Les facteurs de succès des entreprises à croissance rapide en Allemagne
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Cette étude analyse les entreprises d’Allemagne de l’Ouest connaissant une croissance de l’emploi particulièrement importante. Nous désignons comme entreprises à croissance rapide celles qui appartiennent aux 10 % des entreprises ayant la plus forte croissance de l’emploi. Après une discussion théorique sur les déterminants de la croissance d’entreprise, nous développerons une série d’hypothèses dont nous vérifierons l’exactitude de façon empirique à l’aide de deux échantillons d’entreprises. Le premier échantillon comprend environ 11 000 entreprises de l’industrie de transformation (secteur secondaire), de l’industrie du bâtiment, du commerce et de l’industrie des services en général (secteur tertiaire). Les données dont nous disposons proviennent des informations de la plus grande agence allemande de renseignements sur les crédits, CREDITREFORM. Le deuxième échantillon comporte des informations sur environ 4000 entreprises ouest-allemandes de l’industrie de transformation et de l’industrie de services liés à la production. Pour cet échantillon, les informations proviennent d’un sondage écrit. Nos résultats peuvent être résumés ainsi : nous confirmons les résultats d’enquêtes précédentes, qui attestent qu’un petit groupe d’entreprises à croissance rapide apporte une contribution essentielle à la croissance de l’emploi. En moyenne, les petites et les jeunes entreprises appartiennent plus que les grandes entreprises ou celles plus anciennes aux groupes d’entreprises à croissance rapide. En outre, nous découvrons que le secteur d’activité et la forme juridique choisie par l’entreprise influent sur la probabilité pour l’entreprise de faire partie des entreprises à croissance rapide. Les stratégies des entreprises en matière de recherche et développement ou d’exportation, mais aussi les caractéristiques personnelles de l’entrepreneur telles que son âge et son diplôme sont des déterminants majeurs de la forte croissance d’une entreprise.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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 it