Disaster Risk Analysis Part 2: The Systemic Underestimation of Risk
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract How risk is defined, the nature of methodologies used to assess risk, and the degree to which rare events should be included in a disaster risk analysis, are important considerations when developing policies, programs and priorities to manage risk. Each of these factors can significantly affect risk estimation. In Part 1 of this paper [Etkin, D. A., A. A. Mamuji, and L. Clarke. 2018. “Disaster Risk Analysis Part 1: The Importance of Including Rare Events.” Journal of Homeland Security and Emergency Management .] we concluded that excluding rare events has the potential to seriously underestimate the cumulative risk from all possible events, For example, of the 100 most expensive weather disasters in the US, the single most expensive event accounts for 16% of total economic impacts. Similarly, the worst explosion disaster accounts for 17% of the fatalities of the total 100 worst events. though including them can be very challenging both from a methodological and data availability perspective. Underestimating risk can result in flawed disaster risk reduction policies, resulting in insufficient attention being devoted to mitigation and/or prevention. In Part 2, we survey various governmental emergency management policies and methodologies in order to evaluate varying equations used to define risk, and to assess potential biases within disaster risk analyses that do comparative risk ranking. We find (1) that the equations used to define risk used by emergency management organizations are frequently less robust than they should or are able to be, and (2) that methodologies used to assess risk are often inadequate to properly account for the potential contribution of rare events. We conclude that there is a systemic bias within many emergency management organizations that results in underestimation of risk.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle