Bibliographic record
Abstract
et article part du constat que les petites et moyennes entreprises ont en général un accès au financement externe beaucoup plus difficile que les grandes entreprises. Cela peut s’expliquer par le fait que le risque de défaillance des PME est statistiquement plus élevé que pour les grandes entreprises. Notre contribution vise à présenter les raisons qui expliquent, sur le plan théorique, le refus de financement pour ce type d’entreprises. Pour ce faire, nous considérons que l’analyse de rationnement de crédit peut nous servir comme support théorique pour expliquer cette exclusion des PME en matière de financement. Dans cette perspective, cette analyse répond à un double objectif: premièrement, étudier le phénomène du rationnement du crédit et plus particulièrement celui du « redlining » et montrer qu’il permet d’expliquer l’exclusion des PME aux ressources financières ; deuxièmement, proposer des pistes de recherche qui permettent d’envisager une diminution de l’ampleur de celui-ci. Dans cette optique, la prise en compte des relations de long terme et de clientèle constituent un moyen pour réduire le rationnement du crédit et jouent, par conséquent, un rôle fondamental dans l’octroi de prêts aux PME.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.013 |
| Scholarly communication | 0.014 | 0.018 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.016 | 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".