Les dépassements de coût des Jeux Olympiques: Paris doit-elle candidater à n'importe quel prix?
Bibliographic record
Abstract
Avant les Jeux Olympiques de Montréal 1976, les votes des membres du Comité international olympique (CIO) étaient surtout motivés par les avantages et les inconvénients sportifs que présentaient les villes candidates pour y organiser l'évènement, parfois par des considérations géopolitiques comme l'attribution des J.O. 1980 à Moscou. Après Montréal, le CIO et les villes candidates n'ont cessé de mettre au premier plan la qualité économique des candidatures concurrentes en insistant sur l'importance des retombées positives et sur la nécessité de proposer des coûts mesurés. Pourquoi un tel changement? Qui par ailleurs pousse à l'analyse économique du choix entre villes candidates. Tout a changé avec le montant du déficit des Jeux de Montréal 2-1 milliard de dollars -dont la majeure partie fut assumée par les contribuables payant un impôt local supplémentaire (176 millions de dollars) et un impôt spécial sur le tabac dans toute la province du Québec (480 millions de dollars). Les contribuables les ont payé jusqu'en 2006, à quoi il faut ajouter 13 millions $ de déficit d'exploitation annuel pour la maintenance des équipements olympiques pendant 35 ans après les Jeux. La catastrophe financière des J.O. de Montréal a eu deux conséquences. En 1977, aucune ville du monde n'était plus intéressée à organiser les Jeux et il a fallu que le CIO soit convaincant pour que Los Angeles soit candidate (unique) à organiser les Jeux de 1984. La doctrine du CIO en a été affectée. Elle est d'abord devenue «les Jeux paieront les Jeux», puis plus tard: il convient de stopper la course au gigantisme des Jeux et la montée de leur coût. Les votes des membres du CIO ont régulièrement invalidé cette doctrine en ne choisissant pas le candidat le moins cher.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.002 |
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".