Mesure et réduction de l’empreinte carbone d’une élection générale québécoise
Bibliographic record
Abstract
L’atteinte des objectifs de l’Accord de Paris et l’atténuation des changements climatiques d’ici 2100 nécessitent une réduction substantielle des émissions de gaz à effet de serre (GES). Tous les secteurs économiques sont concernés par ces objectifs de réduction de GES. Le processus électoral n’y échappe pas et très peu d’études existent sur le sujet. L’objectif de cette étude est de quantifier l’empreinte carbone d’une élection générale québécoise. Pour y parvenir, cette recherche s’est basée sur les principes de la norme ISO 14064-1 et des méthodes de calcul issues de diverses sources provinciales et internationales pour effectuer la quantification des émissions. Un scénario avec cinq moyens de réduction a été aussi analysé. Les moyens sont : 1) la réduction de 15% des achats de matériel électoral ; 2) la formation du personnel en mode virtuel ; 3) les déplacements de fonction en véhicule électrique ; 4) le transport avec des fournisseurs ayant une flotte de camions électriques ; 5) le déplacement de personnes votantes en transport actif. Selon ce scénario, Élections Québec appliquerait les moyens proposés pour atteindre la cible de réduction du gouvernement du Québec de 37,5 % des émissions de GES d’ici 2030 par rapport à celles de 1990. L’empreinte carbone des élections calculée pour 2018 et 2022 était de 2 212 t éq. CO2 et 3 036 t éq. CO2, respectivement. Les résultats montrent que les déplacements des personnes votantes ont contribué en 2018 et 2022 respectivement à 76 % et 56 % aux émissions totales de GES des élections générales québécoises. Une importante différence a été observée pour le poste « Matériel » qui a varié de 3 % des émissions totales en 2018 à 27 % en 2022, en raison des mesures sanitaires de la COVID-19. L’étude a révélé aussi que la densité des personnes votantes sur le territoire a un effet significatif sur les émissions de GES associées aux élections. Les plus grandes distances ont été parcourues dans les circonscriptions à plus faible densité. Les résultats du scénario montrent que Élections Québec pourrait atteindre jusqu’à 35 % de la cible de réduction de 37,5 % du gouvernement du Québec si elle arrive à : améliorer sa politique d’approvisionnement avec une réduction de 15 % des achats de matériel électoral ; (b) réaliser des formations à distance pour le personnel électoral ; (c) utiliser des véhicules zéro émission pour les déplacements de fonction ; (d) engager des fournisseurs de transport ayant des camions électriques ou hybrides ; (e) faire une campagne de sensibilisation pour inciter 10 % de personnes votantes à utiliser le transport actif au détriment de l’automobile. Ce travail servira à alimenter les réflexions au niveau de Élections Québec en matière d’actions à mettre en œuvre pour réduire l’empreinte carbone des prochaines élections. Il contribuera aussi à enrichir la littérature sur l’empreinte carbone d’une élection qui est marquée par une carence d’études scientifiques sur les émissions de GES produites par une élection à travers le monde. Les résultats de ce travail pavent la voie pour d’autres études afin de réduire les incertitudes sur les inventaires d’émissions de GES d’élections générales. Ils serviront également à ajuster les moyens pour réduire les émissions de cet exercice essentiel en démocratie.
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 | 0.000 | 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 | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".