Evaluating Risk from Disasters to Improve Resilience: Lessons from Nigeria and South Africa
Notice bibliographique
Résumé
Disaster risk is linked not only to the occurrence of severe hazards but also to the vulnerability factors that make disasters more likely when they do. Vulnerability is frequently associated with a set of fragilities, susceptibilities, and difficulties involving the lack of resilience of exposed human settlements in disaster-prone areas. It is also directly tied to social processes and governance deficits in disaster-prone areas. This study aimed at evaluating disaster risk over Nigeria and South Africa to improve resilience in the affected regions and to compare risk to assets in the two countries with the global average. This study reveals that Nigeria recorded losses to assets, economic resilience, and risk to well-being with about 0.12%, 48.3%, and 0.25% compared to the global average of about 0.63%, 61.12%, and 1.07%, respectively. More so, South Africa recorded losses to assets, economic resilience, and risk to well-being with about 0.24%, 55.13%, and 0.43% compared to the global average of about 0.63%, 61.12%, and 1.07%, respectively. Findings from both countries revealed that risks associated with disasters were high compared to the global average. This development requires urgent efforts to reduce risks in the two nations, as climate change continues to magnify natural hazards. Because protection infrastructure alone cannot eliminate risk, a more resilient strategy and inclusion of the outcomes in the planning and decision-making process are needed to critically break the cycle of disaster-induced poverty and vulnerability.
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 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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 tête enseignante, 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 ».