See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/322342988

Analyse des risques bancaires en Tunisie : cas 'application d'une banque

offshore

Technical Report · January 2018

DOI: 10.13140/RG.2.2.30306.02246

CITATIONS READS

0 7,742

1 author:

Anis Ben Ahmed Lachiheb

University of Sousse
48 PUBLICATIONS 17 CITATIONS

SEE PROFILE

All content following this page was uploaded by Anis Ben Ahmed Lachiheb on 09 January 2018.

The user has requested enhancement of the downloaded file.

 LISTE DES FIGURES .......................................... 3
LISTE DES TABLEAUX ......................................................... 4
I INTRODUCTION GENERALE........................................ 6
II PRESENTATION GENERALE DE LA TUNIS
INTERNATIONAL BANK ..................................................... 7
III ANALYSE DU RISQUE ................................................. 9
III.1 Introduction..................................................................................................................................... 9
III.2 Le risque de défaillance .................................................................................................................. 9
III.3 Les informations disponibles ........................................................................................................ 10

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

V METHODES DE DISCRIMINATION REGRESSION

LOGISTIQUE (LE MODELE LOGIT) ................................ 22
V.1 Le problème de la spécification .................................................................................................... 22
V.2 Spécification d'un modèle de probabilité ...................................................................................... 22
V.3 L'estimation des paramètres .......................................................................................................... 24

VI ANALYSE DISCRIMINANTE ..................................... 25

VI.1 Introduction................................................................................................................................... 25
VI.2 Les coefficients de la fonction discriminante ............................................................................... 25

VII Interprétation de la fonction discriminante.......... 25

VII.1.1 Test du modèle .................................................................................................................... 25
VII.1.2 Les coefficients discriminants ............................................................................................. 25
VII.1.3 Rotation des axes des fonctions discriminantes .................................................................. 25

VIII ETUDE EMPIRIQUE ................................................ 26

VIII.1 LES RATIOS ........................................................................................................................... 27
VIII.1.1 Profitability ratios/ Les ratios de rentabilité ........................................................................ 27
VIII.1.2 Sales & Turnover ratios / Les ratios d’activité .................................................................... 28
VIII.1.3 Liquidity ratios / Les ratios de liquidité .............................................................................. 29
VIII.1.4 Indebtness ratios / les ratios d’endettement ......................................................................... 30
VIII.1.5 Solvency ratios /Les ratios de solvabilité ............................................................................ 31
VIII.1.6 Capital & Leverage ratios / Les ratios de capitaux .............................................................. 32

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

IX APPLICATION DE LA REGRESSION LOGISTIQUE39

IX.1 Sélection des variables .................................................................................................................. 39
IX.1.1 Sélection des ratios de rentabilité ........................................................................................ 40
IX.1.2 Sélection des ratios de mesure des actifs ............................................................................. 41
IX.1.3 Sélection des ratios de liquidité ........................................................................................... 42
IX.1.4 Sélection des ratios d’endettement ...................................................................................... 43
IX.1.5 Sélection des ratios de solvabilité........................................................................................ 43
IX.1.6 Sélection des ratios des capitaux ......................................................................................... 44
IX.1.7 Sélection des ratios de mesure des dépenses ....................................................................... 45
IX.1.8 Sélection des ratios de mesure du Cash flow ...................................................................... 46
IX.2 Elaboration du modèle .................................................................................................................. 47
IX.2.1 Les ratios retenus ................................................................................................................. 47
IX.2.2 La fonction SCORE ............................................................................................................ 51
IX.2.3 Interprétation des résultats................................................................................................... 52
IX.3 Table de classification .................................................................................................................. 53
IX.3.1 Echantillon d’apprentissage ................................................................................................ 53
IX.3.2 Echantillon test .................................................................................................................... 54
IX.4 Courbe ROC et Courbe LIFT ....................................................................................................... 55
IX.5 Conclusion .................................................................................................................................... 58

X ANALYSE DISCRIMINANTE ........................................ 59

X.1 Technique d’élaboration du modèle.............................................................................................. 59
X.2 Construction du Modèle................................................................................................................ 59
X.3 La fonction SCORE ...................................................................................................................... 61

................................................................................ 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

XI CONCLUSION GENERALE ....................................... 66

2
LISTE DES FIGURES

3
LISTE DES TABLEAUX

4
5
I INTRODUCTION GENERALE

Depuis l’apparition des crédits au niveau des banques et jusqu'à nos

jours ; le problème de non remboursement représente le risque principal d’une
banque.

Si on prend le cas tunisien, le système bancaire est caractérisé par

l’accumulation d’un important volume d’actifs de qualité douteuse ; ces créances
compromises, sur la base d’une appréciation stricte des actifs représentent le quart
de l’encours global des crédits accordés par les banques commerciales aux
entreprises (selon le rapport de la Banque Centrale de Tunisie Décembre 2005)

En plus, avec la libéralisation de l’économie, la disparition progressive

du monopole a pour effet d’accroître le degré de variabilité des résultats des
entreprises et par suite la probabilité de vulnérabilité et de leur non engagement
envers la banque. Il est donc crucial que les banques disposent d’un indice de
sinistralité qui détecte la vulnérabilité des entreprises pour mieux maîtriser le
risque du crédit.

Pour évaluer ce type de problème et le résoudre ; des méthodes et des

outils de scoring ont vu le jour.

Ainsi le but de notre projet et de trouver et de concevoir un modèle de

credit-scoring qui se base sur des méthodes de prévisions statistiques mesurant le
risque du crédit et a pour objectifs de :

• Apprécier de façon synthétique la situation financière et la

solvabilité d’une entreprise avant de lui octroyer un crédit
• Dégager les comportements types propres à classer une
entreprise dans la classe des entreprises jugées saines ou vulnérables.

Donc notre projet s’intéreese à déterminer un modèle interne de notification des

clients et qui représente la première étape du projet du dispositif d’adéquation des
fonds propres.
6
II PRESENTATION GENERALE DE LA TUNIS INTERNATIONAL
BANK

Tunis International Bank, créee le 6 juin 1982 est la première banque

installée sous le régime applicable aux établissements financiers non-résidents. Une
équipe internationale assure à la clientèle un service personnalisé et d’une haute
qualité professionnelle.

Banque privée, Tunis International Bank a pour actionnaire majoritaire

UNITED GULF BANK, Bahrain, avec une part de 86,56 ℅ et le reste des actions
vient de la participation de quelques banques et institutions financières du moyen
orient.

Tunis International Bank est un membre très important du Kuwait Projects

Company « Holding »- KIPCO- emploie plus que 10000 personnes à travers le
monde , principalement dans le monde arabe . C’est un des premiers groupes
privés du Moyen-Orient et en Afrique du Nord. Son portefeuille de sociétés est très
diversifié avec toutefois une prédilection pour deux secteurs d’activité : le secteur
financier et le secteur Media & télécommunications

Dans le domaine financier, outre des compagnies d’assurances, sociétés de

factoring le groupe possède des intérêts dans les institutions bancaires suivantes :

• UNITED GULF BANK, Bahrain,

• BURGAN BANK, Kuweit,
• JORDAN KUWEIT BANK, Amman,
• Tunis International Bank, Tunis,
• ALGERIA GULF BANK, Alger,

7
 General Manager

Opérations&Systems
Tarde Finance

Internal Audit

Private Banking Corporate Banking Direction Générale

& Investments des Crédits

Figure 1 : Organigramme général de la T .I.B

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…

S’il existe plusieurs types de risques de crédit, celui de non remboursement

(ou de contrepartie) est considéré comme un risque majeur.

