Manuscrit auteur, publi dans "Crises et nouvelles problmatiques de la Valeur, Nice : France (2010)"

LA PREVENTION DU RISQUE DE DEFAUT DANS LES BANQUES TUNISIENNES : Analyse comparative entre les mthodes linaires classiques et les mthodes de lintelligence artificielle : les rseaux de neurones artificiels
Hamadi Matoussi Professeur de Finance Universit de La Manouba (Tunisie) hal-00481087, version 1 - 5 May 2010 E-mail: hmato_isc@yahoo.ca hamadi.matoussi@iscae.rnu.tn Aida Krichne Abdelmoula Assistante en comptabilit Universit de Carthage 7 Novembre (Tunisie) E-mail: aidakrichene@yahoo.fr aida.krichene@iscae.rnu.tn

Rsum Ce papier porte sur le risque de non remboursement des crdits de gestion par une banque commerciale tunisienne. Ainsi, la matrise du risque de dfaut des crdits est devenue l'un des axes stratgiques majeurs de la gestion des organismes bancaires. Ce papier se fixe pour objectif de comparer le pouvoir prdictif de trois mthodes de prvision du risque savoir : le scoring, la rgression logistique et les rseaux de neurones artificiels. Nous avons utilis une base de donnes compose de 1435 dossiers de crdit octroys aux entreprises industrielles tunisiennes en 2003,2004,2005 et 2006. Les rsultats montrent la supriorit des rseaux de neurones artificiels par rapport aux autres mthodes classiques en matire de dtresse financire des firmes emprunteuses. Dans ce sens nous avons obtenu un taux de bon classement global de 97% pour lchantillon dapprentissage et 89.9% pour lchantillon test Mots clefs : Secteur bancaire scoring ; rgression logistique, panel, rseaux de neurones, la prvision du risque de dfaut

Abstract This paper addresses the question of default prediction of short term loans for a Tunisian commercial bank. We make a comparative analysis of three different statistical method of classification (artificial neural network and linear logistic regression with panel data). We use a database of 1435 files of credits granted to industrial Tunisian companies by a commercial bank in 2003, 2004, 2005 and 2006.The results show that the best prediction model is the multilayer neural network model and the best information set is the one combining accrual, cash-flow and collateral variables. We got a good classification rate of 97% in the training data set and 89.8% in the validation data set. Keywords: Banking sector, scoring, logistic regression, Default risk Prediction, Neural network Models.

Introduction
Le monde traverse actuellement une crise financire grave qui a dbut avec la crise du march hypothcaire risque aux tats-Unis pendant lt 2007 et sest propage rapidement en Europe, ce qui a rvl de graves lacunes dans le contrle et la rglementation des institutions financires Saurina (2008). Cette situation a entran une dgradation de la qualit des engagements des banques et une insuffisance de la confiance. Ces dysfonctionnements ont montr que la solvabilit des banques assures doit tre surveille par les autorits de rgulation avec la proccupation constante de dtecter prcocement les changements de leur profil de risque. C'est dans cette optique que s'est fait sentir la ncessit d'inventer une nouvelle politique prudentielle plus soucieuse de moduler le besoin en fonds propres rglementaires des banques en fonction de leurs risques, plus exigeante en matire de publication d'informations sincres et pertinentes destines aux investisseurs (y compris les dposants), et plus rigoureuse dans le respect de la conformit des pratiques bancaires avec les rgles dictes par les autorits de supervision et de contrle. Le risque de crdit est aujourd'hui considr comme le plus important des risques auxquels sont confrontes les entreprises, les banques et les institutions financires. Une banque ne doit pas subir la gestion des risques mais la piloter Dietsch &Jol (2008). C'est pourquoi la distribution de crdit implique une prise de risque qui doit tre convenablement matrise. Les risques de crdit comprennent bien sr tous les risques qui sont lis au dfaut de paiement du dbiteur qui a emprunt l'argent auprs des banques. La connaissance de la capacit de remboursement de l'emprunteur est donc fondamentale. Le Comit de Ble a propos en 2004 un nouvel ensemble de recommandations, au terme duquel est dfinie une mesure plus pertinente du risque de crdit, avec en particulier la prise en compte de la qualit de l'emprunteur, y compris par l'intermdiaire d'un systme de notation interne propre chaque tablissement (dnomm IRB, Internal Rating Based). L'accord Ble 2 est destin permettre aux banques de rpondre aux exigences de liquidit et de solvabilit indispensables une profession qui repose sur la confiance. Ainsi l'accord de Ble 2 met en lumire le fait que ces exigences reposent sur trois piliers : Un premier pilier qui tablit les conditions des exigences minimales de fonds propres. Un deuxime pilier qui tablit le processus de surveillance prudentielle. Un troisime pilier qui dfinit les rgles de discipline des marchs. Pour comprendre l'utilit de ces piliers il faut d'abord identifier les risques auxquels les banques sont soumises. . La plupart des banques ont initi leur dmarche par la gestion des risques de crdit avant

hal-00481087, version 1 - 5 May 2010

de sintresser aux risques oprationnels, compte tenu des conomies de fonds propres escomptes sur cette partie. Dans le cadre de ce travail nous nous intresserons uniquement au premier pilier et plus prcisment au risque de crdit. A limage de la plupart des pays mergents, le financement de lconomie tunisienne repose essentiellement sur lendettement bancaire. En effet, le secteur bancaire constitue lunique bailleur de fonds pour le financement de lensemble des besoins de lconomie. Les financements bancaires accords en Tunisie sont assujettis des exigences de garanties relles avec des chanciers de remboursement assortis dintrts bass sur le Taux du March Montaire. Un tel systme bien qu'il a jou un rle de premier plan dans la cration du tissu conomique tunisien voit aujourd'hui ses limites dans le niveau particulirement lev des crances classes bancaires. Les mauvais crdits (Bad Loans) sont parfois le rsultat d'une mauvaise valuation du risque mais souvent la consquence d'une structure financire de l'entreprise dsquilibre. hal-00481087, version 1 - 5 May 2010 Actuellement, au moment o s'ouvrent les frontires, o les banques tunisiennes doivent se soumettre au rating, les pourvoyeurs de fonds trangers ne peuvent dsormais se permettre de placer leur argent sans pour autant s'assurer que le systme financier du pays fonctionne d'une faon convenable. Toutes ces raisons ont pos la problmatique des impays bancaires, plus particulirement des crances douteuses, reprsentant aujourd'hui une masse assez importante. De ce fait, le systme bancaire mrite dsormais dtre consolid au moins, sur le plan de la gestion prudentielle des risques. La consolidation de la sant et la solidit financire du systme bancaire passe invitablement par l'amlioration de la qualit du portefeuille crdit qui comprend un volume relativement lev de crances classes par rapport aux normes internationales, et ce, en dpit de l'effort dploy pour rduire leur part dans le total des engagements comme a soulign le gouverneur de la Banque Centrale de Tunisie (BCT) En Tunisie, l'action des autorits nationales se focalise actuellement sur le renforcement des normes existantes en vue de favoriser une meilleure matrise des risques et une consolidation des assises financires, l'objectif tant de prparer le passage sans heurt Ble II, comme a soulign M. Baccar (gouverneur de la BCT). Dans le cadre de ce travail nous nous intresserons particulirement la gestion bancaire du risque de non remboursement des crdits de gestion aux entreprises tunisiennes. La question consiste alors se demander dans quelle mesure la modlisation du risque de dfaut peut rpondre aux soucis des banquiers et contribuerait la de rduction du volume ces crances douteuses. Ce papier se fixe pour objectif de comparer le pouvoir prdictif de trois mthodes de prvision du risque savoir : le scoring, la rgression logistique et les rseaux de neurones artificiels afin de proposer au banquier la mthode la plus performante en terme damlioration de lestimation du risque des dossiers tudis et de rduire le nombre de dfaut de paiement. Tout au long de ce travail nous allons dans un premier temps traiter le problme de laccs au crdit sous lhypothse de lasymtrie informationnelle et dans un deuxime temps nous

allons nous focaliser sur une approche technique et pratique du risque savoir les mthodes de gestion des risques de crdit (une revue de la littrature). Finalement, la troisime partie porte sur une tude comparative entre les mthodes linaires classiques (scoring et rgression logistique) et une mthode de lintelligence artificielle (Rseaux de Neurones Artificiels) sur un chantillon de 1435 dossiers de crdits de gestion accords aux entreprises industrielles tunisiennes durant 2003,2004, 2005 et 2006.

