MétaCan
Menu
Back to cohort
Record W7038888393

L’effet d’un événement de fraude médiatisée sur la performance et le risque des entreprises

2020· other· fr· W7038888393 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2020
Typeother
Languagefr
FieldComputer Science
TopicGraph Theory and Algorithms
Canadian institutionsnot available
Fundersnot available
KeywordsPrivate enterprisePrivate lifePassenger information
DOInot available

Abstract

fetched live from OpenAlex

L’analyse de l’effet des annonces médiatiques sur les entreprises n’est pas un phénomène récent. Depuis les dernières décennies, nous avons connu une explosion d’annonces d’irrégularités financières par l’intermédiaire des médias permettant ainsi à certains auteurs de s’intéresser à ce genre d’annonces (Karpoff et Lott [1993], Palmrose, Richardson et Scholz [2003], Karpoff, Lee et Martin [2008]). La littérature semble suggérer qu’il existe un impact significatif sur les différentes parties prenantes et sur la performance financière des entreprises qui commettent des irrégularités financières (Davidson et Worrel [1988], Gratto et Thatcher [1990], Karpoff et Lott [1993], Cloninger et Waller [2000]). Les différents cas d’envergure tels que : Enron, Worldcom, Equifax, et Galleon ont grandement été touchés sur le plan des rendements boursiers à la suite de la divulgation des fraudes dans les médias. En addition, le risque de réputation devient de plus en plus important pour les entreprises en particulier dans le contexte de la montée en puissance des médias sociaux et d’Internet, où les mauvaises nouvelles se répandent très rapidement (Gatzert, 2015). Et donc, pour les entreprises l’une des questions importantes demeure à connaitre si son niveau de réputation ou les événements préjudiciables à leur réputation peuvent entraîner un impact significatif sur leurs performances financières. De plus, le constat selon lequel les entreprises voient leurs performances affectées considérablement à la suite de la perpétration d’un acte d’irrégularité peut-il être transféré aux entreprises qui sont victime d’un tel acte ? L’effet des annonces et de la couverture médiatique par les universitaires est étudié depuis longtemps. Considérant le rôle des médias qui est de transmettre de l’information aux individus en demeurant impartial, il est défendable de s’attendre à ce que ceux-ci soient en mesure d’exercer une certaine influence. En ce sens, la littérature démontre que les médias sont effectivement en mesure d’influencer le comportement des investisseurs qui sont présents sur les marchés boursiers par les biais du traitement médiatique (Dougal, Engelberg, Garcia et Parsons [2012]). Baron (2006) explique que la perception des investisseurs peut être influencée par les biais médiatiques des journalistes, mais également par les journaux et leurs propriétaires. L’objectif ou le gain anticipé par ceux-ci peuvent influencer le choix de mettre en circulation une nouvelle et par conséquent influencer le marché financier. Les biais revêtent diverses formes, ils peuvent résulter d’une idéologie, d’un préjugé ou être dû à la fabrication d’informations. Le pessimisme médiatique concernant les actions peut affecter à la baisse la valeur des entreprises (Tetlock (2007)). D’autre part, Tetlock (2011) présente des évidences qui confirment que les investisseurs individuels réagissent de manière exagérée aux nouvelles redondantes. L’auteur mentionne la possibilité que ces résultats proviennent du fait que les investisseurs ne prêtent pas suffisamment attention à la 7 question à savoir si l’information contenue dans les événements d’actualité est ancienne ou nouvelle. La protection de la réputation d’une entreprise est l’une des tâches les plus pertinentes et les plus difficiles à effectuer de nos jours. En effet, l’intérêt par le milieu universitaire et professionnel quant aux avantages que peut entraîner une saine réputation n’a fait qu’augmenter au fil des années. Plusieurs s’entendent pour dire que la réputation est multidimensionnelle, reflétant les perceptions globales des parties prenantes sur les aspects financiers et non financiers des entreprises (Fombrun [1996], Rindova, Williamson, Petkova et Sever [2005, 2010]). La réputation offrirait également un avantage concurrentiel potentiellement important aux entreprises possédant une réputation plus élevée (Fombrun et Shanley [1990] ; Fombrun [1996]). Hall (1992) considère également la réputation comme étant un actif intangible stratégique. Les avantages que procurerait une saine réputation seraient multiples ; l’augmentation de la stabilité des revenus (Fombrun, 1996), la profitabilité supérieure et persistante (Roberts et Dowling, 2002), l’augmentation de la productivité, de la motivation et de la loyauté (Fombrun, 1996), la fidélisation de la clientèle (Bartikowski et Walsh, 2009 ; Fombrun, 1996), la prime à la vente (Shapiro, 1983 ; Klein et Leffler [1981]) en sont des exemples. Les explications pour lesquelles les individus ont des comportements préjudiciables sont aussi multiples. L’appât du gain, la faiblesse des systèmes de contrôle, la volonté de cacher de mauvaises performances en sont des exemples. Quant à Cloninger (1982), il croit qu’une activité criminelle ou non éthique peut contribuer en cas de succès à augmenter le prix des actions d’une entreprise ou d’en réduire le risque des actifs de celle-ci. Des résultats empiriques ont démontré l’existence des rendements anormaux négatifs à la suite de l’annonce de fraude par différents médias (Cloninger, Skantz et Strickland [1987 ; 1990]). Karpoff et Lott (1993) mentionnent que la perte observée de la richesse des actionnaires ne s’expliquerait pas uniquement par les pénalités imposées par les tribunaux ni par l’ampleur du gain mal acquis perdu pour faire suite à la fin de la fraude, mais il en résulterait également un dommage considérable à la réputation. Nous testons l’impact des annonces médiatiques préjudiciables en utilisant la méthodologie d’étude des événements financiers en utilisant un échantillon de 94 événements provenant de la base de données en intégrité financière CIBC. Plus en détail, nous analysons les rendements et le risque systématique en utilisant une méthodologie relative aux études événementielles. Nous utilisons toutefois une modélisation conditionnelle de la performance et du risque systématique des entreprises. En lien avec la littérature déjà existante, l’objectif de cette recherche est d’analyser l’effet des annonces médiatiques concernant les fraudes et les irrégularités financières sur les entreprises. 8 Plus précisément, nous étudions l’impact sur les rendements et la réputation des entreprises contrevenantes, mais également le cas des entreprises qui en sont victimes. Notre recherche utilise trois ramifications de la littérature. Tout d’abord, elle analyse l’effet des annonces médiatiques sur les rendements. Ensuite, elle étudie l’effet des annonces d’irrégularités par les médias. Finalement, l’analyse de l’impact des annonces dommageables et des événements de crise sur la réputation (financière) des entreprises. Les données concernant les fraudes et les irrégularités financières proviennent de la base de données de la chaire de recherche en intégrité financière CIBC développée par l’Université de Sherbrooke. Cette banque de données contient les cas de fraudes et d’irrégularités financières recensés à partir du Wall Street Journal et elle est échelonnée sur la période, débutant le 1er janvier 1984 et se terminant le 3 octobre 2013. La suite de l’étude est organisée comme suit. La deuxième section présente la revue de littérature qui est composée de trois modules, soit l’effet des annonces médiatiques sur les marchés, l’effet de la réputation et finalement les irrégularités financières et leurs effets sur les entreprises. Les objectifs de la recherche et les contributions ainsi que les hypothèses sont respectivement présentés à la troisième et quatrième section. La cinquième section traite de la méthodologie utilisée. La présentation de la base de données utilisée est faite dans la sixième section et l’échantillon est présenté dans la septième section. Les résultats empiriques et l’interprétation des résultats sont présentés dans la huitième section. Pour terminer, la conclusion, les limites et les orientations pour de futures recherches sont abordées dans la neuvième section. Les différentes annexes et la bibliographie sont exposées à la toute fin du présent travail.

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 imitation

Not 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.

metaresearch head score (Codex)0.005
metaresearch head score (Gemma)0.027
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.018
Threshold uncertainty score0.059

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0050.027
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0060.003
Open science0.0010.002
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0180.003

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.

Opus teacher head0.011
GPT teacher head0.188
Teacher spread0.177 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Same topicGraph Theory and AlgorithmsFrench-language works237,207