Les marchés volontaires de crédits carbone au Québec : quels impacts dans la lutte aux changements climatiques ?
Bibliographic record
Abstract
Dans un contexte où les marchés volontaires du carbone sont à pleine croissance à travers le monde, l’objectif de cet essai est de recenser les meilleures pratiques de compensation carbone à l’internationale et d’évaluer les pratiques des principaux organismes de compensation québécois à l’aide d’une grille multicritère. Alors que de plus en plus d’entreprises se fixent des objectifs de carboneutralité, l’utilisation des crédits carbone dans les stratégies de décarbonation s’intensifie. Dans un marché volontaire non réglementé, le recours à ces crédits implique des enjeux de fiabilité multiples. L’intégrité environnementale des crédits carbone peut effectivement être minée par des problèmes d’additionnalité, de permanence et de mesurabilité selon le type de projet. L’analyse multicritère de quatre organismes de compensation québécois démontre que des efforts sont faits pour assurer le respect des principes fondamentaux de la compensation carbone. Toutefois, leur application est incomplète et elle varie d’un organisme à l’autre, et ce, malgré le fait que la plupart d’entre eux sont reconnus par des standards internationaux de certification. À cela s’ajoute le constat que les crédits carbone qui atteignent les plus hauts niveaux de performance conservent tout de même une part d’incertitude et que leur intégrité environnementale est difficile à assurer hors de tout doute. Au-delà de ces lacunes, ils peuvent toutefois contribuer à générer des co-bénéfices socio-économiques et environnementaux ainsi que stimuler l’innovation technologique. L’intérêt grandissant pour les mécanismes de compensation carbone et l’évolution constante des méthodologies et des pratiques amélioreront probablement l’efficacité de cet outil dans le futur. Pour l’instant, les résultats de l’analyse suggèrent une utilisation prudente du mécanisme de compensation carbone dans les stratégies de lutte aux changements climatiques. Le marché volontaire est un outil parmi plusieurs pour effectuer la transition vers la sobriété carbone, mais il comporte des imperfections qui doivent être prises en compte. Les méthodes employées par les organisations pour réduire leur empreinte carbone doivent donc limiter l’utilisation des crédits carbone et favoriser l’élimination et la réduction à la source.
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 | 0.001 |
| 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 | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".