SECTION 1 : Laccs au crdit sous informationnelle : Revue de la littrature

lhypothse

dasymtrie

Les conflits dagence sont de nature prcontractuelle ou post-contractuelle et trouvent leur origine dans lasymtrie dinformation et dans limpossibilit de rdiger des contrats complets en raison de la rationalit limite et de lincertitude informationnelle. hal-00481087, version 1 - 5 May 2010 Goyer (1995) a distingu en fait lasymtrie informationnelle ex ante, ex post cit par Cieply & Grondin (2000). 1-1: Asymtries ex ante et mcanismes producteurs dinformation La slection adverse reprsente le risque que subit les crditeurs par les dirigeants, en leur qualit d insiders . Ces derniers dtiennent des informations quils gardent leur profit. Dans ce sens, Tremblay&al (1993) ont montr que le gestionnaire pourra conserver, ses fins personnelles, certaines informations pertinentes sur lexploitation de lentreprise. Ainsi, les insiders se permettent de slectionner les informations fournir. Plusieurs informations pertinentes pour lvaluation de la firme peuvent tre retenues au dtriment des crditeurs. Cette situation amne les crditeurs participer au financement des entreprises haut risque. Ce risque de la slection adverse est susceptible de conduire le banquier limiter son offre de financement et exclure du march du crdit les entreprises les plus risques, et donc en particulier les P.M.E. (Psillaki, 1995). Dans ce contexte informationnel, deux catgories de mcanismes permettent nanmoins, thoriquement, aux entreprises daccder au crdit (Salani, 1991), la banque, propose au reprsentant de lentreprise, un choix de contrats parmi lesquels les diffrents types dagents (agents risqus versus agents sains) choisissent en fonction de leurs caractristiques. Les contrats rvlateurs les plus usuels reposent ainsi sur la fixation du niveau du taux dintrt et des garanties (Bester, 1985 ; Besanko, Thakor, 1987 ; Gillet, Lobez, 1992). Selon ces modles, une entreprise risque accepte de supporter un taux dintrt lev. En revanche, compte tenu de limportance de sa probabilit de dfaut, le montant des garanties quelle accepte dapporter est relativement faible. A loppos, les entreprises peu risques nacceptent pas de sendetter un cot jug excessif mais elles sont prtes apporter en garantie un montant lev dactifs. 1-2: Asymtries dinformation ongoing ou lala moral et mcanismes incitatifs

Lasymtrie dinformation ongoing appel galement lala moral se situe aprs loctroi du crdit et provient de lincapacit des prteurs observer les actions de lemprunteur qui affectent la probabilit de remboursement, et sassurer de lusage des fonds distribus notamment le niveau deffort consenti par lemprunteur pour grer son projet dinvestissement et viter de faire dfaut sur sa dette. Cette asymtrie dinformation conduit un fonctionnement inefficace du march du crdit Hind Sami et Armelle Delorme (2004). Le prteur cherche ainsi se prmunir contre les actions caches de substitution des actifs lemprunteur. Celui-ci est en effet susceptible de rduire son effort de production et/ou de lancer des projets plus risqus puisque plus rmunrateurs pour les propritaires. Le prteur supporte alors un risque de (Jensen, Meckling, 1976), encore appel ala moral (Stiglitz, Weiss, 1981). Il met nanmoins en uvre des mcanismes ayant pour but de limiter lapparition de ce type de phnomne. Pour limiter les risques d'ala de moralit, le contrat de crdit est labor de manire inciter lentreprise respecter ses engagements. Il tente par consquent de spcifier lensemble des variables qui peuvent avoir un impact sur les conditions de la relation contractuelle. Il stipule ainsi des clauses restrictives dans laccord de financement. Il dtermine galement le montant et la nature des garanties apporter en cas de dfaut. Il dfinit enfin la prime de risque optimale que l'emprunteur doit payer. Face ces asymtries dinformation et aux risques quelles vhiculent, la question qui se pose quels mcanismes le banquier peut-il mettre en uvre pour pallier ces problmes ?

hal-00481087, version 1 - 5 May 2010

1-3 Mcanismes de rsolution 1-3-1 : Les garanties exiges. Des travaux, aussi bien thoriques que pratiques, ont montr lefficacit des garanties en matire de matrise de risque de contrepartie. Pour Besanko et Thakor (1987), l'apport de garanties peut limiter les risques d'ala de moralit. Les garanties notamment externes (les garanties personnelles en particulier) augmentent en effet les pertes de l'entreprise et de l'entrepreneur en cas de dfaut. Cet individu est incit lancer les projets les moins risqus pour ne pas perdre les garanties laisses en "otage" [Williamson, 1983]. Selon Gertler (1992), il existe ainsi un niveau de richesse minimum mobilisable par le banquier telle que les entreprises n'ont pas intrt sous-utiliser leur capital productif mme si un mauvais tat de la nature se rvle. Outre les garanties relles la banque peut exiger une garantie personnelle telle que la caution solidaire. En effet, la caution solidaire est la fois une garantie ex ante et ex post contre le risque de dfaut. Garantie ex ante, dune part, car elle conduit un quilibre sparateur qui permet au prteur dviter la slection adverse (Ghatak, 1999 ; Morduch, 1999); garantie ex post, dautre part, parce quelle empche lala moral, grce la surveillance effectue par les partenaires dun mme groupe (Morduch, 1999 ; Stiglitz, 1990) cit dans Mawuli Couchoro Et Pierre Rakotovao (2006) Dans ce mme contexte, Binks et Ennew (1997) rappellent que le problme de linformation asymtrique peut tre gr soit par un rationnement du crdit, soit par lutilisation de garanties. Ces dernires ont habituellement une valeur marchande relativement sre pouvant satisfaire les exigences de la banque en cas de dfaut de paiement de lemprunteur (Strahan, 1999). De leur

ct, Avery, Bostic et Samolyk (1998) considrent lutilisation de lengagement personnel de lentrepreneur en proportion du problme de risque moral et des difficults dvaluation de lentreprise de la part du banquier. Lutilisation des garanties personnelles devrait diminuer le risque du prteur et, par consquent, amliorer les conditions de financement. Ceci dpend toutefois de la rpartition du risque entre le risque moral, le risque danti-slection et dautres lments de risque inhrents au contrat. Lorsque le risque moral est lev, la banque pourra insister pour lobtention de lengagement personnel du dirigeant, en plus de lutilisation de garanties de lentreprise et ce, mme s'il y a une distinction lgale entre l'entreprise et son propritaire Storey et Cressy (1996). 1-3-2: Les caractristiques des emprunteurs comme variable de signalisation Lasymtrie dinformation sur les caractristiques de lemprunteur est particulirement prjudiciable au moment de loctroi du prt car elle rduit la capacit du prteur distinguer entre les bons et les mauvais emprunteurs. Les enseignements des modles thoriques soulignent que les caractristiques des emprunteurs permettent de rduire les phnomnes de slection adverse et damliorer la gestion du risque de crdit par les prteurs. Cela semble un enjeu particulirement crucial dans les conomies mergentes o les banques connaissent des problmes dinsolvabilit rcurrents dus limportance des crances douteuses dans leur portefeuille de prts Sami et Delorme (2004) 1-3-2-1 : Taille de lemprunteur Les travaux raliss sur le canal du crdit Bernanke(1993) mettant en vidence les effets diffrencis de la politique montaire selon la surface financire des emprunteurs il apparat opportun de prendre en considration l'existence d'un effet taille sur la nature des relations entre banques et entreprises. En effet, l'adoption d'un tel point de vue se rvle justifier puisque le comportement des banquiers est caractris par une ingalit de traitement financier entre les Petites et Moyennes Entreprises et les Grandes Entreprises Nadine Levratto (1996). Nadine Levratto (1996) a montr que les niveaux des taux d'intrt sont fixs selon le montant de crdit accord mettent en vidence un diffrentiel de prix dont l'une des causes rside dans la prsence de cots d'agence associs au crdit et paraissant voluer d'une classe d'emprunteur l'autre. Pour expliquer ce genre de phnomne, le chercheur a constat l'existence d'une relation inverse entre les cots d'agence et la taille des entreprises. Due aux difficults rencontres par ces firmes pour accder aux marchs financiers, cette relation inverse explique, d'une part, la rticence des PME ouvrir leur capital et, d'autre part, le peu d'intrt suscit par les firmes de moins de 200 salaris auprs des investisseurs. En ce qui concerne plus spcifiquement le financement bancaire, l'incapacit des PME fournir une information quantitativement et qualitativement conforme aux attente des banques et suffisante eu gard aux exigences des logiciels d'aide la dcision, justifie le surcot qu'elles doivent supporter.

hal-00481087, version 1 - 5 May 2010

Dans ce mme cadre, Lehmann et Neuberger (2000) et D'Auria et al. (1999) trouvent une relation ngative entre la taille de la firme et le taux d'intrt. Harhoff et Korting (1998), dans 6

une tude empirique sur des PME allemandes, obtiennent le mme rsultat et indiquent que les banques utiliseraient la taille de la firme comme une mesure du risque de crdit de lemprunteur. De son ct, Strahan (1999) affirme galement que les taux dintrt appliqus aux prts refltent la diffrence de taille des firmes, les plus grandes prsentant plus de garanties, ayant dvelopp leur rputation et prouv quelles taient capables de demeurer en affaires. Ces firmes empruntent plus, paient des taux dintrt moins levs, obtiennent des prts plus long terme et semblent fournir moins de garanties que les firmes qui sont de plus petite taille et moins rentables. Une capacit de ngocier des grandes entreprises suprieures celle des PME pourrait aussi expliquer ces rsultats. Le critre de taille a t et reste donc un facteur prpondrant de diffrenciation du cot du crdit entre les entreprises (Bardos, 1990 et 1991; Artus, 1991), d'autant qu' risque gal, le cot de l'endettement est d'autant plus lev que la taille de l'entreprises emprunteuse est rduite. Il semble bien que les critres de taille et de risque de non remboursement soient indpendants, donc susceptibles de se cumuler, ce qui plaide en faveur de l'existence de cots d'agence assis sur la dimension de l'entreprise. hal-00481087, version 1 - 5 May 2010

