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.