HEEM (2000) définit le risque de contrepartie pour le banquier comme :

« Le risque de voir son client ne pas respecter son engagement financier, à savoir,
dans la plupart des cas, un remboursement de prêt. »

Dans un sens plus large, ce risque de contrepartie désigne aussi le risque de

dégradation de la santé financière de l’emprunteur qui réduit les probabilités de
remboursement.

Lors de la demande de crédit, le banquier responsable collecte des informations

auprès du client et d’autres sources externes afin de monter le dossier de crédit et les
complète par des informations internes lorsque le demandeur est déjà client. Ce
dossier va servir de support à l’analyse du risque de crédit qui va conduire le
banquier, généralement assisté par un comité, à décider de l’opportunité d’accorder
ou non le crédit en fonction de la politique de risque et de rentabilité ainsi que de la
volonté stratégique de la banque.

III.2 Le risque de défaillance

Le risque de défaillance du client est essentiellement lié à sa cessation de

paiement et à son insolvabilité. C’est en effet à ces deux types d’événements que LA
BRUSLERIE (1999) résume les défaillances d’entreprises. Pour BARDOS (2001) et la
Banque de France, sont considérées comme défaillantes les entreprises ayant subit
l’ouverture d’une procédure collective : redressement ou liquidation judiciaire. Dans
9
un contexte anglo-saxon, PASTENA et RULAND (1986) parlent de défaillance
financière dans les trois cas suivants : lorsque les capitaux propres sont négatifs,
lorsque l’entreprise ne peut faire face à ces obligations financières au moment où
elles deviennent exigibles et lorsque l’entreprise poursuit son activité ou est liquidée
sous la protection d’un tribunal. Plus proches de la problématique bancaire, WARD
et FOSTER (1997) proposent plutôt les difficultés de remboursement d’un prêt ou sa
renégociation comme critères de défaillance.

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.

L’analyse du risque utilise diverses informations regroupées dans le dossier de

crédit. Elle peut être menée par des banquiers ou reposer sur des modèles.

III.3 Les informations disponibles

MANCHON (2001), dans un manuel destiné à la profession bancaire, propose

une liste quasi exhaustive des sources d’informations à la disposition du
banquier. Il distingue les informations provenant du client, les informations
disponibles chez le banquier et les informations professionnelles.

Parmi les informations provenant du client, il y a bien sûr les documents

comptables et financiers obligatoires, certains éléments de communication
(plaquettes, sites Internet, publicité…) mais aussi les renseignements collectés lors
de rencontres entre le banquier et le client.

Certaines informations ne sont disponibles que pour les banques. Lorsque le

demandeur de crédit est déjà un client, le banquier peut analyser ses opérations
bancaires. Il peut également avoir recours à l’information « de place » (le coup de

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.

Enfin, le suivi de l’actualité est nécessaire pour tenir compte de la conjoncture

économique, identifier les secteurs en pointe, les secteurs risqués, les produits à la
mode…Toutes ces informations, recoupées entre elles, doivent permettre aux
banquiers de se faire une opinion sur le risque de défaillance du client.

IV DEFINITION DU SCORING

IV.1 Le Scoring

« Le credit-scoring est une méthode statistique utilisée pour prédire la

probabilité qu’un demandeur de prêt ou un débiteur existant fasse défaut » (traduit
de MESTER, 1997).Le credit-scoring a vu le jour suite aux travaux pionniers de
BEAVER (1966) et d’ALTMAN (1968).

Le premier, BEAVER (1966) utilise une méthode de classification

dichotomique et observe la capacité de six ratios à classer correctement les
entreprises : il s’agit d’un modèle rudimentaire d’analyse discriminante, quasi
artisanal. Mais c’est
ALTMAN (1968) qui met au point la première fonction score grâce à l’utilisation
d’une analyse discriminante multivariée : la fonction Z. Le modèle proposé par
ALTMAN comportait 5 variables parmi les 22 variables initiales. L’échantillon
d’ALTMAN comprenait 66 entreprises (équitablement reparties entre saines et
vulnérables), il aboutit à la fonction suivante :

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

Excédent _ Brut _ d ' Exploitation

X3=
Actif _ total

Fonds _ propres
X4=
Dettes _ totales

Chiffres _ d ' affaires

X5=
actif _ total

Sur la base des recherches d’ALTMAN, le credit-scoring s’est

développé partout dans le monde et a évolué au cours de ces 20 dernières années.
On notera surtout l’évolution de la fonction Z de ALTMAN (1968) qui devient la
fonction ZETA après les améliorations de ALTMAN, HALDEMAN et
NARAYANAN (1977), bien que DEAKIN (1972) tente avant cela de faire le lien
entre les travaux de BEAVER (1966) et ceux de ALTMAN (1968) en soumettant les
ratios étudiés par BEAVER (1966) à une analyse discriminante multivariée.

En France, dans la lignée des travaux d’ALTMAN (1968), la Banque

de France a développé plusieurs fonctions score. L’ancienne fonction était connue
sous le nom de fonction Z mais a été réactualisée en plusieurs fonctions
différenciées par secteur d’activité.

Plus récemment, s’est développé un autre aspect du score : on

n’attend plus seulement qu’il serve à discriminer entre entreprises qui vont payer
et entreprises qui seront probablement défaillantes, on espère aussi qu’il permette
de mettre en évidence le fait qu’il soit ou non intéressant de prêter. Dans cette
veine, DIONNE, ARTÍS et GUILLÉN (1996) intègrent les gains et coûts du crédit

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.

L’intérêt essentiel des fonctions scores est de réduire le coût de

traitement d’un dossier de crédit mais il semble que les banquiers soient assez
méfiants vis-à-vis de ce moyen d’analyse, surtout dans le cas des crédits aux
entreprises. Cette méthode est plutôt utilisée dans le cas des particuliers, des
professionnels et des petites entreprises). Pour VAN PRAAG (1995), le credit-
scoring est un outil d’aide à la décision et de délégation mais ne doit pas prendre
la décision. En effet, il souligne qu’aucun score n’est infaillible : il est souvent
figé et n’intègre pas ou peu d’aspects qualitatifs (notamment du fait des
difficultés à les obtenir et à les coder correctement .

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.

Dans leur quasi totalité, les banques et organismes financiers

utilisent l’analyse statistique pour prédire si un emprunteur sera un bon ou un
mauvais payeur et prendre ensuite la décision appropriée : acceptation sans
condition, prise de garantie, refus.

La modélisation et la décision se fondent sur l’observation du passé :

on connaît pour un certain nombre de prêts attribués la qualité payeur qui est donc
une variable qualitative Y à deux modalités (« bon » ou « mauvais ») ainsi que les
données recueillies lors du dépôt du dossier de prêt : ce sont les variables X (X1,
…, Xp). Typiquement pour des particuliers on trouvera l’age, la profession, le
statut matrimonial, le fait d'être ou non propriétaire, donc majoritairement des
variables qualitatives, alors que pour des entreprises on aura plutôt des variables
numériques comme des ratios issus de la comptabilité.

Formellement il s’agit de trouver une fonction f(X1, …, Xp) permettant

13
de prédire Y. Dans ce qui suit nous décrirons les diverses étapes et les problèmes
qui se posent

IV.2 La collecte de l’information

Le premier travail consiste à constituer un fichier qui contient des

informations complètes sur des dossiers de prêts. Il se présentera sous la forme
d’un tableau rectangulaire individus- variables où les n individus sont partagés en
deux groupes d’effectifs n1 et n2 : les bons et les mauvais.

