding or crop failure are likely to be exacerbated by climate change over coming decades. In the climate change field, vulnerability has been conceptualised as a function of exposure to risk and as an ability to adapt to the effects. In this context, crop and flood insurance are possible adaptive measures. This treatment of vulnerability compares with similar concepts in insurance and risk management whereby events that cause loss are known as perils, and physical conditions, such as climate change, that increase the likelihood of a peril occurring, are known as physical hazards. Human behaviour that increases the exposure of individuals to potential perils is known as morale hazard or moral hazard, depending on the intentions of the person. Vulnerability consequently becomes a function of hazard and responses taken to reduce risk. Examples of crop and flood insurance programs from Canada, New Zealand and the U.S. are used to show how subsidized insurance might create a morale hazard in addition to physical hazards such as short‐term weather events and long‐term climate change, resulting in a higher level of vulnerability than would otherwise exist. These findings demonstrate that human behaviour affects the formation of both exposure and adaptive capacity in the context of vulnerability to climate change. Responses taken to increase adaptive capacity may in some cases be offset by individual behaviour that increases exposure.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».