Modèles de dépendance spatiale pour la gestion financière des inondations avec applications au Canada
Bibliographic record
Abstract
Les enjeux liés aux risques d’inondations suscitent une préoccupation croissante à l’échelle mondiale, y compris au Canada où les inondations sont de plus en plus fréquentes et entraînent des coûts en constante augmentation en raison des changements climatiques, de la croissance de la population et du développement dans les zones à haut risque. De ce fait, le risque d’inondation a le potentiel de représenter un risque systémique pour l’industrie de l’assurance, car les coûts associés à ces événements peuvent atteindre des niveaux extrêmement élevés, ce qui peut avoir des répercussions sur la profitabilité des assureurs. Dans ce contexte, ce mémoire a pour objectif général de développer des modèles de dépendance spatiale pour améliorer la gestion financière des inondations et d’examiner les implications pour l’industrie de l’assurance et le partage des risques au Canada. Pour atteindre cet objectif, différentes approches ont été introduites pour modéliser la dépendance spatiale dans les occurrences d’inondations, notamment en utilisant les copules pour introduire une dépendance spatiale basée sur la structure des bassins versants au Canada. Par la suite, une évaluation du potentiel de diversification a été réalisée dans divers portefeuilles en fonction des modèles de dépendance afin de mieux comprendre les stratégies de gestion des risques. Enfin, le risque de défaillance d’un fonds d’assurance est analysé ainsi que son influence sur le partage des risques financiers au Canada. Cette analyse permettra de mieux comprendre les mesures préventives et les mécanismes de gestion et de partage des risques afin d’assurer une saine gestion financière du risque d’inondation.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".