A methodology to estimate postdisaster unmet housing needs using limited data: Application to the 2017 California wildfires
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
In the United States, assistance from the Department of Housing and Urban Development (HUD) plays an essential role in supporting the postdisaster recovery of states with unmet housing needs. HUD requires data on unmet needs to appropriate recovery funds. Ground truth data are not available for months after a disaster, however, so HUD uses a simplified approach to estimate unmet housing needs. State authorities argue that HUD's simplified approach underestimates the state's needs. This article presents a methodology to estimate postdisaster unmet housing needs that is accurate and relies only on data obtained shortly after a disaster. Data on the number of damaged buildings are combined with models for expected repair costs. Statistical models for aid distributed by the Federal Emergency Management Agency (FEMA) and the Small Business Administration (SBA) are then developed and used to forecast funding provided by those agencies. With these forecasts, the unmet need to be funded by HUD is estimated. The approach can be used for multiple states and hazard types. As validation, the proposed methodology is used to estimate the unmet housing needs following disasters that struck California in 2017. California authorities suggest that HUD's methodology underestimated the state's needs by a factor of 20. Conversely, the proposed methodology can replicate the estimates by the state authorities and provide accounts of losses, the amount of funding from FEMA and SBA, and the total unmet housing needs without requiring data unavailable shortly after a disaster. Thus, the proposed methodology can help improve HUD's funding appropriation without delays.
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 | 0,001 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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