Scoring sur donnes dentreprises : instrument de diagnostic individuel et outil danalyse de portefeuille dune clientle

Mireille Bardos Ancien chef de service de lObservatoire des entreprises de la Banque de France mireille.bardos@wanadoo.fr Mots clefs : prvision du risque de crdit, analyse discriminante, prcision de la probabilit de dfaillance, classes de risque, slection de variables, choix de modle Introduction La plupart des tudes statistiques sur le risque de crdit et lanalyse discriminante se concentrent sur les techniques de construction dun score. Or la ralisation dun outil efficace de dtection du risque doit relier cette construction lutilisation future de cet instrument et les proprits quil doit en consquence ncessairement satisfaire. Les utilisateurs dun scoring sur donnes dentreprises seront des dcideurs, pour la plupart experts en analyse financire, ou responsables du risque de crdit dans les banques, ou superviseurs bancaires. Le prsent article sefforce de relier construction et utilisation en mettant en exergue les proprits requises pour les utilisateurs et les implications techniques quelles entranent. Il en rsultera une rflexion sur la slection des donnes, sur le choix du modle, sur lestimation de la probabilit de dfaut. Ds lors lutilisation de loutil sera approfondie sous deux aspects : le diagnostic individuel de lentreprise et lanalyse du risque dune population dentreprises emprunteuses. Enfin le score comme indicateur probabilis du risque de crdit joue un rle important dans les recherches en conomie. Beaucoup des problmes abords ici se rencontrent sur dautres champs dapplication de lanalyse discriminante. Toutefois il convient de sadapter dans chaque cas aux spcificits de lutilisation.

1. Les enjeux de la prvision du risque de dfaut de paiement

La ncessit de mieux contrler le risque de crdit dans les banques a conduit lintensification des travaux de credit scoring. Plusieurs types de techniques permettent la dtection prcoce des dfauts paiement des entreprises. Elles relvent de lanalyse discriminante. Un des objectifs majeurs pour les banques est destimer lesprance de la perte globale attendue, Expected Loss, et la perte inattendue grce un quantile extrme, Unexpected Loss, sur une population dentreprises, par exemple la clientle dune banque. Pour cela il est ncessaire de disposer au niveau de chaque entreprise dune probabilit de dfaut un horizon donn (ou plusieurs). On peut alors dterminer des classes de risque homogne. Dun tel objectif dcoulent plusieurs questions sur les proprits du score mis disposition : - prcision de lestimation des probabilits et homognit des classes de risque - stabilit temporelle des classes de risque et de leurs proprits

Revue MODULAD, 2008

- 159 -

Numro 38

dpendance la conjoncture de la mesure du risque stabilit des matrices de transitions corrlation des risques

La matrise de ces questions oblige se pencher sur le processus de construction du score et dexaminer les stades sensibles de ce processus. La pratique de la construction et de lutilisation conduit une deuxime srie de questions : - type de variables - longueur historique des fichiers de construction - processus de slection des variables - choix de la technique danalyse discriminante - horizon de la prvision - stabilit des entreprises dans les classes de risque - frquence de rvision de loutil - articulation entre conjoncture, prvision et rvision Ces questions constituent un enjeu important. De plus en plus tudies elles se rvlent interdpendantes. Les phases successives de la construction dun score ont une influence sur la robustesse et lefficacit de loutil obtenu. Diverses utilisations dun tel outil seront envisages. Les exemples prsents sont ceux des scores de la Banque de France.

2. Construction dun outil de dtection prcoce

2.1 Les donnes
La dfinition de lvnement dtecter constitue une premire difficult : procdure judiciaire ou dfaut de paiement ? quelle gravit du dfaut de paiement ? Le choix est souvent guid par la disponibilit de linformation. Un banquier connatra les dfauts de paiement et sera mme de qualifier leur gravit ; une institution publique est souvent mieux renseigne sur louverture des procdures judiciaires. Ensuite se pose la question de la corrlation entre ces vnements pour une mme entreprise. La population dentreprises cibles. La qualit du travail statistique requiert: la reprsentativit des chantillons et leur redressement ventuel. Une relative homognit de la population est galement ncessaire, pour que la variabilit lie aux difficults des entreprises ne soit pas masque par dautres types de variabilit comme les diffrences structurelles des bilans entre grands secteurs. Dans ce dernier cas la construction dun score par grand secteur est la solution. Au statisticien de dcider quel niveau de nomenclature dactivit sectoriel il doit travailler. Lhorizon de la prvision est fix par les besoins du dcideur, mais conditionn par la fracheur des donnes, limpact de la conjoncture et la prvisibilit du phnomne tudi (ici la dfaillance). Lorganisation des fichiers de donnes rsultera dun compromis. Le schma 1 dcrit la faon dont les chantillons ont t organiss dans les tudes de la Banque de France. Huit annes dobservations des comptes dentreprises permettent de couvrir un cycle conomique. Pour les entreprises dfaillantes, la base de donnes est constitue des bilans des trois annes prcdant la dfaillance. D indique le moment o celleci intervient. Chaque rectangle reprsente les donnes bilancielles dun exercice comptable. Les tudes statistiques sur la prvision de la dfaillance sur donnes comptables ont rvl Revue MODULAD, 2008 - 160 Numro 38

que ds trois ans avant la dfaillance des signes avant-coureurs sont visibles dans beaucoup dentreprises et ceux-ci saccentuent lapproche de lvnement. La prsence des bilans dune entreprise dans les bases de donnes bancaires peut prsenter une certaine discontinuit, en particulier chez les firmes en difficults. Pour ne pas se priver dun maximum dobservations les chantillons dtude sont non constants. De tels fichiers correspondent dailleurs la ralit de lutilisation future du scoring. Schma 1
ORGANISATION DES FICHIERS 1995 1996 1997 1998 D D D K=1 K=2 K=3 D D D Entreprises dfaillantes 1999 2000 2001 2002 2003

K=4

Entreprises non dfaillantes

Lgende:

K = 1: entreprises dfaillantes observes 1 an avant la dfaillance K = 2: entreprises dfaillantes observes 2 ans avant la dfaillance K = 3: entreprises dfaillantes observes 3 ans avant la dfaillance K = 4: entreprises non dfaillantes jusqu la date de constitution des fichiers (t 2004)

Schma 2
Discrimination linaire Slection des variables une une Discrimination non linaire

fD

dsigne la courbe de densit des entreprises dfaillantes.