Ce travail essentiel est maintenant facilité par l’existence des

systèmes d’information, mais cela n’a pas toujours été le cas : les variables du
dossier de demande n’étaient pas forcément saisies car elles n’étaient pas toutes
jugées utiles pour la gestion du prêt. Il fallait alors retrouver les dossiers papiers.

Les n individus constituent en fait un échantillon de l’ensemble

des N données disponibles : Il est indispensable de garder de côté un certain
nombre de dossiers afin de valider les résultats obtenus. Il faut donc prélever
aléatoirement n individus parmi les N : comme il faut s’assurer d’avoir un nombre
suffisant et non aléatoire d’observations dans chacun des deux groupes, on
procède à un sondage stratifié avec tirage séparé des n1 et n2 individus. Deux
questions se posent alors : quel effectif global et quelle répartition de n1 et n2.
Une idée naturelle consisterait à prélever n1 et n2 en respectant les proportions
de bons et mauvais dossiers, d’autant plus que l’on sait que le sondage stratifié à
répartition proportionnelle est toujours meilleur que l’échantillonnage simple sans
stratification. Cette méthode est cependant à déconseiller ici car les deux groupes
ont des proportions très différentes : le groupe à risque (les mauvais payeurs)
qu’il faut détecter est très minoritaire et serait mal représenté. On a pu démontrer
qu’une répartition équilibrée n1= n2 est bien meilleure, sinon optimale sous des
hypothèses assez générales. Les vraies proportions p1 et p2 servent ultérieurement
pour les calculs de probabilités a posteriori. Quant au nombre total n, il est
typiquement de quelques milliers.

Un problème plus complexe est celui du biais de sélection : en fait

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 problème du biais de sélection n’intervient pas dans d’autres

domaines où des techniques similaires de Scoring sont utilisées comme
l’assurance automobile (pour la détection des conducteurs à risque) ou la
sélection d’adresses pour optimiser l’envoi de propositions commerciales (dans
ce dernier cas on effectue un Scoring à partir des résultats d’un premier courrier ;
les « bons « étant les répondants, les « mauvais » les non-répondants).

IV.3 Les analyses préliminaires

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.

Dans le même temps on procède à des recodages des variables :

regroupement de valeurs en classes pour les variables continues (on s’aide
d’histogrammes), regroupement de classes pour obtenir la meilleure séparation
sur Y. On crée également de nouvelles variables par combinaison de 2 ou
plusieurs variables. Par exemple si on s’aperçoit que l’ancienneté dans l’emploi
joue différemment selon la profession, sur la probabilité de bon remboursement, on
15
créera une variable croisant les modalités de ces deux variables.

IV.4 Modélisation

Les techniques de « Scoring » qui sont les plus utilisées dans le

secteur bancaire utilisent des méthodes linéaires pour leur simplicité et leur
grande robustesse. Il existe bien d’autres méthodes non linéaires ou non
paramétriques comme les arbres de décision, les réseaux neuronaux etc. dont
l’usage se répand.

Un score est une note de risque que l’on calcule comme

combinaison linéaire des variables explicatives :

p
S = ∑ ai X i
i =1

Pour obtenir le vecteur a des coefficients des ai, il existe diverses

techniques d’estimation dont les deux principales sont la fonction linéaire
discriminante de Fisher et le modèle Logit (encore appelé régression logistique).

IV.5 Définition des modèles de score

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.

Leur objet est de déterminer les effets de diverses caractéristiques des

emprunteurs sur leurs chances de faire défaut. Ils produisent des scores qui sont
des notes mesurant le risque des emprunteurs potentiels et réels. Les institutions
financières peuvent ensuite utiliser ces notes pour ranger les emprunteurs en classe
de risque. Un bon modèle de score est un modèle qui affecte des scores élevés aux
emprunteurs sans problèmes et des scores faibles à ceux dont les prêts ont des
mauvaises performances. Pour atteindre cet objectif, les modèles de scores doivent
être capables de trouver les facteurs de risque les plus importants, c'est-à-dire ceux

16
qui déterminent la probabilité de défaut d’un emprunteur et de mesurer la
contribution relative de chaque facteur au risque de défaut.

Le crédit Scoring se propose donc de déterminer un indicateur qui

puisse, sur la base de deux échantillons d’entreprises jugées à priori saines ou
vulnérables de reclasser une entreprise dans sa catégorie ,il indiquera quelle est
statiquement proche de l’une des deux classes.

L’indicateur le plus efficace est celui qui détermine avec la meilleure

probabilité le classement d’une firme dans l’une ou l’autre catégorie et il est
d’autant plus fiable que le pourcentage d’erreur de classement auxquels il donne
lieu est faible.

IV.6 Avantages des modèles de score

L’intérêt des modèles de score est de mettre un traitement de masse

de population nombreuse d’emprunteurs et de réduire d’une manière significative
la durée du traitement du dossier de crédit. Ce gain de temps est l’un des premiers
facteurs de l’économie de coût qu’apporte le scoring .L’adoption d’un score permet
aussi aux analystes de crédit de concentrer leur attention sur d’autres aspects de la
relation clientèle et du risque en particulier les aspects qualitatifs. De ce fait,
l’analyste connait mieux ses clients et peut les cibler pour leur offrir les produits
adéquats.

Le score fournit également une image synthétique du profil de

l’emprunteur et peut contribuer à l’informer rapidement sur le niveau de risque
pour concourir au diagnostic.

Enfin, les outils de scoring fournissent des mesures objectives du

risque qui assurent que tous les emprunteurs sont traités de la même manière par
les charges de la clientèle.

IV.7 Les limites des modèles de score

Les modèles de score présentent toutefois quelques limites :

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.

 Ils capturent mal les changements de toute nature qui modifient

l’attitude des emprunteurs par apport au défaut (en augmentant par exemple le
hasard moral).

 Les modèles de score sont des outils statistiques, ils comportent

donc deux types d’erreurs :

Risque de première espèces ou de type І : accepter à tort un client

Dans cette situation l’entreprise court deux risques : financier (coût des impayés, du
approvisionnement,du contentieux …) et marketing(mauvaise marge ,diminution
de la rentabilité …).

o Risque de deuxième espèce ou de type П : refuser à tort un

client. dans ce cas aussi, l’entreprise se trouvait face aux même risques : financier
(manque à gagner …) et marketing (client libre par un concurrent …)

C’est pourquoi généralement les résultats du score peuvent être

corrigés en traitant des informations complémentaires à la manière des systèmes
des experts.

 Les scores ne peuvent généralement rendre compte d’éléments

qui décident en fait de l’arrêt ou de la survie d’une entreprise : qualité des
dirigeants, nature garanties, sensibilité à des accidents climatiques ou autre s
contraintes d’environnement. Ces éléments affectent souvent la situation financière
des entreprises de façon brutale, de sorte qu’un emprunteur jugé sain à un instant
donné du temps peut tomber rapidement en situation de défaut.

18
IV.8 Les conditions d’utilisation

Pour la construction d’un bon de modèle de score, les conditions

de robustesse et de stabilité suivante sont nécessaires :

 Le modèle doit contenir un maximum d’informations.

 Il doit être construit sur des historiques qui couvrent une

période assez longue pour couvrir un cycle économique afin de garantir la qualité
de l’outil de scoring.

 Les coefficients de la fonction de score doivent être significatifs

et conforment aux attentes

 Les populations d ‘emprunteurs (les segments de la clientèle)

sur lesquelles est estimé le modèle de score doivent être relativement homogènes,
étant donnée que les modèles de score diffèrent pour des populations différentes
comme celle des grandes entreprises ou des PME, ils diffèrent aussi d’un secteur à
un autre.

