Académique Documents
Professionnel Documents
Culture Documents
Analyse Des Risques Bancaires en Tunisie: Cas 'Application D'une Banque Offshore
Analyse Des Risques Bancaires en Tunisie: Cas 'Application D'une Banque Offshore
net/publication/322342988
CITATIONS READS
0 7,577
1 author:
SEE PROFILE
All content following this page was uploaded by Anis Ben Ahmed Lachiheb on 09 January 2018.
IV DEFINITION DU SCORING....................................... 11
IV.1 Le Scoring..................................................................................................................................... 11
IV.2 La collecte de l’information .......................................................................................................... 14
IV.3 Les analyses préliminaires ............................................................................................................ 15
IV.4 Modélisation ................................................................................................................................. 16
IV.5 Définition des modèles de score ................................................................................................... 16
IV.6 Avantages des modèles de score .................................................................................................. 17
IV.7 Les limites des modèles de score .................................................................................................. 17
IV.8 Les conditions d’utilisation ........................................................................................................... 19
IV.9 Les étapes de la construction d’un modèle de scoring .................................................................. 19
1
VIII.1.7 Expenses of business ratios/ les ratios de dépenses ............................................................. 33
VIII.1.8 Cash flow Measures/ les ratios de mesure de cash flow ...................................................... 34
VIII.2 Analyse en Composantes Principales ....................................................................................... 34
................................................................................ 61
X.4 Interprétation des ratios ................................................................................................................ 62
X.5 Tables de classification ................................................................................................................. 63
X.5.1 Echantillon d’apprentissage ..................................................................................................... 63
X.5.2 Echantillon test......................................................................................................................... 63
X.6 Conclusion .................................................................................................................................... 65
2
LISTE DES FIGURES
3
LISTE DES TABLEAUX
4
5
I INTRODUCTION GENERALE
7
General Manager
Opérations&Systems
Tarde Finance
Internal Audit
8
III ANALYSE DU RISQUE
III.1 Introduction
La liste des risques pouvant affecter une banque est longue : risque de marché,
d’option, de crédit, de liquidité, de paiement anticipé, de gestion et d’exploitation,
risque sur l’étranger, risque administratif, réglementaire, événementiel, risque
spécifique…
« Le risque de voir son client ne pas respecter son engagement financier, à savoir,
dans la plupart des cas, un remboursement de prêt. »
Dans tous les cas, la défaillance du client implique que le banquier recouvre
difficilement ses ressources voire ne les récupère pas. L’analyse du risque de
défaillance vise donc à déterminer le risque d’occurrence de tels événements : la
décision d’octroyer ou non le crédit sera prise sur la base de cette analyse, au regard
de la politique générale de la banque concernant le risque et aussi des aspects
commerciaux comme la volonté de conserver un bon client ou de s’introduire dans
un secteur particulier.
10
téléphone aux confrères), à des études privées ou publiques, aux informations issues
des greffes des tribunaux de commerce, aux rapports du commissaire aux
comptes… Toute information permettant d’affiner le jugement est bienvenue.
IV DEFINITION DU SCORING
IV.1 Le Scoring
11
Z= 1.2 X 1 + 1.4 X 2 + 3.3 X 3 + 0.6 X 4 +1.0 X 5
Fonds _ de _ roulement
Avec : X 1 =
actif _ total
Re serves
X2=
Actif _ total
Fonds _ propres
X4=
Dettes _ totales
12
dans leur score et WALLIS (2000) définit le credit-scoring comme une méthode
d’estimation de l’intérêt, et non du risque, d’un crédit.
De plus, l’utilisation d’un score général peut s’avérer dangereuse car peu
adaptée à certains secteurs d’activité. Enfin, la création et l’entretien d’un score par
une banque sont coûteux et nécessitent des bases de données de crédits d’une
certaine taille que les petites banques ne peuvent atteindre que difficilement. Tous
ces inconvénients contribuent à expliquer l’usage peu répandu du Scoring dans
l’analyse du crédit aux entreprises.
14
les dossiers dont on connaît l’issue (bons ou mauvais) résultent d’un choix effectué
en général par des analystes de crédit ; tous les dossiers de prêt n’étaient
évidemment pas acceptés et ceux qui l’ont été ne constituent pas un échantillon
représentatif de toutes les demandes. Même si la méthode antérieure de sélection
n’était pas scientifique, il est clair que les dossiers acceptés n’ont pas les mêmes
caractéristiques que les dossiers refusés. Or pour construire une règle de décision
valable pour tous les nouveaux dossiers, il aurait fallu savoir ce que seraient
devenus les dossiers refusés si on les avait acceptés…Il faut alors recourir à
des techniques assez élaborées (estimation en deux phases, modèle Tobit).