fN

dsigne la courbe de densit des entreprises non dfaillantes

Le choix des variables explicatives va galement tre conditionn par la disponibilit et la fiabilit. Les variables qualitatives sont particulirement fragiles et souvent mieux adaptes lexpertise. Parmi les variables quantitatives, le suivi du compte bancaire est probablement trs rvlateur court terme, mais, nest pas toujours disponible ou sil est disponible il ncessite une exploitation difficile et complexe afin daboutir des indicateurs synthtiques quil faudra correctement coder. Les ratios conomiques et financiers construits sur les variables comptables sont largement disponibles et relativement homognes grce lexistence dun plan comptable. Ils reposent sur une thorie sous-jacente: lanalyse financire. La signification conomique des Revue MODULAD, 2008 - 161 Numro 38

ratios et leur fiabilit statistique doivent faire lobjet dune rflexion attentive. Elles conditionnent la qualit du rsultat (Cf. Bardos (2001) chapitre 5 sur la prparation des donnes et la slection des variables) Leur prparation est dlicate et longue. Sont examins les valeurs aberrantes, extrmes, ou encore insolites qui peuvent ncessiter une imputation de valeur, leur loi de probabilit, leur pouvoir discriminant, les corrlations, la linarit ou non vis--vis du problme trait. Cette dernire caractristique ne peut tre connue que grce lexamen des distributions des ratios (Cf. schma 2). Elle impose la cohrence entre les variables slectionnes et le choix de la technique du modle (linaire ou non). La prsence des bilans pouvant tre irrgulire, les taux de variation ne peuvent tre calculs pour toutes les entreprises. Si lon souhaite que le champ dapplication du score soit le plus large possible, les variables explicatives ne devront porter que sur une seule anne. Les taux de variation sont dailleurs statistiquement trs fragiles et peu discriminants : telle variable de trs faible niveau initial chez une entreprise donne, y restera faible mme si elle double en montant. Ainsi on rencontrera des cas dentreprises qui pour un mme taux de variation se trouveront en situation de fait trs diffrente, lune fort montant initial et lautre trs faible montant initial. Le taux de variation dans ce cas les traitera sur un pied dgalit et brouillera lanalyse statistique, mme sil y a dans le score dautres indicateurs qui les dpartagent mieux. Une fois les bons ratios reprs le pouvoir discriminant est contrl par des tests sur les quantiles (Cf. Vessereau (1987) and M.G. Kendall, A. Stuart (1961)). Un test non
paramtrique efficace repose sur le calcul dintervalle de confiance sur les quantiles comme suit.
Tableau 1 : Intervalles de confiance des quartiles au niveau 95% pour le ratio dlai fournisseurs
Dlai fournisseurs Entreprises non dfaillantes Entreprises dfaillantes 3 ans avant 2 ans avant 1 an avant 408 391 177 79,4 [73.1 ; 86.4] 84,3 [74.5 ; 87.1] 84,7 [713 ; 90.7] 109,4 [103.8 ; 117.2] 109,4 [103.8 ; 117.2] 106,9 [101 ; 112.4] 142,1 [137.5 ; 149.0] 145,5 [137.5 ; 149.0] 137,8 [129.3 ; 153.0] Nombre d entreprises 11 011 1er quartile 73,0 [71.9 ; 74.1] mdiane 102,4 [101.3 ; 103.3] 3me quartile 132,2 [130.9 ; 133.2]

Source : Banque de France

Si la variable alatoire X a une distribution non paramtrique, la probabilit que le p th quantile X p soit compris entre les observations de rang r et s, x (r ) et x (s ) , est calcule grce une loi Beta complte:

P ( x ( r ) < X p < x ( s ) ) = I p ( r , n r + 1) I p ( s, n s + 1)

1 u 1 v 1 o 0<p<1 et n est le nombre dobservations et I p (u , v) = t (1 t ) dt . B(u, v)

Revue MODULAD, 2008

- 162 -

Numro 38

Lintervalle de confiance au niveau est [x(r ); x( s )] tel que P ( x ( r ) < X p < x ( s ) ) = 1 . Quelques rsultats sont prsents tableau 1.

Certains statisticiens utilisent le test de dominance stochastique (R. Davidson, Duclos

Jean-Yves (1999), G. Barret, S.G. Donald (2002)).

La slection conjointe des ratios est une autre tape primordiale. Les ratios organiss par thme (endettement, rentabilit, gestion du cycle dexploitationetc) permettent de dfinir des jeux alternatifs de variables, un score tant estim sur chaque jeu. Un jeu pourra tre constitu dun ratio par thme afin de prendre en compte tous les aspects de la vie de lentreprise. Les variables finalement retenues doivent tre peu corrles entre elles. En effet, dans les mthodes linaires des corrlations leves peuvent entraner des signes des coefficients a contrario de ce que les statistiques descriptives ont rvl sur le sens de la discrimination pour chaque ratio 1 . De tels coefficients doivent tre proscrits sous peine de graves erreurs de classement, trs mal comprises par les utilisateurs futurs dans le diagnostic individuel (analystes financiers mais rarement statisticiens eux-mmes). En consquence les associations de ratios qui induisent de tels coefficients seront proscrites. Au-del de ces considrations, trois techniques de slection, souvent employes, apportent une aide bien quelles ncessitent des hypothses sur la distribution des variables : le de Wilks (slection pas pas), lalgorithme de Furnival et Wilson (slection optimale dun ensemble de variables discriminantes), la statistique de Wald (test de la nullit des coefficients dans le cas de la rgression logistique).

2.2. Les modles

Lanalyse discriminant, parfois appele classification supervise, couvre un large domaine de techniques. Des comparaisons dtailles de ces techniques ont t menes dans plusieurs tudes: Hand (2006), Hristache, Delcroix, Patila (2004), Baesens et alii (2003), Bardos (2001b), Bardos, Zhu (1998), Thiria et alii (1997), McLachlan (1992), Gnanadesikan and alii (1989). Des rflexions sur ladquation des modles aux donnes conomiques et financires dentreprises peuvent tre trouves dans cette littrature. Les principaux modles tudis son lanalyse discriminante de Fisher linaire ou quadratique, la rgression logistique, 2 et quelques mthodes non paramtriques comme Disqual , Arbres de dcision (CART), Rseaux de Neurones, la mthode du Plus Proche Voisin, la mthode du Noyau, les Support Vector Machines. Le but de la construction dun score peut se limiter vouloir identifier les clignotants du risque. Mais si on veut obtenir un outil oprationnel, sa construction est fonde sur une rgle de dcision. Celle-ci est gnralement dfinie partir de la dsignation dun seuil de

Pour les mthodes conduisant une fonction linaire, seuls peuvent tre retenus des ratios dont on peut dire plus le risque de dfaillance est lev, plus cette variable est leve (par exemple le taux dendettement) ou contraire plus le risque est lev, plus cette variable est faible (par exemple le taux de marge). Cette mthode construit une fonction discriminante sur variables qualitatives. Elle a t cre par G. Saporta. Une rcente application sur donnes de stratgie dentreprises a t mene par L. Lelogeais (2003)