 Le modèle doit être estimé sur une population qui comprend

un nombre assez grand d’individus (assez d’emprunteurs en défaut ou non ) pour
être représentatif du portefeuille de crédit ou d’un segment de ce portefeuille.

 Les facteurs de risque (les diverses variables utilisées) ne

doivent pas être corrélés. En effet, des variables (par exemple les ratios financiers)
liées, apportent en réalité la même information sur le risque .En conséquence, si la
batterie des variables utilisées pour construire un score comprend un grand nombre
de variables à l’origine, seul un petit nombre de ces dernières seront finalement
pertinentes et retenues dans le modèle (généralement, moins d’une dizaine).

IV.9 Les étapes de la construction d’un modèle de scoring

Les étapes de la construction d’un modèle de scoring sont les

suivantes :

Première étape : définition de l’utilisation future du score.

19
Elle consiste à bien poser le problème à résoudre pour définir l’utilisation future du
score.

 Deuxième étape : choix du critère de discrimination et la

construction des populations analyses. Pour bâtir un modèle de score, il convient
de disposer de deux populations d’emprunteurs. La deuxième étape réside donc
dans le choix d’un critère de discrimination, ce choix peut souvent se résumer à un
choix entre défaillance et vulnérabilité.

 Troisième étape : constitution de l’échantillon d’apprentissage

L’étape d’apprentissage débute avec la constitution de l’échantillon

d’apprentissage. Il s’agit d’un échantillon prélevé de la population étudiée, à partir
duquel est élabore le modèle prédictif. Il doit aussi être suffisamment représentatif
pour que le modèle construit à partir de cet échantillon se généralise à la population
entière.

L’échantillon d’apprentissage est le fruit d’un échantillonnage aléatoire simple en

contenant la même proportion de chacune des classes à prédire.

 Quatrième étape : choix des variables explicatives

Les variables doivent en principe traduire des dimensions variées du

risque de défaut (solidité financière, profitabilité, état des conditions d’exploitation,
évolution des ratios…).

On peut utiliser divers types de données :

- Comptables et financières : qui permettent de construire des ratios financiers en

retracent les diverses dimensions du risque.

- Bancaires ( données du fonctionnement du compte permettant d’identifier la

régularité du comportement de paiement des emprunteurs ,mais aussi la situation
de leurs soldes, celle de leur épargne liquide ou financières et le poids relatif de leur
endettement ).

- Qualitatives (age, profession, ancienneté, existence d’incidents dans le passé…).

 Cinquième étape : choix de la technique à utiliser

20
 Il existe plusieurs techniques pour la construction des modèles de
score :

-Des techniques économétriques paramétriques (les modèles Logit et Probit).

-Des techniques de classification (l’analyse discriminante).

-Des techniques de segmentation (l’arbre de décision).

-Des techniques d’intelligence artificielle (les réseaux de neurones).

On va présenter une comparaison maintenant entre les principales

méthodes de discrimination :

o La régression logistique présente l’avantage de pouvoir

combiner plusieurs variables explicatives indépendante sans que les conditions de
normalité soit vérifiées alors que l’analyse discriminante exige pour sa mise en
œuvre la normalité des distributions et l’homogénéité des matrices des variances –
covariances entre les deux groupes et l’absence de corrélation entre moyenne et
variances.

o La régression logistique ainsi que l’arbre de décision se

distinguent de pouvoir traiter efficacement des variables qualitatives.

o Efron (1975) a montré que dans le cas ou les probabilités à

priori sur les groupes sont normalement distribuées, l’analyse discriminante
linéaire est plus efficiente que la discrimination logistique.

o La régression logistique permet de réaliser des tests

d’inférence statistique pour s’assurer de la robustesse des résultats du modèle alors
que le modèle fonde sur une « boite noire »comme un modèle neuronal ne le
permet pas.

21
V METHODES DE DISCRIMINATION REGRESSION
LOGISTIQUE (LE MODELE LOGIT)

V.1 Le problème de la spécification

Dans de nombreux cas la spécification d'un modèle linéaire est incorrecte.

Un de ces cas est celui où la variable prédite est dichotomique, ou polytomique.

V.2 Spécification d'un modèle de probabilité

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

Cette transformation est indiquée dans le graphe suivant :

22
Le modèle que l'on va donc chercher à estimer, prend donc la forme suivante :

p
Ln ( )= bx=Z
1− p

En manipulant de manière adéquate le modèle précédent on obtient un modèle qui exprime p

en fonction de z :

ez
P=
1+ ez

La première forme est la linéarisation de cette seconde expression.

23
V.3 L'estimation des paramètres

Le problème posé est d'estimer les paramètres de notre modèle, ceci ne

poserait pas de problème si on avait une première estimation de p.

Reconsidérons le modèle, le premier point à préciser est que p (A=1),

représente en fait une moyenne : c'est la proportion des individus qui possèdent un
vecteur commun de caractéristiques X . Un moyen simple d'estimer le modèle, serait alors
de regrouper les individus qui ont un même profil, de calculer cette proportion, et
d'utiliser celle-ci comme valeur de la probabilité. On calcule ensuite le logit, et il n'y a plus
qu'à appliquer une méthode de MCO.

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.

Dans le cadre du modèle Logit cette fonction s'écrit :

l = pi i (1 − pi )1− yi
y

Puisque p dépend du vecteur de paramètre et du vecteur de variable X, on va

chercher à maximiser la vraisemblance en les manipulant. Naturellement on ne pourra
pas toucher au vecteur X, car ce sont les données. Par contre on cherchera quelles sont les
valeurs de β qui maximisent cette quantité l.

D'un point de vue pratique, il est plus commode d'utiliser la

logvraisemblance, notée L, celle-ci transformant les produits en somme. Maximiser cette
quantité, revient à maximiser la vraisemblance.

n
L = ∑ y i Ln( pi ) + (1 − y i ) Ln(1 − pi )
i =1

A partir de ce moment le problème devient simple, puisque pour trouver le

maximum de cette fonction, il suffit d'égaler sa dérivée à 0. En pratique on utilise des
24
méthodes numériques telles que l'algorithme de Newton-Raphson, pour trouver les valeurs
recherchées.

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 :

- utilisateurs permanents et occasionnels d'un produit;

- acheteurs d'une marque et les acheteurs de marques concurrentes;

- clients fidèles et infidèles

- vendeurs bons, médiocres et mauvais

VI.2 Les coefficients de la fonction discriminante

Une manière de déterminer quelles sont les variables qui discriminent entre
les deux types de groupes et de construire un index basé sur les valeurs des
caractéristiques mesurées, qui sépare les deux groupes, formant une combinaison linéaire de
ces dernières du genre:

Y = ν 1 X 1 +ν 2 X 2 +ν 3 X 3 +ν 4 X 4 ,

ou ν 1; ν 2; ν 3; ν 4 sont des coefficients qui indique le poids des

variables. En analyse discriminante les coefficients sont dérivés de telle manière que la
variation des scores de Y entre les (deux) groupes soit si large que possible et la variation
des scores de Y à l'intérieur des groupes (within group - intra groupe) soit si petite que
25
possible. Autrement dit , on calcule les coefficients qui maximisent le rapport :

Variance _ int er − groupe

Variance _ int ra − groupe

Ceci fait les groupes aussi distincts que possible du point de vue des
nouveaux scores.

Ayant les coefficients discriminants on peut calculer le score de chaque

individu. Si ce score est plus proche de la moyenne des scores du premier groupe, l'individu
sera affecté a ce groupe si non il sera affecté à l'autre groupe.