Le fichier brut une fois constitué doit d’abord être « nettoyé » pour
éliminer erreurs et incohérences. Il comporte alors en général un trop grand
nombre de variables. Une exploration des liaisons entre chaque variable X et le
critère à prédire Y permet en général d’éliminer les variables non pertinentes. On
utilise alors des outils classiques : test du khi- deux de liaison entre variables
qualitatives, comparaison des % de bons et de mauvais par catégorie de chaque
variable X.
IV.4 Modélisation
p
S = ∑ ai X i
i =1
Les modèles de score sont de plus en plus utilisés dans les institutions
financières et sont des outils de mesure du risque qui utilisent des données
historiques et des techniques statistiques.
16
qui déterminent la probabilité de défaut d’un emprunteur et de mesurer la
contribution relative de chaque facteur au risque de défaut.
17
ils se heurtent à un problème de biais de sélection encore
appelé le problème de réintégration des dossiers refusés. En effet, pour construire
les échantillons servant à l’estimation des scores, les banques ne disposent pas
généralement de la base des clients dont la demande a été refusée. En conséquence,
la population choisie pour bâtir le score comprend des emprunteurs plutôt moins
risqués que la moyenne. Ainsi, le modèle de score sous-estime le risque.
18
IV.8 Les conditions d’utilisation
19
Elle consiste à bien poser le problème à résoudre pour définir l’utilisation future du
score.
20
Il existe plusieurs techniques pour la construction des modèles de
score :
21
V METHODES DE DISCRIMINATION REGRESSION
LOGISTIQUE (LE MODELE LOGIT)
Au lieu d'estimer Yi, l'objectif est d'estimer P (Yi=1). Avec Pi compris ente
0 et 1. Le problème posé est qu'une mesure de probabilité est bornée à droite et à gauche. Il
convient donc de trouver un moyen de supprimer ces bornes.
En divisant p par (1-p), la borne à gauche est annulée car lorsque p tend
vers 1, p/(1-p) tend vers l'infini (+). Si p tend vers 0 alors p/(1-p) tend aussi vers zéro. On
applique alors une seconde transformation, de type logarithmique, de telle manière à ce que
lorsque p tend vers 0, la transformation tend vers moins l'infini. Cette double transformation
est appelée le Logit de p.
p
Logit = Ln ( )
1− p
22
Le modèle que l'on va donc chercher à estimer, prend donc la forme suivante :
p
Ln ( )= bx=Z
1− p
ez
P=
1+ ez
23
V.3 L'estimation des paramètres
Cette méthode peut être raffinée, mais ce n'est pas celle qui est effectivement
employée, même si d'un point de vue pédagogique, elle a un intérêt certain. Plutôt que de
raisonner en deux étapes, on emploie, une technique d'estimation appelée maximum de
vraisemblance.
l = pi i (1 − pi )1− yi
y
n
L = ∑ y i Ln( pi ) + (1 − y i ) Ln(1 − pi )
i =1
VI ANALYSE DISCRIMINANTE
VI.1 Introduction
L'analyse discriminante connue dans la pratique marketing comme une
des techniques de "scoring" essaye de déterminer la contribution des variables qui
expliquent l'appartenance des individus à des groupes. Deux ou plusieurs groupes sont
comparés, sur plusieurs variables pour déterminer s'ils différent et pour comprendre la
nature de ces différences. On peut, en marketing, distinguer différents types d'utilisateurs d'un
produit :
Y = ν 1 X 1 +ν 2 X 2 +ν 3 X 3 +ν 4 X 4 ,
Ceci fait les groupes aussi distincts que possible du point de vue des
nouveaux scores.
26
VII Interprétation de la fonction discriminante
25
coefficients standard.
Une rotation VARIMAX est proposée; on obtient ainsi des coefficients qui
sont le plus possible voisins de 1 pour les uns, et de zéro pour les autres. L'avantage qu'on
en tire est celui d'une facilité plus grande d'interprétation, mais cependant on y perd la
connaissance de l'ordre des fonctions quant à leur pouvoir de discrimination. C'est
pourquoi il est suggéré de n'utiliser qu'avec prudence la rotation des axes des fonctions
discriminantes.
