Economics of wildfire suppression: Estimation of drivers of suppression expenditure and Risk preference experiments with wildfire management
Notice bibliographique
Résumé
Public wildfire management agencies are presented with a momentous responsibility: to protect life, property and infrastructure from the devastation of wildland fire, while operating at a level of expenditure justifiable to taxpayers. At a time when climate change drives more extreme fire behaviour, agencies such as Alberta Wildfire must also be prepared to respond despite uncertain budgets. This thesis contributes by offering new empirical insights on wildfire suppression through two directions. Firstly, Chapter 2 focuses on the drivers of wildfire suppression costs. An empirical model seeks to explain how costs are affected by a series of environmental factors, such as time-variant weather variables and time-invariant landscape characteristics, as well as by operational policy variables based on Alberta Wildfire’s organizational capacity and priorities. Results from regression analysis and machine learning show that while policy decisions have measurable impacts on abating costs, the bulk of expenditures is driven by environmental factors. Chapter 3 studies risk aversion of Alberta Wildfire Incident Commanders (ICs). Through laboratory economic experiments, I seek to determine whether ICs, who are in a risky profession, exhibit risk preferences in laboratory experiments that are different from a control group. Results show that ICs’ experiment choices are not significantly different from those of typical experimental subjects across all risk elicitation tasks. However, among their colleagues, ICs with additional operational deployment experience tend to exhibit significantly lower levels of risk aversion. Findings from this study motivate further research into wildland firefighters’ risk preferences that will help decisionmakers better understand how individual risk perceptions impact resource allocation, and by extension, costs. Taken together, the novel insights generated from this thesis contribute to the multi-disciplinary field of wildfire suppression research.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».