MétaCan
Menu
Retour à la cohorte
Enregistrement W2803052150

Paying for Urban Infrastructure Adaptation in Canada: An Analysis of Existing and Potential Economic Instruments for Local Governments

2015· article· en· W2803052150 sur OpenAlexaboutno aff
Julia Lauren Berry, Lisa Danielson

Notice bibliographique

RevueSummit (Simon Fraser University) · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePublic-Private Partnership Projects
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAdaptation (eye)BusinessEconomic analysisEnvironmental planningRegional scienceEconomicsGeographyAgricultural economics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

As is the case in many other countries in the Western hemisphere, local governments in Canada have a significant role to play in minimizing the impacts of climate change on their population, economy, and fiscal budgets. Simultaneously, local governments typically experience limited capacity, expertise, and limited financial resources.\nThis report examines a number of instruments that local governments in Canada may use to generate revenues in support of adaptation in general, and in support of the development of climate resilient infrastructure in particular. The report also examines instruments aimed at incentivizing behavioural changes at local levels that may reduce the need for public investments in adaptation, and could thereby reduce the need to generate revenues in support of such investments. The most effective combination of incentives and investments is likely to vary across local governments.\nFor local governments, it is recommended that they: include adaptation in long-term strategic planning using downscaled climate change projections; reduce incremental costs associated with climate change by incorporating adaptation actions into existing municipal processes (e.g., into infrastructure maintenance and replacement programs, or in updates of community plans); act strategically and be creative with the current tools available.\n

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,786
Score d'incertitude au seuil0,912

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,008
Études des sciences et des technologies0,0070,002
Communication savante0,0060,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,224
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSummit (Simon Fraser University)Même sujetPublic-Private Partnership ProjectsTravaux en français237 207