Statut de la faillite en théorie financière : approches

théoriques et validations empiriques dans le contexte

français
Sami Ben Jabeur

To cite this version:

Sami Ben Jabeur. Statut de la faillite en théorie financière : approches théoriques et validations
empiriques dans le contexte français. Economies et finances. Université de Toulon; Université de
Sousse (Tunisie), 2011. Français. �NNT : 2011TOUL2001�. �tel-00759632�

HAL Id: tel-00759632

[Link]
Submitted on 2 Dec 2012

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 ÉCOLE DOCTORALE Toulon
«Civilisations et Sociétés euro-méditerranéennes et
comparées »
ÉCOLE DOCTORALE de Sousse
« École Doctorale en sciences de gestion »

THÈSE présentée par :

Sami BEN JABEUR

soutenue le : 27 Mai 2011

pour obtenir le grade de Docteur en sciences de gestion

Statut de la faillite en théorie financière : approches

théoriques et validations empiriques dans le contexte
français

THÈSE dirigée par :

M. Pierre Gensse Professeur à l’Université du Sud Toulon-Var
M. Ezzeddine Abaoub Professeur à l’université de Tunis El Manar

JURY :
M. Eric Séverin Professeur à l’université Lille 1
M. Hédi Trabelsi Professeur à l’université de Tunis El Manar
[Link] Rajhi Professeur à l’université de Tunis El Manar
M. Sami Ben Larbi Maître de conférences, HDR à l’Université du
Sud Toulon-Var
L’Université n’entend donner aucune approbation ni
improbation aux opinions émises dans cette thèse. Celles-ci
doivent être considérées comme propres à leur auteur.

2
REMERCIEMENTS
Si une thèse représente un travail éminemment individuel, dont le but est de
s’approprier les connaissances existantes et de s’en nourrir pour les appliquer à des
domaines qui n’ont pas encore été explorés, elle n’en est pas pour autant, l’œuvre
d’un individu isolé. Bien au contraire. C’est pour cette raison, que je tiens à
remercier tous ceux qui ont guidé ma démarche, alimenté mes recherches, encouragé
mon travail et qui m’ont assistédans toutes les tâches ingrates qui accompagnent
cette expérience.

En tout premier lieu, je tiens à témoigner ma profonde reconnaissance au Professeur

Abaoub Ezzeddine et au Professeur Pierre Gensse, qui ont co-dirigé ce travail et dont
les remarques, les conseils et les encouragements, ont été déterminants tout au long
de cette recherche. Je leur exprime toute ma gratitude, pour la confiance qu’ils m’ont
témoignée en acceptant la direction de cette thèse et, conscientdu privilège dont j’ai
bénéficié, je les remercie très sincèrement.

Ma reconnaissance va également aux Professeurs Eric Séverin et Hédi Trabelsi qui

ont accepté d’être les rapporteurs de cette thèse, ainsi qu’au Professeur Taher Rajhi
et Monsieur Sami Ben Larbi, qui me font l’honneur de juger ce travail.

Je souhaite exprimer mes remerciements à tout le personnel de l’Institut de

Management de Bretagne-Sud pour leur accueil et leurs encouragements chaleureux
tout au long de mes années d’ATER.

A tous les membres du laboratoire ERMMES de l’IAE de Toulon, et à tous ceux que
j’ai croisés lors des séminaires, des colloques et des conférences, ou contacts directs,
je tiens à exprimer toute ma reconnaissance pour leur écoute et leurs précieux
conseils, j’ai conscience d’avoir eu énormément de chance de les avoir connus.

Je tiens à adresser également mes remerciements à tous mes collègues, amis et

membres de ma famille, pour leurs encouragements et leur précieux soutien moral,

3
avec une mention particulière pour Rémédios, Alain, Bannour, Aymen, Rachid,
Otman, Mehdi, Adnan, Sonia, Zeineb, Mehdi, Maher…et demande pardon à tous
ceux que je n’ai pas nommés, tant la liste est longue.

Bien évidemment, ce travail n’aurait jamais pu voir le jour sans le soutien

indéfectible et sans limites de mon père et de chères sœurs Mouna et Aida. A la
mémoire de ma mère. Que ce travail soit pour eux une raison d’être fiers de tout ce
qu’ils ont fait pour moi.

4
RESUME

Dans la conjoncture économique actuelle un nombre croissant de firmes se

trouvent confrontées à des difficultés économiques et financières qui peuvent, dans
certains cas, conduire à la faillite. En principe, les difficultés ne surviennent pas
brutalement, en effet, avant qu’une entreprise soit déclarée en faillite, elle est
confrontée à des difficultés financières de gravité croissante : défaut de paiement
d’une dette, insolvabilité temporaire, pénurie de liquidité, etc.

L’identification des causes de la défaillance n’est pas évidente, puisqu’on ne saurait

énumérer de manière limitative les facteurs qui la provoquent. Les causes sont
multiples et leur cumul compromet d’autant plus la survie de l’entreprise.
L’importance de ce phénomène et son impact sur l’ensemble de l’économie justifie
le besoin de le comprendre, l’expliquer en analysant les causes et les origines.

L’objectif de notre étude est de classer les entreprises en difficulté selon leur degré
de viabilité et de comprendre les causes de la dégradation de leur situation. Nous
effectuerons une comparaison entre trois modèles (Analyse discriminante linéaire, le
modèle Logit et la régression PLS) ce qui nous permettra à partir des taux de bon
classement obtenus, de choisir le meilleur modèle tout en précisant l’origine et les
causes de ces défaillances.

Mots clés : détresse financière, défaillance des entreprises, analyse discriminante,

modèle Logit, régression PLS

5
ABSTRACT
In actual economic situation an increasing number of firms are facing economic and
financial difficulties which can, in certain cases, drive to failure. In principle,
difficulties do not happen suddenly, in effect, before a firm is declared bankrupt, it is
confronted to financial difficulties of growing seriousness: default in payment of a
debt, temporary insolvency, scarceness of liquidity, etc.

Identifying the causes of the failure is not obvious, since one can not exhaustively
enumerate the factors that cause it. The causes are multiple and overlapping
compromise even more the company's survival. The importance of this phenomenon
and its impact on the overall economy justifies the need to understand, explain it by
analyzing the causes and origins

The aim of our study is to classify firms in trouble according to their degree of
viability and to understand the causes of the deterioration of their situation. We will
do a comparison between three models (linear differential Analysis, the model Logit
and decline PLS) what will allow us from the rates of good classification acquired, to
choose the best model while specifying origin and reasons of these faults.

Key words: financial distress, business failure, discriminant analysis, logit model,
PLS Regression

1
1
1
1
1
1
6
 TABLE DES MATIERES
1

1234567831529AB2B4CDE9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF91
8999D99 9  !9"9#"99"9FFFFFFFF9$%1
1&"&FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$'1
1F9D 9& " 9999FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9()1
12345678797A83B93CDCEB3FB3E3F59BB36788C7B32222222222222222222222222222222222222222222222222222222222222222222222231
2345678797A83F3CA8CB93FB3F567EE8CB32222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
21233F567EE8CB36788C7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
2233F567EE8CB35CA8A7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
2233F567EE8CB37F7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
2212335 B897A83FB3F7667CE953FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222223!1
2223"79BB8937F7B3FB3F7667CE953FB3B89B7B32222222222222222222222222222222222222222222222222222223#1
22213$A B9B3FB3E3AC5FB3FB3BFBBB893F7C77B322222222222222222222222222222222222223#1
222233AC5FB3FB3 B%FB32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
22223&AC5FB3FB3BFBBB893F7C77B322222222222222222222222222222222222222222222222222222222222222222222222223#11
222#23&AC5FB3FB3E77F97A83F7C77B322222222222222222222222222222222222222222222222222222222222222222222222222222223#1
11F98&* 999 9+9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9,$1
123'A(93F7BC922222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
12123'A(935BE3A953F7BC9BB8933E367B322222222222222222222222222222222222222222222222222222222222222222222222223##1
1212123)A8A7B3FB3A6B7A88BE322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223##1
121223*A+7E797A83F3BA88BE322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
1223'A(935BE3A953F7BC9BB8933EB3C58C7B3FB3E367B322222222222222222222222222222222222223#1
122123)A8A7B3FB3A6B7A88BE322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
12223*A+7E797A83F3BA88BE322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#,1
12223-5FC97A83FB3E.B667CC7953CABC7EB322222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#,1
122#23&B9B3FB3E367B3F567EE89B3B39F78933FB3%7833A6793F.9B3
B8979532222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
12223&B9B3FB393FB3C/5322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
122,23'A8CB8997A833EB3CA939BB32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
23'A(9378F7BC932222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
111F9D9&- &9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9)1
1230BC93FB3E35A%8797A832222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
233AC5FB3FB35A%8797A82222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
23&5 77A83FB3CC3FB3E35A%8797A83222222222222222222222222222222222222222222222222222222222222222222222222222223#1
2123-BE97A83B89B3FB99B3%897B3B935A%8797A832222222222222222222222222222222222222222222222222222222222222222222223#1
223B31EB3FB3+8B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
1.F9D9/"&9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF901
12377F97A83 AEA897B3 B3E77F97A8378 AEA897B3222222222222222222222222222222222222222222222222231
23B3CA(93FB3E3E77F97A83222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
23'/A723B89B3E83FB35A%8797A83A3AC5FB3FB3E77F97A832222222222222222222222222222223!1
.F91# &9999FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF921
123B3AFEB387 75B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,11
23B3AFEB3E97 75322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,1
23B3AFEB3A++7E79B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,1
#23B39BC/87B3789BEE7%B89B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231

7
 8&" &9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%(1
89$99D 93 9999 9  9FFFFFFFFFFFFFFFFF9%,1
1&"&FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%1
1F9E99"49 "9D53999 9+9 "9 9  96 
9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%21
123$EB3FB3E3F567EE8CB33B783FB3B89B7B36837B322222222222222222222222222222222223,1
23B35C87B3FB3E3C7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223!11
23B36C9B35CA8A7B3B936788C7B343B B3FB3E3F7667CE953FB3B89B7B3
6837B3F893E3C7B36788C7B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223!1
11F9D 9& 9+ 94# 999FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9'1
1233B89+7E79532222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223!,1
233CC7953FB3B+ABB893FB3FB99B3B93E3CA B9B3FB3C/%B33
6788C7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223!1
233E77F795322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
#233AE +7E7953B93E$57E7+B36788C7B22222222222222222222222222222222222222222222222222222222222222222222222222222222222311
23$B8FB99BB89322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#1
,233CA78CB53E397EEB3B93BC9B3F$C97 7953FB3E$B89B7B322222222222222222222222222222222222222231!1
111F9D 9& 9 -/" 79&- & 993- 94# 9
99FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9(1
1233CA8CB8CB322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311#1
2339BC/8AEA%7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
233BE97A83 BC3EB39B87B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
#23$B897%B3B93E$B257B8CB3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
23B3+BA783B83C79232222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
,233E7953F38%BB893B93E3E97E7C97A83FB3BB3FB3%B97A83222222222222222311
233BA88E7953B93B8 7A88BB893AC7ACE9BE3F3F77%B89322222222222222222222222222222222311
1.F9D 9& 9&&3/" 94# 9999FFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$21
1233CA8A8C9B35CA8A7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
233C597A83FB38A BEEB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222231!1
23B3C/53A8597B3B93E3AE797B3FB3C5F7932222222222222222222222222222222222222222222222222222222222222222311
#23B3C/53FB3C/8%B3B93E3AE797B3FB3C5F79322222222222222222222222222222222222222222222222222222222222222222311
233 797A83F387 B3FB3723222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
,23$A B9B3FB3E$5CA8A7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
8&" &9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9,(1
89(998&&&-99993& &9+99
9# &9999FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9,1
1&"&FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9,21
1F9D9& &39 3&&-/"99 9&493&&&-/" 9FFFFFFFFFFFFFFF9,01
123B3C/A7235795AEA%7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#1
12123689B3&A797 7B3B93CA89C97 7B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#!1
1223B3C/A723F$8B3AC/B33897997 B7/DA9/597CA8F5FC97 B3222222222222222222222222222222222222222311
23B3C/A72359/AFAEA%7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
2123CA89C97A83FB3E$5C/897EEA832222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
212123&5B8997A83FB3E3+B3FB3FA885B22222222222222222222222222222222222222222222222222222222222222222222222222222222222311
21223B3C79B3FB3E3F5E77997A83F3C/3F$59FB3222222222222222222222222222222222222222222222222222222222231#1
212233CA897997A83FB35C/897EEA83787972322222222222222222222222222222222222222222222222222222222222222222222222222231#1
8
 2235EBC97A83FB378F7C9B3A3FB397A36788C7B32222222222222222222222222222222222222222222222222222222222222311
11F98& &9+9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%1
123$8EDB3F7C77889B22222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!1
12123&78C7B3FB3E$8EDB3F7C77889B3E97 75B322222222222222222222222222222222222222222222222222222222222222222222231!1
1223B3E779B3FB3E$8EDB3F7C77889B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
23B3AFEB3A++7E79B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
2123B3AFEB31234532222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,#1
212123&5B8997A832222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,#1
2122369797A83F3AFEB31234563E359/AFB3F3273FB3 7B+E8CB3231,1
2122123$E%A79/B3FB39B:9A88-/A83222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
212223359/AFB3FB3CAB3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
212223359/AFB3FB3;B8F98)EE8)EE8)83222222222222222222222222222222222222222222222222222222222222231,1
223B3E779B3FB3AFEB33A++7E79B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,!1
23B3A78FB3C5B397BEEB3<&=>32222222222222222222222222222222222222222222222222222222222222222222222222222222311
2123?895@93B9378C7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
223&5B8997A83FB3E359/AFB3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
2212335%B7A83&=387 75B3<&=1>322222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
23212123$E%A79/B3FB3E$8EDB3F7C77889B3&=3222222222222222222222222222222222222222222222222222222222311
2212233 E7F97A83CA75B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
221223B37FB3A3E$789B5997A8322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,1
223335%B7A83EA%797B3&=32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!1
221230E%A79/B3FB3E35%B7A83EA%797B3&=3222222222222222222222222222222222222222222222222222222222222222222222231!1
22230E%A79/B3FB3E35%B7A83EA%797B3&=33AF7675B32222222222222222222222222222222222222222222222222311
222123'A89C97A83FB3913222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
22223'ECE3FB39B3CAA89B3B93%EB3F$@932222222222222222222222222222222222222222222222222222222311
22223BAEB3FB35%B7A83&=322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#1
22230E%A79/B3FB39%DB83B93-ACCB32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#1
8&" &9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%21
89,9!9D9# &9999!9#&93/"9 "9"999
&9 918E996  9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%%1
1&"&FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9%'1
1F98&3 &995: 9 39999- &91D;9FFFFFFFFFFFFFFFFFFFF9')1
12308EDB3B2EA9A7B3FBC797 B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!1
23B35E993FB3E$8EDB3F7C77889B3E7857B32222222222222222222222222222222222222222222222222222222222231!1
2123B35E993FB3E$8EDB3F7C77889B38383 893E3F567EE8CB3<0431>3222222222222222231!,1
212123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B3222222222222222222222222222231!,1
212233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!!1
223B35E993FB3E$8EDB3F7C77889B3FB2383 893E3F567EE8CB322222222222222222222222231
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B32222222222222222222222222222311
22233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
223B35E993FB3E$8EDB3F7C77889B3"A7383 893E3F567EE8CB3222222222222222222222223#1
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B322222222222222222222222222223#1
22233CE767C97A83FB3B89B7B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,1
23B35E993FB3E$8EDB3F7C77889B3&=3222222222222222222222222222222222222222222222222222222222222222222231
2123B35E993FB3E$8EDB3F7C77889B3&=38383 893E3F567EE8CB3<&=8401>1
223B35E993FB3E$8EDB3F7C77889B3&=3FB2383 893E3F567EE8CB3<&=840>
3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223111
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B322222222222222222222222222223111
22233CE767C97A83FB3B89B7B3FB2383 893E3F567EE8CB32222222222222222222222222222222311

9
 223B35E993FB3E$8EDB3F7C77889B38&=39A7383 893E3F567EE8CB3<&=840>
322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B32222222222222222222222222222311
22233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#1
11F98&3 &9 9 " 999- &9&- /"9999- &9
&- /"91D;9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$21
123B35E993FB3E35%B7A83EA%797B322222222222222222222222222222222222222222222222222222222222222222222222222231,1
12123B35E993F3AFEB38383 893E3F567EE8CB3<1234561>322222222222222222222222222222222222222222222311
1212123B35E993E36A8C97A83A++7E79B32222222222222222222222222222222222222222222222222222222222222222222222222222222222311
1212233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!1
1223B35E993F3AFEB3FB2383 893E3F567EE8CB3<123456>3222222222222222222222222222222222222231
122123B35E993FB3E36A8C97A83A++7E79B3222222222222222222222222222222222222222222222222222222222222222222222222222231
122233CE767C97A83FB3B89B7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222311
1223B35E993F3AFEB3"A7383 893E3F567EE8CB3<123456>3222222222222222222222222222222222222231
122123B35E993FB3E36A8C97A83A++7E79B3222222222222222222222222222222222222222222222222222222222222222222222222222231
122233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
23B35E993FB3E35%B7A83EA%797B3&=322222222222222222222222222222222222222222222222222222222222222222231
2123B35E993FB3E35%B7A83EA%797B3&=38383 893E3F567EE8CB3<A%798&=1>
32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
212123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B3222222222222222222222222222231
212233CE767C97A83FB3B89B7B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,1
223B35E993FB3E3B%B7A83EA%797B3&=3FB2383 893E3F567EE8CB3<A%798
&=>3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B3222222222222222222222222222231
22233CE767C97A83FB3B89B7B3FB2383 893E3F567EE8CB3222222222222222222222222222222231
223B35E993FB3E35%B7A83EA%797B3&=3"A7383 893E3F567EE8CB3<A%793D3
&=>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223!1
22123&A A73F7C778893FB397A3F83E36A8C97A83F7C77889B322222222222222222222222222223!1
22233CE767C97A83FB3B89B7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231
233CA7A83FB35E993FB359/AFB399797B3222222222222222222222222222222222222222222311
111F98& &93&&&3/"9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$((1
123-5E993FB3E35%B7A8387 75B3B93E97 75B32222222222222222222222222222222222222222222222222222231
23-5E993FB3E35%B7A83&=13222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
8&" &9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$(01
8&" &9-9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$('1
123B378C7EB3CA8CE7A8322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
23B3A93FB3E3BC/BC/B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
2123B3A939/5A7B3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
223B3A9359/AFAEA%7B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
223B3A938%57232222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#,1
23B3E779B3B93EB3 A7B3FB3BC/BC/B369B3222222222222222222222222222222222222222222222222222222222222222223#1
2123B3E779B322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1
223B3 A7B3FB3BC/BC/B369B32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#1

4 9<=&-/" 9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$,'1

D1;3E96E;9C22E>E;9FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF9$%,1
1
1
10
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

11
1234567536829AB536
B?EF-6314303GF6="?H93463-6')6-')63222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
B?EF-6343646=?E9346303-6')6-')632222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
B?EF-6343$0-"?'F0"?H9346303-6')6-')636"363&09346303")6=6322222222222222222222222222222222222222222222222222222222222222222223,3
B?EF-63#343$?9=HI0;??"6322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
B?EF-6343$69')0?96*69"36'H9H*?GF63*6909"303034?='H9"?9F?"63B?909'?6-632222222222222222222222222222222222222222223#3
B?EF-63,3436"0"3463=09"63B?909'?6-63463$69"-6&-?=63222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,3
B?EF-63436=3H;J6'"?B=36'H9H*?GF6=3463$69"-6&-?=63222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
B?EF-633430E6346303B?-*636"3-?=GF63463*H-"0?"6322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223113
B?EF-63!3436=3&-?9'?&06=3'0F=6=3*0'-H6'H9H*?GF6=32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
B?EF-63143&-H'6==F=3*6")H4HHE?GF6346303-6')6-')6322222222222222222222222222222222222222222222222222222222222222222222222222222222231,3
1

12345675364CD15CAE66
"0;631436=34?BB6-69"6=3&H=?"?H9=36&?="6*HHE?GF6=32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;634=K9")6=63=F-36=346B0?09'6=34$69"-6&-?=6=36"36F-3?*&0'"36'H9H*?GF6322222222222222222222222222222222233
"0;633446B0?09'6=346=369"-6&-?=6=34H9"36=369'HF-=3463'-64?"3=H9"3-6'69=6=3&0-36=3
6"0;?==6*69"=3463'-64?"30HF"3!32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;63#4346B0?09'6=34$69"-6&-?=6=3-6&0-"?"?H93&0-3=6'"6F-303B?930HF"3!3222222222222222222222222222222222222223!3
"0;6334=K9")6=6=346=30&&-H')6=3="-0"6E?GF6=53H-E09?=0"?H9966=36"3*090E6-?06=346303
46B0?09'623222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
"0;63,4=K9")6=6=346=30&&-H')6=36'H9H*?GF6=36"3B?909'?6-6=34630346B0?09'62222222222222222222222222222222231!3
"0;6343&H=?"?H9=36&?="6*HHE?GF6=346=3&0-04?E*6=3&H=?"?I?="653?9"6-&-6"0"?I?="636"3
'H9="-F'"?I?="62222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#3
"0;63343?="634633-0"?H=3B?909'?6-=3463$6"F46322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231,3
"0;63!43"6="3463363L34633M?N=3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!13
"0;6314363&HFIH?-34?='-?*?909"346=3-0"?H=33F930930I09"30346B0?09'6322222222222222222222222222222222222222222222231!3
"0;6311343I0?40"?H934F3*H4663<30431>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;6314363&HFIH?-34?='-?*?909"3346=3-0"?H=346FO309=30I09"30346B0?09'6322222222222222222222222222222222222222313
"0;63143I0?40"?H934F3*H4663<043>32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;631#4363&HFIH?-34?='-?*?909"3346=3-0"?H=346FO309=30I09"30346B0?09'63222222222222222222222222222222222222223#3
"0;63143I0?40"?H934F3*H4663<043>3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,3
"0;631,43&H?4=346=3-0"?H=3409=303BH9'"?H934634?='-?*?90"?H93F930930I09"3033346B0?09'632222222223!3
"0;63143I0?40"?H934F3*H4663<&=84031>32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
"0;63143&H?4=346=3-0"?H=3409=303BH9'"?H934634?='-?*?90"?H9346FO309=30I09"3033346B0?09'632223113
"0;631!43I0?40"?H934F3*H4663<&=8403>32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
"0;6343&H?4=346=3-0"?H=3409=303BH9'"?H934634?='-?*?90"?H93"-H?=309=30I09"3033346B0?09'6322313
"0;63143I0?40"?H934F3*H4663<&=8403>3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231#3
"0;633436=3-6=F"0"=346303-6E-6==?H93F930930I09"30346B0?09'632222222222222222222222222222222222222222222222222222313
"0;6343I0?40"?H934F3*H4663<1789A61>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222231!3
"0;63#436=3-6=F"0"=346303-6E-6==?H9346FO309=30I09"30346B0?09'632222222222222222222222222222222222222222222222233
"0;63343I0?40"?H934F3*H4663<1789A6>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
"0;63,436=3-6=F"0"=346303-6E-6==?H93"-H?=309=30I09"30346B0?09'63222222222222222222222222222222222222222222222233
"0;6343I0?40"?H934F3*H4663<1789A6>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;6343&H?4=346=3-0"?H=3409=303BH9'"?H934?='-?*?909"63F930930I09"30346B0?09'6322222222222222222233
"0;63!43I0?40"?H934F3*H4663<HE?"8&=1>32222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223,3
"0;63343&H?4=346=3-0"?H=3409=303BH9'"?H934?='-?*?909"6346FO309=30I09"30346B0?09'632222222222233
"0;63143I0?40"?H934F3*H4663<HE?"8&=>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;6343&H?4=346=3-0"?H=3409=303BH9'"?H934?='-?*?909"63"-H?=309=30I09"30346B0?09'63222222222223!3

12
"0;6343I0?40"?H934F3*H4663<HE?"8&=>322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;63#43"0;60F3463'H*&0-0?=H9322222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222313
"0;6343-6=F"0"=3463-6E-6==?H93F9?I0-?6632222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
"0;63,343-6=F"0"=3463-6E-6==?H93*F"?I0-?663222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222223#3
"0;63439H*;-63463'H*&H=09"6=303-6"69?-3409=363*H4663463-6E-6==?H9322222222222222222222222222222222222222222233
"0;6343&H?4=346=3I0-?0;6=3409=363*H466346303-6E-6==?H932222222222222222222222222222222222222222222222222222222222222222223,3
"0;63!43-6'0&?"F0"?B34F3')6*?96*69"346303-6')6-')622222222222222222222222222222222222222222222222222222222222222222222222222223#13
1

1234567536CFF5E536
1
ANNEXE 1 : STATISTIQUES DESCRIPTIVES3222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222233
ANNEXE 2: RESULTATS DE L’ANALYSE DISCRIMINANTE (SPSS)322222222222222222222222222222222222222222222222222222222222222222223!!3
ANNEXE 3: RESULTATS DE LA REGRESSION LOGISTIQUE (SPSS)322222222222222222222222222222222222222222222222222222222222222233
ANNEXE 4: RESULTATS DE L’ANALYSE DISCRIMINANTE PLS32222222222222222222222222222222222222222222222222222222222222222222222222233
ANNEXE 5: RESULTATS DE LA REGRESSION LOGISTIQUE PLS (SAS)32222222222222222222222222222222222222222222222222222222233

13
 Introduction générale

INTRODUCTION GÉNÉRALE

Comme pour toutes les crises, la défaillance des entreprises n'est perçue
comme un problème que par celles ou ceux qui en sont directement ou indirectement
les victimes et qui doivent en assumer les conséquences. La défaillance n’est pas du
domaine exclusif des petites et moyennes entreprises, elle peut les affecter toutes,
quelle que soit leur taille, même celles qui sont cotées en bourse.

L’évaluation du risque de défaillance d’une entreprise est depuis longtemps

au centre des préoccupations des chercheurs et des professionnels de ce domaine. Les
situations de défaillance affectent l’existence d’une entreprise et représentent un coût
très élevé pour les institutions bancaires en cas de perte partielle ou totale des fonds
prêtés, mais aussi un risque majeur pour les autres créanciers, qui, de ce fait, peuvent
à leur tour devenir défaillants. Dans son acception commune et juridique, la
défaillance recouvre un ensemble de situations qui concourent à la disparition de
l’entreprise en raison notamment de graves problèmes financiers qui conduisent à la
cessation de paiement. Blazy et al (1993) définissent la défaillance comme « la
situation à partir de laquelle une procédure de redressement est ouverte à l’encontre
d’une entreprise ». Liang et al (2003), Hol et al (2002) estiment pour leur part que la
défaillance est une situation où les cash flows générés par les entreprises ne
permettent pas d’honorer leurs engagements envers leurs partenaires financiers et
non financiers. Sharabany (2004) de son côté considère qu’il y a défaillance dans
chacun de ces trois cas de figure : l’activité de l’entreprise est discontinue : soit cette
activité ne dégage pas une rentabilité adéquate, soit elle fait l’objet d’une déclaration
judicaire d’insolvabilité. Pompe et Bilderbeek (2004), Pindado et Rodrigues (2001),
Atiya (2001) et Varetto (1998) estiment que la notion de défaillance est en principe
liée au risque de crédit, puisque ce sont les banques qui déclarent qu’une entreprise
est insolvable lorsqu’elles leur refusent un crédit.

En raison du fait qu’elle relève de plusieurs disciplines scientifiques, la

défaillance d’entreprises a longtemps été analysée de manière indirecte sans
15
 Introduction générale

constituer un véritable courant de pensée théorique et empirique homogène,

aboutissant à une littérature spécialisée faisant de la défaillance un thème de
recherche à part entière.

L’identification des raisons profondes de la défaillance n’est pas évidente. Il

est toujours difficile d’énumérer de façon exclusive les facteurs à l’origine de la
défaillance. Les causes en sont très nombreuses, et leur conjonction compromet la
survie de l’entreprise. L’importance de ce phénomène et son impact sur l’ensemble
de l’économie, conduit à vouloir en connaître les causes comme les origines afin de
l’expliquer et de pouvoir en conséquence prendre des mesures préventives.

Une grande variété de causes a été présentée dans différents travaux.

Toutefois, la majorité des de leurs de ceux-ci s’accorde pour à dire que deux grandes
catégories de facteurs peuvent être recensées :

Les causes microéconomiques sont des causes endogènes. Elles représentent

le risque spécifique d’origine interne, et trouvent leur source dans les fonctions
fondamentales de l’entreprise, principalement la production, la commercialisation ou
l’organisation.

Les causes macroéconomiques sont des éléments exogènes qui constituent

dans certains cas, les principales causes de la défaillance des entreprises. En effet,
depuis les années quatre-vingt, on a pu constater qu’indépendamment des ratios
financiers, il existe d’autres variables de type conjoncturel liées à l’environnement
économique, dont la pertinence est incontestable dans l’explication du phénomène de
la défaillance et la détermination de ses causes.

L’investigation dans les causes de la défaillance des entreprises permet de

mettre en évidence des indicateurs de détresse et de performance qui peuvent aider à
expliquer certaines pratiques des entreprises en matière d’investissement et de
financement :

- En raison de l’accès difficile au marché financier, les PME recourent

souvent à l’endettement pour mener à bien leur activité. Pour mettre en évidence
l’importance de ce mode de financement, nous chercherons à savoir si la situation
financière d’une entreprise est tributaire ou non de son niveau d’endettement. La
question fondamentale étant : est-ce l’endettement dont les effets négatifs peuvent
être à l’origine des difficultés qui conduisent à la faillite de l’entreprise ou, à
16
 Introduction générale

l’inverse, des effets positifs qui apportent une solution aux problèmes qu’elle
rencontre ?

- La structure d’endettement, à court ou à long terme, agit également sur le

risque de défaillance des entreprises. D’une part, les banquiers préfèrent accorder des
crédits à court terme afin d’augmenter leur pouvoir de contrôle sur l’entreprise.
D’autre part, le financement à court terme augmente le risque de non renouvellement
des crédits et engendre la cessation des paiements, alors que le financement à long
terme est préférable lorsqu’il s’agit de soutenir les investissements. Face à cette
contradiction, un déséquilibre financier peut engendrer un besoin en fonds de
roulement. Cette situation résulte d’une structure de financement inadaptée qui se
caractérise par un financement d’emplois de longue durée avec des ressources de
courte durée, ce qui nous conduit à préjuger d’une variable déterminante dans la
discrimination entre les entreprises : l’augmentation du besoin en fonds de
roulement.

Les entreprises déclarent rarement leur faillite si elles disposent encore de

liquidités. L’appréciation de la disponibilité de liquidités renvoie au taux de liquidité
immédiate ou future des créances. Nous pensons donc que le risque d’illiquidité
présente un pouvoir explicatif important, et qu’il faut l’utiliser dans la discrimination
entre les entreprises.

Les banques n’acceptent de financer les entreprises que si elles estiment

qu’elles ont la capacité de dégager des résultats. La rentabilité est donc un critère
prépondérant lors de la décision d’octroi de crédits car elle conditionne l’aptitude de
l’emprunteur à faire face à ses obligations de remboursement. Aussi, nous pensons
que le manque de rentabilité est un facteur explicatif de la défaillance des entreprises.

Dans la plupart des cas, la faillite des entreprises n’est pas un événement
provoqué subitement par des chocs accidentels. L’analyse de ce phénomène dans le
temps nous amène à préjuger que la précarité des entreprises est la conséquence d’un
processus de dégradation plus ou moins long de la situation financière, d’une baisse
tendancielle de l’activité de l’entreprise qui perdure depuis plusieurs années. Bien
qu’il n’existe pas de théorie relative à la faillite, les travaux effectués permettent
d’appréhender le rôle de quelques variables dans la résolution ou la dégradation de la
situation financière de l’entreprise.

17
 Introduction générale

1. Objet de la recherche

Cette thèse s’inscrit dans le prolongement des travaux sur les indicateurs la
défaillance des PME, en particulier dans le contexte français. Elle vise à mieux
comprendre, d’une part les facteurs financiers explicatifs de la défaillance et d’autre
part de proposer un modèle adéquat d’aide à la décision.

Cependant, malgré la richesse des résultats des travaux antérieurs, peu des
choses ont été écrites sur le thème de la défaillance. En effet, la plupart des études
antérieures, si elles s’intéressent aux choix des indicateurs financiers, avec un
nombre restreint des ratios comptables, elles en oublient néanmoins l’impact de
l’environnement économique sur la situation financière de l’entreprise, à savoir la
crise financière qui touche l’ensemble de planète.

L’intérêt de cette recherche est donc d’identifier les déterminants financiers et

macroéconomiques de la défaillance des PME, et de proposer un meilleur modèle
d’anticipation de la détresse financière, pour pallier l’insuffisance liée aux méthodes
traditionnelles.

La principale contribution théorique attendue de notre travail est de fournir un

éclairage sur les déterminants de la défaillance. En effet, découvrir, rechercher,
analyser constitue le premier pas pour les différents acteurs de l’entreprise. Partir sur
de bonnes bases est un gage de réussite pour les décideurs. Bien comprendre cette
étape et les imbrications des différentes variables et facteurs qui jouent un rôle
important à ce niveau, constitue le défi de cette recherche. Notre contribution passe
par la compréhension et l’explication du processus de la dégradation de la situation
financière de l’entreprise. Il convient, enfin, de proposer une vision intégrative des
approches actuelles sur ce thème, et d’élaborer une grille de synthèse permettant aux
chercheurs dans la perspective de se positionner en fonction de leurs sensibilités
théoriques.

Notre travail a également un objectif de contribution méthodologique. Nous

devrons proposer une réflexion globale sur les variables influençant les processus de
la détresse financière. Cette démarche se concrétisera par un outil de collecte qui
devrait répondre aux besoins des recherches futures pour se focaliser sur les
processus de la défaillance et afin de mieux anticiper ce phénomène. Notre
contribution méthodologique consistera concrètement en l’élaboration d’un modèle
18
 Introduction générale

efficace d’aide à la décision grâce à une arborescence de variables imbriquées qui

reflètent la complexité du phénomène.

Enfin, ce travail a pour but d’apporter une contribution managériale aux

différents acteurs de l’entreprise. Il s’agit, d’abord, de proposer aux décideurs une
vision claire des processus de dégradation financière en insistant sur les éléments qui
pourraient les provoquer. Deuxièmement, les implications managériales se situeront
au niveau des organismes d’accompagnement et d’aide à la décision en fournissant
un outil qui leur permette d’intervenir plus efficacement pour aider les entreprises à
mieux appréhender une étape critique pour la sauvegarde de l’entreprise.

2. Problématique de la recherche

Afin de traiter le phénomène de défaillance, les travaux effectués dans ce

domaine ont développé des modèles qui permettent de prévoir avec plus de précision
la santé financière des entreprises (Altman, 1968, 1984 ; Bardos, 1989 ; Ding et al.
2008 ; Li et Sun, 2009). Les banques devront proposer une évaluation systématique
des risques qu’elles encourent, ce qui implique notamment une estimation précise de
la probabilité de défaillance de leurs clients entreprises, donc un éventuel
remaniement de leurs méthodes d’évaluation (Altman, 2002). Si l’analyse des causes
de la faillite est plus ancienne, sa prédiction, elle, ne s’est principalement développée
qu’à partir de la fin des années soixante. Depuis les travaux de Tamari (1964), de
nombreux auteurs ont tenté avec succès d’évaluer le risque de défaillance des
entreprises en se fondant sur leur analyse financière. Différents outils sont à la
disposition des chercheurs, dont le plus fréquemment utilisé est l’analyse
discriminante linéaire, mais les méthodes alternatives sont nombreuses (Refait,
2004). Même si ces dernières sont variées, le principe général qui les sous-tend est
similaire. Les auteurs disposent des données comptables d’entreprises dont ils savent
si elles ont été ou non défaillantes à la fin de la période d’observation. Ils parviennent
ainsi à sélectionner les variables comptables les plus discriminantes, puis à établir
une relation statistique entre ces variables et l’état dichotomique d’être ou de ne pas
être défaillant.

Pour mieux cerner ce phénomène, nous formulons notre problématique de la

manière suivante :

19
 Introduction générale

« Quels sont les déterminants financiers et économiques de la défaillance

des PME françaises ? »

Pour répondre à cette problématique, nous la décomposons en questions de

recherches suivantes :

Figure 1: La question de recherche

666$(6 $66(+666
 66,-56 $.6!6

6 6 6 6 5"6#66$$66

6 6 6  6%66&$'6
 ((6($6
 !11
6)*(6!6
1 6 123

1 1

Dans ce qui suit, nous essayerons de définir les moyens que nous avons
utilisés pour répondre à notre problématique de recherche. Il s’agit donc de préciser
le design ou l’architecture de cette recherche.

20
 Introduction générale

3. Le design de la recherche

« Le design de la recherche est la trame qui permet d’articuler les différents

éléments dune recherche : problématique, littérature, données, analyse et résultat »
(Royer et al. 2003). Il s’agit donc d’exposer le positionnement épistémologique, nos
choix méthodologiques et la démarche générale du travail.

Figure 2: Ledesign de la recherche

/6066 2 6)6&*(66$&$&6

/6466 666666666667 666$#(+6

6 6 1

/6366 B666$$6$66 6)$$6

1 1
6666666666665#$66666$&$&
/6266

/6566 B66676+86

/6;66 6666666C:666

6 1

/6166 B696$ 6666&:&*6

21
 Introduction générale

3.1. Le positionnement épistémologique

« L’épistémologie est une science des sciences ou une philosophe de la

pratique scientifique sur les conditions de la validité des savoirs théoriques…
Adopter une épistémologie, donc des guides pour l’action de recherche, permet de se
démarquer des consultants, des dirigeants… Dans une logique de la découverte, ou
dans une logique de la preuve, le chercheur réfléchit aux conditions de la formation
de ses énoncés » (Wacheux, 1996).

Afin de répondre à ces objectifs de validités théoriques et scientifiques, de la

connaissance que nous voudrions construire, nous essayons de justifier notre
positionnement épistémologique au regard des différents paradigmes
épistémologiques des sciences de l’organisation. La démarche pour laquelle nous
avons opté est qualifiée de positiviste. Ce choix se justifie par la nature de la réalité
étudiée et l’objet de recherche. Les positivistes acceptent les postulats d’objectivité,
d’ontologie de la réalité extérieure et les mécanismes qui la conditionnent. Le chemin
de la connaissance passe par l’appréhension des lois qui régissent la réalité. Il s’agit
de trouver une coexistence constante entre les phénomènes et de reconstituer la
chaine causes à effets (Royer et al., 1999). Ainsi, notre recherche a les
caractéristiques suivantes :

- La nature de la connaissance produite : afin de répondre à la question

principale de la recherche, nous nous baserons sur l’observation de la réalité. Les
donnés à recueillir seront alors réputées objectives, elles constitueront des mesures
de la réalité dont l’existence précède notre intervention. L’observation empirique
représentera pour nous une source pertinente sur les pratiques des entreprises en
matière des indicateurs de défaillance.

- Le chemin de la connaissance : ce travail s’appuie sur une réflexion menée

en termes de liens de causalité. Son objectif vise à apporter une explication à une
réalité telle qu’elle est.

- Les critères de validité de la connaissance : nous aurons recours à des

techniques économétriques visant à élaborer un modèle adéquat dans la prévision de
la défaillance.

22
 Introduction générale

Table 1: Les différentes positions épistémologiques

Démarche Démarche Démarche Démarche Démarche Démarche

Hypothético- Hypothético- Hypothético- constructiviste d’induction d’induction
déductive déductive inductive non démonstrative
traditionnelle de falsification démonstrative
dite de ou de réfutation
vérification
Le chercheur Le chercheur Le Le À partir de Le chercheur
met en oeuvre met chercheur chercheur ses observe
une expérience en oeuvre une peut alterner fabrique des observation, librement et
qui lui permet expérience ou construits le sans préjugés
de vérifier la qui lui superposer pour chercheur de
validité de ses permet la rendre va manière à
propositions d’invalider déduction et compte émettre des tirer de
théoriques. ou de réfuter l’induction. d’un conjectures ses
certaines processus à observations
propositions de tester par la des
théoriques ou construction suite. lois
qui (LE (Abduction universelles.
lui permet de MOIGNE, selon Selon MILES
faire 1985). KOENIG, et
des 1993). HUBERMA
prédictions. N
(1991), cette
approche
est typique de
l’approche
ethnologique.
Les hypothèses ou propositions Les hypothèses structurant Idéalement, absence
théoriques jouent un rôle la recherche et le d’hypothèses et de
déterminant et contraignant chercheur doit en être propositions théoriques
pour la recherche. conscient. avant d’engager la
recherche.

Source : Mbengue et Vandangeon-Derumez (1999)

3.2. Méthodologie de la recherche

L’intérêt d’aborder un thème de recherche permet de faire une synthèse des

travaux déjà réalisés, de proposer une ou plusieurs nouvelles approches
méthodologiques et de valider ou d’infirmer les résultats antérieurs. Nous aborderons

23
 Introduction générale

les divers aspects contenus dans la problématique de recherche tant sur le plan
théorique qu’empirique.

L’appréciation des causes de défaillance est indispensable afin de développer

et d’utiliser des modèles susceptibles de l’anticiper et de la prévenir, et peuvent
s’avérer très utiles pour les banques au moment de l’octroi de crédits, mais
également pour tous les autres investisseurs.

Ainsi, ces modèles de prédiction de la défaillance des entreprises constituent

d’abord un « système d’alerte » et ensuite, un outil de décision. C’est pour ces
raisons que nous avons tenu à présenter l’évaluation du risque de défaillance des
entreprises par une approche paramétrique comme premier axe de cette recherche,
alors que le second axe sera consacré à l’analyse par une approche non paramétrique.
L’approche paramétrique est réalisée au moyen de l’analyse discriminante et le
modèle Logit, alors que la non paramétrique est effectuée par la régression PLS
(Partial least squares). Nous comparerons les résultats obtenus un, deux et trois ans
avant la faillite, sur la base de deux échantillons : le premier constitué d’entreprises
saines et le second d’entreprises défaillantes.

3.3. La démarche générale et le plan de la recherche

Le travail est structuré en deux parties :

Les fondements théoriques qui sous-tendent le processus de défaillance seront

exposés dans les deux premiers chapitres. Tout au long du premier portant sur la
défaillance d’entreprise, nous ferons d’abord le point sur ce concept afin de mieux le
cerner. C’est dans ce sens que nous procéderons à une analyse des processus de la
détresse financière des entreprises afin de mieux saisir le cheminement de la
défaillance sous les angles financiers, économiques et juridiques, avant d’examiner
les coûts de la détresse financière et leur impact sur les entreprises. Ensuite, nous
présenterons la procédure de réorganisation qui en découle, ainsi que la procédure de
liquidation. Enfin, nous terminerons en faisant le point sur les différentes méthodes
de prévision de défaillance.

24
 Introduction générale

Dans le deuxième chapitre, nous présenterons les approches explicatives de la

défaillance.

C’est en ce sens que la première section sera consacrée à l’étude de

l’environnement externe dans un contexte de crise financière. La seconde aura pour
objet l’analyse de l’environnement interne des entreprises sous l’angle financier. Les
aspects stratégiques, organisationnels et managériaux seront abordés tout au long de
la troisième section. La dernière sera quand à elle consacrée aux approches
économiques explicatives de la défaillance.

Le troisième chapitre sera consacré à la présentation des différentes

approches méthodologiques qui seront utilisées dans le cadre de cette recherche, et
des outils retenus pour procéder à la validation empirique de nos hypothèses. Cette
partie est consacrée au choix épistémologiques et méthodologiques relatif à l’étude
de la défaillance. Elle mettra en avant la procédure de sélection de l’échantillon des
faillis et des non faillis à partirde la base de données Diane, ainsi qu’à la sélection
des ratios financiers. Le type de traitement des données choisi y sera également
explicité. Il en sera de même pour la justification des outils statistiques qui seront
utilisés : analyse discriminante, Logit et régression PLS. Il est évident que ces choix
méthodologiques auront des répercussions sur les analyses empiriques qui suivront.

L’analyse des différents résultats obtenus au terme de l’application des

méthodologies exposées ci-dessus sera présentée dans le dernier chapitre. Chaque
analyse sera précédée d’une analyse descriptive des variables utilisées, afin de
comprendre les grandes tendances et les particularités des échantillons étudiés.
Ensuite, nous approfondirons l’analyse statistique des données par l’application
d’outils plus appropriés, dans le but de présenter des modèles explicatifs des
différentes thématiques retenues pour réaliser cette étude.

Enfin, la conclusion générale sera consacrée au rappel des grandes lignes de

la démarche suivie, à la présentation synthétique des résultats les plus significatifs et
des limites rencontrées. Elle indiquera non seulement les implications pratiques
auxquelles peut donner lieu ce travail mais également les perspectives de recherches
nouvelles vers lesquelles il peut conduire.

25
 Introduction générale

Figure 3: L’articulation de la recherche et le plan de la thèse

PARTIE 1 : Cadrage théorique

Etat d’art : la Les

défaillance déterminants
1
Théories et
concepts Chapitre 1 Chapitre 2
6 6 6

Choix
méthodologiqu Chapitre 3 Chapitre 4
es et résultats
1 6 6
6
Modélisation Résultats
empiriques

PARTIE 2 : Modélisation de la défaillance

6

Les facteurs relatifs à la disparition des entreprises

sont multiples. Ils sont endogènes propres à la
structure financière de l’entreprise et des variables
exogènes liées à l’environnement économique

26
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

13+919
1
9
1

1 89&/"99

1
9
1

27
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Chapitre 1 – La défaillance des entreprises: une

revue de littérature

28
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Introduction

De tout temps, les problèmes de défaillance ont suscité l’intérêt tant des
économistes que des juristes car ils constituent un enjeu fondamental de société. Ils
s’efforcent donc, de délimiter le champ faisant intervenir le concept de défaillance
afin de lui donner une définition claire, toutefois la variété des situations liées à
l’application de ce phénomène a rendu la tâche malaisée.

Ce n’est qu’avec la crise des années 1930 et les premiers travaux d’auteurs
comme Fitzpatrick (1932) que la problématique de la défaillance est devenue un
champ d’investigation de recherche à part entière. Comme tout autre phénomène, la
défaillance a été analysée de différentes manières et par différentes disciplines. Les
contributions les plus significatives proviennent des sciences juridiques,
économiques, financières, stratégiques, organisationnelles et managériales (Guilhot,
2000).

Dans ce premier chapitre portant sur la défaillance d’entreprise, nous ferons

d’abord le point sur ce concept afin de mieux comprendre, ensuite, les différentes
approches explicatives de la défaillance.

Dans cet objectif, nous procéderons à une analyse des processus de la

détresse financière des entreprises afin de mieux saisir le cheminement de la
défaillance sous les angles financier, économique et juridique, avant d’examiner les
coûts de la détresse financière et leur impact sur les entreprises. Nous présenterons la
procédure de réorganisation qui s’en suit ainsi que la procédure de liquidation. Enfin,
nous terminerons par un passage en revue des différentes méthodes de prévision de la
défaillance.

29
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

I. Les processus de la défaillance

Dans cette section, notre réflexion portera sur la définition et le cycle de la

détresse financière. Au cours de cette analyse nous serons amenés à étudier le
concept de la défaillance du point de vue juridique, financier et économique.

1. Définition et cycle de la détresse financière

Wruck (1990) définit la détresse financière comme étant une situation où les
cash-flows sont insuffisants pour couvrir les obligations courantes. Ces obligations
peuvent inclure les dettes fournisseurs, les dépenses de litige ou les paiements
d'intérêts. Selon Baldwin et Scott (1983), quand la situation d’une entreprise se
dégrade au point où elle ne peut faire face à ses contraintes financières, la firme entre
dans un état de détresse financière. Ces mêmes auteurs assurent que cette situation
est le résultat d’une mauvaise conjoncture économique, d’un déclin de leurs
performances et d’une faible qualité de leurs managements. Modigliani et Miller
(1959), ont montré que seules les firmes performantes, efficaces et rentables, sont
prêtes à supporter un endettement relativement important, car elles sont en mesure de
respecter leurs engagements sans problèmes. Jensen (1986) affirme que
l’endettement agit en tant que mécanisme disciplinaire sur les dirigeants et se
répercute positivement sur les performances de l’entreprise. Selon Finet (2001),
l’octroi de la dette résulte des difficultés subies par l’entreprise, il devient un élément
de sa fragilisation des performances d’exploitation, de son capital comme de sa
réputation. Opter et Titman (1994) estiment de leur côté que la dette est un facteur de
détresse financière, susceptible de mettre en danger la survie de l’entreprise. John
(1993) considère, lui, que la détresse financière résulterait donc d’une mauvaise
synchronisation entre la disponibilité de liquidités des actifs et de ses obligations
contractuelles pendant une période donnée. En d’autres termes, c’est l’impossibilité
de faire face au passif exigible avec son actif disponible. Le risque d’insolvabilité,
ainsi que la violation des clauses contractuelles des dettes, est un signal avant
coureur de la détresse financière (Chou et al., 2010).

30
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Une certaine confusion surgit lorsque le terme « insolvabilité » est utilisé

comme étant un synonyme de « détresse financière ». L'insolvabilité peut être
interprétée en se rapportant aux actifs ou flux, mais les deux sont souvent confondus.
Par exemple, le dictionnaire New World de Webster définit l’insolvabilité comme
étant d'abord, l’incapacité de payer toutes les dettes et ensuite, comme l’incapacité de
payer les dettes, qui deviennent exigibles. L’insolvabilité structurelle, ou à base
d’actif, apparaît lorsque la valeur des actifs d’une société est inférieure à la valeur de
ses dettes ce qui implique des fonds propres négatifs.

L’insolvabilité opérationnelle, ou à base de flux, apparaît quand la société a

des flux de liquidités insuffisants pour couvrir des paiements exigibles
contractuellement (voir figure 4).

31
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Figure 4 : L’insolvabilité

123456789A6ABC14BEBE661

1111111DA145678961 11111111111DA1A345678961
BA41 BB BA41 BB41
441
D534111111
541
1 D5341
541
23456789A6ABC15C8BA533661 3C8BA41

D6EF116AEAABC411
63BA41

96A8BA5341
53B8BE6641

234EA483116AEAABC41

23456789A6ABC1
Source: Ross, Westerfield et Jaffe (2005)

L'insolvabilité basée sur les flux donne aux créanciers lésés, le droit d'exiger
la restructuration parce que leur contrat avec la firme n’a pas été respecté.

Dans une telle situation, les créanciers ne sont pas soutenus par les
actionnaires puisque leurs droits sur les capitaux propres sont toujours préservés.
Lorsque la valeur de la firme augmente d’une façon spectaculaire, les actionnaires
récoltent les bénéfices.

Selon Franks et Sussman (2005), une firme est définie comme étant en
situation de détresse une fois que son agence bancaire locale ou que le directeur
régional de crédit décide de transférer un rapport de la situation à l'unité de suivi des
entreprises économiques ou au responsable du diagnostic financier. De telles
32
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

décisions peuvent se déclencher, surtout pour les PME, dans le cas de violations de
quelques termes (non paiement des intérêts, dépassement de la limite du
découvert,…), ou suite à une mauvaise évaluation de l'avenir de la firme par les
directeurs du crédit (par référence à des indicateurs tels qu’un endettement élevé ou
une faible rentabilité …).

La faillite et la liquidation sont également utilisées comme étant synonymes

de la détresse financière. Wruck (1990), considère la faillite comme le processus
légalement adopté pour annuler et réécrire les contrats. La liquidation se réfère, elle,
à la vente des actifs de la firme et à la distribution des revenus ainsi constitués, à
l’ayant droit ou aux ayants droit.

2. Définition du concept de défaillance

Au cours de ces dernières années, le flux annuel de défaillances d’entreprises

n’a cessé de croître et cette tendance s’accentue pendant les périodes de crise.

La faillite économique est l’état qui caractérise une entreprise dont la

performance financière est moindre que celle de ses principaux concurrents (Ooghe
et Van Wymeersch ,1986). Bescos (1987) définit la PMI en difficulté comme une
entreprise où se manifeste une inadaptation face à l’environnement économique.
Pour Gresse (1994), la défaillance économique se manifeste par une valeur ajoutée
négative. Koeing (1985), propose une définition qui se fonde sur le couple
rentabilité, liquidité. Selon Ooghe et Van Wymeersch (1996), les principales phases
de la détresse financière sont présentées comme suit :

33
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Figure 5: L’enchaînement économique menant à la discontinuité financière

Charges
Charges trop élevées Valeur ajoutée trop faible
financières
1

Rentabilité insuffisante

Investissements excessifs Manque d’autofinancement

Manque de liquidité

Endettement croissant

Solvabilité entamée

Méfiance des prêteurs

Illiquidité critique

Discontinuité financière

Source : Ooghe et Van Wymeersh(1996)

34
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Cata et Zerbib (1979), parlent de la défaillance de l’entreprise en se référent à

une approche juridique, économique et financière. Selon ces deux auteurs, la
défaillance juridique concerne en principe une action de dépôt du bilan liée à une
situation d’insolvabilité. La défaillance économique se réfère à l’absence de
rentabilité et d’efficacité de l’appareil productif. Enfin, la détresse financière est liée
à des problèmes de trésorerie et d’incapacité de remboursement des dettes. Pour
Derni et Grucifix (1992), l’entreprise est menacée à partir du moment où la
rentabilité devient insuffisante puisqu’elle ne permet plus de rémunérer les fonds
propres aux taux en vigueur sur le marché. L’entreprise ne trouve plus de solution
pour gérer sa dette, ce qui se traduit par des incidents de paiement (Gresse, 1994).

Zopounidis (1995), montre qu’il n’y a pas une définition unique de la

défaillance. Il est donc nécessaire d’en donner une définition plus large, incluant des
variables qualitatives dans l’analyse de la détresse financière (Sun et Li, 2009). La
prise en considération de ces variables qualitatives à coté des variables financières
offrira un cadre d’analyse plus rationnel et plus global pour la prévision de la
défaillance.

2.1. La défaillance financière

D’un point de vue financier, une entreprise est considérée comme défaillante
si elle rencontre des problèmes de trésorerie et si elle est incapable de respecter ses
engagements. Malecot (1981), estime que la défaillance financière intervient lorsque
l’exploitation ne peut plus faire face au passif exigible au moyen de son actif
disponible. Si la rentabilité est insuffisante, l’exploitation de l’entreprise est
menacée, puisqu’elle ne peut plus rémunérer les fonds propres aux taux en vigueur
sur le marché. Dans ces conditions, il sera moins aisé pour la firme de se procurer de
nouveaux fonds propres puisqu’elle n’est pas en mesure de les rémunérer. Elle devra
solliciter alors une nouvelle ligne de crédit afin d’assurer la poursuite de son activité.

Ce recours aux fonds extérieurs, entraînera des charges financières

supplémentaires qui les contribueront à détériorer ses résultats financiers. De même,
l’entreprise peut connaître des problèmes de liquidité dans le cas ou ses disponibilités
de l’exploitation ne suffisent pas à couvrir l’ensemble de ses dépenses (Bal et al.,
2010).

35
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

L’interaction entre l’insuffisance de liquidité associer à une rentabilité

négative, a poussé Ooghe et Van Wymeersh(1990) à distinguer quatre catégories
d’entreprises sur la base de leur état de santé, la figure ci-dessous résume cette
situation :

Figure 6 : Etat de santé financière de l’entreprise

Entreprise
Pleine forme
rentable et liquide

Entreprise Maladie passagère

Santé financière rentable et non
de l’entreprise
Entreprise non Maladie chronique
rentabilité-
rentable et liquide
liquidité

Entreprise non Fin prochaine

rentable et non
liquide

Source : Ooghe et Van Wymeeresh (1990)

Selon les deux auteurs, l’insuffisance de la valeur ajoutée et le poids excessif

des charges de structure sont à l’origine du manque de rentabilité de l’entreprise. Elle
ne trouve plus de solution pour payer sa dette, ce qui se traduit par des incidents de
paiement. Selon Derni et Crucifix (1992), l’activité financière de la firme devient
insuffisante puisqu’elle ne peut plus assurer les fonds propres aux taux en vigueur sur
le marché ; confrontée à une telle situation l’entreprise n’arrive plus à s’autofinancer
puisqu’elle n’est plus en mesure d’attirer de nouveaux bailleurs de fonds.

