Cette thèse comprend trois essais dont l’objectif est d’étudier les déterminants et les implications de la qualité de l’information narrative des entreprises cotées. L’originalité de ce travail par rapport aux études antérieures réside dans le fait que nous nous intéressons à la dimension qualitative de l’information divulguée. Afin d’appréhender la qualité de cette information nous recourons à des techniques de traitement automatique de langage naturel qui permettent de construire des indices de lisibilité des rapports annuels.Le premier essai étudie l'effet de la complexité textuelle des rapports annuels sur la liquidité des titres. L’utilisation d’un échantillon d’entreprises françaises cotées en bourse sur la période 2002-2013 montre l’existence d’une relation positive entre le degré de lisibilité des rapports annuels et la liquidité des titres. Ces résultats suggèrent que la complexité textuelle de l’information narrative affecte les investisseurs sur le marché des actions.Le deuxième essai étudie l’effet de la lisibilité des rapports annuels sur le coût des fonds propres des entreprises. Nous menons notre étude empirique sur un échantillon d’entreprises américaines cotées en bourse sur la période 1995-2012. Les résultats montrent que les entreprises font face à un coût de financement plus élevé lorsque leurs rapports annuels sont moins lisibles, ce qui indique qu’un degré faible de lisibilité réduit la capacité des investisseurs à prévoir les performances futures de l’entreprise et leur amène par conséquence à demander un rendement de fonds propres plus élevé.Le troisième essai examine l’effet des pratiques de réduction d’impôt des entreprises sur la lisibilité de leurs divulgations financières. La littérature mobilisant la théorie d’agence montre que ces pratiques de réduction d’impôt créent un cadre permettant aux dirigeants d’extraire des bénéfices privés aux dépens des autres parties prenantes. Afin de s’assurer que leurs actions opportunistes ne soient détectées, les dirigeants réduisent la qualité de l’information divulguée, ce qui détériore l’environnent informationnel de l’entreprise en question. En utilisant un échantillon d’entreprises américaines cotées en bourse pour la période 1995-2012, nous constatons que les entreprises qui s’engagent dans des politiques de diminution d’impôt publient des rapports annuels moins lisibles et plus ambigus.Mot Clés: Information narrative; lisibilité des rapports annuels; Risque d’information ; Liquidité; Coût des fonds propres; Optimisation fiscale / This thesis comprises three separate but interconnected essays that focus on the determinants and economic implications of corporate narrative disclosure. The first essay examines the effect of annual report textual complexity on firms’ stock liquidity. Using techniques from computational linguistics, we predict and find that less readable filings are associated with lower stock liquidity. Our study provides evidence that difficult-to-read annual reports can act as a non-trivial impediment to investors’ ability to process information into useful trading signals. The findings are robust to a battery of sensitivity tests, including endogeneity, use of alternative regression techniques, and use of alternative liquidity and readability proxies.Using a large panel of U.S. public firms, the second essay presents the first evidence highlighting the relation between annual report readability and cost of equity capital. We hypothesize that complex textual reporting deters investors’ ability to process and interpret annual reports, leading to higher information risk, and thus higher cost of equity financing. Consistent with our prediction, we find that greater textual complexity is associated with higher cost of equity capital. Our results are statistically significant and economically important. We also show that disclosure tone exerts a non-trivial bearing on the cost of equity. Our findings are robust to a battery of sensitivity checks, including use of multiple estimation methods, alternative proxies of annual report readability and cost of equity capital measures, and potential endogeneity concerns. Overall, our study contributes to the research examining the relation between disclosure quality and cost of capital.The third essay investigates the effect of firms’ tax avoidance practices on the textual properties of their annual filings. Using a large sample of U.S.-listed firms, we document a positive and statistically significant relation between corporate tax avoidance and annual report textual complexity. In addition, we show that managers of tax-avoiding firms tend to hide their avoidance behavior in more ambiguous language. Our results prove to be robust to the use of numerous alternative proxies of corporate tax avoidance and annual report readability. The findings are also robust to a number of checks, including, using additional control variables, employing alternative regression methodologies, and addressing endogeneity concerns.Keywords: Narrative disclosure; Annual report readability; Disclosure tone; Information risk Stock liquidity; Cost of equity capital; Corporate tax avoidance

L’ubiquité des terminaux intelligents équipés de capteurs a donné naissance à un nouveau paradigme de collecte participative des données appelé Crowdsensing. Pour mener à bien les tâches de collecte, divers défis relatifs à l’implication des participants et des demandeurs de services doivent être relevés. Dans ce contexte, nous abordons quatre questions majeures inhérentes à ce problème: Comment affecter les tâches de collecte afin de maximiser la qualité des données d’une façon éco-énergétique ? Comment minimiser le temps nécessaire à la collecte et au traitement des tâches? Comment inciter les participants à dédier une partie de leurs ressources pour la collecte? et Comment protéger la vie privée des participants tout en préservant la qualité des données reportées ? Tout d’abord, nous nous intéressons au fait que les ressources énergétiques des terminaux mobiles restent limitées. Nous introduisons alors des modèles de déploiement de tâches qui visent à maximiser la qualité des données reportées tout en minimisant le coût énergétique global de la collecte. Ainsi, notre première contribution se matérialise en un modèle d’allocation appelé, QEMSS. QEMSS définit des métriques