Pour conclure, la littrature recense montre que les banques, dans la dtermination des conditions de crdit bancaire aux PME, accordent une importance particulire la taille de lentreprise et ses rsultats financiers, aux caractristiques personnelles de lemprunteur et son engagement personnel, et la qualit de la relation daffaires maintenue avec lentreprise.
1-3-2- 2- La qualit de la relation banque entreprise

Les problmes dinformation asymtrique soulevs plus haut peuvent tre rduits sensiblement par une meilleure relation entre la banque et la firme et la prsence dun climat de confiance favorisant une relation daffaires harmonieuse. La qualit de la relation entre les deux parties est donc fondamentale pour le succs de leurs liens commerciaux. Berger et Udell (2002) prcisent toutefois que la principale relation nest pas entre la banque et la firme mais plutt entre le banquier et lentreprise emprunteuse . Dans une tude ralise sur des PME allemandes, Harhoff et Korting (1998) ont prouv que la confiance mutuelle entre ces deux parties a un impact significatif ngatif sur le taux d'intrt d'une ligne de crdit. De leur ct, D'Auria, Foglia et Reedtz (1999), tout comme Blackwell et Winters (1997), reconnaissent que l'troitesse des relations entre la banque et lentreprise constitue le dterminant principal des taux dintrt en Italie. Celle-ci a t dfinie par le degr dimplication du bailleur de fonds dans le financement de lemprunteur et la stabilit de son support financier. Par contre, Sharpe (1990) et Greenbaum, Kanatas et Venezia (1989) prtendent que ces relations ne rduisent pas les cots de financement et suggrent que la banque exploite l'information privilgie dcoulant dune relation troite pour charger des taux d'intrt levs, et mme suprieurs la moyenne des taux offerts sur le march. 1-3-2 -3 : Le temps comme facteur d'claircissement de la relation banque emprunteur Il faut signaler que lasymtrie de linformation devrait diminuer avec le temps, soit mesure que se dveloppe la relation entre le banquier et lentrepreneur, et contribuerait lamlioration des conditions de financement. Plusieurs auteurs ont observ de tels rsultats, alors que dautres sont moins convaincants. Les rsultats de Boot et Thakor (2000) suggrent 7

que des interactions plus frquentes permettent aux banques de rviser la baisse la classe de risque de lentreprise en mitigeant les asymtries dinformation. D'Auria et al. (1999) montrent que les relations de crdit long terme fournissent la banque une meilleure information sur les perspectives des firmes et leur situation financire. De leur ct, Berger et Udell (1995) affirment que les emprunteurs ayant de plus longues relations avec leur banque paient des taux d'intrt moins levs. Meyer (1998) prtend quarrivant maturit de la relation entre la PME et la banque, cette dernire rduit les taux d'intrt et baisse souvent les garanties exiges sur les emprunts. Les rsultats de Fernando, Chakraborty et Mallick (2002) montrent que la limite de crdit augmente avec la dure de la relation, mais de faon non continue. Arrive un certain seuil, une augmentation du nombre dannes nest plus un facteur utile laugmentation de la limite de crdit. Dautres tudes, par contre, nont trouv aucun impact significatif de la dure de la relation entre la banque et lemprunteur sur les taux dintrt (Petersen et Rajan, 1994 ; Lehmann et Neuberger, 2000).

hal-00481087, version 1 - 5 May 2010

SECTION 2- Lemploi des mthodes statistiques de prvision pour la dcision des crditeurs (bailleurs de fonds) : Evidences empiriques
Plusieurs tudes ont t menes dans lobjectif de prvoir la dcision des crditeurs partir des modles statistiques. Il sagit particulirement des modles bass sur lanalyse discriminante, la rgression logistique et les mthodes de lintelligence artificielle (RNA). 2-1 : Les modles empiriques multivaris bass sur lanalyse discriminante Depuis 1968, plusieurs recherches ont t menes aux tats unis dans le cadre de la prvision de la dfaillance en recourrant la technique statistique base sur lanalyse discriminante linaire. Parmi les tudes on cite ltude dAltman (1968). Le chercheur a pu dgager 5 ratios les plus discriminants parmi une batterie de 22 ratios. Altaman a conclu que les dimensions rotation du capital et structure financire sont les plus discriminantes du risque de faillite dune entreprise. Les rsultats de cette tude font apparatre des taux de bons classements corrects des entreprises dans leurs groupes dorigine de lordre de 79% et 96%. Ces taux sont considrs efficaces notamment pour lanne qui prcde la dfaillance. Ltude de Altman reprsente une avance significative car elle constitue le rsultat de la premire prise en compte simultane de plusieurs ratios financiers pour juger la sant dune entreprise ; ce qui a amen plusieurs chercheurs effectuer des tudes similaires, c'est--dire en adoptant cette approche multi dimensionnelle. 8

Deakin (1972) a effectu une analyse discriminante qui lui a permis davoir une combinaison linaire de 14 ratios et ce pour les cinq priodes qui prcdent lanne de la dfaillance. Au terme de cette tude Deakin (1972) a pu conclure que lanalyse discriminante est un outil statistique robuste qui permet de prvoir la dfaillance des entreprises partir des donnes comptables au moins trois ans lavance avec une grande prcision.

Edminster (1972) a pu dgager les indicateurs assimils des clignotants savoir Le cash flow, le fonds de roulement, lendettement, la rotation des stocks, la liquidit. Le taux de bon classement obtenu avec cette fonction est de lordre de 93%. Le chercheur na pas valid le modle obtenu sur un chantillon de contrle ce qui limite le pouvoir prdictif de ce modle. Altman, Haldeman et Narayanan (1977) ont prsent un modle jouissant dun pouvoir de prvision suprieur celui du premier modle de Altman (1968). En effet, la fonction obtenue a permis de reclasser correctement 92% des entreprises un an avant la dfaillance et 75% cinq ans avant. En France, plusieurs recherches ont t menes sur lvaluation du risque de dfaillance des entreprises par lanalyse discriminante. A titre indicatif on cite : Ltude de Yves Collongues (1977) qui a permis davoir un taux de bons classements de 94% et de 96%. Ce chercheur a pu conclure que ces deux modles privilgient les indicateurs utiliss par les banques savoir la rentabilit de lactivit le financement de lactif circulant par les capitaux permanents et les frais financiers. Dautres tudes ont t menes par la centrale des Bilans de la Banque de France on cite les travaux de Gensquiers, Micha & Pachot (1983) cits par Bernard Fioleau (1993) et de Bardos (1984). On cite galement ltude de Taffler (1983) mene en Grande Bretagne.

hal-00481087, version 1 - 5 May 2010

Dans le contexte tunisien, la recherche de Mamoughli (1984) qui a port sur un chantillon de 34 entreprises dont 17 juges dfaillantes par les banquiers vu quelles nont pas pu rembourser leurs crdits et 17 tires au hasard de la centrale des bilans de la banque centrale de Tunisie durant la priode allant de 1976 et 1982. Le chercheur a pu conclure que les dimensions fonds de Roulement, endettement, quilibre structurel, rentabilit et les cash flows sont les plus discriminantes Ltude de Matoussi &al (2004) qui a port sur un chantillon de 800 dossiers de crdit de gestion accords aux entreprises tunisiennes a permis davoir un taux de bon classement global de 83.6% Le caractre contraignant des hypothses de base ncessaires pour une mise en uvre efficace de lanalyse discriminante linaire a conduit certains chercheurs tester lefficacit

dautres outils statistiques telle que la rgression logistique pour la prvision de la dfaillance des entreprises. 2-2 : Les modles empiriques multivaris bass sur la rgression logistique La mthode de la rgression logistique est une technique probabiliste de classement qui consiste estimer la probabilit pour quune entreprise tombe en faillite compte tenu de ses caractristiques financires. Cette technique a t explore par Ohlson (1980) et Aziz A. & Lawson G. (1989). Les rsultats de ces travaux sont comparables ceux obtenus laide des modles utilisant lanalyse discriminante linaire. Ohlson(1980) a men une rgression logistique sur un chantillon de 363 socits cotes dont 105 dfaillantes , a conclu que les variables taille et rentabilit jouent ngativement dans la dtermination de la probabilit de dfaillance alors que la variable endettement joue positivement. hal-00481087, version 1 - 5 May 2010 Dans le contexte tunisien, ltude de Matoussi, Mouelhi et Sayah (1999) a permis de conclure que les dimensions liquidit, solvabilit, quilibre financier, rentabilit et autonomie financire sont les plus explicatives et ont permis davoir un taux de bon classement de lordre de 91%. 2-3 Les rseaux de neurones et octroi des crdits De nombreuses tentatives dapplication des rseaux de neurones en finance ont t publies ces dernires annes. Il nous a sembl utile de faire le point sur les rsultats obtenus en matire doctroi des crdits. En effet, Reilly, Collins , Scofield et Gosh (1990) ont men une tude dans le cadre de loctroi de crdit en utilisant un rseau RCE ( Restricted Coulomb Energy trois couches. Lalgorithme utilis dans cette recherche permet dassocier aux cellules caches des cas dits exemplaires , dont la slection est assure automatiquement au sein du jeu dapprentissage, auxquels seront compars les cas rencontrs. Reilly & al (1990) ont utilis des donnes relatives 1602 prts hypothcaires accords durant les annes 1984, 1985 et 1986.Ltat de remboursement a t valu fin de 1987 afin de classer les prts en deux catgories. Les chercheurs concluent que pour 10% des demandes, il est possible de prvoir avec une prcision de 95% les prts qui, sils sont accepts, conduiront des problmes de remboursement. Dans cette tude les chercheurs nont pas fourni des comparaisons prcises par rapport dautres approches.

