Search

National audience; This paper deals with the trade receivable policy for VSE (very small businesses) in difficulty. This policy is a tradeoff between the firm’s willingness to gain sales and the firm’s need cash. We highlight that firms increase trade receivables when they have profitability problems, but reduce trade receivables when they have cash flow problems. Moreover, we highlight that the decrease of trade receivable for firms in distress has a negative influence on performance.; Ce papier étudie la politique du crédit client des TPE (très petites entreprises) en difficulté. Cette politique obéit à un compromis entre la volonté des firmes de gagner des parts de marché et de faire rentrer des liquidités. Nous mettons en évidence que les entreprises ayant des problèmes de profitabilité ont tendance à accroître leur crédit client alors que les entreprises faisant face à des situations de « stress » financier cherchent à réduite leurs délais clients. Nous mettons également en évidence que la baisse du crédit client pour les entreprises en difficulté impacte négativement les performances.

The aim of this article is to analyze the various aspects of dividend policy. Emphasizing tax issues, theoretical frameworks of informational asymmetry of corporate governance and life cycles, we show that a static vision of dividends has been gradually replaced by a dynamic vision. Nevertheless, in spite of the numerous studies dealing with this topic, Black’s (1976) dividend puzzle still remains unsolved.

This study examines a method of analyzing the dynamics of financial failure. Using a large amount of data and a Kohonen map, we show how to depict company trajectories of behavior and movement to terminal failure We also show how to analyze these trajectories to describe and understand the dynamics of bankruptcy and how to use them as a diagnostic tool.

This paper is a critical review of the variable selection methods used to build empirical bankruptcy prediction models. Recent decades have seen many papers on modeling techniques, but very few about the variable selection methods that should be used jointly or about their fit. This issue is of concern because it determines the parsimony and economy of the models and thus the accuracy of the predictions. We first analyze those variables that are considered the best bankruptcy predictors, then present variable selection and review the main variable selection techniques used to design financial failure models. Finally, we discuss the way these techniques are commonly used, and we highlight the problems that may occur with some non-linear methods.

Of the methods used to build bankruptcy prediction models in the last twenty years, neural networks are among the most challenging. Despite the characteristics of neural networks, most of the research done until now has not taken them into consideration for building financial failure models, nor for selecting the variables to be included in the models. The aim of our research is to establish that to improve the prediction accuracy of the models, variable selection techniques developed specifically for neural networks may well offer a useful alternative to conventional methods.

We evaluate the prediction accuracy of models designed using different classification methods depending on the technique used to select variables, and we study the relationship between the structure of the models and their ability to correctly predict financial failure. We show that a neural network based model using a set of variables selected with a criterion that it is adapted to the network leads to better results than a set chosen with criteria used in the financial literature. We also show that the way in which a set of variables may represent the financial profiles of healthy companies plays a role in Type I error reduction.; Les hypothèses qui sous-tendent les modèles de prédiction de la défaillance d'entreprise ont conduit leurs auteurs à privilégier comme méthodes d'élaboration, celles issues de la statistique et de l'analyse de données. Parmi toutes les méthodes employées – analyse discriminante, régression logistique, arbre de décision, etc. – les réseaux de neurones occupent une place privilégiée depuis une vingtaine d'années en raison de leurs propriétés mathématiques intrinsèques, mais aussi à cause des caractéristiques spécifiques qu'ils confèrent aux modèles. Pour autant, la performance d'un modèle numérique, c'est-à-dire sa capacité prédictive, ne dépend pas simplement de la famille de méthode qui l'a produit. Elle dépend des données employées pour son ajustement. Or, les travaux de recherche réalisés jusqu'à présent se sont appuyés essentiellement sur des variables de convenance, choisies parce qu'elles sont présentes dans les échantillons retenus ou parce qu'elles correspondent à des indicateurs traditionnels associés à la « santé financière » d'une entreprise. L'objet de ce travail doctoral s'inscrit dans cette perspective. Il vise à montrer en quoi les méthodes de sélection de variables adaptées aux réseaux de neurones, fondés sur des heuristiques d'énumération, offrent une alternative utile aux choix arbitraires de ces dernières ; ils permettent d'améliorer le degré de précision dans la prévision d'une défaillance et, grâce à une détection des variables pertinentes, d'approfondir la connaissance du problème traité.

We evaluate the prediction accuracy of models designed using different classification methods depending on the technique used to select variables, and we study the relationship between the structure of the models and their ability to correctly predict financial failure. We show that a neural network based model using a set of variables selected with a criterion that it is adapted to the network leads to better results than a set chosen with criteria used in the financial literature. We also show that the way in which a set of variables may represent the financial profiles of healthy companies plays a role in Type I error reduction.; Les hypothèses qui sous-tendent les modèles de prédiction de la défaillance d'entreprise ont conduit leurs auteurs à privilégier comme méthodes d'élaboration, celles issues de la statistique et de l'analyse de données. Parmi toutes les méthodes employées – analyse discriminante, régression logistique, arbre de décision, etc. – les réseaux de neurones occupent une place privilégiée depuis une vingtaine d'années en raison de leurs propriétés mathématiques intrinsèques, mais aussi à cause des caractéristiques spécifiques qu'ils confèrent aux modèles. Pour autant, la performance d'un modèle numérique, c'est-à-dire sa capacité prédictive, ne dépend pas simplement de la famille de méthode qui l'a produit. Elle dépend des données employées pour son ajustement. Or, les travaux de recherche réalisés jusqu'à présent se sont appuyés essentiellement sur des variables de convenance, choisies parce qu'elles sont présentes dans les échantillons retenus ou parce qu'elles correspondent à des indicateurs traditionnels associés à la « santé financière » d'une entreprise. L'objet de ce travail doctoral s'inscrit dans cette perspective. Il vise à montrer en quoi les méthodes de sélection de variables adaptées aux réseaux de neurones, fondés sur des heuristiques d'énumération, offrent une alternative utile aux choix arbitraires de ces dernières ; ils permettent d'améliorer le degré de précision dans la prévision d'une défaillance et, grâce à une détection des variables pertinentes, d'approfondir la connaissance du problème traité.