La décision de crédit

Procédure et comparaison de la performance de quatre modèles de

prévision d'insolvabilité
Yoser Gadhoum, Jean-Pierre Gueyie, Mohamed Karim Siala
Dans La Revue des Sciences de Gestion 2007/2 (n°224-225) , pages 177 à 183
Éditions Direction et Gestion
ISSN 1160-7742
ISBN 9782916490083
DOI 10.3917/rsg.224.0177
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)

© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)

Article disponible en ligne à l’adresse

https://www.cairn.info/revue-des-sciences-de-gestion-2007-2-page-177.htm

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.

Distribution électronique Cairn.info pour Direction et Gestion.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance 177

La décision de crédit :

Management et finance
Procédure et comparaison de la performance
de quatre modèles de prévision d’insolvabilité
par Yoser Gadhoum, Jean-Pierre Gueyié et Mohamed Karim Siala

Yoser GADHOUM Jean-Pierre GUEYIE

© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)

© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)

École des Sciences de la Gestion École des Sciences de la Gestion
Université du Québec Université du Québec
Montréal (Canada) Montréal (Canada)

P
endant la décennie quatre-vingt-dix, et au cours de la réces-
sion du début des années 2000, les défaillances d’entre-
prises, mesurées par le nombre d’ouvertures de procé-
dures de redressement et de liquidation judiciaire par les
tribunaux de commerce, ont connu une envolée spectaculaire. En
Mohamed Karim SIALA France par exemple, après un pic historique en 1993 où elles ont
École des Sciences de la Gestion atteint 68 000, ces défaillances se sont établies à 61 000 en
Université du Québec 1997, contre 46 500 en 1990. Aux États-Unis, en 2001, 257
Montréal (Canada) entreprises publiques ayant des actifs totalisant 256 milliards de
$ se sont placées sous le chapitre 11 de la loi sur les faillites,
chiffre le plus élevé depuis l’année 1980.1
Une des caractéristiques principales de cette ère est le fait que
les défaillances débouchent de plus en plus sur une liquidation,

