Bibliographic record
Abstract
Depuis 2020, une série de chocs sur l'économie mondiale a eu un impact significatif sur les petites et moyennes entreprises (PME) et les entrepreneurs, ainsi que sur leur accès au financement. Plus récemment, d'importantes pressions inflationnistes ont conduit à un resserrement des conditions de prêt, limitant le flux de financement vers les PME et agissant comme une barrière à l'investissement. Le Financement des PME et des Entrepreneurs 2024 : Tableau de Bord de l'OCDE suit les tendances, les conditions et l'évolution des politiques de financement des PME et des entrepreneurs dans près de 50 pays. Il fait état d'une forte augmentation du coût du financement des PME en 2022, ainsi que d'une baisse significative des prêts aux PME. Le financement par fonds propres a également connu une forte baisse en 2022, après une année 2021 marquée par une croissance historiquement élevée. Les entreprises dirigées par des femmes et des personnes issues de minorités, qui ont généralement plus de difficultés à accéder au financement par capital-risque, ont été touchées de manière disproportionnée. Dans ce contexte, le Tableau de bord souligne les mesures récentes prises par les gouvernements pour soutenir l'accès des PME au financement, y compris le financement de la transition écologique. Il sera important de continuer à mettre l'accent sur la diversification des sources et des instruments financiers pour répondre aux différents besoins de tous les types de PME et d'entrepreneurs, et leur permettre de jouer le rôle de moteur d'une croissance résiliente, durable et inclusive. Cette version abrégée contient les traductions complètes du chapitre sur les tendances, du chapitre thématique ainsi que les profils des 5 pays francophones de l’OCDE : Belgique, Canada, France, Luxembourg et Suisse. La version intégrale du rapport comprend tous les profils complets et est disponible en anglais sur le site de l’OCDE.
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) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.686 | 0.524 |
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".