Compétitivité du secteur agroalimentaire à l’heure du commerce électronique
Bibliographic record
Abstract
L’introduction et la pénétration des appareils mobiles à la fin de la première décennie des années 2000 ont agi comme un élément déclencheur d’une révolution attendue du secteur du commerce de détail. La part des ventes en ligne américaines sur l’ensemble des ventes au détail atteignait près de 10 % (9, 8 %) en 2018 et devrait s’élever à 15, 1 % en 2022. Les ventes en ligne canadiennes suivent une progression semblable. Elles totalisaient 9, 2 % des ventes au détail en 2018 et devraient se hisser à 15, 3 % en 2022. La progression des ventes en ligne de produits alimentaires affiche un décalage en comparaison au portrait de l’ensemble du secteur commerce de détail. Les ventes en ligne américaines de produits alimentaires et d’alcool capturaient 1, 8 % des achats alimentaires en 2018 et devraient croître à 4, 4 % en 2020. Puisque le marché canadien suit les tendances américaines, cette croissance de la part des achats alimentaires effectués en ligne accélérera les changements dans les pratiques courantes des acteurs des secteurs bioalimentaire et de la distribution. Ce rapport analyse les enjeux qui découlent de cette transformation pour les acteurs de cette chaîne de valeur, notamment les manufacturiers agroalimentaires.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
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".