36
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

2.2. La défaillance économique

Pour Zopounidis (1995), la défaillance économique se réfère à l’absence de

rentabilité et d’efficacité de l’appareil productif et à la détérioration de la liaison :
entreprise-produits-marché et par la non-contribution de l’entreprise à la réduction
des problèmes sociaux tels que le chômage ou une incapacité à améliorer le niveau
de vie de chacun ou son pouvoir d’achat. Selon Crucifix et Derni (1995), l’entreprise
accomplit son objectif économique lorsqu’elle réalise une rentabilité et une liquidité
suffisantes :

Figure 7: Les objectifs économiques de l’entreprise

Une entreprise est rentable

lorsqu’ elle peut rémunérer les
Rentabilité moyens financiers investis. La
rentabilité globale permet d’évaluer la
performance d’ensemble de
Objectifs l’entreprise
de
l’entreprise Une entreprise est liquide
lorsqu’elle dispose de moyens
Liquidité suffisants pour couvrir les
dépenses nécessaires sans
1
découvert de trésorerie

Source : Crucifix et Derni (1992)

Wtterwulghe (1998), estime que la survie des PME est expliquée par la
volonté des grandes entreprises qui ont un intérêt économique à laisser subsister les
petites entreprises avec lesquelles elles sont en concurrence sur un marché. Pour
Michaux (1978), « dès lors, pour la firme, la faillite ou la préfaillite économique
n’est plus l’issue fatale mais seulement l’issue possible à laquelle une résistance peut
être opposée par la constitution de surplus financiers entretenus stratégiquement. La

37
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

menace d’exclusion de la firme de son marché est inversement proportionnelle aux

pouvoirs de son marché régnant ou se développant dans les secteurs auxquels
l’entreprise appartient ». Selon Gresse (1994), la défaillance économique de
l’entreprise est une valeur ajoutée négative, cette valeur constitue un indicateur de
performance apportée par l’utilisation des facteurs de production. Dans une telle
situation la firme utilise plus de ressources qu’elle n’en produit et n’est plus en
mesure d’assurer au prix du marché l’ensemble des facteurs de production qui
contribuent à la réalisation de son activité économique. Van Wymeersch (1996),
estime qu’en économie du marché, la rémunération offerte par la firme à chacun des
éléments de production doit être suffisante pour assurer la continuité et la qualité.
Selon Quintart (2001), « une valeur ajoutée positive représente un surplus de la
production par rapport à la consommation intermédiaire. Dans l’absolu, ce surplus
n’est pas significatif car il convient de la relativiser : la question cruciale est de
savoir si la valeur ajoutée est suffisante pour rémunérer les facteurs de production
dans la mesure où ils sont productifs et utilisés à bon escient ».

Ooghe et Van Wymeersch(1996), affirment que la notion de l’entreprise en

difficulté est définie comme celle qui n’arrive plus à assurer de manière continue ses
objectifs économiques, compte tenu des contraintes sociales et d’environnement.

2.3. La défaillance juridique

Sur ce plan, deux idées sont à retenir. En effet, depuis le droit romain, les
droits des faillites sont des procédures collectives, générales et publiques ayant pour
objet d’éliminer l’entreprise ou de permettre son redressement, ce qui constitue leur
premier aspect, le second étant qu’à l’origine de ces procédures, il y a l’insolvabilité
d’un débiteur qui se manifeste par la cessation des paiements, puisqu’il se trouve
dans l’incapacité de faire face au passif immédiatement exigible avec son actif
disponible. Sur le plan juridique, la cessation des paiements signifie qu’un débiteur
ne s’acquitte pas à l’échéance, de la dette devenue exigible. Un seul incident de
paiement suffirait, sur le plan des principes, à faire naître le fait générateur de la
défaillance. Effectivement, les entreprises peuvent se trouver dans l’impossibilité
d’honorer leurs obligations, en raison d’une trésorerie insuffisante, de difficultés
d’obtention de crédits ou encore d’une conjoncture économique défavorable, même

38
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

si cette situation n’est que passagère. Dans ce cas, il ne serait pas opportun du
sanctionner un débiteur confronté à des difficultés passagères et qui n’est pas en état
de cessation de paiement, cette situation ne sera effective que si une situation grave
se prolonge dans le temps et peut s’avérer sans issue.

Dans le cadre de la législation française, et selon la loi de 1985 et de 2009 les

modalités juridiques de la défaillance sont étudiées dans les paragraphes qui suivent.

2.3.1. La prévention des difficultés des entreprises

La loi du 1er mars 1984, renforcée en 1994, est le premier texte officiellement
consacré à la prévention des difficultés des entreprises, cette loi a été reformée par la
loi de sauvegarde du 26 juillet 2005 puis, récemment par l’ordonnance du 18
décembre 2008. Elle organise une prévention par l’information et le financement et
met en place une procédure d’alerte. Depuis le 1er janvier 2006, date d’entrée en
vigueur de la loi de sauvegarde des entreprises, la procédure est élargie à l’ensemble
des professionnels libéraux exerçant à titre individuel leurs activités. L’objectif de
l’ordonnance du 18 décembre 2008, est de renforcer la détection des difficultés
naissantes, par l’intermédiaire de la mission des commissaires aux comptes, qui
peuvent désormais adresser au tribunal une copie de la demande de délibération
qu’ils ont adressée à l’organe collégial de la personne morale, si les réponses qui ont
été données aux questions posées ne sont pas satisfaisantes.

Une des principales innovations de la loi de sauvegarde est de permettre à des

entreprises de bénéficier d’une procédure de conciliation, qui est un outil de
prévention confidentiel accessible aux entreprises qui ne sont pas en état de cessation
des paiements. La mission du conciliateur désigné par le président du tribunal, est de
trouver un accord entre l’entreprise et ses créanciers. Le débiteur reste à la tête de
son entreprise, afin d’encourager les créanciers à soutenir l’entreprise en difficulté.

La procédure n°2008-1345 du 18 décembre a ensuite rénové d’autres points

de la procédure de conciliation afin d’inciter à y avoir recours et d’ainsi favoriser la
négociation avec les créanciers. Parmi les principales innovations, la conciliation est
intégralement consacrée à la négociation. Si le débiteur demande l’homologation de
l’accord, le temps laissé au tribunal pour se prononcer sur cette demande n’est plus
imputé plus sur la durée maximale de négociation. Selon l’article L611-7 du code de
39
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

commerce le débiteur peut obtenir du juge des délais de paiements en cas d’une
simple mise en demeure par un créancier au cours de la procédure de conciliation.
L’article L611-10-1, prévoit qu’une fois l’accord signé et pendant son exécution, les
créanciers ne peuvent agir en paiement de la créance qui fait l’objet de l’accord.
Ainsi que l’article L611-10-2, dispose que les catégories de garants pouvant se
prévaloir de l’accord sont entendueset désormais cette protection s’applique même
en présence d’un accord seulement constaté. En cas d’inexécution des engagements
par le débiteur, la déchéance des délais de paiement accordés juridiquement n’est
plus automatique.

2.3.2. Traitement juridique des difficultés des entreprises

[Link] L’ouverture de la procédure de redressement judiciaire

Une procédure collective ne peut en général être ouverte à l’encontre d’une

entreprise que si celle-ci est en état de cessation de paiements, donc dans
l’impossibilité de faire face à son passif exigible avec son actif disponible. Le critère
d’ouverture est donc plus proche de « l’illiquidité » que de l’insolvabilité. La
cessation des paiements doit exister au jour où le tribunal statue, et non au jour où il
est saisi : la procédure ne doit pas être ouverte si un incident de paiement a fait
l’objet d’une régularisation entre la saisine du tribunal et le jour où la juridiction
statue en première instance ou même en appel. L’exercice d’une voie de recours peut
ainsi devenir un moyen pour le débiteur de se procurer un ultime délai afin de réunir
des fonds.

[Link]. La procédure de sauvegarde

La procédure de sauvegarde est ouverte aux entreprises qui ne sont pas en état
de cessation de paiements mais qui traversent des difficultés qu’elles ne peuvent
surmonter et qui sont de nature à la conduire à un état de cessation de paiements.
L’ordonnance du 18 décembre 2008 vise clairement à faciliter le recours aux
procédures d’insolvabilité, en modifiant le critère d’ouverture de la procédure de
sauvegarde, en réduisant le rôle des organes de la procédure au profit du dirigeant, en
réduisant le champ des sanctions patrimoniales qui lui sont applicables et en
améliorant le sort des garants. En application des dispositions de la loi de sauvegarde
40
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

de 2005, les entreprises qui justifiaient de difficultés susceptibles de les conduire à la

cessation des paiements pouvaient recourir à cette procédure qui entraînait la
suspension provisoire des poursuites des créanciers et l’interdiction de payer les
créanciers antérieurs et postérieurs à l’ouverture de la procédure. Il suffit que le
débiteur justifie de difficultés qu’il n’est pas en mesure de surmonter. Lorsqu’il
existe une opportunité sérieuse de sauver l’entreprise, le tribunal lance un plan de
réorganisation qui détermine les perspectives de redressement et définit les modalités
de règlement du passif.

[Link]. Procédure de redressement judiciaire

L’ordonnance de 2008 a également remanié la procédure de redressement

judiciaire. La définition de la cessation des paiements est complétée : cette dernière
n’est, en effet, pas retenue si le débiteur établit que les réserves de crédit ou les
moratoires dont il bénéficie lui permettent de faire face à son passif exigible avec son
actif disponible. Selon l’article L631-8, en cas de conversion d’une procédure de
sauvegarde en procédure de redressement judiciaire, la date d’ouverture de la
procédure est réputée être celle de la procédure de sauvegarde et toute demande de
report de la date de cessation des paiements doit être présentée au tribunal dans un
délai maximal d’un an à compter de la date du jugement ayant converti la procédure
de sauvegarde ; cette disposition peut avoir pour effet d’allonger la période de
rétroactivité de la date de cessation des paiements au-delà du délai de 18 mois
applicable en cas de mise en œuvre d’une procédure de redressement judiciaire. Si la
cessation des paiements est constatée au cours de l’exécution du plan de sauvegarde,
le plan est résolu et le tribunal peut désormais ouvrir une procédure de redressement
judiciaire. La liquidation n’est plus la seule issue. Cette disposition est applicable aux
plans de sauvegarde en cours d’exécution au jour de l’entrée en vigueur de
l’ordonnance. Selon l’article L631-10, l’incessibilité des parts sociales des dirigeants
sans autorisation du tribunal est étendue aux parts détenues indirectement par eux.

41
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

[Link]. Procédure de liquidation judiciaire

La liquidation judiciaire est une procédure qui a pour objectif de céder des
actifs de l’entreprise débitrice pour permettre le paiement de ses créanciers.
L’ouverture d’une procédure de liquidation judiciaire doit, comme pour la procédure
de redressement judiciaire, être demandée par le chef d’entreprise dans les 45 jours
qui suivent.

L’ordonnance 18 décembre 2008 apporte des améliorations aux règles

applicables à la liquidation judiciaire. Le parquet peut proposer un liquidateur à la
désignation du tribunal (article L641-1). Selon l’article L641-11-1, les dispositions
relatives à l’exécution des contrats en cours en matière de procédure de sauvegarde
ou de redressement judiciaire sont étendues à la liquidation judicaire afin de
permettre la poursuite de l’activité en liquidation. Il convient de signaler que l’article
97 de l’ordonnance complète l’article L.641-3 pour préciser que « lorsque la
liquidation judiciaire est ouverte ou prononcée à l’égard d’une personne morale, les
dispositions prévues en matière d’arrêté et d’approbation des comptes annuels ne
sont plus applicables sauf, le cas échéant, pendant le maintien provisoire de
l’activité autorisé par le tribunal ».

II. Coûts de la détresse financière

Les coûts de la détresse financière et des poursuites judiciaires sous le code

de la faillite sont importants. Pour les PME, les coûts impliqués dans la
réorganisation peuvent souvent excéder la valeur de la firme, qui explique la
dissolution de celle-ci. Ces coûts ont été reconnus comme un déterminant important
de l’évaluation de la dette d’une société et de la structure de son capital. Haugen et
Senbet (1978), étaient les premiers à soutenir l’hypothèse que les coûts de la détresse
financière ne devraient pas être significatifs parce que les prétendants devraient être
capables d’être en pourparlers à l’extérieur de la cour sans affecter la valeur de la
société sous-jacente. Plus récemment, Jensen (1991), note que les conflits entre les
groupes de créanciers et l’influence de certaines décisions des tribunaux de
commerce ont un impact négatif sur la capacité des entreprises de négocier leurs
créances à l’aimable. Quand une société est incapable d'achever la réorganisation à
l’extérieur de la « cour », elle ne pas être en mesure d'éviter les coûts de la
42
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

procédure de faillite annoncée par le tribunal de commerce.

Les coûts de détresse financière peuvent être directs ou indirects. Les

honoraires d’avocats, comptables, conseillers, experts et autres professionnels sont
des coûts directs. Les frais indirects découlent de la détresse financière qui affecte la
capacité de l’entreprise à gérer ses affaires ce qui implique des coûts d’opportunité.

Une firme en détresse rencontre trois difficultés : en premier lieu elle perd le
droit de prendre certaines décisions sans approbation légale. Par exemple, une firme
qui relève du code américain de la faillite (plus précisément le Chapitre 11), ne peut
pas dépenser de l'argent ou vendre des actifs sans approbation de la Cour. Ensuite, la
détresse financière peut réduire la demande pour le produit de la firme et augmenter
ses coûts de production. Ce qui aura une incidence sur sa part de marché.
Troisièmement, enfin, les managers perdent un temps considérable pour résoudre la
détresse financière. La valeur de ce temps est généralement considérée comme étant
un coût indirect. Ce temps ne sera pas toujours perdu, si les managers se sont
engagés dans une restructuration productive et ont entrepris des changements
stratégiques.

1. Coûts directs

Les coûts directs de la détresse financière sont plus faciles à mesurer. Ils
incluent les honoraires légaux, administratifs et consultatifs payés par la société. Les
coûts directs sont indispensables pour les sociétés qui restructurent leurs dettes ou
celles qui tombent en faillite. De nombreuses études scientifiques ont tenté de
mesurer les coûts directs de la faillite. Altman (1984), White (1983) et Weiss (1990),
affirment que ces coûts directs représentent environ 3% de la valeur de marché de
l’entreprise. Dans son étude, Warner (1977), montre que le montant net de ces coûts
était, en moyenne, égal à 1% de la valeur de marché de la firme sept ans avant la
défaillance et devenait un pourcentage de plus en plus élevé à mesure que la faillite
approchait (par exemple, 2,5% de la valeur de la firme trois ans avant la défaillance).
Lubben (2000), estime qu’à eux seuls, les frais légaux moyens s’élèvent à 1,5% des
actifs totaux des sociétés faillites. Pour les sociétés qui liquident à la fin du processus
de faillite, Ang, Chua et McConnell (1982), affirment que les coûts directs
représentent 7,5 %, de la valeur liquidée de la société. Le maximum des coûts directs
43
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

est de 6,6 %, de la valeur de marché dans l'échantillon de Weiss et 9,8 %, dans

l'échantillon de Warner. La comparaison des coûts directs des « Workouts » privés
avec les coûts directs de faillite suggère que les coûts directs soient presque dix fois
moins faibles, lorsque la firme est capable de restructurer sa dette.

1.1. Coûts réels supportés directement par la firme

Ce sont toutes les dépenses de rémunération et d'honoraires des services

externes et internes mobilisées pour réaliser des tâches d'évaluation et de jugement.

1.1.1. Honoraires des professionnels

Généralement, les firmes défaillantes ont recours aux services des

professionnels externes, notamment, experts judiciaires, experts-comptables et
auditeurs, banquiers investisseurs, commissaires-priseurs et consultants. Ces
honoraires sont fonction de la tâche à effectuer et de la complexité de la situation de
la firme en difficulté.

Weiss (1990), a étudié les coûts directs pour 37 situations de faillite du

NYSE1 et de l'AMEX2 suivies sur la période de novembre 1979 à décembre 1986. Il
a observé que ces coûts de faillite sont de l'ordre de 3,1% de la valeur comptable des
dettes et de la valeur de marché des actions, une année fiscale avant la période de
faillite. Les résultats sont similaires à Altman (1984) et Warner (1977) sur les
périodes antérieures. En effet, Warner a estimé les coûts de faillite de l'ordre de 4%,
de la valeur de marché une année avant la faillite pour un échantillon de 11 firmes du
secteur des chemins de fer. Altman a estimé des coûts de l'ordre de 4,3% pour un
échantillon de 11 firmes du secteur des chemins de fer et de 7 firmes industrielles.
Une étude plus récente, par Betker (1997), constaté que les coûts directs sont de
l'ordre de 3,93%. Gilson et al. (1990), présentent une mise en évidence des coûts
directs des accords privés. Avec un échantillon de 18 restructurations de dettes, ces
auteurs montrent que la médiane des coûts directs de restructuration de la dette est de
0,32 %, du total des actifs en fin d’exercice.

11111111111111111111111111111111111111111111111111111111111
1
Le New York Stock Exchange (NYSE)
2
American Express (AMEX)3

44
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

1.1.2. Mobilisation du personnel

Le processus de résolution des problèmes de faillite n'exige pas seulement la

mobilisation des dirigeants en termes de temps et d'énergie, mais aussi l'implication
de tout le personnel. En effet, la firme se doit de faire front aux problèmes générés
par la faillite, de négocier avec ses créanciers pour pouvoir élaborer un plan de
réorganisation, et de coopérer en communicant les informations nécessaires
demandées par les professionnels externes. Toutes ces tâches contraignent la firme à
conserver son activité quotidienne.

Les coûts internes engagés lors du processus de résolution des problèmes de

faillite, sont implicites et difficiles à évaluer. L'interaction entre le personnel de la
firme en faillite et les professionnels externes, implique un effort supplémentaire
déployé par la première partie.

1.2. Coûts réels supportés directement par les créanciers de la firme

Les firmes en situation de faillite encourent des coûts qui sont supportés de
fait par leurs créanciers. Ainsi les actionnaires, obligataires, banquiers, fournisseurs,
l'Etat, les retraités et les employés actifs, sont contraints de subir les coûts
additionnels résultant de la situation courante de la firme.

1.2.1. Honoraires des professionnels

Les créanciers individuels, peuvent supporter des coûts supplémentaires dans

le sens où ils vont déléguer des experts ou bien composer un conseil légal séparé
pour évaluer et délimiter leurs positions légales dans les actifs et passifs de la firme
défaillante. Dans plusieurs cas, les créanciers se trouvent en face de certaines
complexités, ils vont demander une assistance légale ou même engager leurs propres
experts ou banquiers investisseurs pour les représenter dans les comités des
créanciers et évaluer leurs patrimoines.

45
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

1.2.2. Mobilisation du personnel

Plusieurs créanciers engagent leur personnel et d'autres ressources dans

l'évaluation de leurs intérêts. Une grande partie de leurs dépenses est liée aux
professionnels externes, mais les décisions définitives leur appartiennent
généralement. Par exemple, doivent-ils vendre ou conserver leurs parts ? Doivent-ils
voter pour un plan de sauvetage ou pour un plan de réorganisation? Le plus souvent,
les créanciers et surtout les minoritaires préfèrent poursuivre le processus de la
faillite. En revanche, les créanciers majoritaires préfèrent réaliser l'alternative qui
satisfait leurs intérêts micro-économiques personnels, étant donné qu'ils ont engagé
des coûts supplémentaires.

Les créanciers ayant supporté des coûts, diffèrent dans leurs horizons
temporels et leurs orientations du risque, c’est le cas notamment des investisseurs
institutionnels qui préconisent des plans de réorganisation afin de maximiser leurs
valeurs sur un horizon temporel plus long que celui préféré par d’autres investisseurs.

En définitive, les systèmes de management des firmes défaillantes cherchent

à mettre en place des plans qui permettent de préserver leurs emplois et les sources
de revenus de leurs créanciers. Plusieurs d’entre eux préfèrent des changements
considérables dans les systèmes de management jugés initialement moins efficaces.
Les commerciaux, notamment les fournisseurs, préfèrent préserver leur portefeuille
clients. Dans la mesure où quelques groupes défendent leurs intérêts, d'autres
groupes devraient supporter des coûts additionnels pour maintenir leurs positions
relatives. Ces ressources additionnelles sont souvent orientées pour contrôler les
managers (Branch, 2002).

1.2.3. Réduction de l'efficacité commerciale

Les créanciers deviennent plus exigeants lorsqu'ils constatent que leur

débiteur passe d'une situation saine à une situation de détresse. Cette vulnérabilité
financière se traduit par deux catégories de perte :

- leurs parts et profits tendent à diminuer en relation avec la valeur

décroissante de la firme.

- leurs performances tendent à se dégrader, en présence d'une perte

46
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

d'efficacité commerciale de la firme suite à un doute sur le potentiel de croissance de

l'exploitation.

Faible liquidité des actifs financiers : les titres cotés deviendront moins
liquides sur le marché boursier et seront plus exposés à un effondrement des cours,
lesquels se traduisent par des risques supplémentaires issus de la dégradation des
fourchettes de prix des titres. Plusieurs firmes en détresse optent par la titrisation de
leurs créances ou signent des accords cadre avec les sociétés de factoring.

Climat social : dans plusieurs cas, la détresse financière ou la faillite

prématurée, conduisent à des revendications des créanciers qui peuvent déclencher
des conflits, en raison des divergences d’intérêt qui les opposent. Le processus de
résolution des problèmes est perturbé par le caractère hétérogène des intérêts de
chacun, du degré de satisfaction, des réactions et interprétations mais également par
l’exigibilité des dettes, ce qui génère des coûts d’opportunités. Ainsi, lorsque
l’entreprise rencontre des problèmes financiers, les salariés savent que la garantie de
leurs emplois n’est plus assurée. Il devient donc très difficile à l’entreprise de
conserver et à inciter ses salariés à rester et ne pas aller chercher un nouvel emploi
plus sûr. Ils seront donc tentés d’aller chercher un emploi plus sûr et à quitter
l’entreprise, qui elle, aura du mal à les inciter à rester et à les conserver. Dans les
entreprises dont l’activité dépend du capital humain de certains salariés, leur départ
peut aboutir à mettre l’entreprise à état de cession de paiement.

1.2.4. Pertes de la firme défaillante se traduisant par des gains au profit

d'autres entités

Laperte de performance pour les firmes en détresse peut créer des

opportunités pour les concurrents. Ainsi les pertes de la firme en faillite peuvent être
compensées, même partiellement, par des gains au profit d'autres entités
économiques. Ces coûts peuvent prendre des formes variées.

47
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

1.2.5. Perte de parts de marché

Les perturbations causées par la faillite auront généralement des effets

opposés à la capacité de la firme à maintenir et accroître sa part de marché. En effet,
elle commence par perdre son image de marque, ses employés sont moins sécurisés
et elle devient moins apte à honorer ses engagements. La détresse financière affecte
sa capacité à négocier des prix plus favorables pour les inputs ainsi que les termes de
crédit. Inquiétés de la capacité de la firme défaillante, les fournisseurs exigent
souvent une prime de risque à travers des prix plus élevés, ou des services de
moindre qualité. En outre, il est plus difficile de négocier des termes favorables, des
prix et des services, si les fournisseurs considèrent que leur relation avec la société
relève désormais du court terme et que les autres entités du marché deviennent des
clients potentiels. Cette réalité rend les autres créanciers moins disposés à compter
sur les promesses de l’entreprise concernée. Ainsi l'habileté de la firme en faillite à
développer des relations d'affaires extensibles sera plus difficile. La part de marché
perdu se traduit par un gain au profit d'une ou plusieurs autres entités économiques,
étant donné qu’elles partagent initialement la totalité du profit de marché. Toutefois,
les parts de marché perdues parallèlement aux autres parts de marchés qui
s’accroissent, (Chang et Mc Donald, 1996), ne peuvent pas avoir les mêmes
amplitudes pour s’équilibrer. Lorsque les difficultés financières se font pressantes,
l’entreprise peut se voir contrainte à une cession d’actifs, pour disposer des liquidités
suffisantes au paiement des créanciers. Il est fréquent que les ventes forcées d’actifs
ne permettent pas à l’entreprise de vendre au prix du marché. Pulvino (1998), a
montré dans son étude que les compagnies aériennes en situation de cessation de
paiement qui vendaient des avions les cédaient à un prix inférieur de 15 à 40 % au
prix qu’aurait obtenu une entreprise saine.

1.2.6. Concentration sur le court terme

En raison de leur état de faillite, les firmes ne peuvent plus raisonner sur le
long terme. Elles doivent se cantonner à un horizon de court terme. Elles ont besoin
de conserver des fonds pour éviter toute pénurie sur le long terme et pour mener à
bien leurs projets. Une firme en situation de faillite n’a pas la motivation à
poursuivre des opportunités sur le long terme qui exigent des financements et sont

48
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

mêmes amenées à changer immédiatement les horizons de réflexion. Elles doivent

appliquer des taux d’actualisation très élevés pour leurs revenus futurs.

Les firmes en situation de faillite auront toujours besoin, et sous pression des
créanciers, de liquider des actifs, (Shleifer et Vishny, 1992). Ces actifs devront
généralement être vendus aux prix du marché. L'acheteur est de ce fait apte à
exploiter la détresse financière du vendeur pour négocier des actifs à des prix
attractifs. D'ailleurs plus une firme est défaillante, plus elle sera amenée à liquider
des actifs pour encaisser des fonds, sachant qu'elle se focalise sur le court terme.

Les firmes en situation de faillite, doivent liquider leurs actifs, sous la

pression des créanciers, (Shleifer et Vishny, 1992). Ces actifs devraient en principe
être vendus au prix du marché, mais les acheteurs vont avoir tendance à exploiter la
détresse financière du vendeur pour négocier les prix à la baisse. En fait, plus une
firme est défaillante, plus elle est conduite à liquider des actifs pour se procurer les
fonds indispensables à sa survie, et elle se focalise de ce fait sur le court terme.

Dans la mesure où certains actifs sont moins liquides, la firme défaillante doit
supporter des coûts de transactions supplémentaires, (Kim, 1996). Altman (1984), a
essayé d'estimer les coûts indirects, en se basant sur les pertes non anticipées pour
trois années avant la faillite. Son analyse implique des coûts indirects de 4,5 %, pour
les firmes commerciales et 10,5 % pour les firmes du secteur industriel. Wruck
(1990), a critiqué la méthodologie d'Altman du fait qu'il est impossible d'affirmer si
la perte est en fait causée par la détresse financière ou si c’est la détresse financière
qui est la conséquence de la perte . Dans une autre étude des coûts indirects, Opter et
Titman (1994), ont montré que les firmes de l'extrême décile d'endettement
encourent des pertes de 26 %, qu'auront les firmes du plus bas décile d'endettement.
La valeur de marché de leurs actions baisse corrélativement. La position considérable
qu'occupent les coûts de la situation de défaillance, notamment pour l'exploitation
courante et pour les processus de prise de décision, impose à toute firme à penser à
développer une sorte de tableau de bord pour anticiper les situations de faillite.

49
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

2. Coûts indirects

Contrairement aux coûts directs, les coûts indirects ne sont pas observables et
sont donc difficiles à préciser et à mesurer empiriquement. Toutefois, les chercheurs
ont développé différentes approches utilisées pour analyser l'ampleur probable de ces
coûts. Dans un premier temps, il est difficile de distinguer si la mauvaise
performance d’une entreprise est causée par les coûts indirects, ou par les mêmes
facteurs qui l’ont conduite à une situation de détresse financière. Ces études ont donc
tenté de déterminer si la performance de l'entreprise reflète les coûts de détresse
financière, les coûts de la détresse économique, ou d'une interaction des deux.
Altman (1984) a été le premier à fournir une méthodologie pour mesurer les coûts
indirects de la faillite. Il constate que la moyenne des coûts indirects est égale à
10,50 % de la valeur totale de la firme. La combinaison des deux coûts est évaluée à
16,70 % ce qui n’est pas négligeable par rapport à la valeur de la firme. Sur la base
de changements de valeur de l’entreprise au fil de temps, la détresse financière est
estimée de 10 à 20 % de la valeur de l’entreprise. Andrade et Kaplan (1998)
examinent les aspects qualitatifs de comportement des l’entreprises. Une grande
majorité des firmes sont obligées de réduire leurs dépenses en capital, de retarder la
restructuration, ou de déposer leur bilan d’une manière qui semble coûteuse.

III. La réorganisation

La négociation d'un plan de réorganisation nécessite la prise en compte de

plusieurs facteurs déterminants de nature financière et managériale, et doit également
prévoir les variables susceptibles de faire aboutir les discussions avec les parties
prenantes.

1. Aspects de la réorganisation

La décision d'établir un plan de réorganisation dépend de l'adhésion des

créanciers à ce plan. Les créanciers garantis sont les moins motivés pour ce type de
décision, ce qui implique un effort réduit pour aider les firmes défaillantes. Les
banques, en tant que prêteurs, ne pensent pas à entreprendre des actions correctives
tant que la valeur des actifs qui garantissent leurs prêts excède la valeur de la dette

50
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

bancaire. Lorsqu’elles sont mises en œuvre, ces actions correctives sont focalisées
sur la valeur de la dette bancaire. A ce niveau là, la banque envisage de proposer des
aspects de la réorganisation ; elle peut demander un paiement partiel, une
restructuration de la dette, procéder à la diminution du plafond de ses crédits,
distribuer de nouveaux titres en échange de la dette initiale et le cas échéant,
demander des garanties supplémentaires avec la prorogation des échéances. Ce
comportement d'hésitation de la part des banques ne peut qu’être en contradiction
avec la position avantageuse dont jouissent les banques en matière de qualité et de
pertinence de l'information. On doit noter, que dans une situation de détresse
financière, les banques restent exposées à la valeur liquidative des actifs qui peut
diminuer en dessous d'un seuil critique.

La réorganisation peut prendre la forme d'une renégociation informelle des

dettes afin d'assurer un sauvetage anticipé. Il s'agit en quelque sorte de la recherche
de solution en amont dans le cadre de la discussion. Ce processus repose sur trois
conditions ; la condition d'incitation, la condition de participation et la condition de
non liquidation. On peut donc être amené à penser que les comportements
stratégiques conduisant à une entrée tardive dans la réorganisation de l’entreprise,
peuvent conduire à l’échec du processus de sauvetage. Selon Njokè et Recasens
(2007), la réorganisation tardive tend à majorer les taux d'emprunt : les éventuels
acheteurs manifestent plus de méfiance vis-à-vis de la firme défaillante, lorsqu'il y a
retard dans la réorganisation, et décident par conséquent d'octroyer des crédits
moyennant des taux d'intérêt plus élevés, afin de se couvrir contre tout risque de
défaut. Dans ce sens, l'ordre de priorité sera alors attribué selon le principe de la
contribution marginale d'un créancier, et donc selon l'ordre d'entrée dans la
réorganisation (Couwenberg et Jong, 2008). Un créancier peut n’être que peu incité à
participer à une certaine renégociation, et penser récupérer la valeur du produit de
liquidation qui lui revient pour l'investir sur les marchés financiers. Ce comportement
de faible incitation peut lui laisser espérer des taux de rendement relativement élevés.

L'étude de la relation entre le ratio « dettes/fonds propres », et la condition de

non liquidation, montre qu'il existe deux situations de viabilité dans la sauvegarde de
l'entreprise défaillante. L'une apparaît comme précaire car elle conduit à l'exigence
de taux de rendement élevé, ce que le rythme des ressources existantes de la firme ne

51
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

peut réaliser dans le moyen terme. D'où, une liquidation inévitable à plus ou moins
long terme. L'autre solution apparaît viable et pérenne, car la réorganisation ne
n’implique pas des taux d'intérêt trop élevés, lorsque l'entreprise souhaite relancer
son activité en empruntant.

La restructuration des dettes, comme instrument de rétablissement rapide de

la stabilité financière, peut être mise en œuvre de manière efficace à travers le
changement des termes de paiement. Cette stratégie est en fait équivalente à des
coûts supplémentaires et risque de ne pas être réalisable, en raison de l'absence d'un
consentement unanime de la part des créanciers obligataires et des autres créanciers.
Par conséquent, la restructuration de la dette prendra la forme d'une offre d'échange
par obligations. Dans une telle opération, les nouveaux titres sont volontairement
échangés avec les anciennes obligations. Toutefois, les obligataires expriment peu de
motivation pour cette technique (Gilson et al. (1990), Tamura (2002).

Il est très intéressant de considérer l’aspect dynamique de la renégociation,

afin de souligner le rôle de la revendication marginale de chacune des parties
prenantes dans le partage du coût de sauvetage. En effet, les comportements
individuels ayant pour but de maximiser les revendications marginales personnelles,
conduisent à retarder la réalisation d’un accord sur le sauvetage anticipé de la firme
défaillante. Cette situation risque de mettre en périe le succès d'un plan de
réorganisation. Le coût de sauvetage augmente avec le temps, les dettes s'accumulent
tant que la détresse n'est pas résolue.

Le problème le plus délicat d'une procédure de réorganisation est la

modification de la structure de capital dans le but de réduire le montant des charges
fixes. L'établissement d'un plan de réorganisation, doit dans ces conditions,
considérer deux décisions : d'abord, déterminer la valeur totale de la société
réorganisée, c'est l'évaluation de la firme défaillante. Ensuite, la décision est le choix
d'une structure du capital afin de réduire les charges fixes et d’en garantir la fiabilité.
Le niveau des dettes est réduit parce qu’elles sont transformées en titres de créances
à long terme ou en titres de propriété, c’est-à-dire en obligations ou en actions,
qu’elles soient privilégiées ou ordinaires.

A ce niveau là, le responsable de la mission de réorganisation, doit être

vigilant à la nécessité d'atteindre un équilibre approprié des dettes et des capitaux
52
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

propres, en fonction des bénéfices futurs de la firme afin de ne pas avoir besoin
d'une source de financement supplémentaire. Une fois la nouvelle structure de capital
est arrêtée, il reste à évaluer les anciens titres et à fixer les conditions d'échange avec
les nouveaux.

2. La procédure de réorganisation

La procédure de réorganisation trouve sa source dans de nombreux débats sur

les projets de réforme des lois sur la faillite des entreprises envisagés dans les pays
développés, notamment en Europe et aux Etats-Unis. Elle est considérée comme
étant une procédure plus adaptée que la liquidation, compte tenu du rôle économique
et social des entreprises.

La réorganisation est fondée originellement sur la mise en œuvre d'un plan de

réhabilitation pour permettre à la firme de poursuivre son exploitation3. Plusieurs
opinions évaluent la procédure de réorganisation comme étant une source de
gaspillage de temps, puisqu’elle génère des coûts administratifs élevés et conduit
souvent à la diminution de la valeur des actifs de la firme défaillante (Baird, 1986 ;
Weiss, 1990 ; Bradley et Rosenzweig, 1992). D'autres auteurs posent la question
suivante : « Pourquoi plusieurs firmes avec une faible probabilité de défaillance
optent-elles pour la réorganisation? ». La réponse se trouve dans l'existence de
groupes d'intérêt et de comportements de recherche de la rente. A ce niveau là, la
firme défaillante peut être assimilée à un centre d'intérêts et de droits de propriété.
Arrivée à ce stade, la firme défaillante se réduit à un centre d’intérêts et à des droits
de propriété.

La propriété, elle, implique qu’on distingue trois types de droits : le droit de

contrôle, le droit de propriété sur les actifs de la firme, et le droit au profit. Par
référence au statut de la firme et aux mesures légales, le propriétaire partage des
droits avec les autres partenaires de la firme défaillante. L'ordre de priorité des ayants
droit (claimholders) est une caractéristique principale de la procédure de faillite. La

11111111111111111111111111111111111111111111111111111111111
3
Les mesures prises pour établir ce genre de plan diffèrent selon les gouvernements. Par exemple,
selon le chapitre 11 du code américain de la faillite, le terme est "reorganisation". Au Royaume-unie,
le terme est "Administration". En Allemagne, le terme est "vergleich". En France, le terme est
"règlement amiable" ou "redressement judiciaire". En Italie, le terme est "administrazione
controllata".

53
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

préférence pour la réorganisation ou pour la liquidation est donc fonction de ce

contexte de priorité des droits. L’intérêt des créanciers privilégiés peut s’avérer très
différent de celui des créanciers, qui ne bénéficient d’aucune garantie lorsqu’ils
doivent faire un choix entre liquidation et réorganisation. Les employés pensent que
la réorganisation est la meilleure solution. Selon Gilson (1990) et Baird (1991), Les
managers peuvent préférer la réorganisation si la procédure leur permet de conserver
leur statut dans la firme réorganisée. En revanche leur point de vue sera différent si la
procédure de réorganisation envisage de désigner un administrateur externe pour
occuper les tâches du manager comme le prévoit notamment la loi britannique de
1986. Bien évidemment, chaque groupe d’intérêt et chaque détenteur de droits, vont
mettre en œuvre leurs stratégies individuelles, dont le succès dépend du montant de
leur richesse, de la loi sur la faillite applicable à la firme et du support public.

3. Prévision de succès de la réorganisation

Les créanciers privilégiés peuvent s’opposer à la réorganisation quand le

montant de leur créance s’approche du montant des garanties offertes par
l’entreprise. Pour les créanciers les plus protégés, si la valeur de la firme augmente,
ils perçoivent uniquement une part du gain, mais si la valeur de la firme se déprécie,
ils supportent la totalité des coûts. L’étude de la relation entre le degré de garantie
des créanciers et l’adhésion au plan de réorganisation, par Bergstrom et al. (2002),
sur un échantillon de 653 cas de firmes finlandaises ayant échoué dans leur
réorganisation sur la période entre 1993 et 1994, a montré une corrélation négative
entre la garantie des prêts par les banques et autres institutions, et la probabilité de
confirmer un plan de réorganisation. Le fait de limiter la priorité des dettes aux
garanties peut stimuler la réorganisation. Dans ce cas, son succès (de la
réorganisation) sera étroitement lié aux garanties offertes aux créanciers.

3.1. Relation entre dettes garanties et réorganisation

Outre la règle de priorité partielle, il existe deux solutions au problème. La

première concerne le taux d’intérêt qui peut augmenter du fait que le créancier
garanti n’a aucune préférence entre le renouvellement du prêt et la liquidation. La
seconde consiste à donner au créancier qui possède des garanties, une partie des

54
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

actions de la firme réorganisée.

Les différences de priorité sont une source de conflit entre les ayants droit
prioritaires et les ayants droit qui le sont moins. Ces conflits peuvent entraver le
consensus dont a besoin le management pour établir la réorganisation, ou mettre en
œuvre les processus d’accords privés en dehors de l’intervention du tribunal. Si les
créanciers sont bien garantis, ils n’adhèrent pas à la liquidation car ils seront
entièrement payés même si la tendance à la réorganisation fait défaut. Les résultats
empiriques mettent en évidence l’existence d’une relation entre la structure de la
dette et la probabilité de succès de la réorganisation. Une étude réalisée par
Bergstrom et Sundgren(2002), pour examiner les opinions des banquiers et des
créanciers commerciaux sur le sujet de l’éligibilité des firmes à la réorganisation a
montré que les banquiers et les détenteurs des nantissements généraux sont plus
favorables à la réorganisation que les créanciers commerciaux. Ainsi, les créanciers
garantis influencent la décision de réorganisation, leur opposition à la réorganisation
peut conduire à la liquidation de firmes pourtant viables. Cet effet peut être
spécialement important quand le revenu espéré dans la liquidation est proche du
montant dû au créancier garanti. Nous pouvons admettre comme hypothèse que les
banques ou autres prêteurs institutionnels, sont probablement plus protégés lorsque
leurs créances sont assorties d’un nantissement sur des éléments d’actifs
individualisés. Plus il y a de cautionnements par unité de dettes, plus ces créanciers
ont à gagner dans la procédure de réorganisation. Ils préfèrent donc la liquidation
pour gagner sur leurs garanties plutôt que prendre un risque dans le cadre d’une
réorganisation. Jusqu’à un certain point, le nantissement doit être corrélé
négativement avec la probabilité de réorganisation.

3.2. Le rôle des banques

Dans ce contexte, la relation banque-entreprise est une valeur importante et

un facteur d'efficacité. Couwenberg et Jong (2006), ont étudié la probabilité de
succès des plans de réorganisation, tout en mettant en relief le rôle des banques, en
examinant un échantillon de firmes allemandes défaillantes ayant bénéficié de
l'assistance pour la restructuration de la part de leurs banques. Le processus de
réorganisation, objet de l'étude couvre la période de 1981 à 2000. Celle-ci est menée

55
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

par l’estimation des modèles de régression de deux types de variables explicatives ;

des variables de contrôle et des variables théoriques. La première variable de
contrôle est la taille (logarithme du total actifs), qui confirme l’effet de l’hypothèse
que les grandes entreprises ont plus de chances de mener un plan de réorganisation
réussi. La seconde variable de contrôle, est la rentabilité économique, cette variable
mesure la rentabilité : en effet, il a été démontré que les firmes qui étaient rentables
avant la restructuration, ont beaucoup plus de chances de survie. Parallèlement, les
auteurs ont intégré trois variables « dummy » pour contrôler l’effet industrie. Les
variables basées sur cette théorie sont ; la structure de la dette, le nombre de
garanties, le ratio « valeur des garanties / valeur des dettes bancaires », et d’autres
mesures spécifiques. La structure de la dette est elle-même affinée par plusieurs
variables, mesurant le volume relatif des dettes, leur degré d’exigibilité et la
catégorie du prêteur. Les résultats montrent que l’endettement grève la probabilité du
succès, en raison des charges d’intérêt relatives aux dettes. L’inclusion des dettes à
court terme dans le total dettes, permet de mesurer l’effet de la maturité de la dette.
Les problèmes de liquidité associés aux dettes à court terme entraînent une
probabilité élevée d’échec. La variable intérêt de la dette, rapportée au total dettes est
une mesure spécifique des intérêts supportés par l'opération d'endettement. L’étude
anticipe alors une relation négative avec la probabilité de survie.

L’étude a permis également de prévoir que le ratio « dettes bancaires / total

dettes » exerce un effet positif sur la probabilité de succès pour deux raisons.
Premièrement, l’avantage informationnel des banques, permet d’établir une
discrimination correcte entre les firmes performantes et celles qui le sont moins, et
d’accorder plus de prêts aux firmes les plus viables. Il permet, également, de réduire
l’asymétrie informationnelle entre le propriétaire-dirigeant et les autres créanciers ce
qui réduit les conflits d’intérêts. Deuxièmement, un ratio de dettes bancaires élevé
renforce la motivation des banques à participer à la réorganisation de la firme, ce qui
permet d’éviter les conséquences de divergence des points de vue. La réticence des
banques est évaluée par le nombre et la valeur des cautions et garanties sur les
emprunts bancaires. La banque qui détient plus de garanties et/ou le ratio valeur des
garanties rapportée à la valeur des dettes bancaires le plus élevé, est équivalent à une
adhésion de la part des banques à la réorganisation des firmes défaillantes, donc on
anticipe un effet négatif sur le succès de la réorganisation.
56
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

L’étude du rôle des banques dans le succès des plans de réorganisation a

permis d’explorer la relation banque-entreprise en situation de détresse financière. En
effet, les firmes défaillantes prennent des mesures et des décisions opérationnelles
sur la base des conseils fournis par les banques. Selon Couwenberg et Jong (2006),
ces décisions et mesures font la différence entre le succès et l’échec. Donc le succès
des efforts de réorganisation, dépend des mesures induites par la banque (Sévrin,
2006). Les banques sont toujours disposées à servir les entreprises par leur aide et
leurs conseils.

IV. La liquidation

Dans cette section, nous porterons une réflexion sur le concept de la

liquidation volontaire et involontaire, par la suite, les coûts qu’elle engendre, enfin,
nous discuterons le choix entre plan de réorganisation ou procédure de la liquidation.

1. Liquidation volontaire versus liquidation involontaire

La liquidation dans sa signification globale, est une cessation de l'activité de

la firme. Les actifs seront cédés pour rembourser les dettes, et pour distribuer le
reliquat aux actionnaires comme dividende de liquidation. La liquidation involontaire
résulte souvent de la procédure de faillite, d'où une connotation négative. Au
contraire, la liquidation volontaire représente une décision managériale pour
désinvestir dans la firme. Si la valeur de liquidation couvre la valeur d'exploitation de
la firme et la valeur faciale des dettes, les managers agiront dans l'intérêt des
actionnaires par une liquidation volontaire. Bien que la liquidation volontaire soit
source de conflit entre initiés et actionnaires, elle augmente, en moyenne, la valeur
de la richesse des actionnaires (Hite et al., 1987 ; Kim et Schatzberg, 1987) et de la
même façon la valeur des actions détenues par le PDG de la firme, augmente la
probabilité de la liquidation volontaire puisque le PDG sera motivé par la liquidation.

57
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

2. Les coûts de la liquidation

Bris et al. (2006) affirme qu’une procédure légale efficace doit minimiser les
coûts sociaux. Les coûts de la procédure de liquidation sont variés, les premiers
découlent de la réduction de la valeur des actifs par une nouvelle allocation de
ressources productives, le coût d’opportunité augmente puisque les ressources
productives restent en instance durant la procédure légale et enfin, la procédure de
liquidation implique des dépenses liées aux actions en justice.

La firme défaillante peut être vendue en plusieurs étapes, scindée en

compartiments. Les actifs seront vendus sur le marché et les employés seront
transférés de la firme défaillante à une autre plus performante, ce qui accroît la
productivité sociale du capital humain et physique. Malheureusement, une partie de
la valeur de ce capital sera gaspillée durant la procédure de liquidation. Cette perte de
valeur est principalement due au fait que la productivité du capital investi dans un
actif donné est intégrée dans le processus de production, lorsque l’actif n’est plus
cédé globalement, mais fractionné par éléments. Aussi la valeur vénale des biens qui
peut être récupérée par leur vente, ne correspond pas à la valeur actualisée des
revenus espérés de l’actif dans son processus de production original. Il peut aboutir
en outre à une perte de valeur pour un mauvais usage sous certaines conditions. Cette
perte de valeur est un argument qui conduit à préférer la réorganisation à la
liquidation. Les coûts de liquidation sont « considérablement » faibles lorsque la
firme défaillante est vendue. En revanche, lorsque les éléments d’actifs ont été cédés,
les coûts de liquidation s’en trouvent infiniment réduits. Dans un marché de capitaux
de concurrence parfaite, cette stratégie est la meilleure procédure de liquidation pour
les firmes. N'importe quel individu ou compagnie qui s'intéresse à une firme
insolvable, doit être apte à trouver ou à réunir les fonds nécessaires, même s’il
s’agit d’une firme importante ou, si l’on veut, une « firme de grande taille », pour
l'acheter ; en revanche, sur un marché imparfait qui comporte des coûts
d’information, il est difficile de trouver un partenaire, qu'il s’agisse d’un particulier
ou d’une banque, prêt à apporter les fonds nécessaires à la réalisation de cette
opération de rachat. Dans ce cas, la liquidation par compartiments est la meilleure
stratégie. La seconde catégorie de coûts est induite par le fait que les ressources
productives ne sont pas exploitées. En effet, plus la période de liquidation est longue,
58
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

plus les coûts associés à cette procédure sont élevés. Une autre source de perte
sociale est l'obsolescence des actifs, surtout des éléments de capital qui relèvent de la
haute technologie : la caducité des éléments d’actifs de haute technologie, est
extrêmement prégnante, ce qui accélère la perte de valeur de la firme et devient une
source de pertes.

Les dépenses d'action en justice constituent également une part importante

des coûts sociaux associés à la faillite. Dans n'importe quelle autre procédure légale,
les dépenses élevées des services juridiques conduisent à privilégier la renégociation
à l'amiable.

3. Choix entre plan de réorganisation ou procédure de

liquidation

Il est intéressant de comparer le dilemme posé par la liquidation ou la

réorganisation sous l’angle de l’intérêt public et des intérêts privés. Le cadre
complexe de la notion d'intérêt et des droits de propriété, doit être pris en compte,
pour intégrer différentes typologies d'intérêt public. Le sous-emploi et la
désindustrialisation dans les zones à dépression économique, notamment, sont
l'argument le plus répandu qui incite l'intérêt public à éviter la liquidation des firmes
privées défaillantes. La justification de ces arguments n’est pas aisée. L’application
des lois sur la faillite n’est pas la meilleure solution pour résoudre les problèmes de
chômage et de désindustrialisation. Les coûts de la liquidation et de la réorganisation
sont souvent mal appréhendés : s’il est relativement facile d’estimer les coûts sociaux
de court terme, notamment lorsque le taux de chômage est élevé, il est plus difficile
en revanche d’évaluer les coûts de long terme qui sont induits par l’allocation
inefficace des facteurs de production. Ces coûts de long terme sont généralement
ignorés par l'opinion publique, et l'argument de l'intérêt public l'emporte souvent sur
les arguments d'efficacité. Ainsi, le dilemme de la réorganisation tient au fait, que, si
celle-ci permet à certaines firmes de survivre et de continuer leur activité, elle
conduit également à maintenir sur le marché des entreprises moins performantes qui
auraient pu être liquidées (Bris et al, 2006).

59
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Toujours dans le même contexte d'efficacité de la firme, dans n'importe

quelle procédure de faillite, il est essentiel d'évaluer les actifs et les passifs de la
manière la plus exacte possible. Ainsi, le choix entre la liquidation et la
réorganisation dépend de cette évaluation. Les experts ont souvent un pouvoir
discrétionnaire dans la réalisation de ce genre de tâches.

Deux méthodes principales sont envisageables pour évaluer une firme

insolvable : la méthode de bilan et la méthode de faisabilité.

La méthode de bilan est statique. Elle retient la valeur de marché des actifs et
des passifs pour déterminer si la firme a une situation nette positive ou négative. Une
situation nette négative implique la liquidation, tandis qu'une situation nette positive
appelle la réorganisation. Cette méthode est confrontée à deux problèmes. Le premier
est inhérent à l’évaluation des équipements et des stocks lorsqu’ils doivent être cédés
sur le court terme. En effet, les stocks peuvent être évalués au coût d’origine ou à la
valeur actuelle du marché ; dans ce cas, le principe de précaution conduit à retenir la
valeur la moins élevée. Le second tient au fait que l’existence d’une situation nette ne
garantit pas l’exploitation future de la firme, c’est le cas notamment lorsque les
constructions et équipements ont une valeur vénale élevée et que les produits ne
trouvent plus de débouchés.

A l’inverse, la méthode de faisabilité est dynamique. Elle ne se focalise pas

sur la valeur statique des actifs et passifs de la firme, mais plutôt sur la probabilité de
survie qu'une firme réorganisée aura sur le marché. Par référence à cette méthode, la
réhabilitation de la firme défaillante s’impose si la valeur actualisée de ses flux de
revenus espérés est positive. Deux problèmes sont également liés à cette méthode, en
premier lieu les jugements subjectifs dans ces évaluations sont inévitables, comme
nous venons de le voir, se pose ensuite le problème de la distribution des titres ou des
dettes de la firme réorganisée entre les créanciers.

Les deux méthodes d'évaluation ne sont pas exclusives l’une de l’autre.

Supposons que la firme propose un plan de réorganisation. Une étude doit être
réalisée pour évaluer le plan de faisabilité. Si le tribunal favorise la réhabilitation, le
plan sera exécuté et les actifs seront évalués comme partie intégrante de la situation
courante de la firme. Si, toutefois, les experts estiment que le plan n’est pas viable, la
liquidation sera préférée. Dans ce cas, les actifs devront alors être évalués à la valeur
60
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

du marché.

V. Prévision de la faillite

Partant de l’hypothèse de Guilhot (2000) : « Il importe plus de prévoir les

faillites que d’en rechercher les causes ». L’accroissement actuel de la taille des
entreprises en faillite, donc des montants de dettes concernés, rappelle vivement la
nécessité de prévoir la défaillance. La protection des intérêts des créanciers et le
rétablissement de la pérennité de l’entreprise, passent par l’anticipation des graves
difficultés économiques et financières qu’une entreprise est susceptible de
rencontrer. Actuellement le problème se pose aux banques avec une acuité
particulière. Dans ce cadre, les banques devront proposer une évaluation
systématique des risques qu’elles encourent. Cela implique notamment une
estimation précise de la probabilité de défaut de leurs clients, donc un éventuel
remaniement de leurs méthodes d’évaluation.

1. Les modèles univariées

Les premiers travaux relatifs à la prévision des faillites d’entreprises à partir

de données comptables soit l’œuvre de Beaver (1966) puis d’Altman (1968),
semblent avoir été le réel point de départ et la référence de nombreuses études
empiriques publiées depuis trente ans. Beaver (1966), élabore une classification
dichotomique unidimensionnelle, c'est-à-dire fondée sur un ratio unique.

L’analyse univariée est une approche simple, qui consiste à comparer les
ratios financiers des entreprises défaillantes à ceux des entreprises saines et à détecter
ensuite, les différences systématiques qui existent entre les deux groupes afin d’aider
les utilisateurs à prévoir la défaillance. Les recherches effectuées dans cette
approche viennent toutes des Etats-Unis examinent ou analysent le pouvoir prédictif
des ratios financiers considérés de manière isolée. Nous pouvons citer par ordre
chronologique les recherches suivantes : Fitzpatrick (1932), Winakor et Smith
(1935), Merwin (1942), Beaver (1966).

61
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Pour prévoir le risque de défaillance sur un échantillon de 19 entreprises

saines et 19 défaillantes, Fitzpatrick (1932), emploie la tendance, trois ans avant la
défaillance, des ratios suivants :

- bénéfice net / situation nette

- situation nette / dette totale.

Winakor et Smith (1935), proposent comme meilleur indicateur du risque de

défaillance le ratio : fonds de roulement / actif total.

Merwin (1942), dont l’étude se réfère à la période 1926-1936, observe trois

ratios importants six ans avant la défaillance :

-fonds de roulement / actif total,

-situation nette / dettes totales

-actifs circulants / dettes à court terme.

Enfin, l’étude la plus caractéristique de cette approche est celle de Beaver

(1966). Son objectif est de classer les entreprises sur la base du ratio le plus
discriminant. Pour ce faire, il sélectionne initialement pour chaque entreprise de son
échantillon différents ratios comptables, censés, d’après l’analyse financière, être
d’autant plus élevés que la santé financière des entreprises est saine. Pour estimer la
valeur prédictive de chaque ratio, dans un premier temps, il a recours à un sous
échantillon dans lequel il classe les entreprises en fonction de la valeur prise par un
ratio particulier et il choisit ensuite un seuil critique. Les entreprises dont le ratio est
inférieur au seuil, sont considérées comme défaillantes, alors que celles dont le ratio
est supérieur ne le sont pas. Le seuil critique est déterminé de manière à maximiser le
taux de bons classements dans le premier sous échantillon. Un classement des
entreprises du second sous échantillon est ensuite réalisé à partir du seuil critique
précédemment déterminé et un autre taux de bons cassements est calculé. Les
entreprises du second sous échantillon font ensuite l’objet d’un nouveau classement à
partir du seuil critique précédent et l’ou calcule un autre taux de bons classements.
C’est ce taux qui détermine la sélection finale du ratio le plus discriminant.

62
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Parmi les trente ratios sélectionnés, Beaver a cherché par tâtonnements la

valeur limite de ces variables et il n’a gardé que six. Il s’agit de celles dont le taux
d’erreurs de classement est le plus faible. Ces ratios classés dans l’ordre décroissant
de leur capacité prévisionnelle sont :

-Cash flow / Total des dettes;

-Résultat net / Total des actifs ;

-Total des dettes / Total des actifs ;

-Fonds de roulement / Total des actifs ;

-Ratio d’endettement à court terme et Intervalle hors crédit (no-credit

interval).

Le manque de solidité lié à l’unicité du ratio utilisé explique sans doute que
cette méthode a été rarement exploitée. Par la suite Deakin (1972), Edmister (1972),
ont montré que le pouvoir prédictif de ratios financiers est additif et, que chaque
ratio possède un pouvoir prédictif inférieur à celui d’un nombre réduit de ratios
indépendants utilisés simultanément. De surcroît, cette approche ne permet pas de
bénéficier d’une appréciation globale de la situation de l’entreprise. En revanche, les
analyses multivariées, permettent une description plus riche de la situation de
l’entreprise, et sont maintenant utilisées de manière systématique.

