Economic costs of invasive bivalves in freshwater ecosystems
Notice bibliographique
Résumé
Abstract Aim To assess spatio‐temporal and taxonomic patterns of available information on the costs of invasive freshwater bivalves, as well as to identify knowledge gaps. Location Global. Time period 1980–2020. Taxon studied Bivalvia. Methods We synthesize published global economic costs of impacts from freshwater bivalves using the InvaCost database and associated R package, explicitly considering the reliability of estimation methodologies, cost types, economic sectors and impacted regions. Results Cumulative total global costs of invasive macrofouling bivalves were $ 63.7 billion (2017 US$) across all regions and socio‐economic sectors between 1980 and 2020. Costs were heavily biased taxonomically and spatially, dominated by two families, Dreissenidae and Cyrenidae (Corbiculidae), and largely reported in North America. The greatest share of reported costs ($ 31.5 billion) did not make the distinction between damage and management. However, of those that did, damages and resource losses were one order of magnitude higher ($ 30.5 billion) than control or preventative measures ($ 1.7 billion). Moreover, although many impacted socio‐economic sectors lacked specification, the largest shares of costs were incurred by authorities and stakeholders ($ 27.7 billion, e.g., public and private sector interventions) and through impacts on public and social welfare ($ 10.1 billion, e.g., via power/drinking water plant and irrigation system damage) in North America. Average cost estimates over the entire period amounted to approximately $ 1.6 billion per year, most of which was incurred in North America. Main conclusions Our results highlight the burgeoning economic threat caused by invasive freshwater bivalves, offering a strong economic incentive to invest in preventative management such as biosecurity and rapid response eradications. Even if the damages and resource losses are severely understated because economic impacts are lacking for most invaded countries and invasive bivalve species, these impacts are substantial and likely growing.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».