Revue MODULAD, 2008

- 163 -

Numro 38

dcision 3 ncessaire lvaluation des taux de bons classements. Ceux-ci permettent de choisir la meilleure fonction discriminante parmi plusieurs estimations. Sur donnes comptables dentreprises, les mthodes conduisant une combinaison linaire de ratios sont de loin les plus robustes temporellement et sont facilement interprtables. Sont ainsi frquemment mises oeuvre les techniques de lanalyse discriminante linaire de Fisher (ADL) et les modles LOGIT ou PROBIT. la Banque de France cest la trs classique analyse discriminante linaire de Fisher (ADL) qui est utilise. Ce modle, cas particulier de la rgression logistique, a t choisi du fait des aides linterprtation quil fournit (Cf. 2.2.1). Toutefois dans le domaine bancaire, plutt que de classer les entreprises en bonnes et mauvaises , il sera beaucoup plus utile de disposer dune mesure du risque pour chaque entreprise, cest--dire sa probabilit de dfaut un horizon fix (Cf. 3). Cest elle qui motivera la dcision finale du dcideur. Lapport dun score au dcideur a pour avantage de fournir une synthse de la situation de risque partir du bilan et du compte de rsultat. Toutefois ceci a des limites car la dfaillance dentreprise est un phnomne complexe dont les vritables variables causales sont peu disponibles et difficiles identifier. Les fonctions scores utilisent donc des symptmes tels que des descripteurs de la situation de lentreprise avant sa dfaillance. Autant dire quil est souvent difficile de cerner avec prcision le phnomne de dfaillance par un score, linverse de ce qui se produit sur dautres champs dapplication de lanalyse discriminante plus proches de la science physique, comme la reconnaissance des formes o le sur apprentissage est mieux matrisable, et des techniques telles que les rseaux de neurones sappliquent avec succs. Lintrt du score est de fournir une mesure du risque par la probabilit de dfaillance partir des variables mobilises. Mais bien sr il faut en mobiliser dautres le plus possible, notamment celles de nature qualitative (pertinence de la politique commerciale, qualit du processus de production, clairvoyance des dcisions dinvestissement) .

2.2.1 Lanalyse discriminant linaire de Fisher (LDA)

Deux rgles de dcision peuvent tre implmentes pour estimer une LDA.
On considre D le groupe des entreprises dfaillantes, N le groupe des entreprises non dfaillantes, X = ( X 1 , X 2 ,..., X p ) le vecteur des p ratios de lentreprise, N et D les moyennes de X sur chaque groupe, T la matrice de variance totale.

La premire rgle de dcision rpond un critre gomtrique de comparaison de distance: d ( X , D ) d ( X , N ) e est allou au groupe D Utilisant la mtrique de matrice T 1 , la rgle devient: f(X) est ngative e est alloue au groupe D N + D o f ( X ) = ( N D )'T 1 ( X ) est la fonction discriminante. Ce modle ne demande pas 2
dhypothses paramtriques, nanmoins la forme du nuage de donnes doit tre assez rgulire (Saporta (1990)).
3

Il y a plusieurs seuils dans le cas des arbres ou des rseaux de neurones ; pour certains modles comme le Plus Proche Voisin ou le Noyau ou les SVM on dfinit des rgions de dcision.

Revue MODULAD, 2008

- 164 -

Numro 38

La seconde rgle de dcision est la rgle baysienne qui minimise lesprance du cot derreur de classement. En cas de multinormalit et homoscdasticit des distributions de probabilit sur chacun des groupes discriminer, cela conduit la mme fonction N + D discriminante: f ( X ) = ( N D )'T 1 ( X ) (1) 2 C Mais le seuil de dcision devient ln 2 / 1 1 et non plus 0 comme pour la rgle gomtrique. C1 / 2 2 Ci / j est le cot de lerreur qui consiste allouer au groupe i une entreprise qui en ralit appartient au groupe j, i est la probabilit a priori dappartenir au groupe i. Lun des avantages majeurs de la fonction score f est de fournir la possibilit d interprtation grce la contribution de chaque ratio la valeur du score. En effet il est possible de rcrire le score comme suit: f ( X ) = j ( X j p j )
j

o = ( )'T
N D

est le k

me

coefficient de la fonction f, p j = ( N + D ) / 2 est la valeur j j

pivot pour le jme ratio. Lexpression j ( X j p j ) est la contribution du ratio j au score f(X). Pour un score construit de faon que plus le score est lev meilleure est la situation de lentreprise, les contributions ngatives dsignent les points faible de lentreprise, tandis que les contributions positives mettent en vidence les points forts. La dcomposition de la valeur du score en somme des contributions est extrmement utile lanalyste financier qui value lentreprise (Cf. 5). Gnralement, cet expert nest pas statisticien. Il prend en compte beaucoup dinformations varies, la valeur du score est lune dentre elles. Les contributions laident approfondir lanalyse de lentreprise et lui signalent points faibles et points forts chaque anne. Il a ainsi lopportunit de suivre lvolution de ces points.

2.2.2 La rgression logistique (LOGIT)

La rgression logistique estime la probabilit a posteriori sous les hypothses suivantes:

p = P(Y = 1 / X ) = i i i

1 1+ e X i
1 + X

(2)

1+ e avec Yi = 1 si lentreprise i N et Yi = 0 si i D .
La vraisemblance est pi i (1 pi )
Y i =1 n 1 Yi

1 p = P(Y = 0 / X ) = i i i

(3)

o n est la taille de lchantillon n = n D + n N

Les paramtres et sont estims par la mthode du maximum de vraisemblance. pi est la probabilit a posteriori pour lentreprise dtre saine. En consquence, l ogit pi = ln

pi = + X i , et la rgle de dcision peut snoncer: 1 pi Lentreprise i est classe saine pi > 1 pi log it p i > 0 + X i > 0
Revue MODULAD, 2008 - 165 -

Numro 38

Une autre rgle de dcision pourrait tre fonde sur + X i > K Lintroduction dun seuil K fournit lopportunit daccorder la dcision aux objectifs de la banque, quantifis par les cots derreurs de classement (Hand (1981)).