De ce fait, l’une des extensions de cette approche univariée consiste dans la

construction d’un modèle développé se fondant essentiellement sur une approche
statistique telle que l’analyse discriminante, la régression logistique, une approche
neuronale, semblable aux réseaux de neurones, les cartes auto organisées et les
algorithmes génétiques.

2. Les modèles multivariés

Afin de classer une entreprise dans le groupe de celles qui sont défaillantes ou
de celles qui sont saines, Altam (1968) utilise une règle de décision simple qui
consiste à l’affecter au groupe dont elle est le plus proche. Il recourt à l’analyse
discriminante multidimensionnelle. Celle-ci aboutit à la construction d’une
fonctionappelée score, combinaison linéaire des variables explicatives retenues, dont
la réalisation exprime le niveau de risque de l’entreprise. Dans le cas de deux
63
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

groupes N et D, le score de l’entreprise caractérisépar x s’écrit :

mD + mN
f ( x) = (m N − m D )W −1 ( x − ) (1.1)
2

Deakin (1972), en confrontant les deux méthodes à partir d’un même

échantillon, tend à montrer la supériorité de l’analyse discriminante par rapport à
l’analyse univariée.

Altman (1968) suggère que ce sont, en général, les ratios de profitabilité, de

liquidité, et de solvabilité qui représentent les indicateurs les plus significatifs pour
prévoir la faillite des entreprises. L’application de la procédure discriminante a
conduit à l’émergence de la fonction score optimale suivante :

Z = 0.012 R1 + 0.014 R2 + 0.033 R3 + 0.006 R4 + 0.999 R5

Si Z > 2.675, L’entreprise est considérée comme saine.

Si Z < 2.675, L’entreprise est considérée comme défaillante.

Avec : R1 = fonds de roulement / total de l’actif

Ce ratio permet de rapporter l’actif net liquide au total de l’actif. Il peut

renseigner sur la liquidité de l’entreprise. La faiblesse du fonds de roulement
augmente risque d’insolvabilité à court terme.

-R2 = Réserves / total de l’actif

Ce ratio mesure la profitabilité cumulée dans le temps. L’âge de l’entreprise

est implicitement considéré. Ainsi, une entreprise qui dispose ou possède de fortes
réserves peut, si elle rencontre ou est confrontée à des problèmes financiers, puiser
dans ses réserves sans être conduite à la faillite, son risque global est donc minoré.
En revanche, les entreprises nouvelles, n’ont pas disposé de suffisamment de temps
pour constituer des réserves, ce qui explique leur fragilité financière.

-R3 = Bénéfice avant intérêt et impôt / total de l’actif

Ce ratio met en évidence la productivité de l’actif, abstraction faite des effets

fiscaux et d’endettement. Il s’agit d’une mesure de la rentabilité. Si celle-ci est faible,
le risque de défaillance augmente.

-R4 = Fonds propres / total des dettes

64
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

La valeur de ce ratio montre jusqu’à quel niveau la valeur de l’actif peut

atteindre un niveau inférieur à celui de la dette. Ainsi, une entreprise très endettée
risque d’être dans une situation de cessation de paiement pour insuffisance de fonds
propres.

-R5 = Chiffres d’affaires / total de l’actif

Ce ratio de rotation de l’actif renseigne sur l’efficacité d’exploitation de

l’actif.

Ces cinq ratios ont été sélectionnés en utilisant le test d’égalité des moyennes
des ratios des deux groupes d’entreprises. Ce test a montré que les quatre premiers
ratios pris individuellement discriminent significativement entre les deux types
d’entreprises défaillantes et saines. En 1984, Altman (1984) a publié un article où il
regroupe tous les travaux à l’échelle internationale concernant l’analyse
discriminante. La comparaison a été faite sur la base de quelques pays: Etats-Unis,
Australie, Brésil, Canada, Japon, qui sont les fondateurs de cette méthode.

Le choix du modèle d’Altman (1968), est justifié par le fait qu’il a suscité un
intérêt particulier dans la mesure où ils ont suivi la même méthodologie et ont repris
les mêmes ratios qu’Altman (Atiya (2001), Grover et Lavin (2001)).

Comme l’étude d’Altman, Shirata (1998), Bardos (1998), et Taffler (1982),

ont essayé de déterminer les ratios financiers qui permettent de prévoir une faillite de
l’entreprise, en utilisant uniquement l’analyse discriminante linéaire. Toutefois, un
nouveau courant de recherche dans le domaine, met en comparaison l’analyse
discriminante avec d’autres méthodes d’analyse, notamment les modèles
probabilistes, les approches neuronales et les algorithmes génétiques, dans un but
deretenir le meilleur modèle de prévision de la défaillance.

De nouvelles alternatives pour la prévision de la défaillance inspirées de

l’analyse discriminante telle que l’analyse discriminante multicritère ([Link] :
Multi group Hierarchical Discrimination method) a été appliquée par Doumpos et
Zopounidis (1999). Ces derniers concluent que cette nouvelle alternative domine
l’analyse discriminante mais elle est une analyse comparable au modèle Logit. Le
principe en repose sur une procédure de discrimination hiérarchique afin de fixer les
classes d’appartenance des entreprises sur la base des indicateurs financiers. Cette

65
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

méthode mène au développement des fonctions d’utilité additive utilisées pour le

choix du groupe d’appartenance des entreprises saines et défaillances.

L’analyse discriminante reste actuellement la méthode la plus utilisée (Li et

al., 2010). La fonction de score, grâce à l’étude de la contribution de chaque ratio,
constitue une aide à la compréhension de la faillite. De surcroît, grâce à sa robustesse
temporelle, elle offre la meilleure classification. De nombreuses études réalisées dans
les années quatre vingt dix confrontent l’analyse discriminante linéaire aux autres
techniques de classification. La majorité aboutit à la constatation suivante : les taux
de bons classements obtenus par l’analyse discriminante sont inférieurs à ceux qui
résultent des autres méthodes.

L’amélioration de la prévision de la défaillance passe par l’intégration de

variables qualitatives dans différents modèles d’évaluation. La prise en compte des
agrégats qualitatifs dans ces modèles du risque de défaillance (l’expérience en
gestion, le niveau de diversification, le nombre d’employés…etc.) et l’aboutissement
à des fonctions discriminantes offrent parfois de meilleurs pourcentages de
classement des entreprises que les modèles discriminants qui contiennent uniquement
des ratios financiers.

L’amélioration de la prévision de la défaillance passe par l’intégration de

variables qualitatives dans les différents modèles d’évaluation, notamment,
l’expérience en gestion, le niveau de diversification, le nombre d’employés, etc. La
prise en compte de ces informations aboutit à des fonctions discriminantes qui
offrent parfois de meilleurs pourcentages de classement des entreprises que les
modèles qui contiennent uniquement des ratios financiers.

Selon Lelogeais (2003), les entreprises peuvent faire des habillages de leur
bilan, c’est pourquoi la prévision de la défaillance sur la base des seuls indicateurs
comptables est insuffisante Dans ce sens, le score de la banque de France a été établi
sur la base des enquêtes faites sur 4000 PMI dont les questions comportent 400
variables de nature qualitative relatives à la situation de l’entreprise. L’application de
la méthode DISQUAL (analyse discriminante sur la base de variables qualitatives)
arrive à différencier les entreprises défaillantes des entreprises saines et surviennent
six variables qualitatives appartenant à trois thèmes illustratifs du cycle
d’exploitation des entreprises.
66
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Le premier thème illustre le ralentissement de l’activité économique au cours

des deux dernières années, le second thème prend en considération les difficultés de
gestion les plus marquées, et le dernier est relatif aux difficultés financières.

3. Les modèles probabilistes

Face à la contrainte de multinormalité qui est rarement respectée

empiriquement, des analyses discriminantes linéaires, certains auteurs ont préféré
recourir à d’autres méthodes. Une des possibilités consiste en l’utilisation d’autres
techniques paramétriques, qui supposent une distribution différente des variables
comptables : les techniques économiques sur variables qualitatives que sont le
modèle Logit et le modèle Probit. Ils différent dans la distribution supposée des
erreurs : une loi logistique pour le Logit et une loi normale pour le Probit. La
distribution logistique est à l’origine du modèle Logit qui admet pour fonction de
répartition:

exp(X i β)
F(X β) =
i
, (1.2)
1 + exp(X i β)

et pour densité :

exp(X i β)
f (X i β) = (1.3)
[1 + exp(X i β)]2

A la fin des années soixante-dix, les premières utilisations du modèle Probit

ont vu le jour. Cette approche est suivie, au début des années quatre-vingt, par
l’analyse Logit. Dans la pratique économique, le modèle Logit est considéré comme
une approximation du modèle Probit. Il est le plus souvent utilisé car il conduit à des
calculs plus simples. Dans les deux modèles, la variable endogène Y est une variable
qualitative dichotomique : elle prend la valeur 0 ou 1, selon que l’entreprise est
défaillante ou non.

Parmi les études fondatrices de la régression logistique, Ohlson (1980) fut le

premier dans ce domaine pour la prévision de la défaillance. L’analyse utilise neufs

67
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

ratios :

-Log (total des actifs /niveau d’indice du prix);

-Total des dettes / Total des actifs;

-Fonds de roulement / Total des actifs;

-Dettes exigibles / actif circulant;

-Résultat net / total des actifs;

-Fonds générés par l’exploitation / total des dettes;

-(NIt – NI t-1) / , où NI est le résultat net ;

- une variable binaire qui prend 1 si total des dettes est supérieur au total des
actifs, si non elle est égale à 0

- enfin une variable qui prend 1 si le résultat net des deux dernières années
est négatif, si non il est égal à 0.

De nombreuses études réalisées dans ce domaine, estiment un nombre élevé

des modèles avec des valeurs du seuil de probabilité P différent afin d’aboutir à la
valeur du seuil optimal (cut-off optimal) qui maximise le taux de bons classements
des entreprises ainsi que le pouvoir prédictif du modèle (Jones et Henshen, 2007).
Le modèle Probit a été plus rarement utilisé (Zmijjewsji, 1984 ; Grover et Lavin,
2001 ; Bunn et Redwood, 2003).

Hunter et Isachenkova (2002), en adoptant un modèle Logit, trouvent qu’une

faible liquidité, une profitabilité liée à un risque élevé d’insolvabilité, un
ralentissement de l’activité ainsi que la baisse de la situation nette de l’entreprise sont
les facteurs explicatifs de la défaillance, contrairement à ceux liés à l’endettement
qui, eux, ne sont pas déterminants de la faillite.

Platt et Platt (1991), font la comparaison entre un modèle Logit sans

ajustement des variables et un modèle Logit avec des ajustements des variables
(ratios de l’entreprise j /ratios moyen de l’industrie). Ils trouvent que le modèle ajusté
engendre de meilleurs résultats prévisionnels. Si Grover et Lavin (2001), comparant
la discrimination linéaire aux modèles Probit à partir des mêmes données, tendent à
montrer la supériorité de la première, a priori grâce à sa plus grande fiabilité, des

68
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

études plus récentes aboutissent à la conclusion inverse. En effet, Lennox (1999),

obtient de meilleurs taux de bons classements respectivement par un modèle Logit et
Probit que par un modèle d’analyse discriminante linéaire. Lisa et al (1990) ont
appliqué deux modèles Logit, le premier modèle distingue les entreprises défaillantes
d’un groupe d’entreprises choisies aléatoirement parmi les entreprises saines, le
second modèle établit une différence entre les entreprises défaillantes et celles qui
sont en difficulté. Lisa et al (1990), aboutissent à ce que le premier modèle soit plus
performant que le second en offrant un taux de bons classement à de l’ordre de
90,80 % un an avant la faillite.

A travers la régression logistique, Lin et Piesse (2004), prévoient la

défaillance des entreprises britanniques entre 1985 et 1994 un an avant la défaillance,
en tenant compte de l’indice du marché comme une mesure générale des conditions
économiques, la structure du capital et des indicateurs financiers indiquant la
solvabilité, la liquidité, la profitabilité ainsi que le management de l’entreprise. A
propos de leurs travaux, ces auteurs concluent que leur modèle est efficient et offre
un niveau élevé de bons classements des entreprises. Après estimation, ils constatent
que la profitabilité et la liquidité sont les causes fondamentales de la défaillance des
entreprises, et que le pouvoir explicatif de l’approche de probabilité conditionnelle
multi variée excède le pouvoir du celle univariée.

Du fait que le modèle Logit et le modèle Probit se basent sur les mêmes
fondements mathématiques, peu de travaux font la comparaison entre ces deux
méthodes pour la prévision de la défaillance. Excepté les travaux de Koumidou et al
(2003), qui associent l’analyse discriminante, la règle de Fuzzy (Fuzzy Knowledge
Based Decision) et le modèle Logit et Probit sur la période 1981-1993. Ainsi, la règle
de Fuzyy à base conditionnelle (si (inputs), alors (output)), offre des taux de bons
classement de 78,95 % pour les entreprises défaillantes, tandis que pour l’approche
probabiliste, les deux méthodes présentent des taux de prévision très proches, de
l’ordre de 60 %.

Ces modèles d’analyse sont appelés des modèles binaires en raison de leur
discrimination entre les entreprises. Toutefois, les études réalisées récemment,
utilisent des modèles Logit multinomial (Jones et Hensher, 2007). Dans ce cadre,
Astebro et Winter (2001), appliquent le leur en utilisant 376 entreprises et en

69
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

distinguant entre les entreprises déclarées en faillite à la suite de difficultés de

paiement dus à une liquidation, et les entreprises acquises.

Une critique souvent formulée porte sur l’utilisation exclusive de données

comptables : une amélioration significative de la détection de la faillite serait sans
doute plus appropriée, qui considérerait l’exploitation d’informations autres que
comptables et financières que par une complexification croissante des techniques de
prévision. En effet, une amélioration significative de la détection de la faillite serait
sans doute apportée par les travaux récents qui s’orientent dans ce sens : il s’agit
notamment de l’étude de Gudmundsson (2002), qui améliore la qualité de la
prévision en ajoutant aux variables quantitatives des variables qualitatives dans une
régression logistique sur des industries aériennes de l’Asia & Pacific, Europe,
Africa, LatinAmerica, MiddleEast, et NorthAmerica .

La majorité de ces études comparatives, et plus particulièrement celles qui

utilisent les approches d’intelligence artificielle, confirment leur supériorité sur
l’analyse discriminante en matière de qualité de prévision. Les analyses s’inspirant
des approches non paramétriques comme les réseaux de neurones (Altman et al
(1994), Bardos et Zhu (1997)) et les algorithmes génétiques Varetto (1998) doivent
également être étudiées.

4. Les techniques intelligentes

Face aux nombreuses contraintes liées aux méthodes statistiques

traditionnelles, des méthodologies relevant d’une logique différente ont été utilisées :
les réseaux de neurones et les algorithmes génétiques. Elles relèvent de l’intelligence
artificielle, plus précisément de la branche relative à l’apprentissage automatique.
Les récentes techniques connaissent un très grand engouement académique. Elles
permettent en effet de bonnes prévisions tout en présentant l’avantage de ne pas
exiger de restrictions statistiques. De plus, les algorithmes génétiques sont
particulièrement solides, notamment parce qu’ils ne sont pas soumis à des contraintes
mathématiques telles que la dérivabilité ou la continuité des fonctions utilisées.

Le calcul de la valeur prédite par un réseau de neurones se compose de

quelques étapes simples. Premièrement, on calcule une série de combinaisons
linéaires des variables explicatives :
70
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

n
vi = α i + 1 α i , j x j (1.4)
j =1

où xj est la jème de n variables explicatives et 1i, et 1i,j sont les coefficients de

la ième combinaison linéaire. Le résultat de la combinaison linéaire, vi, représente une
projection dans une direction de l’espace des variables explicatives. Chacune de ces
projections combine de l’information provenant potentiellement de plusieurs
variables.

Les réseaux de neurones artificiels constituent une technique importante

parce qu’ils ont fait leurs preuves dans de nombreuses applications d’exploitation de
données et d’aide à la décision. Les réseaux de neurones représentent une classe
d’outils universels et puissants qui peuvent être utilisés pour la prédiction et la
classification. Ils sont déjà appliqués dans de très nombreuses industries, de la
prédiction des séries financières au diagnostic médical, de l’identification des
groupes de clients intéressants à la détection des fraudes à la carte de crédit, de la
reconnaissance des valeurs inscrites sur les chèques à la prédiction des taux de panne
de moteurs (Paquet, 1997 ; Berry et Linoff, 1998). L’approche neuronale est une
approche non paramétrique, qui peut être utilisée dans plusieurs domaines de
recherche (Chen et Du, 2009). L’utilisation du réseau de neurones nécessite un
travail d’exploration afin de déterminer l’architecture, la structure, l’algorithme et la
fonction de transfert qui convient le mieux au problème posé, permettant ainsi de
donner des résultats satisfaisants.

La majorité des études comparatives à l’approche paramétrique, surtout celles

utilisant les approches d’intelligence artificielle, confirment que ces dernières offrent
une meilleure qualité de prévision que l’analyse discriminante. L’avantage que
procure l’utilisation des réseaux de neurones et des algorithmes génétiques se résume
par le fait qu’ils sont adaptés à n’importe quel problème posé. La première
application des réseaux de neurones à l’estimation du risque de faillite a été réalisée
sur des données bancaires (Bell et al., 1990). L’utilisation des réseaux puis des
algorithmes génétiques à partir de données d’entreprises non financières s’est
intensifiée. Toutefois, le recours aux algorithmes génétiques reste exploratoire. Leur
haut degré de technicité ne leur permet pas de fournir d’éléments explicatifs clairs de
71
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

la défaillance.

Les travaux antérieurs dans ce domaine, mettent en évidence que les modèles
de prévision de la défaillance sont très sensibles en raison de la normalité des
variables indépendantes, ce qui peut mettre en cause la fiabilité des résultats obtenus
par les techniques linéaires classiques. Altman et al (1994), recommandent d’utiliser
l’analyse discriminante et les réseaux de neurones de manière conjointe, puisqu’il
n’y a pas de dominance apparente entre les deux. Ces auteurs réalisent plusieurs
simulations, en modifiant les paramètres du modèle neuronal, pour éviter
l’éventualité d’avoir une solution où l’optimum est local ou une situation d’over
fitting. Altman et al (1994), ont conjugué les deux dernières approches en réalisant
une double classification : la première distingue les entreprises saines des entreprises
fragiles, puis la seconde détecte, au sein des entreprises fragiles, celles qui sont
susceptibles de faire l’objet d’une procédure judiciaire. En effet, Altman et al (1994),
utilisent deux réseaux de neurones pour reconstituer à partir de ratios comptables les
valeurs du score élaboré par analyse discriminante linéaire et pour distinguer les
entreprises défaillantes des entreprises non défaillantes. Le premier réseau est
constitué de trois couches : une de dix neurones, une de quatre et la dernière, destinée
à produire l’output final constitué d’un neurone unique. Mille cycles d’itérations ont
été nécessaires au processus d’apprentissage. Le second réseau est constitué de trois
couches, contenant respectivement 15 ; 6 et 1 neurones, 2000 cycles de traitement
ont été nécessaires. L’étude d’Altman et al (1994) présente un bilan plus mitigé : à
un an de la faillite, les réseaux aboutissent à un taux de bon classement égal à
91,80 % pour les entreprises défaillantes et à un taux égal à 95,30 % pour les
entreprises saines. L’analyse discriminante linéaire menée sur le même échantillon
aboutit à un classement légèrement meilleur : 92,80 % pour les entreprises
défaillantes et 96,50 % pour les entreprises saines.

En comparant l’analyse discriminante et les algorithmes génétiques, Varetto

(1998) estime que les résultats ne sont pas concluants dans la mesure où les deux
approches ne sont pas contradictoires. Coats et Fant (1993) ont utilisé, pour
déterminer les modèles de prévision, l’architecture cascade avec l’algorithme
corrélation cascor proposé par Fahlman et Lebiere (1990), dont l’architecture permet
d’intégrer d’une façon autonome et cyclique de nouveaux nœuds cachés dans les

72
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

réseaux. L’avantage de cette architecture réside dans le fait qu’elle détermine sa

propre structure neuronale. Les résultats ainsi obtenus par l’approche neuronale,
aboutissent à des taux globaux de bons classements, meilleurs que ceux qui résultent
de l’analyse traditionnelle (Lin, 2009).

Appliquant l’architecture du réseau de type cascade à des entreprises

tunisiennes entre 1993 et 1996 sur 9 réseaux de neurones, Abid et Zouari (2000,
2002), expérimentent l’architecture du réseau de type cascade sur des entreprises
tunisiennes entre 1993 et 1996 sur 9 réseaux de neurones, pour étudier l’impact de la
structure de la variation de temps de l’information avant la défaillance sur la capacité
prédictive du réseau en utilisant 15 ratios comptables comme des inputs. Ils en
concluent qu’il n’est pas nécessaire d’avoir une architecture complexe de réseau pour
prévoir la défaillance. En outre, plus l’horizon de prévision est court et la structure
d’information des inputs récente, plus la capacité prédictive est élevée.

Cependant, en dépit de la diversité des architectures et algorithmes appliqués

en réseaux de neurones, l’approche neuronale peut, si l’on n’y prend garde, donner
des résultats correspondants à un minimum local ou à une situation de sur
apprentissage connue sous le terme d’over-fitting. Rappelons, qu’un minimum local
correspond au minimum d’une fonction à un intervalle bien déterminé, mais qu’il ne
représente pas le minimum absolu de la fonction. Les algorithmes génétiques
complètent et étendent cette insuffisance. La combinaison des approches algorithme
génétiques et des réseaux de neurones, promet de donner de bons résultats (Back et
al., 1996). Pour cela et sur un échantillon de 74 entreprises Finlandaises, Back et al.
(1996) démontrent que l’algorithme génétique procure de meilleurs résultats pour un
et trois ans avant la défaillance, alors que l’analyse discriminante assure des résultats
préférables à ceux des algorithmes génétiques deux ans avant la défaillance.

Les différents modèles de prévision de la faillite qui recourent aux réseaux

de neurones se distinguent par la complexité du réseau : nombre de couches et
nombre de neurones par couche et par la fonction de transfert utilisée. De
nombreuses études récentes se sont attachées à comparer les performances des
réseaux aux techniques statistiques citées précédemment. Certaines tendent à montrer
leur supériorité par rapport à l’analyse discriminante. D’autres aboutissent à décrire
des résultats voisins par rapport au modèle Probit (Tan et Dihardjo, 1999) et

73
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

l’analyse discriminante (Pompe et Bilderbeek, 2004). L’étude réalisée par Liang et

Wu (2003), recommande de retenir en priorité l’approche neuronale avec
l’algorithme de rétropropagation du gradient des erreurs. L’exécution d’un réseau à
7 nœuds en couche d’entrée, 5 nœuds en première couche cachée ,4 nœuds en second
couche cachée et un nœud de sortie, ils arrivent à des taux de cent pour cent par
rapport à l’analyse discriminante qui situent au tour de 75 %.

Dans une publication récente, Turetken (2003) analyse la performance

financière des entreprises publiques turques entre 1998 et 1999. La performance
financière est mesurée par l’inclusion de l’entreprise dans l’indice du marché, fondée
sur la valeur des actions de l’entreprise et le volume du chiffre d’affaires. Deux
techniques de prévision ont été utilisées par Turetken (2003) notamment l’analyse
discriminante et le réseau de neurones avec l’algorithme de rétropropagation des
erreurs, composé de 5 nœuds dans la couche d’entrée, 8 nœuds en couche cachée et
2 outputs indiquant la valeur de 1 si l’entreprise est listée dans l’indice de la bourse
d’Istanbul dans le premier trimestre de l’année 1999 et zéro dans le cas contraire. A
l’issue des ces approches, il a trouvé que le réseau de neurones rend plus performante
l’approche paramétrique lorsqu’elle est appliquée à un échantillon assez élevé.

Charalambous et al., (2000), effectuent la comparaison entre la régression

logistique et différents types de réseau de neurones notamment perceptron,
muticouche avec l’algorithme de retropropagation du gradient, les cartes de
Kohonen, la fonction RBC consiste à raisonner sur la base d’études de cas. Ils
concluent que les méthodes contemporaines du réseau de neurones produisent des
résultats supérieurs à ceux obtenus par le modèle Logit. Suite à un discrétisation des
variables continues, Sun et Shenoy (2003) appliquent un modèle de réseaux de
neurones Bayesien (BN) sur un échantillon d’entreprises américaines durant une
période de 14 ans. En effet, ce type de réseaux représente la situation des variables
aléatoires pour un problème donné et la relation probabilisable entre elles. Dans ce
cas, les nœuds du réseau représentent les inputs, les connexions indiquent la
dépendance entre ces inputs et, la part probabilisable dans ce réseau, est symbolisée
par les probabilités conditionnelles. Au cours de leurs estimations, ces auteurs
constatent que le réseau avec des variables continues discrétisées produisent les taux
d’erreur de classement le plus faible.

74
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Fanning et Cogger (1994) font la comparaison entre le modèle Logit et les

réseaux de neurones (trois nœud dans la couche d’entrée, deux couches cachées
portent chacune successivement six et sept nœud et un nœud pour la couche de
sortie). Ils ont conclu que les réseaux de neurones offrent des prévisions plus précises
que celle du modèle Logit.

Sur un échantillon d’entreprises australiennes du service financier (assurance,

banque), Yim et Mitchell (2002) établissent une comparaison entre l’analyse
discriminante, le modèle Logit, les réseaux de neurones d’une part, et, d’autre part,
un modèle où ils combinent ces trois modèles (Hybride model). Ces auteurs
cherchent à savoir si le réseau de neurones de type perceptron, multicouches et
hybride sont plus performants que les méthodes traditionnelles de la prévision. En
effet, la notion du réseau hybride suppose soit l’utilisation des modèles statistiques
pour sélectionner les variables comme des inputs au réseau de neurones soit
l’utilisation de l’output d’un modèle statistique comme un input au réseau, ce
qui permet de condenser l’information et espérer la situation des variables
potentielles. Au bout de 2000 itérations, ces auteurs aboutissent à ce que le réseau de
neurones avec 5 variables d’entrée, 4 nœuds cachés et un nœud de sortie selon
l’algorithme de rétropropagation des erreurs offre des résultats proches de ceux du
modèle Logit et de l’analyse discriminante prise individuellement. Cependant, le
réseau de neurones combiné avec le modèle Logit donne des taux de bon classement
de l’ordre de 100%.

Sur un échantillon de 1972 entreprises en 1998, Salah (2001) arrive à ce que

les résultats de la prévision donnée par l’analyse discriminante soient moins
satisfaisants que ceux obtenus par des approches non paramétriques et plus
particulièrement par ou au moyen d’algorithme génétique. En outre, l’intérêt des
algorithmes génétiques dans une telle étude est de permettre le traitement des
variables qualitatives aussi bien que des variables quantitatives, ce qui a été vérifié
par Varetto (1998).

Toutefois, en ce qui concerne la prévision de la défaillance, ces auteurs sont

en désaccord sur plusieurs points. D’abord, sur la définition même de la défaillance,
puisqu’il s’agit d’un problème délicat, susceptible de nuire à la solidité de
l’indicateur. Ensuite, sur le choix de l’horizon de prévision, alors que ce point est

75
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

crucial, car il détermine l’objectif de l’indicateur construit. Le choix des

caractéristiques des entreprises sélectionnées est également primordial puisqu’il
conditionne l’homogénéité et la représentativité de l’échantillon, ce qui influence la
qualité de la prévision. Enfin, l’élaboration des ratios comptables retenus pour la
prévision, joue un rôle important dans la qualité des résultats qui seront obtenus.

La majorité des auteurs considère la défaillance comme l’ouverture d’une

procédure judiciaire. Cependant, certains d’entre eux qualifient de défaillante toute
entreprise qui a connu un défaut de paiement, arguant que cet événement en lui-
même préoccupe les créanciers. La définition du défaut de paiement peut prendre
plusieurs formes. Généralement, le risque de défaut réside dans le fait que le débiteur
se trouve dans l’impossibilité de satisfaire ses obligations financières, quelle que soit
leur nature. Toutefois, la définition peut être plus large et consister en une
dégradation de la qualité de signature de l’entreprise : restructuration de la dette,
diminution des dividendes versés, voire avis défavorable d’un audit ou encore
détérioration du rating du débiteur. Dans ce cas, le risque de faillite apprécié par la
probabilité de défaut peut être corrélé avec le rating attribué à l’entreprise à ce sujet
Varetto (1998) précise, d’une part que le rating est une approximation biaisée du
risque de défaut et, d’autre part, que le rating peut tenir compte des informations
qualitatives et peut être appliqué à chaque instant de l’année à la demande des agents
alors que la fonction score est annuelle.

Blazy et al., (1993) définissent la défaillance comme la situation à partir de

laquelle une procédure de redressement est ouverte à l’encontre d’une entreprise.
Cette procédure doit être mise en œuvre, dès que l’entreprise se trouve en état de
cessation de paiement. Les entreprises peuvent également disparaître en dehors du
cadre d’une procédure collective, à suite d’une décision de ses dirigeants. Ils peuvent
choisir de la liquider, de la céder dans sa totalité ou simplement de se séparer d’une
branche d’activité dans une procédure de scission, accepter qu’elle fasse l’objet
d’une procédure de fusion, voire même la fermer purement et simplement en mettant
un terme à son activité. En principe on oppose les entreprises qui font l’objet d’une
procédure collective aux autres entreprises. Il est également possible d’opposer les
entreprises qui ont connu un défaut de paiement, y compris celles qui ont fait faillite,
aux autres (Beaver, 1966). En revanche d’autres auteurs limitent l’échantillon des

76
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

entreprises défaillantes à celles qui ont fait faillite. Ils excluent alors de la population
des entreprises non défaillantes, celles qui présentent une santé financière fragile,
notamment les entreprises vulnérables qui répondent à un critère plus large que le
simple défaut de paiement, dans le but d’obtenir une discrimination plus marquée
(Fanning et Cogger, 1994). La qualité de la prévision n’est cependant pas accrue de
manière significative. Altman et al (1994), ont conjugué l’analyse discriminante
linéaire et les réseaux de neurones en réalisant une double classification : la première
distingue les entreprises saines des entreprises fragiles, puis la seconde détecte, au
sein des entreprises fragiles, celles qui sont susceptibles de faire l’objet d’une
procédure judiciaire.

D’autres alternatives sont possibles, à cet égard, Liang et Wu (2003), Hol et

al. (2002) jugent que la défaillance est une situation où les cash flows générés par les
entreprises ne permettent pas d’honorer leurs engagements envers leurs partenaires
financiers et non financiers. Toutefois, Sharabany (2004) définit la « défaillance »
comme étant l’un de ces trois cas de figure : l’activité de l’entreprise est discontinue,
soit cette activité ne dégage pas une rentabilité adéquate, soit elle fait l’objet d’une
déclaration judiciaire d’insolvabilité. Selon cet auteur, la première définition n’est
pas acceptable car elle peut s’expliquer par d’autres éléments, notamment
l’acquisition, la fusion, etc. La seconde définition y est applicable car elle donne une
explication économique de la défaillance il s’agit toutefois d’une définition
subjective, car une rentabilité adéquate est difficile à définir, c’est la raison pour
laquelle on retient généralement l’aspect juridique du terme défaillance.

Pour Abid et Zouari (2000, 2002), une entreprise est considérée comme
défaillante si la probabilité de défaut calculée par la formule de Black et Scholes est
supérieure à 1%. Il est en outre, intéressant de noter que dans une publication récente
(Sung et al., 1999) ; Pompe et Bilderbeek, 2004 ; Pindado et Rodrigues, 2001 ; Atiya
,2001 et Varetto, 1998), la notion de la défaillance est largement liée au risque de
crédit, du fait du refus de crédit bancaire une entreprise est déclarée insolvable par
une banque.

Le choix de l’horizon de prévision a attiré l’attention de plusieurs auteurs. En

effet, celui-ci conditionne la date de la défaillance des entreprises et la date des
données qui vont fonder la discrimination, l’écart de temps entre les deux étant

77
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

l’horizon de prévision. Un arbitrage doit être fait entre une échéance trop proche,
dont l’intérêt est limité car l’entreprise n’a plus le temps de prendre les décisions
susceptibles de limiter les pertes, voire d’éviter la faillite, et une échéance trop
lointaine, qui ne permet pas une prévision précise. Les études différent légèrement
sur ce point, mais très généralement, deux horizons sont choisis : un an et trois ans
avant la défaillance.

Abid et Zouari (2000, 2002) ont étudié le pouvoir prédictif des modèles
neuronaux pour des horizons de prévision différents en utilisant des structures
d’information différentes. Ces auteurs ont démontréque le pouvoir prédictif
s’affaiblit graduellement pour les modèles qui utilisent des informations de moins en
moins récentes ou pour les modèles qui sont destinés à être utilisés pour prévoir la
situation financière des entreprises sur un horizon de plus en plus lointain. Cet
affaiblissement du pouvoir prédictif des modèles de prévision a été également mis en
évidence par Altman (1968) en utilisant l’analyse discriminante multiple. Le pouvoir
prédictif du modèle d’Altman (1968) est passé de 95 % pour un horizon de prévision
d’une année à 29 % et 36 % pour un horizon de prévision de quatre et de cinq ans
respectivement. Le même phénomène a été observé dans l’étude de Coats et Fant
(1993) puisqu’ils ont établi que le pouvoir prédictif des modèles neuronaux décroît
avec l’avenir.

A cet égard, tous les travaux cités ci-dessus parviennent à la conclusion que
plus on s’approche de l’horizon de la défaillance, plus la prévision est précise,
d’autant plus que la dégradation de la situation de l’entreprise se situe un an ou
même quelques mois avant sa déclaration en faillite. De ce fait, la discrimination
entre les deux échantillons d’entreprises saines et défaillantes devient claire. Dans ce
cadre, plusieurs auteurs élaborent des modèles dans lesquels ils introduisent des
entreprises saines en comparaison avec des entreprises traversant des difficultés
économiques ou financières, et des modèles mettant en comparaison les entreprises
défaillantes face à des entreprises saines. Ils en concluent que le deuxième modèle
est plus performant (Altman et al., 1994 ; Lisa et al., 1990).

La construction des ces deux sous échantillons pose le double problème de

leur représentativité et de leur homogénéité. Afin que l’indicateur de risque puisse
être appliqué à une entreprise quelconque, l’échantillon à partir duquel il est établi

78
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

doit être représentatif de l’économie : du point de vue du secteur d’activité, de la

taille des entreprises mais également du rapport entre le nombre d’entreprises
défaillantes et saines. Cependant, cette représentativité génère une hétérogénéité qui
est susceptible de créer un biais statistique, qui peut conduire à masquer des facteurs
explicatifs par des effets sectoriels, ou encore par des effets de taille. Afin de
concilier ces deux exigences et d’améliorer la prévision de la défaillance, plusieurs
solutions ont été préconisées.

En effet, Lennox (1999) étudie presque 1000 entreprises, Bernhardsen (2001)

va jusqu’à 28 120 entreprises, le score de la Banque de France porte sur plus de
40 000 (Bardos, 1998), et enfin Bunn et Redwood (2003) utilisent un échantillon de
105 687 entreprises. Lorsque le nombre d’entreprises exploitées est élevé, une bonne
représentativité est possible. Elle doit cependant être vérifiée par la comparaison
entre les caractéristiques de l’échantillon et celles de la population globale.

Généralement, en raison du manque de données sur les entreprises

défaillantes, les travaux entrepris pour la prévision de la défaillance des entreprises,
portent sur des échantillons composés d’un nombre supérieur d’entreprises saines par
rapport aux entreprises défaillantes, et dans le meilleur des cas, sur un échantillon
équilibré entre les deux catégories d’entreprises. Seul, le travail de Shirata (1998)
portant sur des données japonaises recueillies entre 1986 et 1996, porte sur un
échantillon qui se compose de 686 entreprises défaillantes et de 300 saines.

Une autre manière d’obtenir un échantillon représentatif consiste à limiter la

portée de l’indicateur à une population cible, définie par un secteur économique
limité ou un intervalle restreint de taille des entreprises. L’inconvénient d’une telle
méthode est qu’elle exige que soit élaboré un indicateur par secteur et par taille, ce
qui pose le problème du choix d’agrégation des secteurs économiques et de
l’ampleur des intervalles de taille. Comment estimer le degré optimal d’homogénéité
de l’échantillon ? Cependant, cette méthode présente l’avantage certain de concilier
représentativité et homogénéité. Si un échantillon hétérogène est utilisé, comment
éviter le biais statistique qui en découle ? Une première possibilité est l’utilisation de
ratios relatifs. En effet, rapporter la valeur prise par un ratio dans une entreprise
donnée à sa valeur moyenne au sein du secteur considéré, permet d’atténuer la
spécificité sectorielle. Platt et Platt (1991) élaborent deux indicateurs, à partir des

79
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

mêmes données, mais l’un utilise les ratios relatifs, l’autre le ratio absolu. Le premier
est plus performant. Néanmoins, cette solution est peu employée, probablement à
cause de sa lourdeur, comme le supposent les auteurs. La deuxième possibilité, la
plus fréquente, consiste à procéder par appariement, en faisant correspondre à toute
entreprise défaillante une entreprise non défaillante de même taille et appartenant au
même secteur économique (Mossman et al., 1998). Lorsqu’une contrainte relative à
la disponibilité des données existe, cette méthode réduit au mieux le biais statistique
lié à l’hétérogénéité de la population.

La prévision de la défaillance est réalisée à partir de données comptables.

Une première sélection est réalisée a priori, afin de n’envisager que des variables
considérées par les analystes financiers comme représentatives de la santé d’une
entreprise, ce qui est le cas de Cohen (1997), Gael-Ragot (1979), Hubert (1999). Le
nombre de ratios est différent selon les études. Altman (1968) commence par une
batterie de 12 ratios comptables, alors que Pompe et Belderbeek (2004), utilisent une
gamme de 73 ratios pour la prévision de la défaillance des PMI belges, quant à
Pinardo et Rodrigues (2001) pour leur étude portant sur les PMI portugaises, ils n’en
retiennent que 42. Ensuite, grâce aux techniques de classification statistique, une
seconde sélection est opérée afin de ne conserver qu’un nombre réduit de variables
les plus discriminantes, le nombre varie de un pour Beaver (1966) qui ne retient que
le ratio de cash flow/ dettes totales à 20 pour Pompe et Belderbeek (2004). Hunter et
Isachenkova (2001) affirment que l’économie ainsi que la théorie financière des
entreprises défaillantes ne produisent pas des bases rigoureuses pour la sélection des
ratios particuliers permettant de prévoir la défaillance. Malecot (1997) suggère que
les résultats de la prévision de faillite sont de moins en moins satisfaisants avec un
nombre croissant de « prédicteurs ». Pour expliquer ce phénomène, il a déclaré
que : « toute variable est porteuse d’une certaine information, qui est décisive pour
le problème considéré, et d’un certain « bruit », constitué de tout ce qui ne structure
pas l’événement analysé et qui entraîne une confusion croissante. C’est donc le
principe de parcimonie qu’il faut respecter : on cherche à sélectionner les seules
variables les plus efficaces pour la classification.

En revanche, Pinadado et Rodrigues (2001) ne partagent pas cet avis, et

affirment que l’utilisation d’un nombre très faible de ratios, permet d’obtenir des

80
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

résultats plus performants pour la prévision de la défaillance, surtout lorsqu’on

travaille dans un environnement où la disponibilité de l’information est réduite, ce
qui est le cas pour les PME. De ce fait, sur un échantillon de PME portugaises de
l’industrie des chaussures, ils prévoient la défaillance sur la base de deux ratios : le
premier est le rapport entre la profitabilité cumulée et l’actif total et le second, le
rapport entre les charges d’intérêt et le revenu total de l’entreprise concernée. Les
variables explicatives retenues, majoritairement des ratios comptables, sont diverses.
Cependant, les caractéristiques des entreprises retenues sont généralement similaires.
Conformément à l’analyse financière, la rentabilité de l’entreprise, économique ou
financière, la structure de son bilan et sa capacité de remboursement sont les trois
éléments les plus pertinents à la défaillance.

Parallèlement à l’utilisation standard des ratios comptables, certains auteurs

ont tenté d’exploiter des données différentes. Une première idée a été de prévoir la
faillite à partir des flux de trésorerie de l’entreprise, donc de grandeurs absolues et
non plus de grandeurs relatives: Casey et Bartczak (1985), Gentry et al. (1985, 1987).
La valeur d’une entreprise étant égale à la somme de ses cash flows futurs actualisés,
lorsque la valeur celle-ci devient trop faible, il est légitime que les créanciers
acceptent cette situation, la faillite est donc supposée survenir à ce moment là. Atiya
(2001) a retenu l’évolution du cours de l’action de l’entreprise. Selon cet auteur le
cours se détériore d’un à trois ans avant le dépôt de bilan. Mossman et al. (1998) ont
élaboré un modèle de prévision de la faillite en se fondant sur la variation du taux de
rendement des actions. Ils constatent que plus la faillite est imminente plus le risque
spécifique des titres s’accroît. Le recours aux données de marché est peu courant, ne
serait ce que parce qu’il exclut la majorité des PME.

La divergence entre les études se situe dans la construction de l’échantillon

qui sert à calculer les taux de bons classements, nommé « échantillon test ». Les
auteurs qui disposent d’une très vaste base de données, mesurent les taux de bons
classements à partir d’un échantillon d’entreprises défaillantes et d’entreprises
saines, distinct de l’échantillon qui a servi à l’élaboration de l’indicateur. Dans
d’autres études, l’échantillon qui sert à la validation est l’échantillon initial (Platt et
Platt (1991), Altman (1994), Ohlson (1980). Une telle validation est sujette à
caution ; en effet, l’indicateur élaboré peut être performant pour l’échantillon initial

81
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

et ne pas l’être pour l’ensemble des entreprises. Le taux de bons classements calculé
de cette manière, ne constitue pas un estimateur sans biais du taux de bons
classements de la population globale, alors que c’est ce taux qui détermine la qualité
d’un indicateur du risque de faillite.

82
 Chapitre 1 – La défaillance des entreprises: une revue de littérature

Conclusion

Tout au long de ce chapitre, nous avons tenté d’aborder la notion de

défaillance financière du point de vue financier, économique et juridique, puis sur le
plan des coûts de la détresse financière. Ces coûts peuvent être directs ou indirects,
dans lesquels sont inclus les honoraires des avocats, comptables, conseillers et autres
experts auxquels l’entreprise doit avoir recours.

Nous avons également présenté le plan de réorganisation qui nécessite la

prise en considération de plusieurs facteurs déterminants de nature financière et
managériale ainsi que la prévision des variables susceptibles de conduire à la réussite
des discussions avec les parties prenantes, puis nous avons apporté un éclairage sur
la procédure de liquidation et sur les coûts qu’elle génère afin de pouvoir faire une
choix entre plan de réorganisation et procédure de liquidation.

Enfin, nous avons dressé un bilan des différentes études empiriques en

matière de prévision de la détresse financière.

Dans le chapitre suivant, nous présenterons les différentes approches

explicatives de la défaillance : économiques, financières, organisationnelles et
managériales.

83
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Chapitre 2 – Les déterminants de la défaillance

des entreprises

84
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Introduction

Comme tout autre phénomène, la défaillance a été analysée de différentes

manières et par différentes disciplines. Les contributions les plus significatives
proviennent des sciences économiques, financières, stratégiques, organisationnelles
et managériales (Guilhot 2000). La défaillance étant ainsi le plus souvent assimilée à
un processus intégrant ces perspectives d’analyse, l’objectif de ce chapitre est donc
d’examiner toutes ces approches dans leur interconnexion.

En effet, ce chapitre sera consacré à l’étude des variables qui déterminent la

défaillance. Il en découlera cinq hypothèses qui seront la base de notre travail de
recherche.

C’est ainsi que nous examinerons successivement, dans un premier temps,

l’impact de la crise financière sur les entreprises françaises, puis les approches
financières, ensuite l’aspect stratégique, organisationnel et managérial et, en dernier
lieu, nous traiterons les approches économiques explicatives de la défaillance.

85
 Chapitre 2 : Les déterminants de la défaillance des entreprises

I. Etat de lieux sur L’impact de la crise financière sur

les entreprises françaises

La crise financière, qui a éclaté au cours de l’été 2007, n’a pas tardé à se
répercuter sur la croissance et l’emploi de l’économie française. Dans cette section,
notre réflexion portera sur l’impact de la crise financière sur les entreprises, nous
évoquerons ainsi quelques facteurs économiques et financiers qui sont la preuve des
difficultés de ces entreprises.

1. L’ampleur de la défaillance au sein des entreprises

françaises

Un nombre important d’entreprises disparaît à l’issue de la procédure de

redressement judicaire. À fin 2009, le nombre de défaillances cumulées sur douze
mois est de l’ordre de 63 337 entreprises, soit une augmentation de 14 % par rapport
à l’année 2008.

À partir de l’été, l’environnement économique de plus en plus difficile a

entrainé une augmentation du nombre de défaillances d’entreprises. Ce phénomène
s’est poursuivi sans interruption sur les douze mois de l’année 2009. Durant cette
période, les entreprises défaillantes présentent des montants sensiblement importants
en termes d’encours de crédit, d’effectifs ou de valeur ajoutée, par rapport aux
années précédentes ; le tableau qui suit donne une synthèse de l’impact économique
de la défaillance d’entreprises :

86
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Table 2:Synthèse sur les défaillances d’entreprises et leur impact économique

6 7 666 7 6$6 7 6$666

7$6'6(86 66$6 #66#6(#6
66$6$6 782D5F86
6$+673<B86
4==>6 C?64==@6 4==>6 C?64==@6 4==>6 A64==@67(6
7(6$6 $66(86
'6
(86
C3593B1 "#1$%&1 #)1*$&1 +#1)#*1 $*1*+$1 )1&,-1 )1*)-1
78A8BA53 1 31 '% "(!1 '+% +(!1 '1$) $(!1 '), -(!1 '1+" -(!1 '#"(!1
6A443B1833E6!1
.CC31 + -1A66A5313BABC41 )**1***13BABC418719A683418!1
8714135E411
CAB41C68C418!1
/544A531E1359141C8A66834146531681B8A661413BA44178A8BA531316A443B1833E6!1
+&1&#,1 +,1$&$1 +1$$&1 +1*)&1
0A53BA441
'1$$(!1 '1))(!1 '1+)(!1 '1#"(!1
"-,1 %"#1 $1+%&1 +1%,#1
183413BA441B1256A341
')#1(!1 '1%,!1 '1+,(!1 '##(!1
/BAB41 B1 533341 3BA441 2541 )$)1 &"$1 $-1
#*1'1&*(!1
A53BA441 4+*(!1 '1&%(!1 '$$(!1
%-)1 +1)#$1
BA7ABC41A59A6A541B1A383A541 1 1
'#*(!1 '1,"(!1
/544A53116A8B1C535AE178A8BA53 1316A443B1833E6!1
6CAB4159A6A4C41 '1$+(1 '1&$(1 1 1
7BA41 '1$%(1 ',&(1
886E1895EBC1 '1)-(1 '%*(1
/5A41C535AE168BA18185B1:16815E68BA5311
6CAB4159A6A4C41 * &,1(1 * "#(1 1 1
7BA41 * -(1 * ,(1
886E1895EBC1 1 1 * "(1 * &(1
1234 567879A4 ABCD8AEA4 F4 EA4 EE7A4 E4 AEC84 92278B64 DB86A4 E9AE67278EA4 E4 24 BC278B64 EA4 7A4 E787EA4
E67E8AEA44
Source : Banque de France (bases FIBEN)

87
 Chapitre 2 : Les déterminants de la défaillance des entreprises

L’évolution du nombre de défaillances résulte de nombreux facteurs,

principalement de la crise financière qui touche toutes les économies mondiales, et
du comportement de l’octroi de crédit des banques suite à une crise de confiance
envers les entreprises. L’évolution défavorable de la conjoncture a contribué à
l’augmentation du nombre de liquidations judiciaires. Les entreprises défaillantes
dont les crédits sont déclarés représentent un encours cumulé de 4,5 milliards d’euros
sur les douze derniers mois, en augmentation de 42 %. La situation s’est détériorée
depuis juin 2008 : chaque mois, les crédits mobilisés des entreprises devenus
défaillantes atteignent un montant de l’ordre de 400 millions d’euros, contre 200
millions à 250 millions en 2006 et 2007. La hausse des encours pour les PME est
plus forte que celle des microentreprises, cette situation est reflétée par le tableau
suivant :

Table 3:Défaillances des entreprises dont les encours de crédit sont recensés par les
établissements de crédit Août 2009

6 F(#$6 B$6 $6 5$6 6 B$6 $6

66 $6 76 6676C86
($6
)$86
0A53BA441 +,$&$1 ))1 $ *1 )-1
/071 2541 %"#1 %,1 + "1 ,,1
A53BA441
183413BA441 +&1 &*1 * )1 4)-1
B86A1 B1 4A541 &)-1 "$1 * &1 -,1
45A8EF1
EB41 +)#$1 ,)1 * )1 +*+1
;5B861 $**+$1 )-1 & "1 &$1
Source : banque de France (base FIBEN)

88
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Durant l’année 2008, les incidents de paiement ont augmenté de 12,8 % en

nombre et de 15,9 % en montant par rapport à 2007. L’année 2008 a effacé trois
années de baisse et les montants sont désormais équivalents à ceux comptabilisés fin
2004. D’après les statistiques de la Banque de France, les incidents de paiement se
concentrent sur trois secteurs : le commerce, la construction et l’industrie
manufacturière. Le montant des incidents pour incapacité de payer augmente dans
tous les secteurs et plus particulièrement dans ceux de la construction et du
commerce, dans lesquels le taux sur les douze mois de 2008 est en hausse
respectivement de 14,7 % et de 14,1 %.

Dans la construction, la dégradation a commencé dès la fin de 2005 et se

poursuit depuis. Dans le commerce, elle est manifeste depuis 2008. S’agissant de
l’industrie manufacturière, le changement de tendance est plus tardif : il se situe à
partir de juin 2008, et se confirme avec un taux d’incapacité de payer qui progresse
de 20,7 % sur un an. L’industrie automobile et les biens intermédiaires sont plus
particulièrement concernés.

89
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Table 4: Défaillances d’entreprises répartition par secteur à fin Août 2009

3$6)6786 <(6'6(6 9(6

6 76#$86 $6(6
666(66 6
7#86 "D67686
C?64==@6 C?64==@E6 3F64==@E6 C?64==@67C86
C?64==>6 3F64==>67C86
7C86
23E4BA1 "1",&1 $" "1 $) "1 41$$ +1
6534BEBA531 +#1-,+1 $+ -1 $+ ,1 $) &1
651 B1 C88BA531 +)1-+-1 +) "1 +& "1 41% &1
8EB559A61
;8345B1B13B5481 $1**%1 )* #1 $" %1 41$) "1
<C93B1 B1 #1%"-1 +- $1 +, "1 +) +1
4B8E8BA531
2358BA531 B1 +1#$&1 +& &1 +$ #1 - -1
5E3A8BA531
BA7ABC41A59A6A541 $1"&-1 "- ,1 &% $1 41)- $1
BA7ABC41147A41 #1"*#1 +# )1 +) %1 - $1
EB4147A41 )1+"$1 +" -1 +$ %1 41+& ,1
7349618!1 #)1*$&1 +% +1 +- )1 41) )1
1
1
234 56781 9A81 8ABCA7D81
EA186EC1F381C39981BA88781
24 7791 A81 67A1
ADEAD81681B6F3D81371A816817E13E137F3D33EC1
2B4 7791 A81 CD681
ADEAD81681B6F3D81371CD681681FDBAEC811
6CA119A816EEA81B6EBADE3EC19A1681A18AFCADA186EC1FD686DA812EB6F9CA8411
Source : Banque de France (bases FIBEN)

90
 Chapitre 2 : Les déterminants de la défaillance des entreprises

2. Les mécanismes de la crise

La crise des subprimes (en anglais : subprime mortgage crisis) est une crise
qui touche le secteur des prêts hypothécaires à risque (subprime mortgage) aux États-
Unis à partir du second semestre 2006. La transformation des créances immobilières
en produits financiers échangeables sur les marchés, a provoqué non seulement la
crise des subprimes, mais elle a généré une méfiance envers les créances titrisées, ce
qui a contribué au Krach de l’automne 2008. Ces deux événements sont,
rétrospectivement, considérés comme les deux étapes d'une même crise financière,
entraînant une récession touchant l'ensemble de la planète. Il faut signaler que, par le
passé, le marché des « subprime » a été frappé par deux deux événements qui ont
provoqué un « crunch » de liquidité « liquidity crunch » (Temkin, Johnson et Levy,
2002), puis qu’ils ont dû faire face à cette dernière crise de l’été 2007. En premier
lieu, les prêteurs des « subprime » ont constaté des pertes énormes en raison d’un
grand nombre de défauts, et à des taux de réalisation de paiements anticipés élevés.
En deuxième lieu, c’est la crise russe de l’année 1998 qui a créé un défaut de
confiance de la part des investisseurs. Dès lors, cette discipline a vécu une courte
période de récession qui sera suivie d’une période de d’expansion dans différents
segments du marché. Ce n’est qu’à partir de 2001 que ce marché va s’élargir,
profitant du développement du marché immobilier. C’est ainsi, que le montant des
prêts hypothécaires octroyés par les banques américaines et courtiers en crédit passe
de 190 milliards USD en 2002 à 600 milliards USD en 2006. Ce montant représente
23 % du total des prêts immobiliers souscrits.

La hausse des taux d'intérêt directeurs de la Réserve fédérale, a entraîné celle

des taux des crédits immobiliers outre-Atlantique, donc, confrontées à un coût de
l'argent plus élevé pour financer leurs besoins, les banques ont répercuté ces
conditions plus sévères sur leur clientèle.

Parallèlement, l’effondrement de la demande de biens immobiliers a tiré les

prix de ces derniers vers le bas, entraînant du même coup une diminution de « l'effet
richesse » des ménages : en effet, la valeur de leurs appartements et maisons ayant
baissé, la valeur patrimoniale de leurs biens s’en trouve amoindrie.

La conjonction de ces deux évolutions défavorables a conduit à une hausse

des défauts de paiement voire, dans certains cas, à des situations d'insolvabilité de
91
 Chapitre 2 : Les déterminants de la défaillance des entreprises

foyers. L'impossibilité de rembourser leurs prêts dans laquelle se trouvent ces

ménages pèse sur des établissements de crédit spécialisés, comme New Century,
numéro deux du « subprime » américain, qui de ce fait, est confronté à de graves
difficultés financières. La dégradation de l’autonomie financière des banques, en
raison des défaillances des ménages, renforce leur sensibilité au risque clients et
fournisseurs. Les difficultés d’un ou plusieurs clients importants peuvent avoir un
« effet domino », c’est-à-dire des défaillances en chaîne. Ce risque peut être évalué
en fonction de la proportion des créances douteuses par rapport au total des créances
clients. L’analyse de ce ratio, corrobore l’hypothèse selon laquelle la défaillance est
contagieuse.

Outre les relations avec les établissements de crédit, les liens financiers
établis avec les partenaires commerciaux de l’entreprise influent également sur le
risque de défaut de paiement, notamment pour les petites et moyennes entreprises
pour lesquelles l’accès au marché des capitaux est difficile du fait de l’existence de
barrières à l’entrée. L’accumulation des défauts de paiement des clients et
l’allongement des délais qui leur sont accordés, ont des effets économiques proches
de ceux liés à la défaillance d’un client important. Dans le même contexte, Blazy et
al. (1993) montrent que l’une des causes principales de la défaillance correspond
dans presque 10 % des cas à la défaillance de clients importants en raison de l’effet
domino ou de défaillance en chaîne. Cet effet a été confirmé par Helal (1994), Blot et
al. (2009) qui considèrent que « le risque de crédit est un risque transmis ».

3. Les facteurs économiques et financiers : preuves de la

difficulté des entreprises françaises durant la crise financière

Parmi les facteurs qui mettent en lumière les difficultés françaises, figure la
part importante de la dette non financière dans le financement des entreprises. En
effet, pour compenser la restriction bancaire de 2008, le financement des entreprises
françaises s’est fait au moyen d’une augmentation importante la part de leurs dettes
non financières : fiscale, sociale, fournisseurs. Contrairement à une idée reçue, la part
des fonds propres dans le financement des PME françaises n’est pas plus faible en
France que dans les autres pays européens, comme c’était le cas il y a 10 ans. Si la
part de la dette financière est faible (11 %), la part de la dette non financière est
revanche très élevée : «La France se distingue au niveau européen par une part
92
 Chapitre 2 : Les déterminants de la défaillance des entreprises

nettement plus importante des “ autres dettes” non financières proche de 50 % du

bilan alors qu’elle n’est que de 30 % à 40 % ailleurs : celles-ci couvrent notamment
le crédit fournisseurs» commente Berger (2009).

