• Langue : Anglais
• Discipline : Gestion
• Identifiant : 2025ULILD028
• Type de thèse : Doctorat
• Date de soutenance : 15/12/2025

Résumé en langue originale

La thèse comprend trois chapitres empiriques, chacun visant à prédire le risque de défaut des petites et moyennes entreprises (PME) au Vietnam à partir d’un type de données distinct et d’un sous-segment spécifique de PME. Le chapitre 1 évalue l’applicabilité des modèles internationaux de notation des PME aux petites entreprises vietnamiennes et conclut que ces modèles sont peu performants dans ce contexte. En revanche, une régression logistique fondée sur des données financières - en particulier la couverture de la dette et les flux de trésorerie - s’avère plus efficace. Le chapitre 2 porte sur les entreprises de taille moyenne et montre que les indicateurs non financiers surpassent significativement les mesures financières. Un cadre d’ensemble combinant modèles financiers et non financiers améliore la performance prédictive et renforce l’interprétabilité pour les banquiers. Le chapitre 3 examine l’utilisation des données transactionnelles bancaires pour prédire les défauts des petites entreprises. Les signaux comportementaux issus des flux de trésorerie et de l’utilisation des comptes bancaires apparaissent comme de puissants prédicteurs dans des environnements opaques, en particulier en période de stress économique. Pris ensemble, ces résultats font progresser la recherche sur le risque de crédit des PME et fournissent aux institutions financières vietnamiennes des outils d’évaluation plus précis, évolutifs et conformes aux exigences réglementaires.

Résumé traduit

The thesis comprises three empirical chapters, each predicting default risk for small and medium-sized enterprises (SMEs) in Vietnam using a distinct data type and SME sub-segment. Chapter 1 evaluates the applicability of international SME scoring models for small-sized firms and finds that these models perform poorly in the Vietnamese context. In contrast, logistic regression based on financial data - particularly debt coverage and cash flow - proves more effective. Chapter 2 focuses on medium-sized firms and demonstrates that non-financial indicators significantly outperform financial metrics. An ensemble framework that integrates financial and non-financial models improves predictive performance and enhances interpretability for bankers. Chapter 3 explores the use of transaction-level bank data to predict small firm defaults. Behavioral signals derived from cash flows and account usage emerge as powerful predictors in opaque environments, especially during periods of economic stress. Collectively, the findings advance SME credit risk research and provide financial institutions in Vietnam with regulation-aligned, more accurate, and scalable risk assessment tools.