REPUBLIQUE DE CÔTE D’IVOIRE

Union – Discipline – Travail

MINISTERE DU PLAN ET DU
DEVELOPPEMENT GROUP

ECOLE NATIONALE SUPERIEURE DE

STATISTIQUE ET D’ECONOMIE APPLIQUEE
BRIDGE BANK GROUP COTE D’IVOIRE

**********************************
Mémoire de fin de formation
THEME :

Modélisation du risque de crédit par la prédiction du

défaut de paiement : Cas d’un portefeuille clients de
la BBGCI

Sous la direction de :
Rédigé par :
KONE Brahima
ZAMPOU Aziz
Chef de service Analyse Crédits
Élève Ingénieur Statisticien Economiste
OUEGNIN Jacques-Alexandre
Analyste Crédit

SEPTEMBRE 2023
 DECHARGE

L’Ecole Nationale Supérieure

de Statistique et d’Economie
Appliquée (ENSEA) et la Bridge
Bank Group Cote d’Ivoire
(BBGCI) n’entendent donner
aucune approbation ni
improbation aux opinions
émises dans ce mémoire. Ces
opinions doivent être
considérées comme propres
à leur auteur.

i
DEDICACE

A toute ma famille

ii
 EPIGRAPHE

L’origine du crédit se perd dans la nuit des temps. En effet, il est beaucoup

plus vieux que l'écriture. Il y a risque de crédit, par exemple, quand un fermier

dit à un étranger : « m'aider à moissonner ma récolte, et je te donnerai deux

paniers de grain. »

(Brown, 2004)

iii
 REMERCIEMENTS
Ce mémoire a été le concours de plusieurs personnes auxquelles nous aimerons témoigner notre
gratitude, tout en commençant par remercier Dieu pour la grâce qu’il nous a fait durant la
formation et précisément pendant le stage.

J’exprime tout d’abord ma gratitude à Monsieur Ehouman KASSI, Directeur Général de la

BBGCI ainsi qu’à Monsieur Cédric BENDEY-DIBY, Directeur Crédit Engagements pour
m’avoir accepté dans cette structure de référence dans le domaine de la finance et des métiers
de la banque. Je remercie particulièrement Monsieur Brahima KONE de m’avoir accompagné
tout au long du stage pour ses précieux conseils, son soutien permanent et sa grande
disponibilité.

Je remercie également Monsieur Jacques-Alexandre OUEGNIN, qui, par son écoute attentive,
sa générosité, ses propositions et orientations ainsi que ses critiques constructives, a contribué
à l’ajout d’une touche particulière à l’élaboration de ce mémoire.

Je remercie mes collègues de stage Analystes crédits Young Professional, BOUE Franck,
ASSIMANY moïse Kermah, AYE GUY Roland, Kelly Emasouley N'DA-AMETCHI, Corine
Joëlle KANGAH, avec qui nous avons passé des moments agréables. Ces moments nous ont
permis de nous améliorer mutuellement.

Je dis aussi merci à tout le personnel de la BBGCI pour leur accueil chaleureux.

Nos remerciements vont aussi à l’endroit de/du :

▪ Dr. Hugues KOUADIO, Directeur général de l’ENSEA pour le cadre idéal de formation
dont nous avons bénéficié ;
▪ Dr. COULIBALY Romaric, Directeur des études de la division des Ingénieurs
Statisticiens Economistes (ISE) ;
Corps enseignant, le personnel administratif et technique de l’ENSEA d’Abidjan pour
le maintien d’un environnement favorable à l’apprentissage.
Merci à EPOH Duvalier, mon camarade de promotion avec qui j’ai eu des échanges fructueux
tout au long de la rédaction de ce mémoire. Je remercie par la même occasion toutes les
personnes qui m’ont aidées à un moment ou à un autre de mon stage.

iv
 SOMMAIRE
DECHARGE ........................................................................................................................................... i
DEDICACE.............................................................................................................................................ii
EPIGRAPHE .........................................................................................................................................iii
REMERCIEMENTS ............................................................................................................................. iv
SOMMAIRE ...........................................................................................................................................v
AVANT-PROPOS ................................................................................................................................. vi
LISTE DES ABREVIATIONS ET ACRONYMES .......................................................................... vii
LISTE DES ILLUSTRATIONS......................................................................................................... viii
RESUME ................................................................................................................................................ ix
ABSTRACT ............................................................................................................................................x
PRESENTATION DE LA STRUCTURE D’ACCEUIL ............................................................................... xi
INTRODUCTION ................................................................................................................................. 1
Contexte et Justification ................................................................................................................... 1
Problématique.................................................................................................................................... 2
Objectif général de l’étude................................................................................................................ 2
Objectifs spécifiques de l’étude ........................................................................................................ 3
Hypothèses : ............................................................................................... Erreur ! Signet non défini.
Plan de travail .................................................................................................................................... 3
CHAPITRE 1 : CONCEPTUALISATION ET REVUE DE LITTERATURE ............................... 4
1.1. DEFINITION DES CONCEPTS GENERAUX...................................................................... 4
1.2. REVUE DE LITTERATURE ................................................................................................ 10
CHAPITRE 2 : CADRE METHODOLOGIQUE ............................................................................ 18
2.1. PRESENTATION DES DONNEES ........................................................................................... 18
2.2. CHOIX ET JUSTIFICATION DES VARIABLES D’ETUDE ................................................ 18
2.3. METHODE D’ANALYSE ........................................................................................................... 21
CHAPITRE 3 : RESULTATS ET INTERPRETATIONS .............................................................. 26
3.1. STATISTIQUE EXPLORATOIRE............................................................................................ 26
3.2. LES DETERMINANTS DE LA DEFAILLANCE DES ENTREPRISES .............................. 28
3.3. ELABORATION DU SCORE................................................................................................ 31
LIMITES DE L’ETUDE..................................................................................................................... 33
CONCLUSION ET RECOMMANDATIONS.................................................................................. 33
BIBLIOGRAPHIE ............................................................................................................................... xii
ANNEXES ............................................................................................................................................. xii
TABLE DES MATIERES .................................................................................................................. xvi

v
 AVANT-PROPOS

Créée en 1961, avec pour objectif de former les cadres statisticiens d’Afrique, l’Ecole
Nationale Supérieure de Statistique et d’Economie Appliquée (ENSEA) n’a pas failli à cette
mission en se présentant comme le creuset de la formation de plusieurs cadres africains. En
effet, l’ENSEA est une école panafricaine. A ce titre, elle reçoit des étudiants de diverses
nationalités et offre des formations de qualité à ces derniers. Au nombre de celles-ci figure la
formation des Ingénieurs Statisticiens Economistes qui est une formation de haut niveau dans
les domaines de la statistique et de l’économie. Un stage pratique obligatoire d’une durée de
quatre mois est effectué dans le souci de renforcer la formation théorique dispensée durant les
trois années formation. Ce stage permet aux futurs ingénieurs de mettre en pratique leurs
connaissances théoriques des outils d’analyses, de s’insérer dans le monde professionnel et
d’être confrontés aux réalités du terrain.

En ce qui nous concerne, nous avons effectué un stage à la Direction Crédits et Engagement
(DCE) de la BBGCI, ce stage est accompagné de la rédaction d’un mémoire soutenu devant un
jury. Ledit mémoire porte sur : « Modélisation du risque de crédit par la prédiction du défaut
de paiement : cas d’un portefeuille clients de la BBGCI ». Ce thème s’inscrit dans le cadre de
la nouvelle orientation stratégique du groupe bancaire qui est notamment de mieux maîtriser
ses risques en général et en particulier le risque de crédit.

Par ailleurs, nous avons eu le privilège d'évoluer dans un environnement chaleureux et agréable
tout au long de ce stage. Nous avons également bénéficié du soutien scientifique du corps
professoral de l’ENSEA. Cependant, nous ne prétendons pas avoir abordé tous les aspects de
ce sujet, car des analyses complémentaires pourraient contribuer à son amélioration. C'est
pourquoi nous sommes ouverts à toute contribution visant à perfectionner ce travail.

vi
LISTE DES ABREVIATIONS ET ACRONYMES

AC Actif circulant
BBGCI Bridge Bank Group Côte d’ivoire
BFR Besoin en fonds de roulement
BCEAO Banque Centrale des Etats de l'Afrique de l'Ouest
CA Chiffre d’affaires
EBE Excédent brut d’exploitation
ENSEA Ecole Nationale Supérieure de Statistique et d’Economie Appliquée
FR Fonds de roulement
HT Hors taxes
PME Petite et moyenne entreprise
PNB Produit Net Bancaire
ROC Receiver Operating Curve
ROE Return on Equity
TA Trésorerie active
TP Trésorerie passive
TTC Toutes taxes comprises
UEMOA Union Economique et Monétaire Ouest Africaine

vii
 LISTE DES ILLUSTRATIONS

Liste des tableaux

Tableau 1: Ratios financiers utilisés pour le modèle ............................................................................. 19
Tableau 2: Comparaison des moyennes des entreprises saines et défaillantes ...................................... 27
Tableau 3 : Comparaison des modèles Probit et Logit .......................................................................... 28

Liste des figures et graphiques

Figure 1: Courbe Sensibilité – Spécificité (1) ....................................................................................... 32

Figure 2 : Courbe Sensibilité – Spécificité (2) ...................................................................................... 32

Graphique 1 : répartition du nombre d’entreprise en fonction du statut................................................ 26

viii
 RESUME
Ce document vise à établir un mécanisme permettant de prédire la probabilité de défaut d'une
entreprise bénéficiant d'un prêt de la BBGC. Il décrit la situation de défaut d'un portefeuille et
utilise une régression logistique pour identifier les variables significatives qui influent sur la
probabilité de défaut. La régression logistique met en évidence des ratios financiers, le ratio de
l’évolution de l’activité, le ratio de rotation des stocks, le ratio délai client, le ratio de rentabilité
des capitaux propres, le ratio de taux d'endettement et le ratio d’équilibre financier le ratio de
solvabilité, le ratio de capacité de remboursement de la dette, le ratio de liquidité générale
comme étant les variables significatives pour prédire le défaut de paiement. Cette étude a
également permis de développer une grille de scoring pour évaluer la probabilité de défaut d'une
entreprise sur une échelle de 0 à 1.

Mots clés : risque de crédit, défaut, régression logistique.

ix
 ABSTRACT

This document aims to establish a mechanism for predicting the probability of default for a
company benefiting from a loan from BBGCI, thereby assisting the bank in better managing
the credit risk associated with its clients. It describes the default situation of a portfolio and uses
logistic regression to identify significant variables that influence the probability of default.
Logistic regression highlights financial ratios such as the activity growth ratio, inventory
turnover ratio, customer delay ratio, return on equity ratio, debt-to-equity ratio, and financial
stability ratio, solvency ratio, debt repayment capacity ratio, and general liquidity ratio as
significant variables for predicting payment default. This study has also led to the development
of a scoring grid to assess the probability of default for a company on a scale from 0 to 1.

Keywords : credit risk, default, logistic regression.

x
 PRESENTATION DE LA STRUCTURE D’ACCEUIL

Sous l'impulsion du groupe Teyliom au travers de sa holding financière, Bridge Group West Africa
(BGWA), Bridge Bank Group Côte d'Ivoire (BBGCI) a démarré ses activités en juin 2006.

Initialement orientée vers les PME pour leur apporter des financements et solutions adaptés, BBGCI a
élargi sa niche de clients vers les particuliers premiums, les professionnels et les TPE.

Subséquemment aux grandes entreprises privées, publiques et les institutions financières. Elle se
positionne, à ce jour, comme la 10ème banque sur la trentaine en Côte d'Ivoire, avec un total bilan de
FCFA 908 Mds (Euro 1,38 Mds) et FCFA 74 Mds (Euro 113 millions) de fonds propres et une présence en
Côte d’Ivoire et au Sénégal.

Au cours de ces dix dernières années, elle a su s’adapter aux différents changements politique,
économique et social. Elle a par ailleurs su intégrer les défis quotidiens, lui permettant ainsi d’optimiser
ses forces et de saisir les opportunités à elle offertes.

