Erreurs méthodologiques dans l’évaluation des projets d’investissement
Notice bibliographique
Résumé
Malgré les développements et enseignements récents en évaluation de projets d’investissement, des erreurs analytiques perdurent, représentant autant d’approches non conformes aux meilleures pratiques. Dans cet article, nous présentons cinq de ces méprises, toutes sources de biais dans l’évaluation des investissements : utiliser le coût de financement du gouvernement comme coût du capital (taux d’actualisation) dans l’évaluation des investissements publics plutôt qu’une approche intégrant le coût du risque transféré et supporté par les contribuables ; utiliser le coût moyen pondéré du capital (CMPC) de l’entreprise pour évaluer l’ensemble de ses investissements plutôt que des taux différenciés en fonction des niveaux et profils de risque des projets ; utiliser la value actualisée nette (VAN) avec un seul taux d’actualisation des flux financiers nets d’un projet lorsque ce projet est tributaire de multiples sources de risque systématique plutôt qu’une approche VAN optimisée (VANO) ; utiliser la VAN lorsque le gestionnaire du projet peut modifier, accélérer, ralentir, voire reporter ou abandonner le projet en cours de réalisation plutôt qu’une approche valorisation options réelles (VOR) ; utiliser la personnalité juridique des partenaires dans les projets de partenariat public/privé plutôt que la nature des risques effectivement partagés et supportés par chacun. Bien que ces erreurs soient davantage présentes pour certaines dans le public, pour d’autres dans le privé, on les retrouve dans plusieurs décisions des opérateurs, gestionnaires et managers des deux secteurs. Elles peuvent engendrer d’importantes pertes de valeur pour les entreprises et organisations privées et publiques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».