2.2.3 Comparaison entre les modles LDA et LOGIT

La comparaison trs dbattue entre les modles LDA et LOGIT a donn lieu plusieurs investigations sur leurs proprits thoriques [T. Amemiya, J. Powell (1983), A.W. Lo (1986), B. Efron (1975), Maddala (1999)], leur interprtabilit (le grand avantage de la LDA: contributions des variables la valeur du score), la sensibilit au plan dchantillonnage de LOGIT [G. Celeux, J.P. Nakache (1994)], lestimation de la probabilit a posteriori (soit par la formule thorique, soit grce au thorme de Bayes appliqu aux distributions empiriques). Lefficacit de ces deux modles sur ratios conomiques et financiers dentreprise est gnralement trs proche. Dans le cadre paramtrique, la rgression logistique a un champ dhypothses plus large que celui de lanalyse discriminant linaire de Fisher. De fait, la linarit du logit correspond la linarit du quotient des log vraisemblances de chaque groupe: L D ( x) = x + . Cest lhypothse fondamentale (H) de la rgression logistique. L N ( x) Dans le cas de la multinormalit et lhomoscdasticit de la probabilit de la distribution des variables explicatives sur chaque groupe discriminer, lADL peut tre applique. Cela implique la linarit du quotient des log vraisemblances. En consquence, lADL apparat comme un cas particulier du modle LOGIT. Si lhypothse (H) est vrifie par les donnes, la probabilit a posteriori est calcule par les formules (2) et (3) qui sont donc les mmes dans les deux modles. Cependant, il se trouve que cette hypothse nest gnralement pas vrifie. Lutilisation de la formule thorique est alors dangereuse, car elle nest pas adapte aux donnes. Quand lchantillon est suffisamment grand il est de beaucoup prfrable destimer la probabilit par le thorme de Bayes appliqu sur les distributions empiriques du score sur chaque groupe comme cela est dvelopp dans le 3.

3. Probabilit de dfaillance
La probabilit de dfaut fournit une mesure de lintensit du risque. Elle est beaucoup plus informative quun seuil de dcision. Plusieurs questions cruciales conditionnent la qualit de loutil : a) Lhorizon de la prvision doit tre harmonis avec la nature des donnes.
Les variables de bilans sont, par dfinition, en dcalage de plusieurs mois avec le moment dexamen de lentreprise et dcrivent ce qui est advenu au cours de lanne coule ; elles sont donc mieux adaptes une prvision moyen terme qu court terme. Les bilans apportent incontestablement une information utile et robuste condition de bien harmoniser valuation et horizon de la prvision. Avec un horizon dun an, on pourrait penser tre dans la position de crer un indicateur court terme quil suffirait de r-estimer suffisamment souvent pour suivre les conditions auxquelles sont

Revue MODULAD, 2008

- 166 -

Numro 38

soumises les entreprises. Mais un tel indicateur suivrait alors de prs la conjoncture. Or, une telle perspective est trs difficile mener bien car la r-estimation frquente dans un environnement mouvant risque de conduire des fonctions toujours en retard sur lactualit. Le choix est donc fait de travailler sur un horizon de moyen terme avec des variables quantitatives reposant sur les bilans et sur lesquelles sexerce une mthode danalyse financire dont la qualit est reconnue de longue date. Les structures de bilan tant lies lappartenance sectorielle des entreprises, des scores sont crs par grands secteurs (industrie, commerce de gros, commerce de dtail, transport, construction, services aux entreprises).

b) Une estimation des probabilits a posteriori de dfaillance bien adapte aux donnes empiriques grce au thorme de Bayes sarticule avec la dtermination des classes de risque. La robustesse temporelle doit tre assure pour la probabilit moyenne par classe de risque. Lintervalle de confiance de cette moyenne indique la prcision et fournit une mesure de ce qui peut se passer dans le pire des cas. Encadr 1 : Utilisation du thorme de Bayes pour calculer la probabilit a posteriori
La probabilit de dfaillance dune entreprise e dont la valeur du score appartient l intervalle r peut scrire comme suit:

P (e D / s r ) =

p D D p ( s r / e D ) D = p( s r ) p D D + p N N
et

(4)

Les probabilits conditionnelles lappartenance un des groupes sont:

pD = p ( s r / e D )
La probabilit a priori de dfaillance est

pN = p( s r / e N )

et

N =1 D

est la probabilit de non dfaillance.

Connaissant les fonctions de densit du score sur chacun des groupes fD et fN , la formule (4) devient :

D
P (e D / s r ) =

zr

( z )dz

zr

( z )dz + (1 D ) f N ( z )dz
zr

La probabilit peut tre estime en utilisant le modle thorique ou tre calcule sur la base des distributions empiriques du score par le thorme de Bayes. Le choix entre ces deux mthodes dpend de la reprsentativit des fichiers dtude et de la vrification par les donnes des hypothses ncessaires lapplication des formules thoriques (Cf. Bardos , Zhu (1997), Bardos (2001), Kendaoui (2007)). Du fait de limportance et de la reprsentativit des fichiers de la Banque de France, les distributions empiriques peuvent tre utilises avec efficacit, car le rsultat est plus proche de la ralits que ne serait celui issu de la formule thorique puisque les hypothses sous-jacentes ne sont pas vritablement vrifies. Comme on va le voir la mthode fonde sur les distributions empiriques permet de plus de contrler la prcision des probabilits estimes, et lhomognit des classes de risques. Lalgorithme de cette estimation est le suivant : la probabilit a posteriori de dfaillance est calcule sur des petits intervalles de score chaque anne; pour chaque petit intervalle la moyenne et lcart type des rsultats annuels sont calculs. Les intervalles o les moyennes sont proches sont regroups dans le but de rduire lcart type et lamplitude de lintervalle de confiance de la nouvelle moyenne calcule sur le nouvel intervalle issu du regroupement des petits intervalles. Ce processus est renouvel jusqu obtenir des intervalles de score o lcart type est suffisamment rduit pour viter le chevauchement des intervalles de confiance de la probabilit moyenne. Le tableau 2 prsente les rsultats pour le score BDFI2 qui concerne lindustrie manufacturire. Dans la premire colonne sont prsents les intervalles qui dfinissent les classes de risque finalement retenues. Les colonnes 1998 2001 Revue MODULAD, 2008 - 167 Numro 38

fournissent les probabilits a posteriori par intervalle calcules sur chacun des fichiers annuels. Dans la colonne moyenne figure la probabilit de dfaillance associe chaque classe de risque calcule comme moyenne des rsultats 1998 2001. Dans la dernire colonne la limite suprieure de lintervalle de confiance reprsente la probabilit de dfaillance dans le pire des cas au niveau de 99% (c'est--dire avec un risque de se tromper de 1%). Les intervalles de confiance lies aux classes de risque voisines ne se chevauchent pas ce qui montre le degr dhomognit au sein de chaque classe de risque.

