MétaCan
Menu
Retour à la cohorte
Enregistrement W4412267085

EU and public procurement: making better use of the existing toolbox

2020· article· en· W4412267085 sur OpenAlexaff
Marta Andhov

Notice bibliographique

RevueResearch at the University of Copenhagen (University of Copenhagen) · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePublic Procurement and Policy
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésToolboxProcurementBusinessComputer scienceMarketingProgramming language
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Nearly 85% of the EU’s public procurement market is open to third country bidders. Many European businesses, although they face third country competition in the internal market, cannot access procurement markets overseas. As a result of the increasing competition from third country suppliers, which is believed to create an uneven playing field in the internal market, the Commission has issued guidance on the participation of third country bidders in the EU procurement market. To ensure a fair and level playing field, the Commission promotes two approaches: first, the wider application of the available instruments in EU public procurement law (sustainable public procurement and abnormally low tender rules), to ensure that the same, or equivalent, requirements apply to both EU and third country suppliers, and, second, the introduction of the reciprocity regulation (the “International Procurement Instrument”, or IPI). If the IPI is introduced, the rules that apply to EU businesses will be different from those that apply to businesses from third states.T his contribution concludes that, since 2012, the political will amongst Member States has not been strong enough to approve the IPI. However, the existing EU public procurement rules allow the playing field between EU and third country suppliers in the internal market to be made level. Nonetheless, the political will, the required skillset and capacity within the public sector are necessary

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,038
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,199

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0380,031
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,007
Études des sciences et des technologies0,0020,010
Communication savante0,0220,038
Science ouverte0,0030,011
Intégrité de la recherche0,0080,006
Charge utile insuffisante (le modèle a refusé de juger)0,0310,004

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.

Tête enseignante Opus0,205
Tête enseignante GPT0,276
Écart entre enseignants0,071 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch at the University of Copenhagen (University of Copenhagen)Même sujetPublic Procurement and PolicyTravaux en français237 207