Public Banks + Public Water = SDG 6?
Notice bibliographique
Résumé
Sustainable Development Goal 6 aims to achieve universal access to water and sanitation services by 2030; this is expected to cost an estimated US$150 billion per year. Where will this funding come from? One possibility is private finance in the form of direct equity investment from private water companies and lending from commercial banks. Evidence suggests, however, that private investments in water and sanitation have not materialised as planned due to the sector's risk - return profile. Water and sanitation are considered ‘too risky’ by private investors and returns insufficiently rewarding. One alternative that may help to fill the water supply and sanitation (WSS) funding gap is an as yet untapped source of public finance: public banks. There are over 900 public banks in the world, with US$49 trillion in assets; they have, however, been largely underestimated as an important source of water and sanitation funding and have also been neglected by academic research and by mainstream policy organisations such as the World Bank. There is a need to better understand how public banks can be mobilised as effective funders of public water. In this article we provide a brief history of public banking practices in the water sector, review their pros and cons, and discuss the significance of the emergence of a new type of public water operator and the potential these entities offer for financing in this sector.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,357 | 0,156 |
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 ».