La gestion des résultats dans le contexte canadien des fusions-acquisitions
Bibliographic record
Abstract
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
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".