Tableau 2: Probabilit de dfaillance a posteriori par intervalle de score

l horizon de trois ans Industrie 1998-2001 Probabilit de dfaillance a priori l horizon de trois ans : 7.66% Intervalle de score Classe de risque Probabilit a posteriori calcule chaque anne 1998 46.39 31.98 22.39 16.08 10.89 7.50 3.46 2.03 0.84 0.27 1999 45.35 34.62 23.00 17.64 11.19 8.69 3.67 2.04 0.68 0.28 2000 47.83 33.43 23.81 18.56 13.04 9.52 4.45 1.64 0.80 0.34 2001 45.06 35.54 24.25 19.49 15.89 9.68 4.54 2.05 0.91 0.37 moyenne 46.16 33.89 23.36 17.94 12.75 8.85 4.03 1.94 0.81 0.31 Ecarttype 1.25 1.54 0.83 1.45 2.30 1.00 0.55 0.20 0.10 0.05 inf 44.27 31.58 22.12 15.76 9.31 7.35 3.21 1.64 0.67 0.24 Intervalle de confiance sup 48.04 36.20 24.60 20.13 16.20 10.34 4.85 2.25 0.95 0.38 mars 2005

BDFI2 <-2.4 1 -2.4 BDFI2<-1.8 2 -1.8 BDFI2<-0.8 3 -0.8 BDFI2<-0,3 4 -0,3 BDFI2<0 5 0 BDFI2<0,4 6 0,4 BDFI2<1,2 7 1,2 BDFI2<1,6 8 1,6 BDFI2<2,4 9 2,4 BDFI2 10 Source : Banque de France Fiben

c) La stabilit des entreprises dans les classes de risque est tudie grce aux matrices de transition. Cette tude participe au dbat, vif actuellement, sur lestimation travers le cycle cest--dire peu sensible la conjoncture avec un horizon de prcision long terme, ou lestimation dans le contexte actuel donc avec les critres du moment avec un horizon court terme.

4. Contrles et maintenance
4.1 Exemples de contrles
Une fois le score construit et valid sur des chantillons tests, sa qualit doit tre contrle. Un des contrles les plus ncessaires est dexaminer par sous population si le score a bien les proprits attendues. On prsente ici deux exemples de contrle. Contrle n1 : Plus lchance de la dfaillance se rapproche plus le score devient ngatif. Le graphique 1 tmoigne bien de cette caractristique. Contrle n2 : Le score est discriminant quel que soit la taille de lentreprise. Le graphique 2 montre que la fonction score des firmes dfaillantes a la mme distribution quelque soit la taille, de mme pour les firmes non dfaillantes. Cela montre que les ratios clignotants de la dfaillance utiliss dans la fonction score BDFI2 sont pertinents quelque soit la taille et que leur importance relative mesure par les coefficients de la fonction score est aussi la mme quelle que soit la taille. Ce rsultat est extrmement important car il permet dutiliser la mme fonction pour diffrentes tailles dentreprise. Par contre cela ne veut pas dire que la probabilit de dfaillance a posteriori pour une Revue MODULAD, 2008 - 168 -

Numro 38

valeur de score donne est la mme quelque soit la taille. En effet la probabilit a posteriori dpend de la probabilit a priori qui elle diffre grandement selon la taille des entreprises. Ceci est du au fait que les grandes entreprises ragissent aux difficults par divers moyens que nont pas souvent les PME (par exemple en se restructurant).
Graphique 1
Distribution du score BDFI2 selon lhorizon de la dfaillance
16 14

12

10

0 -5.1 -4.7 -4.3 -3.9 -3.5 -3.1 -2.7 -2.3 -1.9 -1.5 -1.1 -0.7 -0.3 0.1 0.5 0.9 1.3 1.7 2.1 2.5 2.9 3.3 3.7 4.1 4.5

Scores 1-yr horizon 2-yr horizon 3-yr horizon Non-failing

Source : Banque de France Fiben

Graphique 2
Distribution du score BDFI2 par catgorie selon la taille de lentreprise
16

14

12

10

0 -5.1 -4.7 -4.3 -3.9 -3.5 -3.1 -2.7 -2.3 -1.9 -1.5 -1.1 -0.7 -0.3 0.1 0.5 0.9 1.3 1.7 2.1 2.5 2.9 3.3 3.7 4.1 4.5

Scores
Failing, staff count<20 Non-failing, 20<=staff count<50 Non-failing, staff count<20 Failing, 50<=staff count<500 Failing, 20<=staff count<50 Non-failing, 50<=staff count<500

Source : Banque de France Fiben

Revue MODULAD, 2008

- 169 -

Numro 38

4.2

La maintenance

La maintenance correspond une autre ncessit. Une fois le score mis en place dans les programmes et utilis, il est de la responsabilit du fournisseur de score de vrifier quil met disposition un score dont la qualit ne se dtriore pas. Le trac des distributions de score par catgorie et les pourcentages de bon classement permettent ce contrle. Trois situations peuvent se produire : le score est stable et son pouvoir discriminant est inchang. Le schma 3 obtenu lors de la cration du score reste toujours valable ; le score se modifie par translation (par exemple vers les valeurs positives comme lindique le schma 4) mais son pouvoir discriminant traduit par la sparation des courbes reste intact. Il convient alors de r-estimer les probabilits de dfaillance et les classes de risques ; le score nest plus assez discriminant (schma 5). Dans ce cas il faut r-estimer le score lui-mme bien avant den arriver cette situation.
Distribution des scores par catgorie au moment o le score est estim (periode 1)
Frequency Period 1 Non-failing

Schma 3:

Failing

Score

Schma 4: A la priode 2 les distributions de scores par catgorie sont similaires mais translates vers des valeurs plus positives
Frequency Period 2 Non-failing

Failing

Score

Schma 5: A la priode 3, plusieurs annes aprs la construction, les distributions de score par catgorie se sont beaucoup rapproches, le score nest plus discriminant
Period 3 Frequency

