Favoriser un développement durable en Afrique subsaharienne par l’entrepreneuriat innovant : quelles conditions institutionnelles et sociétales?
Bibliographic record
Abstract
Un certain scepticisme semble planer sur la capacité de l’entrepreneuriat à impulser une dynamique vertueuse et durable dans les économies en développement, particulièrement en contexte africain francophone, où l’esprit d’entreprise est réputé moins vivace. Une explication tient peut-être à une relative méconnaissance des spécificités de l’entrepreneuriat en contexte africain francophone. L’objectif de cet article est d’étudier la pertinence des dispositifs d’accompagnement à partir des caractéristiques insuffisamment approfondies de ces écosystèmes. En effet, améliorer la connaissance des conditions dans lesquelles les TPE/PME africaines performantes évoluent ainsi que les types de défis, d’opportunités, de ressources et de réseaux au sein de leurs contextes est nécessaire pour faire avancer l’accompagnement à l’entrepreneuriat. À travers des expériences déjà menées, l’analyse comparative de deux cas contrastés permet d’éclairer les pratiques pertinentes pour contourner les freins et renforcer les capacités de résilience, sans pour autant en accroître la vulnérabilité. Les résultats mettent en évidence des dynamiques d’innovation de modèles d’affaires basées sur des ressources locales, complémentaires des ressources financières et technologiques, ainsi que l’importance d’une approche territoriale plus axée sur des préoccupations de résilience que de croissance.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".