G2000 304 0031 PDF

Document téléchargé depuis www.cairn.info - - LAYAD Khaoula - 105.67.131.
35 - 14/03/2020 21:57 - © Association de recherches et publications en management
Document téléchargé depuis www.cairn.info - - LAYAD Khaoula - 105.67.131.35 - 14/03/2020 21:57 - © Association de recherches et publications en management
PRÉVISION DE LA DÉFAILLANCE DES ENTREPRISES : UNE APPROCHE
DE CLASSIFICATION PAR LES MÉTHODES DE DATA-MINING
Sami Ben Jabeur et Youssef Fahmi
Association de recherches et publications en management | « Gestion 2000 »
2013/4 Volume 30 | pages 31 à 45

ISSN 0773-0543
Article disponible en ligne à l'adresse :
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-gestion-2000-2013-4-page-31.htm
--------------------------------------------------------------------------------------------------------------------
Distribution électronique Cairn.info pour Association de recherches et publications en management.

© Association de recherches et publications en management. Tous droits réservés pour tous pays.
La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.
Powered by TCPDF (www.tcpdf.org)

Sami BEN JABEUR,
Docteur en sciences de gestion
Université du Sud Toulon-Var
Youssef FAHMI,
Enseignant-chercheur
Université de Bretagne Sud
Prévision de la défaillance des
entreprises: une approche de
classification par les méthodes
de Data-Mining
L es travaux de recherche sur la prévision des difficultés financières des entreprises
sont d’une grande importance pour l’ensemble des partenaires d’une entreprise.
D’un point de vue managérial, disposer d’outils de prévision des défaillances financières
permet de prendre à temps des mesures stratégiques et de gestion correctives appro-
priées afin de prévenir ces défaillances (Hua et al, 2007). Pour les autres partenaires, de
tels outils contribuent à réduire l’asymétrie informationnelle avec l’entreprise, à détecter
rapidement les entreprises vulnérables et à optimiser l’allocation de leur capital (finan-
cier, humain, social). La prévision des difficultés financières constitue ainsi un moyen
de diagnostic de la performance des entreprises et aboutit à une classification de ces
dernières parmi les entreprises défaillantes ou non défaillantes. La prévision des entre-
prises défaillantes peut notamment aider à prévenir les difficultés avant qu’elles ne se
traduisent par une crise financière et à mettre en place les mesures nécessaires (aides,
restructuration, …) avant qu’il ne soit trop tard.
L’utilisation des modèles de prévision de la faillite des entreprises peut varier selon les
outils et les méthodologies utilisés, l’échantillon retenu, les variables explicatives choisies
ainsi que la méthode de validation des résultats.
Avant de présenter les principales méthodes de prévision utilisées dans ce travail de

recherche, il est utile de rappeler rapidement les définitions de la détresse financière.
31
05_Jabeur Fahmi 4 2013_031_046.indd 31 21-10-13 15:50

Gestion 2000 4 juillet - août 2013
Définition de la et moins de 50 millions d’euros

de chiffre d’affaires, ont bénéfi-
détresse financière
cié de 40% de ces mesures, soit
6,4 milliards d’euros.
Au cours de ces dernières années, le
flux annuel de défaillances d’entre-
Même si la défaillance peut avoir de
prises n’a cessé de croître et cette ten-
multiples raisons (baisse de la demande
dance s’accentue pendant les périodes
et difficultés d’accès aux débouchés,
de crise. Selon l’INSEE, le nombre de
problème de management, mauvais
défaillances1 d’entreprises a atteint
choix stratégiques et erreurs de gestion,
52103 en 2010.
compétence et formation de l’équipe,
obsolescence de l’outil de production,
Le mouvement des défaillances sous-capitalisation, fraudes, …), elle se
concerne notamment les entreprises traduit généralement par détresse finan-
de 10 à 50 salariés et celles dont cière et une détérioration de la situation
le chiffre d’affaires est compris entre financière de l’entreprise (réduction de
500.000 euros et 2 millions d’euros. l’activité, diminution de la rentabilité,
En 2009 et en 2010, les mesures problèmes de trésorerie, déséquilibres
fiscales de relance ont sauvé entre financiers …).
15.000 et 30.000 entreprises2.
Les PME, définies comme les entre- Wruck (1990) définit la détresse finan-
prises de moins de 250 salariés cière comme étant une situation où les
1
cash-flows sont insuffisants pour couvrir
Selon l’INSEE, une entreprise est en situation
de défaillance ou de dépôt de bilan à partir les obligations courantes. Ces obliga-
du moment où une procédure de redressement tions peuvent inclure les dettes four-
judiciaire est ouverte à son encontre. Cette
procédure intervient lorsqu’une entreprise est nisseurs, les dépenses de litige ou les
en état de cessation de paiement, c’est-à-dire paiements d’intérêts. Selon Baldwin et
qu’elle n’est plus en mesure de faire face à son
Scott (1983), quand la situation d’une
passif exigible avec son actif disponible. Il ne
faut pas confondre la notion de défaillance et entreprise se dégrade au point où elle
la notion de cessation. Un jugement d’ouverture ne peut faire face à ses contraintes fi-
de procédure de défaillance (dépôt de bilan
d’une entreprise inscrite dans le cadre d’une nancières, la firme entre dans un état
procédure judiciaire) ne se résout pas forcement de détresse financière. Ces mêmes
par une liquidation. La notion de cessation cor-
respond à l’arrêt total de l’activité économique
auteurs assurent que cette situation est
d’une entreprise. Toutes les défaillances ne le résultat d’une mauvaise conjoncture
donnent pas des cessations. Toutes les cessa- économique, d’un déclin de leurs per-
tions n’ont pas donné lieu à une défaillance. Les
liquidations suite à une défaillance ne représen- formances et d’une faible qualité de
tent qu’une partie de l’ensemble des cessations leur management. De leur côté, Ooghe
d’entreprises, de l’ordre de 20% mais variable
avec le temps et les secteurs d’activité (INSEE). et Van Wymeersch (1996) expliquent
2 La Tribune, 22/09/2010 la détresse financière notamment par
32