1. Bankruptcydata. com (http://www.bankruptcydata.com).

mars-juin 2007
Dossier
 178 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
plutôt que sur un redressement ou une cession de l’entreprise.
De plus, elles touchent autant les grands groupes cotés en
Bourse que les petites et moyennes entreprises.
Pour les établissements financiers, cette évolution s’est traduite
par une augmentation non négligeable du risque de crédit. Quant
Management et finance
aux entreprises industrielles et commerciales, qui sont souvent,
sans en avoir toujours pleinement conscience, le premier
banquier de leurs clients au travers des délais de paiement
qu’elles leur accordent, cet accroissement du nombre des faillites
a pu avoir des conséquences plus dramatiques : le non-paiement
d’une importante facture par un client défaillant est en effet
susceptible de remettre en cause la survie de l’entreprise qui en
est victime. Elle peut même enclencher une véritable réaction en
chaîne. Le risque d’insolvabilité constitue donc pour ces entre-
prises un péril financier majeur, au même titre que le risque de
change pesant sur les entreprises actives à l’exportation.
Se prémunir contre les risques liés à l’insolvabilité des débiteurs
est donc devenu un impératif pour tous les prêteurs, qu’ils soient
établissement financier, entreprise industrielle ou société
commerciale. Cette généralisation des pratiques et du risque de
crédit rend nécessaire une bonne compréhension du processus
de crédit, ainsi qu’une connaissance des modèles d’évaluation du
risque de crédit. C’est à cette tâche de vulgarisation que s’attelle
cet article qui par ailleurs analyse la performance relative de
quatre modèles de prévision d’insolvabilité.
Le texte continue comme suit : La section 2 traite de la décision
de crédit. Dans un premier temps, nous décrivons les différentes
étapes du processus d’analyse de crédit, en prenant soin de
mettre en évidence les facteurs qui entrent en jeu lors de l’éva-
luation des demandes de crédit présentées par les clients. Dans
un second temps, nous faisons une revue des modèles d’évalua-
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
tion du risque de crédit les plus couramment utilisés au cours des
vingt dernières années. La section 3 présente les données et la
méthodologie servant à tester la performance de quatre modèles
de prévision de l’insolvabilité. Il s’agit de l’analyse discriminante,
du partitionnement récursif, de l’algorithme génétique et des
réseaux de neurones artificiels. La section 4 présente et discute
les résultats desdits tests, et la section 5 sert de conclusion à
l’article.
1. La décision de crédit
1.1. Le processus d’analyse du crédit
Le processus d’analyse du crédit comprend plusieurs phases,
dont la plus importante en terme de quantification du risque du
client est l’analyse de son dossier de crédit.2 De façon générale,
les principales étapes dans la décision de crédit peuvent se
résumer comme suit3 :
– application pour le prêt ;
mars-juin 2007
Dossier
– évaluation du risque de crédit et décision d’accorder ou de
refuser le prêt ;
– structuration du prêt, vérifications, signature du contrat de prêt
et déboursé ;
– suivi de la performance des paiements.
Dans la phase d’application pour le prêt, le client présente au
prêteur une demande de prêt conforme aux spécifications de ce
dernier. Cette demande contient généralement tous les rensei-
gnements pertinents à l’analyse du dossier et à la prise de
décision.4 Dans le cas contraire, ils devront être fournis.
L’évaluation du risque de crédit (ou risque de défaut de paiement)
représente l’étape cruciale de la gestion du crédit. D’elle dépend
en grande partie la performance du prêt consenti au client. Il
s’agit pour le prêteur de déterminer le plus adéquatement
possible le risque réel de l’emprunteur afin de prendre la décision
appropriée d’acceptation ou de refus du prêt, et, en cas d’accep-
tation, de proposer au client une juste tarification des services
offerts. À ce stade, l’accent est généralement mis sur les cinq
« C » de l’analyse du crédit que sont : la Capacité (financière) de
remboursement de l’emprunteur ; le Caractère, qui a trait à sa
valeur morale et à son intention de rembourser ; le Capital, qui
reflète sa solidité financière ; le Collatéral, qui fait référence aux
garanties que ce dernier peut offrir et les Conditions du marché,
représentées par la conjoncture économique générale et secto-
rielle, et en particulier par le niveau des taux d’intérêt. C’est donc
