Le commerce de l’eau virtuelle : du concept à la politique
Bibliographic record
Abstract
Alors qu’un nombre grandissant de pays fait face à un problème de pénurie d’eau, de nouveaux moyens d’augmenter l’offre ou de réduire la demande tendent à émerger. C’est ainsi qu’on a pu remarquer que dans certaines régions, les importations alimentaires augmentent au fur et à mesure que les ressources en eau s’épuisent. De ce constat est né le concept d’eau virtuelle, qui cherche à rendre compte du rôle que joue le commerce international dans un contexte de pénurie d’eau. L’eau virtuelle peut se définir comme l’eau qu’a nécessitée la production d’un bien. Lorsqu’un pays importe ce bien, des denrées agricoles par exemple, il n’a pas à utiliser l’eau qui aurait été nécessaire à sa production. Sachant que les ressources en eau sont très inégale-ment réparties sur la planète et que l’agriculture est le plus grand consommateur mondial d’eau, peut-on considérer le commerce de l’eau virtuelle comme un moyen potentiellement efficace de diminuer les pénuries et leurs consé-quences ? Notre analyse montre plutôt que, non seulement le commerce de l’eau virtuelle constitue une stratégie présentement peu appliquée, mais que son potentiel face aux défis de la rareté de l’eau est très faible lorsqu’on considère le contexte politico-économi-que dans lequel il prend place.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.039 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.005 | 0.007 |
| 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".