Economics of Invasive Species
Notice bibliographique
Résumé
Abstract While the subset of introduced species that become invasive is small, the damages caused by that subset and the costs of controlling them can be substantial. This chapter takes an in-depth look at the economic damages non-native species cause, methods economists often use to measure those damages, and tools used to assess invasive species policies. Ecological damages are covered in other chapters of this book. To put the problem in perspective, Federal agencies reported spending more than half a billion dollars per year in 1999 and 2000 for activities related to invasive species ($513.9 million in 1999 and $631.5 million in 2000 (U.S. GAO 2000)). Approximately half of these expenses were spent on prevention. Several states also spend considerable resources on managing non-native species; for example, Florida spent $127.6 million on invasive species activities in 2000 (U.S. GAO 2000), and the Great Lakes states spend about $20 million each year to control sea lamprey ( Petromyzon marinus ) (Kinnunen 2015). Costs to government may not be the same as actual damages, which generally fall disproportionately on a few economic sectors and households. For example, the impact of the 2002 outbreak of West Nile virus exceeded $4 million in damages to the equine industries in Colorado and Nebraska alone (USDA APHIS 2003) and more than $20 million in public health damages in Louisiana (Zohrabian et al. 2004). Zebra mussels ( Dreissena polymorpha ) cause $300–$500 million annually in damages to power plants, water systems, and industrial water intakes in the Great Lakes region (Great Lakes Commission 2012) and are expected to cause $64 million annually in damages should they or quagga mussels ( Dreissena bugensis ) spread to the Columbia River basin (Warziniack et al. 2011).
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 | 0,000 | 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) | 0,227 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».