dire que se limiter à l’analyse des états financiers de l’emprun-
teur c’est ne faire qu’une partie de l’analyse de la demande de
crédit.
Les données nécessaires à l’analyse de la situation financière du
client proviendront principalement des états financiers, des
agences de notation du crédit et de différentes sources externes.
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
Les questionnaires de cueillette d’informations seront un outil
privilégié pour les prêts aux particuliers. On y recueille des infor-
mations telles que le nombre d’années passées à l’adresse
actuelle, le nombre d’années d’occupation du présent emploi, le
nombre de personnes à charge, la rémunération actuelle, les
charges et autres engagements financiers, etc. Des informations
sur le dossier actuel ou passé de crédit du client, telles que les
soldes des comptes et les habitudes de paiement seront utiles.
Tant pour le crédit aux particuliers que pour le crédit corporatif, un
2. La décision de crédit est fondamentale pour toute institution financière. Aussi,
Barrickman (2003) souligne-t-il l’importance et la nécessité pour chaque banque
de bien définir, clarifier et spécifier dans un document écrit tous les règlements
et toutes les politiques internes en matière de crédit. Ces règlements et
politiques constituent un plan stratégique pour le dépar tement de crédit. Il
devrait être élaboré par le Conseil d’administration ou, à défaut, par la haute
direction de la banque, en collaboration avec le département de crédit.
3. Voir Cohen, Gilmoure et Singer (1966), Altman (1980) et Bartlett (2000) pour
d’autres illustrations du processus de crédit).
4. Nous supposons ici que le client va vers le prêteur. Bien que ce soit souvent
le cas, il est à noter que dans un environnement concurrentiel, où plusieurs insti-
tutions se bousculent pour faire des offres au client, cette étape est générale-
ment précédée par une sollicitation de ce dernier. Cette sollicitation peut prendre
plusieurs formes : appels téléphoniques, courriers postaux, courriers électro-
niques, etc. Le but ultime est d’emmener le client à pencher pour les services
offerts par le solliciteur.
 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
plan d’affaires et des états financiers pro-forma fourniront des
renseignements sur les perspectives futures. Toutes ces informa-
tions sont utilisées dans des analyses et/ou modèles de notation
« credit scoring » pour déterminer la qualité de la demande de
crédit considérée.
Le processus d’évaluation d’une demande de crédit corporatif est
plus complexe. Il comprendra de façon générale une analyse de
l’économie afin d’en déceler les tendances des années futures ;
une analyse de l’industrie dans laquelle opère l’entreprise
emprunteuse (cycles dans l’industrie, changement dans la
compétition, innovation technologique…) et de sa position concur-
rentielle dans cette industrie ; une analyse du facteur humain
dans l’entreprise et de la qualité de la gestion ; une analyse de la
situation financière de l’entreprise et, s’il y a lieu, une analyse de
son risque environnemental.
L’évaluation du risque du client (individuel ou corporatif) se
termine par la décision d’accorder ou de refuser le crédit. L’étape
de la structuration du prêt suit, lorsque la décision est favorable.
Les termes du prêt comprennent entre autres les composantes
suivantes : le montant définitif du prêt, l’échéance, le taux
d’intérêt et l’échéancier des remboursements ; les frais de
gestion (si applicables) ; les garanties exigées (si nécessaires) et
les restrictions imposées au client (Catanach, Kemp et Pettit,
2000 ; Morsman, 2002).
Le taux d’intérêt exigé est fixé par le banquier à la lumière de
l’évaluation du risque de crédit de l’entreprise. Plus il est grand,
plus grand devrait être le taux d’intérêt exigé. Toutefois, lors de
cette étape, l’analyste devrait aussi prendre en considération
toutes les caractéristiques spéciales de chaque relation d’affaires
comme l’ancienneté du client, son historique des prêts avec la
banque, l’industrie dans laquelle il évolue, sa taille, etc. Les
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
garanties (exemple : hypothèque d’une résidence ou d’une
immobilisation) sont quant à elles exigées pour les prêts qui
dépassent un certain montant et sont plus présentes pour les
prêts à long terme. En plus d’exiger ces garanties, les banques
pourraient se protéger contre d’éventuelles détresses financières
