Le « club des acheteurs à problème » n'existe pas

Trois volets d'enquête, trois manières de fouiller le même jeu de données. Le premier a cherché les montants aberrants, le deuxième la concurrence atrophiée, le troisième les dossiers incomplets. À chaque fois, des noms d'acheteurs sont sortis. La question qui vient ensuite est presque irrésistible : et si c'étaient les mêmes ? Si un petit « club » d'acheteurs cumulait tous les mauvais signaux — dépenses gonflées, fournisseurs uniques, données opaques ?

La réponse, mesurée sur le recensement des marchés publics (DECP consolidé, data.gouv.fr, snapshot du 26/06/2026, 1 713 000 marchés canoniques 2019-2026), est non. Les familles de signaux faibles que l'enquête a isolées sont statistiquement indépendantes les unes des autres. Le récit « données cachées = pratiques cachées » ne tient pas dans les chiffres. C'est un non-résultat — et c'est précisément ce qui en fait le résultat le plus utile de la série.

Sont-ce les mêmes acheteurs ? La corrélation dit non

Pour tester l'idée du « club », on croise l'indice d'opacité de chaque acheteur (la part de champs déclaratifs manquants ou invalides) avec les marqueurs des deux autres volets. Sur les acheteurs ayant au moins 30 marchés, corrélation de Spearman assortie d'un intervalle de confiance bootstrap :

• opacité × taux d'outliers de montant : ρ = +0,09 (IC95 [0,07 ; 0,11], n = 6 515) ;
• opacité × concentration des fournisseurs en euros (HHI-montant) : ρ = −0,11 (IC95 [−0,14 ; −0,09], n = 6 098) ;
• opacité × taux d'offre unique 2024+ : ρ = −0,08 (IC95 [−0,12 ; −0,05], n = 3 311) ;
• opacité × part de procédures sans publicité : ρ = +0,08 (IC95 [0,06 ; 0,11], n = 6 590).

Toutes ces valeurs vivent dans la zone « association faible » (|ρ| < 0,3). En clair : connaître le niveau d'opacité d'un acheteur ne permet pratiquement pas de prédire s'il pratique des montants aberrants, un fournisseur unique ou l'évitement de publicité. Deux liens sont même de sens contraire à l'intuition : la relation avec la concentration et avec l'offre unique est légèrement négative. Association n'est pas causalité — mais ici, il n'y a même quasiment pas d'association à expliquer.

Le nuage qui ne montre rien — et c'est le résultat

Quand on projette 500 acheteurs sur deux axes — opacité contre taux d'outliers, opacité contre concentration en euros — le nuage n'a pas de forme. Pas de diagonale, pas de coin qui se remplit. Les acheteurs opaques ne sont ni plus ni moins « déviants » que les autres. C'est décevant pour qui cherche un coupable, et rassurant pour qui veut lire les données proprement : les quatre phénomènes mesurés par l'enquête sont largement autonomes. Chacun a sa cause propre, souvent technique (saisie, plateforme, consolidation).

Le cumul de red flags est l'exception

Deuxième test, plus direct : combien d'acheteurs apparaissent dans plusieurs « tops » de la série (les plus opaques, les montants aberrants, l'offre unique, etc.) ? Sur 28 377 acheteurs au dénominateur, 17 seulement figurent dans au moins deux tops. Aucun n'apparaît dans quatre. Le cumul est l'exception statistique, pas la règle.

Et les rares « cumulards » s'expliquent mécaniquement. Trois acheteurs atteignent trois tops. Le Réseau des acheteurs hospitaliers (Resah, publié via atexo_maximilien) pèse 13 470 marchés : à ce volume, on récolte forcément quelques anomalies en valeur absolue, sans que le taux soit anormal. La Région Grand Est (pes_marche_2024, 3 473 marchés) relève de la même logique de gros volume. Le troisième cas est d'une autre nature : une maison de retraite (Lefebvre Blondel Dubus, pes_marche_2024, 75 marchés) dont 49 marchés portent des montants « tout-9 » proches d'un milliard — une valeur-sentinelle de saisie, pas une dépense. Plus loin, la Ville de Paris (atexo_maximilien, 15 335 marchés) illustre encore l'effet volume. Rappelons qu'une donnée atypique a trois causes possibles — l'acheteur, sa plateforme de publication, le pipeline de consolidation — et que ces classements sont des anomalies statistiques, pas des accusations.

