Les facteurs des petites entreprises : cas de la production artisanale de boissons alcooliques au Québec
Bibliographic record
Abstract
Les petites entreprises représentent au Québec 93 % des entreprises du secteur de la transformation alimentaire (MAPAQ, 2013). Cependant, la présence de plusieurs multinationales et la petite taille du marché québécois soulèvent d’énormes défis de compétitivité pour ces structures. Compte tenu de l’importance de leur contribution à l’économie, il est impératif de veiller à leur pérennité. L’une des solutions serait de trouver les moyens d’assurer la rentabilité, la compétitivité et plus globalement, le succès des petites entreprises. C’est pourquoi la question principale de cette recherche était de savoir quels sont les facteurs clés de succès des petites entreprises ? Dans la grande partie des cas, lorsque ce sujet a été traité, les chercheurs ont englobé dans une même étude les petites et les moyennes entreprises (PME). Peu d’études se sont intéressées uniquement aux petites entreprises qui ont moins de 100 employés. \n \nPour répondre à notre question de recherche, nous avons proposé, à la suite de la revue de littérature, un modèle conceptuel basé sur la théorie de la contingence. Ce modèle comporte cinq dimensions dont quatre représentent les facteurs de contingence internes (propriétaire-dirigeant, ressources humaines, système de production et l’efficience économique) et une représente l’ensemble des facteurs de contingence externes (l’environnement d’affaires). Les hypothèses de travail établies à partir de ce modèle ont été vérifiées empiriquement à l’aide d’un échantillon de volontaire constitué de 53 petites entreprises titulaires du permis de production artisanale de boissons alcooliques au Québec. \n \nLes résultats ont montré que ces entreprises sont bien diversifiées en matière d’offre de produits, mais plus de la moitié (53 %) génèrent moins de 250 000 $ de chiffre d’affaires. Ce revenu a augmenté dans 76 % des entreprises au cours des trois dernières années. Contrairement à ce qu’on pense des petites entreprises, la grande partie des propriétaires-dirigeants actuels (67 %) ont un niveau d’étude universitaire. Par contre, très peu participent régulièrement aux activités de perfectionnement. La régression logistique utilisée pour tester les hypothèses a mis en évidence cinq facteurs essentiels à leur succès. Premièrement, il ne faut pas que la formation du dirigeant soit uniquement axée sur la production agricole, mais qu’elle réponde aussi aux autres fonctions de l’entreprise. Ensuite, un accent particulier accordé au marketing est nécessaire pour augmenter le chiffre d’affaires. La connaissance et la réduction des coûts de revient ainsi que la mise en marché de produits hautement différenciés sont des facteurs clés de succès. Les petites entreprises doivent aussi accorder une importance aux accords commerciaux, car ce sont des sources de menaces et d’opportunités auxquelles il faut s’adapter rapidement. Finalement, le soutien de l’État (et d’autres organismes) reste nécessaire aux petites entreprises. Toutefois, ces résultats doivent être utilisés avec prudence dans la mesure où l’échantillonnage était non probabiliste et l’analyse concernait un seul secteur d’activité. Il serait judicieux de valider la théorie dans d’autres contextes avec d’autres méthodes.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".