La criminalité environnementale est-elle neutralisable ? Une analyse appliquée au cas Trafigura/Probo-Koala
Bibliographic record
Abstract
Cet article a pour objectif de vérifier si les crimes environnementaux peuvent faire l’objet d’une neutralisation à l’instar des crimes en col blanc. En effet, depuis quelques années, une littérature scientifique abondante a relevé l’emploi d’excuses, de justifications ou d’un langage banalisant la gravité des comportements déviants par les personnes physiques ou morales impliquées dans la criminalité économique. Étant donné que la criminalité en col blanc est généralement non violente, la question est alors de savoir si les crimes environnementaux commis avec violence peuvent faire l’objet de discours de neutralisation. L’article est basé sur l’analyse des communiqués et discours produits par l’entreprise Trafigura après le déversement des déchets toxiques à Abidjan (Côte d’Ivoire) ayant fait plus de dix morts et des milliers de blessés. Le constat qui est fait est que la criminalité environnementale, bien que pouvant présenter des caractéristiques qui la rapprochent des crimes violents, fait appel à presque les mêmes techniques de neutralisation que la criminalité en col blanc. En définitive, il est possible de conclure que malgré sa violence, la criminalité environnementale est essentiellement considérée par les délinquants comme une criminalité économique. Bien évidemment, cette ressemblance n’empêche pas les entreprises de contextualiser leurs manoeuvres de neutralisation en tenant compte de l’environnement social, économique et politique dans lequel survient la criminalité environnementale.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".