Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.009 |
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; both teacher heads agree on what is shown here.
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".