Forte de 259 collaborateurs au 30 Juin 2023, elle est soucieuse de se hisser progressivement parmi les
banques présentant les meilleurs critères de gestion et de rentabilité. Bridge Bank Group Côte d’Ivoire,
au-delà de la croissance de son volume d’activité, veille également au strict respect des standards de
la profession et des pratiques de bonne gouvernance se traduisant par :

• Le dynamisme et la mobilisation des différentes équipes ;

• Le déploiement soutenu et ciblé d’un réseau efficient d’agences adapté à sa clientèle ;
• La mise en œuvre d’une politique de gestion rigoureuse du risque, seul gage du maintien de la
qualité du portefeuille et de la protection des déposants ;
• Renouvellement du certificat ISO 9001 Version 2015 ;
• Les Pépites de l’accueil Lauréat de la meilleure banque 4 années consécutives ;
• Renouvellement du certificat ISO 9001 Version 2015 : sur 11 processus incluant la gestion clientèle
• Best Bank 2021 et 2022 Côte d’Ivoire décerné par Global Finance
• Ouverture de Bridge Bank Sénégal décembre 2021.

L’ensemble de ces actions est dirigé vers un unique but : la satisfaction de notre clientèle par une
écoute toujours attentive et la mise en œuvre de solutions réellement adaptées à ses besoins.

➢ Actionnariat

Actionnaires Parts
Bridge Group West Africa 77,18%
CNPS 20%
Personnes Physiques 2,82%

xi
 ➢ Organisation structurelle de la BBGCI

• Conseil d’Administration,
• Direction Générale,
• Entités Business,
• Entités Support,
• Entités Contrôle.

➢ Organigramme des Entités

Pôle Business Pôle risque & Pôle support

Contrôle

Direction Direction A udit Direction Crédit Direction Direction

Direction
Trésorerie Interne et Engagements Opération et Système
Banque
Moyens d'information
Entreprise
Généraux

Divis ion Divis ion Dir ection Direction R essources

Direction R éseau et Particuliers O p ér a tion et
R ecouvrement Conformité Humaines
Moyens G énér a ux

Direction Banque Transactionnelle Direction Risque et Contrôle Direction Marketing et Communication

xii
INTRODUCTION
Contexte et Justification
Le risque de crédit représente l'un des principaux défis auxquels les institutions financières sont
confrontées c’est pourquoi, il est essentiel de pouvoir évaluer de manière fiable et précise la
probabilité de défaut de paiement des emprunteurs afin de prendre des décisions éclairées en
matière de prêt, d'investissement et de gestion des risques.

Accorder des crédits aux entreprises revêt une importance cruciale tant pour la plupart des
institutions financières que pour le développement économique d'un pays. En effet, le crédit en
tant que principale source de revenus bancaires contribue de manière significative au Produit
Net Bancaire (PNB) des banques. Les établissements bancaires de la zone UEMOA ont mis en
place un volume de crédit de 17 034,1 milliards FCFA en 2021 (28,3 milliards de dollars),
contre un niveau de crédit de 15 809 milliards FCFA (26,26 milliards de dollars) l’année
précédente, soit une nette hausse de 7,75% (+1 225,1 milliards FCFA). Aussi, les opérations
avec la clientèle, notamment les marges sur les crédits représentaient 51,6% du PNB des
banques de l’espace UEMOA en 2017, selon les données officielles de la BCEAO.

Le risque de crédit peut donc engendrer de graves conséquences sur la sécurité et la stabilité du
système financier, allant de la perte de confiance entre les acteurs à une crise financière. Les
banques pourraient, dans l’optique de faire face à cette situation, disposer de fonds propres
suffisants pour éponger les pertes exceptionnelles qui pourraient survenir. La mesure de ces
risques constitue d'ailleurs l'un des objectifs des réglementations prudentielles mondiales (Bâle
I, II et Bâle III)1 fondées par le comité de Bâle après la crise financière de 1987 qui a mis en
avant les risques auxquels pouvaient être confrontés les banques.

Dans ce contexte, la gestion du risque de crédit est devenue une préoccupation majeure pour
les institutions bancaires qui continuent de développer des méthodes et des techniques
statistiques avancées pour anticiper le risque de défaut de paiement dont une gestion judicieuse
vise à faciliter et à optimiser le processus décisionnel. Par ailleurs, la mise en place d’un
dispositif de contrôle interne permettra de s'assurer régulièrement du bon fonctionnement de
l'ensemble du système depuis l'entrée en relation avec le client jusqu'au terme du crédit.

1
Le Comité de Bâle a été créé en 1974 par les gouverneurs des banques centrales des pays du Groupe des Dix
(G10), qui sont dix pays industrialisés. Son siège est situé à Bâle, en Suisse, d'où son nom. Depuis sa création, le
Comité a joué un rôle clé dans le développement de normes internationales visant à renforcer la régulation et la
supervision bancaire.
1
En gros, la modélisation des risques de crédit et leur correcte mesure sont aujourd’hui au cœur
des processus d’analyse, de couverture et de pilotage de ces risques. Ils influent fortement sur
la bonne performance économique des métiers de la banque, une réalité bien comprise par les
dirigeants de la BBGCI.

Par ailleurs, la BBGCI a centré son modèle économique sur le financement des PME locales.
En effet, le soutien financier aux PME est essentiel et cela dans la mesure où il soutien leur
croissance, stimule l'économie, crée des emplois, encourage l'innovation et contribue au
développement durable des communautés locales et de l'économie dans son ensemble. D’où
l’importance d’évaluer le risque encouru sur ce segment de marché pour la banque. C’est
pourquoi, dans le cadre d’un stage à la BBGCI, il nous a été demandé de réfléchir sur la
modélisation du risque de crédit à travers la prédiction du défaut de paiement sur le segment
des PME.

Problématique
L'octroi de crédit implique inévitablement un risque : la possibilité qu'un emprunteur ne
respecte pas ses engagements. Mesurer et évaluer ce risque sont d'une importance cruciale pour
les créanciers, en particulier les banques, étant donné la fréquence des problèmes auxquels font
face les entreprises (faillites, défauts de paiement de crédit...) et les perturbations significatives
qu'ils peuvent causer à l'économie. Pour les banques, la présence de ce risque influe sur la
rentabilité escomptée de leurs opérations de crédit et les expose éventuellement à des difficultés
majeures. D’où la nécessité de réfléchir sur les interrogations suivantes :

• Comment prédire le défaut d’une entreprise qui sollicite un prêt auprès de la BBGCI ?
• Quels sont les déterminants de la défaillance des entreprises qui contractent un prêt
auprès de la BBGCI ?
• Existe-t-il un score permettant de classer les entreprises qui contractent des prêts entre
les classes de défaut ?

Objectif général de l’étude

Ce document vise principalement à mettre en place un mécanisme permettant d'anticiper les
défaillances des emprunteurs et offrir la possibilité à la BBGCI de surveiller l’évolution de ses
clients au fil de leur passage entre différentes catégories de défaut.

2
Objectifs spécifiques de l’étude
Notre travail consistera spécifiquement à :

• Identifier les principaux déterminants de la défaillance des entreprises dans le

portefeuille ;
• Etablir une grille de scoring permettant de classer les entreprises par niveau de défaut.

Pour atteindre ces objectifs nous émettons une hypothèse au regard de la littérature sur la
mesure du risque de crédit.

Hypothèse :
Les fondamentaux de l’entreprise (le ratio de rentabilité de l’activité, le ratio de solvabilité, le
ratio de liquidité générale, l’équilibre financier) sont entre autres ceux qui discriminent le mieux
les entreprises risquées de celles les moins risquées.

Plan de travail
Afin de fournir une réponse précise, notre approche sera articulée en deux sections principales.
Dans un premier volet, nous commencerons par définir les concepts fondamentaux associés au
sujet, puis nous effectuerons un examen de la littérature théorique et empirique pour édifier un
socle conceptuel solide, favorisant une meilleure compréhension du sujet. Par ailleurs, nous
procéderons à une analyse descriptive de la situation de risque observée dans le portefeuille
étudié. Dans la deuxième section, nous présenterons tout d'abord la méthodologie choisie ainsi
que les résultats obtenus. Ensuite, nous proposerons des interprétations éclairantes des résultats,
tout en abordant les limites identifiées et en suggérant des recommandations pour l'étude.

3
CHAPITRE 1 : CONCEPTUALISATION ET REVUE DE
LITTERATURE

1.1. DEFINITION DES CONCEPTS GENERAUX

Il s’agira dans cette section de définir les concepts importants se référant à notre sujet en vue
de comprendre le thème de l’étude. Nous expliciterons ainsi les notions relatives à la banque,
au crédit bancaire, au risque de crédit et au défaut de crédit.

1.1.1. Définition d’une banque

Le mot « banque » vient de l’italien banca qui signifie comptoir des changeurs. Cette notion a
évolué et désigne aujourd’hui une entreprise qui a une activité financière. Elle constitue,
juridiquement, une institution financière régie par le code monétaire et financier. Sa fonction
principale consiste à proposer des services financiers tels que collecter l'épargne, recevoir des
dépôts d'argent, accorder des prêts, gérer les moyens de paiement.

Au regard de la multitude et de la complexité des activités des banques une distinction est faite
selon leurs domaines d’intervention et leurs objectifs. On distingue donc :

• La banque centrale : Une banque centrale est un organisme gouvernemental chargé de

superviser la devise d'une nation ou d'un ensemble de nations, en régulant la masse
monétaire, c'est-à-dire le volume de monnaie en usage. La stabilité des prix constitue
l'objectif central de la plupart des banques centrales. Les banques centrales disposent de
différents instruments pour mettre en œuvre leurs politiques. Les taux d'intérêt font
partis entre autres de leurs principaux instruments.
• Les banques de second rang : Dans un système bancaire hiérarchisé, une banque de
second rang est un établissement qui émet sa propre monnaie scripturale. Elle doit être
capable à tout moment de la convertir dans la monnaie de la banque centrale. Chaque
banque de second rang dispose d'un compte à la banque centrale, c'est par l'intermédiaire
de ces comptes que se règlent les dettes entre banques de second rang. On distingue
parmi les banques de second rang :
✓ Les banques commerciales : Les banques commerciales sont également
appelées banques de détail. Ce sont les types de banques les plus connus. En
effet, les banques commerciales sont des banques où nous avons tous des
comptes bancaires et des comptes d’épargne. Ces banques commerciales ou de

4
 détail fournissent des services bancaires à leurs clients particuliers ou
entreprises. Parmi ces services bancaires, on peut citer : fournir des comptes
bancaires et tous les services qui y sont attachés, tels que la fourniture de moyens
de paiement (cartes bancaires, chéquiers, etc.) ; différents crédits ou prêts et
dépôt (compte d’épargne …).
✓ Les banques d’affaires : Les banques d’affaires sont engagées dans le
financement des entreprises. Elles accompagnent les grandes entreprises en
fournissant divers services bancaires tels que des conseils stratégiques et
financiers. Ce type de banques accompagne également les entreprises dans des
projets de fusions-acquisitions.
✓ Les banques d’investissement : Les banques d’investissement opèrent sur les
marchés financiers. Ces banques achètent et vendent des actions en permanence,
des obligations ou des produits dérivés sur le marché financier. Elles peuvent
également prendre en charge les activités de financement des sociétés
nouvellement cotées ou gérer les opérations de change.

1.1.2. Le crédit bancaire

Dans sa signification la plus vaste, le crédit se réfère à un mécanisme où un emprunteur reçoit

une somme d'argent d'un prêteur en échange de l'engagement de rembourser ultérieurement
avec un intérêt. Le crédit repose sur la confiance du prêteur envers l'emprunteur. L'étymologie
du terme crédit (issu du participe passé du latin : « credere », signifiant croire) rappelle que
cette opération est basée sur la croyance du prêteur en la capacité du débiteur à rembourser sa
dette à la date convenue. Ainsi, le prêteur est en fait « celui qui place sa confiance » envers un
débiteur.

Au sein des établissements bancaires et des institutions financières contemporaines, les crédits
se réfèrent à des financements accordés aux divers acteurs économiques (entités juridiques ou
individus) et qui sont remboursables de manière échelonnée, assortis d'une marge additionnelle
appelée taux d'intérêt. Avant leur approbation, leur octroi implique une évaluation des risques
ainsi que la mise en place de garanties. Ces crédits peuvent avoir des durées relativement
courtes, ou au contraire, être remboursés sur le long terme.

Le recours au financement par crédit est désormais une pratique courante parmi les divers
acteurs économiques n'appartenant pas au secteur financier. Les crédits constituent l'une des

5
sources de profitabilité des banques. Toutefois, ils représentent également l'une de leurs
activités les plus risquées, pouvant engendrer des pertes de diverses ampleurs.

