Impacts et Facteurs de résilience des Petites et Moyennes Entreprises du Burkina Faso dans le contexte de crise Covid-19
Bibliographic record
Abstract
La crise transfrontalière du Covid-19 à crée un effondrement de l’économie mondiale. L’objectif de cette étude est d’en comprendre l’impact sur les Petites et Moyennes Entreprises du Burkina Faso, ainsi que les facteurs de résilience qui ont favorisé leur rebondissement. L’approche méthodologique adopté est une étude de cas par analyse qualitative des données issues d’un entretien avec cinq dirigeants de PME située dans différentes régions du Burkina Faso. Le logiciel Nvivo a été utilisé pour le traitement et l’analyse des données, qui ressort le constat d’un impact entrainant la perturbation de la chaîne d'approvisionnement, la baisse de la demande, le manque de fonds de roulement et la fermeture temporaire des entreprises. Pour pallier à ces impacts, les entreprises participantes ont adopté des stratégies telles que la diversifications de produits et services, la reconversion d’activité, nouer des partenariats, une politique Ressources Humaines flexible, et compté sur le soutien financier et fiscal de l’Etat. Sur la base de ces résultats nous proposons aux PME un modèle de résilience aux crises, nommé ROPEN et une proposition aux décideurs politiques pour un accès inclusif des financements aux PME.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".