Bibliographic record
Abstract
Selon l’auteur, de manière théorique, les avantages compétitifs sont déterminés par cinq complexes de variables (= conditions externes et internes de l’entreprise) : les caractéristiques des industries et des marchés, les ressources internes de l'entreprise, les objectifs poursuivis, la personnalité des décideurs stratégiques et les stratégies produits/marchés. Une enquête en1985, dans huit pays européens, auprès de 1135 PME, issues de trois branches (habillement, industrie agro-alimentaire et électronique) a révélé que les PME utilisent les six facteurs suivants pour élaborer des avantages compétitifs sur leurs marchés : compétence et réputation, potentialité de marketing, compétence technologique et service, conditions financières, créativité et différenciation des produits, coûts bas et politique des prix. Le premier facteur (compétence et réputation) regroupe les items qui peuvent être considérés comme des facteurs de base. L’importance des cinq autres facteurs et de leurs éléments respectifs varie beaucoup plus en fonction des conditions externes et internes de l’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.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".