On peut observer que l'approche de l'analyse discriminante est proche de

celui de la régression. Dans les chacun des cas on essaye d'expliquer (prévoir) une variable
dépendante par une combinaison linéaire de variables indépendantes. En régression la
variable expliquée est continue. En analyse discriminante, la variable dépendante est
l'appartenance à un groupe. On peut transformer le problème d'analyse discriminante pour
de groupes en problème de régression en utilisant une variable muette comme variable
dépendante. Les coefficients de régression résultants seront proportionnels à
ceux obtenus par l'analyse discriminante.

26
VII Interprétation de la fonction discriminante

VII.1.1 Test du modèle

Dans une approche rigoureuse avant d'interpréter la fonction

discriminante, on doit tester si au niveau des scores discriminants on obtient une
différentiation significative entre les groupes. Cela se fait en appliquant un test en F aux
v a l e u r s d e l a s t a t i s t i q u e D 2 d e M a h a l a n o b i s qui mesure la distance de
chaque case à la moyenne du groupe, tout en permettant des axes corrélés et des unités de
mesure différentes (on en reviendra d’une manière plus détaillée avant l’élaboration du
modèle dans la partie empirique). Ce test revient à tester l'hypothèse que la distance entre
les deux groupes est différente de zéro.

VII.1.2 Les coefficients discriminants

La fonction discriminante originale contient des poids (coefficients) à

appliquer aux valeurs brutes des variables. Ces poids sont influencés par l'échelle de
mesure des variables. Pour éviter des effets d'échelle de mesure arbitraire quand on compare
les contributions de chaque variable on utilise des coefficients standardisés obtenus par
multiplication des coefficients bruts de chaque variable par l'écart type pour l'ensemble des
groupes (pooled standard déviation).

VII.1.3 Rotation des axes des fonctions discriminantes

Une fonction discriminante est définie par un vecteur colonnes de

coefficients appliqués, par une combinaison linéaire, aux variables étudiées; ces coefficients
sont dits bruts ou standard (beta weights) selon qu'ils s'appliquent à des variables brutes ou
standard.

Le but de telles combinaisons linéaires est de séparer au maximum les

groupes les uns des autres; en plus d'être indépendantes les unes des autres, les
fonctions discriminantes ont un pouvoir de discrimination qui décroît d'une fonction à
l'autre. Le nombre de fonctions discriminantes est le plus petit des deux possibilités
suivantes: nombre de variables ou nombre de groupes moins un.

On a vu qu'à beaucoup de points de vue, les fonctions discriminantes

présentent une grande analogie avec les facteurs mis en évidence de l'analyse factorielle.
En particulier, on peut souhaiter identifier par un nom chacune de celles-ci, en se
basant sur les contributions des variables, telles qu'exprimées de façon comparable par les

25
coefficients standard.

Comme en analyse factorielle, une telle identification n'est pas toujours

facile, à moins de procéder à une rotation des axes des fonctions tout en maintenant
constantes les positions relatives des cas et des moyennes ou centroïdes.

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.

VIII ETUDE EMPIRIQUE

Dans cette section, nous présenterons les données utilisées pour

l’application des deux techniques de discrimination afin d’élaborer deux modèles
de score et les comparer. Ensuite, L’échantillon sur lequel nous travaillerons est
constitué de 49 entreprises qui appartiennent aux deux secteurs commercial et
industriel. Pour chacune de ces entreprises ; nous avons réuni les bilans
comptables correspondants aux années 2004,2005 et 2006 (chaque entreprise dans
une seule année sera traitée d’une façon indépendante). En effet, l’analyse
financière permet à partir des bilans comptables d’évaluer la situation économique
et financière d’une entreprise. En particulier, les ratios financiers fournissent un
outil de comparaison et servent à situer une entreprise par rapport à l’ensemble
des firmes en donnant des renseignements sur divers thèmes économiques. La
méthode des ratios n'est pas propre à l'analyse financière mais elle est d'un usage
extrêmement utile dans ce domaine. Elle consiste à faire des rapports
arithmétiques judicieusement choisis entre les postes comptables des différents
documents financiers d'une entreprise (bilan, compte de résultat, tableau de
financement et tableau des flux de trésorerie, Annexe) susceptibles de nous
permettre d'apprécier la situation financière de cette entreprise, de suivre son
évolution passée et d'anticiper son évolution future.

Cette méthode des ratios présente le double avantage :

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.

- d'examiner, par comparaison avec les moyennes ou médianes des ratios

- d'entreprises similaires du même secteur d'activité, la situation financière

relative d'une entreprise déterminée.

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.

VIII.1 LES RATIOS

VIII.1.1 Profitability ratios/ Les ratios de rentabilité

Ces ratios mesurent le degré de profit, l’appréciation des performances

réalisées par l’entreprise et reflètent l’efficacité de sa gestion. La liste des ratios est
donnée par le tableau ci-dessous :

27
Référence : Nom Expression

R1 Gross Margin Net Income 1 /Sales

R2 Cash Flow

R3 R .O.A Net Income/ Average Total

assets 2

R4 R.O.E Net Income/Average

Stockholder’s Equity

R5 R.O.S Net Profit Margin

Tableau 1 : les ratios de rentabilité

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

VIII.1.2 Sales & Turnover ratios / Les ratios d’activité

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

R6 Sales turnover Ventes/moyenne des actifs

R7 Inventory turnover Sales/ Inventory

R8 Receivables turnover Net credit sales/average

accounts receivables
R9 Days sales
outstandings
R10 Payables turnover

R11 Days purchase turnover

R12 Receivables/sales

R13 Inventory Period

R14 Operating cycle

R15 Cash conversion cycle

Tableau 2 : les ratios d’activité

VIII.1.3 Liquidity ratios / Les ratios de liquidité

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

R16 Current ratios Current Assets/current

liabilities
R17 Quick ratio Quick assets 1 /current
liabilities

R18 Working capital Leverage Net working capital 2

ratio /total assets

Tableau 3: les ratios de liquidité

1
Quick assets = Current assets- Inventories

2
Net working capital= Current assets- current liabilities

VIII.1.4 Indebtness ratios / les ratios d’endettement

Le tableau suivant contient les ratios qui permettent de mesurer le degré

d’endettement de l’entreprise.

30
 Référence Nom Expression

R19 Total debt/equity

R20 LT debt/ equity

R21 Total debt /Capital

R22 LT debt/ Capital

R23 Total debt/total assets

R24 Cash flow/total debt

Tableau 4: les ratios d’endettement

VIII.1.5 Solvency ratios /Les ratios de solvabilité

Ces ratios mesurent en général l’autonomie financière de l’entreprise qui est

primordiale pour trouver facilement des prêteurs, décider en toute liberté, saisir
les opportunités d’emprunts.

Ils mesurent la capacité d’emprunt de l’entreprise. La liste des ratios est

donnée par le tableau suivant :

31
Référence Nom Expression

R25 Interest Coverage EBIT/ Interest expenses

R26 Coverage measure

R27 ST Interest cost

R28 LT Interest cost

R29 Capacité de DLMT/actifs immobilisés

remboursement

Tableau 5 : Les ratios de solvabilité

VIII.1.6 Capital & Leverage ratios / Les ratios de capitaux

Ces ratios donnés par le tableau suivant décrivent la structure des capitaux
de l’entreprise

32
 Référence Nom Expression

R30 Debt to new Total liabilities/ Net

working capital
R31 Debt to assets Total liabilities/Total assets

R32 Debt to tangible

R33 LT Debt/Total assets

R34 Measures of illiquid

Tableau 6 : les ratios des capitaux

VIII.1.7 Expenses of business ratios/ les ratios de dépenses

Ces ratios mesurent le volume de dépenses de l’entreprise dans l’année de

l’exercice afin de pouvoir produire. La liste des ratios est donnée par le tableau ci-
dessous.

