Allocation de ressources, avantage concurrentiel et performance des petites et moyennes entreprises de l’industrie manufacturière française
Bibliographic record
Abstract
L’analyse des liens entre la possession de un ou plusieurs avantages concurrentiels et la performance des firmes est un domaine qui a déjà été assez largement abordé dans la littérature de management stratégique. Certains de ces travaux ont cherché plus précisément à mettre en évidence des modes de combinaisons de ressources conduisant à la réalisation de niveaux de performance élevés. Toutefois, leurs champs d’investigation sont demeurés le plus souvent restreints à des domaines d’activité spécifiques, de sorte que les résultats auxquels ils aboutissent ne peuvent être généralisés. Partant de ce constat et s’appuyant sur le modèle de « ressources de base » qui apparaît comme le corpus théorique le plus complet sur cette question, l’objet de cette étude est de mettre en évidence, à partir de l’exploitation de 3049 enquêtes issues de la base de données de la Banque de France sur les comportements économiques et financiers des PME de l’industrie manufacturière française, des profils types de combinaison de ressources et de création d’avantages concurrentiels et de les comparer sur plusieurs critères de performance. Pour ce faire, une analyse typologique est menée. Elle conduit à la mise en évidence de six stratégies types de combinaisons de ressources associées à des avantages concurrentiels différents. Les résultats des tests effectués sur les comparaisons de performance entre ces six groupes indiquent que les entreprises qui obtiennent les meilleurs résultats sont celles qui adoptent un positionnement concurrentiel différencié fondé sur une approche qui situe le client au cœur de leur stratégie et qui utilisent principalement la fonction marketing comme support de création de leurs avantages compétitifs.
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 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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.006 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".