Les difficultés d’application des plans de prévention en France : lorsque le territoire façonne le risque
Bibliographic record
Abstract
En 1995, l’État français a lancé une politique ambitieuse de prévention des risques par la réalisation de Plans de prévention des risques d’inondation (PPRI). En 2005, 5000 PPRI ont été approuvés et 10 000 sont projetés pour le futur. L’objectif quantitatif est très important : il vise à couvrir l’ensemble des communes touchées par le risque. Qualitativement, quel type de risque est affiché ? En 2006, plus de 10 ans après les premières réalisations des PPRI, que peut-on en dire ? Comment se passe le changement annoncé de ces politiques publiques en matière de risque d’inondation au regard des formes locales d’engagement, des expériences plurielles des risques ? Comment se passe la prévention du risque naturel et son articulation avec l’aménagement du territoire ? Les PPRI s’imposent comme servitudes d’utilité publique aux futurs plans locaux d’urbanisme (PLU). Ils constituent le dernier maillon de la politique de prévention ; à ce niveau-là, l’intérêt devient d’en comprendre la mise à l’épreuve. Quelques travaux s’intéressent à la mise en oeuvre de ces outils aux niveaux institutionnel et financier. Or, peu de recherches se consacrent à l’analyse de leur application et de leurs effets. L’intérêt de ce travail est de rendre compte de la performance de ces outils relativement silencieux qui échappent à la scène médiatique.
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 | 0.032 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.010 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 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".