Non-failing

Failing

Score

Revue MODULAD, 2008

- 170 -

Numro 38

5. Utilisation
5.1 Diagnostic individuel
Le credit scoring constitue un premier pas dans lanalyse des cas individuels. A la Banque de France, un dispositif complet est mis disposition des analystes financiers : le score est suivi sur plusieurs annes, les aides linterprtation qui laccompagnent permettent un usage oprationnel clair : probabilits de dfaillance, contributions des ratios au score, mise en situation par rapport au secteur. Par ailleurs, cest un grand avantage pour le statisticien de pouvoir connatre les inadaptations de loutil que lui signalent les experts utilisateurs. Ceux-ci indiquent sur les cas concrets les difficults de mesure. Leurs remarques permettent damliorer la mesure statistique des concepts danalyse financire et la comprhension des processus de dfaillance. Ces renseignements pourront tre mis en uvre lors de rvision de loutil. Un exemple de cas est prsent ci-dessous tel quil apparat aux analystes financiers de la Banque de France, comme aux experts des banques ayant adhr aux services de FIBEN qui se prsentent sous forme de modules accessibles via un lien internet scuris. Il sagit dune entreprise du secteur Commerce de dtail sur laquelle le score BDFCD est calcul. Interprtation
Encadr INDICATEURS DE DEFAILLANCE De 2000 2002, lentreprise a embauch, notamment en 2002, o la consolidation de sa situation a t importante. La probabilit de dfaillance 3 ans, associe au score, passe de 3,9 % 1,6 %. Paralllement, lentreprise a nettement amlior sa situation puisque partant dune classe risque (probabilit de dfaillance de 7,7 % > taux de dfaillance de 2,7 %), elle est passe en classe neutre en 2001 et a atteint une classe favorable en 2002. Sans tre encore dans les deux meilleures classes, lentreprise a bien assaini sa position. Encadr POSITIONNEMENT DE LENTREPRISE PAR RAPPORT AU SECTEUR Comparativement aux firmes de son secteur dactivit, lentreprise se situait en 2000 et 2001 dans le quart infrieur sans tre toutefois parmi les 10 % les plus risques. En 2002, son score se situe au-dessus du quart infrieur, sans atteindre toutefois la mdiane (ce que confirme la dernire ligne du tableau : 0,412 < 1,498). Encadr SCORE ET CONTRIBUTIONS DES RATIOS En 2001, les contributions rvlent deux points faibles : des concours bancaires courants trop levs et un dlai fournisseurs trop long. Le premier point est rapprocher du poids de lendettement dont le niveau est consquent, sans tre excessif (contribution 5 proche de 0) : lendettement comporte donc une part importante de court terme. La structure du haut bilan est dailleurs assez satisfaisante (contribution 6 positive). Toutefois, lentreprise semble rechercher de la trsorerie avec des dettes fiscales et sociales consquentes (contribution 1 proche de 0 bien infrieure la mdiane du secteur 0,314) et des dlais fournisseurs un peu longs. Limportance des charges financires vis--vis de lexcdent brut global est un niveau correct. En 2002, toutes les contributions samliorent, sauf la premire qui subit un trs lger recul. Cette amlioration concerne surtout lendettement financier qui sallge grce notamment une rduction des crdits bancaires courants. Par ailleurs, la solvabilit court terme se renforce (contribution 4).

Revue MODULAD, 2008

- 171 -

Numro 38

Exemple dune information sur le score accessible aux tablissements de crdit via le Module 38 de FIBEN

FIBEN
CONFIDENTIEL
[Indicateurs de dfaillance] [Positionnement] [Score et contributions] 20/10/2003

Analyse du risque Score Banque de France 999 999 999

Adresse Banque de France Secteur dactivit Date de clture

38

SOCIT X
1 rue du Paradis. CP VILLE SUCCURSALE Y 503A COMMERCE DE GROS DQUIPEMENTS AUTOMOBILE au
INDICATEURS DE DFAILLANCE

31/12/2002 2/2002 12 mois 138 1,6

12/2000

12/2001

Dure 12 mois 12 mois Effectif 101 109 Probabilit de dfaillance 3 ans (%) 7,7 3,9 La probabilit est relativiser en cas deffectifs suprieurs 500 Taux de dfaillance sur 3 ans dans le commerce de dtail et la rparation automobile 2,7 %
POSITIONNEMENT DE LENTREPRISE PAR RAPPORT AU SECTEUR

Secteur dactivit Date de clture

503A 12/2000 12/2001 2/2002

Score suprieur au 9e dcile Score compris entre le 3e quartile et le 9e dcile Score compris entre le 2e et le 3e quartile Score compris entre le 1er et le 2e quartile Score compris entre le 1er dcile et le 1er quartile X Score infrieur au 1er dcile Plus le score est lev, meilleur est le positionnement de lentreprise par rapport son secteur Contributions Individuelles 12/2001 12/2002 -0,035 -0,060 -0,171 -0,166 -0,534 -0,325 0,346 0,488 0,038 0,137 0,323 0,338 -0,033 0,412

X X

SCORE ET CONTRIBUTIONS DES RATIOS (comparaison aux mdianes du secteur)

Date de clture 1. Poids des dettes fiscales et sociales 2. Dlai fournisseur 3. Importance des CBC * 4. Importance des charges financires dans lEBG ** 5. Poids de lendettement financier 6. Poids FRNG *** SCORE BDFCD

Secteur 2002 0,314 -0,128 0,367 0,672 0,256 0,437 1,498

Informations couvertes par le secret bancaire conformment aux dispositions du Contrat FIBEN * CBC = concours bancaires courants **EBG = excdent brut global *** FRNG = fonds de roulement net global

Interprtation du score BDFCD grce aux contributions des ratios La contribution 1 est lie au poids des dettes fiscales et sociales relativement lactivit ; quand celle-ci slve, ces dettes sallgent. La contribution 2 est lie limportance des dlais des dettes fournisseurs ; quand celle-ci slve, les dlais des dettes fournisseurs raccourcissent. La contribution 3 est lie limportance des concours bancaires courants comparativement au niveau de lactivit ; quand celle-ci slve, la part des concours bancaires diminue. La contribution 4 est lie limportance des charges financire vis--vis de lexcdent brut global ; quand celle-ci slve, lentreprise renforce sa solvabilit court terme. La contribution 5 est lie au poids de lendettement financier (incluant le crdit-bail et les dettes groupe et associs) ; quand cette contribution augmente, limportance de la dette diminue. La contribution 6 est lie la structure du bilan ; quand elle slve, la structure samliore

Revue MODULAD, 2008

- 172 -

Numro 38

5.2 valuation du risque sur une population

Les tableaux de bord sur une clientle sont recommands par le comit de Ble. La Banque de France en a labors quelques exemples pour assurer le suivi dune population: mthode IRISK (Bardos M., Plihon D. (1999); impact conomique de la dfaillance (Nahmias L. (2005)). On prsente ci-dessous quelques uns des indicateurs IRISK pour les PME du secteur Industrie. Un score probabilis offre une mesure individualise du risque de crdit. Disposant de cette information sur une population dentreprises, des analyses statistiques en termes de suivi dun portefeuille dengagement peuvent tre menes. La mthode IRISK , dveloppe par la Banque de France, propose des tableaux de bord mettant en jeu plusieurs indicateurs de risque indpendants. Ils permettent une caractrisation du type de risque dont relve un portefeuille et son suivi sur plusieurs annes. Cette mthode est mise en uvre dans les tudes sectorielles de lObservatoire des entreprises. Elle est de plus en plus dveloppe et une implmentation annuelle complte sur tous les grands secteurs ayant un score est systmatiquement ralise. titre dexemple, un des tableaux de bord dIRISK est prsent ci-dessous sur les PME de lindustrie. De tels tableaux peuvent tre constitus sur des ensembles rpondant des critres souhaits (taille, secteur, liste dentreprises constituant une clientle). Tableau 3
INDICATEURS IRISK PME : entreprises industrielles dont le chiffre daffaires est infrieur 50 000 K
Industrie % des entrep. dans les classes risques (1) 18,95 17,48 16,07 15,77 16,96 17,57 % des effectifs dans les classes risques (2) 19,28 18,87 18,68 19,26 19,69 20,20 % du CA dans les classes risques (3) 16,05 15,45 15,33 16,03 16,13 16,39 Part risque moyenne (%) de l'endettement bancaire (4) 8,89 8,55 8,39 8,48 8,77 8,38 Part risque max. (%) de l'endettement bancaire (5) 10,08 9,71 9,52 9,62 9,90 9,48 Effectifs salaris moyens (6) 39 39 39 39 39 38 Part de l'endet. banc. (%) des 1% les plus endettes (7) 19,85 19,80 19,87 19,49 19,62 19,46

