Leveraging Governance Performance to Enhance Climate Resilience
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
Abstract Enhancing the resilience of complex social‐ecological systems (SES) to climate change requires transformative changes. Yet, there are knowledge gaps on how best to achieve transformation. In this study, we present an approach for assessing governance performance in SES and identifying leverage points to ultimately enhance climate resilience. The approach combines three different methods including a capital approach framework, fuzzy cognitive mapping, and a leverage points analysis. Using a coastal case‐study in Algoa Bay, South Africa, the performance of governance processes contributing to different forms of capital is assessed. Subsequently, leverage points ‐ where a small shift may lead to transformative changes in the system as a whole ‐ are identified based on measures of centrality and performance. Results suggest that a range of leverage points can improve governance performance and therefore climate resilience in the case‐study. Leverage points include improving (a) support from the provincial government; (b) priority given to climate change in the integrated development plan; (c) frequency of collaborations; (d) participation in the implementation of climate action plans; (e) allocation of funding to climate change actions; (f) the overall level of preparedness in terms of staff with relevant expertise; (g) public awareness and understanding of climate change. The approach can also be used to analyze and model the relations and interactions between capitals. The study advances methodological and theoretical knowledge on the identification of leverage points for enabling transformations toward climate resilience and broader sustainability goals in SES.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle