Académique Documents
Professionnel Documents
Culture Documents
EL JAZOULI Inasse
Novembre 2021
Sommaire :
Introduction ................................................................................................................ 2
Références ................................................................................................................. 23
1
Introduction :
Les prévisions de risque de défaillance des entreprises sont d'un grand intérêt pour les
régulateurs, les institutions financières et les actionnaires qui cherchent à rationaliser la gestion
du risque de crédit. En tant qu'intermédiaire financier, les banques restent préoccupées par le
risque d'asymétrie de l'information. Par conséquent, prédire la probabilité qu'un prêt soit
remboursé sur une période de temps reste un problème.
Encore plus, pour les PME, constituant la grande majorité du tissu économique marocain. Il
s’avère que les banques prennent en considération dans leurs tarifs le risque de défaut sous
forme de « prime de risque » afin de palier sur le moyen terme les pertes financières qu’elles
risquent. D’un côté, l’État apporte son aide à travers la garantie du risque de crédit vu la
complexité du travail que doivent mener les banques pour garantir un suivi ponctuel et
individuel du risque de chaque client.
Intérêt du sujet :
De suite, la méthode des scores intervient comme une solution au problème de prédiction de
défaillance.
2
I. Généralités sur la méthode des scores
1. L’Historique de la méthode
Dates Évènements
2000 AVJC 1ière utilisation du crédit en Assyrie, à Babylone et en Égypte
1851 1ière utilisation de la notation (classement) crédit par John Bradstreet, pour ses
commerçants demandeurs de crédit, USA
1909 John M. Moody publie la 1ière grille de notation pour les obligations
commerciales négociée sur le marché, USA
1995 L’assureur d’hypothèques Freddy Mac & Fannie Mae adopte le crédit-scoring,
USA
2000 Moddy’s KMV introduit le RiskCalc pour le scoring des ratios financiers
(financial ratio scoring – FRS)
Le credit scoring est un domaine relativement jeune qui n'est apparu aux États-Unis que dans
les années 1960. C'était une technique qui est apparue dans le travail de Durant en 1941 et était
une technique de décision révolutionnaire pour distinguer les bons et les mauvais emprunteurs.
Ce n'est qu'au 21e siècle que ces technologies se sont développées de manière significative,
notamment après que John Moody a annoncé sa première grille de notation pour les obligations
3
commerciales. Ces méthodes ont évolué dans les années 90 à mesure que les exigences
réglementaires (Bâle II), en particulier avec les travaux d'Altman (1968).
2. Le principe du score
a. définition
Pour définir le scoring, Anderson (2007) propose de scinder le terme en deux composantes :
credit et scoring. La première vient du terme latin « credo » qui veut dire « je crois » ou « je
fais confiance », la seconde consiste à utiliser des outils numériques pour classer et distinguer
afin de prendre des décisions objectives et cohérentes. De plus, le credit scoring peut être
facilement défini comme la conversion de données qualitatives et quantitatives en indicateurs
numériques d'aide à la décision à l'aide de modèles statistiques. De plus, les modèles statistiques
peuvent aider à déterminer si un emprunteur est susceptible de faire défaut sur un prêt particulier
(ce qui fait ça différence avec la notation). Les analystes de crédit utilisent ces techniques pour
déterminer qui obtient le crédit, l’encours des créances client et les stratégies opérationnelles
qu'ils utilisent pour améliorer la rentabilité des prêteurs et des emprunteurs. (Thomas et al. 2002,
p. 1) Plusieurs explications peuvent être avancées pour définir le rôle de credit scoring, nous
pouvons les synthétiser dans le schéma suivant :
Prédiction
• Prêts • Nouvelles
précédents • Modèle de demandes
scoring de prêts
Construction Décision
4
Presque toutes les institutions financières et banques utilisent le modèle de scoring en raison de
ses avantages évidents. L'utilité de ces méthodes dans ce contexte peut être justifiée par les
éléments suivants :
En plus du scoring, il existe plusieurs modèles d'aide à la décision pour l'évaluation du risque
de crédit, tels que les systèmes experts et les réseaux de neurones. (Rosenberg et Gleit, 1994)*
De nombreuses études ont suscité un débat sur le jugement humain et le scoring depuis la
création de ces méthodes. Dans les deux cas, la logique de décision est la même. L'important
est de comparer les caractéristiques d'une nouvelle demande de prêt avec celles qui ont déjà été
remboursées et celles qui ont échoué. Dans le cas de Sullivan (1981) et de Bailey (2004), le
jugement humain repose sur l'expertise et les compétences des analystes crédit. Cependant,
cette méthode a certaines restrictions sur la subjectivité et les incohérences dans les résultats.
