Cette thèse s’intéresse à la sélection de comparables dans le contexte de la comptabilité financière. Dans ce contexte, l’analyse de firmes se fait de façon relative, en comparaison avec d’autres firmes semblables — les « comparables ». Ainsi, il est nécessaire de former des groupes homogènes de firmes à ces fins. L’utilisation des classifications d’industries est la méthode privilégiée, car elle permet de grouper les firmes sur des critères objectifs et en lien avec le cœur de l’activité des firmes. Elles présentent l’avantage d’être très largement disponible, et très simples à utiliser. Dans cette thèse l’objectif principal est d’identifier des sources d’hétérogénéité intra-industrie, et d’examiner leurs conséquences à plusieurs niveaux. J’utilise trois approches différentes pour atteindre cet objectif. Dans un premier temps, l’objectif est de proposer une utilisation plus complète des classifications d’industries. Ainsi, j’utilise exclusivement les classifications d’industries pour identifier une source d’hétérogénéité : les industry classification misfits. La littérature précédente a pour habitude d’utiliser les différentes classifications comme des substituts l’une de l’autre, considérant qu’elles groupent les firmes sur la même dimension d’homogénéité. Ici, je prends une approche différente et considère ces classifications comme des compléments l’une de l’autre, en argumentant qu’elles possèdent le même objectif (former des groupes homogènes de firmes), mais qu’elles le font sur des dimensions différentes de l’homogénéité. Ainsi, en étudiant leur convergence j’identifie les industry classification misfits par opposition à celles appartenant au cœur de l’industrie (industry core firms). Ultimement, je montre les biais qu’engendre l’inclusion des industry classification misfits dans les groupes de comparables pour l’estimation des modèles d’accruals et la prédiction des misstatements. Dans un second temps, l’objectif est d’intégrer l’utilisation des ratios comptables et financiers pour identifier les firmes hétérogènes. Je pars de la classification qui offre la plus grande homogénéité pour développer une mesure continue d’homogénéité intra-industrie. J’utilise les ratios comptables et financiers qui sont régulièrement utilisés pour mesurer l’homogénéité d’un groupe de firmes. Contrairement aux études précédentes qui utilisent individuellement ces ratios, je propose une approche multidimensionnelle à l’homogénéité. Dans une première étape, je définis les ratios pertinents pour définir chacune des industries, puis j’utilise simultanément ces ratios pour construire ma mesure continue de distance intra-industrie entre chacune des firmes. Ainsi, je présente les firmes étant les plus éloignées du cœur de l’industrie comme des firmes différenciées (differentiated firms). Ensuite, j’étudie les conséquences sur les marchés financiers pour ces firmes. Je montre que les nouvelles d’industries sont incorporées dans les prix des firmes différenciées avec un retard. Aussi, je montre que les analystes couvrent moins ces firmes et commettent plus d’erreurs dans la prédiction des bénéfices de ces firmes. Enfin, je montre que les firmes différenciées souffrent d’une asymétrie de l’information plus importante sur les marchés, ce qui se matérialise par un plus grand écart bid-ask et une action moins liquide. Enfin, dans un troisième temps, l’objectif est d’utiliser les liens entre les industries pour mieux caractériser les firmes multisegments. Je m’intéresse à une source naturelle d’hétérogénéité intra-industrie — les conglomérats. Par définition, ces firmes opèrent dans plusieurs industries différentes, mais la construction des classifications d’industries restreint leur classification à une industrie. Ceci crée donc naturellement de l’hétérogénéité au sein des industries ce qui amène à les considérer comme complexes, notamment pour les analystes qui se spécialisent par industries. Habituellement, les études précédentes ont considéré que plus une compagnie possède de segments d’affaires différents, plus elle sera complexe. Dans ce chapitre, j’apporte une nuance sur leur complexité en prenant en compte le lien entre les différentes industries dans lesquelles opèrent les conglomérats. Je développe une mesure de distance entre les industries basée sur les ratios financiers. Ainsi, je considère les segments d’affaires comme complexes uniquement ceux qui sont éloignés du cœur d’activité de la firme. Par conséquent, deux conglomérats possédant le même nombre de segments d’affaires peuvent être complexes ou non, dépendamment si leurs activités secondaires sont dans une industrie proche de leur activité première. Ultimement, je montre les conséquences de ces firmes pour les analystes. Mes résultats dévoilent que les analystes ont plus de mal à prédire les bénéfices des conglomérats complexe. / This thesis focuses on the selection of peer firms in the context of financial accounting. In this context, the analysis of firms is done cross-sectionally, in comparison with other similar firms – peer firms. Thus, it is necessary to form homogeneous groups of firms for these purposes. Industry classifications represent the most used method because it proposes an objective way to group firms based on their business activities. In addition, they present the advantage of being publicly available and easy to implement. In this thesis, the main objective is to identify sources of intra-industry heterogeneity, and to examine their consequences for several stakeholders. I provide three ways to fulfill this objective. First, I aim to provide a more complete exploitation of the information provided by industry classifications. Thus, I exclusively use them to identify a source of heterogeneity: industry classification misfits. Previous literature tends to consider industry classifications as substitutes for each other, assuming that they group firms on the same dimension of homogeneity. Here, I take a different approach and consider these classifications as complements arguing that they have the same objective (to form homogeneous groups of firms), but that they do it on different dimension of homogeneity. Thus, by studying their convergence I identify firms that are not systematically classified into the same peer group by industry classifications. I refer to them as industry classification misfits as opposed to those belonging to the heart of industry (industry core firms). Ultimately, I show the consequences of the inclusion of industry classification misfits in peer groups for the estimation of accrual models and the prediction of misstatements. Then, the main objective is to build on fundamental ratios to identify heterogeneous firms. I start from the classification which offers the greatest homogeneity (GICS) to develop a continuous measure of intra-industry homogeneity. I use accounting and financial ratios which are regularly utilized to measure the homogeneity of peer groups. Unlike previous studies which bring these ratios individually, I propose a multidimensional approach to homogeneity. In a first step, I select the relevant ratios that define each industry. These ratios are then used simultaneously to build my continuous measure of intra-industry distance between each firm belonging to the same industry. Ultimately, I present the firms that are furthest from the industry core as differentiated firms. Then, I study the consequences on financial markets for these firms. I show that industry news is incorporated into differentiated firms stock prices with a delay. Also, I show that analysts are less willing to cover these firms and make more mistakes in forecasting differentiated firms’ earnings. Finally, I show that differentiated firms suffer from asymmetric information on the stock market, which occurs as a larger bid-ask spreads and less liquid stocks. Finally, I aim to account for the industry relatedness to better characterize multi-segment firms. I focus on a natural source of intra-industry heterogeneity - conglomerates. These firms operate in several different industries through secondary business segments, but the construction of industry classifications restricts their classification to solely one industry. Therefore, it naturally creates heterogeneity within industries which leads to consider them as complex, especially for analysts who specialize in industries. Usually, previous studies have considered that the more business segments a company has, the more complex it will be. In this chapter, I add a nuance to this proxy for complexity by considering the relatedness between the industry membership of the secondary business segments in which conglomerates operate. I develop an inter-industry distance based on financial ratios to consider the relationship between industries. Thus, I regard business segments as complex only those that are unrelated to the conglomerate primary business segment. Therefore, two conglomerates sharing the same number of business segments are not systematically equally complex as it depends on whether their secondary activities are in an industry close to their primary activity. Ultimately, I show the consequences of complex business segments for financial analysts. My results show that conglomerates with complex business segments have harder earnings to predict.