Équité environnementale : la répartition des espaces verts en milieu urbain, le cas de la ville de Montréal
Bibliographic record
Abstract
Cet essai a pour objectif d’explorer les stratégies qui permettraient de rééquilibrer la répartition des espaces verts urbains de la Ville de Montréal pour réduire les inégalités socio-environnementales qui touchent les quartiers défavorisés. Au début des années 80, des groupes considérés plus vulnérables, principalement les populations issues de la minorité visible, ont commencé à dénoncer les injustices socio-environnementales qu’elles vivaient. Ces protestations ont mené à la naissance du concept de la justice environnementale. Les enjeux qui relèvent de ce concept sont multiples. Dans le cadre de ce travail, on s’intéressera à ceux qui concernent la répartition des parcs et espaces verts urbains. En effet, il est reconnu que ces milieux offrent plusieurs avantages environnementaux, sociaux et économiques. Cependant, la littérature a démontré que leur présence est moins importante dans les quartiers plus défavorisés, et pourtant, ce sont les populations de ces secteurs qui pourraient en tirer le plus de bénéfices. Malheureusement, la Ville de Montréal n’échappe pas à cette réalité. Pour déterminer si la métropole canadienne détient les ressources nécessaires pour réduire les iniquités concernant ses parcs et espaces verts urbains, trois stratégies et initiatives inspirantes qui ont permis à différentes grandes villes de rétablir cet équilibre ont été analysées. Ensuite, après avoir tiré le portrait de la Ville de Montréal, il a été possible de créer une cadre d’analyse de type freins et leviers. Cet outil permettait de comparer les trois stratégies et initiatives inspirantes afin d’observer laquelle serait la plus propice à implanter à Montréal. De cette façon, il était alors possible de voir le potentiel de réalisation de projets de ce type dans le contexte montréalais. Les résultats ont montré que Montréal pourrait miser sur plusieurs leviers pour mettre en marche des projets axés sur la répartition des espaces verts urbains. Quelques freins représentent une barrière pour certaines stratégies et initiatives, mais aucune d’entre elles ne frappait l’ensemble des freins qui avaient été déterminés. Le manque de connaissances, notamment sur la situation sociodémographique du territoire, est le frein qui cause le plus de problèmes, car il touche les trois projets. La conclusion de cet essai met de l’avant que Montréal a tout en son pouvoir pour mettre en place des projets qui permettraient de réduire les iniquités environnementales concernant la répartition des parcs et espaces verts urbains. Le constat principal est que la Ville doit réaliser davantage de recherches et d’études sur sa population afin de bien identifier où sont les groupes plus vulnérables qui n’ont pas accès à des espaces végétalisés. De cette manière, il sera plus facile pour les acteurs municipaux de cibler les endroits où les interventions de verdissement devraient être réalisées. Les enjeux socio- environnementaux doivent être au cœur des projets d’aménagement d’infrastructure verte, si l’on veut que ces dernières permettent réellement d’améliorer la répartition des parcs et espaces verts sur l’île. Finalement, la Ville gagnerait à collaborer et impliquer davantage les diverses parties prenantes de son territoire, dont les OBNL et les citoyens, pour mieux saisir les enjeux et les besoins de ses citoyens.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.013 | 0.006 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 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".