Dans le processus de scoring, les analystes utilisent leur expérience pour évaluer les cas qui ont
déjà été traités. Le but de cette analyse est de dériver un modèle quantitatif pour distinguer les
bons et les mauvais clients en fonction de variables à fort pouvoir prédictif. Malgré les limites
inhérentes à cette approche, le scoring offre des avantages importants, notamment en termes
d'automatisation et de cohérence des résultats. Cela justifie l'utilisation exponentielle de ces
modèles dans les banques et la finance.
c. Le risque de défaillance
Selon l’article L. 631-1 du code de commerce français, une entreprise défaillante est une
entreprise qui ne peut plus faire face à son passif exigible avec son actif disponible. Autrement
dit, c’est une entreprise qui n’arrive plus à rémunérer ses engagements financiers envers des
tiers. Ceci, fait référence à l’un des risques les plus identifiés et les plus supportés notamment
par les établissements bancaires qui est le risque de crédit. Ce dernier peut être défini comme
5
étant le risque de perte inhérent au défaut d’un emprunteur par rapport au remboursement de
tout ou d’une partie de son crédit aux échéances prévues par le contrat signé.
La fonction score résulte d’une analyse statistique discriminante entre entreprises défaillantes,
ayant fait l’objet d’une procédure judiciaire, et entreprises non défaillantes. L’analyse
discriminante a été utilisée pour la première fois en matière financière par Altmann en 1968 ;
d’autres modèles ont suivi : modèle de Collongues (en 1976), modèle de Conan et Holder (en
1978), puis les différents modèles de la Banque de France depuis 1982. Les principes
garantissant la performance de la méthode des scores ont systématiquement été mis en œuvre :
L’analyse discriminante permet de classer les entreprises en deux catégories : les entreprises
saines et les entreprises défaillantes. La méthodologie de mise au point de l’indicateur est
toujours la même :
Cette étape consiste à constituer deux échantillons d’entreprises en se basant d’une part sur les
informations fournies par les bilans des entreprises, et d’autre part, sur les informations liées à
l’ouverture des procédures judiciaires. Ceci permet de distinguer entre les entreprises qui ont
fait défaut et celles qui n’ont pas fait défaut. Les premières sont alors regroupées dans un
échantillon et les deuxièmes sont regroupées dans un autre.
Identifier les ratios qui constituent les indicateurs d’une prochaine défaillance ;
Cette étape consiste à choisir l’ensemble des ratios servant comme variables explicatives du
phénomène étudié qui est dans ce cas le défaut de paiement ou non d’une entreprise donnée.
Ces variables doivent être non corrélés pour éviter la redondance de l’information retenue. Ceci
nécessite l’utilisation des tests statistiques appropriés permettant à la fin de retenir un certain
6
nombre de ratios non corrélés et capable de discriminer entre les entreprises saines et celles
défaillantes.
La combinaison des ratios dans la fonction discriminante s’exprime sous forme suivante :
Z = a1 R1 + a2 R2 + … + an Rn+ B
Où B est une constante, a1 le coefficient de pondération, R1, la valeur du premier ratio, etc.
