Relation entre les compétences du dirigeant de PME et la performance de son entreprise
Bibliographic record
Abstract
La pression qu’exerce l’environnement d’affaires sur les dirigeants de PME les oblige à se comporter de façon particulièrement efficace pour assurer la performance de leur entreprise. Mais quels sont ces comportements qui favorisent la performance des PME ? Les résultats des nombreux travaux concernant l’influence du dirigeant sur la performance de son entreprise n’offrent pas de réponse satisfaisante à cette question, notamment en raison de certaines limites méthodologiques. En effet, la mesure des comportements qui repose presque toujours sur une autoévaluation effectuée par le dirigeant lui-même ne constitue qu’un point de vue, de surcroît empreint de subjectivité. Afin de tenter d’obtenir des évaluations plus fiables et plus riches, la présente recherche utilise un instrument multisource qui fait appel à plusieurs évaluateurs dans l’entourage du dirigeant pour mesurer ses nombreux comportements de leadership. Les résultats obtenus auprès de 43 dirigeants de PME et de 215 membres de leur entourage indiquent que les évaluations provenant de l’entourage, comparativement aux autoévaluations réalisées par les dirigeants, sont effectivement davantage reliées à la performance de l’organisation, ce qui appuie la pertinence d’avoir recours à un instrument de mesure multisource. En outre, ces résultats permettent de jeter un regard sur les compétences de ces dirigeants qui sont les plus corrélés à la performance de leur PME mesurée dans la présente étude par la rentabilité, la croissance des ventes et le taux de départ volontaire des employés de production.
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 | 0.007 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".