en imposant à leurs clients des restrictions dans le contrat de
prêt, qui devraient être respectées tout au long de la durée de
celui-ci. Quelques exemples de ces conditions pourraient être : ne
pas contacter de nouvelles dettes à long terme sans l’avis du
prêteur ; ne pas accepter d’éventuelles offres de fusions ou
d’acquisitions ; maintenir un certain niveau de fonds de roule-
ment, ne pas augmenter le niveau du dividende pendant la durée
du prêt, fournir au prêteur des états financiers trimestriels et le
rapport annuel durant toute la durée du prêt ; etc. Une vérification
d’usage permet de confirmer la validité de toute la documenta-
tion versée au dossier et des informations fournies par le client.
Lorsque tout est correct le contrat de prêt est signé, et le montant
définitif du prêt déboursé par la banque.
La dernière étape du processus d’analyse de crédit consiste à
assurer un suivi de la performance du prêt et d’intervenir au
besoin, en cas de dégradation de la qualité de celui-ci.
mars-juin 2007
179
1.2 Les modèles de mesure
du risque de crédit
D’après Altman et Saunders (1998), la mesure du risque de crédit
a énormément évolué au cours des 20 dernières années. Cette
Management et finance
évolution a été influencée par plusieurs facteurs. Parmi ceux-ci,
les plus importants sont : une importante augmentation du
nombre de faillites à travers le monde ; un accroissement de la
désintermédiation financière chez les grandes entreprises (i.e.,
un accès direct de celles-ci aux marchés des capitaux), un marché
du crédit plus compétitif ; le déclin de la valeur des biens mis en
garantie, une forte croissance des instruments financiers hors
bilan (qui ont très souvent leur propre risque endogène de défaut
de la contrepartie). Face au changement du contexte économique
induit par cette évolution, les académiciens et praticiens ont
réagi : en développant des modèles de notation de crédit plus
sophistiqués et des modèles de mesure du risque de crédit des
instruments financiers hors bilan ; en ne s’intéressant plus
uniquement au risque de crédit des prêts individuels, mais en
adoptant une approche portefeuille des modèles de mesure du
risque des prêts.
L’approche portefeuille de la modélisation du risque de crédit
prend de plus en plus d’essor, et est aujourd’hui au centre de la
majorité des modèles de mesure du risque de crédit. Cette
tendance ne semble toutefois pas reléguer aux oubliettes les
modèles d’estimation du risque, basés sur un score « credit
scoring ». Ceux-ci semblent encore avoir de beaux jours devant
eux car plusieurs modèles récents sont basés sur les informa-
tions de marché dont ne disposent pas toujours les emprunteurs
individuels et les petites et moyennes entreprises.
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
1.2.1. Les modèles statistiques
de notation de crédit
Les modèles de notation de crédit se basent généralement sur
des techniques statistiques pour établir un score associé à
l’entité évaluée. Des variables financières (essentiellement des
ratios financiers) et non financières sont combinées pour générer
un score ou une mesure de la probabilité de défaut de l’emprun-
teur. Ce score est alors comparé à un score critique. S’il lui est
supérieur, le risque de l’entité évalué est jugé acceptable. Sinon
le client est soumis à des analyses plus approfondies, ou la
demande de prêt est tout simplement rejetée. Il existe au moins
quatre systèmes multivariés de notation de crédit : 1. le modèle
de régression ; le modèle « logit » qui utilise la probabilité logis-
tique ; 3. le modèle « probit » et l’analyse discriminante.
L’analyse discriminante a été la méthodologie dominante (voir
Altman, 1968 ; Altman, Haldeman et Narayanan, 1977 ; Altman,
Avery, Eisenbeis et Sinkey, 1981 entre autres). Dans sa forme la
plus simpliste, elle tente essentiellement de trouver une fonction
linéaire pour les variables comptables et non comptables qui
distinguent le mieux entre deux groupes d’emprunteurs, c’est-à-
Dossier
 180 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
dire ceux qui vont honorer leurs créances et ceux qui ne vont pas
rembourser leur emprunt. Elle se base sur le principe de la
maximisation de la variance entre les deux groupes tout en
minimisant la variance au sein d’un même groupe. Le modèle
d’analyse discriminante le plus connu est sans doute celui
Management et finance
élaboré par Altman, Haldeman et Narayanan en 1977 intitulé le
« Zeta analysis ». Le modèle logit talonne l’analyse discriminante