Le crédit fournisseur est un moyen important de financement pour les

entreprises françaises qui sont limitées dans leur accès au crédit bancaire ou
financier.1Ainsi, au cours de la seconde moitié d’année 2008, ce financement a
compensé la restriction du financement bancaire de court terme. Lévy-Lang (2009),
affirme que le manque de profitabilité est également un facteur qui a joué un rôle
important pendant la crise.

En 2008, la crise économique a été un facteur de défaillance des entreprises

plus important que la crise financière. Les chutes de chiffre d’affaires, constatées dès
le début de 2008 et fin 2007 pour la construction, et la perte de profitabilité qui les a
accompagnées, ont été, de loin, le premier facteur à l’origine des défaillances
d’entreprises.

Un autre facteur de défaillance est l’endettement. En effet, plus une

entreprise est endettée par rapport à ses fonds propres, plus le risque de défaillance
augmente (Armette, 2009). Toutefois, la crise de financement bancaire a eu un faible
impact dans les défaillances, car d’autres sources de financement ont pris le relais :
les1dettes fournisseurs avec l’augmentation des délais de paiement fin 2008 et les
dettes sociales et fiscales avec moratoires des administrations publiques.1Les
entreprises françaises ont donc pris à leur charge le choc financier de 2008-2009,
avec un glissement du risque bancaire de court terme sur le risque commercial. Les
défaillances d’entreprises de la crise de 2009 ont conduit à d’importants défauts de
remboursement de crédit.1 Ils ont coûté entre 2,5 et 3,5 milliards supplémentaires aux
entreprises en un an, soit une hausse de 85 %. Le défaut de paiement des dettes
bancaires de moyen et long terme a augmenté de 150 %, soit environ 5 milliards
supplémentaires.1 Le montant des impayés fournisseurs a augmenté quant à lui de
85%, soit environ 3 milliards supplémentaires. Le défaut sur dette bancaire de court
terme n’a pas augmenté1attestant ainsi de la restriction de lignes de crédit bancaire à
court terme dès le début de la [Link] secteurs qui ont subi le choc économique de
manière plus importante, sont également ceux qui absorbent la déficience financière
via le crédit interentreprises. Toutefois, deux secteurs économiques ont pu supporter
le choc économique de 2009, grâce au soutien de l’Etat, c’est les cas pour la filière
93
 Chapitre 2 : Les déterminants de la défaillance des entreprises

automobile et celle du bâtiment. La baisse du carnet de commandes et la perte de

certains clients arrivent en tête des difficultés avouées. Les pressions des acheteurs
arrivent, elles, en troisième position.

L’industrie est encore une fois la plus touchée, surtout par la baisse du carnet
decommandes. Seuls 10 % des chefs d’entreprise diagnostiquent des difficultés avec
leurs banques pour le financement quotidien de leur activité et 9 % des difficultés
pour financer leurs investissements. Toutefois, près d’un patron de PME sur cinq (17
%) envisage de diminuer ses effectifs en 2009. Ce chiffre s’élève à 21 % pour le
secteur industriel. Les patrons de PME de 200 à 249 salariés se montrent encore une
fois les plus pessimistes : 38 % tablent sur une baisse de leurs effectifs. Pour les PME
qui rencontrent un ralentissement de leur activité, cette baisse est plus modérée (19
%). Une petite majorité des patrons de PME envisage de maintenir leurs
investissements (53 %), alors qu’un entrepreneur sur quatre (26 %) affirme qu’il les
diminuera.

A noter que 18 % des entrepreneurs pensent que leurs prix de revient vont
augmenter. De même, 28 % des patrons déclarent que leur rémunération sera revue à
la baisse, notamment dans les secteurs de l’industrie (37 %) et des services (31 %).
Malgré le « pacte moral » passé entre les banques et le gouvernement pour bénéficier
des aides débloquées en faveur du crédit, qui se sont élevées à 40 milliards d’euros
de fonds propres et 320 milliards d’euros de garanties, il semble que le durcissement
des conditions bancaires se poursuive, notamment pour les PME, et que les banques
ont profité pour augmenter leurs marges. Les conséquences de la crise financière se
font sentir de manière accrue sur les besoins de trésorerie des entreprises mais aussi
sur les besoins de financement à moyen et long terme du fait du ralentissement des
investissements (Armette, 2009). En raison du blocage des marchés financiers
rendant impossible la titrisation de créances, de la hausse du coût des crédits et des
nouvelles exigences des banques, les besoins de trésorerie sont devenus l’une des
préoccupations majeures des entreprises, quelle que soit leur taille L’optimisation du
besoin en fonds de roulement est devenu une nécessité dans un contexte de crise des
liquidités. Compte tenu de la raréfaction des liquidités sur le marché, les Crédit
Manager sont de plus en plus tentés d’utiliser les créances commerciales de
l’entreprise comme source de financement.

94
 Chapitre 2 : Les déterminants de la défaillance des entreprises

On assiste tous les jours à la fermeture d’entreprises qui n’ont pas su maîtriser
leurs besoins en fonds de roulement, soit à cause d’une mauvaise gestion de leurs
stocks, de créances clients irrécouvrables, de délais de paiement des fournisseurs
réduits ou de lignes de crédit insuffisantes. Les chiffres publiés par Coface sont
édifiants : au 3ème trimestre 2008, le montant des impayés a augmenté de 125 % par
rapport à la même période l’année précédente. Les « les assureurs de crédits » sont
en alerte. Leur principal problème est le manque de visibilité sur le marché, et aucun
ne peut prédire quand ni comment cette crise va se terminer. Tous anticipent une
hausse de la sinistralité et sont par conséquent très prudents quant à leur prise de
risque sur leur clientèle française.

Une analyse détaillée des différentes approches financières est indispensable

pour mettre en évidence les difficultés des entreprises françaises.

II. Les approches financières explicatives de la

défaillance

Les travaux de recherche qui portent sur les faillites s’intéressent plus
particulièrement aux difficultés dont l’entreprise est responsable. En effet, si le
système de gestion est défaillant, leur capacité à survivre dans un environnement
défavorable est réduite. Il ressort de ces études que, même si les entreprises
présentent des profils différents, toutes se caractérisent par une situation financière
instable.

L’examen des informations financières dans le temps peut donner une idée de
l’évolution de l’activité de l’entreprise. Le responsable financier compare à chaque
fin d’exercice des ratios calculés à partir des états financiers de l’exercice en question
avec ceux des exercices précédents. L’examen des données comptables financières
dans le temps, permet d’apprécier l’évolution de l’activité de l’entreprise. Il suffit
pour cela de comparer les ratios de l’exercice qui s’achève avec ceux des exercices
précédents. Ces ratios sont considérés comme des indicateurs synthétiques du passé
de l’entreprise concernant sa rentabilité, sa solvabilité, sa liquidité, son niveau
d’endettement et sa structure financière face au risque de défaillance.

95
 Chapitre 2 : Les déterminants de la défaillance des entreprises

1. La rentabilité

On décompose traditionnellement la rentabilité économique en trois ratios : la

rentabilité économique le taux de marge et le taux de rotation de l’actif économique.
Ces trois ratios étant déterminés de la manière suivante :

- Rentabilité économique = excédent brut d’exploitation / actif économique

- Taux de marge = excédent brut d’exploitation / valeur ajoutée

- Taux de rotation de l’actif économique = valeur ajoutée / actif économique

Les entreprises défaillantes se caractérisent par une rentabilité économique

généralement faible et un niveau de rotation de l’actif économique bas. Cette
situation peut résulter d’un choix stratégique de recherche de parts de marché ou
d’une évolution défavorable des coûts, ce qui est en opposition avec le comportement
des entreprises non défaillantes, qui ont pu augmenter leurs marges.

Pour Keasy et Mc Guinness (1990) la rentabilité et l’efficience sont les

indicateurs les plus déterminants de la défaillance des entreprises industrielles
britanniques. Ainsi Yang et al (1999), partant d’une batterie de 33 des ratios les plus
utilisés, aboutissent à 8 ratios comptables significatifs de la situation financière des
entreprises. Ces ratios, sont des indicateurs de la profitabilité des entreprises, et
permettent de déterminer si la rentabilité permet la poursuite de l’activité ou pas.
Dans le cadre juridique et principalement dans la phase de redressement des
entreprises en difficulté, Bescos (1989) cherche les facteurs de réussite dans le
redressement de vingt-quatre PMI françaises en difficulté en utilisant la fonction
score de la Banque de France sur une longue période (1980-1985). A travers une
analyse factorielle distinguant les facteurs de réussite du redressement et les facteurs
d’échecs, il a démontré que le taux de marge brut d’exploitation est un indicateur
efficace pour apprécier le résultat d’un redressement.

Enfin, en ce qui concerne la rentabilité, Pompe et Belderbeek (2005)

estiment, qu’une entreprise dont le bénéfice diminue au fil des années, a de fortes
probabilités de devenir victime de difficultés financières. En effet, ces auteurs ont pu
récemment prouver que les entreprises les plus rentables présentent moins de risques
que celles qui ne le sont pas, et que les banquiers tiennent énormément compte de la
rentabilité des actifs des entreprises dans leurs décisions finales d’octroi de crédits.
96
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Conformément à cela, le souci principal des banques, est de s’assurer de la

capacité de l’entreprise à dégager des résultats et à financer sa croissance, et ce,
qu’elles participent déjà à son financement où qu’elles envisagent d’entrer dans
l’affaire. Sung et al (1999), pensent que le fait que la rentabilité générée par
l’entreprise soit un critère primordial lors de la décision d’octroi de crédits à moyen
et long terme, est indiscutable. Ils expliquent que la rentabilité est à la base d’une
bonne fin des crédits consentis et à consentir puisqu’elle conditionne l’aptitude de
l’emprunteur à faire face à ses obligations de remboursement.

Tirapat et Nittayagasetwat (1999), Mossman et al (1998), Atiya (2001)

confirment qu’il existe une relation entre la probabilité de défaillance de l’entreprise
et la rentabilité des actions de cette dernière. Ils en concluent que la rentabilité des
actions de l’entreprise, est un bon critère autant pour les expirations du marché que
pour la probabilité de défaillance des entreprises. Selon Refait (2004), la rentabilité
de l’entreprise (économique ou financière), la structure de son bilan et sa capacité de
remboursement sont les trois éléments les plus corrélés à la défaillance. La rentabilité
financière met en rapport une variable de résultat avec le capital financier. Elle est
souvent exprimée par le ratio : résultat global sur capitalisation boursière (Mensah,
1984). En ce qui concerne la rentabilité économique, elle met en relation une variable
de résultat économique avec l’actif total, le capital engagé, les immobilisations
produites ou le capital économique (Altman, 1968 ; Taffler, 1982 ; Flagg et al, 1991 ;
Michalopoulos et al, 1993 ; Liou et smith, 2007). C’est dans ce type de contexte que
nous postulons notre première hypothèse.

Hypothèse 1 : « Le manque de rentabilité est un facteur explicatif de la

défaillance des entreprises ».

2. La capacité de remboursement des dettes et la couverture

des charges financières

La fragilité économique ainsi que le poids de l’endettement des entreprises

défaillantes, pèsent sur leur autonomie financière, mesurée par la marge sur
prélèvements financiers et finissent par remettre en cause leur solvabilité mesurée par
la capacité de remboursement.

97
 Chapitre 2 : Les déterminants de la défaillance des entreprises

La marge rapportée aux prélèvements financiers est un indicateur

particulièrement significatif de la défaillance : les excédents tirés de l’activité
d’ensemble de la firme ne suffisent plus à couvrir le montant des échéances
financières. De ce fait, les entreprises en difficulté deviennent rapidement
insolvables, en raison de la diminution de leur capacité de remboursement et la
multiplication des incidents de paiements lisibles dans la faiblesse des taux de
remboursement. A la prise en compte d’une prime de risque, les créanciers semblent
ajouter le rationnement des crédits, indirectement reflété par la réduction du taux de
souscription de nouveaux emprunts. Certains chercheurs s’intéressent typiquement à
l’analyse des flux comme indicateurs de défaillance. Hol et al. (2002) décrivent la
défaillance comme étant la situation où la valeur du cash flow est insuffisante pour
couvrir les dettes. De même, Liang et Wu (2003) considèrent qu’il y a situation de
défaillance lorsque l’état d’un cash flow est non efficient. La capacité de l’entreprise
à rembourser et à couvrir ses charges financières a figuré comme critère
prépondérant dans de nombreuses problématiques dont la prédiction de la faillite des
entreprises, la prédiction des défauts de remboursement des crédits bancaires, et
l’identification des facteurs d’octroi de crédits bancaires. En matière de prévision de
la défaillance Casey et Bartczak (1985), Gentry et al. (1985, 1987) et bien d’autres
chercheurs s’accordent à reconnaître l’influence négative de la capacité de
remboursement de l’entreprise dans la dégradation de la situation financière de
l’entreprise. En effet, Casey et Bartczak (1985) ont abouti à ce que l’information du
cash flow augmente la capacité prédictive de l’analyse discriminante et le modèle
Logit dans la distinction entre les entreprises saines et défaillantes.

Dans ce sens, Gentry et al. (1987) ont fait la comparaison entre trois types de
modèles : dans le premier les composantes du cash flow sont considérées comme
variables exogènes, dans le deuxième modèle, seuls les ratios financiers sont retenus,
et dans un troisième les ratios financiers sont combinés avec des composantes du
cash flow. Cette comparaison leur a permis de constater, d’une part, que le dividende
et l’investissement sont les composantes les plus explicatives de la probabilité de
défaillance des entreprises, et d’autre part que l’introduction des composantes du
cash flow améliore la représentativité du modèle et la capacité prédictive des
modèles. Ce qui a été confirmé par Gentry et al (1985).

98
 Chapitre 2 : Les déterminants de la défaillance des entreprises

En effet, l’objectif de ces auteurs est de déterminer les composantes du cash

flow les plus déterminantes entre les entreprises saines et défaillantes. Pour cela, un
modèle d’analyse discriminante, un modèle Logit et Probit ont été utilisés pour
examiner la capacité prédictive de ces composants un, deux et trois ans avant la
défaillance. Le meilleur modèle obtenu par Gentry et al (1985) été le modèle Logit à
un an avant la défaillance qui a permis de constater que le dividende représente la
composante principale de discrimination.

Aziz et al (1988) ont testé la capacité des composantes du cash flow

d'exploitation, à classer les entreprises saines et défaillantes et éventuellement à
servir d'alternatives aux ratios financiers basés sur les accrues comptables. Pour ce
faire, ils ont eu recours à des modèles n’intégrant pas les composantes du cash flow
notamment le modèle du score Z d’Altman (1968), des modèles basés sur des
composantes du cash flow d'exploitation et un modèle mixte qui comprend aussi bien
des ratios financiers que des composantes du cash flow d'exploitation. Les données
collectées ont concerné la période 1973-1982. Des analyses discriminantes multiples
et des techniques de régressions logistiques ont été employées. En tentant de prédire
la faillite un an ou deux à l’avance, les chercheurs ont trouvé de meilleurs résultats
avec les modèles mixtes et ceux fondés sur les composantes du cash flow
d’exploitation.

Fedhila (1998), de son côté, a comparé la pertinence de l'information du cash

flow à celle des ratios financiers en matière de prédiction du défaut de
remboursement des prêts tout en faisant appel à la régression logistique multivariée.
Ainsi, trois séries de modèles logistiques sont développées pour chacune des trois
années qui précèdent l'événement de défaut de remboursement des prêts : le modèle
du score Z d'Altman (1968), un modèle de cash flow incluant uniquement des
variables de cash flow d'exploitation et un modèle mixte incluant à la fois des
informations sur le cash flow et des variables comptables. La deuxième série de ces
modèles comprend des ratios de cash flow dont notamment : le cash flow
d’exploitation sur le chiffre d’affaires, le cash flow d’exploitation sur les passifs
courants, et enfin, le cash flow d’exploitation sur les frais financiers et le capital
restant dû de la dette financière contractée. Les résultats ont prouvé que le modèle
fondé sur des variables du cash flow d'exploitation est le plus pertinent.

99
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Plusieurs chercheurs s’accordent à dire que, seul le cash flow d’exploitation

doit permettre à l’entreprise de couvrir la totalité de ses engagements, dont

notamment le remboursement de ses crédits. Dans le cas contraire, Fedhila (1998)
affirme que l'entreprise serait contrainte de liquider ses actifs fixes, ou de contracter
de nouveaux prêts afin de faire face à ses obligations financières. Ces solutions sont
estimées préjudiciables pour l'entreprise sur un long terme, puisque celle-ci serait
amenée à réduire ses actifs courants ou à augmenter son endettement. Dans ces deux
cas, l'entreprise serait confrontée à des difficultés financières majeures, notamment
l'incapacité de rembourser ses prêts, voire même la faillite. Sur le plan pratique, la
capacité de l’entreprise à rembourser ses dettes et à couvrir ses charges financières a
été retenue comme critère prépondérant dans plusieurs études cherchant à détecter les
symptômes de faillite des entreprises (Beaver, 1966; Ohlson, 1980) ou à prédire la
probabilité de défaut de remboursement des prêts commerciaux (Fedhila, (1998),
mais aussi à expliquer la décision d'octroi de crédits bancaires.

Helal (1994) a retenu quatre ratios pour traduire la capacité de l’entreprise à

rembourser ses dettes et à couvrir ses charges financières :

Cash flow d’exploitation sur frais financiers,

Cash flow d’exploitation sur dettes totales,

Cash flow d’exploitation sur dettes à moyen et à long terme

Frais financiers sur dettes rémunérées.

Il en conclut que seuls les indicateurs financiers classiques peuvent fonder

une différence entre les entreprises. De même, ayant collecté soixante-six cas réels
d'accord et de rejet de crédits d'investissement auprès de six banques tunisiennes,
Fedhila et Ben Diab (2005), ont utilisé un modèle de régression logistique binaire
pour estimer la probabilité d'octroi de crédits d’investissement et identifier les
facteurs qui déterminent cette décision. Ils ont constaté que l’information du cash
flow d’exploitation, traduisant la capacité de l’entreprise à rembourser ses dettes
courantes et à couvrir ses charges financières, ne révèle aucun pouvoir explicatif
incrémenté. Cette capacité est traduite par les ratios :

CF d'exploitation sur frais financiers

CF d'exploitation sur passifs courants.

100
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Le manque de significativité de ces deux ratios conduit à penser que les

banquiers ne fondent pas leur décision d’octroi de crédits d’investissement sur la
capacité de l’entreprise à rembourser ses charges financières. Ce résultat signifie que
l’information du cash flow d’exploitation ne présente aucun apport informationnel
incrémenté. Cela est probablement dû à l’attachement excessif des banquiers au bilan
et au compte de résultat plutôt qu’aux flux de trésorerie. Ce résultat s’oppose aux
conclusions d’Aziz et al. (1988), Fedhila (1998), relatives à l’influence positive et
significative de la capacité de remboursement de l’entreprise dans la décision finale
des banquiers.

Finalement, la thèse selon laquelle l'omission des ratios de cash flow

d'exploitation dans les études de prédiction des faillites d'entreprises ou des créances
irrécouvrables serait inappropriée n'a pas fait l’unanimité des opinions. Certains l'ont
soutenue notamment Aziz et al (1988), Mossman et al. (1998), Casey et Bartczak
(1985), Gentry et al. (1985,1987), alors que d'autres l'ont complètement infirmée.
Parmi les partisans de la thèse de l'inefficacité, et même l'inutilité des informations
sur le cash flow d'exploitation dans les études traitant de la faillite des entreprises,
nous citons notamment Fedhila et Ben Diab (2005), et Helal (1994). A partir de ce
constat, nous formulons l’hypothèse suivante :

Hypothèse 2 : « la capacité de l’entreprise à rembourser et à couvrir ses

charges financières est un élément capital dans la prédiction de la faillite des
entreprises ».

3. La liquidité

Back et al (1996), Pompe et Belderbeek (2005), Refait (2004), Jones et

Hensher (2007), Lin (2009) précisent que la liquidité de l’entreprise traduit sa
capacité à payer ses dettes à court terme devenues exigibles. De plus, les ratios
traduisant la liquidité de l’entreprise (ratio de liquidité générale, ratio de liquidité
immédiate, etc.) reposent sur l’idée selon laquelle les actifs courants de l’entreprise
produisent le cash qui lui permet de payer ses passifs courants.

A l’issue de leur recherche, Back et al (1996), Chralambous et al (2000)

estiment que la mesure pertinente de la défaillance un, deux et trois ans avant, est la
101
 Chapitre 2 : Les déterminants de la défaillance des entreprises

liquidité puisque, si elle s’avère insuffisante, elle génère au fil du temps, l’incapacité
de l’entreprise à régler ses créanciers, ce qui provoque une baisse évidente de sa
rentabilité.

Lorsqu’une entreprise rencontre de simples difficultés de liquidité, sa

trésorerie devient temporairement négative sans que cela mette en péril son
existence. En ce qui concerne les entreprises défaillantes, au contraire, leur trésorerie
est négative en permanence, leurs difficultés s’apparentent d’avantage à un cas
d’insolvabilité. Cette situation résulte généralement de la mauvaise structure de
financement, qui se caractérise par un déficit marqué de ressources de long terme.
L’effondrement de la trésorerie qui contraste avec l’amélioration observée parmi les
entreprises non défaillantes, provient en partie du financement d’immobilisations
avec des ressources à court terme. La diminution du fonds de roulement est
généralement significative un an avant la défaillance, ce qui peut résulter du choix
d’un programme d’investissement trop ambitieux ou mal financé. En effet, les
banques peuvent préférer les prêts à court terme pour augmenter leur pouvoir de
contrôle sur l’entreprise, et refuser d’accorder les ressources à long terme qui sont
nécessaires pour mener à bien un plan d’investissement, (Hunter et Isachenkova,
2001).

L’augmentation du besoin en fonds de roulement résulte notamment d’une

plus forte croissance des créances clients et des stocks par rapport aux dettes
fournisseurs. L’augmentation des créances clients peut certes refléter un certain
dynamisme des ventes ; cependant, il est plus probable que le l’augmentation de ce
poste traduise à nouveau l’effet « domino » des défaillances et les difficultés du
paiement des clients. La surproduction constitue, elle, l’indicateur d’un problème
réel de débouchés, conséquence d’une mauvaise anticipation de l’évolution de la
demande (Blazy et al, 1993). Au cours des trois phases qui constituent le cycle
d’exploitation : approvisionnement, transformation, commercialisation, les
encaissements et les décaissements sont décalés. Ces décalages de trésorerie
engendrent un besoin de fonds permanent qui dépend des délais de stockage, de la
nature du cycle de production, des délais de règlement des dettes fournisseurs et des
délais de recouvrement des créances clients. Les besoins de trésorerie générés par le
cycle d’exploitation ont pour origine les décalages temporaires sur les flux physiques

102
 Chapitre 2 : Les déterminants de la défaillance des entreprises

et les flux financiers liés à l’exploitation. Dans ces conditions, l’hypothèse suivante
devient envisageable.

Hypothèse 3 : « La performance de la firme dépend de son degré de

liquidité ».

4. La solvabilité et l’équilibre financier

La qualité de la solvabilité est attribuée à une entreprise quand la réalisation

de ses éléments d’actifs lui permet de couvrir l’ensemble de ses dettes. Comme le
précise Helal (1994), lescréanciers s’intéressent de très près à la solvabilité de
l’entreprise parce que, si celle-ci venait à faire défaut, cette dernière pourrait être
confrontée à des difficultés financières, à une situation de défaillance, voire même
être amenée à disparaître. Pindado et Rodrigues (2001) associent également cet
intérêt à l’anxiété des praticiens quant à la question des limites du déclin de
l’entreprise. Ils trouvent que la préoccupation du déclin de l’entreprise est cruciale
dans le concept des fonds propres, ce qui explique l’attachement des banques à ce
concept. Selon ces auteurs, cette insistance recouvre une évidence : plus la part des
fonds propres est importante, plus la probabilité des créanciers d’être payés est
grande et plus le risque pour l’entreprise de se trouver en situation de cessation de
paiement est faible.

S’appuyant sur une conception du bilan qui privilégie les notions d’exigibilité
et de liquidité, la comparaison des actifs circulants et des dettes à court terme, permet
de construire un indicateur du risque de faillite représenté par le fonds de roulement.

Le concept du fonds de roulement constitue un outil d’analyse de l’équilibre

financier de l’entreprise. Il est considéré comme étant la marge de sécurité à la
disposition de l’entreprise, lui permettant de conserver une certaine autonomie vis-à-
vis de ses créanciers. Cette marge se justifie par l’existence d’un avenir incertain et
assure à l’entreprise un équilibre financier stable. Ainsi, l’entreprise est appelée à
ajuster sa marge de sécurité d’une façon continue et en fonction de la conjoncture
économique. La gestion du fonds de roulement apparaît alors, comme un élément
majeur de la gestion de l’entreprise. Son niveau et son mode de financement influent
sur la rentabilité et le risque.
103
 Chapitre 2 : Les déterminants de la défaillance des entreprises

L’une des principales règles financière présume que l’équilibre financier

d’une entreprise dépend indéniablement de la couverture des emplois longs par des
ressources stables ainsi que de l’actif circulant par les ressources à court terme. Lisa
et al. (1990) précisent qu’une telle couverture assure à l’entreprise une bonne santé
financière. Tout manquement à cet équilibre financier peut mener l’entreprise à
financer des actifs à degré de liquidité faible par des capitaux à degré d’exigibilité
élevée. Cette situation peut la contraindre à liquider certains biens immobilisés afin
de pouvoir payer ses créanciers, ce qui risque de compromettre son existence. Pour
éviter ce genre de problème, Blazy et al. (1993) estiment qu’il estgénéralement
préférable pour une entreprise de se trouver dans une situation où son fonds de
roulement est positif. Ils ajoutent qu’une banque qui veut se faire une idée sur la
politique financière et celle d’investissement d’une entreprise doit se pencher sur le
fonds de roulement, ses éléments constitutifs ainsi que leur évolution dans le temps.
Le fonds de roulement est loin d’être le seul élément à suivre de près lors de
l’examen de la politique financière de l’entreprise. En réalité, divers ratios financiers
sont destinés à mettre en évidence cette politique sous différents angles dont
notamment la solvabilité et le niveau d’endettement de l’entreprise.

Enfin, l’examen de la structure du capital peut révéler que l’entreprise

n’exploite pas efficacement sa capacité de négociation avec les créanciers. Dans le
cas où l’entreprise n’est pas en mesure de dégager une marge de sécurité, elle est
amenée à s’endetter à court terme pour financer une partie de ses investissements. De
ce fait, les dirigeants peuvent refuser des projets rentables faute de moyens de
financement durables. Il en découle l’hypothèse suivante.

Hypothèse 4 : « Plus le besoin en fonds de roulement est important, plus la

dégradation de la situation financière des entreprises est élevée ».

5. L’endettement

Depuis Modigliani et Miller, la littérature financière a mis en évidence que

l’endettement générait un effet de levier positif si les bénéfices d’exploitation étaient
supérieurs aux charges d’intérêts, et qu’il était négatif dans le cas contraire. Ces
mêmes auteurs concluent dans un article paru en 1963 que l’avantage fiscal

104
 Chapitre 2 : Les déterminants de la défaillance des entreprises

provenant du caractère déductible des intérêts doit conduire les entreprises à

s’endetter. Dans ce cadre, la dette a un impact bénéfique sur la valeur. Ce n’est pas la
seule de ses vertus et la littérature financière attribue à la dette d’autres fonctions. En
effet, l’endettement est un moyen de résoudre les problèmes liés à l’asymétrie
informationnelle.

Ross (1977), se plaçant dans une situation d’asymétrie informationnelle et

supposant que les dirigeants ont un intéressement aux bénéfices avec toutefois une
pénalité en cas de faillite, montre que seules les firmes performantes, efficaces et
rentables sont prêtes à supporter un endettement relativement important car elles sont
en mesure d’honorer leur engagement sans problème. L’endettement doit alors être
considéré comme un signal positif sur les opportunités d’investissement à venir et
par conséquent, sur la qualité du projet en ce sens que l’entreprise présente un niveau
de rentabilité suffisant pour justifier ce niveau d’endettement.

Les analyses des différents auteurs semblent s’accorder sur le fait qu’une
bonne entreprise est celle qui s’endette, qui se déclare capable de rembourser à une
échéance prédéterminée et qui, à la date effective du remboursement, honore son
engagement sans problème. Ainsi nous pouvons conclure que l’accroissement de la
dette est un indicateur de performance de la firme qui va permettre de générer un
processus de création de valeur. Si la dette est un moyen ex-ante de réduire
l’asymétrie d’information et les conflits d’intérêts, elle peut également être utilisée
pour réduire l’asymétrie d’information ex-post entre les actionnaires d’une firme et
ses gestionnaires (Jensen et Meckling, 1976). En théorie les dirigeants se doivent de
maximiser la valeur de la firme et la richesse des actionnaires. Les conflits d’agence
pouvant surgir entre les actionnaires, dirigeants et créanciers, peuvent influencer les
décisions adoptées par l’entreprise. La politique d’endettement peut être interprétée
comme un moyen de résolution des conflits entre dirigeants et actionnaires. Ainsi,
une entreprise en croissance peut éviter les coûts d’agence liés à une dilution du
capital en finançant son développement par endettement (Jensen et Meckling ,1976).
Toutefois, le financement par endettement entraîne également des coûts d’agence qui
grèvent cet avantage. La réduction des problèmes de ce budget peut être palliée par
la mise en place de mécanismes de contrôle du comportement de l’agent, à
l’initiative de la principale. Avec la prise en compte des intérêts personnels des
dirigeants, Ross (1977) suggère un contrat où la rémunération du dirigeant serait
105
 Chapitre 2 : Les déterminants de la défaillance des entreprises

proportionnelle à la valeur de marché de l’entreprise, à laquelle s’ajouterait une

valeur de compensation qui serait fonction du résultat final du projet. Myers (1977)
suggère que les difficultés financières, éventuellement temporaires, peuvent
engendrer le risque de refus de financement d’un projet, rentable du point de vue de
sa valeur actuelle nette.

La hausse de l’endettement accroît la probabilité de défaillance, et l’existence

de coûts de faillite incite les créanciers à réclamer un taux de rémunération plus
élevé. L’utilisation d’une prime de risque n’est pas la seule stratégie du créancier
confronté à une entreprise en difficulté. Lorsqu’il a déjà des créances sur l’entreprise,
son comportement d’octroi de nouvelles lignes de crédit est influencé par les
engagements existants. Il peut prêter à nouveau, dans l’espoir que cet apport
permettra à l’entreprise de redevenir liquide, ou bien refuser le prêt et limiter les
pertes au crédit déjà consenti, s’il estime qu’elle est insolvable.

Si le créancier accorde un nouveau prêt, l’augmentation du taux d’intérêt qui

l’accompagnera, ne sera pas forcément optimal. En effet, elle représentera une
charge supplémentaire pour l’entreprise ce qui peut avoir tendance à l’inciter à
choisir des projets d’investissement risqués dans l’espoir de couvrir ces coûts.

Ainsi en réponse aux travaux de Modigliani et Miller (1963), de nombreux

auteurs (Altman, 1968, 1984 ; Casta et Zerbib, 1979 ; Collongues, 1977) montrent
que les difficultés d’exploitation et la hausse de l’endettement conduisent
mécaniquement à une dégradation des performances et à la fragilisation de
l’entreprise. A partir du moment où l’endettement n’est plus maîtrisé, la firme risque
de tomber en faillite et d’entrer dans une phase de redressement judiciaire (Beaver,
1966; Altman, 1968). Les coûts de faillite deviennent un élément capable d’expliquer
la structure financière. Dans le prolongement de ce courant, Titman et Opler (1994)
précisent que la dette est un facteur de « stress financier » susceptible de mettre en
péril l’entreprise. En effet, quelles que soient les opportunités d’investissement à
venir, les partenaires de l’entreprise peuvent, à partir d’un certain niveau
d’endettement, émettre des doutes quant à sa pérennité. Autrement dit, ils n’ont plus
confiance dans la capacité de l’entreprise à respecter ses engagements. L’originalité
de Titman et Opler est de mettre en évidence l’existence de coûts indirects
préjudiciables à l’entreprise avant même que celle-ci ne soit tombée sous le coup
d’une procédure de redressement judiciaire.
106
 Chapitre 2 : Les déterminants de la défaillance des entreprises

La politique d’investissement : Selon Artus (1992), le financement au moyen

de fonds propres réduit le risque de défaillance tandis que l’endettement peut
engendrer non seulement un risque de non remboursement des créanciers, mais
également un comportement sous optimal de l’entreprise en termes de choix de
projets d’investissement. Le risque de comportements sous optimaux lié au
financement par dette est double. D’une part, l’existence de coûts liés à la défaillance
et le transfert des résultats aux créanciers dans le cadre d’un règlement judiciaire
incitent au sous investissement. D’autre part, les comportements de
surinvestissement dans des projets considérés risqués, c’est-à-dire non rentables
selon le critère de la valeur actuelle nette, découlent des asymétries d’informations
qui caractérisent certains contrats de prêt, compte tenu du possible enrichissement en
cas de succès, et de la responsabilité limitée, en cas d’échec, dont bénéficient les
actionnaires. L’entreprise peut alors avoir tendance à déclarer au créancier la
réalisation d’un projet d’investissement peu risqué, bénéficiant ainsi d’un taux
d’intérêt avantageux, et réaliser un projet dont le risque est en réalité plus important
que celui annoncé.

A la fin des années soixante et au début des années soixante-dix, la croissance

économique et l’inflation ont poussé les entreprises à s’endetter très fortement et à
jouer l’effet de levier.

Les chocs pétroliers successifs et la crise du début des années quatre-vingt ont
brutalement remis en cause les choix financiers précédents : l’endettement et les
charges financières ont pesé très lourdement sur les résultats et la capacité de
remboursement, ce qui explique le poids très important, voire excessif, de ce type
d’indicateur dans les différentes fonctions élaborées par les organismes bancaires. La
structure d’endettement, à court ou long terme, agit également sur le risque de
défaillance. Un financement à court terme accroît en effet le risque de non
renouvellement des crédits et expose l’entreprise à une hausse des taux d’intérêt si
les financements de courte période se font sur la base de taux variables. Le
financement de long terme apparaît donc préférable au financement de court terme
lorsqu’il s’agit de financer des emplois et des investissements s’inscrivant dans le
long terme (Blasy et al (1993). Si la hausse de l’endettement augmente à terme le
risque de défaillance, l’apport de fonds externes soulage immédiatement le niveau de
trésorerie de l’entreprise et évite, à très court terme, le risque de défaut de paiement.
107
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Yim et Mitchell (2002) confirment que l’excès d’endettementfragilise la solidité

financière de l’entreprise, surtout en cas de chute de ses profits et de ses cash flows,
ce qui la rend moins susceptible de survivre en cas de problèmes. Les résultats de
Hunter et Isachenkova (2001) sont venus confirmer cette dernière thèse. En effet, ils
ont constaté que, plus les dettes représentent une partie importante du total bilan, plus
l'entreprise devient fragile. Bunn et Redwood (2003), font la relation entre la
défaillance des entreprises et le niveau d’endettement de l’économie. En utilisant des
informations concernant la profitabilité, la liquidité, l’endettement, les conditions
macroéconomiques, la taille d’entreprise, et le secteur d’activité lié à chaque
entreprise pris individuellement, ces auteurs appliquent un modèle Probit pour
mesurer la probabilité de défaillance de chaque entreprise.

Ensuite, ces auteurs ont cherché le niveau d’endettement pour toutes les
entreprises, à l’aide de la notion du « debt at risk », soit la probabilité de défaillance
de chaque entreprise prise individuellement multipliée par ses dettes. Ces auteurs ont
construit un agrégat qui mesure le risque financier qui tient compte des dettes de
toutes les entreprises. Empiriquement, sur un échantillon d’entreprises britanniques,
pendant la période 1991-2001, ces auteurs ont constaté que cet agrégat a baissé au
début des années quatre-vingt-dix, avant de se rétablir de manière relativement
stable, ce qui donne une vue générale sur la stabilité de l’économie.

Par opposition à ces travaux, Pompe et Belderbeek (2005), Hunter et

Isachenkova (2002), ont validé la thèse de neutralité de l’endettement sur la situation
financière des entreprises. Pompe et Belderbeek ont trouvé d’autres facteurs
financiers qui déterminent la situation financière des entreprises par opposition à
l’endettement qui n’a aucun effet. Pour eux, si une entreprise converge vers la
défaillance, cela est dû à des mouvements de baisse de l’activité et de la profitabilité,
puis ce sera une situation d’insolvabilité qui sera remarquée à l’encontre de ces
créanciers et enfin il y aura une dégradation de sa liquidité. Pour Hunter et
Isachenkova (2002), la coexistence de deux effets contradictoires de l’endettement
amène à considérer que l’association entre endettement et faillite est neutre. En effet,
si dans un contexte d’expansion économique, on peut s’attendre à que le les effets de
l’endettement soient favorables à la firme, notamment grâce à un effet de levier
positif, à une discipline de gestion ou encore de l’effet de « signaling », en revanche,
dans un contexte de récession l’endettement des effets positifs tels que la discipline
108
 Chapitre 2 : Les déterminants de la défaillance des entreprises

sur la gestion et l’effet de « signaling », et des effets négatifs comme l’effet de levier
négatif, la réaction de méfiance des tiers d’exploitation, des clients et des
fournisseurs, qui entraînent une perte de réputation. L’opposition de ces deux effets
rend l’impact de l’endettement sur la dégradation de la situation financière de
l’entreprise sans effet. C’est dans ce contexte que l’hypothèse 5 trouve sa légitimité.

Hypothèse 5 : « Les facteurs liés au niveau d’endettement ont un impact sur

la situation financière des entreprises ».

6. La croissance, la taille et secteur d’activité de l’entreprise

Dans les années soixante-dix, les économistes contestent le postulat de

croissance à tout prix. Selon eux, le déclin, le retrait et la discontinuité sont des
éléments que tout responsable d’entreprise doit désormais intégrer et apprendre à
gérer.

La croissance du chiffre d’affaires peut donner une appréciation sur l’activité

de l’entreprise et une estimation de son risque économique. Ainsi, un accroissement
du chiffre d’affaires en terme de pourcentage, accompagné d’un accroissement
similaire ou supérieur du bénéfice avant intérêt et impôt, prouve que l’entreprise
utilise efficacement ses moyens de production et qu’elle dispose d’opportunités de
croissance potentielles. Cependant, si le risque d’exploitation s’accroît à la suite
d’une baisse du chiffre d’affaires, alors l’entreprise peut se trouver dans une situation
où elle sera incapable d’honorer ses engagements par manque de liquidité (Yim et
Mitchell, 2002).

L’accroissement du niveau des stocks de produits finis à la suite de difficultés

d’écoulement, entraîne une augmentation du niveau du besoin en fonds de roulement
mettant ainsi l’entreprise dans une situation de difficulté financière à court terme. La
diminution des ventes entraîne, quant à elle, une baisse des recettes. Dans les deux
cas, l’entreprise peut avoir recours à l’endettement pour financer son cycle
d’exploitation et bénéficier de la liquidité suffisante pour honorer ses engagements.
Le recours accru à l’endettement ne fait que mettre l’entreprise dans une situation
critique, dans la mesure où elle ne peut pas dégager suffisamment de cash-flow ce
qui affecte négativement sa liquidité. L’accroissement des frais financiers affaiblit la
109
 Chapitre 2 : Les déterminants de la défaillance des entreprises

capacité bénéficiaire de l’entreprise qui risque d’être en situation de faillite si les

actions d’ajustement ne sont pas déployées. L’augmentation des prix des produits
finis peut ne pas être la solution adaptée pour augmenter le chiffre d’affaire dans la
mesure où cette action peut faire perdre à l’entreprise une partie de sa clientèle. Pour
se prémunir contre le risque de baisse des ventes, l’entreprise peut dans certains cas,
procéder à la diversification de ses produits ou avoir recours à des circuits de
distribution différents.

Selon Pompe et Bilderbeek (2005), si une entreprise prend le chemin de la

défaillance, cela est dû, en premier lieu à des mouvements de baisse de l’activité et
de la profitabilité, ensuite une situation d’insolvabilité sera constatée à l’encontre de
ses créanciers et enfin une dégradation de sa liquidité. Selon l’étude faite par Blazy et
al (1993) sur 57 800 entreprises françaises, tous secteurs confondus, excepté les
entreprises agricoles, les organismes financiers et le secteur tertiaire non marchand,
les difficultés apparaissent plusieurs années avant la défaillance. Selon ces auteurs,
les entreprises qui déposent leur bilan se caractérisent généralement par une
combinaison productive atypique, leur capital est très faible, leur taux de marge est
peu élevé et en constante diminution sur la période étudiée, (1986 à 1990), elles
maintiennent artificiellement leur rentabilité financière par des opérations en capital
qui ont pour effet d’affaiblir leurs capacités productives, et elles sont fragilisées par
un fort endettement à court terme. En outre, ces auteurs affirment qu’en ce qui
concerne les petites et moyennes entreprises, le processus de défaillance résulte plus
précisément d’un processus de déclin des performances jusqu’à la date de cessation
de paiement (Blazy et al 1993). Le déclin des performances peut correspondre, soit à
une insuffisance temporaire de trésorerie, soit à une dégradation durable de l’activité,
de telle sorte que la solvabilité à long terme de l’entreprise soit affectée, ce qui est un
cas d’insolvabilité. Dans une comparaison récente entre les entreprises industrielles
britanniques et russes, Hunter et Isachenkova (2001) remarquent que l’indicateur
dominant de la défaillance en Russie c’est la baisse en niveau d’activité et une faible
profitabilité, alors qu’en Grande Bretagne c’est l’augmentation des taux de
l’endettement et la baisse de liquidité qui engendre la défaillance.

En ce qui concerne la taille et secteur d’activité, le risque de tomber en faillite

diffère selon l’industrie à laquelle appartient l’entreprise. Thornhill et Amit (2003),
conclut que 78% des entreprises défaillantes sont des entreprises industrielles.
110
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Sharabany (2004) constate que le secteur des entreprises industrielles est plus affecté
par la défaillance que le secteur des services et du commerce. Parmi les entreprises
industrielles, ce sont les technologies traditionnelles, notamment celles du textile qui
sont plus particulièrement concernées par la liquidation. A coté du facteur relatif à
l’industrie, Sharabany (2004) conclut que les entreprises défaillantes sont
généralement celles dont l’effectif moyen est faible. Généralement, la taille de la
firme est déterminante car elle conditionne l'existence d'économies d'échelle dans la
production d'informations par les créanciers.

Le rôle des PME paraît évident dans l’économie. Leur dynamisme se traduit
notamment par le nombre important de créations d’entreprises. Il est
malheureusement contrebalancé par un nombre tout aussi élevé de disparitions.
Souvent, la taille de ces entreprises rend difficile la prévision de leur défaillance en
raison du manque d’information. Dans ce cadre, Edmister (1972) fut le premier dans
ce domaine à prévoir la défaillance des P.M.E. De son propre aveu, les difficultés
relatives à l’obtention des données, sont du manque d’intérêt accordé à l’époque à ce
champ de recherche, alors que les petites entreprises sont en général les plus
touchées par la faillite.

L’importance des P.M.E, et tout particulièrement des très petites entreprises

(T.P.E.), n’est plus à démontrer. Selon Marchesnay (1993) « L’écrasante majorité
des entreprises sont de petite, voire très petite taille ». Souvent, pour ce genre
d’entreprises le nombre de salariés est compris entre 0 à 10, et l’identification de
l’entreprise au dirigeant-propriétaire est particulièrement forte. Si l’on parvient à
prévoir suffisamment tôt le risque de défaillance d’une entreprise, il sera possible d’y
remédier dans un certain nombre de cas, nonobstant la diversité et la multiplicité des
causes à l’origine de ces défaillances (Malécot, 1997). De ce fait, et sur un
échantillon de 500 T.P.E, Tilmont (1998) s’intéresse dans sa recherche à la mortalité
des T.P.E. La relation entre la taille de l’entreprise, secteur d’activité et la défaillance
des entreprises a été critiquée par Beaver (1966). Dans cette étude, Beaver (1966)
affirme qu’il faut incorporer au modèle de la prévision de la défaillance des
entreprises de même taille et appartenant aux mêmes secteurs d’activité pour éviter
d’avoir des résultats biaisés, ce qui poserait des problèmes de prévision. Toutefois, il
se peut que la taille et le secteur d’activité aient un pouvoir explicatif qui n’ait pas été
considéré dans le travail.
111
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Contrairement à ce qui est évoqué auparavant, Pompe et Bilderbeek (2005)

estiment qu’il n’y a pas une relation entre la taille de l’entreprise et la défaillance. Ils
tendent à démontrer que la défaillance des entreprises ne dépend pas de leur taille,
mais surtout du fait qu’elle n’est pas anticipée car elle est due à des chocs
accidentels. Helal (1994), ne partage pas ce point de vue, puisqu’il affirme que : « la
défaillance d’une entreprise est rarement un accident. Elle est, le plus souvent,
l’aboutissement d’un processus de dégradation plus ou moins long ».

Platt et Platt (1991) considère que l’ajustement du modèle de prévision de la

défaillance à l’industrie performe le modèle non ajusté, et que la profitabilité et la
solvabilité de l’entreprise représentent les facteurs les plus déterminants qui
distinguent les entreprises saines des défaillantes, alors que Theodossiou (1987) ne
trouve aucune différence ou amélioration entre le modèle ajusté à l’industrie et celui
qui ne prévoit pas cet ajustement. Les petites entreprises, diffèrent considérablement
par leur taille, leurs structures et leurs modes de gestion, des grandes unités.
Plusieurs modèles de développement sont fondés sur la notion de taille et de
maturité. Le modèle le plus achevé demeure celui de Churchill et Lewis (1983). Il
met en évidence cinq stades de développement caractérisés par un indice de taille, de
diversité et de complexité à partir de cinq indicateurs de gestion : mode de gestion,
structure organisationnelle, importance des systèmes formels, objectifs stratégiques
majeurs et participation de l’entrepreneur à la société. Les stades successifs sont
l’existence, le maintien, la réussite, l’essor et l’exploitation maximale des ressources.
Chaque stade contient en germe des éléments de crises qui, s’ils ne sont pas
maîtrisés, peuvent aller jusqu’au dépôt de bilan.

Les crises de lancement et de liquidité se rattachent au premier stade, celui de

l’existence, alors que le maintien appartient au deuxième. La troisième étape, qui est
celle de la réussite et la quatrième, celle de l’essor, sont plus particulièrement
marquées par des crises de délégation, de leadership, voire de financement. Enfin, la
cinquième étape, qui est celle de l’exploitation maximale des ressources, pose le
problème de la pérennité de l’entreprise et de sa transmission. Ces modèles sont
critiqués aujourd’hui pour leur côté systématique, car toute entreprise a vocation à
passer par tous les stades de développement.

112
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Finalement, même si les facteurs généraux de défaillance sont identifiés, il

n’existe pas de modèle universel, car il faut intégrer dans l’analyse un certain nombre
de facteurs de contingence tels que l’âge, la taille ou le secteur d’activité. De ce fait,
la complexité de ce phénomène nous amène à analyser dans la section suivante les
approches stratégiques, organisationnelles et managériales de la défaillance.

III. Les approches stratégiques, organisationnelles et

managériales explicatives de la défaillance

Depuis quelques années, les chercheurs ont fondé leur intérêt pour la
prévision de la défaillance dans les PME, davantage sur les critères stratégiques et
psychosociologiques que sur des critères strictement financiers. L'examen des
résultats des recherches incorporant des indicateurs non financiers met en évidence
une certaine divergence. Contrairement à certaines études qui n’ont pas réussi à
démontrer la présence d'un effet réel de ces indicateurs dans la détermination des
causes essentielles de la faillite des entreprises, d’autres, ont confirmé l'influence
significative de certains critères autres que financiers sur ce phénomène. Ces
courants de recherche ont jusqu'à présent peu contribué à l’analyse spécifique des
problèmes liés à la défaillance.

Pendant longtemps, la notion de stratégie a été présentée comme une réponse

implicite ou explicite, à l’idée de compétition, voire de conflit. Désormais, la
stratégie d’une entreprise, peut être définie comme le choix, la détermination de
l’intensité et la nature des engagements qu’elle prendra, compte tenu de la
concurrence et de l’environnement futur des domaines dans lesquels elle s’engagera.

Afin d’atteindre ses objectifs, toute entreprise doit choisir une stratégie qui
prenne en considération non seulement ses spécificités, notamment ses points forts et
ses points faibles, ses atouts et ses handicaps, mais aussi les caractéristiques de son
secteur d’activité. Cette stratégie est définie par la politique générale de l’entreprise
qui porte sur les plans d’action à long et moyen terme. Ces plans incluent les choix
d’investissement, la politique commerciale adoptée, ainsi que sur la politique
financière. Selon Guilhot (2000), le succès ou l’échec de l’entreprise dépend à la fois
de facteurs internes notamment humains, techniques, financiers, organisationnelset
externes, dont on peut citer parmi les plus importants, la concurrence, la législation
113
 Chapitre 2 : Les déterminants de la défaillance des entreprises

et le marché. Les cadres théoriques de référence font appel à l’économie en ce qui

concerne les étapes de la croissance et le cycle de l’activité, aux sciences sociales
pour la théorie des organisations et aux modèles d’analyse stratégiques développés
depuis les années 70 et 80 à propos des portefeuilles d’activités, des forces
concurrentielles et à la chaîne de valeur. Pour les partisans de ce courant de
réflexion, la défaillance résulte du non respect des préconisations stratégiques. Si la
confrontation entre l’analyse interne qui porte sur le profil des forces et des faiblesses
et l’analyse externe, relative aux opportunités et menaces est défavorable,
l’entreprise est condamnée à disparaître.

La dimension organisationnelle de l’entreprise comprend sa structure, ses

politiques et sa culture. La contribution de ce type d’approche à la compréhension
des mécanismes de défaillance doit être appréciée en termes de structure, c’est-à-dire
de mode organisationnel, de processus en ce qui concerne la qualité et la pertinence
des systèmes de gestion mis en place et de comportement des acteurs, notamment du
rôle du dirigeant ou du chef d’entreprise. Les facteurs généralement mis en exergue
dans ces approches sont la qualité du management, la multiplication des erreurs de
gestion, la personnalité et l’environnement socioculturel du dirigeant. De ce fait, la
complexité du phénomène de faillite, nous amène à analyser dans ce qui suit, l’aspect
stratégique qui relie le phénomène au contexte concurrentiel de la firme, ainsi que
l’aspect organisationnel et managérial au sein de l’entreprise.

1. La concurrence

Cette analyse vise à déterminer le potentiel, c’est-à-dire les opportunités

offertes par le secteur et à identifier les concurrents qui se battent sur le même terrain
avec des armes identiques, en constituant éventuellement des références plus fines
sous la forme de groupes stratégiques. Selon Jayet et Torre (1994), une entreprise
dispose d’un avantage concurrentiel par rapport à ses concurrents lorsqu’elle possède
une meilleure maîtrise d’une compétence dans son domaine d’activité. Cet avantage
constitue alors un facteur de succès que l’entreprise pourra exploiter pour améliorer
sa position concurrentielle, c’est lui qui dote l’entreprise d’une force par rapport à ses
concurrents dans un secteur d’activité donné, pour y parvenir, nous allons avoir
recours à la chaîne de valeur fondée par Porter (1986), d’après laquelle l’ensemble
des activités de l’entreprise créatrices de valeur, sont à la base de l’avantage
114
 Chapitre 2 : Les déterminants de la défaillance des entreprises

concurrentiel. En fait la chaîne de valeur identifie les différentes phases

d’élaboration d’un produit, depuis sa conception jusqu’à l’après-vente, en passant par
toutes les étapes intermédiaires qui existent entre ces deux points. De même, elle
examine la manière dont l’entreprise maîtrise ses fonctions de conception, de
production, de commercialisation et de distribution et ce, dans le but de saisir
l’évolution des coûts et le potentiel de différenciation de l’entreprise. En effet, une
entreprise se différencie de ses concurrents lorsqu’elle est à même d’acquérir une
caractéristique unique à laquelle la clientèle attache une valeur qui dépasse la simple
valeur ajoutée. Cette valeur correspond au montant qu’un client est disposé à payer
pour acquérir un produit, l’entreprise doit donc évaluer au moyen de la chaîne de
valeurs, les activités créatrices de valeur qui lui sont propres, afin de déterminer sa
contribution aux besoins de la clientèle, et augmenter ainsi sa part de marché.

A cet égard, la création d’une clientèle de base est indispensable à la survie

de toute entreprise, quel que soit le secteur d’activité ou la nature du produit ou du
service offert. L’étude générale de la faillite des entreprises menée au Royaume-Uni
par Hall (1992) a conduit cet auteur à considérer explicitement l’adoption d’une
stratégie de marketing inefficace comme une cause d’échec. À la suite d’une étude
longitudinale de l’échec des entreprises, Mitchell (1994) a conclu que l’élément
commercial le plus problématique est le marketing ou son absence, ainsi que la
croissance au niveau des activités de l’entreprise.

Pour les modèles d’analyse de portefeuille (BCG (1980)) c’est l’analyse

simultanée de la position concurrentielle et de la valeur de l’activité qui permet
d’élaborer une stratégie globale. Dans la mesure où toute activité suit un cycle de vie
bien identifié, les trajectoires de l’échec et de la faillite sont celles qui conduisent à la
marginalisation de l’activité. Le groupe Boston Consulting Group (B.C.G (1980)),
propose d’analyser le portefeuille de produits d’une entreprise au moyen d’une
matrice, en prenant en considération deux dimensions fondamentales : la croissance
du marché et la part de marché relative. Pour cela, un tableau à deux dimensions est
tracé. L’abscisse permet d’indiquer la part de marché relative de l’entreprise et de
positionner chacune de ses activités par rapport au premier concurrent le plus
puissant. L’ordonnée, elle, sert à constater la croissance du marché et permet de
classer les activités de l’entreprise en fonction du taux d’augmentation des ventes de
leur secteur respectif.
115
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Au terme du processus d’évolution des activités de l’entreprise, une firme en

situation d’échec ne possède plus que des activités à problèmes. Soit leur rentabilité
est faible alors qu’elles nécessitent d’importants besoins financiers, ce qui pose un
dilemme à l’entreprise ; soit elles réclament de faibles moyens financiers, mais ne
sont plus rentables, et de ce fait ne permettent plus d’atteindre le point mort. Ces
modèles, historiquement datés qui reposent sur la notion de domination par les coûts
et sur des stratégies de volume, s’appliquent mal aux petites et moyennes entreprises.
Porter (1986) réintroduit la notion de secteur d’activité, de filière et de technologie.
Cet auteur signale qu’en plus des rivalités entre firmes du même secteur, l’entreprise
se trouve confrontée à un régime de forces contradictoires, notamment les pressions
exercées par les fournisseurs et les clients, les menaces des nouveaux entrants et des
produits de substitution, et parfois même, au rôle ambigu de l’État. Face à ces
agressions permanentes, l’entreprise doit développer des compétences particulières,
sinon elle risque d’être éliminée. La menace relative aux nouveaux entrants dépend
de l’existence de barrières à l’entrée, et des réactions des concurrents implantés sur le
marché. Leur existence a un effet sur le choix stratégique des entreprises (Pene,
1983). Ces barrières sont les suivantes :

- Les économies d’échelle : qui dissuadent l’entrée en forçant le prétendant,

soit à produire de de grandes quantités soit à accepter un handicap au niveau des
coûts.

- La différenciation du produit : l’existence d’une image de marque dresse

une barrière en obligeant les nouveaux venus à investir beaucoup de temps et
d’argent pour lutter contre la fidélité du consommateur aux marques existantes
(Hetzel (1996)).

- L’accès aux canaux de distribution : lorsque les canaux sont limités, leur
contrôle par les concurrents en place est tellement important que les prétendants à
l’entrée sont parfois obligés de créer leurs propres canaux de distribution pour avoir
accès au marché. Cette situation s’applique aussi bien pour les grossistes que pour
les détaillants.

