Les stratégies des gouvernements locaux face aux chocs et aux crises : le rôle des capacités d’anticipation et de la vulnérabilité financière
Bibliographic record
Abstract
Le présent article s’appuie sur la littérature relative à la résilience financière des gouvernements et sur les données d’une enquête menée auprès de plus de 600 gouvernements locaux en Allemagne, en Italie et au Royaume-Uni, et examine le rôle que jouent les chocs externes, les capacités d’anticipation et les vulnérabilités perçues connexes dans la définition des différentes stratégies de réponse organisationnelle (c’est-à-dire les stratégies qui consistent à « rebondir » par rapport aux stratégies qui consistent à « aller de l’avant ») en temps de crise. Face aux chocs, les vulnérabilités perçues les plus grandes seront surtout associées aux stratégies de rebond, tandis que la présence d’une capacité d’anticipation sera associée aux stratégies consistant à aller de l’avant. Remarques à l’intention des praticiens La présente étude fait apparaître le rôle crucial des vulnérabilités perçues et des capacités d’anticipation des gouvernements locaux qui font face aux chocs et aux crises. Tandis que les réponses organisationnelles consistant à rebondir (comme le repli, l’effet tampon, la réduction des effectifs, les mesures d’austérité) sont fortement liées aux vulnérabilités connexes, la mise en œuvre de stratégies consistant à aller de l’avant (comme la transformation, le repositionnement, la réorientation) dépend principalement des capacités d’anticipation, qui permettent aux organisations de mieux reconnaître les chocs potentiels avant qu’ils ne se produisent. Ce constat souligne l’importance de développer des capacités d’anticipation plus larges au sein des gouvernements locaux, et de les considérer comme un élément clé pour faire face efficacement aux situations difficiles, ainsi que pour construire et entretenir une culture de la résilience financière.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".