Cette étape consiste à la construction proprement dite de la fonction score la plus efficace sur
laquelle sera basée la décision d’affectation. Autrement dit, la fonction établie va permettre de
classer une nouvelle entreprise soit comme étant une entreprise défaillante soit comme étant
une entreprise saine. A ce niveau, intervient la méthode de l’analyse discriminante qui sur la
base des échantillons et des ratios retenus va définir une fonction score. Il est nécessaire par la
suite d’analyser la capacité prédictive de la fonction en faisant appel à des tests statistiques.
2. Cas d’application :
Afin d’illustrer pratiquement les différentes étapes de conception des fonctions scores que nous
avons évoqués auparavant, nous allons présenter l’exemple de mise en place d’une fonction
score par la banque populaire Rabat-Kenitra dans le but de la gestion du risque du crédit.
Lors de la construction de sa fonction score, la banque a suivi les quatres étapes à savoir : la
construction de l’échantillon initial, le choix des ratios, l’élaboration de la règle de décision, et
l’analyse de la capacité prédictive de la fonction score obtenue.
En ce qui concerne la première étape, la banque a constituée deux échantillons par tirage
aléatoire. Le premier échantillon est composé de 23 entreprises défaillantes alors que le
deuxième échantillon est composé de 23 entreprises saines. Ces entreprises sont des petites et
moyennes entreprises commerciales ou industrielles opérant dans la région Rabat-Salé.
Concernant leur forme juridique, l’échantillon contient 20 sociétés anonymes et 26 sociétés à
responsabilité limitée.
Pour la deuxième étape, la banque s’est basée sur les informations comptables et financières
des entreprises exprimées par un ensemble de ratios calculés un an avant la défaillance. Les
ratios qui ont été retenus sont regroupés dans le tableau ci-dessous :
7
l’intitulé du ratio la Formule du ratio
La banque a mené à ce niveau deux études statistiques : une première étude pour tester la
diversité des valeurs des ratios en faisant appel aux statistiques descriptives (calcul de la valeur
minimale, la valeur maximale, la moyenne, et l’écart type pour chaque ratio dans chaque
échantillon), et une deuxième étude statistique pour tester la capacité discriminante des ratios
en utilisant le test de différence des moyennes de Student. La banque a conclu par la suite que
les ratios prennent des valeurs diversifiées et statistiquement significatives. Ils ont été alors tous
retenus.
8
Z = 2,071 𝑹𝟏+ 0,036 𝑹𝟐 + 0,070 𝑹𝟑 +1,662 𝑹𝟒 +0,706 𝑹𝟓+1,219 𝑹𝟔+8,224 𝑹𝟕+ 2,772
La discrimination entre les groupes se fait en se basant sur une frontière de discrimination
appelée (score critique). Puisque les groupes sont de dimensions égales, ce score est égal à la
moyenne des moyennes des scores obtenues pour chaque groupe. Notons que la moyenne des
scores pour chaque groupe est donnée en remplaçant chaque ratio dans la fonction par sa
moyenne dans l’échantillon. La banque a pu déduire les valeurs suivantes :
La règle de décision sur laquelle la banque va se baser pour affecter une nouvelle entreprise
dans l’un des groupes est alors la suivante :
La banque a également identifié une zone d’incertitude (entre - 1,343 et 1, 343) qui ne permet
pas de trancher définitivement sur la défaillance ou non de l’entreprise. Ces entreprises
constituent les dossiers nécessitant plus d’analyse.
9
III. Les modèles de la méthode des scores
1. Le modèle d’ALTMAN
Depuis 1968, Altman est arrivé à la conclusion que l'analyse unidimensionnelle n'est pas
suffisante pour résoudre le problème de la complexité de la prédiction de défauts. De plus, il a
été la première personne à analyser plusieurs ratios en même temps à l'aide d'une analyse
discriminante multidimensionnelle. Une mise en œuvre de cette méthode a été utilisée dans
l'étude de Fisher et Mahalanobis (1936) en 1930. Altman a utilisé un échantillon de 66
entreprises sur la période 1946 à 1965. 33 de ces entreprises ont déclaré faillite durant cette
période alors que les autres 33 n'ont pas fait faillite. Ses résultats sont plus pertinents que ceux
de Beaver (1966), avec un taux de bonne classification global de 95 % par rapport à l'ensemble
de l'échantillon. Les méthodes d'analyse discriminante sont utilisées par les banques pour
prédire ou classer des phénomènes dans le processus d'évaluation du crédit.
