Assessing the effectiveness and the economic impact of evacuation: the case of the island of Vulcano, Italy
Notice bibliographique
Résumé
Abstract. Evacuation planning and management represent a key aspect of volcanic crises because they can increase people's protection as well as minimize potential impacts on the economy, properties and infrastructure of the affected area. We present an agent-based simulation tool that assesses the effectiveness of different evacuation scenarios using the small island of Vulcano (southern Italy) as a case study. Simulation results show that the overall time needed to evacuate people should be analysed together with the percentage of people evacuated as a function of time and that a simultaneous evacuation on Vulcano is more efficient than a staged evacuation. For example, during the touristic (high) season between July and August, even though the overall duration is similar for both evacuation strategies, after ∼ 6 h about 96 % of people would be evacuated with a simultaneous evacuation, while only 86 % would be evacuated with a staged evacuation. We also present a model to assess the economic impact of evacuation as a function of evacuation duration and of the starting period with respect to the touristic season. It reveals that if an evacuation lasting 3 to 6 months was initiated at the beginning or at the end of the touristic season (i.e. June or November), it would cause a very different economic impact on the tourism industry (about 78 %–88 % and 2 %–7 % of the total annual turnover, respectively). Our results show how the assessment of evacuation scenarios that consider human and economic impact carried out in a pre-disaster context helps authorities develop evacuation plans and make informed decisions outside the highly stressful time period that characterizes crises.
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 | 0,002 | 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 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 ».