Une autre tude ralise par Gosh et al (1990) a pour objectif de raliser une classification des demandes de crdit. Les chercheurs ont conclu que la mise en place du systme bas sur les rseaux de neurones a permis une augmentation de 16% des dossiers accepts tout en rduisant de 12% le nombre de dfauts de paiement. Les chercheurs nont pas galement fourni des comparaisons par rapport dautres approches. Smith (1990) a men une recherche qui porte sur 271.000 dossiers de crdit. Cette tude a pour objectif dvaluer lestimation des pertes pour chaque dossier tudi.

10

Pour ce faire Smith (1990) a explor un perceptron multicouche. La couche de sortie est compose dune cellule qui permet dvaluer une estimation des pertes pour chaque dossier. Pour tre accept, un dossier doit prsenter un score ou (risque de perte) infrieur un niveau donn. Lalgorithme utilis est celui de la rtropropagation classique des erreurs. Cet algorithme utilise une fonction derreur modifie afin de chercher amliorer la capacit de discrimination entre les entreprises dont le score est proche du seuil retenu. Le chercheur a conclu que la mise en place dun tel systme a permis laccroissement de 18% des profits de lentreprise utilisatrice par rapport aux performances des systmes classiques fonds gnralement sur des modles de lanalyse discriminante. 2-4 : Analyses comparatives : rseaux de neurones, et statistiques autres techniques

hal-00481087, version 1 - 5 May 2010

Les tudes comparatives menes dans le cadre des rseaux de neurones et dautres techniques ayant les mmes finalits mettent laccent sur les performances quantitatives obtenues. Les chercheurs nont pas abord les dimensions relatives lemploi des rseaux de neurones titre dexemple : les difficults dutilisation, les cots, la viabilit Bell & al (1990) et Tam &Kiam (1992) ont explor la prvision de dfaillance laide des rseaux de neurones. Ces chercheurs ont compar les performances des rseaux de neurones la rgression logistique. Ltude na pas permis de conclure la supriorit lune des deux techniques. Les taux derreur mesurs partir de diffrents niveaux de risques derreur ont t quivalents pour les deux techniques. Tam & Kiam (1992) ont compar les performances des rseaux de neurones celles dautres techniques comme lanalyse discriminante ou la rgression logistique. Ils ont constat que les rseaux de neurones prsentent de meilleures performances que celles dautres techniques. Les rsultats comparatifs auxquels les chercheurs ont abouti sont prsents dans le tableau suivant
Tableau n1 : les rseaux de neurones compars diffrentes mthodes Tam &Kiang (1992) p 941cit par De Almeida (1993)
Erreur de classement partir de la mthode Jacknife Pourcentages % Une anne avant la dfaillance Mthode Erreur type1 Erreur type Erreur total 2 Analyse discriminante 17.3 11.1 14.2 Logit Rseau sans couche intermdiaire Rseau avec 10 neurones dans la couche intermdiaire 12.3 8.6 8.6 17.3 13.5 12.3 14.8 11.1 10.5 Deux ans avant la dfaillance Erreur type1 Erreur type Erreur total 2 17.3 13.9 15.6 15.2 8.9 8.9 20.3 25.3 12.7 17.7 17.1 10.8

Roy & Cosset (1989) ont galement compar les performances des rseaux de neurones aux mthodes statistiques dans la dtermination de la cotation du risque pays. Les cotes obtenues servent dterminer le risque de non remboursement des dettes par le pays considr. Ces recherches ont abouti de bons rsultats. En effet, ils ont mesur la performance de chacune des techniques partir des termes derreur absolue dans la dtermination des cotes du risque

11

pays. Lerreur absolue moyenne obtenue par les rseaux de neurones a t plus faible que celle obtenue avec la rgression logistique. Ces rsultats sont rcapituls dans le tableau suivant :
Tableau n2 : Rsultats de la recherche Roy et cosset (1989)
R2 Modles avec 8 variables Modles avec 10 variables Rseaux 0.815 0.945 Rgression Logistique 0.788 0.903 Erreur moyenne absolue Rseaux 8.78 4.70 Rgression Logistique 9.59 6.78

SECTION 3 : Mthodologie suivie : Description des donnes de ltude : chantillon et variables

En Tunisie, lencours des crdits consentis en 2007 par le systme financier lconomie, tels que recenss par les Centrales des risques et des crdits aux particuliers, sest lev prs de 29,2 milliards de dinars au terme de lanne 2007, en progression de 11,6%, taux suprieur celui enregistr une anne auparavant de 3,5 points de pourcentage. Cette acclration a touch principalement lencours des crdits dexploitation et accessoirement celui des crdits dinvestissement. Atteignant 15,5 milliards de dinars au terme de lanne 2007 contre 14 milliards de dinars en 2006, lencours des crdits court terme sest accru de 10,6% contre uniquement 3% une anne auparavant. Cette volution sexplique, essentiellement, par lacclration du rythme de progression de lencours des crdits dispenss au secteur de lindustrie. Concernant le financement de lindustrie, le total des crdits accords slve 8.659 MDT1 au terme de lanne 2007 contre 7.852 MDTlanne prcdente. En effet, lencours des crdits octroys au secteur de lindustrie a enregistr une progression de 10,3% contre 2% une anne auparavant. Cette acclration sexplique par le renforcement du rythme daccroissement notamment de lencours des crdits court terme ainsi que de celui des crdits moyen et long termes. Nous opterons lors de cette recherche tudier les crdits de gestion accords aux entreprises industrielles tunisiennes parce quils constituent la majeure partie des crdits accords par les banques commerciales tunisiennes. Les crdits de gestion sont des crdits dont la dure ne dpasse pas deux annes. Le choix danalyser les situations des entreprises tunisiennes sexplique par le fait quen Tunisie le financement de lconomie tunisienne est confi presque exclusivement au secteur bancaire. un problme gnral constat par toutes les banques de la place est laugmentation croissante et sans cesse du nombre des crances classes (impays). La question qui se pose est ce que le recours la modlisation pour loctroi ou pas des crdits linstar des pays dvelopps permet-il de rduire le nombre dimpays enregistr dune anne lautre.

hal-00481087, version 1 - 5 May 2010

MDT : Milliards de Dinars Tunisien

12

La base de donnes2 englobe 1435 tats financiers couvrant la priode 2003 et 2004 ; 2005 et 2006 soit 371 dossiers en 2003,391 dossiers en 2004, 378 dossiers en 2005 et 295 dossiers en 2006 crdits accords.

Parmi ces dossiers il y a 231 dossiers de crdit des mmes entreprises sur les 4 ans soit 924 dossiers. Outre les tats financiers nous avons collect dautres donnes pour ces mmes entreprises : il sagit des garanties, de la taille de lentreprise et du secteur dactivit, la nature des tats financiers (certifis ou non certifis), le total engagement bancaire de lentreprise mesur par le risque brut et lage de la relation (banque /entreprise) mesure par la date douverture des comptes ainsi que la classe de risque de ces entreprises mesure par les chances impayes.. Il faut signaler que ces entreprises sont classes par la banque selon 5 classes de risques savoir : Classe 0 : lentreprise na pas dimpays hal-00481087, version 1 - 5 May 2010 Classe 1 : lentreprise emprunteuse a enregistr des impays de 3 mois sans dpasser 6 mois Classe 2 : lentreprise emprunteuse a enregistr des impays de 6 mois sans dpasser 9 mois Classe 3 : lentreprise emprunteuse a enregistr des impays de 9 mois sans dpasser 12mois Classe 4 : lentreprise emprunteuse a enregistr des impays de plus de 12 mois Notons que les entreprises qui constituent notre chantillon de base sont classes par le banquier selon cinq classes comme nous lavons dj cit. Toutefois, dans cette tude nous avons regroup les entreprises en deux classes : classe 0 : les entreprises saines et les entreprises risques celles appartenant la classe 1,2,3 et 4.
Dans ce qui suit nous allons prsenter la rpartition des entreprises de notre chantillon sur les 4 ans selon la classe de risque et la taille . INSERER TABLEAU 3 et 4

3-1 : Les variables de ltude

Les ratios financiers sont les variables le plus souvent utilises dans les modles de prvision du risque. Les ratios retenus varient fortement dune recherche lautre. Le nombre de ratios galement selon ltude. A titre dexemple, il existe des recherches qui ont t mene avecun seul ratio beaver (1966), 6 ratios Bardos (1989) et Laitinen (1991), 5 ratios Altman (1968) et 7 ratios Zavgren (1985) La plupart des tudes menes sur la dfaillance ont montr que les dimensions endettement, rentabilit, liquidit et flux de fonds sont les plus explicatives de la dfaillance Dumontier (1990). Evaluer le risque de crdit revient en premier lieu se poser la question de la solvabilit de l'entreprise considre. Cette solvabilit dpend la fois des lments purement internes l'entreprise, mais aussi

