Kommunal kriseledelse i møte med naturhendelser og økt klimarisiko - Erfaringer fra fire kommuner i Vestland
Bibliographic record
Abstract
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».
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 | 0.007 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.016 | 0.009 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.065 | 0.019 |
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".