1.1.3. Le risque lié à l’activité bancaire

L'activité d'une banque la positionne au carrefour d'une diversité étendue de risques. C'est en
fait sa responsabilité de gérer ces risques, qui présentent des natures variées, pour le compte de
ses clients. Il est important de noter que chaque risque est également accompagné d'un coût,
associé notamment à la nécessité de le « provisionner », c'est-à-dire de se préparer à supporter
son impact financier dans l'éventualité de sa matérialisation. La banque perçoit une
rémunération pour cette prise de risque. Conformément à la classification établie par Pierre-
André Chiappori et Yanelle Marie-Odile (1996), nous pouvons regrouper les risques en deux
grandes catégories, en fonction de s'ils sont liés au passif ou à l'actif de la banque.

A. Risque lié à l’actif

En qualité d'intermédiaire financier, la banque rassemble les fonds des entités ayant la capacité
de financer afin de les mettre à disposition des acteurs ou des initiatives nécessitant des
financements. Dans cette fonction, elle se trouve confrontée à la diversité des emprunteurs
potentiels et plus largement des projets à financer. Par conséquent, les risques et les rendements
des opérations ne sont ni identiques ni préalablement repérables. Cela engendre un risque de
dépréciation de l'actif de la banque, pouvant se manifester de diverses manières.

Risque de taux

De manière intrinsèque, le risque de taux reflète la probabilité pour une société ou un

investisseur d'être affecté défavorablement par des fluctuations des taux d'intérêt. Bien que les
banques soient sujettes à la fois au risque de taux inhérent aux entreprises et au risque de taux
associé aux investisseurs, la nature de leurs opérations les expose particulièrement aux
changements des taux d'intérêt. Cela implique qu'elles doivent exercer une vigilance accrue
dans ce domaine.

Risque de change

Par définition, le risque de change représente la possibilité qu'une entreprise soit affectée par
les fluctuations du taux de change entre sa monnaie nationale et la devise utilisée lors d'une
transaction avec un pays étranger.

6
 Risque conjoncturel

Le risque conjoncturel se réfère à la vulnérabilité d'un investissement, d'un portefeuille ou d'une

entreprise aux fluctuations économiques à court terme, telles que les cycles économiques, les
variations de la demande et de l'offre, ainsi que les évolutions du marché. Ce type de risque est
lié aux conditions économiques générales et peut influencer les performances financières d'un
actif ou d'une entreprise en fonction des changements dans l'environnement économique et
commercial.

Risque systémique ou structurel

Le risque systémique est lié à la menace potentielle pour l'ensemble du système financier
résultant de la défaillance ou de l'instabilité d'une ou plusieurs institutions financières majeures.
Ce type de risque se propage rapidement à travers le système financier et peut provoquer une
cascade d'événements négatifs, entraînant des perturbations majeures, voire une crise financière
à grande échelle. Le risque systémique est lié aux interconnexions et aux interdépendances
complexes qui existent entre les institutions financières et les marchés, rendant les systèmes
financiers vulnérables aux chocs externes et aux défaillances internes.

Risque de crédit

C'est précisément ce risque, associé à l'actif de la banque, qui constituera l'objet de notre étude.
Il s'agit d'un risque de perte engendré par l'incapacité des clients de la banque, ainsi que d'autres
intervenants, à honorer leurs engagements financiers. Ce risque est largement répandu et revêt
une importance prédominante dans les opérations de crédit octroyées, pouvant se matérialiser,
par exemple, lorsque des particuliers ayant souscrit un prêt se trouvent dans l'incapacité de
rembourser leurs dettes en raison d'un endettement excessif, ou lorsque des entreprises se
retrouvent dans un état de cessation de paiement.

B. Risque lié au passif

Ce risque découle de l'activité de transformation exercée par la banque en tant qu'intermédiaire.

En effet, la banque opère une transformation en convertissant les dépôts émanant des prêteurs,
lesquels sont en général à court terme en raison de leur penchant pour la liquidité, en des
emprunts assortis d'échéances allant du court au long terme pour les investisseurs, qui tiennent
compte du temps de maturité nécessaire pour les investissements. On distingue :

7
 Risque de liquidité

Quand plusieurs déposants décident de retirer leurs dépôts bancaires de manière inattendue, la
banque peut être amenée à solliciter d'autres institutions ou même la banque centrale pour
répondre à cette nécessité de liquidités. Si ni les autres institutions ni la banque centrale ne
parviennent à résoudre cette situation pour la banque en difficulté, celle-ci pourrait se trouver
dans l'obligation, voire tentée, de liquider une partie de ses actifs, parfois avec des pertes. Ceci
pourrait engendrer des pertes significatives pour la banque en question. En outre, la défaillance
d'une banque pourrait déclencher un sentiment de panique, incitant d'autres déposants à retirer
rapidement tout ou partie de leurs avoirs, par crainte d'une menace similaire. Cette chaîne
d'événements peut conduire à une crise généralisée de liquidité, capable d'affecter l'intégralité
du système bancaire.

Risque de solvabilité

Le risque de solvabilité d'une banque se réfère à la probabilité que l'institution financière ne soit
pas en mesure de remplir ses obligations financières à long terme, notamment de rembourser
ses dettes ou de faire face à ses engagements envers les créanciers et les déposants. Ce risque
se matérialise lorsque la valeur des actifs de la banque diminue de manière significative ou
lorsque ses passifs augmentent au point où ses fonds propres ou son capital disponible
deviennent insuffisants pour couvrir les pertes potentielles.

En d'autres termes, la solvabilité d'une banque est compromise lorsque ses actifs perdent de la
valeur ou que ses passifs augmentent de manière disproportionnée par rapport à ses ressources
financières. Une banque insolvable peut être incapable de rembourser ses dettes à l'échéance,
ce qui peut entraîner des conséquences graves pour la stabilité du système financier et pour la
confiance du public dans le secteur bancaire. La gestion et la surveillance du risque de
solvabilité sont donc cruciales pour assurer la solidité financière et la résilience des institutions
bancaires.

1.1.4. Historique des accords de Bâle et adoption de leurs dispositions dans

l’UEMOA

Après la faillite de la Herstatt Bank en Allemagne en 1974, une proposition émanant de Peter
Cooke, gouverneur de la Banque d'Angleterre, a émergé pour convoquer les pays du G10
(Allemagne, Belgique, Canada, États-Unis, France, Italie, Japon, Pays-Bas, Royaume-Uni,
Suisse). Cette initiative a conduit à la tenue de leur première réunion à Bâle, en Suisse, en 1988,

8
connue sous le nom de Bâle I. Cette rencontre reflète la première prise de conscience des risques
systémiques inhérents aux marchés financiers modernes. Les crises récurrentes ont rendu
essentielle une vigilance accrue vis-à-vis du risque de crédit. Les travaux de Bâle I ont
finalement abouti à un accord en 1988 sur le ratio de solvabilité international, désigné sous le
nom de "ratio de Cooke". Ce ratio s'est révélé être un pilier fondamental de la régulation
bancaire : chaque type de risque doit être couvert par une certaine quantité de fonds propres,
garantissant ainsi la stabilité globale du marché et réduisant les risques systémiques en
prévenant « l'effet domino »2.

Toutefois, Bâle I n'a pas pris en compte les activités hors bilan des banques, ni établi de
distinction significative entre les différents niveaux de risque. En raison du scandale de la
banque de Bahreïn en 1995, les limites de cet accord ont été mises en évidence. Le comité s'est
de nouveau réuni en 1998 (Bâle II) pour réviser le ratio de Cooke et inclure une prise en compte
des risques de marché. De plus, il a été permis aux banques d'utiliser des modèles internes pour
calculer le capital réglementaire nécessaire en fonction du risque.

Après la crise financière de 2007/2008, qui a déclenché une crise économique et une crise de la
dette souveraine, l'accord de Bâle III est entré en vigueur pour corriger les lacunes et les défauts
de Bâle II. Dans le contexte de l’UMOA, la Commission Bancaire( COBA) a puisé des
enseignements des accords de Bâle pour superviser les banques et les établissements financiers
opérant sur les territoires des huit États membres. Les normes de Bâle III ont été mises en
application dans l'union en janvier 2018.

1.1.5. Le défaut de crédit

Le défaut de crédit, également appelé défaillance de crédit, fait référence à la situation où un

emprunteur ou une entité qui a contracté une dette ne parvient pas à respecter ses obligations
de paiement conformément aux termes convenus avec le créancier. En d'autres termes, c'est
lorsque l'emprunteur ne peut pas rembourser le montant emprunté et/ou les intérêts à temps ou
en totalité. Le Comité de Bâle a donné la définition suivante du défaut : Un défaut intervient
pour un certain emprunteur lorsque l’un des deux événements ci-dessous se produit, sinon les
deux :

2
Réaction en chaîne qui peut se produire lorsqu’un changement mineur provoque un changement comparable
à proximité qui provoquera un autre changement similaire, et ainsi de suite : Richard Baldwin (2003)
9
 ✓ La banque estime improbable que le débiteur rembourse en totalité son crédit au groupe
bancaire sans qu’elle ait besoin de prendre des mesures appropriées telles que la
réalisation d’une garantie (si elle existe) ;
✓ Le retard du paiement du débiteur sur un crédit important dû au groupe bancaire dépasse
90 jours. Les découverts sont considérés comme des créances échues dès que le client a
dépassé une limite autorisée ou qu’il a été averti qu’il disposait d’une limite inférieure
à l’encours actuel.

L’agence de notation Moody’s considère que le défaut intervient lorsque l’un des trois
événements suivants se produit :

✓ Défaut ou retard de remboursement des intérêts et/ou du montant principal ;

✓ Le débiteur fait faillite ;
✓ Modification du contrat initial dans le but d’aider l’emprunteur à éviter le défaut de
remboursement.

Dans le cadre de notre étude et conformément aux pratiques au sein de la BBGCI la notion de
défaillance retenue est : Trois (03) impayés mensuels consécutifs. Ce choix est soutenu par le
fait qu’à partir de deux (02) impayés le compte est transféré à la Division Juridique (DJ) ; à
trois (03) impayés c’est la Division Recouvrement (DR) qui s’en occupe et à ce niveau on parle
de contentieux.

1.2. REVUE DE LITTERATURE

Le risque de crédit constitue le risque le plus important parmi les différents types de risques
auxquels font face les institutions financières. Cela dit, son évaluation et sa gestion ont fait
l’objet de plusieurs analyses desquelles sont nés différents modèles.

Dans cette section nous parcourons les principales méthodes de mesure du risque de crédit, du
moins d’un point de vue théorique et empirique.

1.2.1. Revue théorique

On distingue les méthodes basées sur les méthodes statistiques et celles basées sur l’intelligence
artificielle. Les méthodes statistiques, quant à elles, se décomposent en méthodes basées sur les
données comptables et en méthodes dites modernes. Chacun de ces modèles présente aussi bien
certains avantages théoriques et empiriques que certaines limites.
10
 • LES METHODES STATISTIQUES
Il existe deux (02) écoles de pensées dans l’utilisation des données statistiques pour prédire le
défaut. Une d’entre elle soutient que le défaut peut être modélisé en utilisant des données
comptables et l’autre recommande l’emploi des données du marché.

➢ Les méthodes statistiques basées sur les données comptables

Parmi les premières tentatives de distinction entre les entreprises basées sur les données
comptables, on peut mentionner celle réalisée par Fitzpatrick (1932). Dans son analyse, il
cherche à vérifier la pertinence et l'utilité des ratios financiers pour différencier les entreprises
industrielles en bonne santé de celles en situation de faillite.

Une autre méthode statistique est l'analyse discriminante univariée. Sa première application
dans la littérature financière remonte à l'étude menée par Beaver (1967). Cette méthode cherche
d'abord à évaluer la capacité d'un unique ratio financier à classifier les entreprises d'un premier
échantillon, puis à prédire la faillite d'une entreprise au sein d'un deuxième échantillon désigné
comme échantillon témoin. Cette étude se compose de deux volets principaux. Initialement,
elle compare les moyennes des groupes en fonction d'un ratio spécifique. Ensuite, elle établit le
seuil critique pour ce ratio. Ce seuil permet de classer les entreprises dans l'un des deux groupes.
Les entreprises dont le ratio dépasse le seuil critique sont rangées dans le groupe des entreprises
saines, tandis que celles dont le ratio est inférieur sont regroupées parmi les entreprises
potentiellement en faillite. L'efficacité de cette méthode prédictive est évaluée en fonction de
sa capacité à classifier avec précision un échantillon témoin qui n'a pas été utilisé pour calibrer
le modèle.

