PME exportatrices et information en zones rurales ou zones urbaines
Bibliographic record
Abstract
La théorie économique traditionnelle soutient qu’il est plus difficile de se développer et d’exporter pour les PME en zones rurales là où les ressources, entre autres, informationnelles, sont plus rares qu’en zones urbaines en raison du manque d’économies d’agglomération. C’est ce que nous avons voulu vérifier à partir d’une enquête complexe auprès de PME manufacturières réparties sur le territoire du Québec et dont nous avons distingué 105 PME exportatrices oeuvrant dans des villes et 37 autres petites firmes rurales. Les résultats montrent que les différences entre les PME exportatrices des deux zones sont minimes. Dans le cas des firmes rurales, elles se traduiront par une direction un peu moins instruite et expérimentée, un historique d’exportation plus jeune et donc une organisation moins complexe, une exportation moins « multinationale » et des produits un peu moins technologiques que ceux de leurs concurrents. Mais, en général, ni la localisation ni le niveau technologique des équipements semblent être des facteurs déterminants pour expliquer l’accès à l’information et la performance à l’exportation dans les deux zones. Il est donc possible de penser que l’évolution de l’environnement économique et des communications est en train d’annuler les différences qui distinguent le monde rural du monde urbain quant à la dynamique des PME ou du moins nous incite à rechercher d’autres différences pouvant expliquer les comportements des PME selon les localisations.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".