Prévision de la défaillance des entreprises:
une approche de classification par les méthodes de Data-Mining
Tableau 1 : Défaillances d’entreprises (publiées au BODACC) entre 1993 et 2010

(Selon les données de l’INSEE 2011)
Année 1993 1994 1995 1996 1997 1998 1999 2000 2001
55174 57494 52640 56858 53261 47525 42132 38346 36941

Nb des
entreprises 2002 2003 2004 2005 2006 2007 2008 2009 2010
défaillantes
38202 43068 42368 43138 40407 42840 51254 53739 52103
les problèmes de liquidité (en raison Dans ce travail, nous allons appliquer
d’une rentabilité insuffisante et d’un l’approche discriminante et l’approche
manque de ressources) et d’un niveau SVM dans la détection des entreprises
élevé d’endettement qui entraîne des défaillantes.
problèmes de solvabilité de l’entreprise.
Les deux approches s’appuieront sur un
échantillon de 800 entreprises durant
Plusieurs approches de prévision
la période 2006 à 2008, ainsi que sur
de la détresse financière des entre-
le recours à 33 ratios financiers.
prises ont été proposées depuis la
fin des années soixante, utilisant
des ratios financiers et des données
comptables. Le but étant de diffé- L’analyse
rencier les entreprises défaillantes discriminante PLS
et les entreprises non défaillantes et
de construire un modèle explicatif
Il existe plusieurs versions de l’algo-
de la défaillance des entreprises. Les
rithme de régression univariée PLS.
techniques les plus utilisées sont l’ap-
Elles différent au niveau des normali-
proche univariée, l’approche multi-
sations et des calculs intermédiaires,
variée, l’analyse discriminante mul-
mais elles donnent toutes la même
tiple linéaire, la régression multiple,
régression.
la régression logit, les modèles fon-
dés sur l’intelligence artificielle (ap-
Selon Bastien, Esposito et Tenenhaus
proche neuronale). Ces méthodes de
(2005), l’algorithme de la régression
prévision présentent une démarche
PLS discriminante (PLS-DA) peut se dé-
commune concernant l’évaluation du
composer comme suit : On peut itérer
risque de défaut des entreprises, en
ce processus en utilisant de la même
ce sens qu’elles se fondent sur l’ana-
manière les résidus Y2 , X21 ,…, X2k des
lyse financière et l’exploitation de la
régressions de Y, X1,..., Xk sur t1,t2 .
connaissance ex post de l’avenir des
entreprises (Refait, 2004).
33

les résidus
Bastien, Y2 , Xet
Esposito ,…, X2k des(2005),
21 Tenenhaus régressions de Y, Xde1,...,
l’algorithme Xk sur t1,tPLS
la régression 2 . discriminante (PLS-DA
peut se décomposer
L’algorithme suit :: On peut itérer ce processus en utilisant de la même maniè
commealors
PLS s’écrit
les résidus Y , X ,…, X des régressions de Y, X1,..., Xk sur t1,t2 .

Gestion 2000 4 2 juillet21- août 2013 2k
Etape 1 : X0=X ; Y0=Y (initialisation)
L’algorithme PLS s’écrit alors :

