Le taux d’actualisation contre le principe de précaution?
Bibliographic record
Abstract
L’utilisation du calcul économique sur le très long terme fait l’objet de critiques qui peuvent aller jusqu’à un rejet pur et simple, en particulier en raison de la technique de l’actualisation qui, en écrasant le poids du long terme, viendrait en contradiction avec le principe de précaution. Nous expliquons ici, sur la base de l’expérience des débats autour du changement climatique, en quoi, appliquée en toute rigueur, l’actualisation est au contraire un point de passage obligé pour clarifier les enjeux de la décision. Nous montrons en particulier que, dans un cadre de décision séquentielle avec acquisition d’information, le choix, qui restera toujours controversé, du coefficient de préférence pure pour le présent, importe moins que les hypothèses sur la croissance, sur la productivité du capital, sur les préférences des agents et sur leurs « croyances » vis-à-vis des dommages climatiques. Nous concluons sur le fait que le taux de préférence pure pour le présent ne saurait résumer à lui seul les questions de solidarité avec les générations futures. Il convient aussi d’examiner la nature de ce que nous léguons aux générations futures, en particulier les stocks de capital physique et de connaissance qui déterminent leurs capacités d’adaptation à de futures informations.
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 | 0.016 | 0.108 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.010 |
| Scholarly communication | 0.008 | 0.013 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".