Application de la séquence éviter-réduire-compenser en France : le principe d’additionnalité mis à mal par 5 dérives
Bibliographic record
Abstract
La séquence éviter-réduire-compenser a pris une importance croissante dans les politiques environnementales françaises au cours des dernières années. La loi de 2016 sur la reconquête de la biodiversité a encore renforcé le rôle de cet outil de politique publique. Dans un contexte de mobilisation croissante d’une diversité d’acteurs autour de cet instrument nous observons cinq « dérives » qui conduisent à créer un décalage entre l’ambition d’absence de perte nette de biodiversité mentionnée dans les textes et application de la séquence ERC sur le terrain : la mise en œuvre de la compensation écologique accapare les porteurs traditionnels de la conservation de la biodiversité ; la compensation finance les actions de conservation en manque de ressources, au détriment de l'additionnalité, et conforte le désengagement financier de l'État ; sa mise en œuvre pousse à la mise à disposition de terrains publics pour « débloquer » des situations ; elle suscite la recherche de rente de situation pour de nouveaux opérateurs de compensation ; et entraine une concurrence qui conduit à des compensations environnementales fondées sur le « moins disant ».
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 | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.013 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".