Des obstacles à l’exportation chez les petites et moyennes entreprises
Bibliographic record
Abstract
L’une des questions les plus importantes abordées dans la recherche sur le commerce international est de savoir pourquoi certaines entreprises exportent plus que d’autres. Une explication fréquemment offerte par la littérature est la perception différente qu’ont les responsables de direction des obstacles ou barrières à l’exportation. Ainsi, ces 30 dernières années, dans la littérature sur l’internationalisation, l’étude des barrières à l’exportation a été abordée sans toutefois aboutir à un classement identique ; il n’existe en outre aucune homogénéité en ce qui concerne le nombre de barrières existantes, les types de barrières et leur importance relative, ni de critère uniforme pour déterminer quelles sont les barrières les plus importantes, la typologie de celles-ci ou l’échelle pouvant les englober. Nous considérons donc qu’il existe une lacune dans la recherche sur l’activité d’exportation et qu’il faut établir une échelle de barrières à l’exportation susceptible d’être extrapolée à d’autres études sur l’internationalisation. C’est pourquoi, dans le présent article, nous avons pour objectif d’effectuer une révision des principales études théoriques et empiriques existantes sur les barrières à l’exportation, de proposer un classement intégratif de celles-ci et d’étudier leur perception de manière empirique, de telle façon que ce classement puisse être universellement accepté et utilisé dans de futures études sur l’exportation. En prenant une population de 2 590 entreprises (478 réponses) et en utilisant des équations structurelles, les quatre dimensions ou facteurs de barrières à l’exportation proposés se confirment : barrières de la connaissance, des moyens, du processus et exogènes. Un certain nombre d’implications et de contributions universitaires découle des conclusions de cette étude.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".