- La politique gouvernementale : Les pouvoirs publics limitent l’accès à

certains secteurs d’activité par des mesures législatives ou réglementaires. Les textes
relatifs à la propriété industrielle ne permettent pas de fabriquer le produit si on ne

116
 Chapitre 2 : Les déterminants de la défaillance des entreprises

dispose pas d’une licence pour pouvoir le faire, et de nombreux secteurs d’activité
sont soumis à une réglementation stricte.

2. La technologie

Parmi les travaux s’intéressant de façon spécifique à la défaillance des PME,

il faut citer les modèles de risques développés par Marchesnay (1985) et ceux de
Sandberg et al (1987). Partant d’une analyse dépendance / volatilité, Marchesnay
(1985) identifie trois risques particuliers : le risque de dépendance technologique, le
risque de dépendance commerciale qui est fonction de l’étroitesse ou de la largeur
du couple produit-marché, le risque de volatilité technologique qui est lié à
l’émergence virtuelle d’une technologie de substitution. La prise en compte
simultanée de tous ces risques caractérise une ligne globale de risque qui, sur un plan
opérationnel, permet de choisir les bonnes options stratégiques. Quant à Sandberg et
al (1987), ils affirment que la croissance est source de fragilité des PME lorsque les
moyens nécessaires à son maintien ne suivent pas. Ce risque global permet de définir
la stratégie que devrait appliquer le chef de l’entreprise. En raison de la dépendance
des objectifs à court terme et à long terme de l’entreprise, toute défaillance des plans
d’actions à long terme sera répercutée dans la gestion à court terme. C’est ainsi que
la défaillance de l’entreprise découle de l’obsolescence technologique qui engendre
des prix de revient non compétitifs sur le marché ainsi qu’une production insuffisante
qui ne peut satisfaire la demande (Kazanjian ,1988).

A cet égard, le risque technologique a une incidence sur le choix

d’investissement, si celui-ci n’est pas adapté aux besoins de l’entreprise ou s’il n’est
pas cohérent avec les capacités techniques de celle-ci ou s’il ne tient pas compte de
son potentiel commercial.

3. La relation avec les partenaires

Selon Porter (1986), les clients, les fournisseurs, les nouveaux entrants, les
produits de substitution et les concurrents, sont les cinq éléments nécessaires à
l’analyse de l’environnement d’une entreprise. Une bonne connaissance de
l’environnement constitue la première étape pour définir une stratégie, elle est
essentielle à la fixation des objectifs et pour définir les moyens d’action nécessaires à

117
 Chapitre 2 : Les déterminants de la défaillance des entreprises

la réalisation des objectifs. En effet, une entreprise est constituée par une coalition
d’individus ou de petites entités qui travaillent ensemble dans un but commun, et qui,
pour l’atteindre, sont prêtes à confier à l’une entre-elles le rôle de leader ou de
catalyseur. A cet égard, l’effet domino dû au risque client et fournisseur, la relation
banque entreprise, fait partie de la liste des indicateurs explicatifs de l’environnement
des entreprises qui agit effectivement sur leur situation financière et, de ce fait, sur la
stratégie adoptée.

Afin d'appréhender le rôle joué par les banques dans le financement des
entreprises et plus précisément des PME en raison de leur incapacité à accéder au
marché financier, la relation banque – entreprise, semble être une variable très
pertinente pour expliquer le degré de liquidité des entreprises. Selon Helal (1994), le
risque de crédit est un risque transmis. C’est-à-dire qu’il prend naissance au niveau
de l’entreprise et qu’il est ensuite transféré à la banque en sa qualité de créancier. Ce
phénomène rend l’analyse du risque de crédit indissociable de l’analyse du risque
global couru par l’entreprise, qui est une combinaison de ses risques industriels,
commerciaux et humains. De ce fait, la prévention de la défaillance est très
importante pour les institutions bancaires car les problèmes qui pèsent sur la relation
entre l’entreprise et ses créanciers, les banques notamment, peuvent être à l’origine
d’une crise de trésorerie, qui peut aboutir au défaut de paiement. En effet, comme le
précise Helal (1994), les banques manquent d’informations sur les caractéristiques
des emprunteurs au moment où ils déposent leurs demandes de crédit, et notamment
sur leur volonté future de remboursement.

Ces asymétries les confrontent à un risque permanent d’anti-sélection et de

rationnement aléatoire de leurs clients. La dégradation de la relation banque-
entreprise, est attribuée au manque de sources de financement qui pèse lourdement
sur les entreprises et notamment sur les PME-PMI.

En présence du problème d’asymétrie d’information avec l’emprunteur, la

garantie permet de rationner au moment de la garantie. De plus, en période de
récession, la baisse du prix des actions, augmente ses besoins de financement, et
donne à penser que l’entreprise est défaillante ; dans ce contexte, les prêteurs vont
avoir un comportement très sélectif pour accorder des crédits. Si la valeur de
l’entreprise baisse et si les gestionnaires ne prennent pas les mesures nécessaires
pour corriger la situation, la firme risque de tomber en faillite.
118
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Fedhila et Dhiab (2005), considèrent que les relations de clientèle qui

s’établissent entre les banques et leurs clients, sont fondées sur la répétition dans le
temps des relations de crédit. De telles relations instaurent la confiance entre
l’entreprise cliente et sa banque, encouragent le transfert du flux informationnel entre
eux, et aident par suite à réduire les problèmes d’asymétrie d’information.
Conjointement aux données comptables, des informations liées à l’organisation de
l’entreprise ou à la nature de son financement, notamment, peuvent être utilisées.
Fedhila et Dhiab (2005) introduisent comme variables explicatives : le nombre de
banques auprès desquelles les entreprises sont endettées comme étant une mesure de
l'exclusivité relative de la relation banque-entreprise, et la variable durée de la
relation entre l’entreprise et la source du financement mesurée en nombre d’années
de relation. La significativité de ces deux indicateurs présente une relation
déterminante pour l’octroi de crédits d'investissement. Autrement dit, plus la relation
banque-entreprise est ancienne, plus le banquier est susceptible de faire une réponse
favorable à l'octroi de crédits d'investissement par rapport à celle du rejet. La variable
« nombre de banques » traduisant l’exclusivité relative de l’entreprise est également
significative, elle est révélée négative. Ce résultat signifie qu’un grand nombre de
partenaires bancaires de l'entreprise n'incite pas les banquiers à opter pour la décision
d'octroi de crédits d’investissement. Dans le cadre d'une relation de clientèle banque-
entreprise, Helal (1994), explique que seules les principales banques de l'entreprise
arrivent à dégager une rente de l'information générée par leurs relations de crédit.
Cela n'est possible que si cette information l'information n'est pas transférable à
d'autres banques. Selon Malecot (1981), lorsque la solvabilité de l’entreprise se
dégrade, les banques voient leur rôle s’accroître, et pour parer à ce risque
d’entreprise, des mesures de resserrement des conditions de crédit sont alors prises.
Par conséquent, on s’attend à l’existence d’une corrélation positive entre le nombre
de faillites et le resserrement des conditions du crédit.

119
 Chapitre 2 : Les déterminants de la défaillance des entreprises

4. L’apprentissage et l’expérience

Les entreprises déjà installées peuvent disposer, au niveau des coûts,

d’avantages inaccessibles à leurs concurrents potentiels, quelles que soient leur taille
et leurs aptitudes à réaliser des économies d’échelle. Il s’agit des avantages qui
découlent de l’apprentissage et de l’expérience. Selon Thornhill et Amit (2003), le
handicap de l’inexpérience comprend des éléments liés spécifiquement à la direction
de l’entreprise. En effet, à mesure que l’entreprise vieillit et que les cadres élargissent
et approfondissent le champ de leurs connaissances des clients, des fournisseurs, des
concurrents entre autres, les lacunes éventuelles d’information dans ces domaines
deviennent moins importantes. Par conséquent, l’échec des jeunes entreprises dépend
des connaissances, des compétences et des aptitudes générales de la direction.
Cooper et al. (1994) remarquent que le savoir-faire de la direction pourrait influer sur
le rendement de l’entreprise grâce à l’adoption de stratégies plus prometteuses et de
meilleures méthodes de gestion. Ils soutiennent en outre, qu’un savoir-faire ayant
trait à un secteur d’activité spécifique, offre à l’entreprise un avantage qui se traduit
par une compréhension tacite des facteurs clés de succès dans le secteur, une
connaissance spécialisée du produit ou des technologies, ou une forte cote d’estime
auprès des clients et des fournisseurs. Il est possible de rattacher à ce courant le
modèle séquentiel de faillite développé par Lebrary (1996). Cet auteur a évalué
l’entreprise à partir d’un certain nombre de caractéristiques négatives, signes avant-
coureurs de défaillance : il s’agit de défauts tels que le management autocratique, un
conseil d’administration passif, une insuffisance des procédures de pilotage ou de
produits obsolètes d’erreurs notamment un endettement excessif ou un
développement trop rapide, ou de symptômes tels qu’une notation financière
insuffisante ou une rotation rapide des effectifs. L’entreprise idéale obtiendrait bien
évidemment la note 0 se fondant sur sa propre expérience. L’auteur suggère que le
risque de défaillance est élevé lorsque la note dépasse 25. L’application du modèle
élaboré de façon intuitive avec des réflexions de bon sens, suppose une bonne
connaissance de l’entreprise et laisse une très grande part à l’observation.

120
 Chapitre 2 : Les déterminants de la défaillance des entreprises

5. Les besoins en capitaux

L’insuffisance de capital est une mesure très importante du risque de

défaillance des entreprises, et plus précisément des PME. Altman (2006), affirme que
l’existence de fonds propres suffisants constitue une condition indispensable à la
création et au développement des entreprises. Or, une proportion importante de
nouvelles entreprises, ne disposerait que du capital minimum requis par la loi.
Boardman et al (1981) ont examiné la question de la gestion financière et de l’échec
de l’entreprise. Outre le problème de l’insuffisance de capital investi au moment de
la création de l’entreprise, ils notent que les gestionnaires ont également mal géré les
ressources dont ils disposaient et (ou) n’ont pas réussi à établir les politiques
appropriées pour financer la croissance subséquente de l’entreprise. Les résultats
empiriques de ces auteurs montrent donc que chez les entreprises qui ont connu
l’échec, la gestion financière et le maintien d’une structure appropriée des capitaux
dès la création sont des facteurs critiques de la survie de l’entreprise. Adjouad et
Zéghal (1996) ont affirmé que la faillite est le résultat des lacunes dans la gestion
stratégique. En effet, pour la structure même de l’entreprise, l’insuffisance de
capitaux de départ et de fonds de roulement net, l’augmentation des charges
financières et salariales, ainsi que l’exigence d’un investissement important, en
particulier en dépenses non recouvrables, comme la publicité ou la recherche et
développement, entraînent la dégradation de l’entité économique. De même,
l’organisation de la circulation de l’information dans l’entreprise est souvent à
l’origine des difficultés d’exploitation. Saporta (1994) remarque que certaines
créations d’entreprises, dont le capital initial est modeste peuvent parfaitement
connaître des développements imprévus en changeant totalement de nature et que les
modèles évoqués ont moins pour objectif d’expliquer pourquoi les organisations
grandissent, que de montrer comment elles sont affectées par la croissance et les
problèmes qui lui sont associés.

121
 Chapitre 2 : Les déterminants de la défaillance des entreprises

6. La qualité du management et la multiplication des erreurs

de gestion

Face à un environnement turbulent, la capacité de survie de l’entreprise

dépendrait de son aptitude à adapter un mode de configuration compatible avec les
exigences de celui-ci. C’est la raison pour laquelle il faut s’interroger sur le type
d’organisation à choisir en fonction des variables économiques et des conditions du
marché afin de mieux comprendre la nécessité et le fondement d’une telle adaptation
(Guilhot, 2000).

L’une des causes fondamentales de défaillance résulte du manque

d’expérience ou de l’incompétence des dirigeants. Pour Thornhill et Amit (2003)
c’est le niveau de rationalité du propriétaire dirigeant qui conditionne la survie ou
l’échec de l’entreprise, et plus particulièrement dans les PME. Ces auteurs ont insisté
sur les faiblesses inhérentes au management, notamment : le savoir-faire général ou
l’expérience managériale formelle du monde des affaires, le capital initial, l’analyse
de marché. Ils ont trouvé que le manque de compétences de gestion joue un rôle dans
la faillite. Quant aux erreurs de gestion, elles sont mentionnées dans presque toutes
les études. Parmi les facteurs pouvant compromettre le développement ou la survie
d’une entreprise, sont généralement cités : le manque de formation, l’absence de
système d’information structuré. A ces facteurs traditionnels, les approches
managériales actuelles axées sur les sources de performances et de compétitivité
ajoutent des facteurs tels que la maîtrise des coûts, de la qualité et des délais (Louart
(1996)).

Dans le même ordre d’idée et dans la pensée de Malécot (1997) l’explication

des défaillances par l’erreur de gestion est purement répétitive. Selon cet auteur, tous
les actes de gestion d’une entreprise sont considérés comme des erreurs pour
l’unique raison qu’elle a fait faillite. Les mêmes actes ne se trouvent-ils pas dans des
entreprises en activité ? Ces dernières ne commettent-elles jamais d’erreur ?
Comment définir l’expertise légitime en gestion ? Généralement, nous ne prêtons
guère attention à ces questions. L’absurdité apparente de l’explication par l’erreur
apparaît plus nettement encore en prenant un peu de recul. Thornhill et Amit (2003)
proposent une typologie comportant quatre causes de déclin : l’atrophie
organisationnelle ou processus par lequel la firme n’évolue plus au même rythme
122
 Chapitre 2 : Les déterminants de la défaillance des entreprises

que son environnement, la vulnérabilité organisationnelle souvent décelée à

l’intérieur de certaines périodes du cycle de vie de la firme, la perte de légitimité
associée au processus d’acceptation sociale des activités auxquelles s’adonnent
l’organisation et l’entropie de l’environnement ou processus par lequel le milieu ne
peut supporter ou absorber l’ensemble des activités de la firme.

7. La personnalité et environnement socioculturel du

dirigeant

Consacré à l’étude organisationnelle des entreprises, l’accent a été mis sur les
qualités personnelles du dirigeant. Thompson (1963), arrive à la conclusion que la
première cause de l’échec résulte des insuffisances du dirigeant, de même dans les
travaux de Desreumaux (1996) les caractéristiques environnementales et
psychologiques du dirigeant sont systématiquement mises en évidence. En plus des
variables telles que l’âge, la religion, l’éducation, l’expérience antérieure et les
antécédent familiaux, des variables plus subjectives sont intégrées à l’analyse :
valeur personnelles, caractéristiques individuelles et sociologiques critères d’ordre
moral, puisque l’ancienneté du dirigeant dans l’organisation favorise la cohésion
sociale qui mène à une réticence à répugnance de tout changement stratégique
(Thornhill et Amit, 2003 ;Usbasaran et al., 2010).

La théorie microéconomique classique demeure toutefois dominée par une

représentation limitée de la situation de la firme et de son environnement, tels que la
situation de concurrence pure et parfaite, la rationalité des agents, la maximisation du
profit, la prééminence de l’échange sur la production. Les partisans de la théorie de
l’agence, estiment que les causes de défaillance sont plutôt à rechercher dans le
dysfonctionnement d’un système de relations contractuelles entre agents individuels.
Finalement, partant du constat que les modèles financiers de prévision de faillite
s’attachent plutôt à la description des symptômes qu’à la recherche des causes,
certains chercheurs se sont proposés de les enrichir par l’adjonction de variables non
financières, stratégiques pour la plupart. L’analyse stratégique permet de déceler les
différentes causes de vulnérabilité de l’entreprise et donne un éclairage sur son
avenir en rapprochant les caractéristiques de son environnement de ses compétences,
grâce à une analyse de son environnement et de la chaîne de valeur. De même le
rapprochement de la théorie du cycle de vie du produit, ou de l’activité à leur stade
123
 Chapitre 2 : Les déterminants de la défaillance des entreprises

de développement est un outil d’analyse stratégique, puisque chaque phase du cycle

est liée à des actions stratégiques. S’appuyant sur la théorie du cycle de vie d’une
entreprise, chaque phase de ce cycle est associée à une cause de défaillance
particulière (Saporta, 1994). La survie de l’entreprise dépend de sa capacité à
mobiliser les ressources de son environnement interne et externe.

- En effet, une entreprise qui vient d’être crée est généralement dépendante de
son environnement. C’est donc une appréciation du marchéou une erreur dans la
politique de marketing qui précipite l’entreprise vers les difficultés.

- Dans la phase de croissance, l’élément déterminant demeure les ressources :

insuffisance de fonds propres, manque de personnel qualifié, prix élevés des matières
premières généralement en raison du faible pouvoir de négociation des entreprises de
petite taille.

- Pour la phase professionnalisme, le risque trouve sa source dans les style de

management soit en raison d’une mauvaise stratégie, de l’inadéquation des
structures, du manque de vigilance, c’est donc le planning, l’organisation et le
contrôle qui sont principalement mis en évidence en cas de difficultés.

- Dans la phase de consolidation, c’est la culture de l’entreprisequi demeure

l’élément déterminant. Dans le cas d’une PME, c’est généralement le dirigeant qui
écrit l’histoire de l’entreprise qui crée le sentiment d’appartenance à celle-ci chez ses
employés. C’est donc la personnalité du dirigeant, qui peut générer des rigidités
insurmontables et devenir une cause potentielle de faillite.

Pour Koening (1991) les facteurs de disparition des jeunes entreprises

peuvent s’expliquer par le principe selon lequel celles qui se lancent dans un nouveau
secteur, risquent de mourir avant celles qui en font partie de puis longtemps, puisque
les incertitudes commerciales, financières, stratégiques et/ou technologiques
s’atténuent au fil du temps avec l’effet d’apprentissage. Elle peut également
s’expliquer par le fait que le plus grand risque se situe lors du passage de l’enfance à
la maturité. La maturité se caractérise par l’abondance de ressources et de pouvoir.
Entre les deux, l’entreprise risque d’avoir épuisé ses ressources avant d’avoir atteint
le pouvoir. Le tableau ci-dessous résume l’apport des approches stratégiques,
managériales et organisationnelles.

124
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Table 5:Synthèses des approches stratégiques, organisationnelles et managériales de

la défaillance.

6 666666666666666666$6+666$666(6$66666
,$#(+6 11=E61 4B1 634961 41 8BE41 8341E6614E1618383B14B1?A61
541 B1 8A96444!1 EA1 CBA31 61 45348961 1 681 C8A66831 1
4E5415E16C21163BA4181:1 63BA41>1
453137A5333B1>1
@1 A41 45E41 1 8A66AB1 453B1 @1A4188BCA4BAE4145336641E121
E6BAA34A5336641 B1 5AA31 3BA41 4B8BEB 1 B 1 3A78E1
A3B315E1FB31 A34BEBA53 1 FCA31 83BCC3B4 1
@1 A37A5333B1 B1 681 53E31 8BBABE4!1 95E3B1 E31 C61 A5B83B1 8A34A1
453B1 41 8BE41 443BA641 E1 4E541 E14418BAE4114BA531
G:&*6
5E116C21 @1 688BCA4BAE41 45336641 B1
1 8BAE41 1 4BA531 453B1 5B3B1
53ABA533C41 81 637A5333B1
583A48BA53361E1AA83B11
1
1@1105C6A48BA531 @13863411841
1@1 386341 1 841 B1 8386341 1 @1 =E4BA5338A41 A4BA9EC41 :1 41
-&66 544A41 AA83B41B13BBA341
1@1 3863441 653ABEA38641 B1 8386341 @1D68958BA531155641AAE41
8B5A661
@1 23BAA8BA531 41 8BE41 1 @1 D3EC8BA531 41 B8AB41 1 453386ABC1
C8A668341 4CAAE41 :1 681 BAB1 B1 41 AA83B41 41 3BA441
8313BA41 583B41 B1 1 6641 EA1 453B1 31
@1 ECAAABC41 1 681 BAB1 3BA41 4ABE8BA531C21
B6 8185B1:16818313BA41 @1 A81 453386ABC1 B1 6FCA31 E1
@1 0A41 31 C7A31 E1 C61 95EC1 81 AA83B1453B141AB541C53C83B41
637A5333B1B1481BE9E631 @1 A1 C61 E1 AA83B1 4B1 5383B861
@1 553A443B1 1 681 35BA531 1 8341641/074/021
A4E1 @1A865E13BA4F3B3E1

Source : Guilhot (2000)

125
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Nous constatons que beaucoup d’études ont été consacrées à l’examen des
causes de faillite. Pourtant, très peu d’entre elles sont satisfaisantes car les causes et
les conséquences sont souvent confondues, c’est la raison pour laquelle une étude de
l’ensemble des approches explicatives de la défaillance s’avère nécessaire. En
assimilant l’ensemble de ces éléments nous pouvons comprendre la défaillance et les
facteurs qui en sont la cause. Pour cela, nous présentons dans la section suivante les
différentes approches économiques explicatives de la défaillance.

IV. Les approches économiques explicatives de la

défaillance

Les premières tentatives d’explication de la défaillance remontent à l’origine

de la pensée économique. Chez les auteurs classiques, la faillite est le résultat d’une
inadaptation passagère entre offre et demande. Pour les théories d’inspiration
marxiste, la disparition des entreprises est liée à la baisse tendancielle du taux de
profit et à la concentration.

Sur le plan macroéconomique, les économistes font très vite le lien entre
faillite, cycle et crise. Dans les années trente, la théorie Keynésienne pose les
fondements modernes de l’analyse en insistant sur le rôle de la consommation, de la
capitalisation, de la masse monétaire, du taux d’intérêt et du décalage entre
production et demande.

Les études antérieures montrent, incontestablement, que les agrégats

macroéconomiques peuvent être utilisés pour expliquer la défaillance des entreprises.
Altman (1983, 2005) part de l’hypothèse selon laquelle les conditions
macroéconomiques peuvent intervenir, d’une façon importante, dans le phénomène
de la défaillance. Il se propose d’examiner d’abord, l’influence de certains facteurs
économiques sur la faillite des entreprises et de modéliser ensuite ce phénomène.

Pour cela, sur la base des travaux anciens et récents, nous estimons que les
facteurs environnementaux macroéconomiques susceptibles de déclencher la
défaillance, sont étroitement liés à la conjoncture économique, au nombre de
créations d’entreprises, au marché monétaire, à la politique de crédit, au marché du
change, à la variation du niveau des prix et à l’ouverture de l’économie aux échanges
extérieurs.
126
 Chapitre 2 : Les déterminants de la défaillance des entreprises

1. La conjoncture économique

La survie de l’entreprise dépend, en partie, de la conjoncture économique.

Une conjoncture difficile peut entraîner une mauvaise structure du chiffre d’affaires,
un niveau de prix de vente incompatible avec le marché et par conséquent, une
rentabilité insuffisante (Liou et Smith, 2007).

L’intérêt pour une meilleure connaissance des mécanismes de la défaillance

est souvent accentué en période de récession économique (Lev, 1974 ; Delion, 2008 ;
Blot et Le Bayon, 2009). Beaucoup d’entreprises disparaissent quand la conjoncture
leur est défavorable. Mensh (1984), montre que l’augmentation de la défaillance en
période de récession économique est liée aux facteurs externes à l’entreprise. Les
entreprises qui survivent sont souvent celles qui ont pu identifier les changements,
les prendre en considération et s’y adapter rapidement. De plus, le ralentissement
économique intensifie la concurrence, accélère les réorganisations des activités et
pousse souvent les entreprises à prendre des risques commerciaux non négligeables.

Altman (1984) et Johnson (1974), affirment que le taux de faillite augmente

durant les périodes de récession et diminue durant les périodes d’expansion, et qu’il
est possible de retenir le PNB (produit national brut) et/ou les bénéfices réalisés par
l’ensemble des entreprises comme indicateurs de la croissance économique et de
santé générale de l’économie. Pour cela ils établissent une corrélation systématique
entre faillite et crise économique. Ces mesures sont les plus souvent utilisées dans
des analyses similaires. Dans le même cadre, Sung et al (1999) se sont intéressés
aux caractéristiques des périodes de récession et d’expansion et à la possibilité de les
utiliser pour l’explication des défaillances d’entreprises. Plusieurs études utilisent le
PIB et le PNB pour expliquer la détresse financière des entreprises (Famma et French
(1995), Taffler(1999), Liu et Wilson(2000), Agarwalet et Taffler (2003)).

Tirapat et Nittayagasetwat (1999), Bunn et Redwood (2003) utilisent des

modèles probabilistes dans lesquels ils introduisent le taux de croissance mensuel de
la production industrielle comme indicateur de la conjoncture économique. Ils en
concluent que la défaillance des entreprises est liée aux périodes de récession du
cycle économique.

127
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Plusieurs travaux de recherche ont essayé de mettre en évidence les variables

macroéconomiques sur la faillite des entreprises à partir des modèles de régression
économétriques qui tiennent compte du phénomène de retard (Khoufi et Feki, 2004),
Rose et al (1982), Altman (1983)). A la lumière de cette méthode, un nouveau
modèle a été considéré par Rose et al (1982) pour prendre en considération les
différentes possibilités de retard, allant de un à quatre trimestres. Les résultats
obtenus montrent que la faillite des entreprises peut être expliquée par les six
variables macroéconomiques suivantes :

- les bénéfices après impôt par rapport aux revenus générés par les entreprises
avec un retard de trois trimestres,

- le taux des bons de trésor U.S quatre-vingt-dix jours

- le taux d’intérêt avec un retard de quatre trimestres,

- les ventes en détail par rapport au PNB

- les investissements intérieurs privés par rapport au PNB avec un retard d’un
trimestre,

- l’indice S&P 500 avec deux trimestres de retard.

Inspirés par la méthodologie précédente, Khoufi et Feki (2004) ont expliqué

le lien entre le taux de défaillance des P.M.I et quelques indicateurs
macroéconomiques notamment : le taux de créations d’entreprises, le taux de
croissance de la masse monétaire, le taux d’intérêt moyen des crédits bancaires, le
taux d’ouverture de l’économie et le taux de croissance du PIB. En ce qui concerne
les quatre premiers indicateurs, un retard de deux périodes a été retenu dans leur
modèle. Quant au taux de croissance du PIB, son impact sur le taux de faillite est
toujours significatif jusqu'à un retard de trois années. A cet effet et à la suite de
l’application de la méthode d’Almon sur cet échantillon d’entreprises, Koufi et Feki
(2004) constatent que le modèle le plus pertinent ne prend pas en considération le
taux de croissance du PIB ni le taux moyen des crédits bancaires comme indicateurs
de défaillance des entreprises.

Enfin, le changement des conditions économiques affectant la totalité des

industries peut avoir plusieurs sources parmi lesquelles on peut citer l’évolution
technologique ou la modification des goûts et des préférences des consommateurs.

128
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Aussi, est-il intéressant d’examiner si la défaillance des entreprises intervient

uniquement dans des périodes particulières où la conjoncture économique est
défavorable, ou si elle est causée par d’autres facteurs tels que la création de
nouvelles entreprises, l’inflation, le marché monétaire, etc.

2. La création de nouvelles entreprises

Les statistiques relatives à l’ensemble des entreprises peuvent constituer une

source d’information sur la faillite. La croissance du taux de lancement de nouvelles
entreprises accroît le nombre de défaillances de celles-ci après quelques années de
décalage. Plusieurs auteurs sont d’accord sur ce point.

Altman (1983) affirme que lorsque le nombre de créations d’entreprises

augmente, les faillites augmentent également. Le coefficient de régression de la
variable est positif ce qui laisse à penser que plus il y a de nouvelles entreprises, plus
le nombre de faillites s’accroît. Cette idée se présente comme évidente, dans la
mesure où le nombre d’entreprises nouvelles augmente, certaines d’entre-elles sont
amenées à disparaître en raison des multiples handicaps liés à leur jeunesse, aussi le
taux de création des entreprises peut être retenu comme une variable explicative du
taux de faillite. A cet égard, Altman (1983) remarque que plus de la moitié des
faillites surviennent durant les cinq premières années et que plus du tiers sont le fait
des entreprises de moins de trois ans. Selon cet auteur, cela s’explique par le fait que
le temps nécessaire pour tomber en faillite est proportionnel au montant des fonds
initialement investis dans l’entreprise, à une faible planification durant la phase du
développement de l’activité, à une base limité du capital et à une incapacité
managériale. En effet, il existe un parallélisme entre la sous capitalisation et la
vulnérabilité de l’exploitation. Koeing (1985) a montré que 50 % des faillites seraient
le fait d’entreprises de moins de cinq ans. Cela est dû à des contraintes d’ordre
commercial, à savoir le temps pour constituer sa part de marché et pour fidéliser la
clientèle.

Dans le même ordre d’idée, Blazy et al (1993) estiment que c’est au cours des
premières années de sa vie qu’une entreprise est particulièrement vulnérable. En
effet, elle se heurte, entre autres, aux difficultés d’apprentissage, doit mettre au point
son processus productif, assurer le développement du réseau de ses partenaires, mais

129
 Chapitre 2 : Les déterminants de la défaillance des entreprises

elle peut également se trouver dans un créneau mal choisi ou mal défini, et surtout,
elle doit accéder impérativement à une taille critique. En réalisant une étude
descriptive des entreprises françaises entre 1986 et 1990, ils ont constaté que près de
56 % des entreprises qui déposent leur bilan ont moins de cinq ans, alors que les
entreprises qui se trouvent dans cette tranche d’âge représentent 30 % de
l’échantillon. En outre, la part relative des entreprises défaillantes âgées de un à
quatre ans est très importante avec un pic qui se situe entre deux et trois ans. Ce
phénomène se réduit très nettement à partir de la sixième année. Sharabany (2004)
affirme que généralement les entreprises tombent en faillite lorsqu’elles sont petites,
leur capacité à augmenter le capital ou leur dette est faible et la demande domestique
des prêts bancaires est limitée.

Le risque de disparition varie en fonction de l’âge de l’entreprise. A ce sujet,

Pompe et Belderbeek (2005), se sont intéressés à la prévision de la défaillance sur la
base d’un échantillon de PME belges entre 1986 et 1994, en procédant à une
distinction entre les entreprises de plus de huit ans et celles de moins de huit ans. Ces
auteurs constatent que les entreprises âgées ont plus d’expérience, de pouvoir de
négociation avec les créanciers, de possibilités de financement et par conséquent un
faible taux de défaillance. Par analogie aux travaux de Pompe et Belderbeek (2005),
Thornhill et Amit (2003) examinent les déterminants de la défaillance des entreprises
jeunes et âgées sur un échantillon de 339 entreprises canadiennes en 1996. L’analyse
des variables qualitatives relatives à cet échantillon, permet de constater des
différences systématiques entre les déterminants de la défaillance des entreprises qui
font faillite au début de leur création et celles qui se trouvent dans cette situation
après avoir réussi pendant un certain temps. Ces auteurs en concluent que les jeunes
entreprises échouent à cause d'un manque d’expérience en gestion générale et de
lacunes en termes de compétences en gestion financière. En revanche, l’échec des
entreprises plus anciennes tient davantage à l’incapacité de s’adapter à l’évolution de
l’environnement. Le graphique suivant met en relation l’âge de l’entreprise et le taux
de leur disparition.

130
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Figure 8: Age de la firme et risque de mortalité

Taux responsabilité nouvelle

De Mortalité
Ressources et
Capacité déficiente responsabilité d’obsolescence

Changement de l’environnement

Age de la firme
Source : Thornhill et Amit (2003)

La corrélation entre le nombre de faillites et le nombre de créations

d’entreprises n’est pas forcément évidente à établir. Certains auteurs soutiennent que
le contexte de crise est favorable à la création, tandis que d’autres, au contraire,
pensent que le taux de création d’entreprises augmente en période de croissance
économique, alors que le risque de défaillance est tout aussi élevé.

Contrairement à une opinion largement répandue, qui voudrait qu’une

économie en croissance favorise la création et le développement des entreprises,
plusieurs études ont démontré qu’il existe une corrélation positive entre création et
faillite, mais aussi entre croissance et récession. En utilisant les données du
recensement industriel américain entre 1963 et 1982, Dunne et al (1989) aboutissent
à la conclusion que les activités qui ont les taux d’entrée les plus élevés sont aussi
celles qui ont les taux de sortie les plus forts. Plus récemment, Jayet (1993), après
avoir analysé les répartitions sectorielles et spatiales des taux de création et de
suppression entre 1988 et 1992, arrive à la conclusion que ces taux sont sensiblement
équivalents.

Enfin, Les créations apparaissent comme un facteur susceptible d’accroître le

nombre de faillites. La mortalité des entreprises est souvent attribuée à la faillite des
jeunes entreprises.

131
 Chapitre 2 : Les déterminants de la défaillance des entreprises

En effet, le risque d’échec est plus élevé pour les jeunes entreprises. Aussi, le
nombre important de créations d’entreprises dans les périodes d’optimisme
économique, peut conduite à une augmentation des faillites lorsqu’elles sont
confrontées à un cycle de ralentissement de la croissance. Donc, de toute évidence, la
création de nouvelles entreprises conduit inévitablement à une augmentation des
défaillances.

3. Le marché monétaire et la politique de crédit

Les conditions de crédit et le marché monétaire apparaissent comme les

causes principales de la défaillance des entreprises. Plusieurs études ont été
effectuées en incluant le taux d’intérêt moyen des crédits bancaires, la masse
monétaire (M2) et en utilisant différentes techniques statistiques et économétriques
(Khoufi et Feki, 2004). En effet, l’évolution de la masse monétaire indique le niveau
de liquidité des entreprises, tandis que l’augmentation du taux d’intérêt des crédits
bancaires explique une situation difficile pour les entreprises. Empiriquement la
détection des facteurs explicatifs de la politique d'octroi de crédits d'investissement
aux entreprises a suscité depuis des années, déjà, l'intérêt de plusieurs chercheurs
(Turner et al, 1992 ; Helal, 1994, Smith, 2002, 2007).

Malecot (1981) précise que le rapport entre les conditions économiques du

marché et la défaillance d’une exploitation est, en général fonction d’un
durcissement des conditions bancaires, d’une restriction du crédit ou d’une hausse
des taux d’intérêt. Altman (1983) constate que les firmes marginales déclarent
rarement leur faillite, tant qu’elles peuvent disposer de crédits. Les mesures choisies
pour refléter les conditions de crédit et de liquidité sont la masse monétaire, les
réserves et le taux d’intérêt. Dès lors, l’augmentation du taux d’intérêt est
généralement mal supportée par les entreprises, en particulier les plus vulnérables.

132
 Chapitre 2 : Les déterminants de la défaillance des entreprises

4. Le marché de change et la politique de crédit

Sharabany (2004), affirme que l’évolution du taux de change et la politique

de crédit ont un impact sur la défaillance des entreprises. En effet, si une entreprise a
des dettes libellées en monnaies étrangères, et si la monnaie locale se déprécie, elle
devient incapable de couvrir ces dettes et elle risque donc de tomber en faillite. Deux
facteurs peuvent déterminer la défaillance de cette entreprise : le premier est lié à la
décision prise par son gestionnaire d’acquérir des crédits en monnaie étrangère, le
second facteur est macroéconomique et découle de la dépréciation de la monnaie
locale.

Hunter et Isachenkova (2004), Bhattacharjee et al (2002, 2004), ont ainsi

relevé un impact défavorable de la dépréciation du dollar sur la vie des entreprises
britanniques. Ce résultat explique la baisse du taux de change par un désavantage sur
la production locale. Généralement, le taux de change a des effets opposés sur le taux
de défaillance des entreprises. En effet, l’augmentation du taux de change a un
impact favorable sur la rentabilité des entreprises exportatrices. En revanche, pour les
entreprises qui importent les matières premières, une hausse du taux de change
engendre une baisse de celle-ci.

Sharabany (2004) estime qu’en raison de ces deux effets contradictoires, la

variable du taux de change ne peut être considérée comme statistiquement
significative dans l’estimation du taux de faillite.

5. La variation du niveau des prix

La valeur de l’entreprise et ses résultats sont fonction, en grande partie, du

rythme de la dépréciation monétaire, puisque l’inflation a effectivement un effet
favorable ou défavorable, selon les cas, sur la situation des entreprises en difficulté.
Des travaux antérieurs, ont retenu le taux d’inflation ou le taux de croissance de
l’indice des prix à la consommation comme étant l’indicateur de la variation du
niveau des prix. Wadhwani (1986), affirme que l’inflation a un effet sur le taux
d’intérêt nominal qu’engendre une augmentation du montant de dettes.

133
 Chapitre 2 : Les déterminants de la défaillance des entreprises

En effet, à court terme, l’inflation peut avoir un effet positif sur les
entreprises dont le niveau d’endettement est élevé puisqu’elle leur permet de
rembourser leurs dettes avec de l’argent déprécié. En revanche, à moyen terme,
Mensah (1984), constate que les délais de réaction des entreprises, face à
l’accélération de l’inflation s’avère long, ce qui a pour effet d’augmenter plus
rapidement les coûts que les prix de vente.

Dès lors, l’anticipation incorrecte des variations du rythme d’inflation

accentue la fragilité.

La pertinence de la variation du niveau des prix a été soulignée par Altman

(1983) comme étant un facteur en liaison étroite avec le phénomène de la défaillance.
Selon cet auteur, l’inflation peut, à court terme, avoir un effet positif sur la survie des
entreprises marginales.

En principe, le taux de faillite est inversement corrélé avec une augmentation

des prix qui n’a pas été anticipée. En effet, au cours des périodes d’augmentation non
anticipée des prix, une entreprise marginale très endettée, qui a les moyens de payer
ses dettes, le fait à l’aide d’une monnaie pas chère, ce qui peut lui permettre
d’échapper à la faillite. Sharabany (2004) constate que lorsque l’inflation espérée
augmente, deux cas de figure se présentent :

- Sharabany (2004) constate que lorsque l’inflation espérée augmente, les

conséquences sur les entreprises, peuvent prendre deux formes différentes.

Une entreprise endettée à un taux nominal flottant qui ne peut pas avoir
recours à des capitaux extérieurs, ne peut pas augmenter la valeur nominale de ses
dettes. L’expérience d’un effet négatif du cash-flow, notamment le paiement des
intérêts, augmente plus que la valeur des outputs, ce qui est dû au fait que le
paiement de l’intérêt nominal que l’entreprise doit, inclut le paiement du principal.
La valeur nominale des dettes de l’entreprise, excepté le paiement courant des
intérêts, est identique à celle qui précédait l’augmentation des prix, alors que la
valeur effective est devenue inférieure du fait de l’inflation. La différence entre la
valeur réelle des dettes avant et après l’augmentation des prix s’exprime par un cash-
flow négatif. Cette théorie démontre que le taux de liquidation est affecté par la
différence de l’intérêt nominal constaté à ces deux périodes.

134
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Une entreprise endettée à un taux nominal flottant, qui aurait recours à des
capitaux extérieurs dans le même contexte pourra, en raison de l’augmentation de la
valeur nominale de ses actifs, bénéficier d’un emprunt qui lui permettrait de
compenser l’effet négatif du cash-flow. Ces constations permettent de conclure que,
si une entreprise peut emprunter grâce à la valeur vénale de ses actifs, l’inflation
espérée doit être neutre, elle n’aura donc aucun impact réel. En revanche, pour une
entreprise qui a des contraintes de crédit, une inflation importante augmente la
probabilité de défaillance en raison de l’effet négatif du cash-flow généré par un taux
d’intérêt nominal élevé. En revanche, pour une entreprise qui a des contraintes de
crédit, une inflation importante augmente la probabilité de défaillance en raison de
l’effet négatif du cash-flow généré par un taux d’intérêt nominal élevé. Cette
situation conduit à une réduction des niveaux des investissements et provoque une
dégradation de l’activité réelle de l’économie. Conformément aux travaux de
recherche de Liu et Wilson (2002), la baisse du taux de défaillance est contrôlée par
le taux d’intérêt et le taux d’inflation. En effet, ces auteurs estiment que les causes
macroéconomiques de la défaillance ne peuvent être ressenties qu’à long terme. A
cet effet, dans un modèle à correction d’erreurs, qui porte sur une période allant de
1961 à 1998, il régressent : le taux de faillite des entreprises par rapport au taux
d’intérêt nominal, au taux réel des prêts aux entreprises du même secteur, au taux
d’entreprises nouvelles entrant sur le marché, à l’indice des prix à la consommation,
ainsi que le rapport entre le bénéfice de l’entreprise et le revenu qu’elles génèrent.

L’instabilité économique associée à une forte inflation et les mouvements non

anticipés des taux d’intérêt, ont un effet sur le taux de liquidation des entreprises qui
dépend de la composition de leur dette. Plus les entreprises sont endettées, plus le
risque de défaillance est grand. Les entreprises financées par des dettes à taux
variable, sont affectées défavorablement par l’augmentation non anticipée du taux
d’intérêt, contrairement aux entreprises financées par des dettes à taux fixe, qui elles,
peuvent être vulnérables à une réduction non anticipée du taux d’intérêt (Hunter et
Isachenkova, 2004). A cet égard, ils soulignent que l’augmentation du taux d’intérêt
engendre des effets multiples, notamment une baisse du prix des obligations et une
augmentation des intérêts de la dette, ce qui fait partie des effets défavorables de
l’inflation sur les entreprises. Ainsi, Wadhwani (1986) affirme que : à court terme
l’entreprise doit s’adapter à l’augmentation du taux d’intérêt nominal par la baisse de

135
 Chapitre 2 : Les déterminants de la défaillance des entreprises

ses dettes, tandis que, à long terme elle doit baisser les coûts de ces inputs. A la suite
d’une augmentation du taux d’intérêt nominal et de l’inflation, il ajoute que les
entreprises financées par des dettes à taux variable, seraient incapables d’augmenter
leurs emprunts et dans l’impossibilité de faire face à leurs engagements à court
terme.

Le lien entre le taux d’intérêt et la faillite va fréquemment de pair avec la

notion d’erreur d’anticipation qui peut conduire à un niveau de cash-flow inférieur à
celui qui avait été anticipé, ou par des obligations financières plus onéreuses que
prévues. Sharabany (2004) constate que la valeur de l’entreprise est sensible à un
changement non anticipé du taux d’intérêt réel, tandis qu’une modification identique,
mais anticipée, n’a pas d’influence sur le risque de défaillance lorsque les marchés
sont parfaits. Il suggère que les contrats à taux variable protègent contre les chocs
non anticipés du taux d’intérêt.

6. L’ouverture de l’économie

La globalisation ou la mondialisation, qui sous entend à la fois l’ouverture

des marchés et l’apparition de nouveaux concurrents étrangers, ne cesse de
surprendre les entreprises en raison de l’accélération du phénomène.
L’interdépendance entre les marchés est désormais de plus en plus importante. La
compétition sur les prix, les quantités et la qualité est rude et la concurrence devient
difficile à surveiller. Apprendre à se mesurer avec ses concurrents internationaux est
devenu l’une des priorités de nombreux dirigeants. Le management a fini par
s’inscrire, dans une logique plus complexe qu’il s’agit d’accepter comme telle, en
assurant une gestion en tension permanente.

Khoufi et Feki (2004) ont pris comme variable explicative du taux de

défaillances des entreprises l’effet de la concurrence, aussi bien dans l’activité
d’exportation que dans celle de l’importation. Selon le World Development
Indicateurs de la Banque Mondiale, la mesure la plus courante du degré d’ouverture
de l’économie à l’échange extérieur, provient du rapport existant entre les échanges
avec l’extérieur, représentés par la somme des exportations et des importations sur le
PIB. A cet égard, Khoufi et Feki (2004) ont remarqué que l’effet de ce facteur sur le
taux de faillite n’est constaté qu’après un décalage de deux ans, car les entreprises

136
 Chapitre 2 : Les déterminants de la défaillance des entreprises

ont besoin d’un certain temps pour s’adapter aux nouvelles circonstances imposées
par une augmentation ou une diminution du taux d’ouverture.

En France, Malécot (1991) estime que la faillite résulte d’un ensemble de

forces concurrentielles qui contraignent l’entreprise à adopter une norme de
production compatible avec elles. Dans son analyse, il a fait la distinction entre les
phénomènes résultant de la sphère réelle où seules les conditions de production sont
prises en compte, et les phénomènes liés à la sphère financière notamment les
conditions de fonctionnement des marchés financiers. Il ressort de ces différentes
études que c’est la concurrence qui est le phénomène central du processus de
sélection des entreprises et qu’elles sont poussées vers des rendements croissants, des
économies d’échelle, la restructuration des marchés et à se tourner vers l’innovation.
Le phénomène de la faillite est en relation avec la notion d’entreprise
marginalepuisque les entreprises qui ne sont pas capables de vendre suffisamment
pour couvrir leurs coûts sont condamnées à faire des pertes, donc à disparaître.
Inspirées des travaux de Crucifix et Derni (1993), les principales causes
macroéconomiques qui peuvent conduire une entreprise quelconque à une situation
de défaillance sont présentées dans le schéma ci-dessous :

Figure 9: les principales causes macroéconomiques

Le resserrement des conditions de crédit

Conditions du crédit et
accroît le taux de défaillance
marché monétaire

Corrélation positive La distribution des faillites dépend de l’âge de

Flux de création l’entreprise
d’entreprises
A41A3A8BE41 Le chiffre d’affaire et les bénéfices nets sont
854C535AE41 Croissance de l’activité liés à la conjoncture économique
économique

L’orientation du marché boursier est un

Marché boursier indicateur du phénomène
Corrélation négative

Inflation Les entreprises à niveau élevé d’endettement

voient une part croissante de leur revenu
absorbé par les frais financiers

Source : Crucifix et Derni (1993)

137
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Au terme de cette section, le phénomène de défaillance des entreprises peut

être expliqué par plusieurs facteurs macroéconomiques. Toutefois, ces derniers
doivent être maniés avec prudence, car les effets des facteurs macroéconomiques ne
se manifestent pas sur toutes les entreprises. En effet, même lorsque la conjoncture
est favorable, dans un même secteur d’activité, il y a toujours des entreprises
performantes et d’autres qui sont déclarées en cessation de paiement. Il n’y a pas de
fatalité dans ce domaine. La défaillance devrait donc être considérée comme la
résultante de données extérieures et du comportement de la firme (Crucifix et Derni,
1993). Les facteurs macroéconomiques que nous avons évoqués, ne sont donc pas
forcément décisifs dans le phénomène de défaillance des entreprises. Ils doivent être
plutôt considérés comme des catalyseurs. Ils ne suffisent pas, à eux seuls, à précipiter
l’entreprise dans la ruine lorsqu’elle est bien gérée. Tout dépend des facteurs
internes et spécifiques à chaque entreprise.

En définitive, même si les facteurs généraux de défaillance sont identifiés, il

n’existe pas de modèle universel, car il faut intégrer dans l’analyse un certain nombre
de facteurs de contingence tels que l’âge, la taille ou le secteur d’activité. La
synthèse des approches économiques et financières de la défaillance est reprise dans
le tableau ci-dessous.

138
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Table 6:Synthèses des approches économiques et financières de la défaillance

6 666666666666665(+
6 8*$6
,$#(+6 =E641453B16418BE41EA18B3B1 =E641453B16418BE4168BA41:1681A48ABA531
6FA4B31413BA441>1 413BA44183415E1BAB41>1
@1A418A66AB41453B16AC41:16C756EBA5311 @1A418E44116818A66AB1453B1
68BA7ABC1C535AE1B18E12C3553141 E6BAA34A53366418A4153B16E1
A441 B8EBA53183416415E3B41A383A41
@1G3153BFB1C535AE115A44831 @1261A5B16E411C75A16418A66AB41E1
78AB1875A41681C8BA531B161 312216418E441
C7653B1413BA441 @1261FA4B1E316A313B1B8EF13BB3B 1
G:&*6
@1A818A66AB1B11CE6161359141 3B89A6ABC1B1C8A66831
3BA4414E16182C1
111@1A81533B8BA5314BE18E1CBA3B1
413BA4418A38641111EA131E73B1
5E7A16E415HB415E1C86A41641
A374BA443B4145E28AB89641
111111@1055641B2C5AE41 @1055641B2C5AE41
111111@1;4B41C535CBAE41 @1 ;8AB3B1 41 533C41 5B89641 B1
-&66
A383A541 45EA441 :1 41 83863441 E3A1
78AC415E1E6BA178AC41
@1;8EF11C8BA531B11A48ABA531453B1 @12614B1544A9611C75A16418A66AB41:18BA1
5C6C4154ABA73B1 41533C415B89641B1A383A541
@1A41BAB413BA441453B14E4BA96411 @161453B16EBCB164143BC41E1641
5IB16E417AB1E16418EB418A416E1 8E441EA1453B1A4131C7A31811B6641
5989A6ABC11C8A668314B16E41C67C1 CB2541
B6
@1A8153E314B16C6C3B1443BA61E1 @1A3BB3B 16183E113B89A6ABC 161
544E4114C6BA53133B41 5A41412841A383A541453B1641
5A4483B4 1C535A41C266 14BEBE141 8BE41F6A8BA41
82C4 151A3B5EBA5311 @1A4155641A383A415A73B1A3BC141
6A33578BA53!1 533C413531A383A541

Source : Guilhot (2000)

139
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Certaines études faites dans ce domaine partent de l’idée que les facteurs
financiers seuls n’expliquent de manière satisfaisante les causes de la défaillance des
entreprises, et que la sensibilité de l’entreprise aux facteurs macroéconomiques doit
prendre une signification importante. Beaucoup de travaux récents vont dans ce sens,
et tiennent compte à la fois des facteurs macroéconomique et microéconomique dans
leurs applications empiriques, ce qui est le cas notamment de Bhattacharjee et al
(2002, 2004), Bunn et Redwood (2003), Hunter et Isachenkova (2004), Lin et Piesse
(2004), Liou et Smith(2007)…

En s’inspirant de tous ces travaux, Tirapat et Nittayagasetwat (1999), ont

utilisé des modèles économétriques dans lesquels ils ont introduit deux types de
variables : les variables financières de l’entreprise et celles relatives à la sensibilité
de l’entreprise à son environnement économique. Ces auteurs ont étudié deux
spécifications. La première utilise le rendement de l’action de l’entreprise, estimé à
partir des changements dans certaines variables macroéconomiques comme étant une
variable Proxy de l’effet de conjoncture économique sur l’entreprise. Il s’agit d’un
test indirect. La seconde spécification constitue, par contre, un test direct et utilise les
réactions et sensibilités spécifiques des entreprises aux variations
macroéconomiques. Ces réactions individuelles sont introduites dans le modèle
incluant les caractéristiques financières de l’entreprise. Les résultats obtenus
confirment le fait que les conditions macroéconomiques sont déterminantes dans
l’explication des crises financières des entreprises.

Hunter et Isachenkova (2004), ont cherché a établir une combinaison entre les
indicateurs macroéconomiques tels que le changement non anticipé du taux d’intérêt
nominal et le changement non anticipé du taux de change réel et des indicateurs
financiers touchant la profitabilité, la liquidité, le niveau d’endettement, la taille et
l’activité de l’entreprise.

Ces auteurs ont abouti à une forte exploitation du rôle de la liquidité, du

niveau d’endettement et de la profitabilité dans le processus de défaillance, d’une
part, ainsi que les chocs du changement non anticipé du taux d’intérêt et du taux de
change, d’autre part, qui doivent être considérés comme des points importants aux
extensions possibles des modèles de prévision de la défaillance.

140
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Faisant la distinction entre défaillance et acquisition des entreprises

Bhattacharjee et al (2002-2004) considèrent deux modèles. Le premier définit
l’entreprise défaillante comme étant en phase de liquidation, alors que le second la
considère comme étant acquise par une autre entreprise. Ils estiment que
l’augmentation du cash-flow, de la taille et de la profitabilité de l’entreprise,
engendre une baisse du taux de liquidation, alors que le cycle économique mesuré
par une série filtrée du niveau de revenu et de l’augmentation de l’indice des prix à la
consommation uniquement, est le seul à avoir un impact direct sur la probabilité de
défaillance des entreprises.

En procédant à une distinction entre les périodes de crise et les périodes de

stabilité économiques, Sung et al (1999), arrivent à la conclusion suivante : dans des
conditions économiques normales, le ratio obtenu par le rapport cash-flow sur actif
total, et la productivité du capital sont les variables majeures de détection de la
défaillance. Dans un contexte de crise économique, les variables majeures sont au
nombre de trois : le rapport cash-flow sur endettement, la productivité du capital, et
le ratio actif courant sur capitaux permanents.

Les recherches abordant les aspects financiers et économiques se sont

généralement concentrées sur le développement de modèles de prévision de faillite
utilisant des données internes notamment les ratios financiers où structurelles et
conjoncturelles tels que les cycles et structures économiques. Les premières sont en
corrélation avec l’évolution du niveau d’activité et de la structure des coûts ainsi
qu’avec l’inflation et les modifications profondes de la gestion des crédits internes de
l’entreprise. Les besoins conjoncturels résultent du caractère saisonnier de l’activité
et des décisions tactiques de l’entreprise, telle que la constitution de stock de sécurité
et l’ajustement de l’entreprise à la conjoncture économique considérée comme
ponctuelle et transitoire. En effet, le besoin conjoncturel peut être financé par des
crédits de trésorerie alors que le besoin structurel doit être couvert par une source de
financement durable dégagée par l’entreprise en l’occurrence l’autofinancement.

Somme toute, la recherche des facteurs explicatifs de la prévision de risque

de faillite a suscité depuis de nombreuses années l'intérêt de plusieurs chercheurs. La
synthèse des approches financières explicatives de la défaillance a été renforcée par
la suite par la prévision de ce phénomène. Les recherches font partie de deux
principaux axes de recherches : la détection des facteurs explicatifs de la défaillance
141
 Chapitre 2 : Les déterminants de la défaillance des entreprises

des entreprises et la prévision de ce risque. Aussi, dans les chapitres suivants nous
allons présenter les approches prédictives de la défaillance des entreprises et justifier
leur prise en compte en tant que moyen de réduction de ce phénomène.

142
 Chapitre 2 : Les déterminants de la défaillance des entreprises

Conclusion

A la lumière de l’examen de la littérature, les facteurs de vulnérabilité des

PME sont multiples, ils peuvent être soit d’origine interne ou externe. De façon
normative et quasi-récurrente ou systématique, nous retrouvons comme vecteurs de
la vulnérabilité de ces entreprises :

- Les déterminants liés au contexte ou à l’environnement, comme la

conjoncture économique à savoir la crise actuelle, la disponibilité ou non de
ressources, l’absence ou le soutien excessif des autorités publiques, le degré
d’ouverture de l’économie. etc.
- Les déterminants financiers à travers le niveau de rentabilité et de surplus
économique dégagé, par l’entreprise, le niveau de liquidité, la hauteur de
l’endettement et son impact sur la situation financière des entreprises, etc.
- Les déterminants stratégiques, organisationnels et managériaux recouvrant
des contenus hétérogènes et imbriqués, élargis et intégrés dans un cadre théorique
d’ensemble. Ces déterminants présentent une diversité des indicateurs qui s’attachent
au fil du temps à la rapidité de la communication financière, la volonté de
transparence vis-à-vis des différents partenaires, le degré de diversification
desproduits et marchés, âge de l’entreprise, la productivité des personnels, la
présence d’une expertise externe, le dépassement technologique, la personnalité du
dirigeant, les forces concurrentielles, etc.

Ces recherches permettent de détecter, indirectement les symptômes des

difficultés et de construire des outils de prévision, à plus ou moins long terme, du
risque de défaillance. L’appréhension de ce risque cesse alors d’être objective, et
varie en fonction des méthodes appliquées et des informations disponibles. Comment
peut-on prévoir ce risque afin de prendre les mesures nécessaires ? Cette notion de
prévision de la défaillance ainsi que la méthodologie de recherche seront développés
dans le troisième chapitre.

143
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

6"4+3919
1
3
1

1
69FB3B77B3

1 9
1

144
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Chapitre 3 – Méthodologie de recherche et

modélisation financière de la prévision de la
défaillance

145
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Introduction

Après avoir démontré dans la première partie de ce travail, l’intérêt de

comprendre en profondeur le mécanisme de la défaillance des entreprises, puisque
les chapitres précédents s’inscrivent dans la clarification des fondements théoriques
et de l’analyse des travaux empiriques récents réalisés dans ce domaine, ce chapitre
sera consacré à l’étude méthodologique.

Pour cela, nous présenterons dans un premier temps notre choix

épistémologique et la méthode de recherche quantitative retenue, puis nous
préciserons les caractéristiques de l’échantillon utilisé, et nous terminerons enfin par
les différentes méthodes économétriques choisies pour l’analyse des données.