en terme de popularité. Il utilise un ensemble de variables
comptables pour prédire la probabilité de défaut future d’un
emprunteur, en supposant que ladite probabilité de défaut est
distribuée logistiquement : la probabilité cumulée de défaut prend
la forme d’une fonction logistique et est, par définition comprise
entre 0 et 1.
1.2.2. Les modèles de notation de crédit
basés sur l’intelligence artificielle
L’intelligence artificielle est souvent mise à contribution pour
discriminer entre les bons et les mauvais dossiers de crédit. Les
modèles courants dans ce chapitre incluent : le partitionnement
récursif ; l’algorithme génétique et les réseaux de neurones.
Le partitionnement récursif est une technique itérative et non
paramétrique. Le modèle prend la forme d’arbre de classification
binaire dont les étapes de construction sont les suivantes :
construction d’un univers de questions binaires ; sélection des
meilleures questions qui optimisent la classification des entre-
prises en minimisant la fonction d’impureté dans les nœuds
terminaux ; affectation des nœuds terminaux aux groupes qui
assurent la minimisation des coûts de mauvaise classification. Le
partitionnement récursif a été appliqué par plusieurs auteurs à la
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
notation du crédit, et est largement décrit dans ces articles :
Frydman, Altman et Kao (1985), Makowski (1985), Coffman
(1986), Carter et Catlett (1987), Boyle, Crook, Hamilton et
Thomas (1992).
L’algorithme génétique est basé sur le principe fondamental de
l’évolution naturelle de Darwin. Il commence par générer aléatoi-
rement une assez grande population de solutions potentielles au
problème sous étude. Cette population évoluera à travers les
générations, jusqu’à ce que les individus (qui sont ici les solutions
potentielles) convergent vers un niveau jugé optimal. L’évolution
se réalise en sélectionnant les meilleurs individus de chaque
génération. Ces derniers entameront l’étape de la reproduction
en combinant leurs gênes pour obtenir une nouvelle population
d’individus qui évoluera à son tour de la même façon, jusqu’à ce
qu’on aboutisse à une génération jugée optimale. Bien qu’utili-
sant le hasard, les algorithmes génétiques ne sont pas purement
aléatoires. Ils suivent des lois probabilistes. Bauer (1994) fait une
bonne description de la méthode. Varetto (1998) a été l’un des
premiers à les utiliser dans la prévision de la faillite.
Les réseaux de neurones artificiels sont inspirés des systèmes
neurobiologiques. Cette méthode non paramétrique issue du
domaine des sciences cognitives s’inspire du fonctionnement du
mars-juin 2007
Dossier
cerveau humain. Elle reçoit l’information, l’analyse et réagit en
transmettant ou non un signal à un autre neurone. La particula-
rité de la méthode des réseaux de neurones est basée sur le fait
qu’elle explore les corrélations potentielles entre les différentes
variables explicatives. Celles-ci sont alors exploitées comme varia-
bles additionnelles dans la fonction non linéaire de prévision de
la faillite. Parmi les études qui ont incorporé l’analyse par réseaux
de neurones dans un modèle de prévision de la faillite, on note
Coats et Fant (1993), Tam et Kiang (1993), Back, Laitinen et Sere
(1996), Zhang, Hu, Patuwo et Indro (1999).
1.2.3. Les modèles intégrant des variables
de marché et l’approche portefeuille
Cette classe de modèles utilise soit exclusivement des données
de marché ou les combine avec des données comptables. La
forme la plus simple, est basée sur la théorie des options (Black
et Scholes, 1973 ; Merton, 1974). La probabilité pour une firme de
faire faillite dépend alors essentiellement de la valeur de ses
dettes (B), de la valeur marchande de ses actifs (A) et de la volati-
lité de cette valeur marchande (σA). Ces deux derniers paramè-
tres sont non observables et sont estimés simultanément. Le
modèle Credit Monitor de KMV appartient à cette catégorie. Il
utilise les valeurs de B, A et A pour calculer la distance du défaut
(DD), laquelle est ensuite traduite en une fréquence de défaut
anticipée (Expected Defautlt Frequency ou EDF). Cette EDF est
calibrée de façon à équivaloir au pourcentage historique de
défauts empiriquement observé.5
Longtemps négligée, la dimension portefeuille est de plus en plus
présente dans l’estimation du risque de crédit. Les modèles
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
d’estimation du risque de crédit d’un portefeuille de prêts
