The Application of Composite Indicators to Disaster Resilience: A Case Study in Osaka Prefecture, Japan
Notice bibliographique
Résumé
This paper presents an empirical verification of the measurement of baseline characteristics for fostering regional resilience. A set of indicators was selected from previous studies of disaster resilience, and an environmental element was added. The aims of the study were (1) to select a set of indicators that could be used for measuring disaster resilience, based on a review of the research literature, (2) to evaluate these indicators using the statistical approach of standardization, and to visualize the results using Geographic Information System (GIS) technology, and (3) to identify the key resilience characteristics using principal component analysis (PCA). The study focused on 29 municipalities in Osaka Prefecture, Japan. From the literature review, a total of 17 disaster resilience indicators were selected, covering economic, social, and community connection factors. The novel environmental attributes were selected from the literature on environmental sustainability. The standardized measures demonstrated that municipalities with a high level of resilience were also ranked highly on both the “social” and “community connection” attributes. The GIS mapping resulted a prominent urban-suburban divide, with urban areas having a lower level of resilience than suburban areas. The PCA demonstrated significant variation across the 29 municipalities, characterized by the factors “living standard” and “regional involvement.” An understanding of these baseline characteristics would allow governments to monitor chronological changes in the resilience of specific regions. This information can be used to support the establishment of an evaluation platform, and can contribute to a more systematic management of resilience.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».