Science and technical priorities for private sector action to address biodiversity loss
Notice bibliographique
Résumé
Target 15 of the Kunming-Montreal Global Biodiversity Framework recognizes the importance of the private sector monitoring, assessing and disclosing biodiversity-related risks, dependencies and impacts. Many businesses and financial institutions are progressing with science-based assessments, targets and disclosures and integrating into strategy, risk management and capital allocation decisions. Developments will continue in response to investor expectations, emerging corporate sustainability reporting regulations in Europe, China and elsewhere and evolving global sustainability reporting standards. Voluntary action is also being encouraged by the disclosure recommendations of the Taskforce on Nature-related Financial Disclosures and the target-setting methods of the Science Based Targets Network. Based on experience supporting the private sector in practice, we identify four critical science and technical advances needed to enable business action at scale and to redirect finance globally to halt and reverse biodiversity loss. First, consensus on indicators and metrics for measuring changes in the state of nature and provision of ecosystem services. Second, access to global, regularly updated, location-specific and consistent nature data. Third, standardized and consistent accounting systems that structure data, support risk management and create accountability at corporate, ecosystem and national levels. Fourth, integrated risk assessment approaches to help corporates, financial institutions, central banks and supervisors to assess nature-related risks.This article is part of the discussion meeting issue 'Bending the curve towards nature recovery: building on Georgina Mace's legacy for a biodiverse future'.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».