peuvent être classés en deux catégories : les modèles analy-
tiques, qui se basent sur un ensemble d’hypothèses pour fournir
une solution « exacte » à la distribution des pertes sur actifs et
les modèles basés sur la simulation, pour les cas où une solution
analytique ne peut être trouvée. Parmi les modèles commercia-
lisés on retrouve CreditMetrics de JP Morgan (l’analyse de migra-
tion y joue un rôle central), Portfolio Manager de KMV (qui est très
similaire à CreditMetrics de JP Morgan, à la différence qu’il se
focalise sur le défaut), Portfolio Risk Tracker de Standard & Poor
(qui est une approche dynamique prenant en compte à la fois le
défaut, la transition et les écarts stochastiques de taux d’intérêt),
CreditPortfolioView (qui a la particularité de rendre les matrices
de transition fonction de variables macro-économiques) et
CreditRisk + de Credit Suisse First Boston (qui se base sur une
démarche actuarielle du risque de crédit et capture uniquement
les événements de défaut). Le tableau 1 fait un résumé des
5. Une autre catégorie de modèles utilisant les données de marché recourt aux
écarts de taux d’intérêt entre les obligations corporatives et des obligations
gouvernementales ayant les mêmes caractéristiques pour déduire la probabilité
implicite de défaut d’un émetteur.
 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
principales caractéristiques de ces différents modèles de risque
de crédit du portefeuille.
Tableau 1. Comparaison des modèles d’estimation du risque de crédit d’un
portefeuille.
2. Données et méthodologie
de recherche
Un autre objectif de cette étude est de tester l’efficacité relative
de quatre modèles de prévision de l’insolvabilité. Cependant, ne
disposant pas de données sur les prêts bancaires, nous avons
procédé indirectement, en utilisant un échantillon composé
d’entreprises en faillite et d’entreprises saines. Nous avons alors
fait des prévisions de faillite, selon l’hypothèse qu’une entreprise
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
qui fera faillite sera généralement en défaut sur ses obligations.
La base de données est constituée de 144 entreprises améri-
caines provenant de plusieurs secteurs d’activités. Parmi celles-
ci, 72 entreprises ont fait faillite entre 1980 et 1997. Les
données proviennent de Compustat. Pour chaque entreprise, sept
ratios financiers ont été sélectionnés comme variables explica-
tives. Il s’agit des mêmes ratios que ceux utilisés par Altman et al.
(1977) dans le modèle « Zeta-analysis ».
Ils sont calculés pour les 144 entreprises de notre échantillon et
ce, une année avant la faillite pour les entreprises qui ont fait
faillite. Ces ratios sont les suivants :
X1 = Bénéfice avant intérêts et impôts/Actif total (Mesure de la
profitabilité) ;
X2 = Écart — type de X1 (Mesure de la stabilité des rendements) ;
X3 = Bénéfice avant intérêts et impôts + intérêts/intérêts (Ratio
de couverture des intérêts) ;
X4 = Bénéfices non répartis/Actif total (Mesure de la profitabilité
cumulative de l’entreprise. Il donne une idée sur son âge,
sa rentabilité et sa politique de dividendes) ;
X5 = Actif à court terme/Passif à court terme (Mesure de liqui-
dité) ;
mars-juin 2007
181
X6 = Capitalisation boursière/Capital total (Valeur marchande
avoir des actionnaires) et
X7 = Log [actif total] (Mesure de la taille).
Plusieurs logiciels ont été utilisés dans le processus. Il s’agit de :
Xlstat pour l’analyse discriminante multivariée ; Cart pour le parti-
Management et finance
tionnement récursif ; Evolver pour l’algorithme génétique et
Neuroshell pour les réseaux de neurones.
Pour tester l’efficacité des modèles retenus, nous avons eu
recours à la technique de la validation croisée. Elle consiste, lors
de l’étape d’estimation du modèle (encore appelée période
d’apprentissage), à laisser de côté une partie de l’échantillon de
base qui servira par la suite à tester son pouvoir prédictif.
Nous avons divisé les 144 observations de notre échantillon en
six sous-groupes comprenant chacun 24 entreprises, soit 12
entreprises défaillantes et 12 entreprises saines. Chaque modèle
a été testé six fois. Dans chaque test, les données de cinq sous-
groupes (120 observations) ont été utilisées pour estimer les
paramètres du modèle (phase « Apprentissage »). Celles du
sixième sous-groupe (24 observations) ont servi quant à elles à
tester la validité du modèle. Les taux de bonne classification
figurent dans la partie « Test de validation » du tableau associé