146
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

I. Le positionnement épistémologique et les choix

méthodologiques

Cette partie sera consacrée à la justification de la démarche scientifique

retenue pour notre étude.

1. Le choix épistémologique

L’épistémologie, « la science de la connaissance » ou autrement dit « la

théorie de la connaissance » se retrouve aujourd’hui au carrefour de nombreuses
batailles des esprits au service desquels elle était destinée au départ. Selon Girod-
Seville et Perret, l’épistémologie a pour objet l’étude des sciences. Le Moigne (1999)
précise qu’elle définit à la fois la connaissance produite, la méthode de construction
et les critères de validation. Elle permet d’élaborer un examen critique constructif qui
porte sur la production de connaissances scientifiques, leurs portées et leurs limites
(Savall et Zardet, 1996).

En sciences de gestion, deux principaux modes de recherche sont les plus

souvent cités par les auteurs : le positivisme, qui explique la réalité, et le
constructivisme qui la construit. Un troisième, issu du constructivisme, est possible :
il s’agit de l’interprétativisme, qui cherche à comprendre la réalité. Le tableau
suivant présente une synthèse des différentes approches :

147
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Table 7: Positions épistémologiques des paradigmes positiviste, interprétativiste et

constructiviste

Les
paradigmes

Les
Le positivisme L’interprétativisme Le constructivisme
questions
épistémolo-

giques

Interdépendance
du sujet et de
Dépendance du sujet et de l’objet
l’objet

La nature de la
Hypothèse
« réalité »
Hypothèse intentionnaliste
déterministe

Le monde est fait

de nécessités Le monde est fait de possibilités

Comment la La découverte L’interprétation La construction

connaissance est-elle
engendrée ?
Recherche Recherche formulée en Recherche formulée
formulée en termes de « pour quelles en termes de « pour
termes de « pour motivations des quelles finalités… »
quelles acteurs… »
Le chemin de la
causes… »
connaissance
Statut privilégié de
scientifique
Statut privilégié de la la construction
Statut privilégié compréhension
de l’explication

148
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Quelle est la valeur Vérifiabilité Idiographie Adéquation

de la connaissance ?

Confirmabilité Empathie (révélatrice de Enseignabilité

Les critères de l’expérience vécue par les
validité acteurs)
Réfutabilité

Source : Girod-Seville et Perret, 1999)

1.1. Entre Positivisme et constructivisme

L’épistémologie est : « la partie de la philosophie qui étudie les méthodes et

les perspectives des sciences ». Nous nous devons de donner une description aussi
fidèle que possible de la réalité, c’est la raison pour laquelle le problème le plus
important en sciences est de retracer cette réalité, ce qui n’est possible que si celle-ci
existe effectivement. C’est dans cette optique que les deux paradigmes que sont le
positivisme et le constructivisme, s’opposent. Ces deux courants sont en tension
créatrice l’un avec l’autre, et avec des variantes souvent significatives. Les
positivistes se basent sur trois postulats : la réalité existe et son existence est
objective, on peut y avoir accès, ce qui signifie que l’on peut s’en saisir et enfin on
peut l’analyserobjectivement.

Toutefois, si on se place de l’autre côté de la barrière, on constate que les

révolutions scientifiques ouvrent un grand nombre de questions d’ordre
épistémologique : comment expliquer ces révolutions ? Comment construisons-nous
nos théories ? Et si on remet en cause la réalité alors :

-Est-ce que la réalité de la gestion existe ?

-Est-ce que la réalité sociale est de même nature ?

-Est-ce que cette réalité, si elle existe, peut être saisie de façon similaire ?

-Quel est l’intérêt d’expliquer la réalité de la gestion ?

Toutes ces questions nous laissent perplexes quant à la réalité des choses, des
sciences, des hommes et de la gestion. Le Moigne (2003) rapporte que : «
L’épistémologie (comme la philosophie) ne sert à rien, sauf à ne pas mourir idiot ».
149
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Le point de départ serait bien évidemment ce que l’on appellera la Révolution

Epistémologique d’Emmanuel Kant, qui a notamment réfuté le scepticisme de
[Link] et qui a essayé de fonder rationnellement les connaissances
scientifiques.

Donc, d’un point de vue constructiviste ou plutôt kantien, la notion

d’induction en tant que processus, qui consiste à ériger en lois universelles un
ensemble d’observations concordantes, est évacuée, car, quelles que soient les
précautions prises lors de la généralisation, il est impossible de la fonder
rationnellement. C’est le refus de l’inductivisme.

Toutefois l’après Kant s’est caractérisé par deux aspects :

Le refus de l’empirisme ;

L’existence d’un cadre spatial et temporel, construit par l’homme, au travers

duquel le réel se présente à nous mais qui ne devient concrètement cadre de lecture
qu’à partir du moment où nous lui imprimons une structure bien définie (Bachelard
1983).

La réalité est donc une construction humaine et Popper (1993) argumente

dans ce sens en affirmant que « tout savoir scientifique doit être à tout moment
reconstruit » Piaget (1937) affirme également que « L’intelligence organise le monde
en s’organisant elle-même ». C’est ainsi que l’on aboutit au critère de scientificité :
critère de séparabilité entre science et non science, c’est la réfutabilité de Popper.

1.2. Le choix d’une approche quantitative/hypothético-déductive

Les différentes perspectives épistémologiques s’appuient sur des visions

différentes de la réalité et de la relation que tout chercheur entretient avec celle-ci. La
typologie qui suit s’inspire de celle élaborée par Thiétart et al. (1999).

Selon Diadjiry (2004), l’objet de la recherche consiste principalement à

interroger les faits, afin d’en découvrir la structure sous-jacente. Il considère que la
réalité a une essence propre (hypothèse ontologique). Il dispose de fait d’un critère
de vérité. Ainsi, sera vrai tout système qui décrit effectivement la réalité. Cette réalité
est régie par des lois universelles. Des causes réelles existent. La causalité est la loi
de la nature. L’objet de la recherche est élaboré à partir de l’identification des

150
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

insuffisances ou des incohérences dans les théories. Grawitz (1996), affirme que la
démarche de la déduction est avant tout un moyen de démonstration. Elle se
caractérise par le fait que, si les hypothèses formulées initialement (prémisses) sont
vraies, alors la conclusion doit nécessairement être vraie. Tester le modèle choisi, ne
revient pas uniquement à tester ses hypothèses constitutives les unes après les autres.
Réduire le modèle à des hypothèses juxtaposées ne permet pas toujours de prendre en
compte les interactions, synergies, modérations et médiations qui interviennent. Des
méthodes plus spécifiques permettent de tester le modèle dans sa globalité ce qui est
le cas notamment pour les équations structurelles. En d’autres termes, le test de ce
modèle revient à juger de la qualité de la simulation de la réalité, c'est-à-dire de sa
représentativité. Les méthodes d'équations structurelles sont conçues pour analyser
des rapports de causalité multiples et simultanés. Renouvelant les méthodes de
régression multiple, elles traitent les effets linéaires entre plusieurs variables latentes
(Thiétart, 2003).

Compte tenu du type d’hypothèses formulées précédemment, notre recherche

s’inscrit dans le courant positiviste. En effet, notre objectif à travers ce travail est de
rechercher des liens de causalité et des lois fondamentales qui expliquent le risque de
la défaillance au moyen de différents ratios comptables et financiers.

Après avoir précisé notre positionnement épistémologique et la finalité de

notre recherche, nous expliciterons dans le paragraphe suivant nos choix
méthodologiques.

151
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

2. Le choix méthodologique

Nous sommes amenés à construire un dispositif méthodologique fondé sur

une approche quantitative que nous tenterons de justifier dans un premier temps en
montrant comment nous accédons au terrain avant d’expliquer le choix des ratios
comptables.

2.1. La construction de l’échantillon

Notre démarche de collecte des données comporte plusieurs étapes : le choix

de la base de données, la sélection des entreprises et des indicateurs de défaillance.

2.1.1. Présentation de la base des données

Nous avons utiliséla base des données DIANE (l’accès instantané aux
données des entreprises françaises pour l’analyse économique) pour constituer notre
échantillon. Cette base offre l’accès à un fonds composé de plus d’un million
d’entreprises, puisqu’il s’agit des entreprises qui publient leurs comptes annuels
auprès des greffes des tribunaux de commerce. Collecté par Coface Services,
l’information relative aux comptes des entreprises est enrichie d’un bon nombre
d’informations annexes. Avec dix années d’historique de comptes, DIANE est la
base d’informations financières et généralistes sur les entreprises françaises la plus
complète du marché.

La base des données contient pour chaque entreprise des informations

générales sur les dix dernières années. Les principales informations de la base
DIANE sont les suivantes :

• Raison sociale

• Sigle et enseigne

• Codes SIRET et Coface Services

• Adresse, numéros de téléphone et télécopie

• Forme et situation juridiques, date de création

• Description textuelle de l'activité, marché, position

152
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

• Code d'activité (codes NAF, NACE, SIC américain)

• Effectif exprimé en valeurs absolues ou en taux de croissance

• Nom et fonction des principaux dirigeants et administrateurs, nom des

commissaires aux comptes

• Information détaillée (nom, %, pays, date, source) sur les actionnaires et

filiales

• Etude des affiliations, actionnaires, participations, filiales en valeurs

absolues

• Informations boursières (marché, place et indice de cotation, capitalisation

boursière

• Les 212 postes du bilan et du compte de résultats, les annexes 5

(immobilisations), 6 (amortissements), 7 (provisions), 8 (état des créances et des
dettes) et 11 (affectation du résultat et renseignements divers)

• 83 postes du bilan et du compte de résultats retraités avec soldes

intermédiaires de gestion

• 61 ratios de structure et liquidité, gestion, productivité et rentabilité, marge

et valeur ajoutée et 22 ratios européens

• Scores Conan Holder et AFDCC 2

• 13 taux de variation annuelle des postes des comptes sociaux et des

éléments d'analyse financière

• Section fusions-acquisitions (veille sur les différentes transactions

financières)

• Nouvelles de presse intégrées

• Une rubrique « divers » contenant des informations telles que : entreprises

mises à jour, chargement de fichiers, disponibilité des comptes consolidés, etc.

Le choix de la base des données ainsi décrite tient à la richesse en

informations qu’elle contient. La sélection d’une entreprise s’effectue facilement au
moyen d’une requête reprenant une série de critères préétablis : chiffre d’affaire, date
de création, secteur d’activité, situation juridique…
153
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

2.1.2. Les critères de la délimitation du champ d’étude

A partir de la base des données, nous avons établi des critères de sélection des
PME constituant notre échantillon, à savoir :

-le chiffre d’affaires inférieur à 50 millions d’euros ;

-le total du bilan inférieur à 43 millions d’euros ;

-l’effectif inférieur à 250 personnes ;

-l’existence d’au moins trois exercices comptables successifs.

Ces critères ont été volontairement retenus pour limiter l’étude aux
entreprises qui répondent à la définition européenne de PME. En effet, selon la
recommandation4 de la commission européenne chargée des entreprises et de
l’industrie«La catégorie des micro-, petites et moyennes entreprises (PME) est
constituée des entreprises qui occupent moins de 250 personnes et dont le chiffre
d’affaires annuel n’excède pas 50 millions d’euros ou dont le total du bilan annuel
n’excède pas 43 millions d’euros».

2.1.3. La constitution des échantillons initiaux

Une entreprise sera considérée défaillante dès lors qu’elle aura fait l’objet
d’une première déclaration d’événement judiciaire auprès du tribunal de commerce
durant l’année 2009. Les données étudiées sont organisées de telle sorte
que l’exercice comptable est disponible pour l’année 2008, 2007 et 2006.
L’échantillon final obtenu au terme de ce processus de sélection rigoureux se
compose de 800 entreprises divisées en deux sous-échantillons : 400 entreprises
saines et 400 et défaillantes. Ce choix s’est imposé de lui-même, en raison des
contraintes découlant de la disponibilité des informations permettant l’identification
des entreprises.

Avant d’atteindre ce chiffre, nous avons exclu un nombre non négligeable

d’entreprises pour diverses raisons notamment :

-une discontinuité dans le dépôt des comptes, ne permettant pas disposer

d’informations régulières ;
11111111111111111111111111111111111111111111111111111111111
4
Extrait de l’article 2 de l’annexe à la recommandation 2003/361/CE

154
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

-le manque d’information sur au moins trois années consécutives ;

-un historique trop restreint c’est-à-dire des entreprises qui avaient

uniquement un ou deux ans d’existence ;

-l’absence de certains ratios que nous avions estimés significatifs.

2.2. La sélection des indicateurs ou des ratios financiers

Nous avons voulu construire un score opérationnel de ratios permettant une

détection précoce des difficultés des entreprises à partir de critères objectifs. La
méthode des ratios est un outil largement diffusé en analyse financière. Selon Cohen
(1997), le recours à cette méthode traduit le souhait de déterminer des seuils, et des
normes qui devraient permettre de juger l’état de santé financière et commerciale
d’une entreprise.

Le choix de ratios financiers doit donc s’appuyer sur la nature des

informations utilisées pour leur calcul, et sur les caractéristiques économiques et
financières qu’ils permettent de mettre en évidence. Se pose alors le problème de la
subtilité de la procédure de sélection de tels indicateurs. Les ratios sélectionnés ont
subi plusieurs choix logiques et méthodologiques dans le but de constituer une
batterie pertinente et crédible susceptible de répondre aux objectifs et attentes des
analyses externes. Dans le cas présent, nous justifions le choix de nos ratios par :

- leur récurrence dans la littérature française (Bardos 1995, les travaux de

banque de France) et internationale (Altman, 1968, 1984 ; Conan et Holder 1979 ;
Rose et Giroux, 1984, Refait, 2004).

-leur pertinence par rapport à l’analyse financière, en incorporant les ratios de

base existants dans la plupart des modèles de détection de faillite : ratios de liquidité,
de rentabilité de gestion, de productivité et de structure financière.

Les variables explicatives retenues, majoritairement des ratios comptables,

sont diverses. Rose et Giroux (1984) en ont recensé plus de 130 différentes.
Cependant, les caractéristiques des entreprises servant de base à l’étude sont
généralement similaires. Conforment à l’enseignement de l’analyse financière, la
rentabilité économique ou financière de l’entreprise, la structure de son bilan et sa
capacité de remboursement sont les trois éléments les plus corrélés à la défaillance.

155
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Pour synthétiser les ratios de notre étude, nous présentons dans ce tableau
l’ensemble des indicateurs financiers choisis. Certains de ces indicateurs sont
directement impliqués dans la formulation et la vérification de nos hypothèses, tandis
que d’autres servent de supports explicatifs aux résultats obtenus.

Table 8 : Liste de 33 ratios financiers de l’étude

"DB3 9A3 'AF%B3

3 67E7+B36788C7B3 -13

3
?8F5B8F8CB36788C7B3 -3
=9C9B3B93
68FB99BB893 -3
77F7953
09A8A7B36788C7B3 -#3

4B%53F$A97BB893FB37A+7E797A83CAABEEB3 -3

B788CBB893FB3E$C9763C7CE8938B93 -,3

77F7953%585EB3 -3

77F79535F79B3 -3

3 -A997A83FB39ACC3 -!3

3
45B3F3C5F793CE7B893 -13
3
45B3F3C5F7936A87B3 -113
3

3 "23F$7895@936788C7B3 -13

3 ?895@9373'/766B3F$667B3 -13

EB97A83
68FB99BB893%EA+E3 -1#3

"23F$B8FB99BB893 -13

'C7953F$9A6788CBB893 -1,3

'A B9B3F3C/766B3F$667B33EB36A8F3FB3AEBB893 -13

156
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

'A B9B3 F3 C/766B3 F$667B3 3 EB3 +BA783 B83 6A8F3 FB3 -13
AEBB893

&A7F3F3+BA783B836A8F3FB3AEBB893F.B2EA7997A83 -1!3

62A997A83 -3

&AFC97 7953FB3A9B897BE3FB3AFC97A83 -13

3 &AFC97 7953F3C79E36788C7B3 -3

3
&AFC97 7953F3C79E378 B973 -3
3
-B89+7E79535CA8A7B3 -#3
&AFC97 7953B93

-B89+7E7953 &B6A8CB3 -3

-B89+7E79538B99B3 -,3

-B8FBB893FB3C7923AB38B93 -3

-B8FBB893FB3BACB3F+EB38B99B3 -3

3 "23FB3 EB3A95B3 -!3

3
&93FB3E753 -3
*%B3 B93 EB3
A95B3 &93FB3E$5993 -13

&93FB3@9B3 -3

&93FB3E$9A6788CBB893 -3

157
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Selon Bardos (2008), la préparation des ratios économiques et financiers est

délicate et longue. En effet, lorsqu’on ne dispose pas de l’ensemble des bilans d’une
entreprise, le manque de données ne permet pas de calculer les variations pour toutes
les entreprises ni de faire de comparaisons, puisque les résultats seraient aberrants.

La sélection de chacun des ratios repose sur plusieurs méthodes statistiques.

Nous avons procédé à une sélection conjointe des ratios en nous aidant de la
procédure pas à pas pour différents critères. L’ensemble des ratios retenus est
présenté dans le dernier chapitre.

II. Modélisation financière

Depuis les années soixante, de nombreux auteurs ont tenté avec succès
d’évaluer le risque de défaut des entreprises en se fondant sur leur analyse financière.
Même si les techniques utilisées sont variées, le principe général qui sous-tend les
diverses études est similaire : exploiter la connaissance ex-post de l’avenir des
entreprises.

Les auteurs disposent des données comptables d’entreprises dont ils savent si
elles ont été ou non défaillantes à la fin de la période d’observation. Ils parviennent
ainsi à sélectionner les variables comptables les plus discriminantes, puis à établir
une relation entre ces variables et l’état dichotomique d’être ou de ne pas être
défaillant. Une probabilité de faillite est parfois également estimée. La qualité de
l’indicateur de risque ainsi élaboré est jugée au regard des erreurs de classement :
quel est le pourcentage d’entreprises défaillantes considérées comme saines (erreur
de type I) et, inversement, quel est le pourcentage d’entreprises non défaillantes
considérées comme risquées (erreur de type II) ? De ce fait, l’erreur de type (I) peut
s’apparenter au coût d’une faillite pour un créancier (tout va dépendre de la rapidité
d’examen du dossier selon les procédures et des garanties attachées aux créanciers) ;
en revanche, le coût microéconomique d’erreur de type (II) équivaut à la perte d’une
marge bénéficiaire si l’entreprise n’a pas obtenu le prêt.

L’objet commun des modèles de prévision de la faillite est de tenter, grâce

aux ratios comptables sélectionnés, d’affecter une entreprise quelconque à l’un des
deux groupes : les entreprises défaillantes et celles qui ne le sont pas. Les études
peuvent être répertoriées en deux catégories, selon la méthode de classification
158
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

utilisée. Les plus nombreuses recourent aux méthodes de discrimination statistiques

paramétriques : les analyses discriminantes et les techniques économétriques sur
données qualitatives.

Les méthodes paramétriques de classification statistique établissent une

relation fonctionnelle entre les variables explicatives dont la loi de distribution est
supposée connue et la variable expliquée, relation dont la forme est donnée a priori.
Trois grandes familles de méthodes existent : la méthodologie unidimensionnelle
(Beaver, 1966), l’analyse discriminante linéaire et non linéaire (Altman, 1968), et les
régressions sur variables qualitatives telles que le modèle Logit et Probit (Ohlson,
1980 ;Zmijjewsji, 1984, Jones et Hensher, 2007).

1. L’analyse discriminante

1.1. Principe de l’analyse discriminante multivariée

L’analyse discriminante regroupe l’ensemble des méthodes qui permettent de

déterminer, sur la base de caractéristiques individuelles, la séparation optimale entre
des groupes préexistants d’objets et une règle d’affectation des objets à ces groupes,
de façon à ce que la majorité d’entre eux soient affectée dans leur groupe de départ.
D’un point de vue statistique, cela revient à prévoir une variable qualitative à
plusieurs modalités (indiquant l’appartenance aux groupes préexistants) à l’aide de
descripteurs, généralement numériques, qui caractérisent les individus (les
caractéristiques individuelles). L’analyse s’effectue de la manière suivante.

-Il faut rechercher sur la base d’un ensemble de données où l’appartenance

des objets aux groupes est connue, appelé échantillon d’apprentissage, un modèle
fondé sur une règle d’affectation qui distinguera de façon optimale les groupes
d’objets définis a priori.

-La règle d’affectation ainsi définie servira à classer un nouvel objet, pour
lequel l’information sur le groupe d’appartenance n’est pas disponible, dans un des
groupes préexistants afin de prévoir l’avenir de cet objet.

-La validité de la règle d’affectation est estimée à partir d’un autre ensemble
de données, indépendant de l’échantillon d’apprentissage, appelé échantillon-test.

-L’analyse discriminante est le cadre statistique approprié pour la mise en

159
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

œuvre d’un outil de détection précoce des défaillances d’entreprises. Elle fournit une
méthode de prévision, avec une marge d’erreur connue, de la défaillance ou non
d’une entreprise à partir de ses ratios économiques et financiers.

Dans le cas de deux groupes N et D, le score de l’entreprise caractérisépar x

s’écrit :

mD + mN
f ( x) = (m N − m D )W −1 ( x − ) (3.1)
2

mD est le point moyen du groupe des firmes défaillantes

mN est le point moyen du groupe des firmes non défaillantes

W est la matrice variance covariance intragroupe

La règle d’affectation est la suivante :

Si f(x) 1 s l’entreprise est affectée au groupe N sinon au groupe D. Le seuil s est

déterminé par le modèle.

f (x) peut s’écrire comme des contributions des ratios, ce qui fournit une
interprétation des cas de chaque entreprise.

f(x) = a 1 (x 1 − p 1 ) + a 2 (x 2 − p 2 ) + ... + a k (x p − p k ) (3.2)

x est la description de l’objet et xi sa iiéme composante

iéme
ai la i composante du vecteur des coefficients de la fonction

a = (m N − m D ) ' W _1

mN + mD
pi la i iéme composante du vecteur p = appelé point pivot.
2

a i (x i − p i ) est la contribution de la variable i au score f(x) .

Cette décomposition présente l’avantage d’indiquer quels sont les ratios les
plus influents sur le score et constitue une aide précieuse à l’interprétation : les ratios

160
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

favorables ont une contribution positive, alors que les ratios défavorables ont une
contribution négative.

Une simple comparaison des coefficients des ratios peut induire en erreur si
les variables utilisées ont des unités de mesure différentes.

Altman (1968), affirme que l’estimation de la fonction de discrimination est

parfois insuffisante. C’est la raison pour laquelle, la détermination de la contribution
relative de chaque variable dans le pouvoir total de discrimination de la fonction
score et l’interaction entre elles est nécessaire pour l’établissement d’un ordre
d’importance des ratios utilisés dans la construction du modèle de prévision. La
statistique pertinente est observée comme la multiplication des coefficients de
chaque variable par la racine carrée des éléments diagonaux de la matrice variance-
covariance. La capacité de discrimination du modèle est déterminée par le
pourcentage de bons classements. Ce pourcentage est mesuré par le nombre
d’entreprises correctement classées.Dès 1968, Altman affirme qu’une analyse
unidimensionnelle ne rend pas compte de manière satisfaisante de la complexité du
processus de défaillance. Aussi est-il le premier à exploiter simultanément plusieurs
ratios, à travers une analyse discriminante linéaire multidimensionnelle.

Afin de classer une entreprise parmi l’un des deux groupes d’entreprises :
défaillantes ou saines, Altman (1968) utilise la règle de décision simple, qui consiste
à affecter l’entreprise au groupe dont elle est le plus proche. Il recourt à l’analyse
discriminante multidimensionnelle. L’analyse aboutit à la construction d’une
fonctionappelée score, combinaison linéaire des variables explicatives retenues, dont
la réalisation exprime le niveau de risque de l’[Link] (1972), en
confrontant les deux méthodes à partir d’un même échantillon, tend à démontrer la
supériorité de l’analyse discriminante par rapport à l’analyse univariée.

Le choix du modèle de Altman (1968) est justifié par le fait qu’il a suscité un
intérêt particulier dans la mesure où d’autres chercheurs ont suivi la même
méthodologie et ont repris les mêmes ratios qu’Altman (Atiya, 2001 ; Grover et
Lavin, 2001).

Comme l’étude d’Altman (1968), Shirata (1998), Bardos (1998), Taffler

(1982) ont essayé de déterminer les ratios financiers qui permettent de prévoir une
faillite de l’entreprise, en adoptant uniquement l’analyse discriminante linéaire.
161
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Toutefois, un nouveau courant de recherche dans ce domaine, compare l’analyse

discriminante à d’autres méthodes d’analyse, tels que les modèles probabilistes, les
approches neuronales et les algorithmes génétiques dans l’objectif de trouver le
modèle le mieux adapté et le plus fiable pour la prévision de la défaillance.

De nouvelles alternatives pour la prévision de la défaillance, inspirées de

l’analyse discriminante ont été utilisées, notamment l’analyse discriminante
multicritères ([Link] : Multi group Hierarchical Discrimination method) qui a été
appliquée par Doumpos et Zopounidis (1999). Ces derniers concluent que cette
nouvelle alternative domine l’analyse discriminante mais elle est comparable au
modèle Logit. Cette alternative repose sur une procédure de discrimination
hiérarchique qui fixe les classes d’appartenance des entreprises sur la base des
indicateurs financiers. Cette méthode conduit au développement des fonctions
d’utilité additive utilisées pour le choix du groupe d’appartenance des entreprises
saines et défaillances.

L’analyse discriminante reste actuellement la méthode la plus utilisée. La

fonction de score, grâce à l’analyse de la contribution de chaque ratio, constitue une
aide à la compréhension de la faillite. De surcroît, grâce à sa solidité temporelle, elle
offre la meilleure classification. De nombreuses études, principalement dans les
années quatre vingt dix, confrontent l’analyse discriminante linéaire aux autres
techniques de classification. La majorité aboutit au résultat suivant : les taux de bons
classements obtenus par l’analyse discriminante sont inférieurs à ceux qui découlent
des autres méthodes.

1.2. Les limites de l’analyse discriminante

L’analyse discriminante a été critiquée par (Ohlson, 1980 ; Zmijewski, 1984)

parce que les résultats obtenus sont fondés sur des hypothèses restrictives qui
peuvent être non vérifiées pour les données financières. L’analyse discriminante
linéaire présente un inconvénient majeur : elle requiert des conditions statistiques
strictes. Les variables comptables utilisées doivent en effet suivre une loi
multinormale et leurs matrices de variance-covariance doivent être identiques pour
l’échantillon des entreprises défaillantes et pour celui des entreprises saines.
L’analyse discriminante présente deux autres hypothèses particulièrement

162
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

problématiques quant à leur application à la prévision de la défaillance. En

particulier, cette méthode exige que la distinction entre les entreprises défaillantes et
saines soit linéairement séparable, de plus cette approche traite les ratios comme s’ils
étaient complètement indépendants. Back et al (1996) affirment que l’analyse
discriminante donne de bons résultats si toutes les hypothèses sont vérifiées. Malécot
(1981) évoque les limites statistiques : absence de normalité des variables,
dispersion inégale des groupes d’entreprises, estimation et fluctuation et taux de
classement. Casta et Zerbib (1979) se réfèrent également aux limites statistiques,
mais ils insistent surtout sur les limites d’une transposition, comme cellesrelatives
aux concepts d’entreprise et de défaillance, à la qualité de l’information retenue, au
choix des ratios. Pour d’autres auteurs, il est serait souhaitable de tenir compte de
variables dites qualitatives ou stratégiques notamment la qualité du management, le
marché, les partenaires, la recherche-développement, etc. pour évaluer la défaillance.

Face à ces contraintes, certains auteurs ont recouru aux analyses

discriminantes quadratiques, qui n’exigent que l’hypothèse de multinormalité des
ratios (Lachenbruch et al 1973). Si théoriquement cette méthode est plus pertinente
que l’analyse discriminante linéaire, dans les faits elle est moins performante car elle
n’est efficace que si elle est appliquée à un échantillon très large ; de surcroît la
complexité du modèle quadratique rend difficile l’analyse du rôle joué dans le
processus de défaillance par les différentes variables considérées.

2. Les modèles probabilistes

Face à la contrainte de multinormalité qui est rarement respectée

empiriquement, dans les analyses discriminantes linéaires, certains auteurs ont
préféré recourir à d’autres méthodes. Une possibilité est l’utilisation d’autres
techniques paramétriques, qui supposent une distribution différente des variables
comptables : les techniques économiques sur variables qualitatives que sont le
modèle Logit et le modèle Probit. En appliquant le modèle Logit, nous n’avons
aucune supposition à faire sur la distribution des variables, ni sur les valeurs
antérieures à la défaillance (Ohlson, 1980, Zavgen, 1983 ; Jooset, 1998). L’autre
avantage du modèle Logit est qu’il donne directement la probabilité de la réalisation
de l’événement, fournissant ainsi l’estimation des variables qui sont facilement

163
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

interprétables dans l’explication de la variable indépendante.

2.1. Le modèle Logit

Historiquement, l’étude des modèles décrivant les modalités économiques

prises par une ou plusieurs variables qualitatives a été menée initialement par Daniel
et Macfadden (1974) etHekman (1976), l’apparition des techniques économétriques
propres aux variables qualitatives a largement contribué à améliorer l’interprétation
de ces modèles, et à identifier les problèmes économiques, sous-jacents.

2.1.1. Présentation

La distribution logistique est à l’origine du modèle Logit qui admet pour

fonction de répartition:

exp(X i β)
F(X β) =
i
, (3.3)
1 + exp(X i β)

et pour densité :

exp(X i β)
f (X i β) = (3.4)
[1 + exp(X i β)]2

d’espérance :

E ( X i β ) =0 et de variance V ( X i β ) = π / 3
²

en prenant le Log on retrouve un modèle linéaire en X. Si l’on note pila probabilité

queYi=1.

On a alors la représentation suivante :

Soit pi=P (Yi=1) comme précédemment

pi
Yi = Log( ) = X iβ (3.5)
1 − pi

et cherche à estimer les composantes du vecteur β .

164
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Dans le cas de modèles dichotomiques univariés, plusieurs méthodes

d’estimation sont envisageables.

La méthode la plus utilisée lorsque la loi des perturbations est inconnue celle
du Maximum de Vraisemblance (MV).

2.1.2. Estimation du modèle Logit par la méthode du maximum de

vraisemblance

L’estimation du modèle Logit repose sur la maximisation de la log-

vraisemblance.

Soit L(Y,2) la vraisemblance associée à l’observation de Y sur un échantillon

de taille n.

1 − Yi Yi
n 7 4 7 exp( X i β ) 4
∏
1
L (Y , β) = 5 2 5 2
6 1 + exp( X β ) 3 56 1 + exp( X β ) 32
i i
i =1

(3.6)

Idem si symbole π

la Log-vraisemblance s’écrit alors :

1 {Yi LogF(X iβ) + (1 − Yi )Log(1 − F(X iβ)}

n
Log L =
i =1

(3.7)

En dérivant par rapport au vecteur β des paramètres et en annulant cette dérivée,

on a :

∂LogL
S(β) = =0 (3.8)
∂β

soit

i′ exp(X i β) ′
n n
S(β) = 1 X Yi − 1 1 + exp(X i β) X i =0
i =1 i =1

en dérivant une deuxième fois (par rapport à β ′ )

165
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Le Hessien s’écrit:

∂ 2 LogL(Y, β)
n
exp(X i β) ′
H(β) =
∂β∂β '
=− 1 [1 + exp(X iβ)]2 X i X i (3.9)
i =1

Pour un modèle dichotomique univarié, la matrice d’information de Fisher I ( β )

s’écrit sous la forme :

7 ∂ 2 LogL (Y, β) 4 n
f 2 ( X i β) ′
I(β) = − E 5
∂β ∂β '
2= 1 F(X iβ)[1 − F(X iβ)]X i X i (3.10)
65 32 i =1

L’étude du signe de la dérivée seconde permettra de vérifier quand on a un

maximum global.

Les dérivées première et seconde de la log F (X2) sont les suivantes :

∂LogF(Xβ) 1 ∂ 2 LogF(Xβ) − exp(Xβ)

= et = 20
∂X 1 + exp(Xβ) ∂X 2
[1 + exp(Xβ)]2

Le symbole < classique est mieux

Les dérivées première et seconde de la Log [1-F (Xi2)] sont les suivantes :

∂Log[1 − F(Xβ)] exp(Xβ) ∂ 2 Log[1 − F(Xβ)] − exp(Xβ)

=− et = 20
∂X 1 + exp(Xβ) ∂X 2
[1 + exp(Xβ)]2

Les fonctions Log [F (X2)] et Log [1-F (X2)] sont donc strictement concaves,
donc la log-vraisemblance Log L(Y, 2) est elle-même strictement concave.
L’obtention de l’estimateur du maximum de vraisemblance β̂ du vecteur de
paramètres 2 implique la résolution un système de k équations non linéaires de la
forme :

n
[Yi − F(X i βˆ )]f (X i βˆ ) i ′
S(βˆ ) = 1 F(X i βˆ )[1 − F(X i βˆ )
X =0
i =1

La résolution d’un tel système ne peut se faire qu’en utilisant les procédures

166
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

numériques. Nous évoquons ici trois algorithmes utilisés dans les principaux
logiciels d’économétrie.

[Link]. L’algorithme de Newton-Raphson

∂LogL
Le but de cet algorithme est de trouver une racine de l’équation = 0.
∂β

∂LogL
Il s’agit de trouver une valeur approchée de l’équation =0:
∂β

On donne une valeur initiale β 0 et on cherche le plan tangent en ce point à la

fonction f définie par :

f : IR k → IR k

∂LogL
β → f (β) =
∂β

L’équation de ce plan est :

∂f (β 0 )
f (β 0 ) + (β − β 0 ) (3.11)
∂β ′

soit

∂LogL(β 0 ) ∂ 2 LogL(β 0 )
+ [β − β0 ]
∂β ∂β∂β'

qui constitue une approximation de

∂LogL
∂β

d’où l’idée d’approcher la racine de l’équation

∂LogL
=0
∂β

par la racine

∂LogL(β 0 ) ∂ 2 LogL(β 0 )
+ [β − β 0 ] =0
∂β ∂β∂β '

167
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

C'est-à-dire

−1
7 ∂ 2 LogL (β 0 ) 4 ∂LogL (β 0 )
β1 = β 0 − 5 2 (3.12)
65 ∂β ∂β
'
32 ∂β

par une récurrence sur h, on peut calculer β h+1 en fonction de β h :

soit

−1
7 ∂ 2 LogL(β h ) 4 ∂LogL(β h )
β h +1 = βh − 5 2 (3.13)
56 ∂β ∂β
'
23 ∂β

Selon Gourieroux (1984) l’algorithme s’arrête lorsque β h +1 − β h 2 ε . Ou ε

est un seuil de tolérance fixé d’avance, on prend alors β h+1 comme estimateur de 2

soit βˆ = β h +1 .

[Link]. La méthode de score

La méthode de score consiste à remplacer dans l’expression (1) le

∂ 2 LogL(β)
terme
∂β∂β'

par son espérance conditionnellement à X. ce qui peut être justifié lorsque le modèle
possède de bonnes propriétés asymptotiques en particulier dans le cas de
l’échantillonnage, la formule de récurrence devient (Gourieroux, 1984).

7 ∂ 2 LogL(β h ) 4 ∂LogL(β h )
β h +1 = β h − E 5 2 (3.13)
56 ∂β ∂β
'
23 ∂β

[Link]. La méthode de Berndt-Hall-Hall-Hausman

Le passage de l’algorithme Newton-Raphson à la méthode du score a

nécessité de remplacer l’expression :

168
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

∂ 2 LogL (β h ) 7 ∂ 2 LogL(β h ) 4
− par − E 5 2
∂β ∂β ' 56 ∂β ∂β
'
23

En effet, cette dernière matrice peut s’écrire :

7 n ∂ 2 LogL i (β h ) 4 N 7 ∂LogL i (β h ) ∂LogL i (β h ) 4

1
E5 −
56 i =1 ∂β∂β′
2 = E5 1
23 i =1 56 ∂β ∂β '
2
23
(3.14)

Avec Li qui désigne la vraisemblance associée à la i-ème observation. En

enlevant le signe espérance de la formule précédente on obtient un nouvel
algorithme qui présente l’avantage de ne faire intervenir que les dérivées premières.
La formule de récurrence est donnée alors par :

−1
7 N ∂ LogL i (β h ) ∂LogL i (β h ) 4 ∂LogL i (β h )
β h+1 = β h + 5 1 ∂β ∂β '
2
∂β
(3.15)
65 i =1 32

Pour assurer la convergence de ces divers algorithmes et réduire le délai de

convergence, il est nécessaire d’imposer une valeur initiale β 0 qui soit proche de la
vraie valeur du paramètre (Gourieroux, 1984).

2.2. Les limites des modèles probabilistes

Parmi les inconvénients des modèles dichotomiques, qui sont extrêmement

sensibles au problème de multicolinéarité, l’inclusion de variables fortement
corrélées doit être évitée (Ooghe 1993, 1994 ; Joos, 1998 ; Dumpos et Zopoudinis,
1999) et, comme la régression logistique est basée sur l’analyse des ratios financiers,
ces variables sont généralement corrélées parce qu’elles partagent souvent le même
numérateur ou le [même] dénominateur. Face aux différents problèmes rencontrés en
analyse discriminante et aux modèles dichotomiques, plusieurs auteurs (Wold, 1983 ;
Tenenhaus, 1998 ; Bastien et al., 2005) ont proposé d’autres alternatives plus
intéressantes, à savoir la régression PLS que nous allons présenter dans la section
suivante.

169
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

3. Les moindres carrées partielles (PLS)

Après avoir évoqué les limites de l’analyse discriminante et des modèles

probabilistes, nous évoquons dans un premier temps l’intérêt de cette méthode
alternative ainsi que les différents algorithmes possibles.

3.1. Intérêt et principe

La technique de la régression PLS vise à spécifier les relations entre un

ensemble de variables explicatives Xj et un ensemble de variables dépendantes Y.

Cette méthode d’association et de prédiction présente de nombreux

avantages :

Dans le cas de données fortement corrélées, la régression PLS, apporte une

alternative intéressante à la régression classique, en permettant entre autres de tenir
compte dans la modélisation de la structure de corrélation existante.

Le nombre d’observations peut être faible. Le seuil limite de trente

observations, en dessous duquel le théorème central limite ne s’applique pas, n’a
plus à être respecté. L’algorithme de régression PLS fonctionne même en présence
des données manquantes. Contrairement à la méthode de régression sur composantes
principales ou de régression pas à pas, on conserve à l’issue des itérations l’ensemble
des variables explicatives.

La méthode de régression PLS consiste en une projection simultanée de X

variables explicatives et de Y variables à expliquer sur deux hyperplans X et Y. La
méthode revient à effectuer une analyse en composantes principales de l’ensemble
des variables X sous la contrainte que les « pseudo » composantes principales de Xj
soient aussi explicatives que possible de l’ensemble des variables X sous la
contrainte Y (Tenenahaus, 1995).

170
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

3.2. Présentation de la méthode

Nous allons distinguer dans cette section le cas où il y a une seule variable Y
à expliquer de celui où il y en a plusieurs. L’algorithme PLS a été proposé
initialement par Wold (1983).

3.2.1. La régression PLS univariée (PLS1)

La régression PLS univariée est un modèle non linéaire reliant une seule
variable dépendante Y à un ensemble de variables indépendantes quantitatives ou
qualitatives X1,…, Xk. Elle peut être obtenue par une suite de régressions simples et
multiples. En exploitant les tests statistiques associés à la régression linéaire, il est
possible de sélectionner les variables explicatives significatives à conserver dans la
régression PLS et de choisir le nombre de composantes PLS à retenir.

La régression PLS est issue d’une utilisation itérative des moindres carrés
ordinaires.

On cherche à réaliser une régression d’une variable à expliquer Y sur des

variables explicatives X1,…,Xk qui peuvent être fortement corrélées entre elles. Il
peut même y avoir plus de variables explicatives que d’observations.

On cherche de surcroît à fournir des coefficients de régression interprétables,

c’est-à-dire qu’ils permettent de mesurer la contribution de la variable Xjà
l’explication de la variable Y à l’aide du coefficient de régression. Si les signes du
coefficient de régression et de corrélation entre la variable explicative et la variable
d’intérêt sont opposés, l’interprétation sera délicate pour le praticien.

Il existe plusieurs versions de l’algorithme de régression univariée PLS1.

Elles différent au niveau des normalisations et des calculs intermédiaires, mais elles
donnent toutes la même régression.

171
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

3. 2.1.1. L’algorithme de l’analyse discriminante PLS

L’algorithme peut se décomposer comme suit :

On construit tout d’abord une composante PLS t1 :

avec :

t1 = w11X1 + ... + w1k X k (3.33)

où :

cov(Y, X j )
w1 j =
k

1 cov(Y, X )
j =1
j
2

Ces coefficients sont ensuite normalisés :

w1 j
w1*j =
k

1 (w
j =1
1j )2

Puis on effectue une régression simple de Y sur t1 :

Ŷ = c1 t1 + Y1 (3.34)

où c1 est le coefficient de régression et Y1 le vecteur des résidus. D’où une

première équation de régression :

Ŷ = c1w 11X1 + ... + c1w 1k X k + Y1

dont les coefficients sont facilement interprétables.

Toutefois si l’on estime que le pouvoir explicatif de ce modèle est faible, on

cherche une deuxième composante t 2 , combinaison linéaire des Xj, non corrélée à

t1 et expliquant bien le résidu Y1.

Cette composante t 2 est combinaison linéaire des résidus x1 j des régressions

des variables Xj sur la composante t1 :

avec

x 1 j = X j − p1 j t 1

172
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

et

cov(X j , t1 )
p1 j =
var(t1 )

On obtient alors t 2 :

t 2 = w 21x11 + ... + w 2 k x1k

où

cov(x1 j , Y1 )
w2j =
k

1 cov ( x
j =1
2
1j , Y1 )

On procède ensuite à une régression multiple de Y sur t1 , t 2 :

Ŷ = c1t 1 + c 2 t 2 + Y2

où c1 et c2 sont les coefficients de régression et Y2 le vecteur des résidus.

Ŷ s’écrit en fonction des variables explicatives en remplaçant les composantes t1 et

t2 par leurs valeurs en fonction des Xj :
k k k
Ŷ = c1 1 w1 jX j + c 2 1 w 2 j (X j − p1 j 1 w1 jX j )
j =1 j =1 j =1

On peut itérer ce processus en utilisant de la même manière les résidus Y2 , X21 ,…,
X2k des régressions de Y, X1,..., Xk sur t1,t2 .

L’algorithme PLS1 s’écrit alors :

Etape 1 : X0=X ; Y0=Y (initialisation)

Etape 2 : pour h=1,2,…, r faire

X′h −1 y h −1
Etape 2.1 : w h =
y′h −1y h −1

Etape 2.2 : Normer wh à 1

X h −1w h
Etape 2.3 : t h =
w ′h w h

173
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

X ′h −1 t h
Etape 2.4 : p h =
t ′h t h

Etape 2.5 : X h = X h −1 − t h p'h

y′h −1t h
Etape 2.6 : c h =
t ′h t h

y h −1
Etape 2.7 : u h =
ch

Etape 2.8 : y h = y h −1 − ch t h

Les propriétés suivantes, dans le cas univarié valable lorsque les données sont
complètes (pas de données manquantes), permettent de simplifier l’algorithme et
restent valables pour la régression multivariée PLS2.

Proposition 1 : les vecteurs et les matrices issus de la régression PLS vérifient les
propriétés suivantes :

t′h t 3 = 0, pour 3 > h

w′h p h = 1

w ′h X′3 = 0, pour 3 ≥ h

w ′h p 3 = 0, pour 3 > h

w ′h w 3 = 0, pour 3 > h

t ' h X 3 = 0, pour 3 ≥ h

X h = X∏ (I − w jp' j ), h ≥ 1
h

j =1

Le nombre de composantes th à retenir est habituellement déterminé par

validation croisée (Tenenhaus, 1995).

Pour chaque valeur h, on calcule des prédictions de la variable d’intérêt Y.

Plus précisément on calcule les prédictions Ŷhi de Yi en utilisant tous les individus

puis Ŷh ( −i ) sans utiliser l’individu i. Puis on calcule les critères RSSh (ResidualSum

174
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

of Squares) et PRESSh (PredictionErrorSum of Squares) définies par :

n
RSS h = 1 ( Yi − Ŷhi ) 2 (3.35)
i =1

et
n
PRESS h = 1 ( Yi − Ŷh ( − i ) ) 2 (3.36)
i =1

La composante t h sera retenue si :

PRESSh ≤ o.95 ≤ RSSh −1

[Link]. La validation croisée

La validation croisée est une méthode de validation interne de modèles. C’est

un critère permettant d’évaluer la consistance interne des données. Elle a été
initialement proposée par Stone (1974) pour l’ACP (Analyse en composantes
multiples).

L’idée générale est de diviser l’ensemble des données disponibles en q parties

approximativement égales. On sépare ensuite les données en un premier jeu formé de
q-1 parties pour lesquelles le modèle sera ajusté et un second jeu formé de la partie
restante qui servira de jeu-test. Les prévisions de la variable Y sont calculées sur le
jeu-test et la somme des carrés des erreurs de prévision. Cette procédure est répétée q
fois de manière à ce que chacune des q parties serve une fois et une seule de jeu-test.
La somme de tous les carrés des erreurs de prévision calculées sur les jeux-tests est
appelée le PRESS pour Y.

On calcule pour chaque nouvelle composante t h le Q2h :

PRESS h
où Q 2h = 1 − (3.37)
RSS h −1

Une composante t h est considérée comme significative si Q 2h ≥ λ .

ou λ est une valeur arbitraire. Par défaut la limite fixée dans SIMCA-P5 λ = 0,0975.

11111111111111111111111111111111111111111111111111111111111
33=?*'0&8&43EA%7C7BE3F$8EDB3FB3FA885B3

175
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Une nouvelle composante th est significative si PRESS h ≤ Q 2h RSS h −1

c’est-à-dire si Qh2 ≥ 0,0975 .

[Link]. Les aides à l’interprétation

En régression PLS1 on utilise les notions suivantes :

k k
t h = 1 w hj x hj = 1 w *hjX j (3.38)
j =1 j =1

Les composantes th sont calculées à l’aide des variables résiduelles xhj, mais
vont être interprétées en utilisant leurs expressions à l’aide des variables Xj, en
utilisant les coefficients normés ou poids w*hj .

L’interprétation univariée conduit à calculer les corrélations entre les variables

Xj, Y et les composantes th.

L’interprétation multivariée privilégie les coefficients normés w*hj permettant

de construire les composantes th à partir des variables Xj et les coefficients de

régression ch de th dans la régression de Y sur les composantes th.

Les poids w*hj traduisent l’importance de chaque variable Xj dans la

construction de th.

Les ch mesurent le lien entre la variable Y et les composantes th. Autrement

dit, la relation entre la variable Y et les variables Xj, est résumée à travers les
variables th. Les coefficients w*hj , ch traduisent la relation « physique » entre Y et les

Xj puisque la donnée de ces poids permet de construire les th en fonction des Xj, puis
de prédire Y en fonction des th.

Nous pouvons résumer cette construction par :

T = XW *

Y = TC

où les matrices X, W*, T sont formées respectivement des colonnes Xj, wh, t h et le
vecteur C des coefficients ch.

176
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Parmi les aides à l’interprétation nous avons :

-Le T2 de Hotteling

Le T2 de Hotteling de l’observation i, calculé en utilisant H composantes, est défini

par :

n H t 2hi
Ti2 = 1
n − 1 h =1 s 2h
(3.39)

où s 2h est la variance empirique de la composante th.

Dans SAS6, on détecte les points atypiques en utilisant la statistique

n (n − H ) 2
Ti (3.40)
H (n 2 − 1)

Tracy, Young et Mason (1992) ont démontré que cette statistique suit une loi
de Fisher-Snedcor à H et (n –H) degrés de liberté.

Une observation i est considérée comme atypique si :

H(n 2 − 1)
T ≥ 2
F0.95 (H, n − H)
n ( n − H)
i

-La qualité de reconstruction des données « actives » par modèle :

On souhaite identifier les observations « actives » mal constituées par le

modèle au niveau des Xj et au niveau de Y. On peut construire les régressions des
variables Xj sur les H composantes PLS th retenues.

On note eji le résidu calculé pour la variable Xj et l’observation i. La distance

au modèle de l’observation i dans l’espace de Xj(notée DmodX) est évaluée à l’aide
de la quantité si donnée par :

avec

1e
j=1
2
ji

si = ×v (3.41)
k−H

11111111111111111111111111111111111111111111111111111111111
,3Statistical Analysis System (SAS) 3

177
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

n
et v= (3.42)
n − h −1

v est un facteur de correction, légèrement supérieur à 1 et prenant en compte

le nombre d’observations (n) et de composantes (h). Ce facteur de correction vaut 1
lorsque si est calculé sur un jeu-test où des données de prévision de Y à partir des Xj.
Le facteur de correction prend en compte le fait que les données utilisées pour la
construction du modèle sont en général mieux reconstituées que celles utilisées pour
la validation du modèle.

On calcule ensuite l’écart type résiduel s0

n k

11 e
i =1 j =1
2
ji

s0 = (3.43)
(n − h − 1) × (k − H)

La variance résiduelle s02 étant la moyenne des variances résiduelles si2 de

chaque observation.

Une distance normalisée (DmodX, N) est obtenue en divisant si par l’écart

type résiduel s0 :

(DmodX, N) i = si / s0

Dans SIMCA-P, on admet que :

si
→ F0.95 ( p1 , p 2 )
s0

On peut considérer qu’une observation est mal reconstituée par le modèle si

si
≥ F0.95 ( p1 , p 2 )
s0

Le calcul précis des degrés de liberté p1 et p2 n’est pas connu, mais le seuil

F0.95 (p1, p2 ) est directement fourni dans SIMCA-P sous le nom de DCrit (H).

On définit de même les résidus f i de la régression de Y sur les H

composantes th retenues. On note ensuite :

178
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

(D mod Y ) = f i

fi
(D mod Y, N)i = (3.44)
1
n − H −1
1 f i2

3.3. La régression logistique PLS

Nous détaillerons, dans un premier temps, l’algorithme de la régression

logistique PLS avant d’expliciter différentes versions possibles.

3.3.1. Algorithme de la régression logistique PLS

Cette extension a été proposée par Tenenhaus, (2000). Nous venons de voir
l’algorithme de la régression PLS, univariée et multivariée. Ces méthodes sont
particulièrement utiles, dans des conditions où la régression multiple fonctionne
[Link], on peut rencontrer des problèmes analogues en régression logistique.
Cependant il est tout à fait possible de transposer les principes de la régression PLS à
la régression logistique. La régression logistique PLS consiste à adapter l’algorithme
de régression PLS1 au cas d’une variable qualitative, binaire ou ordinale (Bastien et
al., 2005). Il est utile de rappeler que la régression logistique PLS est univariée et ne
s’applique donc qu’à la modélisation d’une seule variable d’intérêt Y que l’on
cherche à modéliser à l’aide des variables X1,…,Xk candidates à l’explication. Nous
allons ainsi décrire trois versions d’algorithme de régression logistique PLS.

Recherche de la première composante PLS t1 :

Etape1 : on calcule les coefficients de régression w 1 j dans la régression

logistique simple de Y sur chaque variable Xj.

Etape2 : La composante PLS s’écrit alors :

Xw1
t1 = (3.45)
w1' w1

Puis on effectue une régression logistique de Y sur t1 :

p̂
log = Ŷ = c1t1 + Y1 (3.46)
1 − p̂

179
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

où c1 est le coefficient de régression, Y1 le vecteur des résidus et p̂ la probabilité de

survenue de l’événement. D’ou une première équation de régression :

Ŷ = c1w11
*
x1 + ... + c1w1*k x k + Y1

w1
avec w1* =
w1* w1

dont les coefficients sont facilement interprétables.

La probabilité de survenue de l’événement pour l’individu « i » est :

K
exp(c1 1 w1 jX i j )
j=1
p̂ i = K
(3.47)
1 + exp(c1 1 w1 j X i j )
j =1

Recherche de la deuxième composante PLS t 2

Etape 1 : si l’on estime que le pouvoir explicatif de ce modèle est faible, on

cherche une deuxième composante t 2 , combinaison linéaire de Xj, non corrélée à

t1 et expliquant bien le résidu du Y1 .Cette composante t 2 est combinaison linéaire

des résidus x 1 j des régressions des variables Xj sur la composante t1 :

X j = t1p1' j + x1 j

où p1j est le coefficient de régression de chaque Xjsur t1

Etape2 : pour chaque valeur de j, on calcule le coefficient de régression w 2 j de

x 1 j dans la régression logistique multiple de Y sur les variables t1 et x 1 j .

Etape 3 : la composante PLS t 2 s’écrit alors :

x 1w 2
t2 = (3.48)
w '2 w 2

où x1 est le résidu de la régression de X sur la première composante t1.

180
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

On peut aussi réécrire la composante t2 en fonction des variables initiales Xj :

w21 − w1p1'
t2 = ' ( ' )X = Xw*2
w 2 w 2 w 1w 1

On procède ensuite à une régression logistique de Y sur t1, t2 :

p̂
log = Ŷ = c1t1 + c 2 t 2 + Y2
1 − p̂

où c1 et c2 les coefficients de régression logistique de Y sur t1, t2 :

Pour la deuxième composante la probabilité de survenue de l’événement est :

exp(c1t1 + c 2 t 2 )
pˆ =
1 + exp(c1t1 )

p̂ s’écrit en fonction des variables explicatives en remplaçant les composantes t1,t2

en fonction de X :

exp(c1Xw1* + c 2 Xw*2 )
p̂ =
1 + exp(c1Xw1* + c1Xw*2 )

Recherche de la h-ième composante PLS th :

Etape 1 : on calcule le résidu x h −1 de la régression de X sur les premières

composantes t1, ..., t h −1 . On notera x h −1, j la j-ème colonne de la matrice x h −1 :

X = t1p1' + ... + t h −1p h −1 + x h −1

Etape 2 : pour chaque valeur de j, on calcule le coefficient de régression w hj

de x h −1, j .

Etape 3 : la composante PLS th s’écrit alors :

X h −1w h
th = (3.49)
w 'h w h

Pour chaque composante th calculée, on procède à la régression logistique de

Y sur les composantes t1, ..., t h . L’équation de régression logistique PLS est obtenue

en exprimant cette équation en fonction des variables d’origine :

181
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

p̂
log = Ŷ = c1t1 + ... + c h t h = c1xw1* + ... + c h Xw *h = Xα
1 − p̂

h
où α = c1w1* + ... + c h w *h = 1 c3 w *l
3 =1

La probabilité de survenue de l’événement de la composante th :

exp(c1Xw1* + ... + c h Xw*h ) exp(Xα)

p̂ = =
1 + exp(c1Xw1* + c h Xw*h ) 1 + exp(Xα)

Tenenhaus (2004) a proposé une autre version de l’algorithme logistique PLS

comme cas particulier de la régression PLS généralisée que nous allons le présenter
dans ce qui suit.

3.3.2. Algorithme de la régression logistique PLS modifiée

On suppose que les variables X1,…, Xksont toute centrées.

Le modèle de la régression logistique PLS à H composantes s’écrit :

p H D k A
B w hjx j 8 + résidu
log
1− p
= Y = ch
B 1 1 *
8
(3.50)
h =1 C j =1 9

k
avec la contrainte que les composantes PLS, t h = 1 w *hjX j soit orthogonales.
j =1

On peut considérer que les paramètres ch et whj* du modèle sont des

paramètres à estimer.

D’où le coté linéaire du modèle. L’algorithme de la régression logistique

PLSest un algorithme d’estimation des paramètres du modèle précédent que nous
allons ré-décrire en reliant chaque étape de calcul à une régression logistique simple
ou multiple (Tenenhaus, 2000, Esposito et al., 2005).

182
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

[Link]. Construction de t1

La premièrecomposante PLS t1 s’écrit alors :

t1 = Xw1*

w1* est le vecteur des coefficients normés de régression de Y sur chaque Xj.

b. Construction de t2

On cherche dans un premier temps les variables Xj contribuant de manière

significative à la construction de t2, on effectue des régressions multiples de Y sur t1
et chacun des Xj.

