Public Private Partnership to Brownfield Remediation Projects in China: A Combined Risk Evaluation Approach
Notice bibliographique
Résumé
Brownfields have been receiving significant attention all over the world because of their potential threats to the environment and public health. However, a funding shortage constitutes the main obstacle to the brownfield remediation (BR). In China, to ease financial dilemmas, the governments seek collaborations with private-sector companies, i.e., the Public Private Partnership (PPP) mode. Despite all the benefits, BR and PPP contain high risks, making stakeholders extremely cautious about investing in such projects. To support the decision-making process of the public and private parties, this paper designs a comprehensive approach to evaluate the risks of BR PPP projects in China. In more detail, several commonly used risk methods, such as TOPSIS, GRE, and FSE, are employed to construct a combined risk evaluation process, which applies multiple combined evaluation techniques to iteratively integrate individual results from those methods until a valid common result is achieved. To show the practical implementation procedure of the proposed combined approach, a hypothetical case study is performed to assess the risks of seven BR PPP projects. The analytical process also verifies that the consistency and reliability of the risk evaluation result can be achieved effectively and efficiently by jointly deploying multiple risk methods through combined techniques. The proposed decision framework facilitates a novel research idea in evaluating complicated risk situations, and can be applied to other similar scenarios where uncertainties and inconsistencies are inevitable.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».