Villes, climat et inégalités – Les technologies numériques pour lutter contre les changements climatiques : entre problème et paradoxe

Marie-Luc Arpin, professeure à l’École de gestion (Université de Sherbrooke) et Sébastien Gambs, directeur de la Chaire de recherche du Canada en analyse respectueuse de la vie privée et éthique des données massives et professeur au département d’informatique (UQÀM)

Introduction

Depuis une décennie, le sens du mot « urbanisation » se transforme de manière étonnante et structurante. À ce jour, sur le fond des crises (environnementale et sanitaire, sociale et humanitaire) que son histoire concentre (UN, 1976, 2016), le mot évoque surtout un ensemble de phénomènes problématiques, sinon un fléau. En parallèle, cependant, l’urbanisation devient un vecteur d’espoirs nouveaux : « une force transformative » de laquelle pourront émerger des « futurs urbains durables et équitables » (UN-Habitat, 2016). Dans le cadre de la lutte aux changements climatiques, plus particulièrement, les villes assument désormais un rôle déterminant, celui de planifier et d’opérationnaliser la transition des comportements vers des modes de vie « bas carbone » (IPCC, 2022; Revi et al., 2014).

Pour autant, la confiance en cette transition ne va pas de soi. Non seulement comporte-t-elle son lot d’angles morts, mais aussi de promesses et de conditionnalités implicites à l’endroit de technologies numériques qui, à tort et à raison, gagnent en légitimité à mesure que s’aggrave la crise (IPCC, 2022; Palm et Nikoleris, 2021). Si le leadership urbain en matière d’action climatique dépasse de loin les usages planifiés du numérique, force est de constater que des flux massifs de données, issus notamment d’appareils mobiles à usage individuel, circulent et (re)façonnent déjà en profondeur les dynamiques urbaines. Ces mégadonnées dotent les citoyennes, les citoyens et les collectivités de nouvelles capacités d’adaptation, mais elles les vulnérabilisent aussi de nouvelles façons. L’urbanisation retournée en occasion constituant en ce sens une stratégie à double tranchant, l’action climatique urbaine ne peut plus aujourd’hui se concevoir indépendamment des dynamiques sociales (paradoxales) du numérique.

1) État de la littérature : le numérique comme vecteur d’action climatique urbaine

Dans le cadre de cette synthèse d’un rapport de recherche, le regard se porte sur les mégadonnées (Big Data) et sur les systèmes d’intelligence artificielle (IA) qui permettent leur analyse. Schématiquement, le vocable « ville intelligente » renvoie donc à l’influence vaste et largement imperceptible des IA en contexte urbain, en particulier lorsqu’elles sont déployées par des entreprises-plateformes (Big Tech). En dehors de cette tendance dominante, d’autres types d’usages sont possibles. Ce regard restreint se justifie du fait que le double paradoxe qui caractérise les IA illustre bien les dynamiques sociales qui accompagnent plus subtilement d’autres technologies (la 5G, l’Internet des objets, les chaînes de blocs, etc.) ou leur intégration en contexte urbain.

Comme l’avance cependant le rapport de recherche sur la base d’un corpus dont les titres ou les résumés incluaient les mots clés « ville », « numérique », « éthique » (ou leurs synonymes), la littérature en sciences sociales tend à évacuer ce double paradoxe en problématisant les enjeux du numérique en milieu urbain, c’est-à-dire en les assimilant au modèle du problème-à-résoudre¹ (Vérin, 1984). Cela dit, la littérature en sciences sociales documente bien les enjeux du numérique dans les villes. Elle peut en ce sens servir de base empirique pour théoriser la relation de l’action climatique urbaine aux technologies numériques. Cette littérature nous apprend que c’est dans la seconde moitié des années 2000 que le discours jusque-là pluriel de la « ville intelligente » devint le propre des grandes entreprises spécialisées² (Albino et al., 2015; Halpern et al., 2013, 2017; Hollands, 2008). Via ces entreprises, les pratiques de collecte, de traitement et de gestion des données en milieu urbain se sont construites en négligeant (voire en exploitant) le déséquilibre des forces et des connaissances. Mal encadrées à ce jour, ces relations sont sujettes à différentes formes d’abus qu’il convient de dénoncer (CEST, 2017, 2020; Hatuka et al., 2020).

