Identifying and Predicting Nascent High-Growth Firms Using Machine Learning
Bibliographic record
Abstract
La prédiction des entreprises qui connaîtront une croissance rapide, et les raisons pour lesquelles elles le font, fait l'objet de recherches depuis de nombreuses décennies. Les chercheurs explorent l'utilisation de techniques d'apprentissage machine supervisées (modèle de filet élastique, forêt d'arbres décisionnels et filet neuronal) pour trouver une population embryonnaire d'entreprises à forte croissance (EFC) dans les données administratives canadiennes des entreprises dérivées de dossiers fiscaux anonymisés. Le vaste ensemble de variables comprend des indicateurs de l'industrie, de la géographie et de la complexité (p. ex., de multiples activités industrielles), de même que la propriété étrangère. Même si environ une entreprise sur huit de l'ensemble de l’échantillon deviendra une EFC, la méthodologie fait ressortir un sous-échantillon d'environ 25 % à 30 % de cette dimension, c'est-à-dire qu'une sur quatre parviendra à ce statut et que trois résultats sur quatre seront faussement positifs. Les variables de l'industrie sont d'une importance manifeste sur le plan des prédictions, tout comme les variables indicatrices d'entreprises plus petites et (particulièrement) plus jeunes. Cependant, les chercheurs conseillent de ne pas interpréter l'analyse comme causale.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".