Toutefois, la critique de cette méthode d’analyse discriminante univariée est donné par Zavgren
(1983) qui observe dans son étude, qu’étant donné que l’on doit comparer les résultats de
plusieurs ratios étudiés séparément, ces résultats individuels peuvent être contradictoires dans
certains cas, pour une même entreprise.

Ainsi, dans l’optique d'approfondir l'analyse discriminante, des chercheurs ont développé la
méthode d'analyse discriminante multivariée. Cette méthode vise à combiner les ratios en
prenant en compte leurs pondérations respectives, permettant ainsi de classer les entreprises
d'un échantillon à l'aide d'un score Z. Les poids de chaque variable sont attribués de manière à
minimiser la variance au sein des groupes tout en maximisant la variance entre les groupes.
Pour la classification, un score Z critique est établi, au-delà duquel une entreprise est considérée
11
comme étant en bonne santé, tandis qu'en deçà de ce seuil, elle est potentiellement en situation
de défaut.

Cette méthode dont la première application fut l’étude d’Altman (1968), répond à la principale
critique de la méthode univariée. Altman élabore un modèle discriminant à partir d’un
échantillon de soixante-six entreprises. Cet échantillon est composé de deux groupes égaux de
trente-trois entreprises, l’un étant formé de compagnies en faillite, l’autre de firmes saines. De
plus, le modèle du Zeta score présenté dans le texte d’Altman et al. (1977) est une version
améliorée du modèle d’analyse discriminante multivariée d’Altman (1968). Ce modèle
combine des données financières disponibles dans les états financiers de la firme et des valeurs
au marché.

L'analyse discriminante était la méthode statistique prédominante pour la prédiction des défauts
jusqu'aux années 1980. Cependant, cette méthode présente des problèmes évidents, dont
certains sont : l'hypothèse de normalité, l'égalité des matrices de variance-covariance, ainsi que
l'absence d'ajustement pour la multi-colinéarité. Par conséquent, cette approche est de plus en
plus remplacée par l'analyse probabiliste, qui constitue jusqu'à présent l'outil le plus
couramment utilisé pour la prédiction des défauts.

➢ Les méthodes modernes de mesure du risque de crédit

La littérature montre trois grandes familles modernes de modèles du risque de crédit à savoir
les modèles structurels, les modèles à forme réduite et les modèles scoring. Ces écoles
proposent des méthodologies différentes pour l’estimation des probabilités de défaut.
L'approche structurelle modélise le processus économique du défaut, tandis que les modèles
économétriques permettent d'estimer la probabilité de défaut. Nous mentionnons aussi les
modèles hybrides dont le but est de permettre une combinaison des approches structurelles et
économétriques (Dionne et al. 2010).

✓ Les modèles structurels : valeur de la firme »

L'approche structurelle a été initiée par Merton (1974) et repose sur la modélisation de
l'évolution du bilan de l'entreprise. Ces modèles sont désignés sous le nom de « modèles
structurels » parce qu'ils tentent de prédire la probabilité de défaut en se basant sur la structure
de capital de la firme. Ces modèles s'inscrivent dans la logique de la théorie de l'évaluation des
options développée par Black et Scholes (1973). En effet, selon le modèle de Merton, l'action
et la dette d'une entreprise sont considérées comme des produits dérivés de la valeur marchande
12
de l'entreprise. Par conséquent, elles peuvent être évaluées dans le cadre de la théorie des
options. Le prix d'exercice correspond au niveau de la dette, et l'échéance correspond à la
maturité de la dette. Ainsi, si à l'échéance la valeur des actifs de l'entreprise dépasse celle de sa
dette, les actionnaires de l'entreprise vont exercer l'option en rachetant les actifs et en
remboursant la dette. En revanche, si la valeur des actifs est inférieure à celle de la dette, l'option
ne sera pas exercée et l'entreprise fera défaut. Jusqu'à l'échéance, la probabilité de défaut
équivaut à la probabilité que l'option ne soit pas exercée.

De plus, les modèles structurels envisagent le risque de crédit comme la probabilité d'une
situation d'insolvabilité, c'est-à-dire le risque que la valeur des actifs d'un emprunteur ne soit
plus suffisante pour couvrir le montant de ses dettes. Cela conduit, d'un point de vue théorique,
à l'évaluation de la dette à risque ainsi que des produits dérivés de crédit qui sont liés à la valeur
des actifs de l'entreprise.

Cette méthode, qui trouve son application dans les modèles de portefeuille de crédit utilisés par
les banques, présente l'avantage de créer un lien entre le risque de crédit et la performance de
l'entreprise. Cela facilite une évaluation cohérente de divers instruments émis par l'entreprise,
qu'il s'agisse d'actions, d'obligations convertibles ou même de dettes à risque. Ainsi, les modèles
structurels se révèlent être une approche méthodique. Malgré ses atouts théoriques, cette
méthode a une limitation importante, à savoir que le défaut n'est anticipé qu'à l'échéance de la
dette. Cette lacune a été adressée par des auteurs tels que Black et Cox (1976), Longstaff et
Schwartz (1995), ainsi que Briys et Varenne (1997). Ces chercheurs proposent notamment une
méthode faisant appel à l'option barrière, qui offre une plus grande flexibilité quant à la date du
défaut.

Le modèle de la firme a connu certaines extensions. Parmi celles-ci, on trouve le modèle

CreditMonitor développé par Moody's KMV. L'idée fondamentale de ce modèle repose sur le
constat que le risque de défaut d'une entreprise augmente à mesure que la valeur de ses
engagements se rapproche de sa valeur de marché, une idée similaire à celle du modèle de
Merton. Les éléments qui sont utilisés pour calculer la probabilité de défaut de l'entreprise
incluent ses états financiers, le prix du marché de sa dette et une évaluation subjective de ses
revenus. Toutes ces informations sont combinées pour créer une seule mesure de risque de
défaut, connue sous le nom de "distance au défaut".

13
 ✓ Les modèles à forme réduite

Ces modèles, quant à eux, considèrent le défaut comme un événement imprévisible qui survient
selon un processus stochastique appelé intensité d'arrivée ou taux de hasard. Contrairement aux
modèles structurels, les modèles de forme réduite ne modélisent pas le processus économique
conduisant au défaut. Le défaut ne se produit qu'après que la valeur des actifs ait diminué
jusqu'au seuil de défaut (correspondant au niveau de dette). Cette approche implique que la
probabilité de défaut tend constamment vers zéro à mesure que la maturité diminue. Cette
méthode d'évaluation de la dette à risque trouve ses origines dans l'étude de Pye (1974) et a été
popularisée par de nombreux travaux, notamment l'article de Jarrow et Turnbull (1995). Ces
deux derniers chercheurs supposent que le taux de recouvrement représente une fraction connue
de la valeur nominale des obligations à la date d'échéance. Duffie et Singleton (1999)
argumentent, quant à eux, que le taux de recouvrement est une fraction connue de la valeur
nominale des obligations juste avant la date d'échéance.

✓ L’approche par le scoring

Sur le plan historique, l’origine du crédit scoring remonte au début du XXe siècle, avec la
création de grilles de notation des trade bonds (obligations commerciales) par John MOODY.

Dans la gestion du risque de crédit, le crédit scoring est définie par Anderson (2007) comme «
le recours aux modèles statistiques en vue de transformer des données (qualitatives,
quantitatives) en indicateurs numériques mesurables à des fins d'aide à la décision d'octroi ou
de rejet de crédit »3.

L'objectif du crédit scoring est de créer une distinction entre les clients au sein d'un même
portefeuille, afin de déterminer les probabilités de défaut qui leur sont associées en fonction de
divers facteurs. On observe généralement une catégorisation binaire, séparant d'un côté les «
clients solvables » et de l'autre les « clients à risque ». Tufféry (2005) considère cette
catégorisation comme « le score de risque, ou la probabilité pour un client (nouveau ou ancien)
de rencontrer un incident de paiement ou de remboursement »4. Les systèmes de crédit scoring
sont appliqués à diverses formes d'analyses de crédit, couvrant aussi bien le crédit à la
consommation que les prêts commerciaux (Saunders et Allen, 2002). L'idée fondamentale

3
Anderson, R. (2007). Boîte à outils d'évaluation du crédit : théorie et pratique de la gestion du risque de crédit
de détail et de l'automatisation des décisions. p. 65. Oxford University Press.
4
Tufféry, S. (2005). Data mining et statistique décisionnelle : l'intelligence dans les bases de données. Editions
Technip
14
reste constante, car elle vise à premièrement identifier les facteurs qui influencent la probabilité
de défaut, et ensuite à attribuer à chacun de ces facteurs des poids pour créer un score quantitatif.
Ces systèmes sont généralement développés en utilisant trois approches principales de
modélisation multivariée : le scoring basé sur le modèle linéaire, le scoring basé sur le modèle
logit ou probit, ainsi que le scoring basé sur l'analyse discriminante.

Par ailleurs, l'un des fondements de cette approche est que l'avenir peut être anticipé à partir des
données passées. Cependant, les tendances peuvent parfois évoluer et l'environnement en
constante évolution peut ne plus se conformer aux mêmes schémas. De plus, toutes les
caractéristiques liées à la demande de prêt et au risque associé ne sont pas toujours mesurables,
ce qui représente une autre restriction.

• LES METHODES D’INTELLIGENCE ARTIFICIELLE

La méthode basée sur l'intelligence artificielle la plus répandue est celle des réseaux neurones.
Cette technique permet de modéliser des phénomènes à la fois linéaires et non linéaires en
utilisant des ensembles de données et des variables explicatives. L'évolution des outils
mathématiques et informatiques a contribué à accroître la popularité et l'intérêt envers ces
méthodes. L'application de ces techniques à la prédiction des défauts a été principalement
entreprise par Coats et Fant (1993) aux États-Unis, ainsi que par Altman, Marco et Varetto
(1994) en Italie. Un avantage majeur de cette approche est la réduction du temps nécessaire à
l'analyste de crédit. De plus, elle permet l'incorporation de nouvelles règles et procédures.
Cependant, cette technique est critiquée pour son incapacité à expliquer ses résultats, car elle
fonctionne comme une boîte noire avec des règles internes inconnues. Sa mise en œuvre
nécessite également des compétences en programmation et en Data science. Un autre
inconvénient de cette méthode est qu'elle ne prend pas en compte les éléments qualitatifs et les
spécificités propres aux clients analysés. Les règles intégrées dans le système résultent des
expériences individuelles des spécialistes, et donc sont sujettes à des considérations subjectives.
Par conséquent, il est difficile d'atteindre un consensus sur ces règles.

15
 1.2.2. Revue empirique

En ce qui concerne la modélisation de la probabilité de défaut spécifique aux PME, de

nombreux articles ont réalisé des progrès significatifs au cours des dernières années, contribuant
ainsi au domaine de recherche sur le même sujet. La première étude empirique portant sur la
prédiction du défaut des PME a été menée par Edminster (1972). Dans cette étude, il a appliqué
le score Z d'Altman à 43 entreprises pour déterminer les ratios financiers ayant la meilleure
capacité prédictive. Selon l'auteur, les deux principales catégories de ratios significatifs sont
liées à la liquidité et à l'endettement.

Plusieurs auteurs ont ultérieurement adopté une approche similaire à celle d'Edminster, mais
cette fois en y incorporant des données qualitatives, généralement désignées sous le terme de
"soft info". Par exemple, Lehman (2003) a démontré que le modèle prédictif englobant ces
informations qualitatives s'avérait plus précis que celui qui les excluait. D'autre part, Behr et al.
(2004) ont élaboré un modèle logit binaire qui combinait à la fois des ratios financiers et des
informations qualitatives, basé sur les données provenant de 485 entreprises allemandes. Pour
être plus précis, Lopez (2006) a examiné la performance des prêts accordés à Porto Rico entre
2004 et 2005 et a déterminé que seules les caractéristiques relatives au propriétaire de
l'entreprise (expérience, niveau d'éducation, etc.) étaient pertinentes pour différencier les
entreprises solides des entreprises en difficulté.