Référence Nom Expression

R35 Cost of sales Cost of goods sales/net

sales
R36 Overhead ratio

Tableau 7 : les ratios de dépenses

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 :

Référence Nom Expression

R37 EBITDA

R38 FFO

CFO
R39
R40 FCF

R41 FFO return

R42 FFO Interest Cover

Tableau 8 : les ratios de mesure de Cash Flow

VIII.2 Analyse en Composantes Principales

On part de la population initiale d’entreprises caractérisée chacune

par 42 ratios financiers. Le résultat d’une analyse en composantes principales est
une représentation de l’ensemble des individus sur un espace orthonormé de
dimension plus réduite caractérisée par un pourcentage d’inertie expliquée par
rapport à celle initiale. La construction de cet espace se fait par la recherche de
nouvelles variables initiales. Son but est de mieux préciser les caractéristiques des
groupes de discrimination.
34
 Nous allons en premier lieu calculer les paramètres descriptifs
élémentaires des variables : les moyennes et écart-types vont servir à transformer
les variables de base et n’interviendront pas dans la suite. Il importe donc de
prendre connaissance de ces mesures de niveau et de dispersion. Les valeurs
extrêmes sont également utiles pour juger la qualité de l’information recueillie.

35
Tableau 9 : Statistiques usuelles des ratios

36
 Tableau 10 : Variance totale expliquée

D’après cette analyse en composantes principales, on ne va retenir

que les 11 premières composantes qui expliquent 86.056 ℅ de l’inertie totale ce qui
nous permet de conclure que les résultats de cette ACP sont fiables. Vu le grand
nombre des composantes, on va essayer de décrire uniquement les trois premières
ayant un pourcentage de variance expliquée assez considérable.

37
Description des axes factoriels

Tableau 11 : Description du premier axe factoriel

Pour le premier axe factoriel on constate que dans le coté négatif de

ce facteur R15 (cash conversion cycle) qui est un ratio d’activité représente bien
cette partie de l’axe( car la corrélation est très élevé) tandis que le coté positif est
bien représenté par les ratios de mesure du cash flow R2, R37, R38, R39 et R40.

Tableau 12 : Description du deuxième axe factoriel

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

Tableau 13 : Description du troisième axe

On constate que R27 (ST Interest cost ) représente bien la partie

négative du troisième axe factoriel,donc cette partie représente le degré de
solvabilité de l’entreprise tandis que la partie positive est représentée par R3 et R5
qui sont deux ratios de rentabilité et R24 qui est un ratio d’endettement.

IX APPLICATION DE LA REGRESSION LOGISTIQUE

IX.1 Sélection des variables

On va réaliser cette section une première étape de sélection des ratios

pour préparer le terrain à l’application de la régression logistique. Pour cela on va
étudier la corrélation entre les ratios des différentes catégories en réalisant un test
de nullité de la corrélation, ainsi les corrélations significatives seront repérées par
(**). Ensuite, nous dégagerons les ensembles des variables corrélées et sélectionner
39
parmi elles qui sont les plus discriminantes grâce au test non paramétrique de
Kolmogorov-Smirnov. On notera la distance de Kolmogorov-Smirnov par Z de KS

IX.1.1 Sélection des ratios de rentabilité

Tableau 14 : matrice de corrélation des ratios de rentabilité

On constate que les ratios R3 et R5sont fortement corrélés donc le

quel parmi eux faut-il retenir ?

Tableau 15 : Test de Kolmogorov-Smirnov pour R3 et R5

40
 On constate que R5 a le plus grand pouvoir discriminant donc on va
le retenir pour l’élaboration du modèle général.

IX.1.2 Sélection des ratios de mesure des actifs

Tableau 16 : matrice de corrélation des ratios de mesure des actifs

D’après cette matrice de corrélation on constate que R13 et R14 sont

fortement corrélés donc quel sera le ratio à retenir ?

Tableau 17 : Test de Kolmogorov-Smirnov pour R13 et R14

41
 D’après le test de Kolmogorov-Smirnov, on constate que R13 a le
plus grand pouvoir discriminant donc on va le retenir pour l’élaboration du
modèle général.

IX.1.3 Sélection des ratios de liquidité

Tableau 18 : matrice de corrélation des ratios de liquidité

On constate d’après la matrice de corrélation des ratios de liquidité

que R16 et R17 sont fortement corrélés. Le quel parmi ces deux ratios faut-il
retenir ?

Tableau19 : Test de Kolmogorov-Smirnov pour R16 et R17

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.

IX.1.4 Sélection des ratios d’endettement

Tableau 20 : Matrice de corrélation des ratios d’endettement

On constate qu’il n’y a aucune corrélation entre les ratios de cette

famille .ils seront tous retenus pour la recherche de notre modèle.

IX.1.5 Sélection des ratios de solvabilité

Tableau 21 : Matrice de corrélation des ratios de solvabilité

43
 On constate que R25 et R26 sont fortement corrélés, donc quel ratio
faut-il retenir ?

Tableau22 : Test de Kolmogorov-Smirnov pour R25 et R26

D’après le tableau ci-dessus, on constate que R26 a un pouvoir

discriminant que R25 et par suite on retiendra R26 pour l’élaboration de notre
modèle de score.

IX.1.6 Sélection des ratios des capitaux

Tableau 23 : Matrice de corrélation des ratios des capitaux

44
 On constate que pour les ratios de capitaux R30 et R32 sont
fortement corrélés car le coefficient de corrélation est très élevé. Le quel parmi ces
deux ratios faut-il retenir ?

Tableau 24 : Test de Kolmogorov-Smirnov pour R25 et R26

L’analyse du tableau ci-dessus montre que R30 et R32 ont le même

pouvoir discriminant et ont la même dispersion, nous allons retenir d’une manière
arbitraire R30.

IX.1.7 Sélection des ratios de mesure des dépenses

Tableau 25 : Matrice de corrélation des ratios mesure des dépenses

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.

IX.1.8 Sélection des ratios de mesure du Cash flow

Tableau 26 : Matrice de corrélation des ratios mesure de Cash Flow

D’après la matrice de corrélation des ratios de mesure de cash flow,

on constate que les ratios R37, R38, R39 et R40 sont fortement corrélés.

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.

D’après le test de Kolmogorov- Smirnov, on constate que parmi ces

quatre ratios il s’avère bien que R40 a le plus grand pouvoir discriminant, donc on
va le retenir.

IX.2 Elaboration du modèle

IX.2.1 Les ratios retenus

Apres l’examination des matrices de corrélation des ratios de chaque

groupe et après avoir retenu que les ratios ayant le plus grand pouvoir de
discrimination, on présentera la liste des ratios qui vont participer à l’élaboration
du modèle général.

• Les ratios de rentabilité : R1, R2, R4 et R5

• Les ratios d’activité : R6, R7, R8, R9, R10, R11, R12, R14 et
R15

• Les ratios de liquidité : R17 et R18

• Les ratios d’endettement : R19, R20, R21, R22, R23 et R24

• Les ratios de solvabilité : R26, R27, R28 et R29

• Les ratios de capitaux : R30, R31, R33 et R34

47
 • Les ratios de mesure de dépenses : R35 et R36

• Les ratios de mesure de cash flow : R4O, R41 et R42

Apres avoir retenu les ratios indiqués ci-dessus, la deuxième étape

consiste à donner un classement à priori des entreprises défaillantes et non
défaillantes. Afin de diviser le portefeuille en deux groupes on retient la décision
du Credit & Risk manager de la T.I.B. Donc notre base de données contiendra 105
entreprises saines et 55 vulnérables.

