Kommunal kriseledelse i møte med naturhendelser og økt klimarisiko - Erfaringer fra fire kommuner i Vestland
Notice bibliographique
Résumé
I dette prosjektet har vi undersøkt hvilke utfordringer fire små kommuner i Vestland fylke opplever i møte med naturhendelser og økt klimarisiko. Innledningsvis tar vi utgangspunkt i aktuell kunnskap om juridiske, organisatoriske og operative forhold som rammer inn de fire forskningsspørsmålene vi ønsker å belyse. Det empiriske grunnlaget for analysene består av dokumentanalyse av kommunenes Risiko og Sårbarhetsanalyser (ROS) og beredskapsplaner. I tillegg har vi også intervjuet de fire kommunedirektørene, som også er ledere av KKL, i egen kommune.\nDokumentanalysen viser at alle kommunene har planer i tråd med gjeldende lovverk og de beskriver naturhendelser og økt klimarisiko. Det foreligger planer for øving, evaluering og samhandling. Intervjuene nyanserer bildet og viser at alle kommunene anerkjenner viktigheten av beredskapsarbeid, både i teori og praksis, men at de alle strever med å prioritere dette arbeidet i konkurranse med mange andre lovpålagte oppgaver. I tillegg la kommunene vekt på at ressurssituasjonen og økonomien er presset, noe som forsterker utfordringen med å jobbe systematisk med samfunnssikkerhet og beredskap. \nOppsummert viser studien at selv om alle de fire kommunene hadde gjennomført lovpålagte oppgaver som å etablere ROS analyse og beredskapsplaner ble systematisk øving og trening av kommunens kriseberedskap ofte nedprioritert til fordel for mer presserende driftsoppgaver. Ingen kommuner har gjennomført øvelser i egen regi de siste årene. Dette er identifisert som et forbedringsområde. En kommune beskriver det slik; «Vi har et bra system i teorien, og vi har et bra system på hvordan og rekkefølgen, men det er for lite tid til øvelser».
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».