Etape 2 : pour h=1,2,…, r faire
L’algorithme PLS s’écrit alors : vement les principes de la méthode
Etape 1 : X0=X ; Y0=Y (initialisation) « Support Vector Machines ».
Etape 1 : X =X ; YX ′ (initialisation)
=Y y
Etape 2.1 : 0w h = 0 h −1 h −1
y′h −1 y h −1 Les classifieurs « Support Vector
Etape 2 : pour h=1,2,…, r faire
Etape 2 : pour h=1,2,…, r faire Machines (SVM, Machine à Vecteur
de Support ou Séparateurs à Vaste
Etape 2.2 : Normer X′� whyà 1 Marge) sont des techniques de classifi-
Etape 2.1 : w h = h −�1 h −�1
Etape 2.1 :
y′�h− �1 yh − �1
cation fondées sur la théorie statistique
de l’apprentissage (Vapnik, 1995,
X −1w h
Etape
Etape 2.2 : t h = hw
2.3 : Normer h
à1 1998). Les SVM peuvent être utilisés
Etape 2.2 : Normer w ′hw w hà 1 pour résoudre des problèmes de ré-
X ′ ht
Etape 2.4 : p h = X ′hh −−11 t hh gression, c’est-à-dire prédire la valeur
Etape 2.4 : p hh = th′h−t1h h
Etape 2.3 :
numérique d’une variable, ou de discri-
Xt′h t1hht h
2.4 :: tp h==XXh ′−hhh1−−w
Etape 2.3
Etape t mination, c’est-à-dire décider à quelle
Etape 2.4 : ph h = Xt ′ t1 t hh
Etape
Etape 2.4 :: X
2.5
Etape 2.4 : p hh ==wXt′h′hhwt−1hh−
hh −1 h h
t p' classe appartient un échantillon.
Etape 2.5 : X h = Xt ′hh t−1h − t hh p' hh
h h −1 h h
Etape 2.5 : X h = X h −1 − t h p' h En tant que méthode de classement3,
Etape 2.5 :
Etape 2.5 : X h = yX′h h−1−t1 h− t h p' h
2.6 :
Etape 2.5 Xc hh == yX′hh h−−11−t1 hh− t h p' h l’approche SVM représente une sorte
Etape 2.6 : c hh = t ′h t h d’analyse discriminante généralisée,
yt′′h t ht
Etape
Etape
2.6 :
Etape 2.6 :
2.6 : c h = y′hhh−−11ht hh effectuée dans un espace de dimen-
c h = yt′′ t t sion assez grande pour qu’existe une
Etape 2.6 : c h = ythh′hh−−t11hh h
Etape 2.7 : u h = yth′h−t1h séparation linéaire. Elle se déroule
Etape 2.7 :
Etape 2.7 : u hh = chh−1 en deux étapes. Dans la première,
yc h
Etape 2.7 :
Etape 2.7 : u h = y hhh−−11 une transformation non linéaire Φ fait
u h = yc
passer de l’espace d’origine dans
Etape 2.7
2.8 :: yuhh ==y hc−h1 − c h t h
hh−1
Etape
Etape 2.8 :
Etape 2.8 : y hh = y hhc−−h11 − c hh t hh un espace de dimension plus grande
(voire infinie) mais doté d’un produit
Etape
Une fois : y h = le
2.8 retenu −1 −
y h nombrec h t h des com-
Etape 2.8 : y =
Une foish retenuy − c t
h −1 le hnombre
h des composantes,
scalaire. nous effectuons
Seconde étape une analyse
: dans cet discriminante s
posantes,
Etape 2.8 nous
Une
Une y h effectuons
:fois
fois =retenu
retenu lec hune
y h −1 −le t h analyse
nombre
nombre des composantes,
des composantes, nous effectuons une analyse discriminante ss
espace, on cherche un séparateur li- discriminante
nous effectuons une analyse
discriminante sur ces composantes et
ces composantes
Une fois etretenu
non pas le sur
nombreles variables d’origine.
des composantes, nous effectuons
néaire f (x) = a*x + b uneunanalyse
, qui est hyper- discriminante s
ces
cesnon Une
pas surfois
composantes
composantes les etretenu
non
non pas
variables
et led’origine.
pas nombre
sur
sur les des composantes,
les variables
variables d’origine.
d’origine. nous effectuons une analyse discriminante s
plan permettant de séparer l’ensemble
Une fois retenu le nombre des composantes, nous effectuons une analyse discriminante s
ces composantes et non pas sur les variables d’origine. de points d’apprentissage de sorte
ces composantes et non pas sur les variables d’origine.
3. Les
cesLes principes
composantes et nonde la méthode SVM que tous les points d’une même classe
pas sur les variables d’origine.
3. principes
Les principes de
delalaméthode SVM soient d’un même côté de l’hyperplan.
3. Les
méthode principes SVM de la
3. Les principes de la méthode SVM méthode SVM Ce dernier doit remplir simultanément
3. Les principes de la méthode SVM
Sans
Sans
rentrer dans les détails techniques, nous exposons
deux ici très brièvement les principes de la m
conditions :
Sans rentrer
rentrer dans
dans les les détails
détails techniques,
techniques, nous
nous exposons
exposons ici ici très
très brièvement
brièvement les les principes
principes de de la
la m
m
« Sans
Support rentrer
Vector dans les détails tech-
Sans rentrer dansMachines
les détails». techniques, nous exposons ici très brièvement les principes de la m
3 Cette présentation s'appuie sur les travaux de
Sans
« Support
« rentrer
Support
niques, dans
Vector
nous
Vector les détails
Machines
exposons
Machines ». techniques,
ici
». très briè- nousTufféry
exposons
(2007). ici très brièvement les principes de la m
Sans rentrer dans les détails techniques, nous exposons ici très brièvement les principes de la m
Les classifieurs
« Support Vector« Machines
Support Vector
». Machines (SVM, Machine à Vecteur de Support ou Séparateurs
«
Les
Les Support Vector
classifieurs
classifieurs 34 «« Machines
Support ».
Support Vector
Vector Machines
Machines (SVM,
(SVM, Machine
Machine àà Vecteur
Vecteur dede Support
Support ouou Séparateurs
Séparateurs
« Support Vector Machines ».
àLes Vaste Marge) sont des techniques de classification fondées sur la théorie
classifieurs « Support Vector Machines (SVM, Machine à Vecteur de Support ou Séparateurs statistique de l’appren
Les classifieurs
àà Vaste
Vaste Marge) «sont
Marge) Support
sont des Vector Machines
des techniques
techniques de (SVM, Machine
de classification
classification fondées
fondées à Vecteur
sur
sur la de Support
la théorie
théorie ou Séparateurs
statistique
statistique de
de l’appren
l’appren
Les classifieurs « Support Vector Machines (SVM, Machine à Vecteur de Support ou Séparateurs
(Vapnik,
à Vaste Marge) 1995, 1998).
sont desLestechniques
SVM peuvent être utilisés fondées
de classification pour résoudre
sur la des problèmes
théorie de régression,
statistique de l’appren
à(Vapnik,
Vaste Marge)
(Vapnik, 1995, sont des
1995, 1998).
1998). Lestechniques
Les SVM peuvent
SVM de classification
peuvent utilisés fondées
être utilisés
être sur la des
pour résoudre
pour résoudre théorie
des statistique
problèmes
problèmes de l’appren
de régression,
de régression,
05_Jabeur à Fahmi
Vaste Marge) sont34 des techniques de classification fondées sur la théorie statistique
4 2013_031_046.indd 21-10-13de l’appren
15:50
–– il sépare bien les groupes (précision le noyau k et non Φ qui est choisi et
du modèle), au sens où f (x ) >0 =>
on peut calculer k (x,x') sans faire ap-
classe A et f (x ) ≤ 0 => classe B ; paraître Φ. Les calculs sont alors faits
–– il est le plus loin possible de toutes dans l’espace de départ, et deviennent
les observations (robustesse du plus simples et plus rapides. C’est pour-
modèle), sachant que la distance quoi on parle de machine à noyau ou
d’une observation x à l’hyperplan Kernel machine.
est |a*x + b|/||a|| La marge étant
2/||a||2. Comme exemples de noyaux, on peut
citer :
Etant donnés les points ( xi , yi ) avec
yi =1 si xi est dans A et yi =-1 si –– linéaire k (x,x') = x*x'
xi est dans B, trouver le séparateur li- –– polynomial k (x,x') = (x*x')d;
néaire f (x) = a*x + b équivaut à trouver si d = 2, x = (x1,x2),
un couple (a, b) satisfaisant simultané- ( x) =
et�Φ (x) ( x112,, 2 xx11xx22,x, 2x22)2 )
= (x
ment les deux conditions : alors
–– pour tout i, yi(a*xi + b) ≥ 1 Φ (x)* Φ (x') = (x1x1'+x2,x'2)2 = (xx')2;
(bonne séparation). | x–x'||2
–– ||a||2est minimum –– gaussien (RBF) k(x,x') = e2s2 ;

