Vers une politique française de compensation des impacts sur la biodiversité plus efficace : défis et perspectives
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La question de la compensation des impacts résiduels des projets d’aménagement sur la biodiversité suscite de nombreux débats : droit à détruire pour les uns, taxe non assumée pour les autres. Les recommandations sur la bonne application de la séquence Eviter – Réduire – Compenser publiées en 2012 et 2013 par le ministère français en charge de l’environnement affichent une forte ambition, et de solides bases théoriques, afin de respecter le principe de « no net loss » (pas de perte nette) de biodiversité. Toutefois, l’analyse des textes et la comparaison avec les expériences internationales, montrent que la forte demande de solutions de compensation couplée à l’absence d’exigences clairement formulées en termes de moyens techniques, juridiques et financiers à mettre en œuvre, et d’évaluation des performances, conduisent les acteurs des procédures d’autorisation à se satisfaire trop souvent de mesures peu performantes en termes écologiques (pertes nettes), et avec de faibles garanties de pérennité. En France, ce travail de conception de la compensation a été transféré vers les services instructeurs de l’État en région, voire aux aménageurs eux-mêmes, ce qui génère des solutions de compensation, conçues au cas par cas, très hétérogènes dans leurs définitions et leurs mises en œuvre. Si les défis institutionnels et scientifiques soulevés par la mise en œuvre de la compensation ne sont pas résolus, alors les craintes d’un échec du pari d’un aménagement plus durable seront avérées : la France se sera satisfaite de compensations « de papier ».
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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 it