L’approche néo-institutionnelle et ses implications pour le management des relations avec les stakeholders en phase start-up1
Bibliographic record
Abstract
Les approches néo-institutionnelles et surtout la théorie de l’agence et la théorie des coûts de transaction ont fait leurs preuves dans divers domaines (en marketing, en GRH, etc.). Cependant, jusqu’à présent, peu de recherches en création d’entreprise se sont appuyées sur ces approches. Le but de la présente contribution est d’analyser la création d’entreprise sous l’angle de la Nouvelle Économie institutionnelle. Cet angle souligne le rôle crucial de la relation stakeholder-créateur. En effet, le succès d’une jeune entreprise dépend directement de l’acceptation et du soutien des parties prenantes. Les relations dans la phase de création sont caractérisées par des incertitudes particulièrement fortes dues à la nouveauté (liability of newness). Dans le processus d’évaluation et de jugement de la relation d’échange, le stakeholder est confronté à l’incertitude des promesses du créateur d’entreprise ; ces incertitudes influencent la décision du stakeholder d’entrer dans la relation d’échange avec la jeune entreprise. L’aptitude à gérer ces incertitudes augmente la probabilité de succès du projet de création. L’approche MUT (Management of Uncertainties and Trust) que nous présenterons ici est un outil pragmatique et normatif qui a pour but de structurer et de résoudre la problématique d’incertitude. De cette façon, il peut favoriser le succès de nouvelles entreprises en aidant l’entrepreneur à créer des relations stables avec les parties prenantes.
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 | 0.029 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.008 | 0.019 |
| Scholarly communication | 0.015 | 0.022 |
| Open science | 0.005 | 0.011 |
| Research integrity | 0.007 | 0.007 |
| Insufficient payload (model declined to judge) | 0.015 | 0.004 |
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".