Cette composante t2 est combinaison linéaire des résidus x1j des régressions
des variables Xj sur la composante t1.

x1j = Xj- p1j t1

p1j est le coefficient de régression de Xj sur la composante t1

La deuxième composante s’écrit :

t 2 = w 21x11 + ... + w 2 k x1k

où w2j est le coefficient de régression de Y sur t1 et chaque x1j.

On procède ensuite à une régression logistique multiple de Y sur t1 et t2 :

Ŷ = c1 t 1 + c 2 t 2 + Y1

La composante t2 peut aussi s’exprimer en fonction des variables initiales Xj

puisque les résidus x1j (x1j = Xj- p1j t1) sont fonction des [Link] composante
t2 exprimée en fonction des Xj s’écrit t2 = X w2*

[Link]. Calcul des autres composante et règle d’arrêt

On opère de même pour le calcul des autres composantes th = X wh*.

On arrête lorsque toutes les variables sont non significatives à un seuil donné
(Bastien et al., 2005).

183
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

[Link]. Formule de régression PLS

Dans la formule (1) on estime les coefficients chpar régression logistique

multiple de Y sur les composantes th.L’équation de régression estimée peut ensuite
s’exprimer en fonction des variables initiales Xj :

p̂
H D k A
log = Ŷ = c h B w *hjX j 8
1 1
1 − p̂ B 8
h =1 C j =1 9

k D H A
= 11 B c h w *hj 8X j
B 8
(3.51)
j =1 C h =1 9

k
= 1 α jX j
j =1

H
où α j = 1 c h w *hj
h =1

3.2.3. Algorithme de Nguyen et Rocke

Nguyen et Rocke (2002, 2004) ont montré que les composantes PLS sont des
combinaisons linéaires des variables d’origine, et que les coefficients de la
combinaison linéaire s’expriment à l’aide du coefficient de régression linéaire de la
variable de réponse sur chacun des régresseurs. Ils proposent donc de miner la
définition et de remplacer la régression linéaire par une régression logistique
(Nguyen et Rocke, 2004).

L’algorithme de régression logistique PLS se présente comme suit :

Etape 1 : calcul des composantes PLS

Etape1-1 : obtenir h composantes PLS, T = (t1,…,th), en utilisant

l’algorithme PLS1 ou Simpls .

184
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Etape 2 : classification

Après avoir calculé les composantes de l’étape 1, on procède à une

régression logistique de Y sur les composantes retenues par validation croisée :

p̂
log = Ŷ = c1t1 + ... + c h t h
1 − p̂

et la probabilité de survenue de l’événement s’écrit alors :

exp( c1t 1 + ... + c h t h )

p̂ =
1 + exp( c1t 1 + ... + c h t h )

La régression logistique PLS permet de relier la variable Y à l’ensemble des

variables explicatives, cette méthode est en quelque sorte une réponse au regret
qu’éprouve l’utilisateur d’une régression pas à pas, et de devoir choisir une seule et
unique variable explicative par bloc de variables explicatives.

En régression pas à pas, il y a exclusion de certaines variables éventuellement

importantes ; en régression PLS, toutes les variables importantes sont conservées et
les variables sans importance sont soit exclues, soit retenues pour participer au
modèle, après avoir été affectées d’un poids plus faible.

Pour montrer l’apport de la régression logistique PLS, nous avons utilisé des
données relatives à la défaillance des entreprises. La plupart des travaux traitant la
probabilité de défaillance des entreprises abandonnent les ratios et les grandeurs
comptables les plus corrélés, même si en apparence ils semblent avoir une forte
contribution dans l’analyse, car la régression logistique PLS permet de pallier ce
problème

Dans le cas de séparation, c’est-à-dire de non convergence de l’algorithme du

maximum de vraisemblance (Fort et Lambert-Lacroix, 2005), les résultats de la
régression logistique ne sont pas concluants, alors que ceux de la régression
logistique PLS sont encourageants.

185
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Conclusion

Ce chapitre avait pour objectif d’exposer la démarche que nous avons retenue
pour obtenir les résultats permettant de répondre à la problématique de notre
recherche, à savoir « Quels sont les déterminants de la défaillance des entreprises
françaises ? ». Nous avons donc explicité notre positionnement épistémologique ; le
modèle retenu à la suite de l’analyse de la littérature, est fondé sur une démarche
déductive. Ce choix, fondésur la position positiviste, est associé à une méthodologie
quantitative par la construction d’un échantillon d’entreprises. L’ensemble du
processus est illustré dans la figure ci-dessous.

Figure 10: Processus méthodologique de la recherche

23BAA8BA53116599B11221B1CBA38BA531E1
556128AB1+1B1$!4

7F658BA531E1B8A31

C821E83BAB8BA71

3863411533C41

.C4E6B8B4116838634128AB1&!1

186
Chapitre 3 –Méthodologie de recherche et modélisation financière de la prévision de la défaillance

Après avoir précisé la méthodologie, le dernier chapitre sera consacré aux

résultats obtenus, et aux conclusions auxquelles elles permettent d’aboutir à chaque
étape de l’analyse.

187
 Chapitre 4 - La prévision de la défaillance

Chapitre 4 : La prévision de la défaillance :

validation empirique sur un échantillon des
PME Françaises

188
 Chapitre 4 - La prévision de la défaillance

Introduction

L’accroissement actuel de la taille des entreprises en faillite, confirme la

nécessité de prévoir la défaillance. Il est indispensable de veiller à la protection des
intérêts des créanciers, à la pérennité de l’entreprise, en prévenant les difficultés
économiques et financières que les entreprises peuvent rencontrer, ce qui implique
notamment une estimation précise de la probabilité de défaut et éventuellement une
modification des méthodes d’évaluation.

Si l’analyse des causes de la défaillance est plus ancienne, sa prédiction est

commence à être développée à partir de la fin des années soixante. L’approche la
plus fréquente consiste à recourir à l’analyse financière afin de déterminer les
variables, principalement comptables, qui différencient au mieux les entreprises
défaillantes de celles qui ne le sont pas. L’objectif est d’établir une relation
statistique stable entre les variables explicatives de chacun des deux groupes (Refait,
2004).

Dans le présent chapitre, nous présenterons dans la première section les

résultats de l’analyse exploratoire ainsi qu’une comparaison entre l’analyse
discriminante et la régression PLS ; dans la deuxième section les résultats de la
régression logistique et de la méthode PLS, et enfin dans la troisième section les
résultats de la modélisation macroéconomique.

189
 Chapitre 4 - La prévision de la défaillance

I. Comparaison de l’analyse discriminante et de la

régression PLS

Les hypothèses que nous avons formulées ont été traduites en indicateurs ou
ratios. Il est donc important d’analyser chaque indicateur afin de dégager,
notamment, les principales tendances qui se dessinent sur le plan historique.
Toutefois, avant une analyse plus approfondie, une petite étude exploratoire
s’impose.

1. Analyse exploratoire descriptive

Dans une première étape, une batterie de trente trois ratios financiers, codés
de R01 à R33, a été calculée. Ces ratios ont été choisis parmi ceux qui sont
couramment utilisés, ou qui présentent un contenu informationnel significatif dans
l’analyse de la situation financière des l’entreprises. Le large choix initial de trente-
trois ratios intègre les principales préoccupations ayant trait à l’analyse des bilans au
regard de la bonne santé de l’entreprise. Les thèmes adoptés dans l’analyse sont :
l’endettement et la structure financière, la rentabilité, la liquidité, la solvabilité et
l’équilibre financier, l’activité et la structure de productivité, la croissance d’activité.
La comparaison entre la capacité prédictive des modèles de prévisions tels que
l’analyse discriminante linéaire, modèle Logit et la régession PLS, est réalisée sur la
base des ratios financiers spécifiques à chaque entreprise. Les ratios financiers ont
été choisis en raison de la fréquence de leur utilisation par les auteurs d’études
portant sur la prévision de la défaillance.

Dans la mesure où le nombre de ratios calculé est élevé, notre choix s’est
arrêté sur ceux qui contribuent à la discrimination entre les entreprises qui sont
défaillantes et celles qui ne le sont pas. L’une des méthodes qui peut être utilisée
pour déterminer les ratios financiers qui participent à la discrimination des deux
types d’entreprises, consiste à effectuer un test de Wilks des ratios des deux groupes
d’entreprises. La significativité de la statistique de Fisher rejette l’hypothèse nulle
qui stipule que, pour un ratio donné, il y a une discrimination entre les deux groupes
d’entreprises. Dans notre cas, nous allons employer la méthodologie de Bardos et
Zhu (1997) en utilisant le 3 de Wilks, qui consiste à choisir chaque fois la variable
qui a le plus grand pouvoir discriminant. Ensuite, à chaque pas le modèle est
190
 Chapitre 4 - La prévision de la défaillance

examiné. Si la variable du modèle qui contribue le moins à son pouvoir discriminant,

mesuré par le 3 de Wilks (voir annexe, p 285), tombe en dessous du seuil de
signification préalablement choisi, la variable est supprimée.

Table 9: Test de le 3 de Wilks

.8BA541 ;4+1 ;4$1 ;4)1

1 JA6K41 D1 EA1 JA6K41 D1 EA1 JA6K41 D1 EA1

68981 68981 A8981

.+1 * %-%1 % +,-1 * **)1 * %%"1 & +&"1 * *&$1 * %%,1 $ +",1 =H0246

.$1 * -%&1 %& )&#1 * ***1 * %#+1 )$ +*,1 * ***1 * %-*1 +# $"%1 * ***1

.)1 * %#)1 )* ,*%1 * ***1 * %-#1 ++ #%"1 * **+1 * %%+1 , ""*1 * **#1

.&1 * ,%&1 $*, )+)1 * ***1 * %)+1 "% *+%1 * ***1 * %"%1 )) %+&1 * ***1

."1 * %-$1 +& #+-1 * ***1 * %%,1 $ +&&1 =H0226 * %%-1 + "%$1 =F4=16

.#1 * %%%1 * ",#1 =H22>6 * %%&1 & %%*1 * *$#1 + ***1 * +&#1 =H1=36

.,1 * %-&1 +$ #"#1 * ***1 * %-#1 ++1>$$)1 * **+1 * %%&1 & -)$1 * *$-1

.-1 * %--1 % ,)+1 * **$1 * %-,1 +* "+-1 * **+1 * %%"1 & +%%1 * *&+1

.%1 * %%-1 + "&%1 =H4026 * %%-1 + -&-1 =H0126 + ***1 * *+%1 =H>@=6

.+*1 * %%+1 , )#,1 * **,1 * %-*1 +# ","1 * ***1 * %--1 +) *,%1 * ***1

.++1 * %#%1 $" %&)1 * ***1 * %-#1 ++ +-#1 * **+1 * %--1 % &#"1 * **$1

.+$1 * %-$1 +& &#%1 * ***1 * %%#1 ) #*#1 * *"-1 + ***1 * *++1 =H@0;6

.+)1 * %%&1 & -")1 * *$-1 * %%"1 ) ,$+1 * *"&1 + ***1 * *$%1 =H>;56

.+&1 * %"#1 )# )$"1 * ***1 * %,%1 +, $#-1 * ***1 * %%&1 " *%+1 * *$&1

.+"1 + ***1 * *%,1 =H1556 * %%%1 * ")$1 =H2;;6 + ***1 * $*)1 =H;536

.+#1 * %%)1 " "%%1 * *+-1 * %%-1 + &-#1 =H4436 + ***1 * $$-1 =H;336

.+,1 * %,*1 $& "%"1 * ***1 * %$-1 #+ -%$1 * ***1 * %%$1 # ,"$1 * *+*1

.+-1 + ***1 * +*"1 =H12;6 * %%"1 ) ,&)1 =H=536 * %%"1 & ))&1 * *)-1

.+%1 * %%$1 # #*&1 * *+*1 + ***1 * ++-1 =H1306 + ***1 * ++$1 =H13>6

191
 Chapitre 4 - La prévision de la défaillance

.$*1 * ""&1 #&) $*%1 * ***1 * %%)1 " "&%1 * *+%1 * %%"1 ) #%&1 =H=556

.$+1 * %%%1 * #*-1 =H23;6 * %%)1 " &#)1 * *$*1 * %%&1 " +-"1 * *$)1

.$$1 * %%-1 + &-*1 * $$&1 * %%-1 + ,",1 =H0>56 * %%-1 + $*%1 =H4146

.$)1 * %&&1 &, #)%1 * ***1 * %%$1 # ##,1 * *+*1 * %%,1 $ $+%1 =H0316

.$&1 * -,,1 ++$ +-"1 * ***1 * %%&1 & &-&1 * *)"1 * %%-1 + #)&1 =H4=46

.$"1 * -%-1 %* ))&1 * ***1 * %+*1 ,% *%#1 * ***1 * %-)1 +) #-+1 * ***1

.$#1 * -,,1 +++ "%#1 * ***1 * %*$1 -# ,#*1 * ***1 * %-#1 +* %&,1 * **+1

.$,1 * %+,1 ,$ *,#1 * ***1 * %-#1 ++ ,+,1 * **+1 * %%+1 , *)%1 * **-1

.$-1 * %-$1 +& )$)1 * ***1 * %-&1 +$ #,%1 * ***1 * %%)1 " )$)1 * *$+1

.$%1 * %-&1 +) $%&1 * ***1 * %--1 % ,+,1 * **$1 * %%&1 & ,*+1 * *)*1

.)*111 * %$,1 #$ -,*1 * ***1 * %,,1 +- %,"1 * ***1 * %%,1 $ ++*1 =H0216

.)+1 + ***1 * **%1 =H@436 * %%-1 + -""1 =H0126 + ***1 * )**1 =H5>26

.)$1 * %,-1 +- *)$1 * ***1 * %%&1 " +"#1 * *$)1 + ***1 * $%,1 =H5>@6

.))1 * %),1 ") ,))1 * ***1 * %-+1 +" +&,1 * ***1 * %%%1 * ,*-1 =H2==6

L’examen du test du Fisher dans le tableau ci-dessus, indique, au seuil de 5 %

un an avant la défaillance, que toutes les variables sont significatives à l’exception
de : R06, R09, R15, R18, R21 et R31. Deux ans avant la défaillance, nous constatons
que seuls les ratios R05, R09, R15, R16, R18, R19, R22 et R31 s’avèrent non
significatifs. En ce que concerne la troisième année, les ratios R02, R03, R04, R07,
R08, R10, R11, R14, R17, R18, R21, R25, R26, R27, R28 et R29 ont un pouvoir
discriminant entre les entreprises.

Les entreprises défaillantes se caractérisent par un taux d’endettement

moyennement élevé par rapport aux entreprises saines. Plus ce taux est élevé, plus
l’entreprise est endettée ; le remboursement des échéances étant un prélèvement
192
 Chapitre 4 - La prévision de la défaillance

inévitable, il peut conduire l’entreprise à la cessation des paiements. Le ratio R02

indique que les entreprises françaises saines, sont relativement peu endettées en
comparaison à celles qui sont en difficulté, ce quiconfirme l’importance de la
contribution des banques dans le financement de ces entreprises. En effet, pour de
multiples raisons, notamment pour financer leur croissance, les entreprises ont
recours à l’endettement, et plus particulièrement aux crédits bancaires. Le recours au
marché financier reste toujours limité même pour les entreprises cotées. L’analyse
détaillée de la structure du capital des entreprises, confirme l’idée précédente,
puisque d’après le ratio R04, les entreprises saines disposent d’une autonomie
financière plus élevée que les autres entreprises, et d’une capacité de remboursement
meilleure. La détermination de l’autonomie financière (R04), a pour but fondamental
de mesurer l’indépendance de l’entreprise vis-à-vis de ses créanciers, et d’évaluer le
rapport de force entre l’entreprise, les banques et les obligataires. En outre, l’analyse
du ratio R03, confirme que l’endettement est un facteur de discrimination entre les
deux catégories d’entreprises quel que soit l’horizon de prévision, et qu’il génère une
fragilité financière qui devient défavorable avec le temps.

Les ratios de liquidité générale et réduite indiquent que les entreprises saines
présentent un niveau de liquidité plus important que celui des entreprises
défaillantes. Cela peut paraître évident, dans la mesure où les entreprises en
difficulté, ont du mal à honorer leurs engagements. En effet, lorsque la solvabilité de
l’entreprise se dégrade, les banques voient leur rôle s’accroître ; aussi, pour prévenir
le risque, elles sont amenées à prendre des mesures de resserrement des conditions de
crédit. A l’issue de cette analyse, nous constatons que la liquidité place l’entreprise,
au fil du temps, dans l’incapacité de régler sa situation vis-à-vis de ses créanciers, ce
qui conduit à une baisse notable de sa rentabilité qui se maintient de manière
relativement faible par rapport à celle des entreprises non défaillantes.

La solvabilité de l’entreprise indique sa capacité à faire face aux échéances de

remboursement de ses dettes. Aussi, nous devons-nous étudier la structure des
sources de financement de l’entreprise, puisqu’elle reflète le degré de risque plus ou
moins grand de dépendance vis-à-vis des prêteurs. A ce sujet, nous constatons que
les entreprises saines sont en moyenne les plus solvables. Cela a été confirmé par la
significativité de ratios R17 à T-1, T-2 et T-3. Ce ratio indique la fraction de l’actif
couverte par le fonds de roulement, l’importance de l’endettement à long terme de
193
 Chapitre 4 - La prévision de la défaillance

l’entreprise, la part des fonds propres dans son financement global, donc son
autonomie financière, ainsi que sa trésorerie nette. Conformément à ces indicateurs
de solvabilité, nous constatons que le ratio R19 est plus élevé dans les entreprises
défaillantes que dans les entreprises saines. En effet, ce ratio mesure le besoin en
fonds de roulement, il indique le montant de trésorerie dont l’entreprise a besoin pour
fonctionner normalement. Il est fonction du décalage qui existe entre le cycle de
production et le cycle de paiement des fournisseurs et d’encaissement des créances
clients, puisqu’il prend en compte les délais de stockage, de production, de
commercialisation et de paiement.

La croissance de l’activité des entreprises peut fournir une appréciation sur

l’utilisation des moyens de production ainsi que sur les opportunités de croissance
potentielles. Toutefois, les entreprises défaillantes se trouvent dans l’impossibilité
d’honorer leurs engagements par manque de liquidités à la suite d’une baisse de
l’activité ou de la profitabilité. Cette situation, qui peut résulter d’un choix
stratégique de recherche de parts de marché ou d’une évolution défavorable des
coûts, s’oppose nettement au comportement des entreprises non défaillantes qui,
elles, ont augmenté leurs marges. Par conséquent, le niveau bas des ratios indiquant
l’activité, la productivité ainsi que de la croissance, valide le principe prédéfini.

Etudier la rentabilité d’une entreprise, c’est apprécier son aptitude à dégager

des profits. Au-delà des objectifs de pérennité et de croissance, le but final poursuivi
par les propriétaires est d’assurer, par le biais du succès de l’entreprise qu’ils
contrôlent, leur propre enrichissement.

La rentabilité de l’entreprise peut être appréciée sous une optique

d’exploitation, économique ou financière, ce qui permet d’avoir une idée de la
rentabilité générale de toutes ses opérations. Cependant, suite à cette analyse, nous
avons constaté que les entreprises saines sont les plus rentables puisque les ratios
R24 et R26 sont déclarées significatives un, deux et trois ans avant la défaillance.

En définitive, l’analyse des deux panels d’entreprises confirme que les

entreprises défaillantes se caractérisent par des performances économiques
médiocres. L’étude du test de Wilks entre les deux groupes d’entreprises accrédite
l’idée que les entreprises défaillantes sont très endettées à court terme par rapport à

194
 Chapitre 4 - La prévision de la défaillance

l’activité. Simultanément, ces entreprises présentent un niveau de liquidité faible et

par conséquent une difficulté de remboursement des dettes à l’échéance.

2. Les résultats de l’analyse discriminante linéaire

Pour déterminer les variables les plus discriminanteset leurs coefficients, nous
avons utilisé un logiciel fréquemment appliqué dans l’analyse des données S.P.S.S7.
La sélection des variables pour l’analyse discriminante est une opération délicate.
C’est pour cette raison que nous avons eu recours la procédure du pas à pas (Stepwise
Discriminant Analysis) qui fournit un moyen économique, informatiquement parlant,
pour optimiser séquentiellement un choix plus limité des ratios dont nous disposons.
Cette méthode consiste à sélectionner progressivement la meilleure variable, puis les
deux meilleurs ratios, jusqu’à ce que l’on juge que l’ajout de nouvelles variables
n’apporte plus d’information nouvelle pertinente.

Pour définir une procédure pas à pas efficace, il faut établir dès le départ un
critère de sélection des variables qui mesure, pour le modèle discriminant,
l’information additionnelle que peut apporter une variable par rapport à celles déjà
sélectionnées. Ce critère utilisé est fondé sur le choix des ratios en fonction de la
signification de la distribution de la loi de Fisher. Dans le but d’aboutir à la
discrimination entre les deux groupes d’entreprises et d’associer un score à chacune
d’elles, la variable dépendante (endogène) prend la valeur de zéro pour une
entreprise saine et 1 pour le cas d’une entreprise défaillante. Le modèle sera donc le
suivant :

Zi = a0 + a1X1i + a2X2i + ………………+ akXki + ε i (4.1)

Où : Xki : représente la valeur prise par les ratios Xkde l’entreprise i ; ak : est le
coefficient associé à l’indicateur Xk, Zi le score d’une entreprise i. C’est la valeur de
Zi par rapport à la valeur critique Z*, qui détermine le classement des entreprises
dans le groupe des saines ou dans celui des défaillantes.

11111111111111111111111111111111111111111111111111111111111
3Statistical Package For Social Sciences (SPSS)3
195
 Chapitre 4 - La prévision de la défaillance

2.1. Les résultats de l’analyse discriminante un an avant la

défaillance (AD 1)

Au bout du dix-huitième « pas », (voir annexe, p 299), le programme est

arrivé à discriminer les 800 entreprises de l’échantillon d’apprentissage et il a retenu
18 ratios qui se présentent dans la fonction score de la manière suivante :

Zi = 0,007R02i + 0,007R03i + 0,013R04i + 0,005R05i – 0,315R08i – 0,146

R12i+ 0,096R13i + 0,04R17i – 0,016R18i + 0,018R19i – 0,052R20i – 0,720R23i +
0,041R24i – 0,060R25 + 0,033R26i + 0,002 R27i + 0,014R29i + 0,005R33i + 0,063

La disposition des différents ratios dans la fonction n’est pas aléatoire, chaque
ratio qui précède l’autre signifie qu’il a été retenu un pas avant et qu’il est plus
discriminant que le suivant. Avant l’analyse de ces ratios une description de leur
pouvoir discriminant s’est avérée nécessaire afin de dégager l’ordre d’importance et
de discrimination entre les deux groupes d’entreprises.

2.1.1. Pouvoir discriminant des ratios dans la fonction discriminante

Selon Altman (1968), si Z désigne la fonction de discrimination entre les

deux groupes d’entreprises, a : représente le coefficient de pondération du ratio R
dans la fonction de discrimination et δ : désigne l’écart type du ratio R pour
l’ensemble des entreprises de l’échantillon.

Le pouvoir discriminant du ratio R dans la fonction Z est mesuré par le

coefficient de pondération de celui-ci multiplié par son écart-type et le pourcentage P
de discrimination du ratio Rj dans la fonction Z est défini par le rapport :
7
2 2
1 4 a
2 2

P =4 a
j j
j j j =1 (4.2)

Le tableau suivant montre le pouvoir discriminant de chaque ratio dans le

score :

196
 Chapitre 4 - La prévision de la défaillance

Table 10: le pouvoir discriminant des ratios un an avant la défaillance

.8BA5 (11
65AA3 78B1B31 δ 9!1 /5E75A1 6684441
41 A4AA38BA531
B189!1 +!11 A4AA383B1$!1 03B1
.9!1 )!1

.+,1 * *++1 +,- &&-1 + %#$1 )-(1 +1

.+-1 4* *+#1 +*# #+*1 + ,*"1 $-(1 $1

.$*1 4* *"$1 $$ -"&1 + +--1 +) ,-(1 )1

.+%1 * *+-1 && *&#1 * ,%$1 # +&(1 &1

.$)1 4* ,$*1 * -#-1 * #$&1 ) -*(1 "1

.$"1 4* *#*1 - #,,1 * "$*1 $ #"(1 #1

.$&1 * *&+1 # *+$1 * )"&1 + $)(1 ,1

.*&1 * *+)1 $, *,)1 * )"*1 + $*(1 -1

.$#1 * *))1 % +"-1 * )*+1 * -%(1 %1

.*-1 4* )+"1 $ --+1 * $-&1 * -*(1 +*1

.*$1 * **,1 &* &",1 * $-$1 * ,-(1 ++1

.$%1 * *+&1 $* +%"1 * $-+1 * ,,(1 +$1

.+)1 * *%#1 $ #)+1 * $"*1 * #+(1 +)1

.*)1 * **,1 )) %+$1 * $)#1 * ""(1 +&1

.))1 * **"1 &) &&)1 * $+#1 * &&(1 +"1

.$,1 * **$1 #" #+#1 * +)*1 * +,(1 +#1

.+$1 4* +&#1 * --&1 * +$#1 * +#(1 +,1

.*"1 * **"1 $* ,%*1 * +1 * *%(1 +-1

+! L178B1B3186E6C14E16819841E31C283BA665311-**13BA441
$! 1L1A15E75A11A4AA38BA53M18191N δ 91
)! 1L1A15E3B811A4AA38BA531/!1
Le tableau ci-dessus montre qu’un an avant la défaillance 18 ratios jouent un
rôle capital dans la discrimination entre les deux groupes. Nous remarquons que le
ratio R17, est classé le premier avec une capacité de 38 %, ce qui indique que la part
du fonds de roulement qui finance l’actif circulant, a un rôle primordial dans la

197
 Chapitre 4 - La prévision de la défaillance

différenciation entre les deux catégories d’entreprises. De même le ratio R18

discrimine entre les deux groupes d’entreprises avec une capacité de 28 %.

Les ratios R17, R19, R24, R04, R26, R02, R29, R13, R03, R33, R27et R05
ont été sélectionnés avec une pondération positive. En effet, plus le niveau de
solvabilité, de rentabilité, d’activité et de productivité augmente, plus la fonction de
discrimination est élevée et la probabilité de tomber en faillite faible. Les résultats
obtenus rejoignent ceux de Keasy et Mc Guinnes (1990), Pompe et Belderbeek
(2004), Smith et Liou (2007), Hamza et Bagdadi (2008). Ces derniers estiment qu’il
y a une relation causale entre la probabilité de défaillance et la rentabilité des
entreprises ce qui permet de valider notre première hypothèse (H1). Le ratio R13 est
déclaré significatif au risque de 5%, ce résultat confirme ceux de Deakin (1972),
Rose et Giroux (1984), Frydman et al. (1985) estiment que la capacité de
remboursement figure parmi les principaux facteurs de discrimination, ce qui nous
permet de valider notre deuxième hypothèse (H2). Le ratio R08 est sélectionné
parmi les ratios les plus discriminants avec un faible pouvoir de discrimination, ce
constat rejoint ceux de Back et al. (1996), Chralambous et al. (2000). Ces auteurs
estiment que la liquidité est un facteur de dégradation de l’entreprise, ce qui permet

de confirmer notre troisième hypothèse (H3). Toutefois, le coefficient attribué au

ratio R18 est de signe négatif. Ce dernier mesure la référence traditionnelle en

matière d’appréciation du besoin en fonds de roulement. En effet, plus le décalage
dans le temps entre les encaissements et les décaissements, plus l’entreprise se trouve
dans une situation défavorable. Ce résultat rejoint les travaux de Yim et Mitchell
(2002), Pompe et Belderbeek (2004) ce qui permet de valider la quatrième,
hypothèse (H4). Le ratio R03 relatif à l’endettement, discrimine entre les entreprises
saines et les des entreprises défaillantes, comme l’ont démontré les travaux d’Altman
(1984), Titman et Opler (1994), Charlambous et al. (2002), Liou et Smith (2007), ce
qui permet de confirmer notre dernière hypothèse (H5).

Nous avons constaté que les quatre premiers ratios qui possèdent le pouvoir
les plus élevés (R17, R18, R20 et R19) expliquent en moyenne près de 80% du
pouvoir total de discrimination, puisque les entreprises déclarent rarement leur
faillite tant qu’elles possèdent des liquidités.

198
 Chapitre 4 - La prévision de la défaillance

L’appréciation de la disponibilité des liquidités renvoie au taux de liquidité

immédiate ou future. L’augmentation des créances clients reflète le dynamisme des
ventes et souligne le niveau de sa liquidité future. Cependant, comme l’économie
dans son ensemble constitue un vaste réseau d’entreprises, il est probable que la
faillite d’une entreprise ait, par effet domino, des conséquences désastreuses sur
d’autres. De plus, le gonflement des créances traduit une augmentation du besoin en
fonds de roulement et des difficultés du paiement des clients notamment des
créances douteuses qui forment des risques financiers énormes pour les entreprises.

Enfin nous constatons que sur les 18 ratios choisis un an avant la défaillance,
le ratio R20 relatif à l’exportation se place en troisième position, avec un pouvoir de
discrimination de 13,73 % ce qui permet d’affirmer que les PME exportatrices
présentent une situation financière plus solides que les PME installées sur le marché
local.

2.1.2. La classification des entreprises

Une fois le modèle de prévisionconstruit, il convient de s’assurer de sa

validité. Aussi, pour chaque firme, après avoir calculé la fonction relative à la
discrimination, nous aboutissons à la conclusion suivante :

1 Si Z > 1 : l’entreprise est considérée comme saine.

1 Si Z<-0,5 : l’entreprise est considérée en situation difficile, c’est

une zone de danger pour l’entreprise.

1 Si -0,5 < Z<1 : Nous ne pouvons pas conclure si l’entreprise est

défaillante ou saine.

Nous devons évidemment procéder à des investigations complémentaires.

C’est une zone de prudence pour l’entreprise.

Pour nous assurer de la validité du modèle de prévision, nous avons testé sa

capacité de distinguer dans l’échantillon initial les entreprises qui sont saines et
celles qui sont défaillantes sur un échantillon de 800 entreprises.

1
199
 Chapitre 4 - La prévision de la défaillance

Table 11 : validation du modèle (AD 1)

15E18B8BA531C7E18161
G318318783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 ),#1 $&1 &**1

15E1 O591
8B8 C8A6683B1 %1 )%+1 &**1
BA531 E8A31 %&1 #1 +**1
C661 (1
C8A6683B1 $$1 %,-1 +**1

Nous constatons que le modèle a pu distinguer 376 entreprises saines parmi

400, soit un taux de succès de 94 %. De surcroît il a permis de classer 391 entreprises
défaillantes qui ont effectivement fait faillite, soit donc un taux de 97,8 %. En
contrepartie, le taux d’erreur de première catégorie est de l’ordre de 2,2 %, alors que
celui de la seconde est de 6 %. Nous concluons donc, que la fonction de
discrimination, appliquée un an avant la défaillance, a permis de classer 767
entreprises parmi 800 dans le bon groupe soit un taux de bon classement de l’ordre
de 95,90 %.

2.2. Les résultats de l’analyse discriminante deux ans avant la

défaillance

La fonction discriminante est obtenue après la quatrième étape (Voir annexe,

p 302). Elle est composée de 4 ratios combinés de la manière suivante :

Zi= 0,009R03i + 0,031R04i - 0,008R10i + 0,089R26i - 0,659

D’après cette équation, ce ne sont pas les mêmes ratios qui présentent les
pouvoirs discriminants les plus importants un et deux avant la défaillance. Ce
manque de conformité s’explique par le fait que les modèles de prévision sont
construits en utilisant des informations à des horizons différents : un, deux et trois
ans avant la défaillance. L’analyse de la capacité de discrimination de ces ratios pour
prévoir la défaillance des PME françaises deux ans avant la défaillance s’avère
nécessaire.
200
 Chapitre 4 - La prévision de la défaillance

2.2.1. Pouvoir discriminant des ratios dans la fonction discriminante

Afin d’apprécier convenablement l’importance de la contribution de chaque

ratio dans la détermination de la situation de l’entreprise, nous avons procédé à la
multiplication de chaque coefficient de la fonction de discrimination par son écart
type. Pour deux ans avant la défaillance, ces pouvoirs sont représentés dans le
tableau suivant :

Table 12: le pouvoir discriminant des ratios deux ans avant la défaillance

/5E75A1 (11 668443B1

65AA3B1 78B1B31
.8BA541 A4AA383B1 A4AA38BA531
89!1  δ 91!1+!1 1
$!1 )!1

.$#1 * *-%1 - &$%1 * ,&%1 &-1(1 +1

.*&1 * *)+1 $* --*1 * #&,1 )"1(1 $1

.+*1 4* **-1 && %$$1 * )"%1 ++1(1 )1

111.*)1 * **%1 $% -&%1 * $#-1 #1(1 &1

+!L178B1B3186E6C14E16819841E31C283BA665311-*13BA441

$!1L1A15E75A11A4AA38BA53M18191N δ 91

)!1L1A15E3B811A4AA38BA531/!1

Le tableau ci-dessus montre que l’analyse discriminante parvient à identifier

la situation financière future des entreprises en accordant une importance inégale aux
ratios financiers utilisés. En effet, nous signalons dès le début que le ratio de
rentabilité R26 a été sélectionné dans les premiers pas avec un pouvoir de l’ordre de
48 %.

La prise en compte de l’écart type dans l’évaluation des contributions des

ratios dans la discrimination et la prévision de la défaillance des entreprises permet
de dégager quelques régularités afin de comprendre le comportement des entreprises
françaises. La liquidité, l’endettement, la croissance de l’activité, la solvabilité et
l’équilibre financier, représentent les indicateurs les plus significatifs de la situation
financière des entreprises. Souvent, ces indicateurs sont utilisés pour évaluer les
différentes dimensions de la firme et, de ne fait, ils n’ont pas la même capacité
prédictive avant la défaillance. Donc, l’investigation dans les causes de la défaillance

201
 Chapitre 4 - La prévision de la défaillance

permet d’évaluer un ordre d’importance des ratios financiers afin de sélectionner

ceux qui peuvent éventuellement être utilisés dans les modèles de prévision.

Le ratio R04, joue un rôle prépondérant dans la discrimination entre les deux
groupes d’entreprises. En effet, le montant des créances détenues dans une entreprise
informe sur la relation avec la clientèle et indique le niveau de sa liquidité future. A
cet égard, et pour les deux catégories d’entreprises, le niveau de liquidité future
constitue un facteur de discrimination entre les entreprises saines et défaillantes,
confirmé par le pouvoir prédictif élevé du ratio R04 un et deux ans avant la
défaillance. Toutefois, il est important de vérifier s’il y a une rotation lente des
créances ou l’existence d’une part non négligeable des créances douteuses qui
constituent des risques financiers énormes pour les entreprises, notamment
l’augmentation du besoin en fonds de roulement confirmé par un signe négatif
attribué au ratio R18. En outre, nous avons remarqué à un et deux ans avant la
faillite, que la baisse du niveau d’activité reste un facteur durable et dominant pour
l’explication des causes de faillites de nos entreprises. En effet, le déclin des
performances correspond à une dégradation durable de l’activité de l’entreprise, ce
qui engendre par la suite un besoin en fonds de roulement, une rentabilité
insuffisante et enfin une baisse de la liquidité ce qui aboutit à sa liquidation.

Le ratio R10 (durée de crédit clients) est déclaré significatif entre les deux
types d’entreprises, le recours à ce type de financement est trop risqué dans la mesure
où l’entreprise a peu de contrôle sur cette variable. Au début de son cycle de vie,
l’entreprise rencontre d’importants problèmes de reconnaissance, de développement
de marché et de gestion. Cela a été confirmé par Dietsch (1997), en accordant un
délai de paiement à un client, toute entreprise s’expose au risque de subir les effets
d’un comportement de « mauvais payeur » de celui-ci, ce qui engendre un
allongement de la durée du crédit et une augmentation des coûts de surveillance.

L’apparition du ratio R03 dans la discrimination entre les deux groupes

d’entreprises a un pouvoir de discrimination de l’ordre de 6 %, Le pouvoir de
discrimination faible de ce ratio arrive au dernier pas. Ce qui confirme les résultats
trouvés à un an avant la défaillance selon lesquels l’endettement constitue un facteur
de discrimination entre les deux groupes d’entreprises. Les résultats empiriques ont
permis de confirmer l’hypothèse H5 même deux ans avant la défaillance. Le
coefficient attribué au ratio R03 est de signe positif. En effet, plus le niveau
202
 Chapitre 4 - La prévision de la défaillance

d’endettement d’une entreprise s’accroît, plus la fonction de discrimination est

élevée, donc la probabilité de tomber en faillite sera forte, et par conséquent,
l’endettement peut être considéré comme une solution aux problèmes rencontrés par
nos entreprises.

Pour conclure, l’analyse discriminante arrive à distinguer entre les deux

groupes d’entreprises en accordant une importance inégale aux ratios financiers à un
et deux ans avant la faillite. De ce fait, la faillite des entreprises est en partie, liée
aux effets cumulés de la rentabilité (H1), à l’autonomie financière, à la durée de
crédit clients et de l’endettement (H5), (Pompe et Bilderbeek, 2004).

2.2.2. La classification des entreprises

L’application de la fonction de discrimination aux données relatives

au groupe initial, nous nous a permis d’obtenir les résultats figurant dans le tableau
suivant :

Table 13: validation du modèle (AD 2)

15E18B8BA531C7E18161
EF183418783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $##1 +)&1 &*1

15E1 O591
8B8 C8A6683B1 +&-1 $"$1 &*1
BA531 E8A31 ## "1 )) "1 +**1
C661 (1
C8A6683B1 ),1 #)1 +**1

1 1

Nous constatons que le passage d’un à deux ans avant la faillite modifie les
résultats. Le pourcentage de classement correct est de 64,8 % (266+252/800),
l’erreur relative à la première catégorie passe de 2,2 % à 37 %, et celle de la seconde
catégorie passe de 6 % à 33,5% par rapport à l’analyse d’un an avant la faillite. En
conséquence, cette analyse permet de classer correctement 266 entreprises saines et
252 entreprises défaillantes, soit un taux de bons classements de 66,5 % et 63 %,
respectivement.

203
 Chapitre 4 - La prévision de la défaillance

2.3. Les résultats de l’analyse discriminante Trois ans avant la

défaillance

La fonction discriminante est obtenue après quatre pas (Voir annexe, p 304).
Elle est formée de 4 ratios combinés de la manière suivante :

Zi= 0,038R04i – 0,013R05i – 0,009R10i + 0,041R25i + 0,259

D’après cette équation, ce ne sont pas les mêmes ratios qui présentent les
pouvoirs discriminants les plus importants un et deux avant la défaillance. Ce
manque de conformité, peut s’expliquer par le fait que les modèles de prévision sont
construits en utilisant des informations à des horizons différents : un, deux et trois
ans avant la défaillance.

2.3.1. Pouvoir discriminant des ratios dans la fonction discriminante

Afin d’apprécier convenablement l’importance de la contribution de chaque

ratio dans la détermination de la situation de l’entreprise, nous avons procédé à la
multiplication de chaque coefficient de la fonction de discrimination par son écart
type. Pour deux ans avant la défaillance, ces pouvoirs sont représentés dans le
tableau suivant :

Table 14: le pouvoir discriminant des ratios deux ans avant la défaillance

/5E75A1 (11 668443B1

65AA3B1 78B1B31
.8BA541 A4AA383B1 A4AA38BA531
89!1  δ 91!1+!1 1
$!1 )!1

.*&1 * *)-1 $* ,#&1 * ,--1 #$1(1 +1

.+*1 4* **%1 && #,%1 * &*$1 +#(1 $1

.$"1 * *&+1 - -+$1 * +)*1 +)(1 )1

.*"1 4* *+)1 $$ ,++1 * $%&1 %(1 &1

+!L178B1B3186E6C14E16819841E31C283BA665311-*13BA441

$!1L1A15E75A11A4AA38BA53M18191N δ 91

)!1L1A15E3B811A4AA38BA531/!1

204
 Chapitre 4 - La prévision de la défaillance

Le tableau ci-dessus, indique que l’analyse discriminante parvient à prévoir la

situation financière future des entreprises en accordant une importance inégale aux
ratios financiers utilisés. En effet, nous signalons depuis le début, que le ratio
d’activité R04 a été sélectionné dans les premiers pas, avec un pouvoir de l’ordre de
62 %.

Le ratio d’autonomie financière (R04) est statistiquement significatif au

risque de 5 %, ce qui nous renseigne sur le niveau d’endettement au sein de
l’entreprise. Ce résultat est conforme à ceux d’Altman et al. (1994), Mensah (1984),
Platt et Platt (1991), Chralambous et al. (2000), Liou et Smith (2007), ce qui permet
de valider notre cinquième hypothèse (H5) : plus le niveau d’endettement est élevée,
plus la situation la situation financière de l’entreprise se dégrade.

La variable « durée de crédit clients » est déclarée significative au risque de 5

% pour les trois horizons de prévision de la défaillance. Une PME avant sa faillite
accorde des délais plus longs, ce qui tient au laxisme de sa gestion commerciale, au
manque de suivi des créances, au souci de garder ou d’élargir la clientèle.
L’entreprise prend des clients sans oser leur imposer des conditions des paiements
strictes. Ce résultat corrobore à ceux de Dietsch (1997), Pacitto (1998).

Le ratio de performance R2 est statistiquement significatif au risque de 5 %.

Ce constat est conforme à ceux de Taffler (1982), Weiss (1996), Mossman et al.
(1998), Atiya (2001), Pompe et Belderbak (2004), ce qui permet de valider notre
première hypothèse (H1) : il existe une relation négative entre la rentabilité et la
défaillance d’entreprises.

Le ratio « degré d’amortissement des immobilisations corporelles » est

sélectionné à la dernière étape avec un faible pouvoir de discrimination de l’ordre de
9 %, ce qui permet de conclure que les entreprises ayant un faible taux d’usure de
l’outil productif sont plus concurrentielles sur le marché, ce qui explique une relation
négative entre ce ratio est le score Z fourni par l’analyse discriminante, plus ce ratio
est grand plus la probabilité de tomber en faillite est grande.

205
 Chapitre 4 - La prévision de la défaillance

2.3.2. La classification des entreprises

Dans le tableau qui suit figurent les résultats que nous avons obtenus en
testant la validité de la fonction discriminante trois ans avant la défaillance.

Table 15: validation du modèle (AD 3)

15E18B8BA531C7E18161
;5A4183418783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $&"1 +""1 &**1

15E1 O591
8B8 C8A6683B1 +,+1 $$%1 &**1
BA531 E8A31 #+ $1 )- -1 +**1
C661 (1
C8A6683B1 &$ -1 ", $1 +**1

Nous constatons que la chute du taux de bons classements a été confirmée

pour les deux groupes d’entreprises. En effet, la majorité des travaux antérieurs
permettent de constater que plus on se rapproche de l’horizon de la défaillance, plus
la prévision est précise. Cela est dû à la dégradation de la situation de l’entreprise un
an où quelques mois avant sa déclaration en faillite. De ce fait, la discrimination
entre les deux échantillons d’entreprises saines et défaillantes sera claire ; dans ce
cadre, la fonction fait apparaître un pourcentage de bons classements de 57,2 %
seulement pour les entreprises en difficulté, contre 61,2 % pour les entreprises saines,
soit un pourcentage total de 59,3 % pour l’ensemble de l’échantillon.

Les résultats de notre étude rejoignent ceux de Bardos et Zhu (1997), Bardos
(1998), Pompe et Belderbeek (2004), Platt et Platt (1999), Hamza et Baghdadi
(2008). Ils sont toutefois moins probants que ceux d’Altman (1968), Marco et
Varetto (1994) et Varetto (1998). Ces dernières études obtiennent en effet des
résultats extrêmement fiables qui dépassent les 90 % le taux de bons classements en
moyenne sur les différents horizons de prévision. La plupart des travaux proposent,
comme notre étude, un horizon de prévision à trois ans (Altman, 1968, Marco et
Varetto, 1994 ; Bardos et Zhu, 1997 ; Varetto, 1998, Jones et Hensher, 2007, Ding et
al., 2008), alors que d’autres sont réalisés cinq ans avant la défaillance (Yang et al.,

206
 Chapitre 4 - La prévision de la défaillance

1999 ; Pompe et Bilderbeek, 2004), ou encore sont réalisées sur les échantillons
parfois supérieurs à 4 000 entreprises et sur une période de 4 à 13 ans. Par rapport
aux travaux proposés par la littérature, notre étude présente un modèle qui porte sur
33 ratios comptables, alors que dans la plupart des cas, l’étude est faite à partir d’une
moyenne de 7 ratios. Certains auteurs, notamment Pompe et Bilderbeek (2004),
utilisent une batterie riche en ratios comptables et financiers composée de 43 ratios,
et obtiennent des résultats qui se situent dans la moyenne de l’ensemble des travaux.
Enfin, les études qui proposent les horizons de prévision les plus éloignés sont celles
qui offrent les taux de bon classement les moins élevés, preuve que la fiabilité des
modèles de type AD pour la prédiction de la défaillance diminue avec la longueur de
l’horizon de prévision.

L’analyse discriminante linéaire présente un inconvénient majeur : elle

requiert des conditions statistiques strictes. Les variables comptables utilisées
doivent en effet suivre une loi multinomiale et leurs matrices de variance-covariance
doivent être les mêmes pour l’échantillon des entreprises défaillantes et pour celui
des entreprises non-défaillantes. Face à la contrainte d’homoscédasticité, certains
auteurs ont recouru aux analyses discriminantes quadratiques, qui n’exigent que
l’hypothèse de multinormalité des ratios (Lachenbruch et al. 1973, Rose et Giroux,
1984 ; Refait, 2004). Mais, malgré le respect de l’hypothèse de multinormalité,
l’analyse discriminante quadratique n’est performante que si elle est appliquée à un
échantillon très large. Face à ce constat certains auteurs ont préféré recourir à
d’autres techniques : les méthodes économétriques sur variables qualitatives (Olhson,
1980 ; Bardos et Zhu, 1997 ; Lennox, 1999 ; Cheng et al.,2006 ; Lin, 2009), les
réseaux de neurones (Varetto, 1998 ; Barney et al., 1999, Shin et Lee, 2002 ; Chen et
Du, 2009 ; Ravisankar et Ravi, 2010), les techniques de « support vector machine »
(Vapnik, 1998 ; Hua et al.,2007 ; Ding et al., 2008 ; Li et Sun, 2009 ; Li et al., 2010).

Face au problème de corrélation (voir annexe, 289), et pour ne pas

supprimer les ratios jugés pertinents pour notre analyse, nous allons utiliser la
méthode de régression PLS qui semble donner des résultats satisfaisants en éliminant
le problème de corrélation entre les différentes variables de notre étude empirique
(Tennhaus, 1998 ; Nguyen et Rocke, 2004 ; Esposito et al., 2005).

207
 Chapitre 4 - La prévision de la défaillance

3. Les résultats de l’analyse discriminante PLS

La méthode PLS-DA appréhende les problèmes multi-classes ou moyen

d’une variable qualitative à plusieurs modalités. Pour la construction du modèle de
prédiction, la variable cible est remplacée par k variables indicatrices, définies de la
manière suivante :

Zk= 1 si Y = yk (l’entreprise est défaillante)

0 sinon

L’algorithme PLS est est appliqué à un tableau composé par les Zk et les
descripteurs X.

Zˆ k = b0,k + b1,k X 1i + .... + b p,k X pi (4.3)

3.1. Les résultats de l’analyse discriminante PLS un an avant la

défaillance (PLS-DA1)

Les coefficients de la fonction discriminante (voir annexe, p 322) obtenus à

l’aide du logiciel TANAGRA8 sont les suivants :

Zk = 0,416 – 0,001R02i – 0,0022R04i + 0,015R20i + 0,169R23i – 0,004R24i +

0,004R25i – 0,001R26i – 0,0002R30i – 0,001R33i

3.1.1. Pouvoir discriminant des ratios dans la fonction discriminante

Après avoir déterminé la fonction de discrimination, l’information la plus

pertinente est l’importance des descripteurs dans la la projection VIP (Variable
Importance in Projection) indiquent la pertinence de chaque descripteur pour la
prédiction des valeurs de Y à travers les h premiers facteurs retenus (Tenenhaus,
1998). La VIP nous permet de hiérarchiser les ratios selon leur pouvoir explicatif sur
les variables cibles. Plus la valeur est grande, plus la valeur est intéressante ; de
manière très simplifiée, nous dirons qu’une variable est à considérer avec attention
dès lors que (VIP 5 1). Dans le tableau qui suit nous résumons ce constat.
11111111111111111111111111111111111111111111111111111111111
33C2CA4C3B9383EA%7C7BE3%9793FB340"03*?9?9E3FB97853A3E.B8B7%8BB893B93A3E3BC/BC/B3

208
 Chapitre 4 - La prévision de la défaillance

Table 16: Poids des ratios dans la fonction de discrimination un an avant la

défaillance

.8BA541 82/1

.$*1 $ ,&))1

.*&1 + ##*&1

.$)1 + &-"+1

.$#1 + ),-)1

.$"1 + )&%)1

.$&1 + +,,"1

.*$1 + +$##1

.)*1 + +$#+1

.))1 + *,*#1

La régression PLS un an avant la défaillance a permis de sélectionner 9 ratios

selon leur importance dans la fonction de discrimination, le ratio d’exportation (R20)
inclus, et ce avec une forte pondération à l’ordre de 2,74, nous pouvons constater que
les PME exportatrices sont moins exposées au risque de défaillance que les PME
absentes sur le marché international. En effet, on peut constater qu’un an avant la
défaillance les entreprises en difficulté n’ont pas les moyens de vendre leurs produits
sur le marché extérieur ni d’attirer des nouveaux clients. Ce résultat ne figure pas
dans la plupart des travaux antérieurs et peut s’avérer être une spécificité des
entreprises françaises.

Ainsi, nous constatons la présence des ratios d’autonomie financière, de

productivité du capital investi, de rentabilité nette, de performance, d’indépendance
financière, ainsi que ceux relatifs à la part des salariés et à la part d’autofinancement.
Ce résultat est conforme à ceux d’Altman (1968), Deakin (1972), Taffler (1982),
Titman et Opler (1994), Pompe et Belderbeek (2004), Lin et Piesse (2004), Refait
(2004).

209
 Chapitre 4 - La prévision de la défaillance

3.1.2. La classification des entreprises

L’analyse PLS-DA a permis de retenir 6 composantes, les résultats de

classification sont présentés dans le tableau suivant :

Table 17: Validation du modèle (PLS-DA 1)

15E18B8BA531C7E18161
E318318783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 ),,1 $)1 &**1

O591
15E1 C8A6683B1 "1 )%"1 &**1
8B8BA531
C661 E8A31 %& $"1 " ,"1 +**1
(1
C8A6683B1 + $"1 %- ,"1 +**1

1 1 1

D’après ce tableau, nous pouvons dire que les résultats obtenus, en utilisant la
méthode PLS-DA, sont intéressants par rapport à l’analyse discriminante (AD 1). En
effet, le taux de bons classements des entreprises est de l’ordre de 96,50 %, soit un
pourcentage d’erreurs de seconde espèce de l’ordre de 5,75 % et un taux d’erreur de
première espèce de l’ordre de 1,25 %.

Conformément à cela, l’analyse PLS-DA a pu reconnaître 377 des entreprises

saines, soit un taux de 94.25 %, alors que seulement cinq entreprises défaillantes sont
classées parmi les entreprises saines, soit un taux de 98.75 %. A ce stade d’analyse,
nous pouvons affirmer la supériorité de la méthode PLS-DA par rapport à l’analyse
discriminante un an avant la défaillance.

210
 Chapitre 4 - La prévision de la défaillance

3.2. Les résultats de l’analyse discriminante PLS deux ans avant la

défaillance (PLS-DA2)

Nous allons procéder de la même manière que précédemment, sur les mêmes
entreprises mais pour l’exercice arrêté deux ans avant la défaillance. L’estimation
des coefficients du modèle (voir annexe, p 324) est formulée de la manière suivante :

Zk= 0,0209 – 0,0004 R02i – 0,0001R03i – 0,0021R04i + 0,0009R10i +

0,0001R14i - 0,0040R17i + 0,0054R25i – 0,0058R26i + 0,00009R30i – 0,0046R31i +
0,00005R33i

3.2.1. Pouvoir discriminant des ratios dans la fonction discriminante

Pour déterminer l’ordre d’importance des ratios comptables dans la

discrimination entre des deux types d’entreprises, nous présentons le tableau
suivant :

Table 18: Poids des ratios dans la fonction de discrimination deux ans avant la
défaillance

.8BA5411 82/1

.$#1 $ *&-$1

.$"1 + %,)#1

.*&1 + ,&"&1

.+,1 + ,$&-1

.+*1 + )"$"1

.*$1 + )*)#1

.))1 + +"#&1

.)*1 + +$)$1

.*)1 + *-&+1

.)+1 + **#&1

.+&1 + **%#1

211
 Chapitre 4 - La prévision de la défaillance

L’analyse PLS a pu retenir onze ratios financiers, le ratio de rentabilité (R26)

ainsi que le ratio de performance apparaissent comme les variables les plus
discriminantes entre les deux types d’entreprises, ce qui permet de valider notre
première hypothèse (H1), à savoir qu’il existe une relation négative entre la
rentabilité est le risque d’insolvabilité. D’autres ratios ont été sélectionnés avec
différentes pondérations notamment les ratios d’endettement (R03, R04, R14), la part
des salariés et de l’Etat, ce qui permet de conclure que l’Etat joue un rôle primordial
et surtout en période de crise pour soutenir les PME. Ce résultat est conforme à ceux
de Blazy et al. (1993), Yim et Mitchel (2002), Pompe et Belderbeek (2004).

3.2.2. La classification des entreprises deux ans avant la défaillance

Les résultats du pouvoir prédictif de ce modèle sont représentés dans le

tableau suivant :

Table 19: Validation du modèle (PLS-DA 2)

15E18B8BA531C7E181
EF183418783B1681 O8BE1 615561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $,&1 +$#1 &**1

O591
15E1 C8A6683B1 +),1 $#)1 &**1
8B8BA5
31C661 E8A31 #- "1 )+ "1 +**1
(1
C8A6683B1 )& $"1 #" ,"1 +**1

Dans le groupe des entreprises saines, le modèle retient 126 entreprises

comme étant défaillantes, alors qu’elles ne le sont pas. De même dans le groupe des
entreprises défaillantes, 137 d’entre elles sont considérées saines, ce qui n’est pas le
cas.

L’étude du modèle deux ans avant la défaillance, permet de constater une

chute du taux de classement des entreprises saines de 94,25% à 68,5%, et des
entreprises défaillantes de 98,75% à 65,75%. Donc, plus l’horizon de prévision est

212
 Chapitre 4 - La prévision de la défaillance

lointain, plus la justesse du modèle se réduit. En guise de conclusion, nous avons

détecté une supériorité de l’analyse discriminante-PLS un et deux ans avant la
défaillance par rapport à l’analyse discriminante.

3.3. Les résultats de l’analyse discriminante -PLS trois ans avant la

défaillance (PLS-DA3)

Nous allons procéder de la même manière que précédemment, sur les mêmes
entreprises mais pour l’exercice clos trois ans avant la défaillance. . L’estimation des
coefficients du modèle (voir annexe, p 325) est formulée de la manière suivante :

Zk= 0,5432 – 0,0007 R02i – 0,00068R03i – 0,0038R04i + 0,00089R10i +

0,00013R14i + 0,00082R17i – 0,00055R18i + 0,00151R21i – 0,00748R25i –
0,000451R26i + 0,00118R27i + 0,00064R33

3.3.1. Pouvoir discriminant des ratios dans la fonction discriminante

Pour déterminer l’ordre d’importance des ratios comptables dans la

discrimination entre les deux types d’entreprise, nous présentons le tableau suivant :

Table 20: Poids des ratios dans la fonction de discrimination trois ans avant la
défaillance

.8BA5411 82/1

.*&1 $ +,+,1

.+*1 + &%%-1

.*$1 + &+)+1

.$"1 + ),$,1

.$#1 + )$--1

.+,1 + $),&1

.$,1 + $)")1

.++1 + +##*1

.))1 + +&&"1

213
 Chapitre 4 - La prévision de la défaillance

.*)1 + +*-,1

.+-1 + *,")1

.$+1 + *)""1

Les résultats de la régression fournissent douze ratios discriminants parmi les

trente-trois ratios retenus pour cette étude. La spécificité de cette régression est
l’apparence du ratio « durée du crédit fournisseurs » dans la fonction de
discrimination, ce qui signifie que plus les fournisseurs accordent des longs délais de
paiement moins l’entreprise est exposée au risque de détresse financière. Ce constat
rejoint les précédentes constatations ainsi les des différents travaux de littérature.

