Biological invasion costs reveal insufficient proactive management worldwide
Notice bibliographique
Résumé
The global increase in biological invasions is placing growing pressure on the management of ecological and economic systems. However, the effectiveness of current management expenditure is difficult to assess due to a lack of standardised measurement across spatial, taxonomic and temporal scales. Furthermore, there is no quantification of the spending difference between pre-invasion (e.g. prevention) and post-invasion (e.g. control) stages, although preventative measures are considered to be the most cost-effective. Here, we use a comprehensive database of invasive alien species economic costs (InvaCost) to synthesise and model the global management costs of biological invasions, in order to provide a better understanding of the stage at which these expenditures occur. Since 1960, reported management expenditures have totalled at least US$95.3 billion (in 2017 values), considering only highly reliable and actually observed costs - 12-times less than damage costs from invasions ($1130.6 billion). Pre-invasion management spending ($2.8 billion) was over 25-times lower than post-invasion expenditure ($72.7 billion). Management costs were heavily geographically skewed towards North America (54%) and Oceania (30%). The largest shares of expenditures were directed towards invasive alien invertebrates in terrestrial environments. Spending on invasive alien species management has grown by two orders of magnitude since 1960, reaching an estimated $4.2 billion per year globally (in 2017 values) in the 2010s, but remains 1-2 orders of magnitude lower than damages. National management spending increased with incurred damage costs, with management actions delayed on average by 11 years globally following damage reporting. These management delays on the global level have caused an additional invasion cost of approximately $1.2 trillion, compared to scenarios with immediate management. Our results indicate insufficient management - particularly pre-invasion - and urge better investment to prevent future invasions and to control established alien species. Recommendations to improve reported management cost comprehensiveness, resolution and terminology are also made.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».