Les biens immobiliers municipaux et les défis du nouveau management public. Pleins feux sur la Roumanie
Bibliographic record
Abstract
Dans les pays en transition et en développement, les biens immobiliers excédentaires pourraient constituer une réponse appropriée au besoin criant de sources locales de recettes pour autant que les exigences du nouveau management public en termes d’efficience, d’efficacité et de qualité des services publics soient bien satisfaites. Nous avons centré notre recherche sur le cas des biens immobiliers des villes roumaines, afin de faire apparaître les problèmes de l’actuel système de gestion des biens immobiliers municipaux (BIM) par rapport à la fois aux conditions générales de la ville et aux caractéristiques du cadre institutionnel et organisationnel. Nous avons utilisé pour ce faire une enquête basée sur un questionnaire, suivie de tests statistiques non paramétriques, ce qui a confirmé l’hypothèse qui souligne l’importance de l’existence d’un plan BIM, d’une stratégie BIM et d’une unité BIM au niveau de la municipalité afin d’assurer une utilisation efficace de ces ressources. Nous avons par ailleurs formulé une série de solutions viables aux problèmes épinglés. Remarques à l’intention des praticiens Notre article souligne le rôle décisif de l’approche stratégique et des instruments correspondants de gestion efficace des biens immobiliers municipaux, et formule quelques recommandations intéressantes pour que l’immobilier municipal devienne une importante source de recettes pour les gouvernements municipaux. Nos observations découlent de celles obtenues dans le cadre du projet financé par l’UE intitulé « Municipal Property Management in South-East European Cities » (PROMISE) de l’université d’études économiques de Bucarest, l’un des treize partenaires participants. Sa contribution a été désignée par l’International Project Management Association parmi les cinq finalistes du concours international « Achievement Award », dans la catégorie Service communautaire/Projet de développement 2013.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".