Tout en tenant compte de ce critère, on va créer une variable

dichotomique appelée ETAT de façon à affecter la valeur 1 à l’entreprise saine et la
valeur 0 à une entreprise vulnérable. Par la suite, on va élaborer une sélection
aléatoire stratifiée de notre échantillon global afin de mettre de coté un échantillon
test de 80 unités sur lequel on connaît l’état de chaque entreprise, et qui servira à
simuler le comportement futur du score.

L’échantillon d’apprentissage servira donc à l’élaboration du

modèle, c’est-à-dire à estimer les coefficients de la fonction score.

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

Avec ESTIMATE représente le coefficient de la régression pour

chaque variable dans le modèle. STANDARD ERROR représente l’ecart-type de
chaque variable, Chi-square est la valeur de la statistique du test pour la
significativité de chaque variable dans le modèle. La quatrième colonne
correspond à la p-value

Ayant fixé un seuil de significativité à 10℅ , alors sous l’hypothèse

nulle de la non significativité de la variable , on la supprime si sa p-value est
supérieure à 0.1.

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.

Après avoir effectué le nombre nécessaire d’itérations on aboutira

au modèle suivant dont ses caractéristiques sont données par les estimations
suivantes :

Tableau 29 : caractéristiques du modèle final

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

R14 Operating cycle

R23 Total debt/total assets

R29 Capacité de remboursement

R34 Measure of illiquid

R40 FCF

R41 FFO return

Tableau 30 : les ratios retenus pour le modèle

Nous remarquons la présence au moins d’un ratio de chaque

catégorie sauf pour les ratios de mesure de dépenses. Nous pouvons constater que
le modèle final donne une bonne vision globale sur l’entreprise.

Nous allons maintenant établir la fonction score qui contient 8

ratios :

SCORE= β1 R4+ β 2 R8+ β 3 R14+ β 4 R23+ β 5 R29+ β 6 R34+ β 7 R40+ β 8 R41

51
 Avec

β1 β2 β3 β4 β5 β6 β7 β8

1.8001 -4.3483 0.0252 20.9277 -1.2221 -17.852 2.36.10 −6 -10.60

Tableau 31: les coefficients de la fonction logistique

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 :

{ {ETAT = 1si F (SCORE ) ≥ 0.5

0 sin on

IX.2.3 Interprétation des résultats

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.

net _ credit _ sales

 R8 : Receivables turnover : c’est un ratio
average _ accounts _ receivable
d’activité qui reflète la manière avec laquelle l’entreprise utilise ses actifs et la
proportion des crédits clients par rapport à la moyenne des montants reçus.

 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.

det tes _ LMT

 R29 : capacité de remboursement : : Ce ratio de solvabilité
Cash _ flow _ net
mesure la capacité de l’entreprise pour rembourser ses dettes à moyen et long
terme.

 R34 : measure of illiquid : Ce ratio de mesure de capitaux représente la part

de la partie non liquide dans le total des capitaux.

 R40 : FCF : Free Cash Flow : Ce ratio mesure la performance financière

c’est-à-dire le cash que l’entreprise peut générer après l’entretien de ses actifs.

 R41 : FFO return : Funds Flow Operation: C’est un ratio de mesure de cash
flow .

IX.3 Table de classification

IX.3.1 Echantillon d’apprentissage

Le tableau ci-dessous résume la répartition de bons et de mauvais

classements pour les entreprises inscrites dans notre base de données.

53
 Bien classées Mal classées ℅ Bien classées

Saines 50 5 90.90

Vulnérables 19 6 76.00

69 11 86.25
total

Tableau 32 : Tableau de classement pour L’échantillon

d’apprentissage par l’application de la régression logistique.

Le tableau de classification est un indice de justesse du modèle.

Ainsi, il nous montre que seulement 5 entreprises parmi 55 dans la catégorie des
sains sont mal classées et seulement 6 parmi 25 dans la catégorie des vulnérables.

Le pourcentage total du bon classement est de 86.25℅ et nous

remarquons aussi que le bon classement des sains est légèrement supérieur à celui
des vulnérables.

IX.3.2 Echantillon test

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.

Bien classées Mal classées ℅ Bien classées

Saine 44 6 88

Vulnérable 23 7 76.66

Total 67 13 83.75

Tableau 33 : Tableau de classement pour l’échantillon Test par

l’application de la régression logistique

Le tableau ci-dessus nous montre que le taux de bon classement dans

l’échantillon test est de l’ordre de 83.75 ℅ donc les résultats de la régression
logistique sont aussi bonnes que dans l’échantillon d’apprentissage.

IX.4 Courbe ROC et Courbe LIFT

L’étape suivante consiste à évaluer la qualité du modèle de score à

l’aide de deux courbes : La courbe ROC et la courbe LIFT.

La courbe suivante (appelée courbe Roc pour « Receiver Operating

Curve ») est souvent utilisée pour mesurer le pouvoir séparateur d’un score. Elle
donne le pourcentage de vrais mauvais en fonction du pourcentage de faux
mauvais lorsque l’on fait varier le seuil du score. Plus elle est proche de la partie
supérieure du carré, meilleure est la séparation. Lorsque les deux densités sont
identiques, la courbe ROC se confond avec la diagonale du carré.

55
 Courbe 1 : Courbe ROC

On remarque qu’en augmentant le pourcentage de faux

mauvais (Sensitivity), on augmente aussi le pourcentage de vrais mauvais (1-
Specificity).

On remarque aussi que la courbe est assez proche de la partie

supérieure du carré, ce qui veut dire que la séparation entre les faux classements et
les bons classements est satisfaisante.

La courbe précédente ne fait pas intervenir les proportions réelles

de « bons » et de « Mauvais ». On utilisera alors la courbe de « lift » ou
d’efficacité de la sélection : en abscisse le % de tous les individus bons et mauvais
ayant un score inférieur à s, en ordonnée le % de mauvais ayant un score inférieur à
s.

56
 Conclusion

Courbe 2 : Courbe LIFT

Courbe 2 : Courbe LIFT

La courbe LIFT reflète la bonne qualité de discrimination du modèle.

57
IX.5 Conclusion

L’application de la régression logistique a mené à une fonction

SCORE simple à exploiter qui va permettre d’identifier les entreprises saines et
vulnérables. De manière concomitante, la construction du modèle a mis en
évidence les ratios les plus discriminants qui reflètent bien la situation financière
de l’entreprise. Les résultats obtenus en terme de bons classements et de stabilité
sont très satisfaisants.

Enfin, l’étude est fondée seulement sur des éléments purement

quantitatifs dont on connaît les faiblesses non seulement à l’égard des critères
qualitatifs mais aussi au mode de calcul des grandeurs comptables. En plus,
puisque le modèle ne retient au final que des ratios, leurs interprétations ne
peuvent faire qu’à posteriori, sachant que la sélection ne repose que sur des
critères purement statistiques.

58
X ANALYSE DISCRIMINANTE

X.1 Technique d’élaboration du modèle

Nous allons appliquer l’algorithme (Ascending) qui fait partie des

méthodes pas à pas, c’est une procédure de sélection conjointe des ratios. Il est
basé sur le critère qui mesure le pouvoir discriminant d’un groupe de variables :
Lambda de Wilks Λ .