Les faux positifs qu'une lecture naïve aurait épinglés

La partie la moins visible de l'enquête est aussi la plus importante pour sa crédibilité : neutraliser les artefacts. Trois cas montrent ce qu'un « score de risque » automatique aurait faussement pointé.

• ATEXO, éditeur de profils d'acheteurs, est enregistré comme acheteur dans les données : 1 894 marchés cumulés sur trois SIRET. Sa présence dans les tops « couple fidèle » et « quasi-monofournisseur » est un artefact de pipeline, pas une relation d'achat réelle.
• Le Syndicat mixte DORSAL présente un montant répliqué à l'identique sur 103 marchés vers un même titulaire (AXIONE), ce qui gonfle la concentration en euros et simule un quasi-monofournisseur.
• France Télévisions affiche un champ « offres reçues » aberrant (valeurs 815 à 824), qui rend son indicateur d'offre unique inexploitable.

Trois entrées qu'une lecture naïve aurait épinglées comme suspectes, et qui ne sont que des accidents de données. Détail qui compte : chez les acheteurs opaques multi-tops, l'opacité tient d'abord à la plateforme de publication (atexo_maximilien, arnia). D'ailleurs, la source explique davantage l'incomplétude que l'identité de l'acheteur (η² = 0,35 contre 0,31). Un défaut de mapping de champs par l'éditeur, mesurable, plus qu'un choix de l'acheteur.

Ce que ça change pour un acheteur ou un candidat

Pour un acheteur public, la leçon est qu'un « score de risque » composite, qui agrège plusieurs red flags en une note unique, est fragile sur ces données : il additionne des signaux indépendants dont beaucoup sont d'origine technique. La vigilance utile est contextuelle — par strate d'achat, par type de procédure — et instrumentée, pas globale.

Pour une entreprise qui répond, un acheteur « opaque » n'est pas un acheteur « à problème » : l'incomplétude déclarative dit surtout quelle plateforme il utilise, pas comment il achète. Concrètement :

• ne pas se fier à un score de risque unique ; décomposer signal par signal et strate par strate ;
• vérifier la plateforme de publication avant d'interpréter une donnée manquante ;
• neutraliser les artefacts connus (éditeurs enregistrés comme acheteurs, montants répliqués, champs aberrants) avant tout classement ;
• suivre l'évolution du champ « offres reçues », dont la collecte fiable n'a commencé qu'en 2024.

Lire les marchés un par un, dans leur contexte, reste plus solide que chercher une liste noire qui n'existe pas. C'est aussi la logique du registre public des marchés de Tendiz : replacer chaque appel d'offres dans sa strate et sa procédure plutôt que dans un palmarès. La donnée publique française est massivement exploitable et massivement imparfaite à la fois — les deux sont vrais en même temps.

Comment nous avons compté

Snapshot du DECP consolidé (data.gouv.fr) au 26/06/2026 : 1 713 000 marchés canoniques après déduplication (un identifiant de marché = une ligne, la version la plus complète l'emporte). Les trois volets sont joints sur le SIRET à 14 chiffres de l'acheteur (99,88 % valides). Corrélations de Spearman avec intervalle de confiance à 95 % par bootstrap (2 000 tirages), calculées sur les acheteurs d'au moins 30 marchés ; le n varie de 3 311 à 6 590 selon la paire. L'indice d'opacité mesure la part de sept champs déclaratifs manquants ou invalides (montant, date de notification, titulaire, durée, CPV, procédure, lieu), pénalisée par deux incohérences ; le champ « offres reçues » en est exclu à cause de la rupture de collecte de 2024. Biais déclarés : une association n'est pas une causalité ; une donnée manquante peut provenir de l'acheteur, de la plateforme ou du pipeline de consolidation ; les « tops » dépendent des seuils choisis (top-30 / top-50) et d'autres coupes donneraient d'autres intersections.