1998 1999 2000 2001 2002 2003

Source et ralisation : Banque de France Observatoire des entreprises Lgende :

Mise jour : aot 2005 4

la proportion de firmes dans les classes les plus risques, o les classes risques prises en compte dans ce tableau sont les classes 1, 2, 3, 4 (5 exclue) associes au score BDFI2 ; la part des effectifs et du chiffre daffaires des firmes des classes risques ; ces pourcentages compars au pourcentage de firmes risques du secteur donnent des lments sur la taille des entreprises risques ; la part risque moyenne de lendettement bancaire dans le secteur lhorizon de trois ans : 100x pi Ei / Ei , o pour chaque entreprise i, des trois prochaines annes, et

p i dsigne sa probabilit de dfaillance au cours

E i le montant de son encours de crdit bancaire ;

En aot 2005 un nombre important de bilans clturs au 31/12/2004 sont dores et dj collects et traits au plan individuel par les implantations de la Banque de France. Cependant, ce nest gnralement quen automne que les traitements de centralisation statistique sont totalement finaliss. Cest pourquoi le tableau 3 ne prsente pas de donnes 2004.

Revue MODULAD, 2008

- 173 -

Numro 38

la part maximale de lendettement bancaire dans le secteur lhorizon de trois ans : cas (elle est fournie par la borne suprieure de lintervalle de confiance de la probabilit moyenne, cf. tableau 2 : industrie score BDFI2 ) ;

100 x pmi Ei / E i , o pmi est la probabilit maximale qui reprsente le risque dans le pire des

les effectifs salaris moyens donne une premire mesure de la concentration du secteur ; lindicateur de concentration : la part de lendettement bancaire du secteur support par 1 % des entreprises les plus endettes.

Le tableau 3 fait apparatre dans le secteur de lindustrie une diminution du risque de crdit des PME en dbut de priode, comme le montrent la baisse du pourcentage dentreprises risques jusquen 2001 (colonne 1) et la rduction de la part risque de lendettement bancaire jusquen 2000 (colonnes 4 et 5). Aprs ces dates, chacun de ces indicateurs augmente. Toutefois, si en 2002, la part risque de lendettement bancaire atteignait un maximum anticipant la monte des risques lanne suivante (notamment avec la multiplication des procdures collectives), cette part se restreint en 2003, annonant lamlioration de la situation des entreprises en 2004. Est ainsi mis en valeur le caractre prdictif de ces indicateurs. Concernant les firmes dans les classes risques, limportance de leurs effectifs (colonne 2), mais la relative faiblesse de leur chiffre daffaires (colonne 3) semblent indiquer que les entreprises sont de taille assez importante en termes deffectifs salaris. Enfin, la concentration de lendettement est relativement stable (colonne 7).

6. Recherches sur le risque de crdit utilisant un score

Les scores construits la Banque de France couvrent un vaste champ de secteurs dactivit. Implments sur un ensemble reprsentatif des firmes dont le chiffre daffaires excde 0,75 millions deuros, ils permettent dexaminer de nombreuses questions lies au risque de crdit. La contagion du risque peut tre tudie via le fichier des impays sur effets de commerce de la Banque de France (Stili D. ( 2003, 2005), Bardos M., Stili D. (2006)). La corrlation du risque entre entreprises a un impact important sur lvaluation des pertes potentielles (S. Foulcher, C. Gouriroux, A. Tiomo (2004) ). Le lien entre risque et conjoncture sil peut tre explicit permettrait de mieux anticiper le risque de dfauts futurs au regard de variables macro conomique ou de facteurs spcifiques (E. Bataille, C. Bruneau, F. Michaud (2005)). Les trajectoires des entreprises fournissent ltude dynamique du risque (M. Bardos (1998) ). Les matrices de transitions entre classes de risque permettent dtudier le caractre Markovien ou non des processus de dfaillance. La concentration de lendettement peut engendrer un risque majeur pour les banques (Bardos M., Plihon D. (1999) ). Revue MODULAD, 2008 - 174 Numro 38

Par ailleurs, la rflexion sur les modles de risque de crdit ncessite des comparaisons entre systmes de notation des entreprises. Des travaux statistiques sur la simulation des distributions des taux de dfaut par note permettent dtablir des chelles de rfrence dans ces comparaisons (S. Blockwitz, S. Hohl (2001) , A. Tiomo (2002)). Ces exemples montrent lintrt dun score qui mesure la probabilit de dfaillance non seulement pour les dcideurs, et les pouvoirs publics, mais aussi pour les chercheurs en conomie. De nombreuses questions lies au risque de crdit et la stabilit financire peuvent ainsi tre examines.

Bibliographie
E. I. ALTMAN, A. SAUNDERS (1998) : Credit Risk Measurement: developments over the last 20 years, Journal of Banking and Finance 21, p. 1721-1742, North Holland ; T. AMEMIYA, J. POWELL (1983): A comparison of Logit model and normal discriminant analysis when the independent variables are binary, in Karlin, Amemiya, Goodman, edition Studies in econometrics, time series and multivariate statistics, Academic Press New York ; T.W. ANDERSON (1984) : An introduction to multivariate statistical analysis, Wiley, Chapter 6 Classification of observations ; BAESENS, T VAN GESTEL, S VIAENE, M STEPANOVA, J SUYKENS, J VANTHIENEN (2003) : Benchmarking state-of-art classification algorithms for credit scoring, Journal of the Operational Research Society . M.BARDOS (2007) : What is at Stake when Estimating the Probability of Default using a Scoring Function ?, Credit Risk Assessment Revisited: Methodological Issues and Practical Implications, European Committee of Central Balance Sheet data Offices Working Group on Risk Assessment, p. 95-118; M.BARDOS (2007) : What is at Stake in the Construction and the Use of Credit Scores ?, Computationnal Economics n29, p. 159-172; M.BARDOS (2005) : Les scores de la Banque de France : leur dveloppement, leurs applications, leur maintenance, Bulletin de la Banque de France n144, dcembre ; http://www.banque-france.fr/fr/publications/telechar/bulletin/etu144_6.pdf M. BARDOS, S. FOULCHER, E. BATAILLE (2004) : Les scores de la Banque de France: mthode, rsultats,applications , Banque de France, dcembre; http://www.banque-france.fr/fr/publications/catalogue/dom_2i.htm M. BARDOS (2001) : Analyse discriminante: application au risque et scoring financier, Dunod M. BARDOS (2001) : Dveloppements rcents de la mthode des scores de la Banque de France, Bulletin de la Banque de France n90, juin ; http://www.banque-france.fr/fr/publications/telechar/bulletin/etud90_4.pdf M. BARDOS, D. PLIHON (1999) : Dtection des secteurs risqus La mthode IRISK, Bulletin de la banque de France n69, septembre 1999. http://www.banque-france.fr/fr/publications/telnomot/bulletin/etud69_2.pdf