26
- de permettre, grâce à des indications chiffrées, donc immédiatement saisissables,
une analyse systématique de la situation de l'entreprise à un moment donné et
de l'évolution de celle-ci au cours des exercices successifs.
Les possibilités d'évaluation de tels ratios sont infinies ; une fois éliminés, tous les
ratios dont les éléments n'auront aucun lien logique, il reste encore trop de possibilités
pour que l'on puisse les retenir toutes. Il s'agit d'identifier un nombre de ratios suffisamment
élevé pour que ces ratios puissent permettre une compréhension satisfaisante de
l'entreprise, mais pas trop important tout de même pour éviter que la profusion de
renseignements n'amplifie les difficultés rencontrées lors de la synthèse et la prise de
décision. Le nombre de ratios qu’on peut introduire dans une analyse financière peut être
élevé. Pour ne pas alourdir le traitement statistique, nous nous sommes contentés de ratios
calculés à partir de grandeurs relatives au même exercice et concernant les aspects
fondamentaux et classiques de l’analyse financière : rentabilité ;de l’activité , de
liquidité,de solvabilité , d’endettement, de dépenses, de solvabilité , de capitaux, de mesure
de cash flow Pour l’ensemble des entreprises de l’échantillon, nous avons calculé la
totalité de 42 ratios répartis sur les différentes catégories qui seront définis par la suite.
27
Référence : Nom Expression
R2 Cash Flow
1
Net Income = bénéfice brut – impôts
2
Average Total assets : la moyenne du total des actifs=
(Total des actifs au début de l’année + Total des actifs à la fin de l’année) /2
Ces ratios nous donnent une idée sur le volume des ventes ainsi que le
volume de production effectués par l’entreprise, la liste des ratios est donnée par
le tableau suivant :
28
Référence nom Expression
R12 Receivables/sales
Ces ratios donnent une idée sur la liquidité de l’entreprise ; les ratios
permettant de réaliser cette mission sont donnés par le tableau suivant :
29
Référence Nom Expression
1
Quick assets = Current assets- Inventories
2
Net working capital= Current assets- current liabilities
30
Référence Nom Expression
31
Référence Nom Expression
Ces ratios donnés par le tableau suivant décrivent la structure des capitaux
de l’entreprise
32
Référence Nom Expression
33
VIII.1.8 Cash flow Measures/ les ratios de mesure de cash flow
Ces ratios mesurent le cash flow qui est une grandeur très
importante dans l’analyse financière, la liste des ratios est donnée par le tableau
suivant :
R37 EBITDA
R38 FFO
CFO
R39
R40 FCF
35
Tableau 9 : Statistiques usuelles des ratios
36
Tableau 10 : Variance totale expliquée
37
Description des axes factoriels
38
R19 (total debt / Equity) qui est un ratio d’endettement représente
bien la partie négative du deuxième facteur tandis que la partie positive est bien
expliquée par R36 : overhead ratio qui est un ratio de mesure de dépenses
40
On constate que R5 a le plus grand pouvoir discriminant donc on va
le retenir pour l’élaboration du modèle général.
42
On constate d’après le test de normalité de Kolmogorov – Smirnov
que R17 garde un pouvoir discriminant mieux que R16 et par suite on ne
retiendra que R17.
45
Cette matrice de corrélation nous permet de dire que ces deux ratios
de mesure de dépenses sont moyennement corrélés donc on va les retenir pour
l’élaboration du notre modèle de score.
Pour cela on pose la question : quel ratio faut-il retenir parmi les
ratios de cette famille ?
46
Tableau 27 : Test de Kolmogorov-Smirnov pour R37, R38, R39 et
R40.
• Les ratios d’activité : R6, R7, R8, R9, R10, R11, R12, R14 et
R15
47
• Les ratios de mesure de dépenses : R35 et R36
On partira donc d’un modèle contenant tous les ratios retenus dont
ses caractéristiques sont présentées par le tableau ci-dessous :
48
Tableau 28 : Caractéristiques du modèle initial
49
Ainsi nous éliminerons en premier lieu la variable la mois
significative c’est-à-dire celle qui a la plus grande valeur de p-value (dans notre
cas, on élimine R31), puis on va générer le modèle résultant. Nous répéterons cette
procédure jusqu'à obtenir des ratios ayant des p-values inférieures à 0.1.
