Étude des programmes d’aide aux PME des gouvernements fédéral et québécois établis suite à la crise de la Covid-19
Bibliographic record
Abstract
En janvier 2020, la pandémie de la Covid-19 a frappé la planète et affecté l’économie mondiale. Au Canada et au Québec, les PME ont été particulièrement touchées par cette crise de par leur importance au sein de l’économie. L’idée de ce mémoire est d’étudier l’impact de la pandémie sur les PME, ainsi qu’examiner l’envergure des programmes d’aides qui ont été créés par les gouvernements fédéral et québécois pour les aider, et ce, pour déterminer la coordination entre les deux gouvernements pour ce qui est des mesures d’aides destinées aux PME et établies pour faire face aux conséquences de la pandémie. Il y avait des répercussions notables de la crise sanitaire sur les PME telles que les baisses de revenus importants dues aux fermetures fréquentes, les licenciements et la hausse de l’endettement. Ainsi, la mise en place de programmes d’aides à ces entreprises était cruciale. Les dispositifs établis par le gouvernement fédéral canadien et québécois ont été importants, hâtifs et onéreux. Il s’agissait de programmes qui visaient à soutenir les PME pour leur permettre de continuer d’exister, à travers un financement d’urgence pour leur fonds de roulement et des prêts notamment pour pouvoir garder leurs employés, payer leurs loyers, etc. Lors de l’établissement de ces mesures, il y avait une coordination entre les gouvernements pour ce qui est de la rapidité d’agir. Cette collaboration s’est traduite d’ailleurs lors de la bonification du programme fédéral AUCLC par le Québec. Cependant, nous avons pu étudier les limites de cette collaboration, puisque chaque gouvernement structurait ses programmes différemment pour ce qui est des critères d’admissibilité, par exemple. En plus, le gouvernement fédéral était plus en charge de par sa responsabilité de juridiction économique et avait donc plus de moyens. Nous avons aussi compris que ces aides fédéral et québécoises, bien qu’elles étaient essentielles et ont 6 permis d’éviter les faillites et faire grimper le taux de chômage, ont tout de même énormément alourdi la dette des PME. Par conséquent, nous considérons qu’il est important d’anticiper l’avènement de telles crises, en préparant les PME à priori à ces situations, et ce, à travers un appui coordonné des deux gouvernements. De ce fait, nous estimons qu’il faut aussi s’assurer d’avoir une conformité entre les dispositifs d’aide de chaque gouvernement en prenant bien évidemment en compte les spécificités régionales, afin d’être sur la même lignée et d’éviter un chevauchement ou des exclusions de certaines PME des mesures adoptées. Finalement, la mise en place de ces mesures d’aide devrait prendre en compte les possibles impact de ces dispositifs une fois les crises passées et les programmes terminés tels que leur endettement, d’où l’importance d’un accompagnement post-crises.
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 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.000 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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; both teacher heads agree on what is shown here.
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".