L'influence des facteurs internationaux sur la compétitivité des réseaux de création de valeur multinationaux : le cas des compagnies canadiennes de pâtes et papiers
Bibliographic record
Abstract
Résumé Les tarifs douaniers, les taux de change, les taux d’imposition des entreprises, les facteurs nationaux de production (ressources naturelles, main-d’œuvre, capital et infrastructures), les prix de transfert, les barrières commerciales et la distribution géographique de l’offre et de la demande sont des facteurs qui ont un impact important sur la performance d’une compagnie multinationale. Or, la position relative des pays par rapport à la majorité de ces facteurs évolue dans le temps. Pour demeurer concurrentielles, les entreprises multinationales doivent donc adapter périodiquement la structure de leurs réseaux de création de valeur aux changements structuraux des facteurs internationaux. Cet article montre que ce constat est particulièrement valable pour les compagnies canadiennes de pâtes et papiers. Après avoir analysé l’évolution des facteurs internationaux qui façonnent la performance de ces compagnies, nous indiquons comment les modèles d’optimisation des réseaux logistiques couramment disponibles peuvent être utilisés pour restructurer les réseaux de création de valeur des compagnies. L’article se termine par une discussion sur les extensions nécessaires aux modèles existants d’optimisation de réseaux afin de rendre compte de l’ensemble des facteurs importants pour l’industrie des pâtes et papiers.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 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".