(marge maximale). l’un des plus couramment utilisés
–– sigmoïdal,
Les SVM cherchent, parmi l’ensemble k(x,x') = tanh {k (x*x')+θ} où k est le
des hyperplans possibles, celui qui gain et θ le seuil.
maximise la distance entre l’hyper-
plan de décision et les points les plus
proches de chaque classe.
Le choix
Lorsque les deux populations à discri- méthodologique
miner ne sont pas parfaitement sépa- La construction de
rées mais se recouvrent, un terme doit
l’échantillon
être ajouté à chacune des deux expres-
sions précédentes.
Notre démarche de collecte des don-
La solution f (x ) s’exprime en fonction nées comporte plusieurs étapes : le
de produits scalaires x*x'. Après trans- choix de la base de données, la sélec-
formation Φ, elle s’exprime en fonction des entreprises et des indicateurs
tion de produits scalaires Φ(x)* Φ (x'). de défaillance financière.
La quantité k (x,x') = Φ (x) * Φ(x') est ap-
pelée noyau. Dans l’algorithme, c’est
35

Présentation de la base des données défaillantes. Ce choix s’est imposé de

lui-même, en raison des contraintes
découlant de la disponibilité des in-
Nous avons utilisé la base de don-
formations permettant l’identification
nées DIANE (l’accès instantané aux
des entreprises.
données des entreprises françaises
pour l’analyse économique) pour
constituer notre échantillon. Cette
base offre l’accès à un fonds com- La sélection des indicateurs
posé de plus d’un million d’entre- ou des ratios financiers
prises, puisqu’il s’agit des entreprises
qui publient leurs comptes annuels
Les ratios financiers sélectionnés ont
auprès des greffes des tribunaux
subi plusieurs choix logiques et métho-
de commerce. Collecté par Coface
dologiques dans le but de constituer
Services, l’information relative aux
une batterie pertinente et crédible sus-
comptes des entreprises est enrichie
ceptible de répondre aux objectifs et
d’un bon nombre d’informations an-
aux attentes des analyses externes.
nexes. Avec dix années d’historique
Les ratios financiers ont été retenus en
de comptes, DIANE est la base d’in-
fonction de :
formations financières et généralistes
• leur récurrence dans la littérature
sur les entreprises françaises la plus
française (Bardos, 1995, les travaux
complète du marché.
de la banque de France) et inter-
nationale (Altman, 1968, 1984 ;
La constitution des échantillons
Conan, Holder, 1979 ; Rose, Gir-
oux, 1984, Refait, 2004).
Une entreprise a été considérée • leur pertinence par rapport à
défaillante dès lors qu’elle aura fait l’analyse financière, en incorporant
l’objet d’une première déclaration les ratios de base existants dans la
d’événement judiciaire auprès du tri- plupart des modèles de détection de
bunal de commerce durant l’année faillite : ratios de liquidité, de rent-
2009. Les données étudiées sont abilité de gestion, de productivité
organisées de telle sorte que l’exer- et de structure financière. Ainsi,
cice comptable soit disponible pour une série de 33 ratios (R01 à R33)
les années 2008, 2007 et 2006. a été retenue (voir annexe I) parmi
L’échantillon final obtenu au terme de ceux couramment utilisés par la lit-
ce processus de sélection rigoureux térature et qui présentent un con-
se compose de 800 entreprises divi- tenu informationnel significatif dans
sées en deux sous-échantillons : 400 l’analyse de la situation financière
entreprises saines et 400 entreprises de l’entreprise.
36

Tableau 2 : Validation du modèle (PLS-DA)

Groupe d’affectation prévu par le modèle
1, 2 ou 3 ans
Nature
avant la dé-
d’entreprise
faillance T-1 T-2 T-3
S D Total S D Total S D Total
Saine
377 23 400 274 126 400 245 155 400
Nom-
bre
Groupe Défaillante 5 395 400 137 263 400 161 239 400
d’affecta-
tion Saine
réelle 94,25 5,75 100 68,5 31,5 100 61,25 38,75 100
%
Défaillante 1,25 98,75 100 34,25 65,75 100 40,25 59,75 100
Résultats saines) de 5,75 % et une erreur de

type 2 (pourcentage d’entreprises non
La classification des entre- défaillantes considérées comme ris-
prises par la méthode de quées) de 1,25 %.
l’analyse discriminante-PLS
Conformément à cela, l’analyse PLS-DA
a pu reconnaître 377 des entreprises
L’analyse PLS-DA a permis de retenir 6
saines, soit un taux de 94.25 %, alors
composantes, les résultats de classifi-
que seulement cinq entreprises dé-
cation sont présentés dans le tableau
faillantes sont classées parmi les entre-
suivant :
prises saines, soit un taux de 98.75 %.
S : Saine / D : Défaillante T-2 : Dans le groupe des entreprises

saines, le modèle retient 126 entre-
T-1 : D’après ce tableau, nous pou- prises comme étant défaillantes, alors
vons dire que les résultats obtenus, qu’elles ne le sont pas. De même dans
en utilisant la méthode PLS-DA, sont le groupe des entreprises défaillantes,
intéressants par rapport à l’analyse 137 d’entre elles sont considérées
discriminante (AD1). En effet, le taux saines, ce qui n’est pas le cas.
de bons classements des entreprises
est de l’ordre de 96,50 %, soit une L’étude du modèle deux ans avant la
erreur de type 1 (pourcentage d’entre- défaillance, permet de constater une
prises défaillantes considérées comme chute du taux de classement des entre-
37