Nous remarquons que toutes les variables qui restaient ont des p -
values inférieures à 0.1 c’est –à- dire elles sont toutes significatives pour le modèle.
50
IX.2.2 La fonction SCORE
Le modèle final a retenu 8 ratios qui sont : R4, R8, R14, R23, R29, R34, R40 et R41
Avec :
Référence Nom
R4 R.O.E
R8 Receivables turnover
R40 FCF
51
Avec
β1 β2 β3 β4 β5 β6 β7 β8
Etant choisi un seuil de coupure égal à 0.5, chaque individu est classé
sain si F( SCORE) ≥ 0.5 et vulnérable sinon avec F la fonction de répartition de la
fonction logistique qui est égale à
exp( x)
F(x) =
1 + exp( x)
Ainsi :
net _ income
R4 : Return On Equity (R.O.E)= : ce ratio mesure la
shareholder ' s _ equity
proportion du bénéfice net qui vient des investissements des actionnaires.
R14 : Operating cycle : c’est un ratio d’activité qui reflète le cycle des
opérations de l’entreprise.
52
total _ debt
R23 : : Ce ratio d’endettement mesure le volume total des
total _ assets
dettes par rapport au volume total des actifs.
R41 : FFO return : Funds Flow Operation: C’est un ratio de mesure de cash
flow .
53
Bien classées Mal classées ℅ Bien classées
Saines 50 5 90.90
Vulnérables 19 6 76.00
69 11 86.25
total
54
Pour les 80 individus de l’échantillon test, nous appliquons la
fonction SCORE définie préalablement, le tableau suivant illustre la répartition de
bon et de mauvais classement.
Saine 44 6 88
Vulnérable 23 7 76.66
Total 67 13 83.75
55
Courbe 1 : Courbe ROC
56
Conclusion
57
IX.5 Conclusion
58
X ANALYSE DISCRIMINANTE
D 2 = (ν 1 − ν 2 ) T T −1 (ν 1 − ν 2 1 )
W
Λ = T −1W =
T
59
Tableau 34 : la procédure STEPDISC
R1 : Gross Margin
R6 : Sales Turnover
Total − debt
R23 :
Total − assets
R5 : R.O.S
R8 : Receivables Turnover
60
Tableau 35 : fonction linéaire de Fisher
β0 β1 β2 β3 β4 β5 β6 β7 β8
61
X.4 Interprétation des ratios
Net _ Income
• R1 : Gross Margin : C’est un ratio de rentabilité il représente la
Sales
part du profit par rapport au volume total des ventes.
Ventes
• R6 : Sales Turnover : Ce ratio d’actif mesure la part
Moyenne _ des _ actifs
des ventes par rapport à la moyenne des actifs économiques.
• R14 : Operating cycle : il décrit le nombre des jours pour que le cycle des
opérations reprenne de nouveau.
Total − debt
• R23 : Ce ratio d’endettement mesure la part des dettes
Total − assets
62
X.5 Tables de classification
Saines 48 7 87.2
Vulnérables 18 7 72
Total 66 14 82.5
Saine 43 7 86
Vulnérable 25 5 83.33
Total 68 12 85
63
En comparant les résultats dans l’échantillon test avec celui de
l’apprentissage, on constate que le taux le taux de bon classement chez les sains a
diminué pour atteindre 86℅ alors que le taux de bon classement chez les
vulnérables a augmenté pour atteindre finalement 83.33 ℅ .
64
X.6 Conclusion
65
XI CONCLUSION GENERALE
66
Ainsi que la construction d’un score n’ignore pas complètement cet
aspect conjoncturel du risque. La sélection des variables peut chercher à
s’affranchir de la conjoncture et identifiant des caractéristiques intérinséque du
risque. C’est le moment du choix de la meilleure fonction de la validation que cet
objectif peut être atteint : si on dispose de nombreux échantillons tests à des dates
différentes au cours d’une période ou des fluctuations conjoncturelles ont été
nombreuses et de natures variées, la fonction la plus stable dans le table dans le
temps ,à condition que ses taux de bons classements soient satisfaisants sera la
plus intéressante, car il vaut mieux un outil temporel robuste qu’un outil très
performant à une date .En effet, la qualité de discrimination dépend de cette
robustesse .
67