Cette thèse a un double objectif : améliorer la précision de la prédiction de faillite et découvrir de nouveaux prédicteurs de défaillance. Pour atteindre ces objectifs, nous utilisons des techniques avancées d'apprentissage automatique et d'apprentissage automatique explicables. Tout d'abord, nous menons une analyse financière approfondie des entreprises françaises en faillite, expliquant le fonctionnement interne des modèles populaires d'apprentissage automatique en ensemble. Cette analyse s'aligne non seulement sur la littérature existante, mais renforce également la crédibilité de l'apprentissage automatique dans la prévision des défaillances en confirmant l'importance des ratios financiers dans la prédiction de la faillite. Deuxièmement, nous explorons le potentiel de facteurs environnementaux en tant que prédicteurs pour les entreprises françaises non cotées. Nos résultats montrent que l'inclusion de données sur l'intensité des émissions dans l'air, l'eau et le sol améliore significativement la précision de la prédiction de la détresse financière et de la faillite. Enfin, nous relevons le défi de la prédiction de la faillite en période de conditions macroéconomiques changeantes. Notre enquête se penche sur l'impact de l'incertitude macroéconomique sur les modèles de prédiction de la faillite. En incorporant divers indices d'incertitude, nous mettons en évidence les avantages d'une telle approche. En résumé, cette thèse élève à la fois la précision et l'interprétabilité des modèles de prédiction de la faillite. De plus, elle élargit la gamme de prédicteurs, offrant des informations précieuses aux décideurs qui naviguent dans le paysage financier en constante évolution.

Les écosystèmes de connaissances rassemblent les universités, les centres de recherche et les nouvelles entreprises technologiques pour favoriser l’innovation. Cette étude se concentre sur les agtechs, analysant comment elles bénéficient du transfert de connaissances pour développer des compétences et améliorer leur performance.En examinant 48 agtechs au Brésil et 52 en France, elle révèle que le transfert de connaissances n’est pas uniforme, avec des canaux variés influençant différemment la performance des entreprises dans chaque pays. Les résultats indiquent l'importance de combinaison de compétences spécifiques pour la croissance des entreprises et offrent des insights pour la théorie des ressources et le transfert de connaissances.

Cette thèse vise à améliorer non seulement la mise en place de la Responsabilité Sociale des Entreprises (RSE) dans une chaîne logistique sous contraintes financières, mais aussi la performance de chaque membre ainsi que de l'ensemble de la chaîne logistique. Pour atteindre cet objectif, nous utilisons les modèles d'optimisation combinant avec la théorie des jeux afin de proposer différents types de coordination. Tout d'abord, nous partons d’une chaîne logistique sans contraintes financières fonctionnant avec le système de stock en consignation et montrons que la coordination basée sur les contrats de partage des coûts et revenues peut apporter une meilleure performance RSE et des profits plus élevés pour tous les membres de la chaîne logistique. Deuxièmement, nous proposons un contrat général basé sur la compensation des risques et le crédit commercial pour coordonner la chaîne où un membre en aval de la chaîne est confronté à des contraintes financières. Enfin, nous nous concentrons sur une chaîne logistique où tous les membres sont soumis à des contraintes financières. Notre résultat montre qu'un contrat de partage des coûts combiné à un mode de financement raisonnable peut améliorer la performance RSE et la rentabilité individuelle des participants. Les contributions essentielles de ce travail sont d’une part des apports scientifiques sur le rôle fondamental de différents types de coordination pour une mise en place efficace de la RSE dans une chaîne logistique sous des contraintes financières et d’autre part des apports opérationnels proposant une aide à la décision pour les managers de la chaîne logistique afin d’améliorer non seulement leurs propres performances mais aussi celles de toute la chaîne.