prises saines de 94,25% à 68,5%, et de bons classements est de 59.25 %

des entreprises défaillantes de 98,75% pour AD 3 et 61.25 % pour PLS-DA3.
à 65,75%. Donc, plus l’horizon de Ces résultats ont été confirmés par des
prévision est lointain, plus la justesse travaux antérieurs appliqués à des do-
du modèle se réduit. maines scientifiques autres que la pré-
vision de la défaillance, par Nguyen
T-3 : En considérant ce tableau, nous et Roke (2004), Bastien et al. (2005),
pouvons dire que les résultats obtenus, qui estiment que le rôle des hypothèses
en utilisant la méthode PLS, sont inté- restrictives de l’analyse discriminante
ressants par rapport à l’analyse discri- par rapport à la régression PLS peut
minante. En effet, le taux de bons clas- être utilisé avec succès à des données
sements des entreprises est de l’ordre financières.
de 60.5 %, soit une erreur de type 2
de 38.75 % et une erreur de type 1 est
de l’ordre 40.25 %. La classification des entrepri-
ses par la méthode SVM
En ce qui concerne le pouvoir pré-
dictif du modèle dans le temps en
passant de deux à trois ans avant la Les résultats de la classification des
défaillance, nous avons constaté une entreprises par la méthode SVM sont
chute du taux de classement des entre- présentés dans le tableau suivant :
prises saines de 68.5 % à 61.25 % et
des entreprises défaillantes de 65.75 T-1 : une année avant la défaillance,
% à 59.75 %. De ce fait ou par consé- le taux de bons classements des entre-
quent, plus l’horizon de prévision est prises est de l’ordre de 94,875, soit une
lointain, plus la capacité du modèle se erreur de type 2 de 7,5% et une erreur
réduit. En guise de conclusion, nous de type 1 de 2,75%. La méthode SVM
avons détecté une supériorité de la ré- a pu reconnaître 370 des entreprises
gression PLS un, deux et trois ans avant saines, soit un taux de 92,5% alors
la défaillance par rapport à l’analyse que 30 entreprises défaillantes sont
discriminante traditionnelle. En effet, classées parmi les entreprises saines.
un an avant la défaillance, le taux De même, elle a pu reconnaître 389
de bons classements des entreprises entreprises défaillantes, soit un taux de
est de 95.9 % pour l’AD1 et de 96.5 97,25%. Les entreprises saines clas-
% pour l’analyse PLS-DA1. Deux ans sées parmi les entreprises défaillantes
avant la défaillance, le taux de bons sont au nombre de 11.
classements est de 64.8 % pour AD2
et 67.125 % pour PLS-DA 2. En ce qui T-2 : Deux années avant la défaillance,
concerne la troisième année, le taux l’approche SVM a donné un taux
38

Tableau 3 : Validation du modèle SVM

Groupe d’affectation prévu par le modèle
1, 2 ou 3 ans
Nature
avant la dé-
d’entreprise
faillance T-1 T-2 T-3
S D Total S D Total S D Total
Saine
370 30 400 248 152 400 284 116 400
Nom-
bre
Groupe Défaillante 11 389 400 123 277 400 210 190 400
d’affecta-
tion Saine
réelle 92,5 7,5 100 62 38 100 71 29 100
%
Défaillante 2,75 97,25 100 30,75 69,25 100 52,5 47,5 100
de bons classements de l’ordre de défaillantes. En outre, elle a pu recon-

65,625%, avec une erreur de type 2 naître 190 entreprises défaillantes,
de 38% et une erreur de type 1 de soit un taux de 47,5%. Les entreprises
30,75%. Cette méthode a pu recon- saines classées parmi les entreprises
naître 248 des entreprises saines, défaillantes sont au nombre de 210.
soit un taux de 62% alors que 152
entreprises sont classées parmi les
entreprises défaillantes. En outre, elle Comparaison des deux
a pu reconnaître 277 entreprises dé-
méthodes de classification
faillantes, soit un taux de 69,25%. Les
entreprises saines classées parmi les
entreprises défaillantes sont au nombre Le tableau sur la page suivante com-
de 123. pare les performances en matière de
prévision de l’approche PLS-DA et de
T-3 : Trois années avant la défaillance, l’approche SVM.
l’approche SVM a donné un taux
de bons classements de l’ordre de Les taux de bons classements procu-
59,25%, avec une erreur de type 2 de rés par les deux méthodes sont très
29% et une erreur de type 1 de 52,5%. proches. Le taux de bons classements
Cette méthode a pu reconnaître 284 des entreprises non défaillantes cor-
des entreprises saines, soit un taux respond à la part des entreprises non
de 71% alors que 116 entreprises défaillantes correctement classées
sont classées parmi les entreprises dans l’ensemble des entreprises non
39

Tableau 4 : Performances des approches PLS-DA et SVM

Entreprises saines Entreprises défaillantes Bons classements
PLS-DA SVM PLS-DA SVM PLS-DA SVM
T-1 94,25 % 92,5 % 98,75 % 97,25 % 96,5 % 94,875 %
T-2 68,5 % 62 % 65,5 % 69,25 % 67 % 65,625 %
T-3 61,25 % 71 % 59,75 % 47,5 % 60,5 % 59,25 %
défaillantes. De même, Le taux de bons non défaillantes trois ans avant la

classements des entreprises défaillantes défaillance (71% contre 61,25% pour
est la part des entreprises défaillantes l’approche PLS-DA).
correctement classées dans l’ensemble
des entreprises défaillantes.
Conclusion
La comparaison des performances glo-
bales des deux méthodes montre une À l’image des résultats de la majorité
certaine supériorité pour l’approche des études sur les modèles de prévi-
PLS-DA. Un an avant la défaillance, sion de faillites, nous constatons que
l’approche PLS-DA se révèle plus effi- le pouvoir prédictif s’affaiblit pour les
cace que l’approche SVM puisqu’elle modèles qui utilisent des informations
aboutit à un taux de bons classements de moins en moins récentes ou pour
de 96,5%, contre 94,875 pour la les modèles qui sont destinés à être
méthode SVM. Deux ans avant la dé- utilisés pour prévoir la défaillance des
faillance, les taux sont respectivement entreprises sur un horizon de plus en
de 67% pour l’approche PLS-DA et plus lointain. Nous avons détecté une
65,625% pour la méthode SVM. Enfin, supériorité de la méthode PLS-DA un
trois ans avant la défaillance, les taux an et trois ans avant la défaillance
sont de 60,5% pour l’approche PLS-DA par rapport à la méthode SVM. Nous
et de 59, 25% pour la méthode SVM. avons montré que les principes de la
La méthode SVM ne présente une régression PLS pouvaient s’entendre
supériorité par rapport à la méthode sans difficulté à l’analyse discrimi-
PLS-DA que pour le classement des nante. La régression PLS présente un
entreprises défaillantes deux ans avant avantage en terme de classification, la
la défaillance (69,25% contre 65,5% prise en compte des variables impor-
pour l’approche PLS-DA), ainsi que tantes dans l’analyse, elle permet aussi
pour le classement des entreprises de résoudre le problème de corrélation
40