Il sagit dune base de donnes informatise fournie par une banque commerciale tunisienne prive. En effet, la Banque Centrale de Tunisie (BCT) a mis une circulaire en 2003 obligeant toutes les banques tunisiennes constituer une base de donnes comportant principalement les tats financiers de toutes les entreprises emprunteuses.
2

13

d'lments contextuels comme par exemples la localisation gographique, la situation conomique globale et les perspectives d'volution sectorielle. En ce qui concerne les donnes endognes (internes lentreprise), ce sont principalement des critres purement financiers tels que les revenus, le niveau dendettement, le rsultat dexploitation, les flux de trsorerie gnrs les disponibilits qui entrent en ligne de compte donnent une ide assez prcise sur la capacit d'un client/emprunteur rembourser sa dette en temps voulu. A partir de ces donnes, le calcul de certains ratios de base mesurant lendettement, liquidits, rentabilit, rotation, structure financire, fonds de roulement, le flux de trsorerie dexploitation permet immdiatement une premire valuation de la solvabilit de l'entreprise Lawrence Revsine; Daniel W. Collins & W. Bruce Johnson (1999): Leopold A. Bernstein JohnJ Wild(1998) Krishna G. Palepu; Paul M. Healy et Victor L. Berenard (2000) Stephen A. Ross Randolph W. Westerfield & Jeffrey Jaffe(2005) Ainsi les ratios proposs par ces chercheurs ont t inclus dans notre recherche. Les variables de ltude sont rcapitules dans le tableau suivant hal-00481087, version 1 - 5 May 2010
INSERER TABLEAU 5

3-2 : Les variables complmentaires

3-2-1 : Les garanties Pour se prmunir contre le risque dinsolvabilit des entreprises clientes, le banquier exige des garanties des entreprises demandant un prt. En effet, des tudes aussi bien thoriques que pratiques ont montr lefficacit des garanties en matire de matrise de risque de contrepartie ( Besanko&Thakor(1987),Ghatak (1999) Couchoro&Pierre Rakotovao (2006) Binks &Ennew(1997). En effet, lors de cette recherche, les garanties constituent une variable mesure par le LOG (garanties).

3-2-2 : La taille de lentreprise Il sagit de distinguer entre les grandes entreprises et les PME. La taille a t mesure par le log (total actifs).

Notre tude a pour objectif de comparer le pouvoir prdictif de trois modles savoir : La premire mthodologie base sur lanalyse discriminante appele galement le scoring La deuxime mthodologie base sur la rgression logistique simple et en donnes de panel La troisime mthodologie base sur les rseaux de neurones artificiels. En ce qui concerne le modle bas sur la mthode de lanalyse discriminante et la rgression logistique simple par anne nous avons travaill sur le logiciel SPSS. Concernant la

14

rgression logistique avec des donnes de panel nous avons travaill sur STATA. Finalement pour la construction des modles neuronaux nous avons utilis le logiciel MATLAB

SECTION 4 : Rsultats de ltude

4-1 : Rsultats de la fonction score
La validit de lanalyse discriminante est vrifie par le test de Box, de Lambda de Wilks et de la corrlation globale (tableau n6). En effet, lexamen des rsultats nous permet de conclure que le test Box est bon puisquil admet une valeur assez leve (2005.785) et la significativit de Fisher est assure (sig : 0.000). La corrlation globale se mesure quant elle se trouve dans le tableau Eigenvalues (valeurs propres)(tableau n7) .On observe notamment la colonne Canonical Corrlation (corrlation canonique).plus elle est leve, meilleur est le modle la corrlation globale est de lordre de 77.6%.

hal-00481087, version 1 - 5 May 2010

Le Lambda de Wilks sobserve quant lui dans le tableau Wilks Lambda (tableau n8). Plus la valeur de Lambda de Wilks (deuxime colonne) est faible, plus le modle est bon. La valeur de ce test est de 0.397 et il est significatif (sig 0.000)
Daprs les corrlations entre la fonction discriminante et les variables (tableau n9), on observe que les ratios suivants : liquidit des comptes clients, et le Ratio du Fonds de roulement, liquidit gnrale et la Couverture des dettes par les flux de trsorerie, sont les ratios qui participent le plus avec un signe ngatif dans la formation de la fonction discriminante. En revanche et celui de la Valeur liquidative, la capacit dautofinancement taux de la marge, la rentabilit des actifs et Taille de l'entreprise sont les variables qui participent le plus avec un signe positif dans la fonction discriminante. INSERER TABLEAUX 6,7,8 ET 9 Cette fonction discriminante a permis davoir un taux global de bon classement3 de lordre de 94.8% INSERER TABLEAU 10

Aprs avoir calcul le score (qui slve 0.131), nous avons valid cette fonction discriminante sur un chantillon de contrle compos de 511 dossiers de crdit qui nont pas fait lobjet de lanalyse. Cette validation nous a permis davoir un taux de bon classement global de lordre de 82.60% nous pouvons retenir que mme si lanalyse discriminante aboutit de bons rsultats de classement

et de significativit des ratios, ces rsultats peuvent tre trs critiquables sur le plan statistique dans la mesure o lhypothse principale de normalit de la distribution des variables nest pas vrifie. De plus lanalyse discriminante fournit des rsultats sous forme de scores qui sont compars un score critique fix par celui qui a fait lanalyse pour juger la situation de lentreprise. Ceci rend la dcision dpendante du score critique choisi.

Le taux de bon classement global est le taux des entreprises bien classes dans leur groupe dorigine. En dautres termes, il sagit de la somme du nombre des dossiers de crdits des entreprises saines classes par le modle comme saines et du nombre des dossiers de crdit des entreprises risques classes risques par le modle divise par le nombre total de lchantillon. Selon tableau 10 : 412+464/924=94.8%
3

15

4-2: Les rsultats de la rgression logistique 4-2-1: La signification du modle

La rgression logistique est sensible au problme de la multicolinarit pour cela nous avons limin les ratios qui prsentent de fortes corrlations afin dviter ce problme.

Le Log de vraisemblance, fourni par le logiciel SPSS, qui suit une loi de est gal 91.231 cette valeur avec 18 degrs de libert est significative. Ce ratio de vraisemblance mesure le pouvoir explicatif du modle. Les deux pseudo R2 nous permettent dexpliquer le pourcentage de la variable dpendante binaire qui est expliqu par les variables retenues il sagit de la statistique de Cox & Snell et de Nagelkerke. Notons que la statistique de Nagelkerke est une version ajuste du Cox & Snell et est donc plus prs de la ralit. Dans notre modle ces deux statistiques slvent respectivement de 54.8% et 73 %. Ainsi, 73% de la variation dans la classe de risque pourrait tre explique par les variables qui sont significatives 4-2-2 : La signification des variables indpendantes
INSERER TABLEAU 11

hal-00481087, version 1 - 5 May 2010

Daprs le tableau intitul Variables in the equation , chaque variable est associe une variable bta qui constitue le paramtre ou le coefficient estim par la mthode de maximum de vraisemblance. De plus, chaque ratio est associ une valeur Wald . La statistique Wald suit une loi un degr de libert et permet de tester la signification de chaque ratio. En examinant les valeurs de bta et de la statistique Wald, nous constatons que les ratios relatifs la couverture du besoin en fonds de roulement, la liquidit, la capacit de remboursement, couverture des dettes moins dun an par les flux provenant de lexploitation, la rotation des actifs, lquilibre structurel et la taille de lentreprise participent de faon significative dans la formation de la fonction logistique. Ces variables ont les plus grands coefficients bta et les plus grandes valeurs de la statistique Wald avec les plus bas niveaux de risque (sig <0.16). 4-2-2-2 : Le pouvoir prdictif du modle La rgression logistique nous a permis davoir un taux global de bon classement de lordre de 88.7% pour lensemble des entreprises et pour un niveau de probabilit de dfaillance gal 0.5 (cut value). Ce pourcentage est de 93,10% pour les entreprises saines et de 84,21% pour les entreprises risques. Sur la base du modle de rgression, nous avons procd au reclassement des entreprises appartenant lchantillon de contrle compos de 511 dossiers. En effet, nous avons calcul les probabilits de dfaillance des diffrentes entreprises et nous avons compar cette probabilit 0.5. 16

Les rsultats de cette comparaison nous ont permis davoir un taux de bon classement global de 72.17%. 4-3 : Rsultats de la rgression logistique avec des donnes de Panel La rgression logistique avec des donnes de panel nous a permis davoir les rsultats suivants :

INSERER TABLEAU 12 Le nombre total des observations slve 924, le Wald 2 est de lordre de 187.22 et il est trs significatif (Prob=0.000). Le pseudo R2 est de 50.53%. En ce qui concerne les variables explicatives du phnomne de la dtresse financire nous constatons que les variables relatives aux (garanties (r24), taille de lentreprise(r23), CAF (r7), la couverture des dettes par les flux de trsorerie(r6)),rotations des stocks et de lactif,la rentabilit des actifs,la rentabilit financire,la couverture des intrts, la valeur liquidative et la dimension fonds de roulement sont les variable les plus explicatives du phnomne de la dtresse financire. INSERER TABLEAU 13 Le tableau 13 montre que le taux de bon classement global est de 86.58% Nous pouvons donc conclure que la dimension financire classique elle seule nest pas suffisante pour prdire la probabilit de dfaut il savre que les garanties et les flux de trsorerie sont trs importantes do la ncessit de les inclure dans les modles de prvision.

