Assessing economic exposure to nature nature-related risks
Bibliographic record
Abstract
La dégradation accélérée de la biodiversité expose les activités économiques et financières à des risques systémiques comparables à ceux liés au changement climatique. Nous proposons une méthode qui permet d’évaluer l’exposition socio-économique aussi bien aux risques physiques que de transitions de la plupart des pays du monde en recourant à des bases de données ouvertes et gratuites. Un exemple d’application d’évaluation de l’exposition de l’économie de l’Afrique du Sud est fourni. Cette méthode est perfectible. Elle ne suffit pas à réaliser des notations de risque pays ou des prises de décision d’allocation de capitaux ou de financement, mais elle fournit une évaluation préliminaire qui peut guider des diligences plus poussées et des prises de décisions plus éclairées de financement. Elle peut aider un large éventail de parties prenantes, de décideurs publics, de régulateurs de marché, d’entreprises et d’institutions financières à atteindre les objectifs d’amélioration du suivi, de l’évaluation et de la divulgation transparente des risques, des dépendances et des impacts sur la biodiversité des acteurs économiques. Elle peut ainsi contribuer à la réalisation de la cible 15 du Cadre mondial pour la biodiversité de Kunming-Montréal, ou à la mise en œuvre des recommandations de la Task-Force on Nature-related Financial Disclosure (TNFD) ou de la directive européenne relative à l’information sur le développement durable des entreprises (CSRD).
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 | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".