Improving economic assessment and decision-making for managed retreat through CBA+: a targeted literature review
Notice bibliographique
Résumé
There is growing recognition that managed retreat, also known as strategic relocation, could be an increasingly important adaptation measure in the face of climate change and rising natural hazard risk. However, managed retreat’s potential benefits are limited by challenges in funding, negative participant experiences, public and political opposition, uncertainty in long-term climate change and natural hazard risk, and equity concerns, all of which increase the complexity of managed retreat decision-making. While there is some research on how economic assessment tools can be used to aid in managed retreat decision-making, there is a knowledge gap in how these practises contribute to both the causes and potential resolution of the challenges associated with managed retreat. To begin to fill this gap, this paper presents a targeted literature review on the nexus between managed retreat, cost–benefit analysis of climate change adaptation and natural hazard risk reduction, and alternative economic assessment and decision-making tools. We identify connections between economic assessment practises and the primary challenges associated with managed retreat and then present several avenues where changes or additions to standard economic assessment approaches such as cost–benefit analysis (which we collectively refer to as ‘CBA+’) could lead to better managed retreat outcomes. Finally, we present a framework and 10 key principles that summarise key aspects of CBA+ to help agencies involved in managed retreat improve outcomes through economic assessment and decision-making process design. The most important key principles are the context- and community-specific design of economic assessment and decision-making processes, and the need for ongoing and thorough community engagement and co-production.
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 | 0,001 |
| 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 ».