La cession à un groupe: quelles conséquences pour une PMI sous-traitante du secteur automobile?
Bibliographic record
Abstract
Récemment, l’industrie automobile a été particulièrement touchée par les fusions et acquisitions et a vu son paysage se modifier profondément. En France, de nombreuses PMI sous-traitantes ont ainsi changé de propriétaires et sont passées dans le giron de groupes. Face aux études s’intéressant aux acquisitions qui font état d’un très grand nombre de désillusions quant au succès de ces opérations et dans un contexte où la transmission d’entreprises représente des enjeux importants dans de nombreux pays occidentaux, nous avons voulu porter notre regard sur ces PMI acquises. En nous fondant sur 14 cas d’entreprises ayant été achetées entre 1995 et 2002, nous tentons de cerner l’impact de ces changements de propriétaires sur les PMI sous-traitantes. Nous verrons que la cession à un groupe représente un choix stratégique louable, si l’acquéreur est en mesure de transférer les ressources et compétences permettant aux entreprises achetées de réduire leur dépendance commerciale et de mieux se positionner dans la filière automobile.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".