Déterminants endogènes et impacts de la gestion active des risques sur la performance globale des PME manufacturières1
Bibliographic record
Abstract
Depuis plusieurs années, l’environnement d’affaires connaît des mutations importantes qui amplifient l’incertitude et qui impliquent que les décisions stratégiques soient prises sans avoir l’assurance que les résultats escomptés soient atteints. Cette incertitude fait naître de nombreux risques, dont ceux de prendre de mauvaises décisions qui pourraient perturber les activités de l’entreprise et compromettre sa pérennité. Pour réduire ces conséquences, la gestion des risques s’affirme de plus en plus comme une capacité stratégique à déployer. Or, on constate que peu de PME s’y engagent de façon active alors que cela peut avoir des effets bénéfiques sur leur performance. Notre étude souhaite éclairer ce constat en s’intéressant aux déterminants favorisant la gestion active des risques chez les PME et aux conséquences sur leur performance globale. Les résultats d’une enquête conduite auprès de 500 PME manufacturières québécoises montrent que la mobilisation des pratiques de gestion active des risques renforce leur performance globale et que cette mobilisation est influencée par les capacités organisationnelles et l’orientation entrepreneuriale. Il s’en suit que pour maintenir durablement leur performance, les dirigeants de PME sont appelés à renforcer les pratiques de gestion des risques en s’appuyant sur leurs capacités organisationnelles et en étant proactifs, innovateurs et preneurs de risque.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".