hal-00481087, version 1 - 5 May 2010

4-4 - Rsultats des modles bass sur les rseaux de neurones artificiels 4-4-1 : Rsultats des modles neuronaux multicouches On sintresse dans ce qui suit aux rseaux couches Multiples (Multi Layer Perceptron : MLP) en association avec la mthode dapprentissage de rtro propagation du gradient de lerreur communment appel Back Propagation . Il faut signaler que cette technique permet davoir de meilleurs rsultats au niveau de la classification. 4-4-2 : Rsultats du perceptron multicouches deux sorties : MLP avec lalgorithme feed forward Pour construire le modle neuronal deux sorties nous avons utilis un chantillon dapprentissage comprenant un chantillon de 924 dossiers de crdits accords durant 2003,2004 et 2005 et 2006 nous avons laiss 511 dossiers pour lchantillon test accords durant 2003, 2004, 2005 et 2006 (nappartenant pas lchantillon dapprentissage). 17

4-4-3: Rsultats des MLP avec toutes les variables : flux de trsorerie, taille et garanties et les variables financires (ratios dendettement, dquilibre structurel, rentabilit, rotation, Fonds de Roulement, liquidit) Lintroduction de la variable garantie approche par LOG (garanties) nous a permis damliorer encore les rsultats en terme de bon classement par rapport aux autres mthodes. Le tableau n14 suivant rcapitule les rsultats obtenus suite lintroduction de cette variable.
Tableau n14 : Rcapitulation des rsultats des rseaux de neurones entrains avec toutes les variables
Lchantillon dapprentissage 924 dossiers Rseauxmulticouches : feed forward Model_full_inf_01 [24 2] Model_full_inf_02 [24 12 2] Model_full_inf_03 [24 12 10 2] Model_full_inf_04 [24 12 12 12 2] Model_full_inf_05 [24 15 15 15 2] Model_full_inf_06 [24 15 15 2] Model_full_inf_07 [24 12 12 2] Model_full_inf_08 [24 21 15 10 2] MSE 9.6 3.7 1 1.5 0.6 0.3 1 0.5 Bon classement 89.9 96.4 95.35 95.5 97 96.8 97.6 97 Lchantillon test 511 dossiers MSE% 20.6 4.54 2.64 2.8 1.38 2.6 2 2.7 Bon classement % 74.5 82.5 86.8 80.6 87.7 82.1 79.6 89.8

hal-00481087, version 1 - 5 May 2010

Ce tableau appelle les remarques suivantes Larchitecture du rseau optimal est compose de cinq couches dont trois caches.

Lintroduction de toutes les variables ensembles a permis damliorer le taux de bon classement global pour atteindre 89.8%.soit 90%. Les variables relatives aux flux de trsorerie et aux garanties sont trs dterminantes pour la prvision du risque de dfaut. Le graphique suivant prsente lvolution de lerreur tout au long du processus dapprentissage du rseau optimal INSERER FIGURE 1

Lintroduction des variables garanties, taille et flux de trsorerie dans le modle neuronal a permis davoir de bons rsultats de classement. En effet, Les programmes de crdit [] deviennent de plus en plus exigeants quant aux critres de rentabilit et de viabilit dans le temps. Ainsi les institutions spcialises tendent professionnaliser davantage la gestion de leurs crdits. Dans ce contexte, les systmes de garantie trouvent leur place en tant que moyen de faciliter laccs aux ressources financires et de partager les risques. Dominique Lesaffre(2006). En dautres termes lobjectif de la garantie doit se limiter faciliter laccs au crdit. Il sagit dun instrument parmi dautres qui, doit permettre de couvrir le risque et de crer un effet de levier Dominique Lesaffre (2006). 4-4-4 : Comparaison des rsultats obtenus avec les diffrentes mthodes utilises et avec toutes les variables de ltude

18

Rgression logistique Scoring BON CLASSEMENT Echantillon Echantillon principal test BON CLASSEMENT Echantillon Echantillon principal test

Rgression logistique avec des donnes de panel BON CLASSEMENT Echantillon Echantillon principal test

Rseaux de neurones artificiels BON CLASSEMENT Echantillon Echantillon principal test

94.8

81.03

88.7

81.89

86.58

78.5

99.5

89.9

Daprs ce tableau nous remarquons que les rseaux de neurones artificiels apparaissent comme tant un outil de prvision puissant en matire de la prvision de la dtresse financire des entreprises emprunteuses. En effet, ltude comparative des trois mthodes utilises ( savoir lanalyse discriminante, la rgression logistique simple et avec des donnes de Panel) et la mthode base sur les RNA nous a permis de conclure quant la supriorit des rseaux de neurones en matire de bon classement ce constat est confirm par Tam Kiam (1992) la diffrence de Roy & Cosset (1989) qui ont conclu la primaut des mthodes classiques tels la rgression logistique et lanalyse discriminante. Dans ce cadre, le taux de bon classement global a augment de 24% par rapport lanalyse discriminante et la rgression logistique avec des donnes de Panel. hal-00481087, version 1 - 5 May 2010

Conclusion
Les rsultats obtenus montrent que la dcision de crdit ne repose pas uniquement sur linformation financire. L'exigence des garanties constitue aussi pour les banques, le mcanisme central d'ajustement du risque permettant l'accs aux actifs si l'emprunteur fait dfaut Storey (1994). Egalement la taille de lentreprise constitue une variable trs dterminante pour une telle dcision. Lanalyse des variables financires (les ratios) nous a permis de dtecter celles les plus rvlatrices de la dgradation de la situation financire des entreprises demandant des crdits auprs des tablissements financiers. En effet, aussi bien lanalyse discriminante (mthode de crdit scoring) que la rgression logistique simple et avec des donnes de panel ont permis de conclure que les variables relatives lquilibre de trsorerie, lendettement, fonds de roulement et de rentabilit et rotation ainsi que la taille et les garanties savrent trs dterminantes dans lexplication du phnomne de la dtresse financire.

Notons que le banquier lors de son tude dun dossier nutilise aucun indicateur bas sur les flux de trsorerie dexploitation. Cependant selon cette analyse discriminante on peut conclure que linformation en flux de trsorerie dexploitation permet aux crditeurs et aux investisseurs dtre aviss des signes prcurseurs de la dfaillance financire des entreprises. En fait, les flux de trsorerie lis lexploitation sont trs pertinents pour lvaluation du risque de crdit dans la mesure o les dcideurs valuent la capacit de lentreprise honorer ses engagements en principal et intrts dans le cadre normal de son activit zimmer (1981). En fait les responsables de crdit doivent estimer la capacit de remboursement des entreprises partir des flux de trsorerie dexploitation et non sur la valeur liquidative des actifs ou des garanties. Les rseaux de neurones artificiels apparaissent comme tant un outil de prvision puissant en matire de dtresse financire des firmes emprunteuses. Cette recherche confirme bien ainsi les tudes empiriques dj ralises dans ce domaine.

19

La limite adresse cette mthode est relative la non transparence des pondrations du rseau qui reste une question qui mrite d'tre tudie. Altman et al (1994), ont suggr, en ce sens, l'utilisation combine des deux approches (rseaux de neurones et analyse discriminante), et ce afin de profiter des avantages relatifs chacune des deux mthodes. La prsente tude peut tre rplique en recourrant lutilisation dautres mthodes de classification pour pallier aux insuffisances des mthodes tudies et qui sont de nature amliorer la prvision . On cite titre indicatif les algorithmes gntiques.

hal-00481087, version 1 - 5 May 2010

20

BIBLOGRAPHIE 1-Articles
Altman, E.I. (1968) : Financial ratios, discriminant analysis and the prediction of corporate bankruptcy . Journal of finance, vol.23, n4, 1968.P589-609 Altman, E. ; R .Haldeman et P. Narayanan (1977) Zeta Analysis- a New Model to Identify Bankruptcy Risk of Corporation Journal of Banking and Finance, vol 1 , pp 29 54

