La croissance et la décroissance des entreprises aux Pays-Bas
Bibliographic record
Abstract
Nous avons étudié la dynamique de la vie économique aux Pays-Bas et, en particulier, l’importance des entreprises en croissance rapide. Celles-ci stimulent l’innovation, défient les concurrents et créent de nombreux emplois. Dans la période 1989-1997, près de la moitié des créations brutes d’emplois par les entreprises existantes (711 000) est due à des entreprises en croissance rapide, qui sont pourtant en nombre relativement limité (6 %) par rapport aux entreprises en croissance normale (25 %). Les entreprises en croissance rapide semblent revenir bien souvent à un rythme de croissance inférieur (67 %), tandis que près de 8% des entreprises en croissance normale accélèrent leur croissance. Les jeunes entreprises contribuent à augmenter le nombre des entreprises en croissance rapide. Beaucoup d’entreprises croissent par étapes, car elles se heurtent à des plafonnements. Lorsqu’elles ont résolu leurs difficultés, elles peuvent croître à nouveau. Sur ce point, le gouvernement a une mission à accomplir. Les responsables politiques néerlandais s’efforcent de créer des conditions pour favoriser une concurrence dynamique et prévenir les alliances qui entravent le jeu de la concurrence. En outre, ils cherchent à aplanir les obstacles auxquels se heurtent les entrepreneurs, par exemple les faiblesses du marché, et à stimuler la création d’entreprises. Le gouvernement a pris quelques mesures additionnelles en faveur des entreprises en croissance rapide : il a étendu la portée des réseaux, favorisé la formation pour permettre aux entrepreneurs d’acquérir les habiletés nécessaires et, enfin, il a amélioré l’information fournie.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".