Gouvernance, efficacité et justice des instruments de politiques agricoles visant à favoriser la provision de services environnementaux : une analyse comparée entre Costa Rica et France (Guadeloupe)
Bibliographic record
Abstract
Le programme de Reconnaissance des bénéfices environnementaux (« Reconocimiento de Beneficios Ambientales », RBA) au Costa Rica et les Mesures Agri-Environnementales (MAE) en France font partie des instruments incitatifs de politiques agricoles visant à protéger l’environnement. À partir d’une analyse comparée multicritère de l’application de ces deux instruments dans le Guanacaste au Costa Rica et en Guadeloupe en France, nous caractérisons les potentiels et les limites des politiques agricoles visant à favoriser la provision de services environnementaux en termes d’efficacité et de justice. Des enquêtes sont conduites auprès des gestionnaires et des bénéficiaires de ces instruments. Dans ces deux cas, la gouvernance reste dominée par des acteurs du secteur agricole et les programmes sont efficaces dans le sens où ils atteignent des objectifs qui étaient affichés (augmentation des pâturages améliorés pour le RBA, diminution de l’usage des pesticides pour les MAE). Cependant, l’additionnalité des programmes est incertaine. Les deux cas étudiés présentent des différences relatives à l’équité dans la distribution des fonds publics. Alors que le Costa Rica a mis en place des modalités concrètes et précises de plafonnement des aides, en France, dans le cas de la Guadeloupe, la répartition des fonds attribués aux MAE reproduit l’inégalité existante dans la répartition des fonds publics (le budget des MAE étant concentré sur les principales filières qui bénéficient déjà de l’essentiel des subventions). L’équité est apparue comme une préoccupation des gestionnaires et elle a induit des inflexions dans les modalités de mise en œuvre. Ces résultats soulignent l’importance de la gouvernance dans l’orientation et les résultats obtenus par ces instruments incitatifs.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".