Doctorant en Sciences de Gestion Equipe de recherche Magellan Finance
Bibliographic record
Abstract
Cette recherche vise à explorer une nouvelle piste de réflexion sur les comportements des grandes entreprises dans un contexte de financiarisation des stratégies. Elle s'attache ainsi à traiter une question de recherche inédite en Sciences de Gestion en mettant en lumière et en précisant le rôle des agences de notation financière dans les modalités de croissance externe des entreprises. La notation financière (ou rating) représente l’évaluation exprimée en lettres du risque de non remboursement d’un émetteur d'emprunt obligataire. La problématique retenue concerne l’impact d'une baisse potentielle de cette note sur les stratégies de rachat externe des firmes. Le traitement du cas empirique a été effectué sur la base de données secondaires quantitatives et qualitatives issues de bases de données économiques et financières et en ayant recours à la méthodologie de l'étude de cas et de l’étude d’événements. La réflexion engagée prend appui sur les récents événements intervenus au sein du secteur de l’acier et, en particulier, l'opposition entre Arcelor et ThyssenKrupp pour la prise de contrôle du canadien Dofasco au début de l'année 2006. L’analyse sectorielle et stratégique réalisée souligne l'importance et la pertinence du rachat pour ces deux firmes au regard des synergies visées, mais l'analyse financière, et notamment l'étude de la structure financière, montre à quel
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 | 0.007 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.118 | 0.036 |
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".