De la vulnérabilité à la résilience : développer une capacité stratégique à gérer les risques dans les PME1
Bibliographic record
Abstract
Après avoir constaté la rareté des travaux conceptuels et fédérateurs sur la gestion des risques en PME, nous invitons les chercheurs, à l’instar de Brustbauer (2016) et St-Pierre et El Fadil (2017), à poser les bases d’un management stratégique des risques pour les PME (ERM PME ouenterprise risk managementpour les PME). Il s’agit de réfléchir à la façon, dont les PME peuvent surmonter les vulnérabilités inhérentes à leurs caractéristiques particulières (proximité, ressources limitées, myopie stratégique du dirigeant) pour devenir résilientes face aux risques multiples et nouveaux, souvent combinés dans une cascade de risques, et associés aux différentes stratégies de développement qu’elles doivent mettre en place. Nous dessinons les bases de ce que pourrait être une capacité stratégique de gestion des risques pour les PME grâce à un état de l’art des travaux récents portant sur cette question (Brustbauer, 2016 ; St-Pierre et El Fadil, 2017) et à une analyse transversale des contributions retenues pour ce numéro spécial de la gestion des risques par différentes PME prises en exemple, dans le cadre de leurs stratégies de développement (internationalisation, intégration dans une chaine logistique ou partenariat).
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".