Les déterminants des stratégies réactives des sous-traitants de la défense.
Bibliographic record
Abstract
Cet article analyse les stratégies réactives mises en place par les PME sous-traitantes de la défense dans trois régions européennes dans la décennie 1990. La première partie de l’article vise à expliciter pourquoi ces PME ont dû s’engager dans la voie d’une stratégie réactive et décrit les caractéristiques des quatre stratégies qu’elles ont déployées. Celles-ci s’étalent sur un spectre allant d’une sortie radicale de la défense à un ancrage volontaire, en passant par deux formes intermédiaires : la compensation et la dualisation. La seconde partie de l’article vise à expliciter les raisons de ces choix. Trois variables et deux niveaux sont retenus. Les trois variables sont les représentations des dirigeants des sous-traitants concernant l’évolution des marchés, les compétences internes des PME et les contraintes de financement. Les deux niveaux concernent l’intrafirme et les relations externes. Nous montrons in fine que si la PME possède un certain degré de liberté quant à l’interprétation interne des trois variables, le contexte externe contribue à infléchir le processus décisionnel du sous-traitant et, par conséquent, à forger le choix stratégique effectué.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".