An Integrated Measurement Framework of City Resilience for Preparedness: A Case Study for Japan
Notice bibliographique
Résumé
In order to increase the resilience of cities, there has been substantial effort to improve preparedness for, and response to, unexpected disasters. However, there is no specific measurement framework to address the degree of preparedness of a city. This study proposes the development of such a framework, in three phases: (1) identify multiple risks to a city, using risk perception theory, (2) evaluate and categorize these risks, according to public risk perception, using principal components analysis (PCA), and, (3) following the selection of risks, evaluate the resilience policy structure by counting the number of existing policies and using analytic hierarchy process (AHP). This study was customized for eight representative cities in Japan. Twenty-eight risks were identified and categorized as “Risk anxiety level” and “Preventive controllability”, based on public risk perception. Following the selection of four risks – greenhouse gas generation, energy shortage, ecological destruction, and earthquake – the policy evaluation indicated that earthquakes have the strongest resilience policy structure in all eight cities. This was also reflected in the degree of city preparedness for resilience, which suggested that every city has relatively higher preparedness for earthquakes among the risks. These findings suggest that these cities’ policies are well engaged with public concern. The study provides information that can help policy makers to improve communication with the public to meet well-intentioned policy, to predict public response to potential risks, and to direct educational efforts. Such information can also be helpful in redefining policy approaches to strengthen cities’ and residents’ preparedness for external stresses.
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 | 0,006 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».