entre les différentes variables alors que trésorerie futures et un risque financier
la majorité des méthodes classiques accru. Toutefois, nos résultats ont mon-
échoue devant un tel problème. tré que les entreprises défaillantes sont
dans l’impossibilité d’honorer leurs
D’un point de vue managérial, les engagements par manque de liquidités
résultats de l’analyse discriminante et à la suite d’une baisse d’activité ou de
de la méthode SVM nous ont permis rentabilité.
de constater que la situation financière
d’une entreprise dépend notamment
de son niveau d’endettement. Les fac-
Références
teurs liés au niveau d’endettement
ont des effets négatifs sur la situation bibliographiques
financière des entreprises à un horizon
de un, deux et trois ans avant la dé- ALBERT, A, ANDERSON, J, 1984, «On the exis-
faillance. Les PME dont la vulnérabilité tence of maximum likelihood estimates in logistic
économique s’explique principalement regression models», Biometrika, 71, 1, pp. 1-10.
par le manque de capitaux propres, ALTMAN, E.I, 1968, «Financial ratios, discri-
ont du mal à trouver des financements minant analysis and the prediction of corporate
sur les marchés financiers. Ce manque bankruptcy», Journal of Finance, 23, 4, pp. 589-
609.
de liquidité peut être résolu par le re-
cours à l’endettement. Or, ce dernier ALTMAN, E.I, 1984, «The success of business
peut conduire à des décisions d’inves- failure prediction models: an international sur-
vey», Journal of Banking and Finance, 8, 2, pp.
tissement destructrices de la valeur. 171-198.
Par ailleurs, nous avons constaté une AMEMIYA, T, 1981, «Qualitative response mo-
dels: a survey», Journal of Economic Literature,
différence significative entre entre- 19, 4, pp. 481-536.
prises défaillantes et entreprises saines
selon l’état de leur rentabilité et de leur BALDAWIN, C. Y, SCOTT, P. M, 1983, «The
resolution of claims in financial distress: the case
degré de liquidité. La baisse de la per- of Massey Ferguson», Journal of Finance, 38,
formance entraîne une dégradation pp. 505-516.
durable de l’activité de l’entreprise et
BARDOS, M, 1998, «Detecting the risk of com-
une augmentation de son besoin en pany failure at the Bank of France», Journal of
fonds de roulement, ce qui engendre Banking and Finance, 22, pp. 1405-1419.
leur faillite. Même si l’augmentation
BARDOS, M, 2001, Analyse discriminante: ap-
des créances clients peut refléter le plication au risque et scoring financier, Dunod.
dynamisme des ventes et favoriser le
niveau de liquidité future, elle traduit BARDOS, M, 2005, «Les scores de la Banque
de France : leur développement, leurs applica-
aussi une augmentation du besoin en tions, leur maintenance», Bulletin de la Banque
fonds de roulement, des difficultés de de France, 144, décembre.
41

BARDOS, M, 2008, «Scoring sur données d’en- FORT, G, LAMBERT-LACROIX, S, 2005, «Classifi-
treprises : instrument de diagnostic individuel et cation using partial least squares with penalized
outil d’analyse de portefeuille d’une clientèle», logistic regression», Bioinformatics, 21, 7, pp.
Revue Modulad, 38, pp. 159 – 177. 1104-1111.
BARDOS, M, ZHU, W.H, 1997, «Comparai- FRANKS, J. R, SUSSMAN, O, 2005, «Finan-

son de l’analyse discriminante linéaire et des cial distress and bank restructuring of small to
réseaux neuronaux : application à la détection medium size U.K. companies», The Review of
de défaillance d’entreprises», Revue Statistique Finance, 9, pp. 65–96.
Appliquée, XLV, 4, pp. 65-92.
GOURIEROUX, C, FOULCHER, S, TIOMO, A,
BASTIEN, P, VINZI, V. E, TENENHAUS, M, 2003, La structure par termes des taux de dé-
2005, «PLS generalised linear regression», fauts et ratings, Cahiers Études et Recherches
Computational Statistics and Data Analysis, 48, de l’Observatoire des Entreprises, Direction
1, pp. 17-46. des Entreprises, Banque de France, pp. 1-34.
BEN JABEUR, S, 2009, «Prévision de la dé- GUILHOT, B, 2000, «Défaillances d’entreprise