Dès le départ, ces entreprises fondaient leur rhétorique sur l’urgence environnementale et la soi-disant nécessité d’engendrer des connaissances nouvelles pour y faire face (Halpern et al. 2017). C’est donc sans grande entorse au discours d’origine que s’est aujourd’hui naturalisé le caractère souhaitable d’une « science de la ville » (Caprotti et al., 2017; UN-Habitat, 2016) alimentée par les mégadonnées qui y circulent en permanence : soit une science des données pour optimiser la mobilité et l’efficacité énergétique, l’agriculture, la gestion de crise, etc. Ce discours très médiatisé ne totalise toutefois pas le rapport du numérique à l’action climatique urbaine; au contraire, puisque « le quotidien s’invente avec mille manières de braconner » (de Certeau, 1990, p. xxxvii), d’autres trajectoires existent et la littérature en rend compte. En ce sens, si les solutions d’IA promues sous la rhétorique dominante tendent jusqu’ici à exacerber les enjeux historiques de l’urbanisation – par exemple en matière de disparités socioéconomiques, d’exclusion des populations marginalisées ou d’injustice environnementale (Bender et al., 2021; Green, 2019; Hatuka et al., 2020) –, l’action climatique urbaine n’en demeure pas moins animée par des stratégies d’adaptation spontanées, de nouvelles modalités de collaboration ou des alliances inusitées que la participation aux flux de mégadonnées et l’appropriation citoyenne de l’IA rendent possibles (Guldi, 2016, 2018; Picon, 2015, 2016). Les usages du numérique dépassent de loin la rhétorique dominante et débordent même sur des projets qui pourfendent l’impératif de croissance, les abus de pouvoir que s’autorisent les entreprises-plateformes et le silence qu’elles font planer sur l’empreinte carbone de leurs activités (Caccamo, 2019; Durand-Folco, 2017).

Pour autant, les usages critiques des technologies numériques ne sont pas à l’abri de dynamiques paradoxales qui, sans effort d’anticipation, prédisposent l’action collective à la maladaptation³ (Schipper, 2020). Puisque la crise climatique pousse la résolution de problème à ses limites, les paradoxes du numérique ne sont finalement que le reflet amplifié d’un phénomène bien plus profond.

2) Qu’est-ce qu’un paradoxe?

3.1 L’urgence climatique et le paradoxe de l’effet rebond

Depuis peu, l’effet rebond fait l’objet d’une attention interdisciplinaire croissante et perce même sur la scène médiatique (voir p. ex., Bédard, Les Affaires, 15 mars 2018; Harvey, Le Devoir, 7 novembre 2015). Dans la ville intelligente, il correspond typiquement au phénomène paradoxal par lequel une technologie, une politique publique ou une stratégie d’économie circulaire destinée à réduire la consommation d’une ressource énergétique se retourne contre elle-même, en provoquant des comportements ou des dynamiques systémiques qui annulent une part ou la totalité du gain environnemental escompté (Font Vivanco et al., 2018). Prenons par exemple l’utilisation montante de l’apprentissage machine en contexte manufacturier, qui permet de gagner en efficacité énergétique et ainsi de réduire les émissions de gaz à effet de serre (GES). Si, comme on peut s’y attendre, ces gains en efficacité se traduisaient en une augmentation de la production, alors les gains seraient en partie ou totalement annulés; ou même, les émissions de GES pourraient être augmentées par rapport à la situation initiale (sans IA). Sans même compter le carbone intrinsèque des IA, nous serions alors face à un effet rebond direct à l’échelle d’une entreprise manufacturière ou d’un secteur industriel entier.

Lorsqu’on met en place une politique pour lutter contre les changements climatiques, le potentiel de gains est plus grand, mais l’ampleur de l’effet rebond l’est tout autant (Dauvergne, 2022). En matière de mobilité, par exemple, l’installation d’un parc de véhicules électriques en partage a le potentiel d’améliorer l’efficacité énergétique et le bilan carbone. Rien n’est cependant à tenir pour acquis, car si une masse critique de personnes utilisaient ce service comme un substitut aux transports en commun, plutôt qu’à leur voiture, les émissions de GES s’en trouveraient augmentées (Herrmann et al., 2014).