Pour les PME canadiennes, une étude menée par Beaulieu (2003) a examiné les défauts en
utilisant une base de données comprenant 3332 entreprises opérant dans le secteur commercial
entre 1997 et 2001. L'étude a exclu les entreprises publiques ainsi que les grandes et petites
entreprises, de même que celles en phase de démarrage et celles provenant des secteurs
financiers, immobilier et public. L’auteur a ainsi obtenu un modèle contenant sept différents
ratios financiers en y indiquant clairement les signes obtenus : Croissance des ventes (+),
Croissance de l’avoir net (+), ROE (-), Couverture des intérêts (-), Comptes recevables en jours
divisés par les ventes nettes (+), Ratio de liquidité immédiate (-), Passifs totaux / actifs totaux
(+).

Dans cette même perspective, Bonfim (2009) a mené une étude portant sur plus de 100 000
observations provenant d'environ 30 000 entreprises portugaises sur la période allant de 1996 à
2002. L'objectif était d'examiner les déterminants du défaut en relation avec le risque de crédit,
qui est lié aux caractéristiques spécifiques de l'entreprise, ainsi qu'avec certains facteurs
macroéconomiques, qui relèvent du risque systématique. Parmi les données macroéconomiques
16
incluses, on compte la croissance du PIB, les taux d'intérêt, la production industrielle et les
écarts de taux obligataires. L'auteur a démontré que pendant les périodes de croissance
économique, il y a une tendance à entreprendre des activités plus risquées, même si cela entraîne
des déséquilibres pendant les ralentissements économiques. Malgré tout, les résultats issus des
régressions probit et logit ont montré que ce sont surtout les ratios propres à chaque entreprise
qui déterminent en grande partie le défaut. Par exemple, lorsqu'on isole la taille de l'entreprise,
seul le ratio d'investissement se révèle significatif et négatif. Ce ratio est défini comme le
nouveau montant net investi, après déduction de la dépréciation, divisé par les ventes totales.
En général, l'auteur a identifié cinq ratios clés pour le modèle de probabilité de défaut : la
croissance des ventes, le ROE, le ratio de solvabilité, le taux d'investissement ainsi que le ratio
de liquidité. Grâce à cette recherche, Bonfim a notamment mis en évidence l'importance de
prendre en considération le type d'entreprise dans l'analyse de crédit.

L'étude de Fidrmuc et Hainz (2010) examine la modélisation du risque de défaut des PME en
utilisant des données sur 700 prêts accordés en Slovaquie entre 2000 et 2005, une période de
crise économique. Malgré le contexte économique fragile, les auteurs ont noté une croissance
modérée de 6 % des prêts. Ils se sont concentrés sur quelques ratios, ce qui reflète également
l'approche de l'étude actuelle. Ils ont introduit des variables de contrôle telles que l'industrie, la
forme légale et une variable temporelle dans leur modèle. Leurs résultats ont montré que les
prêts étaient solides uniquement dans les secteurs de l'agriculture et des services, tandis que la
dette n'était pas significativement liée au défaut dans le secteur de la construction. En d'autres
termes, les effets variaient clairement selon les secteurs, ce qui a conduit Fidrmuc et Hainz à
souligner l'importance de tenir compte de ces variables. En ce qui concerne les différentes
formes légales des entreprises (incorporées, à responsabilité limitée, coopératives, sociétés par
actions et entreprises privées), leurs résultats ont montré que les entreprises privées avaient une
probabilité plus faible de faire défaut en raison des incitations et des engagements personnels
de leurs propriétaires.

Cette revue empirique démontre que la modélisation du risque de crédit se fait à partir de la
modélisation des probabilités de défaut, qui est généralement réalisée à l'aide de modèles probit
ou logit, ou par l'analyse discriminante. Ces probabilités de défaut sont calculées en utilisant
des données financières et non financières, telles que des ratios et des informations diverses.

17
CHAPITRE 2 : CADRE METHODOLOGIQUE

L'objectif de cette section est de présenter la méthodologie utilisée pour modéliser le risque de
crédit, puis de construire un modèle prédictif de la défaillance des PME de la BBG. Ce modèle
vise à expliquer les déterminants du fait qu'une entreprise connaisse un défaut dans le
remboursement de son crédit et à établir un score permettant de classer ces entreprises.

2.1. PRESENTATION DES DONNEES

Cette étude porte sur les PME de la BBG, qualifiées en tant qu'entreprises ayant un chiffre
d'affaires compris entre 2 milliards et 7 milliards de FCFA. Nous nous concentrons, pour notre
analyse, sur deux catégories d'entreprises : celles qui ont été l'objet de contentieux sur la période
2017-2022 et celles dont les échéances se sont bien déroulées au cours de cette période.

Pour construire notre base de données, nous avons utilisé les états financiers des entreprises.
Ces états financiers nous fournissent des informations sur la situation financière des entreprises
et nous donnent accès à 13 ratios financiers, qui sont des variables quantitatives. Ces ratios
seront utilisés dans notre analyse pour prédire le défaut.

2.2. CHOIX ET JUSTIFICATION DES VARIABLES D’ETUDE

Les ratios sont des outils extrêmement importants dans l'analyse financière, qui aident les
analystes à mettre en œuvre des méthodes visant à améliorer la rentabilité, la liquidité, la
structure financière, l'endettement et la couverture des intérêts. Bien que la plupart du temps les
ratios reflètent la performance passée, ils peuvent également avoir une valeur prédictive. Ils
fournissent des indications sur les domaines potentiellement problématiques. Une analyse
minutieuse des ratios financiers est une manière d'évaluer la santé financière des entreprises et
de déterminer comment l'améliorer. En ce qui concerne le risque de crédit, les ratios financiers
sont liés aux défauts des entreprises d'une manière similaire à la relation entre la vitesse d'une
voiture et la probabilité d'accident (Beaulieu, 2003).

18
De nombreuses études depuis les années 19305 ont examiné certains ratios dans le contexte de
la prévision des faillites commerciales. Les ratios financiers utilisés par les modèles destinés à
prédire la défaillance des entreprises peuvent être généralement classés en ratios de rentabilité,
d'endettement (structure financière), de couverture, de croissance, de liquidité (trésorerie) et
d'activité, ainsi qu'en ratios relatif aux accords de classement (ratios BCEAO).

Dans le cadre de notre étude, nous aurions souhaité utiliser l'ensemble de ces ratios. Cependant,
la BBG, dans l’analyse d’un dossier de crédit, accorde une plus grande importance aux ratios
illustrés dans le tableau suivant :

Tableau 1: Ratios financiers utilisés pour le modèle

Ratios financiers Variables Formule de calcul

R1 (CA(n)-CA(n-1) /CA(n-1))*100
R2 (Stocks / CAHT) *360
Ratios d'activité R3 (Créances clients / CAHT) *360
R4 (Dettes fournisseurs / Achats TTC) *360
R5 Résultat net / Fonds propres
R6 Dettes / Capitaux propres
Ratios de structure financière
R7 FR / BFR
R8 EBE / Frais financiers
Ratios de couverture
R9 Free cash-flow / Dettes
R10 Fonds propres / Total bilan
Ratios relatifs aux R11 Dettes financières / CAFG
accords de classement R12 Résultat net / CAHT
R13 (AC+TA) / (PC+TP)
Source : Nos calculs à partir des données de la BBG (2017-2022)

❖ Ratios d’activité : ces ratios indiquent la qualité et la négociabilité des comptes clients
et fournisseurs. Ils donnent également les parts attribuées aux personnels et aux charges
dans les valeurs ajoutées et chiffres d’affaires réalisés par l’entreprise. On a :
- R1 : Ratio qui mesure l’évolution de l’activité de l’entreprise ;
- R2 : Ratio de rotation du stock de marchandise, qui désigne la fréquence à
laquelle les stocks de l’entreprise se renouvellent. Plusieurs rotations sont
généralement signe d’un bon niveau d’activité ;

5
Fitzpatrick (1932) a constaté que la probabilité du défaut a été liée aux différentes caractéristiques des
compagnies.
19
 - R3 : Délai moyen de règlement clients qui s’exprime en jours, un allongement
de ce délai peut traduit une détérioration de la solvabilité des clients de
l’entreprise ou par l’existence de litiges ;
- R4 : Délai moyen de règlement fournisseur en jours ; lorsque ce délai s’allonge
c’est un signe possible de difficulté de trésorerie ;
- R5 : Ratio de rentabilité des capitaux propres mesurant le rapport entre le
résultat net et les capitaux propres investis. Ce ratio traduit la capacité de
l’entreprise à générer des profits à partir de ses seuls capitaux propres.

❖ Ratios de structure financière : Comme son nom l’indique, ce groupe de ratios traduit
la dépendance financière de la compagnie en fournissant entre autres la part de dettes
dans la capacité de financement et dans les fonds propres. On distingue :
- R6 : Taux d'endettement qui met en évidence le poids de l'endettement par
rapport aux capitaux propres. Il indique la proportion selon laquelle une
entreprise se finance à l'aide de sources extérieures (emprunts et dettes) ;
- R7 : Ratio d’équilibre financier, qui permet de voir combien de fois le fonds de
roulement peut couvrir le besoin en fonds de roulement. Un ratio supérieur à 1
indique généralement que l'entreprise dispose d'une marge de sécurité pour faire
face à ses obligations à court terme.

❖ Ratios de couverture : Ces ratios fournissent des informations sur la capacité de

l'entreprise à générer suffisamment de bénéfices ou de flux de trésorerie pour couvrir
ses charges financières et maintenir sa solvabilité. Ils sont essentiels pour les créanciers
et les investisseurs car ils leur permettent d'évaluer le risque associé à l'endettement de
l'entreprise.
- R8 : Ce ratio mesure la capacité d'une entreprise à payer ses intérêts sur sa dette ;
- R9 : Ce ratio prend en compte à la fois les intérêts et le principal de la dette. Il
mesure la capacité de l'entreprise à rembourser sa dette à partir de ses flux de
trésorerie disponibles.

❖ Ratios relatifs aux accords de classement : Ratios financiers que la BCEAO a mis en
œuvre dans la zone UEMOA pour apprécier la santé financière et la capacité des
entreprises à répondre à leurs échéances. Ces ratios sont conçus pour garantir la stabilité
du système financier et la conformité aux normes prudentielles.
20
 - R10 : Ratio de solvabilité qui témoigne de la capacité de l’entreprise à faire face
à ses échéances ;
- R11 : Ratio de capacité de remboursement de la dette, donnant un indicateur sur
la capacité de l’entreprise à rembourser sa dette ;
- R12 : Marge nette, qui mesure la proportion des bénéfices nets d'une entreprise
par rapport à son chiffre d'affaires hors taxes. Cette marge donne une indication
de la rentabilité de l'entreprise en montrant combien de bénéfices sont générés à
partir de chaque unité monétaire de chiffre d'affaires ;
- R13 : Ratio de liquidité générale. Ce ratio mesure la proportion des actifs à court
terme d'une entreprise par rapport à ses passifs à court terme. Un ratio supérieur
à 1 indique que l'entreprise dispose de suffisamment d'actifs liquides pour
rembourser ses obligations à court terme.

2.3. METHODE D’ANALYSE

Afin d’atteindre nos différents objectifs, nous mobilisons trois méthodes d’analyse, que sont :
une analyse descriptive, une régression logistique binaire et la construction d’un score.

2.3.1. Analyse descriptive

L'objectif de l'analyse descriptive est de présenter, tout d'abord, la répartition des entreprises
saines et défaillantes au sein de notre portefeuille d'étude. Ensuite, pour avoir une idée
préliminaire sur le pouvoir de discrimination de chaque ratio, nous utilisons le test de différence
de moyennes de student au seuil de 5% relatives à chaque ratio entre les entreprises défaillantes
et les entreprises saines. De plus, nous identifions les variables qui présentent des corrélations
significatives au moyen d'une matrice de corrélation, ce qui nous permet d'évaluer
l'indépendance entre ces variables.

2.3.2. La régression logistique

a. Justification et choix du modèle.

Notre revue de littérature empirique montre que le risque de défaillance des entreprises (PME)
est généralement modélisé à l'aide d'une régression logistique. Cela conforte notre choix de ce
modèle pour notre étude. La régression binaire offre en plus deux techniques d'estimation : le
modèle logit et le modèle probit. Bien que le choix du modèle soit laissé à l'appréciation du
chercheur en fonction des données et des outils d'interprétation, nous sélectionnerons le modèle
21
adéquat en nous basant sur les indicateurs d'ajustement. Le meilleur modèle est celui qui
minimise les critères de choix (AIC, BIC, SC, HQ) et maximise la log-vraisemblance ainsi que
le pseudo-R2 (Greene, 2011).

b. Spécification et estimation du modèle.

