A risk‐based mutual insurance premium framework for establishing indices of vulnerability to the intentional introduction of transboundary animal diseases
Notice bibliographique
Résumé
Biological agents as weapons of agro-crime or agro-terrorism pose threats to peace and economic stability. Such agents pre-exist worldwide as hazards, adversely affecting animal health, as well as imposing substantial burdens on many nations. Few studies have quantified the global risks and vulnerabilities of countries and regions to potential terrorist or criminal operations targeting animal health. We present here a risk-based mutual insurance premium framework for animal health outcomes built upon the World Organisation for Animal Health (WOAH) quantitative risk assessment paradigm. Our objective was to generate dimensionless and relative domain indices related to release and exposure for several biological factors, as well as to assess the preparedness and response ability of each country. We also considered disease-specific measures relating to pathogens, targeted animal populations, the ongoing disease situation, within- and among-country peace or conflict, disease-specific control measures, and the availability of technical tools and personnel for successful disease management. National economic, political, and research and development competencies were used to assess each WOAH Member's potential for resilience. We formulated indices of vulnerability for 25 WOAH Members selected from five worldwide regions; initially, against four transboundary infectious animal diseases that target diverse animal species. We developed these indices using variables obtained from public databases arising from multiple intergovernmental organizations. Subsequently, we compared the relative vulnerability indices among countries for each given disease using three different index building methods: arithmetic mean, distance matrix, and principal component analysis (PCA). The PCA-based approach provided the greatest ability to discriminate among the components and among countries and regions. Due to its transparency and reliance on publicly available datasets, the risk premium framework proposed herein may readily be adjusted by policymakers and agencies and utilized to improve risk management strategies against agro-crime or agro-terror events, as well as for unintentional disease introductions.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».