En outre, la modélisation des effets rebonds aux fins d’aide à la décision ou à l’élaboration de politiques climatiques pose d’importants enjeux. Typiquement, des modèles économiques sont combinés avec des modèles d’impacts environnementaux comme l’analyse du cycle de vie (Font Vivanco et van der Voet, 2014). Avec le progrès de méthodes analytiques complémentaires (p. ex., l’apprentissage profond), l’hybridation se poursuit en donnant lieu à des modèles de plus en plus sophistiqués (OECD, 2019), mais aussi de plus en plus énergivores (Almeida et al., 2018; Wu et al., 2017). Les chaînes de causalités à comprendre étant donc tellement étendues, incertaines, enchevêtrées, etc. que même les meilleurs modèles ne permettent pas d’établir les conditions nécessaires ET suffisantes à l’évitement des rebonds (Zink et Geyer, 2017). Tout se passe donc comme si l’essor du numérique en modélisation environnementale contribuait à élargir sans cesse la portée du phénomène à modéliser, et donc à le rendre sans cesse plus fuyant.

Peu importe son ampleur, l’effet rebond se présente comme une dynamique paradoxale qui ne doit pas spontanément être assimilée au modèle du problème-à-résoudre. En matière d’action climatique urbaine, la perspective du paradoxe donne ici minimalement la capacité de reconnaître que le remède numérique est aussi en même temps le poison.

3.2 La sécurité des données personnelles et le paradoxe de l’émancipation prédatrice

C’est donc sur le fond de l’urgence climatique, mais aussi d’autres motifs de bonne gouvernance urbaine (comme la sécurité ou l’équité sociale), que se multiplient les capteurs dans les espaces urbains d’usages communs, tant publics que privés. Mais alors que les usages de type « carte à puce » centralisé par les téléphones intelligents restent sous le contrôle partiel de leurs utilisateurs et utilisatrices, les réseaux de capteurs (caméras, capteurs de pollution ou de bruit, etc.) qui se tissent invisiblement dans la trame urbaine marquent l’avènement d’approches plus intrusives. Dans un horizon rapproché, il peut par exemple être attendu que l’Internet des objets contribue à démultiplier le nombre de capteurs en territoires urbains, de même que celui des interfaces pouvant échanger des données entre elles, plus ou moins librement.

En ce qui a trait aux systèmes d’IA qui permettent l’analyse des données émises et captées en continu par ces réseaux d’objets connectés, les enjeux d’iniquités et d’exclusion sociales sont nombreux et abondamment documentés. Ils sont typiquement associés aux biais inscrits à même les données d’entraînement des algorithmes d’apprentissage, et donc induits dans les processus décisionnels assistés par IA. À ce dernier égard, le cas de la police prédictive a frappé l’imaginaire au cours des dernières années : ces algorithmes visent « à prédire où et quand les crimes sont susceptibles d’avoir lieu, mais aussi et surtout à orienter, superviser et réguler le travail de la police » (Benbouzid, 2018, p. 223). Ils ont jusqu’à présent tendu à exacerber les iniquités et la violence, notamment envers les populations racisées (Asaro, 2019; Niculescu-Dincă, 2018). Mais l’enjeu n’est pas spécifique à la police prédictive. Tous les biais sociaux déjà présents sont susceptibles d’être renforcés dès lors qu’un système d’IA aide à la prise d’une décision à forte incidence sociale (Bender et al., 2021), par exemple lors de l’allocation soi-disant plus objective de services de santé (Obermeyer et al., 2019). En outre, au nom de principes de bonne gouvernance comme la sécurité, l’équité et l’inclusion, la multiplication des IA pourrait rendre pratiquement impossibles les déplacements individuels sans trace numérique, ce qui compromettrait la vie privée, mais aussi les valeurs mêmes que sont l’équité et l’inclusion qu’il s’agissait de défendre en premier lieu (Castets-Renard et al., 2020; CNIL, 2017).

C’est en ce sens que les usages urbains de l’IA suscitent l’émergence d’un paradoxe de l’émancipation prédatrice analogue au paradoxe de l’effet rebond. Quelle que soit la finalité visée, les données qui l’alimentent portent toujours à la fois une potentialité émancipatrice et un risque de pratiques prédatrices. La perspective du paradoxe donne ici encore minimalement la capacité de reconnaître que le remède numérique est aussi en même temps le poison.

Conclusion

En pratique, tout n’est pas si simple, la raison d’être de la 5G naissante étant justement d’améliorer l’efficacité énergétique des flux, et donc d’augmenter drastiquement le débit des données en circulation pour une même quantité d’énergie (Wu et al., 2017). Notons tout de même que les bénéfices environnementaux associés à la sobriété numérique se transposent parfaitement sur le plan social via le principe de la minimisation des données (UE, 2018). Autrement dit, en ne collectant que les données personnelles nécessaires à l’aune de la finalité visée par leur traitement, et suivant les « normes informationnelles » propres à un contexte social particulier (Nissenbaum, 2018), on se donne les moyens d’engendrer un cercle vertueux tant sur le plan environnemental que sur le plan social.

