La gestion des résultats dans le contexte canadien des fusions-acquisitions
Notice bibliographique
Résumé
Ce mémoire s'intéresse à la gestion des résultats du côté de l'entreprise acquéreuse lors des opérations de fusions-acquisitions. Ce contexte est souvent décrit par la littérature comme étant propice aux manipulations comptables. Afin d'étudier ce phénomène, nous utiliserons ici deux méthodologies différentes, le modèle de Jones et la loi de Benford. Le modèle de Jones constitue une méthodologie largement utilisée dans ce contexte. En contrepartie, la loi de Benford, bien qu'utilisée dans certaines études en comptabilité pour détecter les manipulations comptables, n'a pas encore été utilisée, à notre connaissance, dans le contexte des fusions-acquisitions. Parmi les principaux résultats observés sur un échantillon de 198 opérations de fusions-acquisitions annoncées entre 2015 et 2017, nous relevons une gestion des résultats durant l'année qui précède l'opération de fusion-acquisition ainsi que durant l'année de l'opération en question. Ce qui est intéressant ici, c'est que ces résultats sont supportés par les deux méthodologies adoptées. Par ailleurs, on observe un niveau de gestion des résultats plus élevé lorsque l'opération est financée par échange d'actions ou par financement mixte (échange d'action et liquidités) que lorsqu'elle est financée par liquidités. Néanmoins, nous ne parvenons pas à conclure que les entreprises ayant un haut score de divulgation présentent un niveau de gestion des résultats moins important. Il est à noter que ces deux derniers résultats n'ont tout de même pas pu être supportés par les deux méthodologies. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : gestion des résultats, fusions-acquisitions, manipulations comptables, S&P/TSX, loi de Benford
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».