Répartition et traitement des risques dans la commande publique: 7e Rapport de la Chaire de droit des contrats publics
Bibliographic record
Abstract
A travers son septième rapport, la Chaire de droit des contrats publics entend analyser l'encadrement juridique et les pratiques relatives à l'identification, l'évaluation, la couverture, la répartition et le traitement des risques dans la commande publique.Cette thématique soulève de nombreuses interrogations dont les principales tiennent à la définition même de la notion de risque, aux moyens de prévenir efficacement les risques et de parvenir à un partage équilibré de ceux-ci, ainsi qu’aux limites ou obstacles que peuvent connaître les juristes dans la répartition et la gestion des risques au sein de marchés publics ou de contrat de concession. En outre, la question de l’influence des principes fondamentaux de la commande publique sur la répartition et la gestion des risques se pose afin de déterminer si la mise en concurrence, la transparence et l’égalité de traitement des candidats ont ou non des répercussions en pratique.L’objectif de la recherche est de déterminer les principaux risques auxquels sont confrontés en pratique les autorités contractantes et les opérateurs économiques dans leurs relations contractuelles, les modalités de répartition des risques et de leur traitement, ainsi que les éventuelles difficultés rencontrées, notamment pour parvenir à une répartition équilibrée et satisfaisante pour les deux parties.
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 | 0.025 | 0.052 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.013 | 0.022 |
| Scholarly communication | 0.020 | 0.011 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.009 | 0.013 |
| Insufficient payload (model declined to judge) | 0.011 | 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".