Désinvestissements et création de valeur : analyse des facteurs explicatifs
Bibliographic record
Abstract
La littérature scientifique portant sur le lien « désinvestissement et création de la valeur » s'est principalement focalisée sur la création de valeur autour des dates d'annonce laissant ouverte plusieurs questions quant à la capture des gains d'efficience durant la période post-restructuration. Nous tentons de répondre à cette insuffisance en adoptant une approche de long terme mettant à contribution des outils théoriques novateurs dans ce cadre, tels les choix effectifs de réinvestissement des fonds issus du désinvestissement, l'incidence des phénomènes d'asymétrie d'information ainsi que la modification du fonctionnement du marché interne de capitaux. Le cadre empirique retenu est composé des entreprises cotées sur la bourse de Toronto et ayant effectué des désinvestissements entre 1990 et 2000. En vue de rendre notre étude comparable à la littérature existante, nous avons d'abord effectué une étude d'événement à court terme mettant en évidence une réaction positive du marché à l'annonce des désinvestissements par les entreprises canadiennes; nous validons ensuite l'argumentaire du « rôle disciplinaire de la dette privée » ainsi que celui du recentrage dans l'explication de la réaction du marché lors d'annonces des désinvestissements. Dans un second temps, nous calculons les rendements anormaux à LT avec la méthodologie de « Buy and Hold Abnormal Returns » et nous montrons que les choix de réinvestissement des fonds issus de la vente d'actifs affectent la valeur de l'entreprise. Il apparaît que l'engagement volontaire de distribuer les fonds ne peut être totalement incorporé par les investisseurs avant leur déboursement. Les ajustements partiels de prix pourraient donc être liés à l'incertitude qui entoure le caractère effectif et complet du contenu des annonces. L'existence de rendements anormaux à long terme traduit une incorporation dans les prix de l'efficience des choix décisionnels effectifs de réinvestissements. En outre, l'analyse de nos résultats a montré que les changements au niveau de l'efficience allocationnelle des capitaux dans le cadre du marché interne des capitaux ont une influence significative sur la création de valeur à long terme. Ainsi, les choix décisionnels des entreprises désinvestisseuses qui, à la suite de cette restructuration, atténuent les phénomènes de rent-seeking et/ou mettent plus en avant les politiques de « winner picking » ont un impact positif sur la performance à long terme.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".