Soit la variable Y modélisant le statut de l’entreprise (défaillante ou saine) et définit comme
suit :

1 𝑠𝑖 𝑙 ′ 𝑒𝑛𝑡𝑟𝑒𝑝𝑟𝑖𝑠𝑒 𝑒𝑠𝑡 𝑑é𝑓𝑎𝑖𝑙𝑙𝑎𝑛𝑡𝑒

Yi = { . Yi suit alors une distribution binomiale. Considérons
0 𝑠𝑖𝑛𝑜𝑛
le modèle suivant Yi = Xi β + εi. Avec : Yi définit précédemment, X la matrice des variables
explicatives, β le vecteurs des coefficients et ε le terme d’erreur. On a :

𝑃(Yi = 𝑧𝑖 ) = 𝐹(𝑞𝑖 Xi β) où F la fonction de répartition de ε, 𝑧𝑖 ϵ {0,1} et 𝑞𝑖 = 2𝑧𝑖 − 1

La technique d’estimation est celle décrite par Greene (2011). Le modèle étant non linéaire, on
l’estime par la technique du maximum de vraisemblance, car les MCO ne se sont pas
applicables. Supposons que ε 𝑖 ∼ iid. La vraisemblance du modèle est donc le produit des
densités individuelles. Elle s’écrit : 𝐿(𝑌, 𝑋, β) = ∏𝑁
𝑖 = 1 𝐹(𝑞𝑖 Xi β).

L’estimateur β̂ de β donc β̂ = 𝐴𝑟𝑔 𝑀𝑎𝑥 β (𝐿(𝑌, 𝑋, β)).

La fonction log étant croissant, l’estimateur β̂ dévient : β̂ = 𝐴𝑟𝑔 𝑀𝑎𝑥 β (log(𝐿(𝑌, 𝑋, β))).

c. Qualité du modèle
La significativité globale du modèle est appréciée au moyen du test du rapport de vraisemblance
définit par dont la statistique est : 𝐿𝑅 = 2(log(𝐿 𝑁𝐶 ) − log(𝐿𝐶 )) ∼ ꭓ2K . Les hypothèses du
modèle sont 𝐻0 : β0 = …= β𝑘 = 0 et 𝐻1 : il existe au moins un β𝑘 ≠ 0. Avec 𝐿 𝑁𝐶 la
vraissemblance du modèle non contraint et 𝐿𝐶 celle du modèle contraint.

La significativité individuelle est appréciée avec le test de Wald dont la statistique est :

̂𝑘
β
𝑧= ∼N(0,1) avec s.e l’erreur type. Les hypothèses du test sont 𝐻0 : β𝑘 = 0 et 𝐻1 :
𝑠.𝑒.(β̂
𝑘)

β𝑘 ≠ 0.

La qualité du modèle est examinée à l’aide des pseudo R2, de la sensibilité et spécificité, du
taux de bonne prédiction et de la courbe de ROC. La sensibilité est la probabilité de prédire
qu’une entreprise est défaillante sachant qu’elle l’est (Yi = 1 sachant que Yi = 1) et la
spécificité est la probabilité de prédire qu’une entreprise n’est pas défaillante sachant qu’elle
22
ne l’est pas (Yi = 0 sachant que Yi = 0). Ils examinent donc la capacité du modèle à reproduire
effectivement les valeurs observées dans notre portefeuille. La courbe de ROC donne le pouvoir
discriminant du modèle, quand le taux de bonne prédiction fournit son pouvoir prédictif. Plus
la valeur de ces indicateurs se rapproche de 1, mieux le modèle est de bonne qualité. En outre,
nous utilisons la matrice de confusion mesurer la qualité de la discrimination entre les
entreprises. En effet, celle-ci donne pour chaque catégorie le taux de bon classement et le taux
de mauvais classement. Les taux sont calculés en rapportant les effectifs prédits par le modèle
et ceux réellement observés.

d. Interprétation des résultats

Les paramètres estimés ne peuvent pas directement interprétés. On utilise alors les effets
marginaux ou les odds ratios pour interpréter nos résultats. Nous choisissons les odds ratios
pour le logit binaire en raison de sa faciliter d’interprétation. Les odds ratios ou rapport de côtes
de probabilité mesurent la propension d’une entreprise ayant 𝑋𝑘 = 1d’être défaillante par
̂𝑘 ),
rapport aux individus ayant 𝑋𝑘 = 0. L’odd ratio d’une variable continue est : 𝑂𝑅𝑋𝑘 = exp (β
𝑃(Yi=1|𝑋𝑘 =1)
1− 𝑃(Yi=1|𝑋𝑘 =1)
celui d’une variable binaire est 𝑂𝑅𝑋𝑘 = 𝑃(Yi=1|𝑋𝑘 =0)
.
1− 𝑃(Yi=1|𝑋𝑘 =0)

2.3.3. Construction d’un score

Le scoring représente une approche d'analyse financière qui vise à condenser plusieurs ratios
en un seul indicateur, permettant ainsi de distinguer les entreprises saines des entreprises
défaillantes.

En prenant en considération un ensemble de "n" entreprises séparées en deux sous-groupes

distincts (entreprises en défaillance et entreprises saines), on évalue "k" ratios (variables
discriminantes) et on calcule une variable Z (Z-score). Il est important que les valeurs de la
variable Z diffèrent au maximum d'un sous-ensemble à l'autre. La formulation du score est la
suivante :

𝒁 = 𝜷𝟏 𝑹𝟏 + 𝜷𝟐 𝑹𝟐 + 𝜷𝟑 𝑹𝟑 + ⋯ + 𝜷𝒏 𝑹𝒏 + 𝒄

Avec : 𝑹𝒊 : les ratios comptables et financiers ; 𝜷𝒊 : les coefficients associés aux ratios ; c : une
constante. Aucune fonction score n’a de pouvoir séparateur absolu ; il existe toujours une zone
de recouvrement entre les deux sous-ensembles qui engendre deux erreurs :

23
 ➢ Erreur de premier type : il s’agit de classer une entreprise défaillante par l’utilisation de
la fonction score parmi les entreprises saines ;
➢ Erreur de second type : il s’agit de classer une entreprise saine comme une entreprise
défaillante par le modèle.

L'élaboration d'une fonction de score repose sur trois étapes clés : la formation de l'échantillon
initial, la sélection des variables discriminantes et l'analyse statistique proprement dite.

• La constitution de l’échantillon initial

Dans la première étape de ce processus, spécifiquement dans le domaine bancaire, il est

impératif de diviser les emprunteurs en deux catégories distinctes. Le premier groupe englobe
les entreprises ayant fait l'objet de défauts de paiement, tandis que le second rassemble les
entreprises qui ont maintenu un historique de paiements réguliers. Cependant, il est essentiel de
noter que le concept de défaut de paiement peut revêtir diverses formes et comporte une part de
subjectivité dans son évaluation. Dans notre cas, nous considérons un défaut lorsque
l'emprunteur accumule trois paiements mensuels consécutifs non honorés pour le prêt qu'il a
souscrit, faisant ainsi objet de contentieux.

Une fois que les critères de défaut sont établis, il est impératif d'avoir accès à des données
historiques sur ces incidents et de former un échantillon incluant un nombre approprié
d'emprunteurs en situation de défaut (défaillants) ainsi que d'autres emprunteurs dont les
paiements sont en règle. Une autre considération importante est la période sur laquelle le
modèle va opérer. Par exemple, cette période pourrait s'étaler sur une année si nous utilisons
les données de l'année précédente (N-1) pour anticiper les défauts survenant au cours de l'année
actuelle (N). Si nous voulons prédire les défauts en utilisant les informations de l'année N-2,
alors la période considérée serait de deux ans.

• Sélection des variables discriminantes

La deuxième étape concerne la sélection des variables à utiliser. Cette étape implique de
déterminer quels ensembles de variables ou de ratios vont être utilisés pour classifier et
différencier les deux groupes. Il est essentiel de noter qu'une des conditions préalables à la
construction d'une fonction de score est que les variables choisies ne présentent pas de
corrélation entre elles. En effet, des variables corrélées fournissent essentiellement la même
information et deviennent redondantes. Pour cette raison, dans notre analyse, nous nous

24
assurerons de gérer les variables corrélées en conservant uniquement l'une d'entre elles si deux
variables sont corrélées.

• L'analyse statistique

La troisième étape est de nature purement statistique. Elle implique, en se basant sur les
échantillons et l'ensemble des variables retenues, la création d'une règle de décision
d'affectation la plus efficace possible. Au sein de cette étape, le choix d'une technique statistique
de discrimination devient primordial. Les méthodes les plus couramment utilisées englobent
l'analyse discriminante et la régression logistique. Pour la construction du score de
discrimination des PME de la BBG, nous opterons pour la méthode de régression logistique.

25
CHAPITRE 3 : RESULTATS ET INTERPRETATIONS
Ce chapitre est consacré à la présentation des résultats de l’étude ainsi que leurs interprétations.
Il s’agira d’identifier, à travers un modèle, les ratios avec le pouvoir discriminant le plus
important, et en utilisant le concept de matrice de bon classement et de l’aire sous la courbe
ROC (Receiver Operating Curve), analyser le pouvoir prédictif du modèle. Pour cela, nous
allons présenter les principales étapes qui ont mené à la construction de notre modèle final et
nous donnerons des interprétations satisfaisantes à ses résultats.

3.1. STATISTIQUE EXPLORATOIRE

Dans cette partie, nous décrivons le statut des entreprises de notre portefeuille à l’aide d’une
statistique exploratoire.

3.1.1. Situation des entreprises

Notre portefeuille est constitué de 76 sociétés. Ces entreprises sont des PME classées en deux
sous-ensembles illustrés par le graphique 1 : 39% des entreprises de notre base de données ont
fait défaut contre 61% qualifiées de saines.

Graphique 1 : répartition du nombre d’entreprise en fonction du statut

39%
Entreprises défaillantes
61%
Entreprises saines

Source : Nos calculs à partir des données de la BBG (2017-2022)

3.1.2. Capacité discriminante des ratios

Le tableau 2 ci-après présente les ratios moyens à la fois dans le groupe des entreprises
défaillantes et des entreprises saines. Il contient aussi la p-value associée au test de comparaison
des moyennes. La comparaison des moyennes est faite avec le test de student.

26
 Les résultats montrent que les moyennes relatives aux différents ratios d’activité, de structure
financière et de couverture sont plus élevées chez les entreprises saines que chez les entreprises
défaillantes. La différence des moyennes est statistiquement significative. Ces ratios sont
discriminants selon le test de student. Cette situation s’applique également pour les ratios
relatifs aux accords de classement à l’exception du ratio de capacité de remboursement (R11)
ou la moyenne est plus élevée chez les entreprises défaillantes que chez les entreprises saines.
Toutefois, la différence n’est pas statistiquement significative.

Tableau 2: Comparaison des moyennes des entreprises saines et défaillantes

Entreprises Entreprises
Ratios financiers P-value
saines défaillantes
R1 9,6 4,4 0,000*
R2 75,3 21,6 0,015**
Ratios d'activité R3 124,9 85,3 0,003*
R4 121,6 60,6 0,024**
R5 36,6 27,7 0,038**
Ratios de structure R6 8,55 2,40 0,017**
financière R7 1,61 1,59 0,013**
R8 6,2 3,8 0,000*
Ratios de couverture
R9 8,97 0,68 0,001*
R10 39,7 19,4 0,000*
Ratios relatifs aux R11 1,54 2,29 0,073
accords de classement R12 0,053 0,022 0,029**
R13 1,16 0,89 0,000*
* significatif au seuil de 1% ** significatif au seuil de 5%

Source : Nos calculs à partir des données de la BBG (2017-2022)

3.1.3. Corrélation entre les ratios et multi-colinéarité

Nous avons procédé à une analyse des coefficients de corrélation entre les variables
explicatives, qui est présentée dans l’annexe 1. La plupart des coefficients de corrélation ont les
signes attendus. L’analyse de la matrice de corrélation montre qu’en général, les corrélations
entre les variables sont faibles. Les exceptions sont la variable R4, qui présente une corrélation
forte et significative avec R13, ainsi que le variable R8, qui est fortement corrélée et
significative avec les variables R9 et R12.