Cet algorithme procède pas à pas et induit successivement les

variables. A chaque pas, la variable est celle qui, associée aux variables déjà
sélectionnées, maximise D 2 de Mahalanobis :

D 2 = (ν 1 − ν 2 ) T T −1 (ν 1 − ν 2 1 )

Ceci est équivalent à minimiser Lambda de Wilks Λ :

W
Λ = T −1W =
T

En effet, à chaque pas, l’algorithme choisit la variable qui a le plus

fort pouvoir pour les groupes au sens ou lambda de Wilks est strictement
significatif.

Cette variable est ensuite ajoutée à l’ensemble des variables

sélectionnées aux étapes avant l’itération de la procédure. L’algorithme s’arrête
lorsque aucune variable non sélectionnée n’augmente significativement le pouvoir
discriminant de l’ensemble des variables déjà sélectionnées.

Dans notre analyse, on va supposer que les hypothèses de normalité

des distributions des variables et leurs monotonies sont vérifiées.

On génère la procédure STEPDISC pour voir les ratios significatifs et

leurs pouvoir discriminant ( à l’aide de lambda de Wilks).

X.2 Construction du Modèle

59
 Tableau 34 : la procédure STEPDISC

L’algorithme appliqué à notre échantillon nous a permis de retenir

successivement les ratios suivants avec un seuil de significativité égal à 10℅ , les
ratios indiqués ci-dessous présente un pouvoir discriminant décroissant.

 R36 : Overhead ratio

 R1 : Gross Margin

 R6 : Sales Turnover

 R14 : Operating cycle

Total − debt
 R23 :
Total − assets

 R5 : R.O.S

 R35 : Cost of sales

 R8 : Receivables Turnover

60
 Tableau 35 : fonction linéaire de Fisher

X.3 La fonction SCORE

La fonction SCORE va contenir les 8 ratios définis préalablement et

elle s’écrit de la façon suivante :

SCORE= β 0 + β1 R36 + β 2 R1 + β 3 R6 + β 4 R14 + β 5 R 23 + β 6 R5 + β 7 R35 + β 8 R8

β0 β1 β2 β3 β4 β5 β6 β7 β8

-7.78 -17.77 24.85 1.06 0.005 -3.44 0.06 10.15 0.41

Tableau 36 : Coefficients de l’analyse discriminante

Ainsi chaque individu est classé sain si SCORE est positif et

défaillant dans le cas contraire.

61
X.4 Interprétation des ratios

Sales & general & ad min istarative _ exp enses

• R36 :Overheadratio c’est un
Net _ sales
ratio de mesure de dépenses, Il reflète la part des dépenses des ventes,
administratives par rapport aux ventes nettes

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

totales par rapport au total des actifs économiques.

• R5 : R.O.S : Return On Sales : Net Profit Margin : Ce ratio de rentabilité

mesure le bénéfice marginal net.

Cost _ of _ good _ sales

• R35 : Cost of sales : : Ce ratio de mesure de dépenses
Net _ sales
présente la part le coût des articles vendus par rapport au ventes nettes.

Net _ Credit _ Sales

• R8 : Receivables Turnover : : ce ratio de
Average _ Accounts _ receivables
mesure d’actifs reflète l’efficacité de l’entreprise quant à l’usage de ses actifs
économiques.

62
X.5 Tables de classification

X.5.1 Echantillon d’apprentissage

Bien classées Mal classées ℅ Bien classées

Saines 48 7 87.2

Vulnérables 18 7 72

Total 66 14 82.5

Tableau 37 : Tableau de classement pour l’échantillon

d’apprentissage par l’application de l’analyse discriminante.

Le tableau de classification ci-dessus montre que le pourcentage total

de bon classement est de 82.5℅ .Il montre aussi que le taux de bon classement
chez les sains est égal à 87.2 ℅ est supérieur à celui des vulnérables 72℅.

X.5.2 Echantillon test

Bien classées Mal classées ℅ Bien classées

Saine 43 7 86

Vulnérable 25 5 83.33

Total 68 12 85

Tableau 38 : Tableau de classement pour l’échantillon

d’apprentissage par l’application de l’analyse discriminante.

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 ℅ .

Le pourcentage total de bon classement est de l’ordre de 85℅, donc

très proche de celui de l’échantillon d’apprentissage.

64
X.6 Conclusion

La mise en œuvre de l’analyse discriminante a permis de construire

une fonction score simple à manipuler. Néanmoins, on constate que les ratios
retenus ne donnent pas une bonne vision sur la situation financière de l’entreprise.

Les résultats en terme de bons classements sont plus au moins

satisfaisants. En effet, on aurait pu avoir des résultats meilleurs si les ratios
respectaient les conditions de robustesse de l’analyse discriminante telles que la
monotonie et la normalité des résultats.

65
XI CONCLUSION GENERALE

L’objet de ce projet est la conception d’un modèle de score au sein de

la direction des crédits à la T.I.B pour apprécier la situation financière d’une
entreprise à travers une application des crédits de trésorerie.

Les méthodes proposées dans ce travail, à savoir la régression

logistique et l’analyse discriminante ont pour objectif de classer les entreprises en
entreprises saines et autres vulnérables.

L’application des deux techniques de discrimination a fournit des

résultats satisfaisants en terme de bons classements avec une mention spéciale
pour la régression logistique qui se distinguent avec des excellents pourcentages.

De point de vue interpretabilité, la régression logistique et l’analyse

discriminante aboutissent à une fonction score contenant un nombre acceptable de
ratios pour apprécier la situation financière d’une entreprise a un degré moins
l’analyse discriminante.

La banque pourra exploiter les résultats de l’étude afin d’optimiser

la décision de crédit. Les analystes pourront ainsi se libérer de l’examen des bilans
financiers et se concentrer sur les questions d’ordre qualitatif.

Il est clair que notre modèle de score a été élaboré à partir de

variables individuelles (dans notre projet les ratios financiers) ; et cet aspect
individuel n’est pas le seul facteur qui intervient dans le déclanchement du
processus de vulnérabilité ou même de défaillance. Peuvent intervenir des
variables déterminantes liées aux contexte économique (taux de change ,évolution
générale des prix ), ce contexte particulier ou se situe l’entreprise (son secteur, sa
région) et ses relations avec ses partenaires (sa clientèle et ses fournisseurs), ces
facteurs de risque sont généralement d’autant plus influents que les
caractéristiques individuelles sont dégradées et fragilisent donc l’entreprise .Les
facteurs de risque d’ordre macroéconomique ou environnemental donnent lieu à
des travaux d’une autre nature .

Il s’agit par exemple d’étudier la démographie des entreprises pour

comprendre les facteurs cycliques qui provoquent la défaillance.

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 .

De plus en plus utilisé comme aide à la décision, le crédit -scoring

peut intervenir dans plusieurs circonstances :

 Le score d’octroi permet d’harmoniser les critères de décision les

différentes succursales de la banque de façon à unifier et mieux piloter la politique
commerciale d’ensemble.

 Une fois l’entreprise fait partie de la clientèle, on pourra établir

un score de suivi clientèle qui utilisera des données plus diversifiées (le suivie du
compte, les divers incidents survenant à l’entreprise. L’étude chronologique de ces
données pourra être fructueuse. Ce score peut aider à l’étude de la politique
commerciale et éventuellement la réorientation si trop de clients sont sur des
créneaux risques.

 Malgré toute cette surveillance, certains dossiers arrivent aux

contentieux, un score de contentieux permettra un suivi de telles situations. il
contribuera à des recherches de solutions qui n’entraînent pas une situation trop
pénalisante pour la banque.

67

View publication stats