tresse financière des entreprises : approche par : soixante-dix ans d’analyse théoriques et empi-
l’analyse discriminante PLS», AFFI 2009 col- riques», Revue Française de Gestion, 130, pp.
loque international de l’association française de 52-67.
la finance, 13-14-15 Mai, Brest.
HAMZA, T, BAGDADI, K, 2008, «Profil et déter-
CHEN, W.S, YIN-KUAN DU, Y.K, 2009, «Using
minants financiers de la défaillance des PME
neural networks and data mining techniques for
tunisiennes (1993-2003) », Banque & Marchés,
the financial distress prediction model», Expert
93, pp. 45-62.
Systems with Applications, 36, pp. 4075-4086.
HUA, Z, WANG, Y, XU, X, ZHANG, B, LIANG,
CHOU, H.I, LI, H, YIN, X, 2010, «The effects
L, 2007, «Predicting corporate financial distress
of financial distress and capital structure on the
based on integration of support vector machine
work effort of outside directors», Journal of Empi-
and logistic regression», Expert Systems with
rical Finance, 17, pp. 300–312.
Applications, 33, 2, pp. 434-440.
CONAN, J, HOLDER, M, 1979, Variables expli-
catives de performances et contrôle de gestion HUI, L, JIE, S, JIAN W, 2010, «Predicting bu-
dans les PMI, Thèse de Doctorat en sciences de siness failure using classification and regression
gestion, Université de Paris IX. tree: An empirical comparison with popular clas-
sical statistical methods and top classification
mining methods», Expert Systems with Applica-
DING, Y, SONG, X, ZEN, Y, 2008, «Forecas-
tions, 37, pp. 5895–5904.
ting financial condition of Chinese listed compa-
nies based on support vector machine», Expert
Systems with Applications, 34, pp. 3081-3089. JONES, S, HENSHER, D.A, 2004, «Predicting
firm financial distress: a mixed logit model», The
ESPOSITO VINZI, V, TRINCHERA, L, SQUILLAC- Accounting Review, 79, 4, pp. 1011-1038.
CIOTTI, S, TENENHAUS, M, 2008, «REBUS-PLS:
A response-based procedure for detecting unit KOENIG, G, 1985, «Entreprises en difficulté:
segments in PLS path modeling», Applied Sto- des symptômes aux remèdes», Revue Française
chastic Models in Business and Industry, 24, 5, de Gestion, janvier-février, pp. 84-92.
pp. 439-458.
KOENIG, G, 1991, «Difficultés d’entreprise et
FISHER, N, 2004, Fusion statistique de fichiers inertie active», Direction et Gestion, pp. 126-
de données, Thèse de doctorat, CNAM, Paris. 127.
42

LI, H, JIE SUN, J, 2009, «Predicting business PLATT, H. D, PLATT, M. B, 2002, «Predicting cor-
failure using multiple case-based reasoning com- porate financial distress: reflections on choice-
bined with support vector machine», Expert Sys- based sample bias», Journal of Economics and
tems with Applications, 36, pp. 10085–10096. Finance, 26, 2, pp. 184-199.
LI, H, SUN, J, WU, J, 2010, «Predicting business REFAIT, C, 2004, «La prévision de la faillite fon-
failure using classification and regression tree: dée sur l’analyse financière de l’entreprise: un
An empirical comparison with popular classical état des lieux», Économie et Prévision, 162, pp.
statistical methods and top classification mining 129-147.
methods», Expert Systems with Applications, 37,
pp. 5895–5904 ROSE, P. S, GIROUX, G.A, 1984, «Predicting
corporate bankruptcy: an analytical and empiri-
LIN, T. H, 2009, «A cross model study of cor- cal evaluation», Review of Business and Econo-
porate financial distress prediction in Taiwan: mic Research, 19, 2, pp. 1-12.
Multiple discriminant analysis, logit, probit and
neural networks models», Neurocomputing, 72, ROSS, S.A, WESTERFIELD, R.W, JAFFE, J.F,
pp. 3507-3516. 2005, Corporate Finance, Ed. McGraw Hill (7ª
edición).
NGUYEN, D, ROCKE, D, 2004, «On partial
least squares dimension reduction for microarray SAPORTA, G, PREDA, C, 2002, «Régression PLS
based classification: a simulation study», Com- sur un processus stochastique», Revue de statis-
put. Stat. Data Anal, 46, pp. 407-425. tique Appliquée, 50, 2, pp.27-45.
OHLSON, J. A, 1980, «Financial ratios and the STÉPHANE, T, 2007, Data mining et statistique
probabilistic prediction of bankruptcy», Journal décisionnelle, Éditions Technip, 3éme édition.
of Accounting Research, 18, 1, pp. 109-131.
STILI, D, 2002, Détection précoce du risque
de défaillance dans le secteur de la construc-
OOGHE, H, VAN WYMMERSCH, C, 1996,
tion. Cahiers Etudes et recherches de l’observa-
Traité d’analyse financière, 6è édition, Presses
toire des entreprises, Direction des entreprises,
Universitaires de Namur.
Banque de France, pp. 1-70.
PAGES, J, TENENHAUS, M, 2001, «Multiple SUN, J, LI, H, 2010, «Financial distress early
factor analysis combined with PLS path model- warning based on group decision making»,
ling», Revue de Statistique Appliquée, XLIV, 2, Computers and Operations Research, 36, pp.
pp. 35-60. 885- 906.
PINDADO, J, RODRIGUES, L, Torre, C, 2008, TAFFLER, R.J, 1983, «The z-score approach to
«Estimating financial distress likelihood», Journal measuring company solvency», The Accoun-
of Business Research, 61, pp. 995–1003. tant’s Magazine, 87, 921, 91-96.
PLANES, B, 2000, Détection précoce du risque TENENHAUS, M, 1995, Nouvelles méthodes de

de défaillance dans le secteur hôtels/restaurants: régression PLS, Les cahiers de recherche, 540.
SCORE BDFHR, Cahiers Études et recherches de
l’Observatoire des entreprises, Direction des TENENHAUS, M, 1998, La régression PLS :
Entreprises, Banque de France, pp. 1-55. théorie et pratique, Technip, Paris.
PLATT, H. D, PLATT, M. B, 1990, «Development TENENHAUS, M, 2000, «La Régression logis-

of a class of stable predictive variables: the case tique PLS», Journées d’Études en Statistique,
of bankruptcy prediction», Journal of Business Modèles Statistiques pour données Qualitatives,
Finance and Accounting, 17, 1, pp. 31-51. pp. 261-273.
43