---

1. La résolution de problème, c’est la « capacité propre [d’un individu ou d’un collectif] d’assumer le probable sur le mode du certain, le désespéré sur le mode de l’assurance, le hasard sur le mode de la conduite, le nuisible sur le mode du perfectionnement » (Vérin, 1984, p. 262). ↩︎
2. L’allocution offerte en novembre 2008 par Samuel J. Palmisano, alors PDG de IBM Corporation, incarnait pleinement la tendance du moment, tout en annonçant le discours aujourd’hui devenu dominant. ↩︎
3. E. Lisa F. Schipper (2020), auteure membre groupe de travail II (WG2) du 6^e rapport d’évaluation du GIEC, définit la maladaptation ainsi : “Maladaptation is not just a waste of time and money; it is when an action results in conditions that are worse than those which the original strategies were trying to address. Maladaptation is therefore not being poorly adapted to climate change; it is actually a process whereby people become even more likely to be negatively affected by climate change.” (p. 409) ↩︎

Pour citer cet article

Arpin, M-L., Gambs, S. (2022). Les technologies numériques pour lutter contre les changements climatiques : entre problème et paradoxe. Dans Répertoire de recherche Villes, climat et inégalités. VRM – Villes Régions Monde. https://www.vrm.ca/les-technologies-numeriques-pour-lutter-contre-les-changements-climatiques-entre-probleme-et-paradoxe

 

Texte source

Arpin, M.-L., et Gambs, S. (2022). Synthèse des états de l’art sur les enjeux éthiques de la ville intelligente : une perspective des paradoxes. Rapport préparé dans le cadre du programme Innovation du ministère de l’Économie et de l’Innovation (MÉI) du Québec

Bibliographie

Aïvodji, U., Arai, H., Fortineau, O., Gambs, S., Hara, S., et Tapp, A. (2019). « Fairwashing: The Risk of Rationalization ». Dans International Conference on Machine Learning (p. 161‑170).

Albino, V., Berardi, U., et Dangelico, R. M. (2015). « Smart Cities: Definitions, Dimensions, Performance, and Initiatives ». Journal of Urban Technology, 22(1), p. 3‑21.

Almeida, F., Assunção, M. D., Barbosa, J., Blanco, V., Brandic, I., Da Costa, G., Dolz, M. F., Elster, A. C., Jarus, M., Karatza, H. D., Lefèvre, L., Mavridis, I., Oleksiak, A., Orgerie, A.-C., et Pierson, J.-M. (2018). « Energy Monitoring as an Essential Building Block towards Sustainable Ultrascale Systems ». Sustainable Computing: Informatics and Systèmes, 17, p. 27‑42.

Arpin, M.-L. (2020). L’ingénieur : entre problème et paradoxe [thèse de doctorat, Université du Québec à Montréal, Canada]. Archipel.

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., … & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115.

Asaro, P. M. (2019). « AI Ethics in Predictive Policing: From Models of Threat To an Ethics of Care ». IEEE Technology and Society Magazine, 38(2), p. 40‑53.

Bakis, H., et Dupuy, G. (2012). « À propos de la notion de “villes intelligentes””. Netcom. Réseaux, communication et territoires, 26(3/4), p. 373‑374.

Barnett, C., et Parnell, S. (2016). « Ideas, Implementation and Indicators: Epistemologies of the Post-2015 Urban Agenda ». Environment and Urbanization, 28(1), p. 87‑98.

Beck, U. (2008). La société du risque : sur la voie d’une autre modernité. Flammarion.

Bédard, Les Affaires, 15 mars 2018

Benbouzid, B. (2018). « Quand prédire, c’est gérer. La police prédictive aux États-Unis ». Réseaux, 211(5), p. 221‑256.

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021, mars). « On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? ». Dans Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (p. 610‑623).

Benoit, L., Thomas, I., et Martin, A. (2022). « Review: Ecological Awareness, Anxiety, and Actions among Youth and their Parents – A Qualitative Study of Newspaper Narratives ». Child and Adolescent Mental Health, 27(1), p. 47‑58.

