Effets de la différence de genre et de la diversification des activités économiques sur la performance des très petites, petites et moyennes entreprises en République du Congo
Bibliographic record
Abstract
L’objectif de cette recherche est d’analyser les effets de différence de genre et de la diversification des activités économiques sur la performance des très petites, petites et moyennes entreprises (TPE et PME) en République du Congo. À partir des données d’enquête produites par l’Institut national de la statistique (2017) par le biais du Recensement des très petites, petites, moyennes entreprises et artisans (RTPMEA) au Congo, 2017), le modèle utilisé est le tobit. Les résultats obtenus montrent, d’une part, que la diversification des activités des TPE et PME gérées par les hommes ont une faible probabilité de favoriser la performance des microentreprises et, d’autre part, que la diversification des activités des TPE et PME gérées par les femmes sont insignifiantes et ne peuvent pas avoir la chance de favoriser leur performance. Ainsi, d’une manière générale, la diversification des activités économiques a agi négativement sur la performance des TPE et PME en République du Congo, malgré la différence de genre. À cet effet, des implications de politique économique sont formulées.
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 | 0.012 |
| 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 | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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 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".