Dans le cas où deux ratios financiers sont fortement corrélés, seulement un de ces ratios est
inclus dans nos régressions pour réduire le problème de multi-colinéarité. Ainsi, les ratios
retirés sont les ratios de couvertures (R8 et R9) et le délai fournisseurs (R4).

27
3.2. LES DETERMINANTS DE LA DEFAILLANCE DES ENTREPRISES

Cette section examine les déterminants de l’état de l’entreprise. Cet examen peut se faire à
l’aide d’un modèle probit ou logit compte tenu de la nature binaire de la variable dépendante
(statut de l’entreprise). Afin de s’assurer de la qualité des résultats, nous avons procédé au choix
du meilleur modèle.

3.2.1. Choix du modèle

Le choix du meilleur modèle se fait par comparaison des valeurs des pseudo R 2, de la log-
vraisemblance et les critères d’information, issues des estimations des modèles probit et logit.

Au regard du tableau 3 ci-dessous nous retenons le logit comme modèle idéal pour les
régressions. En effet, ce modèle maximise à la fois le pseudo R2 et la log-vraisemblance (LL),
et minimise les critères d’information (AIC et BIC).

Tableau 3 : Comparaison des modèles Probit et Logit

Modèle
R2 LL AIC BIC
Logit 0.2057* -945.79* 1913.59* 1979.07*
Probit 0.1946 -958.97 1939.94 2005.43
(*) Critère retenu
Source : Nos calculs à partir des données de la BBG (2017-2022)

3.2.2. Qualité du modèle

La qualité du modèle est appréciée au moyen du test de Wald, de la courbe de ROC et du taux
de bonne prédiction. Les coefficients estimés sont-ils globalement significatifs car on rejette
l’hypothèse nulle du test de significativité globale de Wald avec une pvalue de 0,000 qui est
moins du seuil de 5%. Le graphique de l’annexe 3 révèle que l’aire entre la courbe de ROC est
la première bissectrice est de 0.8353, soit 83,53%. Ainsi, le pouvoir discriminant de notre
modèle est acceptable selon les découpages de Long et Freese (2006).

Par ailleurs, les courbes de sensibilité et de spécificité qui permettent de maximiser le pouvoir
prédictif d’un modèle à partir de leurs intersections, révèle un seuil de bon classement de 0,25,
soit 25%. Ainsi, la lecture de la matrice de confusion présente dans l’annexe 2 montre qu’au
seuil de probabilité de l’ordre de 25%, le taux de bon classement est de 86,60 %. Cela traduit
un pouvoir prédictif relativement élevé de notre modèle.

28
 3.2.3. Interprétation du signes des coefficients et les odds ratios

L’annexe 5 présente les odds ratio du modèle logit ainsi que le signe des coefficients des ratios.

Son analyse permet de révéler que les variables qui expliquent statistiquement le statut
(défaillante ou saine) de l’entreprise au seuil de 5% sont :
➢ Pour les ratios d’activité : L’évolution de l’activité (R1), le ratio de rotation des stocks
(R2), le ratio délai client (R3), le ratio de rentabilité des capitaux propres (R5) ;
➢ Pour les ratios de structure financière : Tous les ratios s’illustrent dans le modèle à
savoir le ratio de taux d'endettement (R6) et le ratio d’équilibre financier (R7) ;
➢ Pour les ratios d’accord de classement : le ratio de solvabilité (R10), le ratio de
capacité de remboursement de la dette (R11), le ratio de liquidité générale (R13).

Ces résultats obtenus correspondent parfaitement à nos intuitions et confirment les recherches
antérieures.

a. Ratios réduisant le risque de défaut

L’évolution de l’activité (R1) : Le coefficient négatif de ce ratio montre qu’une augmentation
d’un point de pourcentage de ce ratio est associée à une réduction de la probabilité de défaut de
60%.

Le ratio de rotation des stocks (R2) : Le coefficient de ce ratio est négatif, ce qui signifie
qu'une augmentation du nombre de rotations de stock au cours de l'année est associée à une
réduction de la probabilité de défaut. En d'autres termes, une entreprise ayant effectué de
nombreuses rotations de stock est plus susceptible de rester de ne pas faire défaut. Cela
s'explique par le fait que des rotations fréquentes reflètent une bonne activité et suggèrent que
l'entreprise parvient à vendre ses produits de manière efficace. Plus précisément,
l’augmentation d'une unité de ce ratio induit une baisse de 2% des chances de faire défaut.

Le ratio de rentabilité des capitaux propres (R5) : Le coefficient de ce ratio est négatif, ce
qui signifie qu'une augmentation de ce ratio diminue la probabilité de défaut. En d'autres termes,
lorsque la part du résultat net dans les fonds propres d'une entreprise augmente, la possibilité
qu'elle fasse défaut diminue. Un ratio de rentabilité des capitaux propres élevé indique souvent
que l'entreprise a une solide base financière, ce qui réduit naturellement le risque de défaut de
l'entreprise. Une augmentation d'un point de pourcentage de ce ratio fait baisser
considérablement (plus de 99%) la probabilité de défaut.

29
Les ratios de structure financière (R6 et R7) : L’augmentations de ces ratios sont liées à une
diminution de la probabilité de défaut. Autrement dit, lorsque le niveau d'endettement (R6)
augmente ou lorsque l'équilibre financier (R7) s'améliore, la probabilité que l'entreprise fasse
défaut diminue. Des taux d'endettement plus bas et une structure financière stable, tels
qu'indiqués par ces ratios, sont généralement associés à un risque de défaut réduit. En ce sens,
Une unité supplémentaire du niveau d’endettement et de l'équilibre financier réduit la
probabilité de défaut de respectivement 21% et 35%.

Le ratio de solvabilité (R10) : Un coefficient négatif associé au ratio de solvabilité suggère

une relation inverse entre la solvabilité et la probabilité de défaut. Cela signifie que lorsque la
solvabilité de l'entreprise augmente, le risque de défaut diminue. Un ratio de solvabilité élevé
indique généralement que l'entreprise a une forte capacité à rembourser sa dette. Par
conséquent, le risque de défaut diminue. Concrètement, l’augmentation d'un point de
pourcentage de ce ratio induit une baisse de la probabilité de défaut de 2%.

Le ratio de liquidité générale (R13) : Ce ratio est associé à un coefficient négatif, ce qui
signifie que l'augmentation de la liquidité générale réduit la probabilité de défaut. Ce résultat
était attendu et s'explique par le fait qu'une liquidité générale élevée témoigne d’une bonne
santé financière de l'entreprise avec une trésorerie solide. Faire augmenter ce ratio d’une unité
revient à faire baisser les chances d'être en défaut de 8%.

b. Ratios accroissant le risque de défaut

Le ratio délai client (R3) : Ce ratio présente un coefficient positif, ce qui signifie qu'un
allongement du délai de paiement client augmente la probabilité de défaut d'une entreprise.
Lorsque le délai client s'allonge, l'entreprise doit attendre plus longtemps pour recevoir les
paiements. Cela peut entraîner des problèmes de trésorerie, car l'entreprise peut avoir du mal à
couvrir ses coûts opérationnels, à rembourser ses dettes ou à investir dans ses activités.
Accroître ce ratio d'une unité équivaut à augmenter la probabilité de défaut de 0,1%.

Le ratio de capacité de remboursement de la dette (R11) : Le coefficient positif de ce ratio

signifie que lorsque la capacité de remboursement de la dette s'améliore, cela peut
paradoxalement accroître le risque de défaut. Si une entreprise a déjà une dette importante, une
augmentation de sa capacité de remboursement peut indiquer qu'elle envisage d'augmenter sa
dette existante ou de lancer de nouveaux projets d'investissement. Dans ce cas, bien que sa
capacité de remboursement augmente, la dette totale de l'entreprise peut également augmenter,

30
ce qui accroît le risque de défaut. Une augmentation d'un point de pourcentage de ce ratio se
traduit par une hausse de la probabilité de défaut de 9% point de pourcentage.

3.3. ELABORATION DU SCORE

3.3.1. Présentation de la fonction score

Le score est généré en utilisant les coefficients significatifs obtenus à partir de notre modèle.
Ces coefficients sont utilisés pour créer un modèle non linéaire qui servira de grille de scoring.

Notre fonction score peut s’écrire ainsi :

𝑒𝑧
S=
1+𝑒 𝑧

Avec

𝒁 = −𝟎, 𝟖𝟗𝟕𝑹𝟏 − 𝟎, 𝟎𝟏𝟔𝑹𝟐 + 𝟎, 𝟎𝟎𝟏𝑹𝟑 − 𝟓, 𝟔𝟕𝟓𝑹𝟓 − 𝟎, 𝟐𝟑𝟏𝑹𝟔 − 𝟎, 𝟒𝟏𝟕𝑹𝟕 −

𝟎, 𝟎𝟏𝟏𝑹𝟏𝟎 + 𝟎, 𝟎𝟗𝟒𝑹𝟏𝟏 − 𝟎, 𝟎𝟕𝟗𝑹𝟏𝟑 + 𝟎, 𝟕𝟗

3.3.2. Affectation suivant le score

Etant donné qu’une fonction de score est un outil de décision, il est important de la construire
avec soins et faciliter son interprétabilité. Nous allons nous baser sur les courbes de sensibilité
et de spécificité pour construire des intervalles précis d’affectation. Cela dit nous observons les
probabilités correspondantes aux points de coupures de ces deux courbes (cutoff).

Tout d'abord, nous établissons un niveau de sensibilité de 95%, ce qui équivaut à un risque de
première espèce de 5%. Le point de seuil correspondant nous fournit une probabilité de 0,75
(comme illustré dans la Figure 1). Si la probabilité de défaillance d'une entreprise dépasse ce
seuil, alors il est certain qu'elle ne pourra pas rembourser les fonds prêtés par la banque, ce qui
la rendra litigieuse.

Ensuite, nous recodons notre variable "défaillance" en attribuant la valeur 0 lorsqu'une

entreprise fait défaut et 1 dans le cas contraire. Nous appliquons le même principe en fixant un
seuil de sensibilité de 95%, entraînant un risque de première espèce de 5%. Nous obtenons un
31
seuil de coupure associé à une probabilité de 0,25 (comme indiqué dans la Figure 2). À partir
de cette probabilité, nous pouvons conclure qu'une entreprise est probablement en bonne santé
si elle se situe en dessous de ce seuil.

Ainsi, la décision pour une entreprise dans une zone de probabilité de défaut comprise entre
0,25 et 0,75 nécessite d’autres observations supplémentaires pour juger si l’entreprise sera
litigieuse ou telles que l’ancienneté de l’entreprise dans le portefeuille de la banque, les
caractéristiques socio-démographiques du dirigeant de l’entreprise.

Figure 1: Courbe Sensibilité – Spécificité (1)

Figure 2 : Courbe Sensibilité – Spécificité (2)

32
LIMITES DE L’ETUDE

Ce travail de recherche nous a permis de développer de manière pratique une fonction de score.
Cependant, son utilisation nécessite une grande prudence pour plusieurs raisons.

Tout d'abord, l'efficacité de cette fonction n'a été mesurée que sur l'échantillon initial, c'est-à-
dire celui que nous avons utilisé pour estimer les coefficients de cette fonction discriminante.
Ce type de validation conduit souvent à des résultats excessivement positifs quant à la qualité
des résultats obtenus. Ensuite, le fait de ne pas avoir intégré les données qualitatives constitue
un obstacle pour compléter l'analyse financière du risque de crédit par une approche
économique, qui pourrait inclure des variables telles que la position de l'entreprise sur le
marché, la gestion des coûts, ou l'évaluation de la qualité de gestion de l'entreprise, entre autres.
Enfin, la petite taille de l'échantillon sur lequel les analyses ont été menées nous amène à
émettre des réserves quant à la possibilité d'extrapoler les résultats à l'ensemble du portefeuille
professionnel de la banque. Un échantillon beaucoup plus grand aurait produit des résultats
beaucoup plus fiables.

Relativement au portefeuille, soulignons que les règles imposées aux PME en ce qui concerne
la qualité de leurs états financiers sont moins strictes. En conséquence, les états financiers non
audités sont acceptés lors de l'analyse du crédit au sein de la banque, ce qui engendre un manque
de fiabilité des données financières.