Son modèle appelé Z-score retient cinq variables dans la fonction score optimale :
10
Fréquemment trouvé dans les études financières des entreprises, c’est une mesure de besoin en
fond de roulement de l'entreprise par rapport au total de l’actif circulant. Le fonds de roulement
est défini comme la différence entre les actifs immobilisés et le financement permanent. Les
caractéristiques de liquidité et de taille sont explicitement prises en compte au niveau de ce ratio
et permet de conclure sur la liquidité de l’entreprise.
Cette mesure de la rentabilité cumulative au fil du temps a été introduit comme nouveaux ratios.
L'âge d'une entreprise est implicitement pris en compte dans ce calcul. Par exemple, une
entreprise relativement jeune montre probablement un faible ratio car il n'a pas eu le temps de
construire ses réserves.
Ce ratio dispose d’un caractère très général et permet des comparaisons entre entreprises du
même secteur, est calculé en divisant l'actif total d'une entreprise par ses bénéfices avant intérêts
et réductions d'impôts. Essentiellement, il s'agit d'une mesure de la productivité réelle des actifs
de l'entreprise, en faisant abstraction de tout facteur fiscal ou de levier, ce rapport semble
particulièrement approprié pour les études traitant de la faillite des entreprises.
Ce ratio ajoute une dimension de valeur marchande, qui est souvent absente au niveau des autres
analyses financières, Il semble également être un prédicteur plus efficace de faillite qu'un autre
ratio, plus couramment utilisé : valeur nette / dette totale.
C'est une mesure de la capacité à réaliser des ventes en employant ses actifs et à faire face aux
conditions de concurrence. Ce rapport final est assez important car, comme indiqué ci-dessous,
il s'agit du rapport le moins significatif sur une base individuelle. En fait, le ratio Ventes / Total
11
des actifs se classe au deuxième rang pour sa contribution à la capacité globale de discrimination
du modèle.
Dans le modèle d’Altman (1968), la faillite de l’entreprise est corrélée négativement aux 5
ratios financiers. En effet, il permet d’avoir des taux de bons classements des entreprises une
année à l’avance de 95%.
Cas d’application
La société AGROMETAL est une société anonyme implantée depuis 15 ans dans le centre
Bretagne. Son activité principale est la conception et la fabrication d’outillage et de pièces
spécifiques pour l’industrie agroalimentaire. Le dirigeant désirerait disposer à court terme
d’outils simples lui permettant de pallier rapidement un risque éventuel de défaillance. Vous
lui proposez de calculer le score par le modèle d’Altman et celui de Conan et Holder, les
comptes annuels de l’entreprise sont communiqués au niveau des annexes.
Travail à faire :
Calculer le score pour les exercices N-1 et N selon le modèle d’Altman et interpréter le
résultat, sachant que la fonction est la suivante :
12
2. Le modèle de la banque de France
La méthode des scores, mise au point par la Banque de France, permet de mesurer rapidement
le degré de vulnérabilité, le risque de défaillance au cours des trois prochaines années de
l’entreprise appartenant à un secteur donné et de la classer, au sein de son secteur, parmi les
entreprises saines ou vulnérables.
La méthode des scores constitue, pour les adhérents FIBEN (Fichier bancaire des entreprises),
un instrument complémentaire pour le diagnostic de l’entreprise. Elle permet ainsi d’affiner
l’analyse du risque de crédit et d’anticiper les risques de défaillance d’une entreprise.