à chaque méthode (voir annexes). Pour chacun d’eux, nous avons
calculé le taux moyen de bonne classification, qui est la moyenne
des six tests de validation croisée. Leur variance a aussi été
calculée. Elle mesure la stabilité des résultats à travers les six
tests de validation. Finalement, nous avons calculé la perfor-
mance ajustée, que nous définissons par le ratio du taux moyen
de bonne classification sur son écart type.
3. Résultats et analyses
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
Le tableau 2 fait une synthèse des taux finaux de bonne classifi-
cation de chacun des quatre modèles testés, de leur variance et
de la performance ajustée.6
Tableau 2. Synthèse des résultats par modèle.
Les résultats montrent que, lorsque la variabilité n’est pas prise
en compte, le modèle qui se démarque en terme de pouvoir de
prévision de la faillite est celui des réseaux de neurones artifi-
6. Pour les détails de ces résultats, voir les tableaux 3 à 6 qui figurent en
annexe.
Dossier
 182
Management et finance
Tableau 3. Taux de bonne classification pour l’analyse discriminante multivariée.
Tableau 5. Taux de bonne classification pour l’algorithme génétique.
ciels, avec un taux moyen de bonne classification (calculé à partir
des tests de validation croisée) de 79,86 %. Le deuxième modèle
le plus performant est l’analyse discriminante multivariée avec un
taux de 71,53 %. Il est suivi de l’algorithme génétique (70,08 %
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
de bonne classification) et du partitionnement récursif (66,52 %
de bonne classification).
Nous remarquons toutefois que les modèles ayant obtenu les
taux moyens de bonne classification les plus faibles présentent
aussi les résultats les plus stables. La variance des résultats des
six tests de validation est de 0,25 % pour le partitionnement
récursif et de 0,95 % pour l’algorithme génétique. Les variances
des résultats des réseaux de neurones (1.21 %) et de l’analyse
discriminante (2.74 %) sont relativement plus élevées.
Un bon modèle de prévision de l’insolvabilité (ou de la faillite)
devrait se caractériser tant par un taux élevé de bonne classifica-
tion que par une variance peu élevée. Pour chacun des 4
modèles, nous avons retenu le coefficient de variation des résul-
tats (taux moyen de bonne classification/écart type des taux de
bonne classification) comme mesure de performance ajustée. Il
ressort de ce critère que le partitionnement récursif obtient le
meilleur score (13,30), suivi des réseaux de neurones artificiels
(7,26), de l’algorithme génétique (7,22) et de l’analyse discrimi-
nante (4,32).
D’après nos résultats, les trois modèles basés sur l’intelligence
artificielle semblent prendre le dessus sur l’analyse discrimi-
nante. Contrairement à l’analyse discriminante, ils présentent
Dossier
La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
Tableau 4. Taux de bonne classification pour le partionnement récursif.
Tableau 6. Taux de bonne classification pour les réseaux de neurones artificiels
l’avantage d’être des modèles non paramétriques, qui ne font
aucune hypothèse quant à la distribution des variables explica-
tives utilisées. L’analyse discriminante est par contre une
méthode statistique paramétrique. Les variables explicatives
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
qu’elle utilise doivent respecter certaines hypothèses de départ,
telle que la normalité. Ces hypothèses ne sont généralement pas
respectées dans la pratique. C’est d’ailleurs la principale critique
qui est faite à cette méthode dans la littérature financière.
Conclusion
Le but de la présente étude était de faire une analyse descriptive
du processus d’analyse du crédit et de comparer la performance
relative de quatre modèles de prévision de l’insolvabilité, à savoir
l’analyse discriminante, le partitionnement récursif, l’algorithme
génétique et les réseaux de neurones artificiels.
Nous avons, à travers le texte, présenté les différentes facettes et
étapes de traitement d’une demande de crédit. Cet exposé est
utile pour le banquier, ou pour tout autre prêteur. Il sert aussi aux
clients en général, et en particulier aux individus ainsi qu’aux
petites et moyennes entreprises, qui ne savent pas toujours
comment s’y prendre avec leur banquier.
La comparaison de la performance des quatre modèles cités ci-
dessus nous indique que, sur la base des données qui ont servi
aux estimations, le partitionnement récursif obtient le meilleur
mars-juin 2007
