A Comprehensive Methodology for Evaluating the Economic Impacts of Floods: An Application to Canada, Mexico, and the United States
Notice bibliographique
Résumé
In 2020, we developed a comprehensive methodology (henceforth, the methodology) to assess flood-related economic costs. The methodology covers direct damages, indirect effects, and losses and additional costs across 105 social, infrastructure, economic, and emergency response indicators. As a companion paper, this study presents findings from analysis of applying the methodology to investigate economic costs for major flood events between 2013 and 2017 and to assess gaps in the existing datasets across Canada, Mexico, and the United States. In addition, we conducted one case study from each country for an in-depth examination of the applicability of the methodology. Applying the methodology, Mexico showed the most complete flood indicator data availability and accessibility among the three countries. We found that most flood-related economic cost assessments evaluated only direct damages, and indirect effect data were rarely included in datasets in the three countries. Moreover, few of the records from Canada and the United States captured the losses and additional costs. Flood-related economic cost data at the municipal or county level were easily accessible in Mexico and the United States. Mexico’s National Center for Prevention of Disasters (Centro Nacional de Prevención de Desastres), unique among the three nations, provided access to centralized and comprehensive flood cost data. In the United States and Canada, data collection by multiple agencies that focus on different jurisdictions and scales of flood damage complicated comprehensive data collection and led to incomplete economic cost assessments. Our analysis strongly suggests that countries should aim to expand the set of data indicators available and become more granular across space and time while maintaining data quality. This study provides significant insights about approaches for collating spatial, temporal, and outcome-specific localized flood economic costs and the major data gaps across the three countries.
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 | 0,012 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».