Making physical climate risk assessments relevant to the financial sector – Lessons learned from real estate cases in the Netherlands
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Climate change can be an important additional risk for the financial sector. For (large) investments in real estate, it is becoming increasingly important to take climate related risks into account. Yet, generating tailored physical climate risk information to make meaningful decisions about investment portfolios remains difficult. Using literature review, semi-structured interviews and reflection on four case studies implemented in the Netherlands, this paper presents lessons learned and recommendations for improving Physical Climate Risk Assessments (PCRA) for the financial sector. Results from the literature review show that simply selecting a PCRA methodology does not guarantee uptake of information by end-users, because there is no single approach that is suitable for all contexts. From the case interviews, we conclude that effective PCRA information is helpful for the financial sector in several ways; first, it supports investors to pinpoint which assets need attention and how much money is required to mitigate the impacts. Second, they serve as a template upon which clients make purchasing decisions. Third, they serve as a tool for determining the choice of building materials and the structure of properties. Fourth, they assist firms in the development of plausible adaptation strategies. Furthermore, we identified five cardinal points (that incorporate the perspectives of both providers and end-users) to improve the PCRA process: 1) Engagement and co-production, 2) Needs identification, 3) Data availability and quality, 4) Internal integration, and 5) Communication. These recommendation points will serve as a valuable reference to guide the selection and implementation of the most appropriate PCRA method for a given situation.
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.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle