Les déterminants de l’innovation dans les petites et moyennes entreprises agroalimentaires
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
Cet article, élaboré dans le cadre du programme de recherche européen « Inno-valoc », étudie les liens entre le développement local (mesuré par des variables économiques et macroéconomiques) et les processus d’innovation dans les PME et TPE agroalimentaires. En matière d’innovation, beaucoup de travaux ont montré le rôle déterminant de la complémentarité entre les compétences internes des entreprises et les dispositifs de coordination mis en œuvre au plan local. Notre contribution est centrée sur les déterminants de l’innovation avec une attention particulière portée aux déterminants exogènes et à leur caractère local ou non. Dans un premier temps, on fixe le cadre d’analyse à partir d’une représentation du processus d’apprentissage. Nous analysons ensuite les spécificités de la petite entreprise et de l’agroalimentaire dans ce processus, puis sa dimension spatiale. Les résultats de l’enquête, menée auprès de 60 entreprises du Languedoc-Roussillon, révèlent une différence significative entre les déterminants selon le type d’innovation (produit, procédés, organisation). Dans le cas de l’innovation produit, ce sont essentiellement des facteurs internes à l’entreprise qui apparaissent. La dimension locale est présente seulement dans l’innovation organisationnelle à travers l’insertion locale du dirigeant et l’environnement institutionnel.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.005 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 it