CONCLUSION ET RECOMMANDATIONS

Le risque de crédit reste une préoccupation majeure pour les banques et les institutions
financières. C'est pourquoi elles déploient de nombreux efforts pour trouver les méthodes les
plus efficaces de maîtrise et d'atténuation de ce risque. Les accords de Bâle II ont accordé aux
banques la possibilité de développer leurs propres systèmes d'estimation de la probabilité de
défaut de leurs portefeuilles.

Dans ce contexte, l'objectif principal de cette étude était de mettre en place un mécanisme
permettant de prédire la probabilité de défaut des entreprises qui contractent des prêts auprès
de la BBGCI. Après avoir clarifier les concepts liés au risque de crédit et aux activités bancaires,
nous avons entrepris une revue de la littérature sur le risque de crédit dans le but d'acquérir une
33
meilleure compréhension du sujet. Il est apparu que les modèles de risque de crédit reposent
généralement sur l'historique des entreprises, en se basant principalement sur des données
comptables telles que les ratios financiers. De plus, nous avons mené une analyse
économétrique consistant à estimer un modèle de régression logistique afin d’expliquer les
déterminants du fait qu’une entreprise connaisse un défaut dans le remboursement de son crédit
et d’établir un score permettant de classer les entreprises.

Il ressort de cette modélisation économétrique que les ratios qui expliquent statistiquement la
défaillance des entreprises au seuil de 5% sont 6:
➢ Pour les ratios d’activité : L’évolution de l’activité (R1)+, le ratio de rotation des
stocks (R2)+, le ratio délai client (R3)- , le ratio de rentabilité des capitaux propres
(R5)+ ;
➢ Pour les ratios de structure financière : Le ratio de taux d'endettement (R6)+ et le
ratio d’équilibre financier (R7)+;
➢ Pour les ratios d’accord de classement : le ratio de solvabilité (R10)+, le ratio de
capacité de remboursement de la dette (R11)-, le ratio de liquidité générale (R13)+.

Concernant les scores, nous avons établi une grille de scoring qui permet d'évaluer la probabilité
de défaut. Lorsque la probabilité de défaut d'une entreprise se situe entre 0 et 0,25, nous avons
une grande confiance que l'entreprise ne fera pas défaut. En revanche, lorsque cette probabilité
dépasse 0,57, le défaut de l'entreprise semble pratiquement inévitable. Si la probabilité se situe
entre 0,25 et 0,75, nous sommes dans une zone d'incertitude, et la décision finale dépendra de
l'analyse d'autres types de données, notamment qualitatives.

Par ailleurs, cette grille de scoring est un outil pour l'analyse du risque de crédit. Les scores
calculés pour les entreprises pourraient être utilisés comme un moyen d'aider à prendre des
décisions concernant l'octroi ou le refus de crédit. Par conséquent, lors de l'examen des
demandes de crédit, la BBGCI pourrait envisager d'intégrer cet outil :

➢ Si le score d'une entreprise se situe entre 0 et 0,25, alors sa solvabilité est garantie, ce
qui signifie qu'il est possible de lui accorder du crédit en toute confiance.
➢ Lorsque ce score se situe entre 0,25 et 0,75, nous entrons dans une zone d'incertitude.
Cette zone regroupe à la fois des clients solvables et des clients présentant un risque de
défaut. Le décideur commercial doit se baser sur d'autres informations concernant le

6
Les symboles (+) et (-) indiquent les directions dans lesquelles la probabilité de défaut évolue en réponse à une variation
d'un ratio. (-) signifie une diminution et (+) signifie une augmentation.
34
 client, telles que son ancienneté, son management, son positionnement dans son secteur
d’activités etc.
➢ Dans le cas où le score dépasse 0,75, le décideur commercial doit systématiquement
refuser l'octroi du crédit. En effet, il est presque certain que le client connaîtra des
défauts de paiement, autrement dit, il est très probable qu'il soit en situation de litige.
A noter que pour ces clients, le prêt peut éventuellement être accordé, mais cela
nécessiterait des garanties soutenues.

35
BIBLIOGRAPHIE

[1] Altman (1968), Financial ratios discriminant analysis and the prediction of corporate
bankrupcy, Journal of Finance, Sep. 1968, traduction en français par Girault F. & Zisswiller

[2] Altman, E.I., Sabato, G., 2007, « Modelling Credit Risk for SMEs : Evidence from the US
Market », Abacus, Vol. 43, No. 3, p. 332-357.

[3] Anderson, R. (2007). Boîte à outils d'évaluation du crédit : théorie et pratique de la gestion
du risque de crédit de détail et de l'automatisation des décisions. Oxford University Press.

[4] Bardos, M. (2001). Développements récents de la méthode des scores de la Banque de

France, Bulletin de la banque de France, n° 90 (juin 2001), p. 73-92.

[5] Beaulieu Simon (2003). Modèle d'évaluation des probabilités de défaut un an des firmes
privées canadiennes : approche probit non-structurelle. Thèse de doctorat.

[6] Bonfim, D., 2009, « Credit Risk Drivers : Evaluating the Contribution of Firm Level
Information and Macroeconomic Dynamics », Journal of Banking and Finance, Vol. 33, No. 2

[7] Brown, Aaron (2004). The Origins and Evolution of Credit Risk Management, Global
Association of Risk Professionals, issue 20, no 04 (September / October), p. 32.

[8] Comité de Bâle sur le contrôle bancaire (2003). Nouvel accord de Bâle sur les fonds propres,
Banque des règlements internationaux, Bâle.

[9] Darrell Duffie, Kenneth J Singleton. (1999). Modeling term structures of defaultable bonds.
The review of financial studies 12 p.

[10] Dionne, G., Laajimi, S., 2010, « On the Determinants of the Implied Default Barrier »,
Canada Research Chair in Risk Management, HEC Montréal, 49 p.

[11] Edmister, R., 1972, « An Empirical Test of Financial Ratio Analysis for Small Business
Failure Prediction », Journal of Financial and Quantitative Analysis, Vol. 7, No. 2, p. 1477-
1493.

[12] Eric Briys, François De Varenne. (1997). Valuing risky fixed rate debt: an extension.
Journal of Financial and Quantitative Analysis 32 (2)

xii
[13] Fidrmuc, J., Hainz, C., 2010, « Default Rates in the Loan Market for SMEs : Evidence from
Slovakia », Economic Systems, Vol. 24, No. 2

[14] Fischer Black, John C Cox. (1976). Tests de valorization des options d’achat. The Journal
of Finance 31 (2), 351-367.

[15] Fitzpatrick, Paul Joseph. Une comparaison des ratios des entreprises industrielles prospères
avec ceux des entreprises an faillite. Certified Public Accountant p598-605.

[16] Giesecke, K., Longstaff, F., Schaefer, S., Strebulaev, I., 2011, « Corporate Bond Default
Risk : A 150-Year Perspective », Journal of Financial Economics, Vol. 102, No. 2, p. 233-250.

[17] Gordon Pye. (1974). Gauging the default premium. Financial Analysts Journal 30 (1), 49-
52.

[18] Kharoubi, C., & Thomas, P. (2016). Analyse du risque de crédit : banque & marchés. RB
édition.

[19] Lehman, B., 2003, « Is it Worth the While ? The Relevance of Qualitative Information in
Credit Rating », EFMA 2003 Helsinki Meetings, Helsinki, Finlande, p.1-25.

[20] Lopez, A.S., 2006, « Improving Access to Credit of SME’s in Puerto Rico : Exploring
Variables to Forecast Small Business Loan Events », Doctoral Program in Entrepreneurship
and Small Business Management. Autonomous University of Barcelona, Department of
Business Economics.

[21] Merton, RC (1974). On the Pricing of Corporate Debt: the Risk Structure of Interest Rates.
The Journal of Finance, 29 (2), 449-470.

[22] Robert A Jarrow, Stuart M Turnbull. (2000). The intersection of market and credit risk.
Journal of Banking & Finance 24, 271-299.

[22] Tufféry, S. (2005). Data mining et statistique décisionnelle : l'intelligence dans les bases de
données. Editions Technip.

[23] Zavgren, C. V. (1985). Assessing the Vulnerability to Failure of American Industrial Firms:
A Logistic Analysis, Journal of Business Finance and Accounting, no 12, p. 19-45.

xiii
ANNEXES

Annexe 1 : Matrice de corrélations

xii
Annexe 2 : Estimation de la matrice de bon classement

xiii
Annexe 3 : Courbe ROC

Annexe 4 : Courbe de sensibilité – spécificité du modèle

xiv
Annexe 5 : Résultat de la régression logistique

xv
TABLE DES MATIERES

DECHARGE ........................................................................................................................................... i
DEDICACE.............................................................................................................................................ii
EPIGRAPHE .........................................................................................................................................iii
REMERCIEMENTS ............................................................................................................................. iv
SOMMAIRE ...........................................................................................................................................v
AVANT-PROPOS ................................................................................................................................. vi
LISTE DES ABREVIATIONS ET ACRONYMES .......................................................................... vii
LISTE DES ILLUSTRATIONS......................................................................................................... viii
RESUME ................................................................................................................................................ ix
ABSTRACT ............................................................................................................................................x
PRESENTATION DE LA STRUCTURE D’ACCEUIL ............................................................................... xi
INTRODUCTION ................................................................................................................................. 1
Contexte et Justification ................................................................................................................... 1
Problématique.................................................................................................................................... 2
Objectif général de l’étude................................................................................................................ 2
Objectifs spécifiques de l’étude ........................................................................................................ 3
Hypothèses : ............................................................................................... Erreur ! Signet non défini.
Plan de travail .................................................................................................................................... 3
CHAPITRE 1 : CONCEPTUALISATION ET REVUE DE LITTERATURE ............................... 4
1.1. DEFINITION DES CONCEPTS GENERAUX...................................................................... 4
1.1.1. Définition d’une banque ........................................................................................................ 4
1.1.2. Le crédit bancaire ................................................................................................................... 5
1.1.3. Le risque lié à l’activité bancaire ........................................................................................... 6
1.1.4. Historique des accords de Bâle et adoption de leurs dispositions dans l’UEMOA .............. 8
1.1.5. Le défaut de crédit .................................................................................................................. 9
1.2. REVUE DE LITTERATURE ................................................................................................ 10
1.2.1. Revue théorique .................................................................................................................... 10
1.2.2. Revue empirique ................................................................................................................... 16
CHAPITRE 2 : CADRE METHODOLOGIQUE ............................................................................ 18
2.1. PRESENTATION DES DONNEES ........................................................................................... 18
2.2. CHOIX ET JUSTIFICATION DES VARIABLES D’ETUDE ................................................ 18
2.3. METHODE D’ANALYSE ........................................................................................................... 21
2.3.1. Analyse descriptive ............................................................................................................... 21
xvi
2.3.2. La régression logistique ....................................................................................................... 21
2.3.3. Construction d’un score ....................................................................................................... 23
CHAPITRE 3 : RESULTATS ET INTERPRETATIONS .............................................................. 26
3.1. STATISTIQUE EXPLORATOIRE............................................................................................ 26
3.1.1. Situation des entreprises............................................................................................................. 26
3.1.2. Capacité discriminante des ratios .............................................................................................. 26
3.1.3. Corrélation entre les ratios et multi-colinéarité ........................................................................... 27
3.2. LES DETERMINANTS DE LA DEFAILLANCE DES ENTREPRISES .............................. 28
3.2.1. Choix du modèle ................................................................................................................... 28
3.2.2. Qualité du modèle ................................................................................................................. 28
3.2.3. Interprétation du signes des coefficients et les odds ratios ................................................. 29
3.3. ELABORATION DU SCORE................................................................................................ 31
3.3.1. Présentation de la fonction score ......................................................................................... 31
3.3.2. Affectation suivant le score .................................................................................................. 31
LIMITES DE L’ETUDE..................................................................................................................... 33
CONCLUSION ET RECOMMANDATIONS.................................................................................. 33
BIBLIOGRAPHIE ............................................................................................................................... xii
ANNEXES ............................................................................................................................................. xii
Annexe 1 : Matrice de corrélations ........................................................................................................ xii
Annexe 2 : Estimation de la matrice de bon classement ....................................................................... xiii
Annexe 3 : Courbe ROC ........................................................................................................................ xiv
Annexe 4 : Courbe de sensibilité – spécificité du modèle ..................................................................... xiv
Annexe 5 : Résultat de la régression logistique ..................................................................................... xv
TABLE DES MATIERES .................................................................................................................. xvi

xvii
x