<scp>RACIAL INEQUITY IN GREEN INFRASTRUCTURE AND GENTRIFICATION</scp>: Challenging Compounded Environmental Racisms in the Green City
Notice bibliographique
Résumé
Abstract This article explores the role that green gentrification plays in exacerbating racial tensions within historically marginalized urban communities benefiting from new environmental amenities such as parks, gardens, waterfront restoration and greenways. Building on extensive qualitative data from three cities in Europe (Amsterdam, Vienna, Lyon) and four cities in the United States (Washington, Austin, Atlanta, Cleveland), we use thematic analysis and grounded theory to examine the complex relationship between historical environmental and racial injustices and current racial green inequities produced by the green city agenda. Our analysis also offers insights into the main differences in how community members articulate concerns and demands over racial issues related to green gentrification in Europe versus North America. Results show that urban greening—and green gentrification specifically—can create ‘compounded environmental racisms’ by worsening racial environmental injustices and further perpetrating green racialized displacement, re‐segregation and exclusion. The latter is produced by the racial inequities embedded in green infrastructure projects and the related unequal access to environmental benefits, affordable housing, political rights and place‐making. Moreover, we find that settler colonial practices combined with persisting exposure to toxins and re‐segregation in the United States together with neocolonial spatial and social practices in Europe shape how racialized community members perceive and interact with new green amenities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».