 La Revue des Sciences de Gestion, Direction et Gestion n° 224-225 — Finance
score (13,30). Il est suivi des réseaux de neurones artificiels
(7,26), de l’algorithme génétique (7,22) et de l’analyse discrimi-
nante (4,32). L’analyse présente toutefois une principale limite.
En effet, plutôt que de tester le pouvoir prédictif des modèles sur
les données d’insolvabilité de clients des banques -dont nous ne
disposions pas- nous avons procédé indirectement, à travers une
prévision de la faillite. Il serait donc intéressant de reprendre cette
étude en utilisant un échantillon constitué essentiellement de
clients (insolvables et solvables) de banques.
Références bibliographiques
Altman, E.I. 1968. « Financial ratios, discriminant analysis and
the prediction of corporate bankruptcy », Journal of Finance 23,
p. 589-609.
Altman, E.I. 1980. « Commercial bank lending : Process, credit
scoring and costs of errors in lending », Journal of Financial and
Quantitative Analysis 15, p. 813-832.
Altman, E.I., et Saunders, A. 1998. “Credit risk measurement :
Developments over the last 20 years », Journal of Banking and
Finance 21, p. 1721-1742.
Altman, E.I., Avery, R.B., Eisenbeis, R.A., et Sinkey, J.-F. 1981.
“Discriminant analysis », Application of classification techniques
in business, banking and finance, JAI Press, 1981, p. 33-57.
Altman, E.I., Haldeman, R.G., et Narayanan, P. 1977. « Zeta
analysis : A new model to identify bankruptcy risk of
corporations », Journal of Banking and Finance 1, p. 29-54.
Black, F., et Scholes, M. 1973. “The pricing of options and corpo-
rate liabilities », Journal of Political Economy 80, p. 637-659.
Back, B., Laitinen, T., et Sere, K. 1996. “Neural networks and
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
genetic algorithms for bankruptcy predictions », Expert Systems
with Applications 11, p. 407-413.
Barrickman, J. 2003. “The loan policy : Strategic plan for the
lending function », The Risk Management Association Journal,
April 2003, p. 88-91.
Bartlett, C.M. 2000. « Credit process basics », Commercial
Lending Review 15, p. 66-69.
Bauer, R.J. Jr. 1994. “Genetic algorithm : Step by step », Genetic
Algorithms and Investment Strategies, 1994, John Wiley & Sons,
chap. 6, p. 55-71.
mars-juin 2007
183
Boyle, M., Crook, J.N., Hamilton, R., et Thomas, L.C. 1992
« Methods for credit scoring applied to slow players ». In Credit
scoring and credit control (eds L.C. Thomas, J.N. Crook et D.B.
Eleman), p. 75-90. Oxford : Clarendon.
Carter, C., et Catlett, J. 1987. “Assessing credit card applications
Management et finance
using machine learning. IEEE Expert. p. 71-79.
Catanach, A.H. Jr., Kemp, R.S., et Pettit L.C. 2000. « Proper Loan
Structure : The Key to Creating Bank Value », Commercial Lending
Review 15, p. 43-47.
Coats, P.K., et Fant, L.F. 1993. « Recognizing Financial Distress
Patterns Using a Neural Network Tool », Financial Management
22, p. 142-155.
Coffman, J.Y. 1986. “The proper role of tree analysis in
forecasting the risk behaviour of borrowers », MDS reports 3,4,7,
and 9. Management Decision Systems, Atlanta.
Cohen, J.K., Gilmoure, T.C., et Singer, F.A. 1966. « Bank proce-
dures for analyzing business loan applications », Analytical
methods in banking, in Cohen and Hammer (Eds.), 1966, p. 218-
251.
De Servigny, A., et Renault, D. 2004. Measuring and Managing
Credit Risk, McGraw Hill, 466 pages.
Frydman, H.E., Altman, E.I. et Kao, D.L. 1985. « Introducing recur-
sive partioning for financial classification : The case of financial
distress », Journal of Finance, p. 269-291.
Makowski, P. 1985. « Credit scoring branches out », Credit World
75, p. 30-37.
Merton, R.C. 1974. « On the pricing of corporate debt : The risk
structure of interest rates », Journal of Finance 29, p. 449-470.
Morsman, E.M. Jr. 2002. “Commercial loan structure », The Risk
Management Association Journal, July-August, p. 27-37.
© Direction et Gestion | Téléchargé le 13/11/2023 sur www.cairn.info (IP: 41.101.196.23)
Tam, K.Y., et Kiang, M.Y. 1993. « Managerial applications of
neural networks : The Case of bank failure predictions », Neural
Networks, Probus, p. 193-228.
Varetto, F. 1998. “Genetic algorithms applications in the analysis
of insolvency risk », Journal of Banking and Finance 22, p. 1421-
1439.
Zhang, G., Hu, M.Y., Patuwo, B E., et Indro, D. C. 1999. « Artificial
neural networks in bankruptcy prediction : General framework
and cross-validation analysis », European Journal of Operational
Research 116, p. 16-32.
Dossier