Caccamo, E. (2019). Critique de la « numérisation » croissante de la société: vers une trajectoire alternative et décroissante. In E. Caccamo, J. Walzberg, T. Reigeluth, & N. Merveille (Eds.), De la ville intelligente à la ville intelligible (1st ed., pp. 117–138). Presses de l’Université du Québec.

Caprotti, F., Cowley, R., Datta, A., Broto, V. C., Gao, E., Georgeson, L., Herrick, C., Odendaal, N., et Joss, S. (2017). « The New Urban Agenda: Key Opportunities and Challenges for Policy and Practice ». Urban Research & Practice, 10(3), p. 367‑378.

Carabantes, M. (2019). « Black-Box Artificial Intelligence: An Epistemological and Critical Analysis ». AI & SOCIETY, 35, p. 309‑317.

Castets-Renard, C., Guiraud, É., et Avril-Gagnon, J. (2020). « Cadre juridique applicable à l’utilisation de la reconnaissance faciale par les forces de police dans l’espace public au Québec et au Canada : éléments de comparaison avec les États-Unis et l’Europe ». Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).

CEST. (2017). La ville intelligente au service du bien commun : lignes directrices pour allier l’éthique au numérique dans les municipalités au Québec [avis de la Commission de l’éthique en science et en technologie (CEST)]. Gouvernement du Québec.

CEST. (2020). L’Internet des objets, la vie privée et la surveillance : balises éthiques et recommandations [supplément d’avis de la Commission de l’éthique en science et en technologie (CEST)]. Gouvernement du Québec.

Clos, J. (2017). « Introduction », dans ONU-Habitat, 2016. Urbanization and Development: Emerging Futures. The World Cities Report 2016 (full version). Kenya : ONU-Habitat, p. iv‑v.

CNIL. (2017). La plateforme d’une ville : les données personnelles au cœur de la fabrique de la smart city. Cahiers IP (Innovation & Prospective) N° 05, Commission nationale de l’informatique et des libertés.

Dauvergne, P. (2022). « Is Artificial Intelligence Greening Global Supply Chains? Exposing the Political Economy of Environmental Costs ». Review of International Political Economy, 29(3), p. 696‑718.

De Certeau, M. (1990). L’invention du quotidien I : Art de faire. Gallimard.

Durand Folco, J. (2017). À nous la ville! : traité de municipalisme. Écosociété.

Floridi, L. (2019). « Translating Principles into Practices of Digital Ethics: Five Risks of Being Unethical ». Philosophy & Technology, 32(2), p. 185‑193.

Font Vivanco, D., et al. (2018). « Roadmap to Rebound: How to Address Rebound Effects from Resource Efficiency Policy. » Sustainability 10(6): 2009. 

Font Vivanco, D. and E. van der Voet (2014). « The rebound effect through industrial ecology’s eyes: a review of LCA-based studies. » The International Journal of Life Cycle Assessment 19(12): 1933-1947.

Green, B. (2019). The Smart Enough City: Putting Technology in Its Place To Reclaim Our Urban Future. MIT Press.

Guldi, J. (2016). « A History of the Participatory Map ». Public Culture, 29(1), p. 79‑112.

Guldi, J. (2018). « Global Questions About Rent and the Longue Durée of Urban Power, 1848 to the Present ». New Global Studies, 12(1), p. 37‑63.

Halpern, O., LeCavalier, J., Calvillo, N., et Pietsch, W. (2013). « Test-Bed Urbanism ». Public Culture, 25(2), p. 272‑306.

Halpern, O. (2015). Beautiful Data. Duke University Press.

Halpern, O., Mitchell, R., et Geoghegan, B. D. (2017). « The Smartness Mandate: Notes toward a Critique ». Grey Room, 68, p. 106‑129.

Harvey, R. (7 novembre 2015). « Une approche globale pour réduire les GES. » Le Devoir.

Hatuka, T., Toch, E., Birnhack, M., et Zur, H. (2020). The Digital City: Critical Dimensions in Implementing the Smart City. SSRN.

Hatzivasilis, G., Christodoulakis, N., Tzagkarakis, C., Ioannidis, S., Demetriou, G., Fysarakis, K., et Panayiotou, M. (2019). « The CE-IoT Framework for Green ICT Organizations ». IEEE DCOSS, p. 29‑31.

Herrmann, S., Schulte, F., et Voß, S. (2014). « Increasing Acceptance of Free-Floating Car Sharing Systems Using Smart Relocation Strategies: A Survey Based Study of car2go Hamburg ». Computational Logistics, p. 151‑162.

