Programme de recherche sur le rôle des gouvernements dans le financement des entreprises Initiatives gouvernementales en capital de risque: les leçons des expériences européennes
Bibliographic record
Abstract
La plupart des pays ont instauré des institutions et des mécanismes dédiés à la création de nouvelles entreprises et au financement de leur croissance. Nous analysons les stratégies mises en place par la France, l'Allemagne et le Royaume-Uni. Dans ces pays, la part de l'État dans le financement par capital de risque est significativement inférieure à celle du Québec sans que la performance en termes de création et de croissance d'entreprises technologiques ne semble inférieure. Ces pays ont privilégié une action ciblée, axée sur les stades de R&D, transfert, incubation et démarrage, clairement restreinte aux technologies. Les universités sont, à l'exception de la France, au centre de l'effort de création de nouveaux projets d'entreprises. Des structures internes ou directement subordonnées aux ministères sont mises en place pour gérer et évaluer les programmes, établir les priorités et éviter les dérapages vers des secteurs en demande de fonds mais non prioritaires. Les programmes, dont la durée de vie est souvent limitée, sont très largement soumis à des critères de performance et d'accréditation rigoureux. Les modes d'intervention autres que les déductions fiscales sont privilégiés.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".