Altman, E.I. ; Marco, G. et Varetto,F. (1994): Corporate Distress diagnosis : comparisons using linear discriminant analysis and neural networks . Journal of Banking and Finance , 18; P505-529. Avery, R.B., Bostic, R.W. et Samolyk, K.A., (1998): The role of personal wealth in small business finance, Journal of Banking and Finance, 22 (1998), 1019-1061. Aziz A. et Lawson G. (1989) : Cash flow reporting and financial distress models testing of hypotheses Financial Management, 1989. Beaver ,W.H., (1966) financial ratios as predictors of failurejournal of accounting research,4,71111. . Berger A., Udell G.F.,1990, Collateral, Loan quality and Bank Risk, Journal of Monetary Economics 25, 21-42. Berger, Allen N., and Udell, Gregory F. 1995. Relationship Lending and Lines of Credit in Small Firm Finance. Journal of Business, 68 (3): 351381. Bernanke, B. (1993) : Credit in the macroeconomy; Federal Reserve Bank of New York Quarterly Review, printemps, pp. 50-76. Besanko D., Thakor A.V. [1987], Collateral and Rationing : Sorting Equilibria in Monopolistic and Competitive Credit Market , International Economic Review, vol. 28, October, pp. 671-690. Bester H. [1985], Screening vs. rationing in crdit markets with imperfect information , American Economic Review, 75, pp. 850-855. Binks, M.R. et Ennew, C.T., Smaller businesses and relationship banking: the impact of participative behavior, Entrepreneurship Theory and Practice, 21,4 (1997), 83-92. Blackwell, David W., and Winters, Drew B. 1997. Banking Relationships and the Effect of Monitoring on Loan Pricing. The Journal of Financial Research, 20(2): 275289. Collongue Y. (1977) ratios financiers et prvision des faillites des petites et moyennes entreprises . Revue Banque , N365, PP963-970 Dauria C., Foglia A. et Reedtz P. M. [1999], Bank interest rates and credit relationships in Italy , Journal of Banking and Finance, 23, p. 1067-1093. ... Deakin, E.B (1972): A discriminant analysis of predictors of business failure , Journal of accounting research, 1972,PP167-179.

hal-00481087, version 1 - 5 May 2010

21

Edmister R. an empirical test of financial ratios analysis for small business failure prediction journal of financial and quantitative analysis mars 1972

Gertler M., (1988), Financial structure and aggregate economic activity : An overview , Journal of Money, Credit and Banking, 20, pp. 559-588. Ghatak M. (1999), "Group lending, local information and peer selection", Journal of Development Economics, "Special issue on Group Lending", vol. 60, n1, pp. 27-50. Gillet R., Lobez F., [1992], Rationnement du crdit, asymtries de linformation et contrat sparants , Revue de lAssociation Franaise de Finance, 2, pp. 57-76. Greenbaum S.I., George Kanatas, Itzhak Venezia, (1990), Loan Commitment and Credit Demand Uncertainty , University of California, Los Angeles. Harhoff D., Krting T., (1998), Lending relationships in Germany. Empirical evidence from survey data , Journal of Banking and Finance, 22, 1317-1353. Jensen M.C., Meckling W., (1976), Theory of the firm : managerial behavior, agency costs andownership structure , Journal of Financial Economics, 3, pp. 305-360. Jess Saurina (2008) Ble II il prvenir ou aggraver les crises? Finances & Dveloppement Juin 2008 pp (29 31) Krishna G. Palepu; Paul M. Healy et Victor L. Berenard (2000) Business Analysis & valuation using financial Statements, 2000 second Edition Laitinen, E.K. (1991) : Financial ratios and different failure process . Journal of Business finance and accounting, vol 18, n 5, 1991, P649-673. Lesaffre Dominique (2006), Dbat sur la Garantie Bancaire texte espagnol adapt par Nicolas Pirotte, ADA Dialogue, numro 14, aot 1998 Matoussi H., Mouelhi R. et Sayah S. (1999) la prdiction de faillite des entreprises tunisiennes par la rgression logistique , Revue Tunisienne des Sciences de Gestion, Vol1, N1, Mars 1999 Matoussi,H., Kara,A. et Krichne,A. (2004) Utilit des informations financires dans le processus dvaluation des crdits : Une tude exploratoire sur lapport informationnel du SCE tunisien au processus doctroi des crdits les quatrimes journes internationales de la recherche en sciences de gestion, lAssociation Tunisienne des Sciences de gestion et la fondation Konrad Adenauer 11,12 ;13 Mars 2004. Meyer, L. H., (1998), The present and future roles of banks in small business finance, Journal of Banking and Finance 22. Morduch J. (1999), "The microfinance promise", Journal of Economic Literature, vol. 37, pp. 15651615 Nadine Levratto (1996) Poids des asymetries informationnelles et de l'alea de moralite dans les relations entre banques et PME Editorial du numro spcial de la Revue Internationale PME consacr au "Financement des PME", Small business finance in France dans "Small Business Economics, aot 1996.

hal-00481087, version 1 - 5 May 2010

22

Ohlson, J. (1980): Financial Ratios and the probabilistic prediction of Bankruptcy Journal of accounting research, vol.18. 1980; PP10 Petersen, Mitchell A., and Rajan, Raghuram G. (1994). The Benefits of Lending Relationships: Evidence from Small Business Data. The Journal of Finance, 49(1): 338. Psillaki M. (1995) : Rationnement du crdit et PME : Une tentative de mise en relation , Revue Internationale P.M.E., vol. 8, n3-4, pp; 67-87. Smith,J.C. (1990): A neural network could it work for you?. Financial executive, n6, 1990P26-30. Stphan Brun (2005), L'Essentiel des normes comptables internationales IAS/IFRS , Editions Gualino, 168 pages, mai 2005 Stiglitz J.E., Weiss A. (1981), Credit rationing in markets with imperfect information , The American Economic Review, 3, pp. 349-410.

hal-00481087, version 1 - 5 May 2010

Stiglitz J. (1990), "Peer monitoring and credit markets", World Bank Economic Review, vol. 4, n 3, pp. 351-366. Storey, D.J., (1994) Understanding the small business sector, International Thomson Business Press, Londres-Boston, (1994). Taffler R. J., (1983) The Assessment of Company Solvency and Performance Using aStatistical Model, Accounting and Business Research (Autumn, 1983), pp.295-308. Tam,K.Y. et M.Y Kiam.(1992) : Managerial applications of neural networks : the case of bank failure predictions. . Management science, Vol.38 n7, juillet 1992. P 926-947. Tremblay.D Cormier et M. Magnan, (1993) Thories et modles comptables : Dveloppement et perspectives Presse de lUniversit de Quebec, page 99 Williamson S.D., (1986): Costly monitoring, financial intermediation and equilibrium credit rationing, Journal of Monetary Economics, 4, pp. 158-179. Zavgren, C. (1985) : Assessing the vulnerability to failure of american industrial firms: a logistic analysis. Journal of business finance and accounting, vol.12, n3, 1985.P19-46. Zimmer, J. (1981) : Modeling lenders assessments of the ability of corporate borrowers to repay Abacus, vol.17, n2, 1981.

2-Ouvrages
Dietsch M, Petey J. (2008) : Mesure et gestion du risque de crdit dans les institutions financires Ed La Revue banque, sept 2008

Lawrence Revsine; Daniel W. Collins & W. Bruce Johnson (1999): Financial Reporting & Analysis 1999 Prentice Hall, inc. Simon & Schuster/ A Viacom Company; Upper Saddle River, New Jersey 07548.

23

Leopold A. Bernstein JohnJ Wild (1998) Financial statement analysis theory, application and interpretation 6 me edition 1998

Salanie B., (1994), Thorie des contrats, Paris : Economica.

3- Documents de travail
Artus P. (1991) : Peut-on comprendre les carts de taux d'intrt sur le march du crdit en France ?; Caisse des Dpts et Consignation, Document de travail SEEF, n 1991-27/T, dcembre. Bardos, M. (1984): le risque de dfaillance dentreprises. Cahiers conomiques et montaires de la banque de France, n19, 1984. Bardos, M. (1989): Trois mthodes danalyse discriminante : comparaison des rsultats et confirmation de la qualit du score B pour les PME du btiment gros uvres et du gnie civil . Cahiers conomiques et montaires de la banque de France, n33, 1989. P151-185. Bardos, M. (1990) : Le crdit plus cher pour les petites entreprises; Economie et Statistiques, octobre, n 236, pp. 51-64. Bardos, M. (1991) : Liaison entre le risque et la taille; influence du risque et de la taille sur le taux d'intrt; Cahiers Economiques et Montaires, n 38, pp. 49-104. Fernando, C., Chakraborty A., Mallick R., (2002), The importance of being known: relationship banking and credit limits , Economics Working Paper Archive at WUSTL Ghessouiere, Micha B. Et Pachot M. (1993) Lanalyse des dfaillances dentreprises Journe dtudes des centrales de bilans, 1993. Goyer M., (1995), Corporate finance, banking institutionnal structure and economic performance : a theoritical framework , Document de travail, MIT. Lehmann E., Neuberger D., (2000), Do lending relationships matter? Evidence from bank survey data in Germany , Centre of Finance and Econometrics, Document de recherche.

hal-00481087, version 1 - 5 May 2010

Levratto N. (1996) : Les fondements contractuels des relations entre banques et emprunteurs, Documents Monnaie et Financement, n24, pp. 13-45.

Roy, J. & J.C. Cosset (1989) : Forecasting country risk ratings using a neural network . Document de travail, n89-74, Quebec, Faculty of business administration, 1989.

Storey, D. et Cressy, R.,(1996) Small business risk : a firm bank perspective, Document de travail no 39, Warwick Business School, University of Warwick, Goventry, (1996).

