Transformation digitale et performance des PME : une analyse bibliométrique pour comprendre et agir
Bibliographic record
Abstract
Si la littérature académique sur la transformation digitale des entreprises s’est largement développée ces dernières années, les auteurs se sont, pour la plupart, concentrés sur les grandes entreprises sans prendre en compte la recherche sur les petites et moyennes entreprises (PME). Pourtant, celles-ci, d’après le ministère de l’Économie, représentent 24 % de la valeur ajoutée de l’ensemble des entreprises françaises et disposent d’une marge de progression importante en termes de digitalisation. De plus, les outils digitaux semblent intervenir dans la performance des PME. Ces dernières méritent d’être analysées spécifiquement afin que soient pris en compte leurs particularités et leurs enjeux propres, par exemple, leur manque de moyens financiers et humains. Nous nous interrogeons sur l’existence d’une communauté de recherche structurée autour de la transformation digitale et de la performance des PME. Une étude bibliométrique (ACC, analyse de cocitations ; ACB, analyse de couplage bibliographique), partant de la littérature traitant conjointement de la transformation digitale et de la performance des PME, a été menée. Elle poursuit trois objectifs principaux : comprendre comment et sur quelles bases s’est construite la littérature académique sur le sujet, structurer la recherche existante en identifiant ses apports, mais aussi ses limites et enfin, faire ressortir des voies de recherches futures.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.006 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.002 |
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 teacher head, 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".