Systematic Review of Financial Distress Prediction Models for Municipalities: Key Evaluation Criteria and a Framework for Model Selection
Notice bibliographique
Résumé
Municipalities are facing mounting fiscal pressures that contribute to financial distress, often resulting in reduced service delivery and economic instability. Despite extensive research on this topic, there is neither a framework nor established criteria to guide policymakers and practitioners in selecting appropriate models for financial distress prediction (FDP). This study employs a systematic review approach to identify key criteria for evaluating FDP models and proposes a framework to guide the selection of suitable models. Following PRISMA guidelines, 24 peer-reviewed papers published between 2000 and 2025 were identified through Google Scholar, Web of Science, ScienceDirect, Scopus, EBSCOhost, and ProQuest. The analysis revealed ten key criteria for evaluating FDP models in local government, which were organised into four overarching dimensions: performance, conceptual integrity, practical applicability, and contextual fit. Based on these insights, the study proposes a structured framework that assists practitioners in selecting the most appropriate FDP model. The framework enhances conceptual clarity, synthesises fragmented knowledge, and establishes a foundation for policy-relevant early warning systems to strengthen municipal financial management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,263 | 0,567 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,024 |
| Bibliométrie | 0,030 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».