Doueiry Verne, Carole <br/><br/>
Le phénomène de banqueroute au Liban 

 -  2026.<br/>							 
<br/><br/> 4 
<br/><br/> Cet article propose d’analyser le point de vue des managers sur les causes de la banqueroute au Liban, autres que celles relatives à la guerre et aux instabilités politiques, durant la période 2019-2023. En utilisant et comparant deux modèles de prédiction de la banqueroute appartenant aux méthodes du Machine Learning, tels que la régression dite « Lasso-Logit » et le modèle de l’arbre de décision, il met en exergue les variables ayant l’impact le plus significatif sur la probabilité que les entreprises subissent une banqueroute. Ainsi, à travers les réponses à un questionnaire adressé aux managers de 118 entreprises tous secteurs confondus, les dettes contractées par l’entreprise, les stratégies adoptées par celle-ci pour éviter la banqueroute ainsi que la dévaluation de la livre libanaise et, dans une moindre mesure, l’absence d’innovation, constituent, selon les deux modèles, les variables les plus explicatives du risque de banqueroute.  This article proposes to analyze the point of view of managers on the causes of bankruptcy in Lebanon, other than those linked to war and political instabilities, during the period 2019-2023. By using and comparing two bankruptcy prediction models, belonging to Machine Learning methods, such as the so-called « Lasso-Logit » regression and the decision tree model, it highlights the variables having the most significant impact on the probability that companies suffer bankruptcy. Thus, through the responses to a questionnaire sent to the managers of 118 companies all sectors combined, the debts contracted by the company, the strategies taken by it to avoid bankruptcy as well as the devaluation of the Lebanese pound and, to a lesser extent, lack of innovation, constitute, according to the two models, the most explanatory variables of the risk of bankruptcy.  Este artículo propone analizar el punto de vista de los gestores sobre las causas de la quiebra en el Líbano, distintas de las relacionadas con la guerra y la inestabilidad política, durante el período 2019- 2023. Al utilizar y comparar dos modelos de predicción de aberturas, pertenencia a los métodos de Machine Learning, como la llamada regresión “Lasso-Logit” y el modelo de árbol de decisión, se destacan las variables que tienen un impacto más significativo en la probabilidad de que las empresas fracasen sufrir quiebra. Así, a través de las respuestas a un cuestionario dirigido a los directivos de 118 empresas de todos los sectores, las deudas contraídas por la empresa, las estrategias tomadas por la misma para evitar quiebras, así como la devaluación de la libra libanesa y, en menor medida, falta de innovación, constituyen, según los dos modelos, las variables más explicativas del riesgo de quiebra.