Repenser l’échec entrepreneurial des petites entreprises émergentes
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Créer une entreprise demeure aujourd’hui une initiative très risquée. Même si les statistiques montrent que la disparition précoce d’une jeune petite entreprise est un destin plus probable que sa survie, la littérature scientifique sur l’entrepreneuriat se concentre sur la réussite entrepreneuriale. Les petites entreprises émergentes qui échouent demeurent un groupe peu étudié. En plus, il n’y a pas de consensus sur la signification de l’échec entrepreneurial qui, d’ailleurs, par sa nature multidimensionnelle et complexe, peut revêtir plusieurs configurations. Dans le but de mieux percevoir l’échec entrepreneurial, le présent article propose une typologie articulée autour des trois théories : la théorie d’écologie des populations des organisations, l’approche fondée sur les ressources et la théorie de la « brèche aspirations-réalisations ». L’écologie des populations des organisations perçoit l’échec en termes de mortalité. Basée sur la primauté des ressources, l’approche du même nom analyse l’échec en termes de défaillance économique. La troisième théorie accorde un rôle important à la motivation entrepreneuriale. Pour la théorie de la « brèche aspirations-réalisations », l’échec est associé à la déception personnelle du fondateur à la suite de la non-concrétisation de ses aspirations et attentes initiales. À travers la combinaison de ces trois approches, cet article élabore une typologie de huit catégories ou scénarios d’échec. Il tente d’aller au-delà de la dichotomie classique qui oppose l’ « échec total » et la « réussite absolue ». Il introduit les scénarios d’« échec marginal » et d’« échec partiel ». Une analyse qualitative exploratoire fondée sur l’étude de 10 cas a servi à illustrer cette typologie.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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 it