Modeling post‐disaster recovery: Accounting for rental and multi‐family housing
Notice bibliographique
Résumé
Post‐disaster housing recovery models increase our understanding of recovery dynamics, vulnerable populations, and how people are affected by the direct losses that disasters create. Past recovery models have focused on single‐family owner‐occupied housing, while empirical evidence shows that rental units and multi‐family housing are disadvantaged in post‐disaster recovery. To fill this gap, this article presents an agent‐based housing recovery model that includes the four common type–tenure combinations of single‐ and multi‐family owner‐ and renter‐occupied housing. The proposed model accounts for the different recovery processes, emphasizing funding sources available to each type–tenure. The outputs of our model include the timing of financing and recovery at building resolution across a community. We demonstrate the model with a case study of Alameda, California, recovering from a simulated M7.0 earthquake on the Hayward fault. The processes in the model replicate higher non‐recovery of multi‐family housing than single‐family housing, as observed in past disasters, and a heavy reliance of single‐family renter‐occupied units on Small Business Administration funding, which is expected due to low earthquake insurance penetration. The simulation results indicate that multi‐family housing would have the highest portion of unmet need remaining; however, some buildings with unmet needs are anticipated to be able to obtain a large portion of their funding. The remaining portion may be filled using personal financing or may be overcome with downsizing or downgrades. Multi‐family housing would also benefit the most from Community Development Block Grants for Disaster Recovery (CDBG‐DR). This benefit is a result of modeling the financing sources, that CDBG‐DR is available, and that many multi‐family buildings do not qualify for other sources. Communities’ allocation of public funding is important for housing recovery. Our model can help inform and compare potential financing policies to allocate public funds.
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 | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».