Hollands, R. G. (2008). « Will the Real Smart City Please Stand Up? Intelligent, progressive or entrepreneurial? ». City, 12(3), p. 303‑320.

IPCC, (2022). Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge University Press.

Kaack, L. H., Donti, P. L., Strubell, E., Kamiya, G. Creutzig, F. et Rolnick, D. (2022). « Aligning Artificial Intelligence with Climate Change Mitigation ». Nature Climate Change, 12(6), p. 518‑527.

Kitchin, R. (2016). « The Ethics of Smart Cities and Urban Science ». Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2083).

Kitchin, R. (2014). « The Real-Time City? Big Data and Smart Urbanism ». GeoJournal, 79(1), p. 1‑14.

Leclerc, S. H., et Badami, M. G. (2020). « Extended Producer Responsibility for E-waste Management: Policy Drivers and Challenges ». Journal of Cleaner Production.

Malherbe, J.-F. (2000). Le nomade polyglotte. Bellarmin.

Mytton, D. (2020). « Hiding Greenhouse Gas Emissions in the Cloud ». Nature Climate Change, 10(8), p. 701.

Niculescu-Dincă, V. (2018). « Towards a Sedimentology of Information Infrastructures: A Geological Approach for Understanding the City ». Philosophy & Technology, 31(3), p. 455‑472.

Nissenbaum, H. (2018). « Respecting Context to Protect Privacy: Why Meaning Matters ». Science and Engineering Ethics, 24(3), p. 831‑852.

Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S.(2019). « Dissecting Racial Bias in an Algorithm Used to Manage the Health of Populations ». Science, 366(6464), p. 447‑453.

Palm, E., et Nikoleris, A. (2021). « Conflicting Expectations on Carbon Dioxide Utilisation ». Technology Analysis & Strategic Management, 33(2), p. 217‑228.

Picon, A. (2015). Smart Cities: A Spatialised Intelligence. Wiley.

Picon, A. (2016). « L’avènement de la ville intelligente ». Sociétés, 132, p. 9‑24.

Revi, A., et al. (2014). « Towards transformative adaptation in cities: the IPCC’s Fifth Assessment. » Environment and Urbanization 26(1): 11-28.

Schad, J., Lewis, M. W., Raisch, S., et Smith, W. K. (2016). « Paradox Research in Management Science: Looking Back to Move Forward ». Academy of Management Annals, 10(1), p. 5‑64.

Schipper, E. L. F. (2020). « Maladaptation: When Adaptation to Climate Change Goes Very Wrong ». One Earth, 3(4), p. 409‑414.

Schwartz, S. E. O., Benoit, L., Clayton, S., Parnes, M. F., Swenson, L., et Lowe, S. R. (2022). « Climate Change Anxiety and Mental Health: Environmental Activism as Buffer ». Current Psychology.

Taddeo, M., et Floridi, L. (2018). « How AI Can Be a Force for Good ». Science, 361(6404), p. 751‑752.

Truby, J. (2020). « Governing Artificial Intelligence to Benefit the UN Sustainable Development Goals ». Sustainable Development, 28(4), p. 946‑959.

Union européenne. (2018). Règlement général sur la protection des données (RGPD) de l’Union européenne. Journal officiel de l’Union européenne.

UN-Habitat. (2016). Urbanization and Development: Emerging Futures. The World Cities Report 2016 (full version). Kenya : UN-Habitat.

UN. (1976). « Déclaration de Vancouver sur les établissements humains ». Dans le rapport d’habitat : Conférence des Nations Unies sur les établissements humains (Habitat I) à Vancouver, du 31 mai au 11 juin 1976. Organisation des Nations Unies, Vancouver, Canada.

Vérin, H. (1984). Entrepreneurs, entreprise : histoire d’une idée. Classiques Garnier.

Vérin, H. (1993). La gloire des ingénieurs : l’intelligence technique du XVIe au XVIIIe siècle. Albin Michel.

Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S. D., Tegmark, M., et Nerini, F. F. (2020). « The Role of Artificial Intelligence in Achieving the Sustainable Development Goals ». Nature Communications, 11(233), p. 1‑10.

Wu, Q., Li, G. Y., Chen, W., Ng, D. W. K., et Schober, R. (2017). « An Overview of Sustainable Green 5G Networks ». IEEE Wireless Communications, 24(4), p. 72‑80.

Zink, T., et Geyer, R. (2017). « Circular Economy Rebound ». Journal of Industrial Ecology, 21(3), p. 593‑602.