Les risques de sous-traitance manufacturière en Chine : le témoignage de quatre dirigeants d'entreprises québécoises
Bibliographic record
Abstract
L’ouverture croissante des marchés internationaux et l’évolution de la compétition mondiale surtout au niveau des coûts de production poussent les entreprises manufacturières à chercher différentes solutions pour réduire leurs coûts et accroître la valeur de leurs produits. Parmi ces solutions, la sous-traitance d’une partie de la production vers des pays émergents, où les coûts de main d’œuvre sont relativement bas, est une stratégie que privilégient de plus en plus d’entreprises. Bien que cette stratégie puisse procurer un avantage compétitif considérable aux entreprises qui l’ont adoptée avec succès, elle peut aussi s’avérer fatale chez les entreprises peu expérimentées ou qui n’ont pas appréhendé les différents risques inhérents à ce genre de projets. C’est du moins ce qui ressort de l’étude réalisée auprès d’entreprises québécoises ayant décidé de sous-traiter une partie de leur production en Chine. Nous avons pu mettre au jour un certain nombre de facteurs de risque non considérés ou nettement sous-évalués qui auraient toutefois pu être gérés par les entreprises s’ils avaient été identifiés.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".