A comparative case study of multistakeholder responses following oil spills in Pointe d’Esny, Mauritius, and Huntington Beach, California
Notice bibliographique
Résumé
Oil spills generate negative ecological, societal, economic, and public health impacts, and require rapid response to contain and mitigate damages. Prompt and effective emergency management of acute events like oil spills is highly dependent on the social, institutional, and ecological context. In August 2020, the wreckage of the MV Wakashio spilled 1000 tonnes of fuel oil along an ecologically sensitive coastline in Pointe d’Esny, Mauritius. In October 2021, an offshore pipeline split and released 78 tonnes of crude oil off the coast of Huntington Beach in California. We compare responses among three sets of stakeholders (government, non-governmental organizations, and local residents) during the first 10 days of both oil spills, which also occurred during the COVID-19 pandemic. In Mauritius, unfavorable weather conditions and COVID-19-related border closures that delayed international support impeded government action, creating a leadership and trust vacuum among residents regarding the immediate cleanup response. This perceived gap was subsequently complemented by NGOs coordinating improvised artisanal boom production and local volunteer cleanup efforts, with limited protection or public health training. By contrast, prompt state and local government intervention in Huntington Beach created a clear chain of command with NGOs and residents deferring to official guidance. In both cases, the oil spills created new policy opportunities to improve emergency management plans and reduce future risks. Our results demonstrate the influence of prior local expertise in managing earlier disasters and resources on governmental and organizational capacity. Incorporating and ensuring on-the-ground disaster expertise in response activities improves government-led crisis response, subsequently protecting ecosystems and residents. Effective multi-level crisis response helps address a range of environmental and social justice concerns related to negative impacts of spills on local communities. Our study discusses how learnings from disaster management can reinforce social-ecological resilience in coastal communities dealing with increasing anthropogenic stressors.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».