Social Impact Bonds: Promises Versus Facts. What Does the Recent Scientific Literature Tell Us?
Notice bibliographique
Résumé
Interest in Social Impact Bonds (SIBs) and similar performance-based investments has been spreading around the world ever since the first SIB was issued in the United Kingdom in 2010. At the same time, such investments have given rise to questions regarding the complexity and cost of the contracting mechanisms involved, the possible contradictions between the various objectives pursued, and even the validity of the theoretical premises underpinning them (Albertson et al., 2018a). The objective of this paper is to take stock of the existing knowledge about SIBs and similar performance-based investments, through an overview of recent scientific literature. Relying on a targeted review of the literature and empirical studies, the idea is to compile the arguments that have been mobilized to support, nuance or possibly undermine the implementation of SIBs and similar financing tools. The objective is to provide answers to the question: Do SIBs work? And if yes, under which conditions? After explaining what SIBs are, how they function and how they have developed, the authors propose a synthesis of the arguments from recent scientific literature both supporting and criticizing SIBs. The article concludes that despite the possible improvements and opportunities of these bonds, caution is advised in applying them for as long as empirical evidence is insufficient with regard to their effectiveness and the conditions under which they might be considered appropriate.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».