La prise en compte des risques ESG dans les entreprises agroalimentaires québécoises
Bibliographic record
Abstract
Malgré l’importance stratégique et économique du secteur agroalimentaire, les enjeux environnementaux, sociaux et de gouvernance (ESG) spécifiques à ce secteur sont encore relativement peu étudiés. Les définitions sont souvent assez générales et la pertinence de risques ESG est perçue de façon plutôt élastique. La diversité des risques et les imbrications inhérentes à l’agroalimentaire sont peu renseignées et donc mal saisies par les parties prenantes. Pourtant, à lui seul, ce secteur est responsable de 10 % des émissions de gaz à effet de serre (GES) du Québec. À cela s’ajoutent les enjeux de gaspillage alimentaire, d’habitudes de consommation, de gestion des déchets, ou encore des conditions de travail et de respect des normes. Cela représente autant de risques financiers et réputationnels potentiellement lourds pour les entreprises. Dans cette étude, les auteurs examinent les enjeux associés aux risques ESG du secteur agroalimentaire et mettent de l’avant des éléments qui permettraient d’améliorer le suivi de la performance ESG des entreprises et ainsi d’atténuer les risques. Les auteurs brossent un portrait des enjeux et des pratiques dans ce domaine afin de mieux comprendre les motivations pour la mise en place de ces pratiques, les enjeux saillants dans le secteur agroalimentaire et les principales initiatives adoptées par les entreprises.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".