Cette méthode s’applique aux entreprises du secteur industriel et aux sociétés dont les effectifs
sont inférieurs à 500 salariés. Huit fonctions scores sectorielles ont été développées : industrie
(BDFI), commerce de détail et réparation automobile (BDFCD), commerce de gros (BDFCG),
transports (BDFT), construction (BDFBTP), hôtels, cafés et restaurants (BDFH), restaurants
(BDFR), services aux entreprises (BDFS). La Banque de France utilise pour chaque fonction
des ratios discriminants différents.
Pour le score BDFCD (commerce de détail et réparation automobile), six ratios sont utilisés :
13
R6 = poids du fonds de roulement net global (FRNG).
La contribution au score est positive lorsque le FRNG s’améliore. Pour les cinq autres ratios,
plus ils sont faibles, plus leurs contributions au score sont élevées.
Pour le secteur du commerce de gros, les huits ratios suivants sont retenus :
R1 = Intensité capitalistique
R2 = Solvabilité à court terme
R3 = Rendement des fonds propres
R4 = Taux du poids des créances douteuses
R5 = Couverture des dettes à court terme
R6 = Importance des autres créances
R7 = Trésorerie
R8 = Poids des dettes fiscales et sociales
À chaque valeur du score est associée la probabilité de défaillance de l’entreprise au cours des
trois années à venir. Dans ce sens le score est considéré comme un indicateur de gestion
synthétique ; il apporte une aide au diagnostic individuel mais ne peut suffire à lui seul à
l’établir.
Pour le secteur de l’industrie, la banque de France a longtemps utilisé une fonction « Score Z »
comportant une combinaison linéaire de 8 ratios pris parmi 36 :
Ce qui donne :
14
La probabilité de défaillance est forte pour les entreprises dont le facteur Z est inférieur à 0,25.
Les 3 premiers ratios expliquaient plus de 70 % du score total.
Z< -0.25 : La situation de l’entreprise est très risquée ; la probabilité qu’elle connaisse
de graves difficultés est élevée.
Z< 0.125 : La situation de l’entreprise est saine et la probabilité qu’elle connaisse des
difficultés est faible.
0,25 < Z < 0.125 : Zone d’incertitude dans laquelle il est difficile de trancher uniquement
par le score.
La banque de France est désormais plus discrète, avec la fonction « Znew » qui a succédé au «
Score Z », ses ratios ont légèrement changé, la banque utilise :
Ces dernières versions des scores de la banque de France sont tenues secrètes. Il faut se
contenter de la constatation de Mireille Bardos, « Dans tous les cas sont particulièrement
significatifs :
15
Cas d’application :
La SA « Les routiers bretons », située dans la région de Rennes, est une entreprise de transport
spécialisée essentiellement dans l’acheminement des denrées alimentaires. Elle a connu ces
dernières années une assez forte progression de son chiffre d’affaires grâce à une politique
commerciale très agressive. Le CA de l’année N est de 34 457 000 £. Le dirigeant désirerait
disposer à court terme d’outils simples lui permettant de pallier rapidement un risque éventuel
de défaillance compte tenu du fait que ses frais financiers se sont élevés en N à 1 615 000 £.
Vous lui proposez de calculer le score par la méthode de la Banque de France.
16
La contribution du second ratio est la plus forte (30,72 %) à la note obtenue par le score. Les
contributions de chaque ratio au score apparaissent dans la première colonne. Les valeurs pivots
correspondent aux ratios moyens de l’échantillon ayant servi à construire la fonction. Les ratios
moyens des entreprises défaillantes ou non de l’échantillon apparaissent dans les deux dernières
colonnes :
Fonction de score Contributions Valeurs pivots Ratios des Ratios des non
Transports en % défaillants défaillants
17
3. Le modèle de Conan et Holder
L’idée est la même que celle de la Banque de France, elle a d’ailleurs été empruntée à
l’américain E. Altman, pionner de l’analyse discriminante appliquée à la prévision des faillites.
