A CGE Framework for Modelling the Economics of Flooding and Recovery in a Major Urban Area
Notice bibliographique
Résumé
Coastal cities around the world have experienced large costs from major flooding events in recent years. Climate change is predicted to bring an increased likelihood of flooding due to sea level rise and a higher frequency of severe storms. In order to plan future development and adaptation, cities must know the magnitude of losses associated with these events, and how they can be reduced. Often losses are calculated by adding up insurance claims or surveying flood victims. However, this largely neglects the loss due to the interruption of economic activity caused by a flood. There have been some attempts to account for the output losses using input-output techniques, but these do not account for the mitigation achieved through flexible prices, changes in output composition, and factor substitution. Here, we use a computable general equilibrium (CGE) model to study how a local economy responds to a flood, focusing on the subsequent recovery/reconstruction. Initial damage is modelled as a shock to the capital stock and recovery requires rebuilding that stock. We apply the model to Metro Vancouver by considering a flood scenario causing total capital damage of $14.6 billion spread across five municipalities. Transportation and Warehousing are most severely impacted, followed by Manufacturing and Wholesale Trade. We find that the GDP loss relative to a scenario with no flood is 1.9% ($2.07B) in the first year after the flood, 1.7% ($1.97B) in the second year, 1.5% ($1.70B) in the fifth year and 1.1% ($1.42B) in the twentieth year. We also find that the losses tend to scale approximately linearly with the damage rate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».