Bibliographic record
Abstract
Certains analystes et décideurs politiques considèrent que la croissance des nouvelles entreprises technologiques est contrainte par une offre insuffisante de capital. Au Canada, comme dans d'autres juridictions, les pouvoirs publics sont intervenus pour corriger cette lacune des marchés en augmentant l'offre de capital. Toutefois, la plupart des chercheurs défendent que cette lacune est essentiellement due aux problèmes d'asymétrie informationnelle, qui touchent particulièrement les entreprises technologiques. Les problèmes d'agence et d'anti-sélection qui en découlent rendent l'obtention de capital longue et coûteuse. Dans la présente étude, nous étudions les coûts et délais associés à l'obtention de capital de risque par douze entreprises technologiques, au cours de 18 rondes de financement distinctes. L'étude est menée au Québec, où l'offre de capital de risque est particulièrement abondante. Nous observons que les coûts associés à l'obtention du capital sont considérables et de nature à pénaliser les entreprises, notamment au cours des rondes initiales de financement. L'intervention gouvernementale classique, qui consiste à augmenter l'offre de capital, semble donc largement inefficace. D'autres types d'intervention, qui viseraient à encadrer et aider les dirigeants dans la recherche de fonds, devraient être étudiés.
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 | 0.001 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.006 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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".