Le modèle de Conan et Holder, encore utilisé aujourd’hui par des analystes financiers, prend la
forme suivante :
X1 = EBE/endettement global
La méthode est adaptée aux PME et traduit le risque de faillite selon les résultats obtenus :
- 0.210 100
- 0.048 90
+0.002 80
+0.026 70
+0.068 50
+0.087 40
+0.107 30
+0.131 20
+0.164 10
En effet, La probabilité de défaillance fournit une mesure de l’intensité du risque. Elle est
beaucoup plus informative qu’un seuil de décision, on remarque que plus la valeur de Z
diminue, plus la vulnérabilité de l'entreprise augmente. Sachant que le résultat est très sensible
au quatrième ratio qui définit l’importance des charges financières par rapport à l’activité.
18
Une fois le score établi et les probabilités définies, Conan et Holder ont testé le pouvoir prédictif
de leur fonction discriminante, à la base d’un échantillon construit de 46 entreprises, cette
dernière a permis de classer les entreprises défaillantes un an avant la défaillance dans 86% des
cas, deux ans avant pour 68% de l’échantillon, et trois ans dans 75% des cas.
Cas d’application :
Présente au Maroc depuis plus d’un siècle, la Société générale est résolument engagée dans une
stratégie de développement pérenne et durable, menée au service de l’économie nationale pour
contribuer à la croissance du pays et accompagner la dynamique de bancarisation. La société
générale est un intermédiaire au service du financement de l’économie, elle propose à ses clients
des solutions globales de financement grâce à son savoir-faire reconnu. Dans le cadre de l’étude
d’une demande de financement, la société générale vous confie le dossier d’un client pour
lequel elle désirerait connaitre le risque de défaillance avant de se prononcer sur la possibilité
de lui accorder le crédit demandé. Vous proposez de recourir à la méthode des scores en utilisant
le modèle de la banque de France et celui de Conan et Holder. ( Voir le Bilan et le CPC en
annexes )
X1 = EBE/endettement global
X2= capitaux permanents/passif total
X3= réalisable et disponible/actif total
X4= frais financiers/chiffre d’affaires
X5 = frais de personnel/valeur ajoutée
19
La règle de décision :
Score Probabilité de défaillance (en %)
- 0.210 100
- 0.048 90
+0.002 80
+0.026 70
+0.068 50
+0.087 40
+0.107 30
+0.131 20
+0.164 10
20
La règle de décision :
score interprétation
Z< -0.25 La situation de l’entreprise est très risquée
; la probabilité qu’elle connaisse de graves
difficultés est élevée.
Z< 0.125 La situation de l’entreprise est saine et la
probabilité qu’elle connaisse des
difficultés est faible.
0,25 < Z < 0.125 Zone d’incertitude dans laquelle il est
difficile de trancher uniquement par le
score.
1. les limites
L’utilisation de la fonction score obtenue est conditionnée par la nature et la taille des
entreprises qui constituent l’échantillon de base sur lequel on s’est basé pour construire
la fonction score. Autrement dit, l’application de la méthode doit être limitée aux
entreprises ayant des caractéristiques similaires aux entreprises de l‘échantillon initial
notamment en ce qui concerne la taille et l’activité. Les autres limites de la méthode des
scores sont les suivantes :
D'un point de vue technique, cette méthode nécessite une méthode statistique complexe
pour déshumaniser le processus de gestion du crédit.
La mise en œuvre des techniques de notation de crédit ne peut être mise en œuvre que
par de grandes institutions financières disposant de processus complets et pertinents,
d'outils de gestion formalisés et de bases de données (clients, incidents et pertes).
L'établissement de ces bases est important pour la gestion des historiques de prêts
individuels importants et de la coordination des risques, des perspectives comptables et
financières.
21
Le scoring se base sur le passé pour prédire l'avenir, qui est en soi une limite. Dès que
les tendances du marché changeront, cette approche ne répondra plus aux mêmes
critères.
Il existe peu de critères qualitatifs car il est difficile d'obtenir l'information et de la coder.
La nécessite une base de données importante.
