Public Policy and Incentives for Socially Responsible New Business Models in Market-Driven Real Estate to Build Green Projects
Notice bibliographique
Résumé
The construction industry and the built environment accounts for 38% of global greenhouse gases. Significant efforts are being implemented across stakeholder categories to provide supportive guidelines and ways to address the negative impact; however, market developers need to be engaged to create the scale of impact due to large portfolios. Unfortunately, the short-term interests of private developers in real estate are to maximize profits and not to invest in long-term climate mitigation strategies. This paper will address the barriers and opportunities to incentivize, regulate real estate developers, and account for the market to adopt the lens of the B-Corp movement’s triple bottom line business practices, using business to address social and environmental challenges. Academically, accepted theories addressed through a literature review will be analyzed by a socially-oriented developer in Montreal and demonstrated through an eco-district case study. This study will identify the key stakeholders and address the life cycle thinking process to tackle the carbon impacts in the building development sector through the lens of real estate developers. This literature review will be complemented by the empirical study of one of the authors being a private developer, to link academic best practices with the market realities of real estate development. The findings of the process will outline possible solutions to real estate development that suggest cities have the opportunity to play the role of an educator, mediator, regulator, and incentivizing body to private real estate developers. Generally, critical factors of collaboration and capacity building through business modelling lists of barriers and opportunities could promote positive adoption opportunities for large-scale green development projects with a high impact on climate mitigation strategies, which could transform how the construction industry adapts to building green and socially inclusive communities.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,015 | 0,008 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,009 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».