Bibliographic record
Abstract
Dans le champ entrepreneurial, la recherche sur les incubateurs prend un poids sans cesse grandissant. Le rôle que ces structures sont censées jouer dans la réussite des entrepreneurs explique cet intérêt croissant du monde académique. Ce dernier s’intéresse tout particulièrement à la question de la performance des incubateurs. Ce questionnement est d’autant plus prégnant aujourd’hui que le contexte actuel est marqué par une limitation de la ressource publique qui amène à s’interroger avec davantage d’insistance sur l’efficacité de structures financées le plus souvent par des collectivités locales. Néanmoins, la recherche sur la performance des incubateurs n’a pour l’heure pas encore été en mesure de faire émerger un modèle de mesure pleinement satisfaisant. En effet, les premiers travaux ont eu trop tendance à appréhender la performance des incubateurs sous l’angle d’une seule perspective. Des travaux plus récents ont cependant montré que le balanced scorecard peut constituer un moyen de pallier ces limites grâce à une mesure équilibrée de la performance. C’est pourquoi cette contribution se propose d’identifier des dimensions et indicateurs permettant de mesurer la performance des incubateurs par le biais du balanced scorecard. À partir d’une étude quantitative, fondée sur un questionnaire en ligne auquel 109 responsables d’incubateur français ont répondu, ce sont 12 dimensions et 35 indicateurs de performance qui ont été validés. D’un point de vue théorique, cette validation empirique montre l’intérêt d’agréger les multiples dimensions de la performance des incubateurs au sein d’un même modèle de mesure. D’un point de vue managérial, les financeurs et les responsables d’incubateur se voient offrir un nouvel outil de mesure et de pilotage de la performance qui tient compte de toute la complexité de l’incubation.
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 | 0.008 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.008 |
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".