Bibliographic record
Abstract
Dans les années à venir, les concessions hydroélectriques françaises seront soumises à un processus de mise en concurrence, avec une offre qui prévoit deux volets, économique et environnemental. Cette procédure pourrait générer un arbitrage entre transferts monétaires et engagements environnementaux. En particulier, nous anticipons que des compensations monétaires élevées vis-à-vis des autorités locales seront couplées avec des mesures de mitigation moins satisfaisantes et vice-versa . Cet article analyse les raisons à l’origine des choix des autorités locales auxquelles ces compensations s’adressent. À travers une expérience dans le cadre des modèles de choix discret (DCE) conduite dans la vallée de l’Aspe, où est installée une capacité hydroélectrique de 100 MW, nous considérons que les offres monétaires sont converties en rabais de la facture d’électricité pour les résidents. Nous testons dans ce contexte si la population locale préfère des économies sur la facture plus importantes ou une plus ample amélioration environnementale. Du point de vue méthodologique, nous calculons nos résultats suivant l’approche standard de l’espace des préférences et celle de la propension à payer ( willingness to pay , WTP). Nous montrons que la population locale révèle une préférence forte pour les améliorations environnementales. Cela nous emmène à conclure que les acteurs intéressés aux concessions hydroélectriques devraient donner une priorité forte aux mesures de mitigation. JEL Codes: H23, Q2, Q4, Q5.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.801 | 0.760 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".