24

4-Communication dans des congrs

Bell, B.T., G.R. Ribar et J.R. Verchio (1990): Neural nets versus.logistic regression: a comparaison of each models ability to predict commercial bank failures Actes du congrs international de comptabilit tome 1, Nice Dcembre 1990 Bernard Fioleau Histoire des modles empiriques de prvisions de dfaillance des entreprises : un essai de classification association franaise de comptabilit congr de Toulouse MAI 1993, comptabilit et nouvelles technologies PP 483- 499 Gosh , S. Collins, E. et Scofield , L. (1990) : Prediction of mortgage loan performance with a multiple neural ntework learning system, proceeding of Eurasip Workshop ,Sesmbra,Portugal, P439. Hind Sami et Armelle Delorme (2003) : Diffusion dinformation et risque de crdit dans les conomies mergentes Preliminary draft : septembre 2003 This version : fvrier 2004 colloque de lAgence Universitaire de la Francophonie, GDR-CNRS Economie Montaire et Financire, Nice en juin 2004.

hal-00481087, version 1 - 5 May 2010

Mawuli Couchoro et Pierre Rakotovao (2006): Microcrdit et matrise du risque de dfaut : Entre le crdit individuel sans garantie matrielle et la caution solidaire, comment choisir ? Esquisse dun modle danalyse thorique Universit Montesquieu- Bordeaux IV, 23 au 24 novembre 2006. Deuxime journe du dveloppement du GRES Quel financement pour quel dveloppement ? Sylvie Cieply Marcelline Grondin (2000) : Spcificit des banques dans lexpertise et le contrle des risques - P.M.E. : Rsultats dune enqute exploratoire 17mes Journes Internationales dEconomie Montaire et Bancaire 7, 8 et 9 juin 2000, Lisbonne

5- Thses de doctorat
De Almeida, F.C. (1993) Lvaluation des risques de dfaillance des entreprises partir des rseaux de neurones insrs dans le systme daide la dcision . Thse de doctorat en sciences de gestion ; Ecole Suprieure des Affaires (ESA) Grenoble.

Mamoughli, C (1984) : La prvision du risque de dfaillance des entreprises tunisiennes Thse de Doctorat de troisime cycle, universit de Paris Dauphine 1984.

6-Rapports Strahan, P.E.,(1999) Borrower risk and the price and nonprice terms of bank loans, Federal Reserve Bank of New York in its series staff reports no.90, (1999).

25

LISTES DES TABLEAUX A INSERER

Tableau n3 : Rpartition des entreprises de l'chantillon selon la classe de risque sur 4 ans
2003 Frquences Saines Risques TOTAL 176 195 371 % 47.44% 52.56% 100% 2004 Frquences 206 185 391 % 52.68% 47.32% 100% 2005 Frquences 195 183 378 % 51.58% 48.42% 100% 2006 Frquences 150 145 295 % 50.85% 49.15% 100%

Tableau n4 : Rpartition des entreprises de l'chantillon selon la taille 2003 2004 2005 GE PME TOTAL 148 223 371 39.89% 60.11% 100% 161 230 391 41.18% 58.82% 100% 158 220 378 41.80% 58.20% 100% 139 156 295

2006 47.12% 52.88% 100%

hal-00481087, version 1 - 5 May 2010

GE : Grandes Entreprises PME : Petites et Moyennes Entreprises

Tableau n5 : La mesure des variables de ltude

Intituls des variables R1 R2 R3 Ratio du fonds de roulement Mesure des variables Ratios relatifs lexploitation Fonds de roulement / Total actifs courants BFR /FR Clients -Clients Nets /clients bruts Ratios dendettement R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 Structure financire Dpendance financire Capacit de remboursement Ratio de couverture des dettes court terme par le chiffre daffaires Ratio dendettement 3 valeur liquidative Ratios de rentabilit rentabilit financire marge brute Couverture des intrts Rentabilit des capitaux propres Rentabilit des actifs Equilibre structurel 2 autonomie financire Solvabilit Rsultat net / revenus dexploitation Excdent Brut dexploitation / chiffre daffaires Rsultat d'exploitation /charges financires nettes Rsultat net / capitaux propres Rsultat net / Total actifs Ratios de structure Total passifs non courant/ total actifs immobiliss Capitaux propres / capitaux permanents Capitaux propres / endettement global Endettement global/ Fonds Propres Nets Dettes Long Moyen Terme/ Capitaux Permanents Dettes Long Moyen Terme/ Cash Flow Nets Total passifs courants / chiffre daffaires Charges financires / chiffre daffaires Total Passifs/Total Actifs

Ratio de couverture du BFR par le FR Liquidit des comptes clients

26

R18

Equilibre structurel 1 Ratios de liquidit

Passifs Non Courants /Total Actifs

R19 R20

liquidit gnrale liquidit rduite Ratio de couverture des dettes moins dun an Ratio de couverture des charges financires par FTE Ratios de rotation

Actifs courants / Passifs courants Actifs courants stocks/ Passifs courants Ratios de flux de fonds Flux de Trsorerie dExploitation / passifs courants Flux de Trsorerie dExploitation / charges financires chiffre daffaires / total actif immobilis chiffre daffaires / stocks nets Autres variables Log(total actifs) Log(garanties)

R21 R22

R23 R24 V25 V26

Ratio de rotation des immobilisations Ratio de rotation des stocks Taille Garanties

Tableau n6: Rcapitulation des rsultats de la validit de ltude

hal-00481087, version 1 - 5 May 2010

BOXSM Fisher Significativit

2005.785 9.710 0.0000

Tableau n7: rcapitulation des valeurs propres (Eigenvalues)

Fonction 1

Valeurs propres 1.516

% de la variance 100,0

Variance cumule 100.0

2

Canonical corrlation 0.776

Tableau n8 Le test de Wilks Test de la fonction

Wilks Lambda

Significativit

0.397

95.966

0.000

Tableau n9 : Rcapitulation des coefficients de la fonction discriminante

Ratios Ratio de couverture du Besoin en Fonds de roulement Ratio du Fonds de roulement Liquidit des comptes clients Couverture des dettes par les flux dexploitation : FTE/PC Equilibre structurel2: PNC/Total Actifs immobiliss Valeur liquidative= Total Passifs/Total Actifs Rentabilit financire = rsultat net/revenu dexploitation Taux de la marge = rsultat d'exploitation /produits dexploitation Rentabilit des actifs=rsultat net/total actifs Rentabilit des capitaux propres =rsultat net/ total capitaux propres Rotation actifs= chiffre daffaires/ actifs immobiliss Rotation des stocks=chiffre daffaires /stocks nets Garanties = log (garanties) Taille de l'entreprise=log (total actifs) Structure financire = Total Passifs liquidits / fonds propres Constante Code R2 R1 R3 R21 R15 R9 R10 R11 R14 R13 R23 R24 V26 V25 R4 Coefficients de pondration 0.02 -0.056 -0.448 -0.15 -0.019 2.202 0.010 -0.017 0.357 -0.454 0.013 0.010 0.043 1.443 -0.012 -15.593

27

Tableau n10 : Rcapitulation des taux de bons classements de la fonction discriminante

Risque calcul Risque observ Saines Risques Total Saines Risques 95.6% 5.89% 4.4% 94.11% Saines Risques 412 30 20 464

Total

431 493 924 100% 100%

Tableau 11 : la signification des ratios dans lexplication de la probabilit de la dtresse financire

Variables Liquidit des comptes clients Bta -12,1220 ,0501 22,9965 -,0843 7,6334 ,0961 3,5208 -,2477 Wald 8,0139 3,1207 13,2924 9,1965 7,7479 5,1494 17,2789 3,1719 Sig ,0046 ,0773 ,0003 ,0024 ,0054 ,0233 ,0000 ,0749

hal-00481087, version 1 - 5 May 2010

Couverture BFR Couverture des dettes Valeur liquidative Structure financire Rotation des stocks Taille de l'entreprise Garanties

Tableau n12 :Coefficients et significativit des variables selon la rgression logistique avec des donnes de panel incluant les garanties et la taille de lentreprise

Nombre dobservation :924 2 Wald (14)=187.22 2 Prob> =0.0000

Pseudo R2 =0.5053
Ratios utiliss Intituls des variables
Ratio du BFR Ratio du fonds de roulement Liquidit des comptes clients Liquidit gnrale Couverture des passifs courants par les FTE Capacit de remboursement Structure financire Valeur liquidative Equilibre structurel_2 Couverture des intrts Rentabilit financire Taux de la marge

Coefficients

Significativit

R1 R2 R3 R4 R6 R7 R9 R10 R12 R13 R14 R15

0.0030 -0.2259 0.7260 0.0566 0.1049 2.0647 -0.0135 4.3539 -0.2028 0.0213 0.1638 -0.4745

0.208 0.019 0.343 0.578 0.008 0.001 0.189 0.000 0.176 0.000 0.088 0.457

28

R16 R17 R21 R22 R23 R24 CONSTANTE

Rentabilit des actifs Rentabilit des capitaux propres Rotation des actifs Rotation des stocks La taille de lentreprise Garanties

-5.6657 -0.0956 0.0070 0.0107 9.748 -0.3670 -38.7373

0.002 0.289 0.044 0.086 0.000 0.000 0.000

Tableau 13 : le pouvoir prdictif de la rgression avec les donnes de panel

Risque calcul Risque observ hal-00481087, version 1 - 5 May 2010 Saines Risques Total Saines Risques Saines 370 63 85.84% 12.78% Risques 61 430 14.16% 87.22%

Total

431 493 924 100% 100%

Figure 1 : Evolution de lerreur moyenne quadratique tout au long du processus dapprentissage du rseau optimal

29

hal-00481087, version 1 - 5 May 2010

30