Revue MODULAD, 2008

- 175 -

Numro 38

M. BARDOS (1998) : Detecting the risk of company failure , The Journal of Banking and Finance n 22, 1998 ; M. BARDOS (1998) : Le score BDFI : du diagnostic individuel lanalyse de portefeuille, Les tudes de lObservatoire des entreprises, Banque de France.

http://www.banque-france.fr/fr/publications/catalogue/dom_2j.htm M. BARDOS, D. STILI (2006) : La contagion du risque via les impays sur effets de commerce, bulletin de la Banque de France n
http://www.banque-france.fr/fr/publications/telechar/bulletin/etu148_3.pdf M. BARDOS, W.H.ZHU (1997): Comparaison entre lanalyse discriminante linaire et les rseaux de neurones, application la dtection des dfaillance dentreprises, Revue de Statistique Apllique, 1997, pages 77100 ; G. BARRET, S.G. DONALD : Consistent Tests for Stochastic Dominance, working paper march 2002. E. BATAILLE, C. BRUNEAU, F. MICHAUD (2007) : Use of the principal components method to follow the link between business cycle and risk of companiesfailure, Computationnal Economics n29 (2007). S. BLOCKWITZ, S. HOHL (2001) : Reconciling Ratings, Risk Magazine, june 2001 L. BREIMAN, J.H. FREIDMAN, R.A. OHLSON, C.J. STONE (1984): Classification and regression trees, Edition Wadsworth International Group, Californie ; G. CELEUX, J.P. NAKACHE (1994) : Analyse discriminante sur variables qualitatives, Polytechnica ; R. DAVIDSON, J.Y. DUCLOS : Statistical Infernece for Stochastic Dominance and for the Measurement of Poverty and Inequality, working paper november 1999 B. EFRON (1975) : The efficiency of logistic regression compared to normal discriminant analysis, Journal American Statistical Society n70, pp.892-898; B. EFRON, R.J. TIBSHIRANI (1993) : An introduction to the Bootstrap, ed. Chapman & Hall; S. FOULCHER, C. GOURIEROUX, A. TIOMO (2004) : La corrlation de migration : mthode destimation et application aux historiques de notation des entreprises franaises, Etudes et Recherches de lObservatoire des entreprises, Banque de France http://www.banque-france.fr/fr/publications/observatoire/9.htm S. FOULCHER, C. GOURIEROUX, A. TIOMO (2003) : La structure par terme des taux de dfauts et rating, Etudes et Recherches de lObservatoire des entreprises, Banque de France http://www.banque-france.fr/fr/publications/observatoire/1.htm R. GNANADESIKAN and panel of authors (1989) : Discriminant Analysis and Clustering, Statistical Science, vol. 4, N 1, p.34-69 ; C. GOURIEROUX (1989) : conomtrie des variables qualitatives, conomica ; D.J. HAND (1981): Discrimination and classification, Wiley series in probability and mathematical statistics ; HRISTACHE, DELCROIX, PATILEA (2004) on semi parametric m-estimation. Journal of Statistic Planning and Inference, in press 2004. M.G. KENDALL, A. STUART (1961) : The advanced Theory of Statistics, chapter 32, Some Use of Order Statistics, Distribution free, Confidence Intervals for Quantiles , Griffin Londres L.KENDAOUI (2005): Risque et conjoncture, Mmoire de stage la Banque de France

Revue MODULAD, 2008

- 176 -

Numro 38

L.KENDAOUI (2007):

, Actes des journes de ASMDA2007

G.J. Mc LACHLAN (1992) : Discriminant Analysis and Statistical Pattern Recognition, Wiley, New-York ; L. LEBART, A. MORINEAU, M. PIRON (1998) : Statistique Exploratoire Multidimensionnelle, Dunod ; L. LELOGEAIS (2003) : Un score sur variables qualitatives pour la dtection prcoce des dfaillances dentreprises, Bulletin de la Banque de France n114, juin 2003. http://www.banque-france.fr/fr/publications/telechar/bulletin/etu114_1.pdf A.W. LO (1986) : Logit versus discriminant analysis, Journal of Econometrics n31, North Holland, 1986, pp. 151-178 . G.S. MADDALA (1999): Limited-dependent and qualitative variables in econometrics, Cambridge University Press; F. MICHAUD (2004) : mmoire de stage lObservatoire des entreprises de la Banque de France. L. NAHMIAS (2005): Impact conomique des dfaillances dentreprises, Bulletin de la Banque de France n137, mai; http://www.banque-france.fr/fr/publications/telechar/bulletin/etu137_3.pdf C. R. RAO (1973): Linear Statistical Inference and Its Applications, Wiley G. SAPORTA (1990) : Probabilits, analyse des donnes et statistique, Technip D. STILI (2003) : Les incidents de paiement sur effets de commerce, Etudes et Recherches de lObservatoire des entreprises, Banque de France http://www.banquefrance.fr/fr/publications/telechar/observatoire/incidents_paiement_impossibilite.pdf D. STILI (2005) : Dtction prcoce des dfaillances dentreprises et contagion du risque, Thse de doctorat, Universit Paris I. S. THIRIA, Y. LECHEVALLIER, O. GASCUEL, S. CANU (1997) : Statistique et mthodes neuronales, Dunod ; A. TIOMO (2002) : Risque de crdit et variabilit des taux de dfaut : une analyse empirique par simulation, Etudes et Recherches de lObservatoire des entreprises, Banque de France http://www.banque-france.fr/fr/publications/telechar/observatoire/risque.pdf VESSEREAU (1987) : Une proprit peu connue : lintervalle de confiance de la mdiane Revue de Staistique Applique XXXV (1), pp. 5-8 WGRA : Credit Risk Assessment Revisited : Methodological Issues and Practical Implications (2007) http://www.banque-france.fr/fr/eurosys/bilans/wgra.htm

Revue MODULAD, 2008

- 177 -

Numro 38