COVID-19 triggers great nonfinancial risk crisis: Nonfinancial risk management best practices in Canada
Notice bibliographique
Résumé
The spread of viral disease COVID-19 is the most transformative nonfinancial risk (NFR) of this decade triggering the Great Nonfinancial Risk Crisis. The uniting of strategy and risk management has never been more crucial for financial institutions. The interrelationship between the pandemic and the increases in ageing, chronic diseases, interstate conflicts, nationalism, cyber attacks, cyber dependency, asset bubble, and sovereign debt is transforming our reality in previously unimaginable ways. NFR management best practices Canadian Financial Institutions (FIs) prioritised NFR and adopted a NFR framework that enabled them to identify the spread of viral disease (COVID-19). Then they reprioritised COVID-19 risk into their existing enterprise risk management framework to reduce the exposure and impact of the pandemic and re-evaluated their strategic assumptions to reset their business strategy in light of the reprioritised risk matrix. In this paper, the author reviews best practices in managing NFRs and trends from the practitioner’s point of view. Thirteen Canadian FIs are reviewed along with their positioning of NFR pre- and post-COVID-19, and their recent enhancements to their NFR-management process. The author illustrates how the adoption of the Global Risks and Trends Framework by several Canadian FIs has influenced their preparation and resilience in this pandemic. Finally, the author discusses best practice examples, as well as challenges that still exist, how organisations have adjusted their strategy linking risk to their recent experience, and what lessons other FIs can learn about managing these NFRs.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».