Les freins à l'adoption d'une approche d'éco-conception dans le processus de développement de produits: le cas des petites et moyennes entreprises
Bibliographic record
Abstract
Scientifiques, gouvernements, entreprises et consommateurs s’entendent aujourd’hui pour dire que le système naturel est déréglé, que l’activité industrielle en est la cause principale. L’éco-conception est une manière de concevoir des biens ou des services en diminuant leurs impacts sur l’environnement et la société. De plus en plus présente dans les grandes entreprises où, associée à une gestion intégrée de l’environnement, elle procure des bénéfices non négligeables et une image de marque, l’éco-conception a beaucoup de difficultés à s’implanter dans les petites et moyennes entreprises. Dans ce travail, nous avons cherché à comprendre les raisons de ces difficultés. Deux approches ont été utilisées, l’une basée sur une analyse documentaire des rapports de RSE de dix entreprises, grandes et petites, de différents secteurs d’activité, qui nous a permis de fixer le cadre et le formalisme de la démarche de recherche, l’autre sur le principe d’entretiens semi-dirigés à partir de questions ciblées. Après une présentation générale de ce qu’est l’éco-conception et quelle en est la problématique appliquée aux PME (chapitre 2), nous précisons le cadre méthodologique de la recherche (chapitre 3) et exposons ses résultats (chapitre 4). Nous montrons que les freins à l’adoption de l’éco-conception dans les PME sont multiples et complexes, tant la diversité de ces entreprises est grande et difficile à synthétiser. En soulignant les freins, les leviers, les risques et les opportunités liés à l’intégration des principes de développement durable dans ces entreprises, nous faisons un portrait global de la situation actuelle et des difficultés rencontrées par ces PME pour adhérer à ces principes.
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 | 0.021 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.017 | 0.010 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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; 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".