Relation d’engagement, risque et stratégies commerciales de la banque : une étude empirique sur des données de PME marocaines
Bibliographic record
Abstract
L’objectif de cette recherche consiste à étudier la décision commerciale en termes de disponibilité du crédit prise par les banques marocaines face à des PME présentant des niveaux de risque différents dans le cadre d’une relation d’engagement. En utilisant des données contractuelles sur un échantillon de 512 PME, les tests Logit réalisés nous ont permis de conclure qu’un désengagement accéléré se produit pour les PME à haut risque, qui ont plus d’une banque partenaire et une durée de la relation d’engagement moins longue. La banque marocaine, en accordant des crédits à moyen et long terme à des PME à haut risque, préfère des solutions amicales en consolidant ses engagements ou en accordant des crédits de restructuration dans la perspective d’une évolution favorable du risque de cette catégorie de PME. Pour les PME à bas risque, la stratégie commerciale de la banque favorise le renouvellement avec augmentation des lignes de crédit, particulièrement lorsque la durée de la relation d’engagement est longue et le nombre de banques réduit à une seule banque ou à une banque principale. Plus la durée de la relation et la réciprocité de l’engagement sont élevées, plus la disponibilité du crédit augmente pour les PME avec ce profil de risque.
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 | 0.068 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.002 |
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".