TENENHAUS, M, GAUCHI, J.P, MENARDO, C, ZHONGSHENG, H, YU, W, XIAOYAN, X,

1995, «Régression PLS et applications», Revue ZHANG, B, LIANG, L, 2007, «Predicting cor-
de Statistiques Appliquée, 43, 1, pp. 7-63. porate financial distress based on integration of
support vector machine and logistic regression»,
WEI-SEN, C, YIN-KUAN, D, 2009, «Using neu- Expert Systems with Applications, 33, pp. 434-
ral networks and data mining techniques for the 440.
financial distress prediction model», Expert Sys-
tems with Applications, 36, pp. 4075-4086. ZOPOUNIDIS, C, 1995, Évaluation du risque
de défaillance de l’entreprise : Méthodes et cas
WRUCK, K.H, 1990, «Financial distress, reorga- d’application, Economica, série Techniques de
nization, and organizational efficiency», Journal Gestion, Paris.
of Financial Economies, 27, pp. 419-444.
44

Annexe I : Liste de 33 ratios financiers de l’étude

Type Nom Codage
Equilibre financier R01
Indépendance financière R02
Structure et Endettement R03
Liquidité Autonomie financière R04
Degré d’amortissement des immobilisations corporelles R05
Financement de l’actif circulant net R06
Liquidité générale R07
Liquidité réduite R08
Rotation des stocks R09
Durée du crédit clients R10
Durée du crédit fournisseurs R11
Taux d’intérêt financier R12
Gestion Intérêt / Chiffre d’affaires R13

Endettement global R14
Taux d’endettement R15
Capacité d’autofinancement R16
Couverture du chiffre d’affaires par le fonds de roulement R17
Couverture du chiffre d’affaire par le besoin en fonds de roulements R18
Poids du besoin en fonds de roulement d’exploitation R19
Exportation R20
Productivité de potentiel de production R21
Productivité du capital financier R22
Productivité du capital investi R23
Productivité et Rentabilité économique R24
Rentabilité Performance R25
Rentabilité nette R26
Rendements des capitaux propres nets R27
Rendement des ressources durables nettes R28
Taux de valeur ajoutée R29
Part des salariés R30
Marge et valeur
ajoutée Part de l’État R31
Part des prêteurs R32
Part de l’autofinancement R33
45

G2000 304 0031 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

G2000 304 0031 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Document téléchargé depuis www.cairn.info - - LAYAD Khaoula - 105.67.131.

35 - 14/03/2020 21:57 - © Association de recherches et publications en management

Sami Ben Jabeur et Youssef Fahmi

Association de recherches et publications en management | « Gestion 2000 »

2013/4 Volume 30 | pages 31 à 45

Distribution électronique Cairn.info pour Association de recherches et publications en management.

Powered by TCPDF (www.tcpdf.org)

Avant de présenter les principales méthodes de prévision utilisées dans ce travail de

05_Jabeur Fahmi 4 2013_031_046.indd 31 21-10-13 15:50

Définition de la et moins de 50 millions d’euros

05_Jabeur Fahmi 4 2013_031_046.indd 32 21-10-13 15:50

Tableau 1 : Défaillances d’entreprises (publiées au BODACC) entre 1993 et 2010

55174 57494 52640 56858 53261 47525 42132 38346 36941

05_Jabeur Fahmi 4 2013_031_046.indd 33 21-10-13 15:50

les résidus Y , X ,…, X des régressions de Y, X1,..., Xk sur t1,t2 .

L’algorithme PLS s’écrit alors :

on peut calculer k (x,x') sans faire ap-

–– ||a||2est minimum –– gaussien (RBF) k(x,x') = e2s2 ;

05_Jabeur Fahmi 4 2013_031_046.indd 35 21-10-13 15:50

Présentation de la base des données défaillantes. Ce choix s’est imposé de

05_Jabeur Fahmi 4 2013_031_046.indd 36 21-10-13 15:50

Tableau 2 : Validation du modèle (PLS-DA)

S D Total S D Total S D Total

Résultats saines) de 5,75 % et une erreur de

S : Saine / D : Défaillante T-2 : Dans le groupe des entreprises

05_Jabeur Fahmi 4 2013_031_046.indd 37 21-10-13 15:50

prises saines de 94,25% à 68,5%, et de bons classements est de 59.25 %

05_Jabeur Fahmi 4 2013_031_046.indd 38 21-10-13 15:50

Tableau 3 : Validation du modèle SVM

S D Total S D Total S D Total

de bons classements de l’ordre de défaillantes. En outre, elle a pu recon-

05_Jabeur Fahmi 4 2013_031_046.indd 39 21-10-13 15:50

Tableau 4 : Performances des approches PLS-DA et SVM

PLS-DA SVM PLS-DA SVM PLS-DA SVM

T-1 94,25 % 92,5 % 98,75 % 97,25 % 96,5 % 94,875 %

T-2 68,5 % 62 % 65,5 % 69,25 % 67 % 65,625 %

T-3 61,25 % 71 % 59,75 % 47,5 % 60,5 % 59,25 %

défaillantes. De même, Le taux de bons non défaillantes trois ans avant la

05_Jabeur Fahmi 4 2013_031_046.indd 40 21-10-13 15:50

05_Jabeur Fahmi 4 2013_031_046.indd 41 21-10-13 15:50

BARDOS, M, ZHU, W.H, 1997, «Comparai- FRANKS, J. R, SUSSMAN, O, 2005, «Finan-

BEN JABEUR, S, 2009, «Prévision de la dé- GUILHOT, B, 2000, «Défaillances d’entreprise

05_Jabeur Fahmi 4 2013_031_046.indd 42 21-10-13 15:50

PLANES, B, 2000, Détection précoce du risque TENENHAUS, M, 1995, Nouvelles méthodes de

PLATT, H. D, PLATT, M. B, 1990, «Development TENENHAUS, M, 2000, «La Régression logis-

05_Jabeur Fahmi 4 2013_031_046.indd 43 21-10-13 15:50

TENENHAUS, M, GAUCHI, J.P, MENARDO, C, ZHONGSHENG, H, YU, W, XIAOYAN, X,

05_Jabeur Fahmi 4 2013_031_046.indd 44 21-10-13 15:50

Annexe I : Liste de 33 ratios financiers de l’étude

Gestion Intérêt / Chiffre d’affaires R13

05_Jabeur Fahmi 4 2013_031_046.indd 45 21-10-13 15:50

Vous aimerez peut-être aussi