de qualité de données et cherche à les maximiser en se basant sur des heuristiques utilisant la recherche taboue. De plus, afin de rendre le processus d’allocation résultante plus équitable, nous faisons appel à un deuxième algorithme, F-QEMSS, extension de QEMSS. Les deux solutions ont permis d’obtenir des niveaux de qualité de données compétitifs principalement dans les situations défavorables des zones de faible densité ou de ressources limitées. En outre, afin de minimiser le temps moyen de collecte et de traitement des données, une deuxième phase d’allocation distribuée est ajoutée. Plus précisément, nous proposons dans cette deuxième contribution de désigner des participants responsables de déléguer des tâches. Ces derniers prédisent le comportement d’autres utilisateurs en termes de mobilité et de préférences de collecte. Par conséquent, nous développons deux types d’allocation; MATA qui ne tient compte que de la mobilité et P-MATA qui tient compte à la fois de la mobilité et des préférences des participants. Les deux allocations démontrent que l’estimation des préférences des utilisateurs minimise le temps de collecte et évite le rejet des tâches. La troisième contribution de cette thèse, IP-MATA+, propose des incitations aux participants, ce qui favorise leur engagement aux campagnes de collecte notamment quand le budget dédié est partagé en fonction de la qualité des contributions. Pour finir, nous considérons la problématique de la vie privée des participants au crowdsensing. Particulièrement, nous ciblons la minimisation du risque de divulgation de la vie privée durant la phase du déchargement tout en veillant à l’utilité des données collectées. Ainsi, la quatrième contribution de cette thèse vise à assurer simultanément deux objectifs concurrents, à savoir assurer l’utilité des données nécessaire aux demandeurs et protéger les informations sensibles des participants. Pour ce faire, nous introduisons une entité de confiance dans le système de collecte ayant pour rôle d’exécuter un mécanisme qui génère une version altérée de la donnée collectée qui répond au compromis de protection et d’utilité. La solution développée, appelée PRUM, a été évaluée sur des datasets de collecte participative en variant les scénarios d’attaque et de déchargement des données. Les résultats obtenus prouvent qu’une altération limitée des données collectées peut assurer une protection des informations sensibles des participants tout en préservant environ 98% de l’utilité des données obtenue pour les demandeurs. Pour conclure, nos contributions abordent diverses problématiques complémentaires inhérentes à la collecte participative des données ouvrant la voie à des mises en œuvre réelles et facilitant leur déploiement / The ubiquity of sensors-equipped mobile devices has enabled people to contribute data via crowdsensing systems. This emergent paradigm comes with various applications. However, new challenges arise given users involvement in data collection process. In this context, we introduce collaborative sensing schemes which tackle four main questions: How to assign sensing tasks to maximize data quality with energy-awareness? How to minimize the processing time of sensing tasks? How to motivate users to dedicate part of their resources to the crowdsensing process ? and How to protect participants privacy and not impact data utility when reporting collected sensory data ? First, we focus on the fact that smart devices are energy-constrained and develop task assignment methods that aim to maximize sensor data quality while minimizing the overall energy consumption of the data harvesting process. The resulting contribution materialized as a Quality and Energy-aware Mobile Sensing Scheme (QEMSS) defines first data quality metrics then models and solves the corresponding optimization problem using a Tabu-Search based heuristic. Moreover, we assess the fairness of the resulted scheduling by introducing F-QEMSS variant. Through extensive simulations, we show that both solutions have achieved competitive data quality levels when compared to concurrent methods especially in situations where the process is facing low dense sensing areas and resources shortcomings. As a second contribution, we propose to distribute the assignment process among participants to minimize the average sensing time and processing overload com- pared to a fully centralized approach. Thus, we suggest to designate some participants to carry extra sensing tasks and delegate them to appropriate neighbors. The new assign- ment is based on predicting users local mobility and sensing preferences. Accordingly, we develop two new greedy-based assignment schemes, one only Mobility-aware (MATA) and the other one accounting for both preferences and mobility (P-MATA), and evaluate their performances. Both MATA and P-MATA consider a voluntary sensing process and show that accounting for users preferences minimize the sensing time. Having showing that, our third contribution in this thesis is conceived as an Incentives-based variant, IP-MATA+. IP-MATA+ incorporates rewards in the users choice model and proves their positive impact on enhancing their commitment especially when the dedicated budget is shared function of contributed data quality. Finally, our fourth and last contribution addresses the seizing of users privacy concerns within crowdsensing systems. More specifically, we study the minimization of the incurred privacy leakage in data uploading phase while accounting for the possible quality regression. That is, we assess simultaneously the two competing goals of ensuring queriers required data utility and protecting participants’ sensitive information. Thus, we introduce a trust entity to the crowdsensing traditional system. This entity runs a general privacy-preserving mechanism to release a distorted version of sensed data that responds to a privacy-utility trade-off. The proposed mechanism, called PRUM, is evaluated on three sensing datasets, different adversary models and two main data uploading scenarios. Results show that a limited distortion on collected data may ensure privacy while maintaining about 98% of the required utility level.The four contributions of this thesis tackle competing issues in crowdsensing which paves the way at facilitating its real implementation and aims at broader deployment