Pratiques d’affaires et performance des PME camerounaises
Bibliographic record
Abstract
La compétitivité des entreprises, est l’un des enjeux auxquels sont confrontés quotidiennement les propriétaires dirigeants de PME, peu importe les pays, les secteurs et la nature de l’activité. Pour faire face à cet enjeu, les PME doivent mettre en place les facteurs de leur réussite dont elles mesureront les résultats grâce à la gestion de leur performance. La littérature permet d’identifier de nombreux facteurs déterminants de la performance, mais ceux-ci ont été mis au jour principalement par l’étude d’entreprises localisées dans les pays développés où le contexte et l’écosystème d’affaires ne sont pas représentatifs de ce qui existe dans les pays en développement. Quels sont les déterminants de la performance des PME africaines ? Notre étude permet de répondre à cette question grâce à l’analyse de PME manufacturières camerounaises. Une analyse typologique a permis aussi de regrouper les entreprises en trois clusters, à partir desquels on observe des comportements différents et un usage des pratiques d’affaires variable selon les groupes. Les configurations d’entreprises obtenues ne se distinguent toutefois pas au niveau de leur performance, ce qui signifie que les entreprises ont su identifier les pratiques d’affaires qu’elles avaient besoin pour rencontrer leurs objectifs.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".