MétaCan
Menu
Retour à la cohorte
Enregistrement W7111833459

How Can Municipalities in British Columbia and Quebec Contribute to Flood Risk Reduction?

2023· other· en· W7111833459 sur OpenAlexaboutno aff

Notice bibliographique

RevueTSpace · 2023
Typeother
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlood insuranceFlood mythRelocationSustainabilityEmergency managementRisk managementBusiness interruption insurance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Flood-related losses are on the rise in Canada and private insurance remains costly or unavailable in high-risk areas. Despite the introduction of overland flood insurance in 2015, following the federal government’s invitation to the insurance industry to participate in flood risk-sharing, federal and provincial disaster financial assistance programs still cover a large portion of these costs. As the risks increase, governments are questioning the sustainability of using taxpayers’ money to finance such losses, leaving municipalities with significant residual risk. The growing number of people and assets occupying flood-prone areas, including public infrastructure, has contributed to the sharp increase in flood damage costs. Based on a literature review and discussions with experts, this paper describes the municipal role in flood-risk management, and shows how provincial and federal financial assistance to municipalities for flood damage in British Columbia and Québec may be counterproductive in fostering flood-risk management at the municipal level. We conclude that municipalities can play a more proactive role in incorporating risk reduction as the key objective of disaster financial assistance and propose three specific policy instruments to help reduce the growing number of people living in flood zones: flood mapping, land-use planning, and the relocation of high-risk properties.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,385

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0060,001
Communication savante0,0050,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,246
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetFlood Risk Assessment and ManagementTravaux en français237 207