Examining water risk perception and evaluation in the corporate and financial sector: a mixed methods study in Ontario, Canada
Notice bibliographique
Résumé
Abstract As primary users of a socially, economically, and environmentally significant yet increasingly stressed resource like water, the corporate and financial sectors have an important role in sustainable water management. However, extant literature reveals a gap in the empirical assessment of water risk perception and its influence on water risk evaluation and decision-making in the corporate and financial sectors. Our explanatory sequential mixed methods study examined the relationship between water risk perception and risk evaluation (risk ratings), addressing these gaps. We employed a cross-sectional survey (N = 25) followed by semi-structured interviews (N = 22), with a purposive expert sample of analysts, practitioners, and decision-makers in the corporate and financial sector in Ontario, Canada. Our study finds multi-dimensional risk perception factors, including knowledge, professional experience, perceived controllability, values, trust, location, and gender, that influence water risk ratings and vary with the type of risk. Moreover, the in-depth follow-up interviews reveal multiple drivers of different risk ratings, such as proximity bias, sector differences, trust in various institutions, as well as the influence of tacit knowledge, exposure, the role of regulations, media, and financial materiality. Our study empirically concludes that the water risk perception of analysts, practitioners, and decision-makers in the corporate and financial sectors is highly nuanced and impacts the evaluation of different water risks, and should be systematically integrated into risk assessment and decision-making frameworks. Our study advances knowledge in the fields of risk analysis and sustainable water management and contributes by empirically examining and explaining the complex and underexplored relationship between water risk perception factors and evaluation using novel interdisciplinary Risk Theory and mixed methods approaches. Finally, the study’s findings can help integrate sector and location-specific preferences and priorities with analytical data to design contextually-attuned decision support tools for sustainable water management strategies, policies, and practices.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,012 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».