La gestion des informations comptables. Le reflet d'une réalité ou l'entretien d'un mirage ?
Bibliographic record
Abstract
Résumé Dans la théorie financière classique, le lissage des résultats est interprété comme une pratique illicite consistant à manipuler les comptes afin de donner une information faussée sur le risque de l’entreprise. Avec le lissage, on serait donc au cœur des critiques formulées au sujet de l’information comptable sur les marchés financiers. À partir de l’étude du cas réel d’un processus générant les résultats financiers dans une entreprise de bâtiments et travaux publics, l’article montre que le lissage des résultats provient de multiples manipulations des chiffres à tous les niveaux de l’organisation et que les acteurs justifient le recours à cette méthode en indiquant qu’il faut maîtriser le niveau de risque, ne pas envoyer de fausse alerte et montrer la compétence des gestionnaires. Cette analyse est riche d’enseignements pour les cadres opérationnels, qui doivent comprendre que le lissage est attendu d’eux, pour les comptables, qui doivent déterminer dans quelles situations le lissage peut être pratiqué, pour les dirigeants, qui doivent rendre plus explicite l’existence de telles situations, et plus largement pour tous les utilisateurs finaux de l’information comptable (investisseurs institutionnels ou privés, banques, agences de notation, etc.), qui devraient mieux communiquer les hypothèses à la base des calculs comptables. Fonctions : gestion, management, comptabilité, contrôle de gestion, finance
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 | 0.011 | 0.047 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.009 | 0.012 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.024 | 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".