Évaluation du crédit et fiscalité : l’incidence des écarts entre résultat comptable et résultat fiscal sur la variation des notations
Bibliographic record
Abstract
Les auteurs se demandent si les analystes de crédit utilisent l’information que livrent les écarts entre résultat comptable et résultat fiscal dans l’analyse du risque de crédit que présentent les entreprises. L’augmentation de l’écart entre résultat comptable et résultat fiscal peut être révélatrice pour les agences d’évaluation du crédit, car elle peut signaler une détérioration de la qualité des résultats ou des modifications dans le financement hors bilan de l’entreprise. Les résultats de l’étude semblent indiquer l’existence d’un lien négatif significatif entre les changements positifs dans les écarts entre résultat comptable et résultat fiscal et la variation des notations. Cette observation confirme l’hypothèse selon laquelle les changements positifs importants dans les écarts entre résultat comptable et résultat fiscal signalent une détérioration de la qualité des résultats et (ou) une augmentation du financement hors bilan. Les auteurs constatent également que les changements négatifs importants dans les écarts entre résultat comptable et résultat fiscal donnent lieu à des variations des notations moins favorables, ce qui corroborerait la thèse selon laquelle ces changements signalent une détérioration de la qualité des résultats. En procédant à des analyses complémentaires, les auteurs observent que le lien entre les changements dans les écarts entre résultat comptable et résultat fiscal et la variation des notations est moins marqué dans le cas des entreprises qui se livrent activement à la planification fiscale (les écarts entre résultat comptable et résultat fiscal étant, par exemple, plus susceptibles d’indiquer des activités de planification fiscale qu’une détérioration de la qualité des résultats).
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 | 0.025 | 0.170 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".