2. Les Avantages
La facilité l'analyse initiale, le suivi des risques, les prêts et leur renouvellement.
l’économise du temps et de l'argent dans le processus de gestion du crédit. À mesure
que le score calculé approche du seuil, les analystes de crédit effectuent une analyse
plus détaillée.
En assumant la prime de risque de chaque exposition, il permet une meilleure évaluation
du risque, réduisant ainsi l'allocation de crédit.
La méthode permet d’ajuster les taux d'intérêt en fonction de la qualité de l'emprunteur.
22
Conclusion :
La méthode des scores a pour objectif de dresser une synthèse des principaux aspects du
comportement des entreprises face au risque de défaillance en utilisant une combinaison de
ratios comptables. Elle est destinée à diagnostiquer préventivement les difficultés des
entreprises. Le score permet de donner une note financière et d’évaluer les risques potentiels de
défaillance. C’est un instrument de mesure des performances et de prévention.
Le score auquel est associée une probabilité de défaillance ou de risque est en fait un révélateur
de situation et n’a pas de caractère déterministe. Il indique seulement que l’entreprise présente,
avec un certain degré de vraisemblance, des analogies avec telle ou telle catégorie de firmes.
En même temps que le degré de gravité de la situation, il précise, par les ratios qui le composent,
les principales causes immédiates de celle-ci.
L’appréciation de cette situation est améliorée par l’examen de l’évolution du score Z sur
plusieurs exercices. Celle-ci peut en outre être comparée à la trajectoire des entreprises
appartenant au même secteur d’activité que la firme étudiée. Une entreprise peut, par exemple,
présenter un score défavorable, mais son secteur également ; dans ce cas, il est évident que le
jugement porté sur la firme concernée et sur la nature des mesures de redressement éventuelles
sera différent de celui que justifierait une entreprise à haut risque de défaillance appartenant à
un secteur sain.
Malgré les avantages de diverses procédures d'évaluation du crédit, les systèmes de scoring se
sont imposés au fil du temps comme la méthode préférée des institutions financières
internationales. De plus, les nouveaux accords de Bâle et le développement des systèmes
informatiques ne font que confirmer leur préférence pour cette méthode.
23
ANNEXES : 1. Bilan actif en milliers de dirham
EXERCICE
EXERCICE N PRECEDENT
Amortisseme
Brut nts et Net Net
provisions
Immobilisations en non valeurs [A]
Charges à répartir sur plusieurs exercices 2 062 1 430 632 1 043
24
2. Bilan passif en milliers de dirhams :
25
3- CPC en milliers de dirhams :
Nature N N-1
Produits d’exploitation
Ventes de biens et services produits 83335 101631
Variation de stocks de produits -2496 -14509
Reprises d’exploitation ; transferts de charges 7582 78048
Total I 88421 165170
Charges d’exploitation
Achats consommés(2) de matières et fournitures 57724 61666
Autres charges externes 10055 11762
Impôts et taxes 848 877
Charges de personnel 20907 23877
Autres charges d’exploitation 7711 77093
Dotations d’exploitation 13403 16129
Total II 110648 191404
-II) -22227 -26234
PRODUITS FINANCIERS
Produits des titres de participations. Et autres titres immobilisés 8 8
Gains de change 169 81
Reprises financières : transfert charges 211 188
Total IV 388 277
CHARGES FINANCIERES
Charges d’intérets 9431 10755
Pertes de change 337 589
Dotations financières 502 211
Total V 10270 11555
RESULTAT FINANCIER (IV-V) -9882 -11278
RESULTAT COURANT (III+VI) -32109 -37512
PRODUITS NON COURANTS
Produits de cession des immobilisations 0 0
Autres produits non courants 3427 18330
Total VIII 3427 18330
CHARGES NON COURANTES
Autres charges non courantes 32 497
Total IX 32 497
RESULTAT NON COURANT (VIII-IX) 3395 17833
RESULTAT AVANT IMPOTS (VII+X) -28714 -19679
IMPOTS SUR LES BENEFICES (XIII) 435 601
RESULTAT NET (XI-XII) -29149 -20280
26
Références :
27