Calculer la rentabilité future de projets de développement durable : besoins, atouts et limites
Bibliographic record
Abstract
Résumé Les organisations s’engagent de plus en plus en matière de développement durable. Leurs ressources étant limitées, elles doivent faire des choix entre plusieurs initiatives de développement durable. Mais comment faire ses choix ? Cet article propose un entretien avec Thibaut Millet, Responsable du groupe Changements climatiques et Développement durable d’Ernst & Young à Montréal. Dans cet entretien, M. Millet nous parle d’un outil innovateur qui permet d’estimer quantitativement et financièrement les initiatives de durabilité d’un projet de développement durable en évaluant ses bénéfices (directs et indirects) pour la valeur de l’entreprise. Cette approche permet, d’une part, de considérer les conditions et les impacts sociaux et environnementaux externes dans la prise de décision et, d’autre part, de transformer la perception de la durabilité comme centre de coûts et mal nécessaire en un atout stratégique dont les investissements génèrent des occasions d’affaires. Il faut toutefois voir dans un tel calcul de la rentabilité d’un projet de développement durable un outil complémentaire à la prise de décision en cette matière qui comporte des atouts mais aussi des limites. L’article traite d’abord des raisons d’élaborer un tel outil d’évaluation des projets de développement durable, c’est-à-dire le déclencheur, les objectifs de même que les attentes qu’il permet de combler. Par la suite, nous présentons succinctement les forces et les limites de cet outil. Fonctions : management, finance, comptabilité
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 | 0.007 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".