Resilient by Design: Enabling Agility and Resilience in Ontario’s Small and Medium Enterprises
Notice bibliographique
Résumé
At the time of writing this report, Canada has completed one year of lockdowns and restrictions due to COVID-19. The world is grappling with disruption at a scale that we haven’t experienced in recent years. The devastation COVID has wreaked through the Small and Medium Enterprise (SME) community is just starting to show and it is expected to get worse. In 2020, Canada lost almost 58,000 businesses and by Canadian Federation of Independent Business’ (CFIB’s) estimates, Canada could lose between 71,000 to 222,000 businesses which equate to 7% to 21%, respectively. With up to almost 3 million jobs at stake, it is not hard to imagine the devastation that this could unleash. SMEs make up almost the entirety of Canada’s economy, with 98.8% of businesses in Canada being organizations with 1-499 employees. Without question, where there is impact to Canadian SMEs, there is impact to Canada’s well-being. Agility and resilience offer SMEs a way forward. This study looks to answer the main research question of: what are the elements of agility and resilience and how might they enable us to implement resilience in Ontario SMEs? In answering this question, this study explores the relationship between the two concepts and adds in an original contribution that enumerates the dimensions of resilience that can be used to evaluate resilience at the time of impact. In addition, original contributions of this study also include seven elements of agility and resilience and an accompanying Agility and Resilience Maturity Model that can enable SMEs to not only identify their current-state resilience but also to have a roadmap of transformation for resilience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».