3.3.2. La classification des entreprises

L’analyse PLS-DA a pu retenir 6 composantes, les résultats de classification

sont présentés dans le tableau suivant :

Table 21: Validation du modèle (PLS-DA 3)

15E18B8BA531C7E181
;5A4183418783B1681 O8BE1 615561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $&"1 +""1 &**1

O591
C8A6683B1 +#+1 $)%1 &**1
15E1
8B8BA531 1 1 1 1 1
C661
E8A31 #+ $"1 )- ,"1 +**1
(1
C8A6683B1 &* $"1 "% ,"1 +**1

214
 Chapitre 4 - La prévision de la défaillance

En considérant ce tableau, nous pouvons dire que les résultats obtenus, en

utilisant la méthode PLS, sont intéressants par rapport à l’analyse discriminante. En
effet, le taux de bons classements des entreprises est de l’ordre de 60.5 %, soit un
taux d’erreurs pour la seconde catégorie de l’ordrede 38.75 % et un taux d’erreur
pour la première catégorie de l’ordrede 40.25 %.

En ce qui concerne le pouvoir prédictif du modèle dans le temps en passant

de deux à trois ans avant la défaillance, nous avons constaté une chute du taux de
classement des entreprises saines de 68.5 % à 61.25 % et des entreprises défaillantes
de 65.75 % à 59.75 %. De ce fait ou par conséquent, plus l’horizon de prévision est
lointain, plus la capacité du modèle se réduit. En guise de conclusion, nous avons
détecté une supériorité de la régression PLS un, deux et trois ans avant la défaillance
par rapport à l’analyse discriminante traditionnelle. En effet, un an avant la
défaillance, le taux de bons classements des entreprises est de 95.9 % pour l’AD1 et
de 96.5 % pour l’analyse PLS-DA1. Deux ans avant la défaillance, le taux de bons
classements est de 64.8 % pour AD2 et 67.125 % pour PLS-DA 2. En ce qui
concerne la troisième année, le taux de bons classements est de 59.25 % pour AD 3
et 61.25 % pour PLS-DA 3. Ces résultats ont été confirmés par des travaux
antérieurs appliqués à des domaines scientifiques autres que la prévision de la
défaillance, par Nguyen et Roke (2004), Bastien et al. (2005), qui estiment que le
rôle des hypothèses restrictives de l’analyse discriminante par rapport à la régression
PLS peut être utilisé avec succès à des données financières.

215
 Chapitre 4 - La prévision de la défaillance

II. Comparaison des résultats de la régression

logistique et de la régression logistique PLS

Dans cette section nous essayerons dans un premier temps, de présenter les
résultats de la régression logistique, ensuite, nous détaillerons les résultats de la
régression logistique PLS. Enfin nous mettrons en avant une comparaison entre les
différentes méthodes économétriques.

1. Les résultats de la régression logistique

Dans de nombreuses études quantitatives, quand certains états sont traduits

par certaines variables qualitatives, on peut toujours les présenter par une variable
auxiliaire prenant les valeurs 0 et 1. Supposons que Y soit nul pour les entreprises
non défaillantes et égal à un pour les entreprises défaillantes. Le vecteur x des
variables exogènes est composé de K ratios financiers retenus pour leur qualité
discriminante et leur faible corrélation entre elles. Le modèle s’écrit :

Yi = 1 si β ' x i + ε i > 0 (l’entreprise est défaillante)

Yi = 0 si β ' x i + ε i ≤ 0 (l’entreprise est saine)

où 6iexprime l’erreur associée à l’entreprise i et 2 le vecteur des coefficients.

Les probabilités de défaillance constituent des aides à la décision, elles

permettent la construction de classes de risque. Si l’on désire affecter une entreprise
à l’un des deux groupes à partir de la probabilité de faillite, il est possible de
déterminer un seuil de décision c'est-à-dire un seuil de probabilité P. Si sa probabilité
de faillite estimée est supérieure à P, alors l’entreprise est considérée comme
défaillante, inversement, si sa probabilité de faillite estimée est inférieure à P, elle est
considérée comme non défaillante. P est choisi de manière à maximiser la qualité du
classement. La plupart des travaux antérieurs assument qu’une entreprise est
considérée comme défaillante si sa probabilité de défaillance est supérieure ou égale
à 50 % (p ≥ 0,5).

216
 Chapitre 4 - La prévision de la défaillance

Les résultats de l’estimation du modèle probabiliste un an et deux ans avant la

défaillance avec un seuil de probabilité égale à 50 % seront exposés dans ce qui suit.

1.1. Les résultats du modèle un an avant la défaillance (Logit 1)

1.1.1. Les résultats la fonction probabiliste

A partir des 33 ratios pris initialement qui vont constituer les variables
explicatives du modèle à estimer à un an avant la défaillance, nous avons procédé
aux étapes suivantes :

1 Estimer les coefficients du modèle Logit en utilisant les données de 800

observations de notre échantillon (Voir annexe, p 307).
1 Calculer la probabilité de défaillance des entreprises : P {Yi = 1} = (1 + e –

β ' Xi) -1

1 La règle de décision consiste à comparer cette probabilité par rapport à un

seuil critique p* = 0,5 :
• Si P (Yi =1) > 0,5 : alors le modèle considère l’entreprise comme défaillante
et la classe dans ce groupe.

• SiP (Yi =1) < 0,5 : alors le modèle considère l’entreprise comme saine et la
classe dans ce groupe.

• Si P (Yi =1) = 0,5 : zone d’incertitude, la probabilité d’appartenir à ce groupe

ou à l’autre est de 50 %.La validation du modèle un an avant la faillite est exposée
ci-dessous.

Table 22: Les résultats de la régression un an avant la défaillance

65AA3B1
.8BA541 ;4B1E1J861 /5989A6ABC1 7FP!1
P!1

.*+1 4* $$&1 - +*#1 * **&NNN1 * -**1

.*&1 4* *%+1 )" )&)1 * ***NNN1 * %+)1

.+,1 4* +,%1 &- #,,1 * ***NNN1 * -)#1

.+-1 * *%-1 "+ #$$1 * ***NNN1 + +*)1

217
 Chapitre 4 - La prévision de la défaillance

.+%1 4* *)%1 $$ )"*1 * ***NNN1 * %#$1

.$*1 * +*$1 "+ +%$1 * ***NNN1 + +*-1

.$+1 4* *$+1 , -%%1 * **"NNN1 * %,%1

.$)1 & "-%1 )$ &%+1 * ***NNN1 %- &)*1

.$%1 4* ++&1 $* &+-1 * ***NNN1 * -%)1

6534B83B1 * #%-1 + +*&1 * $%)1 $ **"1

111111111N14A3AA8BA7ABC18E14EA611+*( 1NN4A3AA8BA7ABC18E14EA611"( 1NNN4A3AA8BA7ABC18E14EA611+(1

les ratios qui distinguent avec plus de précision les entreprises défaillantes
des autres entreprises sont les suivants : l’équilibre financier, l’autonomie financière,
la couverture du chiffre d’affaires par le fonds de roulement, la couverture du chiffre
d’affaires par le besoin en fonds de roulement, le poids du besoin en fonds de
roulement d’exploitation, l’exportation, la productivité de potentiel de production, la
productivité du capital investi et le taux de valeur ajoutée ; ce dernier ratio est plus
faible pour les entreprises défaillantes que pour les entreprises non défaillantes.
Celasignifie que les consommations intermédiaires sont plus importantes dans le
chiffre d’affaires des entreprises non défaillantes : soit le coût des matières premières
est effectivement plus important, soit le bien ou le service produit par l’entreprise a
perdu de sa valeur sur le marché.

Le ratio couverture du chiffre d’affaires apparaît comme un facteur de

distinction entre les deux catégories d’entreprises. Le fonds de roulement représente
l’ensemble des ressources stables et durables de l’entreprise qui ne sont pas
immobilisées. Ces ressources serviront dont à garantir le paiement d’éventuelles
dettes d’exploitation lorsque l’entreprise ne dispose pas de liquidités provenant de
ses créances. Plus le fonds de roulement est faible, plus les moyens permettant de
faire face immédiatement aux dettes sont réduits. Si le fonds de roulement est
négatif, l’entreprise n’a aucune liquidité disponible. Une partie des immobilisations
doit être financée par des ressources à court terme, et le risque de cessation des
paiements est très grand.

218
 Chapitre 4 - La prévision de la défaillance

Finalement, le résultat fourni par la régression logistique confirme les

précédents résultats des différentes méthodes statistiques.

1.1.2. La classification des entreprises

Le tableau suivant décrit les résultats de la classification:

Table 23: Validation du modèle (Logit 1)

15E18B8BA531C7E1
G3183118783B1681 O8BE1 81615561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

)--1 +$1
E8A31 &*1
O591 1 1
C8A6683B1 &*1
15E1 &1 )%#1
8B8BA531
C661 %,1 )1
E8A31 +**1
(1 1 1
C8A6683B1 +**1
+1 %%1

1 1

Ce tableau nous permet de constater que le taux de bons classements s’élève à

98 % avec un taux d’erreur de première espèce de l’ordre de 1 % et un taux d’erreur
de deuxième espèce de l’ordre de 3 %, nous pouvons dire aussi que les résultats
obtenus, en utilisant le modèle Logit, sont intéressants par rapport à l’analyse
discriminante (AD 1).

219
 Chapitre 4 - La prévision de la défaillance

1.2. Les résultats du modèle deux ans avant la défaillance (Logit 2)

1.2.1. Les résultats de la fonction probabiliste

Les résultats d’estimation (voir annexe, p 314) sont présentés comme suit :

Table 24: Les résultats de la régression deux ans avant la défaillance

65AA3B1 EA311
.8BA541 ;4B1E1J861 /5989A6ABC1 7FP!1
P!1 6B1

.*&1 4* *+-1 +$ +"#1 * ***NNN1 * %-$1 OC8BA1

.*,1 4+ +"+1 $ $"*1 * +)&1 * -#*1 OC8BA1

.+*1 * **%1 $* +$$1 * ***NNN1 + **%1 /54ABA1

.$#1 4* +",1 #) #-&1 * ***NNN1 * -""1 3C8BA11

6534B83B1 * ),-1 ) ""+1 * *#*N1 + &#*1 /54ABA1

N4A3AA8BA7ABC18E14EA611+*1( 1NN4A3AA8BA7ABC18E14EA611"1( 1NNN4A3AA8BA7ABC18E14EA611+1(1

Nous pouvons constater que les ratios d’autonomie financière, de liquidité

générale, durée du crédit clients et de rentabilité nette sont déclarés significatifs au
risque de 5 %.

Un accroissement du ratio R04 d’une unité entraîne une diminution de la

probabilité de défaillance de 0,982 fois. L’augmentation du ratio R10 (durée du
crédit clients) entraîne une augmentation de la probabilité de défaillance de 1,008
fois. Ce résultat reflète une plus grande difficulté de recouvrement des créances, et
conduit à l’idée qu’une partie des causes de la défaillance peut, parfois, provenir
d’une répercussion des difficultés d’un client.

220
 Chapitre 4 - La prévision de la défaillance

1.2.2. La classification des entreprises

La validation du modèle Logit sur l’échantillon d’entreprises saines et

défaillantes sera établi comme suit:

Table 25 : Validation du modèle (Logit 2)

O8BE1 15E18B8BA531C7E1
EF11834118783B1681 81615561
3BA4 ;5B861
C8A66831
1 E8A31 C8A6683B1

$#*1 +&*1
E8A31 &**1
O591 1 1
C8A6683B1 &**1
15E1 +$-1 $,$1
8B8BA531
C661 #"1 )"1
E8A31 +**1
(1 1 1
C8A6683B1 +**1
)) "1 ## "1

Sur 400 entreprises saines, le modèle a puidentifier 260 entreprises, soit un

taux de l’ordre de 58 %. En ce qui concerne les entreprises défaillantes l’analyse a
permis de distinguer 252 parmi 400, soit un taux de 63 %, donc un taux d’erreur de
première espèce de l’ordre de 37 %.

En guise de conclusion, nous pouvons confirmer nos précédentes

constatations concernant la chute de pouvoir discriminant dans le temps en passant
de 98 % un an avant la défaillance à 60,5 % trois ans avant, de même nous avons
détecté une nette supériorité du modèle probabiliste un, deux et trois ans avant la
défaillance par rapport à l’analyse discriminante. En effet, à un an avant la
défaillance, le taux de bons classements des entreprises est de 95,9 % pour DA1 et de
98 % pour le modèle Logit. A deux ans avant la défaillance, le taux de bons
classements est de 64,8 % pour DA2 et 66,5 % pour le modèle Logit 1. En ce qui
concerne la troisième année, le taux de bons classements est de 59,3 % pour l’DA3 et
60,5 % pour le modèle Logit 2. Ces taux ont été confirmés par la majorité des
221
 Chapitre 4 - La prévision de la défaillance

travaux antérieurs, et mettent en évidence le rôle des hypothèses restrictives de

l’analyse discriminante par rapport aux modèles probabilistes.

1.3. Les résultats du modèle Trois ans avant la défaillance (Logit 3)

Nous allons procéder de la même manière que précédemment, sur les mêmes
entreprises, mais pour l’exercice closdeux ans avant la défaillance.

1.3.1. Les résultats de la fonction probabiliste

La régression logistique effectuée avec le logiciel SPSS donne les résultats

suivants (voir annexe, p 318).

Table 26:Les résultats de la régression trois ans avant la défaillance

65AA3B1 ;4B1E1 EA311

.8BA541 /5989A6ABC1 7FP!1
P!1 J861 6B1

.*&1 4* *+&1 ++ "#$1 * **+NNN1 * %-#1 OC8BA1

.+*1 * **#1 % $%)1 * **$NNN1 + **#1 /54ABA1

.+-1 4* **#1 +& &%#1 * ***NNN1 * %%&1 OC8BA1

.+%1 * **,1 - #&#1 * **)NNN1 + **,1 /54ABA1

.$"1 4* *#)1 +) #$$1 * ***NNN1 * %)%1 OC8BA1

.))1 * **,1 ) &"-1 * *#)N1 + **,1 /54ABA1

6534B83B1 * $%&1 $ -,&1 * *%-N1 + )&$1 /54ABA1

111111111111N14A3AA8BA7ABC18E14EA611+*( 1NN4A3AA8BA7ABC18E14EA611"( 1NNN4A3AA8BA7ABC18E14EA611+(1

Nous constatons quele signe des coefficients des ratios à un et deux ans avant
la défaillance dans le modèle Logit sont opposés au signe qui résulte de l’analyse
discriminante. Ceci est dû au fait que l’analyse discriminante interprète le seuil à
partir duquel l’entreprise est considérée comme saine alors que le modèle
probabiliste indique le seuil à partir duquel l’entreprise est considérée comme
défaillante.

222
 Chapitre 4 - La prévision de la défaillance

Les variables qui figurent dans le tableau ci-dessus constituent le meilleur

modèle expliquant le caractère défaillant ou non défaillant d’une entreprise. Les
ratios retenus sont les suivants : l’autonomie financière, la durée du crédit clients, la
couverture du chiffre d’affaires par besoin en fonds de roulement, le poids du besoin
en fonds de roulement d’exploitation, la performance et la part d’autofinancement.

Les résultats de la régression logistique viennent compléter l’ensemble des

résultats fournis par les précédentes méthodes statistiques, ce qui permet de valider
nos hypothèses de recherche : ainsi d’autres ratios contribuent à l’explication du
phénomène de la défaillance. Ce constat est conforme à ceux d’Altman (1979), Aziz
et al. (1988), Laitinen et Laitinen (2000), Lee et al. (2005), Pompe et Bilderbeek
(2005), Min et al. (2006), Hamza et Bagdadi (2008).

1.3.2. La classification des entreprises

Les résultats du pouvoir prédictif de ce modèle seront représentés dans le

tableau suivant :

Table 27: Validation du modèle (Logit 3)

15E18B8BA531C7E1
;5A41834118783B1681 O8BE1 81615561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

$)$1 +#-1
E8A31 &**1
O591 1 1
C8A6683B1 &**1
15E1 +$-1 $"$1
8B8BA531
C661 "-1 &$1
E8A31 +**1
(1 1 1
C8A6683B1 +**1
),1 #)1

223
 Chapitre 4 - La prévision de la défaillance

Testons le pouvoir du modèle dans le temps en passant de deux à trois ans

avant la défaillance, nous avons constaté une chute des taux de classement des
entreprises saines de 65 % à 58 % et des entreprises défaillantes de 66,5 % à 63 %.
De ce fait, plus l’horizon de prévision est lointain, plus l’exactitude du modèle
diminue.

En guise de conclusion, nous avons détecté une nette supériorité du modèle

probabilisable un, deux et trois ans avant la défaillance par rapport à l’analyse
discriminante traditionnelle. Ces résultats ont été confirmés par une différence
significative dans le taux de bons classements des entreprises. En effet, à un an avant
la défaillance, le taux de bons classements des entreprises est de 95,975 % pour l’AD
1 et de 98 % pour le modèle Logit 1. A deux ans avant la défaillance, le taux de bon
classement est de 64,475 % pour AD 2 et 66,5 %. A trois avant la défaillance ce taux
passe de 59,3 % pour l’AD3 à 60,5 % pour le modèle Logit 3. Ces résultats été
confirmés par la majorité des travaux antérieurs qui soulignent l’importance du rôle
des hypothèses restrictives de l’analyse discriminante, par rapport au modèle
probabiliste qui engendre des pouvoirs prédictifs plus avantageux.

Les résultats de la présente étude sont comparables aux travaux de Hunter et

Isachenkova (2001), Platt et Platt (1991), Yang et Yang et al. (1999), Hamza et
Baghdadi (2008). Ils présentent dans le même temps des taux de bons classements
meilleurs que Mossman et al. (1998) et Bardos et Zhu (1997). De même notre étude
rejoint celles de Kira et al. (1997) et Lennox (1999), Lin (2009), Li et Sun (2010)
sur la supériorité de modèle Logit par rapport à l’analyse discriminante, d’autres
études aboutissent à la conclusion inverse. Par exemple, Bardos (1998) obtient de
meilleurs taux de bons classements par l’analyse discriminante que par un modèle
Logit.

Rappelons que les méthodes paramétriques d’estimation des lois de

probabilités consistent à considérer une loi donnée, notamment la loi normale, puis à
évaluer empiriquement ses paramètres en l’occurrence l’espérance et la variance ;
elles supposent qu’un nombre fini de paramètres parvient à décrire de façon
suffisamment fidèle l’intégralité des évolutions possibles de la variable considérée
(Refait, 2004). Le principe des méthodes non-paramétriques consiste au contraire, à
ne pas s’appuyer sur une forme spécifique de loi déterminée a priori, ce qui nous

224
 Chapitre 4 - La prévision de la défaillance

amène à solliciter la régression logistique PLS dans l’estimation des paramètres de

notre modèle.

2. Les résultats de la régression logistique PLS

La régression logistique PLS permet de relier la variable Y à l’ensemble des

variables explicatives, cette méthode est en quelque sorte une réponse au regret
qu’éprouve l’utilisateur d’une régression pas à pas, et de devoir choisir une seule et
unique variable explicative par bloc de variables explicatives. Nous présenterons les
résultats de la méthode pour les trois horizons de la défaillance.

2.1. Les résultats de la régression logistique PLS un an avant la

défaillance (Logit-PLS1)

Les coefficients de la fonction discriminante (voir annexe, p 328) obtenus à

l’aide du logiciel SAS sont les suivants.

Zk= 0,518 - 0,002R02i - 0,002R04i + 0,011R20i + 0,156R23i - 0,005R24i +

0,014R25i – 0,008R26i

2.1.1. Pouvoir discriminant des ratios dans la fonction discriminante

La VIP permet de hiérarchiser les ratios selon leur pouvoir explicatif sur les
variables cibles. Plus la valeur est grande, plus elle est intéressante ; de manière très
simplifiée, nous dirons qu’une variable est à considérer avec attention dès lors que
(VIP 5 0,8). Dans le tableau qui suit nous résumons ce constat.

Table 28: Poids des ratios dans la fonction discriminante un an avant la défaillance

.8BA541 82/1
.$*1 + %,&1
.*&1 + +-+1
.$)1 + *,,1
.$#1 * %%-1
.$"1 * %"&1
.$&1 * -"-1
.*$1 * -*#1

225
 Chapitre 4 - La prévision de la défaillance

Les résultats fournis par le tableau ci-dessus permettent de constater que seuls
les ratios R20 (ratio d’exportation), R04 (autonomie financière), R23 (productivité
du capital investi), R26 (rentabilité nette), R25 (performance), R24 (rentabilité
économique), R02 (indépendance financière) sont les plus discriminants. Les
entreprises saines sont caractérisées par un taux d’exportation plus élevé par rapport
aux entreprises défaillantes, un niveau de liquidités certes, mais aussi de solvabilité
plus important. Les entreprises saines et défaillantes se différencient également d’une
manière significative sur le plan de l’activité commerciale. Les entreprises
défaillantes semblent avoir des carnets de commandes, un dynamisme commercial,
des niveaux de productivité notamment moins favorables que les entreprises saines.
Ces dernières sont en outre plus performantes sur le plan de l’autonomie financière et
de la rentabilité économique. Une concordance est par ailleurs observée entre les
résultats obtenus précédemment.

2.1.2. La classification des entreprises

La régression logistique PLS a permis deretenir quinze composantes, les

résultats de classification sont présentés dans le tableau suivant :

Table 29: Validation du modèle (Logit-PLS1)

15E18B8BA531C7E18161
G318318783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 )-$1 +-1 &**1

15E1 O591
8B8 C8A6683B1 +&1 )-,1 &**1
BA531 E8A31 %" "1 & "1 +**1
C661 (1
C8A6683B1 ) $"1 %# ,"1 +**1

Ce tableau nous permet de constater que la régression logistique PLS a distingué

95,5 % des entreprises saines et 96,75 % des entreprises défaillantes. Le modèle
retrouve donc la valeur de l’erreur de seconde espèce de l’ordre de 4,5 %, ainsi que
l’erreur de seconde espèce de l’ordre de 3,25 %. A ce stade d’analyse, nous pouvons

226
 Chapitre 4 - La prévision de la défaillance

confirmer la supériorité de la méthode logistique-PLS par rapport à l’analyse

discriminante un an avant la défaillance avec un taux global de classification de
l’ordre de 96,125 % mais elle est moins performante que la régression logistique. La
méthode PLS permet de relier l’ensemble des variables explicatives tandis qu’en
régression logistique on écarte les ratios fortement corrélés de l’analyse.

2.2. Les résultats de la regression logistique PLS deux ans avant la

défaillance (Logit-PLS2)

Nous allons procéder de la même manière que précédemment, avec les mêmes
entreprises mais, pour l’exercice clos deux ans, avant la défaillance. L’estimation des
coefficients du modèle (voir annexe, p 335) seront formulés comme suit :
Zk = 0,893 – 0,001 R02i – 0,001R04i + 0,001R10i + 0,009R17i – 0,015R25i –
0,007R26i

2.2.1. Pouvoir discriminant des ratios dans la fonction discriminante

Pour déterminer l’ordre d’importance des ratios comptables dans la discrimination
entre des deux catégories d’entreprises, nous présentons le tableau suivant :

Table 30: Poids des ratios dans la fonction discriminante deux ans avant la
défaillance

.8BA541 82/1

.$#1 + )-*1

.$"1 + ))*1

.*&1 + +,#1

.+,1 + +#$1

.+*1 * %++1

.*$1 * -,-1

L’analyse PLS a permis de retenir cinq ratios financiers, le ratio de rentabilité

(R26) ainsi que le ratio de rentabilité économique apparaissent comme les variables
les plus discriminantes entre les deux catégories d’entreprises, ce qui permet de
constater qu’il existe une relation négative entre la rentabilité et le risque
227
 Chapitre 4 - La prévision de la défaillance

d’insolvabilité. D’autres ratios ont été sélectionnés avec différents critères de

pondération tels que les ratios d’endettement (R04, R17 et R02). Ce résultat renforce
les conclusions de l’analyse descriptive. Le ratio R17 (couverture du chiffre d’affaire
par le fonds de roulement) est quant à lui déterminant de la défaillance avec un
coefficient de pondération à l’ordre de 1,162.

2.2.2. La classification des entreprises deux ans avant la défaillance

Les résultats du pouvoir prédictif de ce modèle sont représentés dans le tableau

suivant :

Table 31: Validation du modèle (Logit-PLS2)

15E18B8BA531C7E18161
EF183418783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $"*1 +"*1 &**1

15E1 O591
8B8 C8A6683B1 ++%1 $-+1 &**1
BA531 E8A31 #$ "1 ), "1 +**1
C661 (1
C8A6683B1 $% ,"1 ,* $"1 +**1

Sur quatre cents entreprises saines, la régression PLS permis d’en distinguer 250,
soit un taux de l’ordre de 62,5 %. En revanche, sur quatre cents entreprises
défaillantes la méthode a pu reconnaître 281 entreprises, soit un taux de 70,25 %
Testons maintenant le pouvoir du modèle dans le temps en passant de un à deux
ans avant la défaillance : nous avons constaté une chute du taux de classement des
entreprises saines de 95,5 % à 62,5 % et des entreprises défaillantes de 96,75 % à
70.25 %. De ce fait, plus l’horizon de prévision est lointain, plus l’exactitude du
modèle diminue.
En guise de conclusion, nous avons constaté une supériorité de la régression
logistique PLS un et deux ans avant la défaillance au détriment de l’analyse
discriminante, bien qu’elle s’avère moins performante sur le plan de la classification.

228
 Chapitre 4 - La prévision de la défaillance

2.3. Les résultats de la régression logistique PLS Trois ans avant la

défaillance (Logit – PLS3)

L’estimation des coefficients du modèle (voir annexe, p 345) seront formulés

comme suit :
Zk= 0,653 – 0,008R02i – 0,0021R04i + 0,0003R10i + 0,0040R17i – 0,013R25i –
0,0001R26i + 0,003R27i

2.3.1. Pouvoir discriminant des ratios dans la fonction discriminante

Pour déterminer l’ordre d’importance des ratios comptables dans la discrimination

entre des deux types d’entreprises, nous présentons le tableau suivant :

Table 32: Poids des ratios dans la fonction discriminante trois ans avant la
défaillance

.8BA541 82/1
.*&1 + ","1
.+*1 + *%*1
.*$1 + *$)1
.$#1 * %#$1
.$"1 * %$,1
.+,1 * -%)1
.$,1 * -%*1
.))1 * -,)1
1

Les ratios autonomie financière (R04), la durée de crédit clients (R10),

l’indépendance financière (R02), la rentabilité nette (R02), la performance (R25), la
couverture du chiffre d’affaires par le fonds de roulement (R17), le rendement des
capitaux propres nets (R27), apparaissent comme les indicateurs les plus
discriminantstrois ans avant la défaillance ; ce constat valide nos hypothèses ainsi
que les précédents résultats statistiques.

229
 Chapitre 4 - La prévision de la défaillance

2.3.2. La classification des entreprises

La régression logistique PLS a pu retenir quinze composantes, les résultats de

cette classification sont présentés dans le tableau suivant :

Table 33: Validation du modèle (Logit-PLS3)

15E18B8BA531C7E18161
;5A4183418783B1681 O8BE1 5561 ;5B861
C8A66831 3BA41
E8A31 C8A6683B1

E8A31 $)&1 +##1 &**1

15E1 O591
8B8 C8A6683B1 +#+1 $)%1 &**1
BA531 E8A31 "- "1 &+ "1 +**1
C661 (1
C8A6683B1 &* $"1 "% ,"1 +**1

Ce tableau nous permet d’observer que le taux de bons classements des

entreprises est de l’ordre de 59,125 %, soit un taux d’erreurs de seconde espèce de
l’ordre de 41,5 % et un taux d’erreur de première espèce de l’ordre de 40,25 %.
En ce qui concerne le pouvoir prédictif du modèle dans le temps, en passant de
deux à trois ans avant la défaillance, nous avons constaté une chute du taux de
classement des entreprises saines de 62,5 % à 58,5 %, et des entreprises défaillantes
de 70,25 % à 59,75 %. De ce fait, plus l’horizon de prévision est lointain, plus la
pertinence et l’efficacité du modèle diminuent.
La régression logistique PLS peut être considérée comme une méthode de
sélection de variables, alternative à la régression pas à pas. La régression logistique
PLS est, en quelque sorte, une réponse au regret qu’éprouve l’utilisation d’une
régression pas à pas, d’être contraint de choisir une seule variable explicative dans
chaque bloc de variables explicatives.
En régression PLS on remplace ce bloc de variables par un résumé : la
composante PLS. En régression pas à pas il y a exclusion de variables
éventuellement importantes alors qu’en régression PLS toutes les variables
importantes sont conservées et les variables sans importance sont soit exclues, soit
retenues avec un poids faible.

230
 Chapitre 4 - La prévision de la défaillance

3. La comparaison des résultats des méthodes statistiques

Dans l’ensemble, les modèles de prévision que nous avons choisis : Analyse
discriminante linéaire, modèle Logit et régression PLS, offrent un pouvoir prédictif,
supérieur ou égal à 58 %. En se référant au tableau suivant, il est possible de dégager
quelques éléments qui aident à choisir le meilleur modèle de prévision de la
défaillance des PME françaises.

Table 34: Tableau de comparaison

1 ;4+1 ;4$1 ;4)1

48A341 %&1(1 ## "1(1 #+ $1(1

11
C8A6683B41 %, -1(1 #)1(1 ", $1(1
1
534168443B41 @5H@156C6 ;2H2156C6 5@H46C6

E8A341 %& $"1(1 #- "1(1 #+ $"1(1

/AE41 C8A6683B41 %- ,"1(1 #" "1(1 "% ,"1(1

1534168443B41 @;H56C6 1@H;456C6 ;=H56C6

1E8A341 %,1(1 #"1(1 "-1(1

B8741
1C8A6683B41 %%1(1 ## "1(1 #)1(1
1
1534168443B41 @>6C6 ;;H56C6 ;=H56C6

E8A341 %" "1(1 #$ "1(1 "- "1(1

A5AB4/AE1 C8A6683B41 %# ,"1(1 ,* $"1(1 "% ,"1(1

1534168443B41 @;H0456C6 ;;H3156C6 5@H0456C6

231
 Chapitre 4 - La prévision de la défaillance

Comme l’ont prouvé la majorité la majorité des études antérieures ainsi que
d’autres plus contemporaines dans ce domaine de recherche, nous constatons que le
pouvoir prédictif s’affaiblit pour les modèles qui utilisent des informations de moins
en moins récentes, ou pour les modèles qui sont destinés à être utilisés pour prévoir
la défaillance des entreprises sur un horizon de plus en plus lointain. Ceux-ci sont
appréciés par la supériorité du modèle AD1 par rapport au modèle AD2 et AD3
d’une part, par la supériorité du modèle Logit 1 par rapport au Logit 2 et Logit 3
d’autre part, et enfin par la supériorité du modèle PLS1 par rapport à PLS2 et PLS3.

Les résultats présentés dans le tableau ci-dessus mettent en évidence une

supériorité des approches paramétriques par rapport aux approches traditionnelles
pour de la prévision de la faillite. En effet, les modèles basés sur la régression PLS
surperforment l’analyse discriminante aussi bien en termes de taux de bons
classements qu’en pourcentage de mauvais classements des différentes catégories
d’entreprises (erreur de type I et II). Le constat de la supériorité de la régression
logistique par rapport à l’analyse discriminante se trouve conforté par certains
travaux empiriques comparables (Kira et al. 1997 ; Yang, Platt et Platt, 1999 ;
Lennox, 1999). Ainsi, nous avons démontré que la régression PLS offre un meilleur
taux de classification que l’analyse discriminante, mais elle est moins performante
que la régression logistique. Notre étude semble être la première à utiliser la
régression PLS dans la prévision de la défaillance, cette dernière donne des résultats
satisfaisants par rapport aux autres méthodes statistiques : lorsque les ratios ne
suivent pas des lois multinomiales, et qu’une loi logistique ou une loi normale ne
semble pas adaptée pour décrire les erreurs, le recours aux méthodes non-
paramétriques est une solution, puisqu’elles ne nécessitent aucune hypothèse relative
à la distribution des variables.

L’ensemble des travaux antérieurs sont hétérogènes sur des dimensions telles
que : la taille de l’échantillon, la longueur de la période de l’étude, l’horizon de
prévision, la démarche de validation externe du modèle estimé. De ce fait, il devient
difficile de comparer le résultat final en termes de prédiction en raison de ces
disparités de nature méthodologique. Enfin, la plupart des travaux empiriques sont
réalisés à partir d’échantillons de grande taille qui ne sont pas équilibrés puisqu’ils ne
font pas la distinction entre entreprises saines et défaillantes, et portent sur des
prédictions à moyen terme effectuées avec un nombre réduit d’indicateurs
232
 Chapitre 4 - La prévision de la défaillance

comptables. La régression PLS permet de pallier ce dernier problème en intégrant un

grand nombre de ratios dans le modèle ; en outre, elle permet de résoudre le
problème de corrélation, tel que la prise en compte des données manquantes dans la
matrice.

III. Modélisation macroéconomique

Nous essayons de chercher l’impact des variables macroéconomiques sur le

processus de la défaillance. Pour cela le choix théorique des variables sera fait à
partir des travaux effectués au auparavant par Altman (1973, 1984), Tirapat et
Nittayagasetwat (1999), Liou et Smith (2007). Nous expliquons le nombre de faillites
pendant une période allant de 1998 jusqu'en 2008 par une série de variables
explicatives : le nombre de création d’entreprises (NCE), l’indice des prix à la
consommation (IPC), l’indice des prix à la production (PPI), l’indice des prix
industriels (IPI) et la masse monétaire [Link] données utilisées sont issues de
l’Institut National de Statistique.

1. Résultats de la régression univariée et multivariée

Les résultats de la régression sont présentés dans le tableau suivant :

Table 35:Résultats de régression univariée

88A89641 .18C189E4BC1 65AA3B1 /5989A6ABC1

F6A8BA741
O671 * %&,1 * +"-1 * ***1

2/21 * %"$1 )& ",#1 * ***1

2/61 * %"#1 )# ))%1 * ***1

0$1 * --+1 &+# +*&1 * ***1

//21 * %"-1 )) ")$1 * ***1

L’examen de ce tableau permet de constater que toutes les variables sont

significatives au risque de 5 %, avec un coefficient de régression élevé pour la masse
monétaire M2, tandis que la création des nouvelles entreprises n’intervient qu’avec
un faible coefficient dans le processus de la faillite de l’ordre de 0,158.
233
 Chapitre 4 - La prévision de la défaillance

Pour expliquer l’évolution de nombre de faillites (NF), nous allons introduire

l’ensemble des variables dans l’analyse :

NF = 1 +21CNE+22IPI+23IPC+ 23M2+ 23PPI+3

Les résultats trouvés sont résumés dans le tableau suivant :

Table 36: Résultats de régression multivariée

88A89641 65AA3B1 EB8BA4BAE1B1 /5989A6ABC1

F6A8BA741
6O71 * *""1 $ ,#$1 * **,1

2/21 + **,1 * +&&1 * --#1

2/61 +" -+)1 * "",1 * ",-1

0$1 4)+ +"*1 4* %)$1 * )")1

//21 # -&$1 * $)$1 * -+,1

Dans le modèle multivarié, seule la variable création des nouvelles

entreprises est déclarée significative au risque à hauteur de 5 %. Le R carré ajusté est
de l’ordre de 95,7 %, donc nos variables explicatives sont adaptées à l’explication du
nombre de faillites. Les autres variables sont déclarées non significatives, en raison
de la forte corrélation qui existe entre ces différentes variables, de même les signes
de coefficient de régression sont ne concordent pas avec les travaux d’Altman
(1984). Ces constations justifient l’intérêt de la régression PLS1 qui permet de relier
la variable explicative à l’ensemble des variables explicatives et de résoudre le
problème de corrélation dans le modèle de régression.

2. Résultats de la régression PLS1

Nous devons fournir les résultats de la validation croisée pour bien choisir le
nombre optimal des composantes qui doivent être retenues par la suite dans les
équations de la régression.

234
 Chapitre 4 - La prévision de la défaillance

Table 37: Nombre de composantes à retenir dans le modèle de régression

O591155483B41 /.7EE1

*1 + *,,#,)1

+1 * -#&"&1

$1 * ,)%*&&1

)1 * #&",)1

0A31/.7EE1111111111111111111111111111111111111111111111111111111111* #&",)1

O594155483B41B3E41 )1

Après avoir retenu trois composantes, notre nouvelle équation de régression

est la suivante :

NF = 0,124NCE+ 0,044IPI + 0,093IPC + 0,066M2 + 0,0874PPI

Le coefficient de régression de la variable création de nouvelles entreprises

est positif, ce pourrait signifier que plus il y a d’entreprises nouvelles, plus il y a de
faillites.

Les résultats confirment les travaux d’Altman (1983), même si nous n’avons
pas utilisé les mêmes transformations ni le même nombre d’observations que ce
dernier. Nous pouvons aussi mesurer l’importance de chaque variable dans le
processus de la défaillance en utilisant l’indicateur VIP (Variable Importance for
Projection) avec un minimum de 0,[Link] résultats sont résumés dans le tableau ci-
dessous.

235
 Chapitre 4 - La prévision de la défaillance

Table 38: Poids des variables dans le modèle de la régression

88A89641 82/1
F6A8BA741
+ &$"%1
6O71
+ *#,+1
2/61
* %%,%1
//21
* ,"&+1
0$1
* "+)$1
2/21

Nous pouvons conclure que c’est la variable nombre de création des

nouvelles entreprises (CNE) qui a l’impact le plus important sur la défaillance
d’entreprise. Ce résultat est conforme à l’étude d’Altman (1984, 2006) qui établit une
corrélation systématique entre la crise économique et la défaillance, ce qui prouve le
rôle joué par la crise financière sur la détresse financière des entreprises françaises.

De même, la variable indice des prix à la consommation est classée en deuxième

position, l’indice des prix à la production intervient en troisième position, comme

indicateur de croissance et de santé générale de l’économie, rejoignant ainsi les
travaux Tirapat et Nittayagasetwat (1999), Bunn et Redwood (2003). Ils ont constaté
que les entreprises sont liées étroitement à la défaillance dans les périodes de
récession économique à savoir la crise économique actuelle.

236
 Chapitre 4 - La prévision de la défaillance

Conclusion

Notre recherche a porté d’abord sur l’identification du profil ainsi que sur les
déterminants financiers et macroéconomiques de la défaillance. Cette démarche de
pilotage à caractère préventif, permet une meilleure compréhension des risques et des
signaux financiers annonciateurs de la défaillance. Il ressort de l’analyse descriptive
que les PME françaises défaillantes se caractérisaient par une capacité de liquidité
dite faible, un risque d’exploitation élevé, une causalité de liquidité faible, un risque
d’exploitation élevé, une causalité négative entre l’endettement et la performance, et
enfin une forte part de la dette à court terme dans l’endettement total, associée à une
forte insuffisance des fonds propres. En outre dans une optique de pilotage
préventive, nous avons mis en évidence les facteurs de liquidité, de besoin en fonds
de roulement, de productivité et de rentabilité comme déterminants financiers de la
défaillance.

Notre étude a porté ensuite sur la construction d’un modèle de prédiction de

la défaillance. Les résultats obtenus sont relativement satisfaisants à l’horizon d’un
an, puisque le taux de classification varie entre 59,25 % et 94,975 % pour l’analyse
discriminante, 60,5 % et 96,5 % pour la régression PLS-DA, 60,5 % et 98 % pour la
régression logistique et 59,125 à 96, 125 % pour la régression logistique-PLS. Ces
résultats sont proches et même meilleurs (ou plus satisfaisants) que ceux qui
découlent des études antérieures réalisées sur ce sujet.

Nous pouvons donc conclure que les modèles de régression PLS sont un outil
intéressant pour la prédiction du risque de défaillance à court terme et plus
précisément si la prévision est faite à l’horizon d’un an. L’interprétation de ces
résultats nous a permis d’affirmer qu’il est plus réaliste et plus intéressant de prévoir
la défaillance par un modèle de régression PLS ou probabiliste, plutôt que par
l’analyse discriminante linéaire. Une autre particularité de nos résultats c’est la
performance de la méthode PLS par rapport aux approches précitées en offrant des
taux d’erreur de la première espèce plus faible par rapport au taux de la seconde
espèce.

Enfin, il ressort des résultats obtenus dans ce chapitre que l’application

empirique de l’approche non-paramétrique à des firmes appartenant à divers secteurs
d’activité permet d’obtenir de bons résultats. En outre, notre étude a permis de
237
 Chapitre 4 - La prévision de la défaillance

concevoir une technique de prévision du risque qui peut concurrencer les méthodes
traditionnelles.

238
 Conclusion générale

Conclusion générale

« Le plus important n'est pas ce que nous

avons fait mais ce qui nous reste à faire »
(Hervé Desbois).

239
 Conclusion générale

Nous savons que le thème de la défaillance a été abordé dans la littérature dès
la crise des années trente. Notre recherche a porté d’abord sur l’identification du
profil ainsi que sur les déterminants de la défaillance des PME françaises. Cette
démarche de pilotage à caractère préventif permet une meilleure compréhension des
risques et des signaux financiers annonciateurs de défaillance, ainsi que des étapes et
des manifestations des processus de dégradation de la situation financière dans ce
type d’entreprise. En termes opérationnels, elle devrait permettre ultérieurement la
justification et l’orientation d’un ensemble de mesures appropriées.

Pour atteindre ces objectifs, nous avons exporté de la base « Diane » un

échantillon de 800 PME dont la moitié est en activité et l’autre moitié en faillite.
Divers outils statistiques ont ensuite été appliqués à cet échantillon. Les variables
retenues sont des ratios comptables couramment utilisés, et qui présentent un contenu
informationnel significatif dans l’analyse de la situation financière des entreprises.
Les thèmes adoptés dans l’analyse sont : liquidité, structure financière, rentabilité,
productivité, gestion, marge et valeur ajoutée.

Le tableau ci-après retrace le cheminement dans ce travail.

240
 Conclusion générale

Table 39: Récapitulatif du cheminement de la recherche

Problématique Quels sont les déterminants financiers et économiques de la

défaillance des PME françaises ?

Objectif de la recherche - décrire les caractéristiques des entreprises défaillantes

- rechercher les facteurs explicatifs de la défaillance

- proposer un modèle plus adapté à la prise à la décision

Cadre théorique - défaillance financière, économique et juridique

- les causes explicatives de la défaillance

Démarche choisie Hypothético-déductive

Méthode de collecte des Quantitative : base des données Diane

données

Méthodes d’analyses Méthodes économétriques : Analyse discriminante, régression

logistique, régression PLS)

Résultats attendus - Meilleure connaissance du terrain et recentrage de la

problématique

- L’endettement, le manque de rentabilité, la liquidité, et le

poids des charges financières sont les facteurs explicatifs.

- Il est possible de prévoir les faillites à partir des données

comptables et financières.

- Les modèles financiers doivent intégrer des données non

financières.

Taille de l’échantillon 800 entreprises : 400 saines et 400 défaillantes

Thèse soutenue Les ratios financiers et les facteurs macroéconomiques sont

déterminants dans la prévision de la défaillance des PME
françaises.

Apports de la recherche - apports théoriques

- apports méthodologiques

- apports managériaux

241
 Conclusion générale

Pour achever ce travail doctoral, nous récapitulerons les principaux résultats

de notre recherche (première section), nous examinerons ensuite les apports
théoriques (deuxième section), ainsi que les limites et les éventuelles voies de
recherches futures (troisième section).

1. Les principales conclusions

Les résultats de l’analyse exploratoire et de l’analyse discriminante linéaire

nous ont permis de valider toutes nos hypothèses de départ, à savoir :

- La situation financière d’une entreprise dépend de son niveau

d’endettement. L’examen de cette hypothèse nous a permis de conclure que les
facteurs liés au niveau d’endettement ont des effets négatifs sur la situation
financière des entreprises à un horizon de un, deux et trois ans avant la défaillance.
Les PME dont la fragilité sociale et économique découle principalement d’un
manque de capitaux propres, ont du mal à trouver des financements sur les marchés
[Link] manque de liquidité peut être résolu par le recours à l’endettement.
L’augmentation de ce ratio conduit à des décisions d’investissement erronées qui ont
pour conséquence la baisse de la valeur totale de la firme.

A ce sujet, nous avons constaté une différence significative entre entreprises

défaillantes et entreprises saines selon l’état de leur rentabilité et de leur degré de
liquidité. De plus, le déclin des performances correspond à une dégradation durable
de l’activité de l’entreprise et à une augmentation de son besoin en fonds de
roulement ce qui engendre leur faillite. L’augmentation des créances clients reflète le
dynamisme des ventes et souligne le niveau de leur liquidité future. Cependant,
comme l’économie dans son ensemble constitue un vaste réseau d’entreprises, il est
probable que la faillite d’une entreprise ait, par effet domino, des conséquences
désastreuses sur d’autres. En outre, le gonflement des créances traduit une
augmentation du besoin en fonds de roulement et les difficultés de paiement des
clients notamment des créances douteuses qui forment des risques financiers
énormes pour les entreprises. Toutefois, il s’avère que les entreprises défaillantes se
trouvent dans l’impossibilité d’honorer leurs engagements par manque de liquidités à
la suite d’une baisse d’activité ou de rentabilité. Il ressort de l’ensemble de l’analyse
statistique que les facteurs de liquidité, de productivité, d’exportation, de la part des

242
 Conclusion générale

salariés ou de la part de l’Etat ainsi que le besoin en fonds de roulement, sont des
déterminants financiers de la défaillance. Des résultats qui corroborent ceux
d’Ohlson (1980), Zmijewski (1984), Taffler (1983), Titman et Opler (1994), Refait
(2004), Smith et Graves (2005), Altman (2006), Liou et Smith (2007), Hamza et
Bagdadi (2008).

L’application de quatre techniques économétriques (l’analyse discriminante,

l’analyse discriminante-PLS, le modèle Logit, la régression logistique-PLS), nous a
permis de retenir le modèle le plus adéquat pour la prévision de la défaillance des
PME. En effet, il est possible d’obtenir d’excellents résultats à l’aide de la
régression PLS. L’application de la technique à deux échantillons d’entreprises
saines et défaillantes, nous a permis d’obtenir des résultats significatifs et de
proposer un modèle de prévision plus pertinent que celui obtenu par l’approche
paramétrique. Au moyen de celle-ci nous avons constaté une supériorité du modèle
probabiliste par rapport à l’analyse discriminante traditionnelle. Ce constat est aussi
relevé dans les travaux, Kira et al. (1997), Lennox (1999), Hamza et Bagdadi (2008),
Lin (2009), Li et Sun (2010), cependant, contradictoire avec les résultats de Bardos
(1989). L’explication de ces résultats est liée en fait à des causes plutôt statistiques
qu’économiques, puisque l’approche non paramétrique (régression PLS) n’exige pas
des hypothèses restrictives comme c’est le cas pour l’approche paramétrique.

L’analyse en détail des techniques de prévision de la défaillance a permis de

constater, d’une part, qu’à un horizon plus proche du dépôt de bilan le pouvoir
explicatif des modèles de prévision est amélioré et la prévision est précise, et d’autre
part, que le coût d’un mauvais classement des entreprises défaillantes est nettement
plus élevé que le coût relatif à l’erreur d’une mauvaise classification d’une entreprise
saine.

A cet égard, nous avons remarqué qu’il existe une différence significative
entre l’erreur de première espèce dégagée par les modèles PLS-DA 1, PLS-DA 2 et
PLS-DA 3 par rapport à l’AD 1, l’AD 2 et l’AD 3. La régression logistique donne
des résultats comparables à la régression PLS, mais elle ne permet pas de prendre en
considération l’ensemble des ratios en raison des hypothèses restrictives de la
méthode, tandis que la méthode PLS permet d’utiliser un nombre considérable de
ratios afin d’optimiser leur contenu informationnel au service de la prédiction de la
défaillance. Cette étude tend à démontrer que l’application empirique de l’approche
243
 Conclusion générale

PLS à des firmes appartenant à divers secteurs d’activité permet d’obtenir de bons
résultats.

Après avoir analysé le modèle du point de vue financier, nous avons examiné
l’impact des variables économiques sur le nombre des défaillances des entreprises
françaises pour la période de 1999-2008. Les variables retenues sont : le nombre de
création d’entreprises (NCE), l’indice des prix à la consommation (IPC), l’indice des
prix à la production (PPI), l’indice des prix industriels (IPI) et la masse monétaire
M2. L’analyse de la régression univariée nous a permis de constater que toutes les
variables sont significatives et explicatives de la défaillance. La variable NCE est
positivement corrélée au nombre de défaillances. Plus il y a de nouvelles entreprises,
plus le taux de défaillance est élevé. En effet, les jeunes entreprises sont
particulièrement sensibles à l’évolution de leur marché et aux ressources de leur
environnement, elles sont, de ce fait, plus vulnérables. Ce risque diminue avec le
temps.

La deuxième variable significative est l’indice des prix à la consommation,

puisqu’une augmentation de cet indice engendre une baisse de la demande, ce qui
peut à son tour affecter l’existence de l’entreprise sur le marché. Ainsi, l’indice des
prix à la production et l’indice des prix industriels sont déclarés significatifs, car ils
mesurent l’évolution des prix de transaction des biens, par conséquent ils sont utilisés
par les économistes pour évaluer la conjoncture économique. Ces informations sont
très importantes en période de crise, ce qui est le cas actuellement, puisque les
entreprises sont confrontées à de graves problèmes financiers. La variable masse
monétaire M2 est déclarée significative, constat qui est conforme à d’autres études
qui affirment que le marché monétaire apparait comme l’une des principales causes
de défaillance des entreprises. En revanche, le pouvoir explicatif des variables
disparait dans le modèle multivarié. La dernière variable explicative est le nombre de
création de nouvelles entreprises. Le modèle multivarié renforce les conclusions du
modèle univarié. Néanmoins, le manque de significativité des autres variables est dû
à la forte corrélation entre ces indicateurs. C’est pour cela que nous avons fait appel à
la régression PLS qui permet de relier l’ensemble des variables sans en exclure
aucune. Les résultats obtenus au moyen de cette méthode confirment les études
antérieures (Mensah, 1984, Famma et French, 1993, Lin et Wilson, 2000, Bunn,
2003, Liou et Smith, 2007).
244
 Conclusion générale

2. Les apports de la recherche

Ils sont théoriques, méthodologiques et managériaux. Nous les reprenons

successivement.

2.1. Les apports théoriques

Notre point de départ a été un large ratissage des différents travaux théoriques
menés sur la notion de détresse financière. Nous avons constaté l’insuffisance d’un
travail scientifique, qui explicite les différents déterminants de ce phénomène dans
un contexte de crise économique profonde étendue à l’ensemble de la planète. Sur le
plan théorique, nous pensons avoir contribué à la production de connaissances sur le
thème de la défaillance, en abordant les différentes approches explicatives,
financières, managériales, organisationnelles, et économiques sans oublier le rôle
joué par la crise sur l’ensemble des entreprises françaises.

En outre, il faut souligner un deuxième apport théorique de notre travail, qui

réside dans la grille de lecture que nous avons proposée. En effet, dans une
perspective d’accompagnement, notre grille, ainsi que la modélisation des processus
de défaillance, permettent aux banquiers et aux investisseurs de mieux anticiper le
risque couru par l’entreprise. Notre apport consiste donc à proposer un modèle d’aide
à la décision plus adapté pour déceler la défaillance.

2.2. Les apports méthodologiques

Sur le plan méthodologique, sauf erreur de notre part, il nous semble que
nous avons été les premiers à appliquer la méthode PLS dans la prévision de la
défaillance. Cette méthode est utilisée avec succès dans d’autres domaines
scientifiques, ce qui nous a encouragé à y avoir recours. En effet, les résultats
obtenus sont très satisfaisants et confirment la supériorité de cette méthode par
rapport aux méthodes traditionnelles. S’inscrivant dans une vision expérimentale
identique, Tennehaus (2000), Nguyen et Rocke (2002, 2004), Bastien et al. (2005),
Tenenhaus et al. (2007), Esposito Vinzi et al. (2008) ont accordé le même soutien à
travers des résultats similaires. Les apports méthodologiques relèvent, en outre, de la
conception et de la construction des mesures fiables pour les variables introduites
dans le modèle général de la recherche. Plusieurs items proposés ont permis

245
 Conclusion générale

d’opérationnaliser et de faire des liens rigoureux entre les concepts théoriques et les
données empiriques dans le contexte de la défaillance des PME françaises.

En guise de conclusion, il faut préciser que l’anticipation de la défaillance des

entreprises a été étudiée en détail et de manière récurrente dans la littérature
comptable et financière. Cette analyse peut s'appuyer sur la mise en œuvre de
différents modèles statistiques. Dans cette étude, l’application de l’analyse
discriminante, de la technique de la régression logistique et de la régression PLS à
deux échantillons d’entreprises saines et en faillite, nous a permis d’obtenir des
résultats significatifs et de proposer un modèle de prévision pertinent.

2.3. Les apports managériaux

Les contributions pratiques de notre recherche se situent à deux niveaux :

- Les banquiers et les investisseurs disposent d’une description des pratiques

informationnelles en matière d’indicateurs de défaillance. Cela leur permet
d’effectuer un diagnostic comparatif de leurs propres systèmes d’indicateurs de
défaillance. De ce fait, le décideur trouve un apport au sein de notre travail, lui
donnant la possibilité de tenir compte de l’ensemble des indicateurs dans la prévision
de la détresse financière, la réduction de l’incertitude de l’environnement et
l’amélioration du contrôle et la coordination entre les différents acteurs de
l’entreprise.

- L’analyse de l’utilisation des indicateurs de la défaillance dans un

échantillon constitué de 800 PME françaises a permis de mettre en évidence les
avantages relatifs à l’utilisation de leurs informations dans la prévision de la
défaillance et les freins rencontrés par les décideurs dans le déploiement des
indicateurs qualitatifs. Par conséquemment, l’amélioration de la compréhension du
phénomène de la défaillance aidera ses acteurs à mieux anticiper le risque de
défaillance. La revue des apports théoriques, méthodologiques et managériaux de
cette recherche, exposés ci-dessus, ne doit pas occulter les limites inhérentes aux
choix opérés ainsi qu’aux conditions de leur mise en œuvre.

246
 Conclusion générale

3. Les limites et les voies de recherches futures

Tout travail de recherche qui se veut scientifique prévoit des limites et

certaines voies futures de recherche. Nous les énumérons succinctement :

3.1. Les limites

Avant d’évoquer les limites de notre travail, nous détaillons les

principales similitudes et divergences avec les travaux antérieurs. Les principales
similitudes avec les différents travaux de littérature en matière de défaillance des
entreprises sont les suivantes :

- Tous les travaux se fondent sur un modèle théorique construit à

partir des données comptables et financières.

- Les causes de la défaillance sont multidimensionnelles mais trouvent

leur traduction dans les états financiers. Depuis quelques décennies, une unanimité
s’est consolidée dans l’idée que les ratios comptables et financiers permettent de
prédire la défaillance des entreprises.

Toutefois, et d’un point de vue méthodologique, un certain nombre de

divergences sont constatées :

- à travers le choix de l’horizon de prévision : trois ans sont

souvent retenus : un an et deux ans avant la défaillance. Le caractère préventif de ces
modèles exige, en toute logique, de ne pas retenir une échéance trop proche de la
survenue de l’événement.

- quant au choix des caractéristiques des entreprises sélectionnés, les effets

découlant de taille de l’échantillon, des secteurs d’activité, de taille des entreprises,
sont susceptibles de masquer certains facteurs explicatifs. Les études actuelles sont
réalisées sur de larges échantillons, alors que ceux utilisés dans le passé étaient plus
restreints. De plus, on assiste à des déséquilibres, plus ou moins marqués selon les
études, entre le nombre d’entreprises défaillantes et celui des entreprises saines.

Parmi les limites de notre étude, nous pouvons mentionner l’indisponibilité

de certaines informations qui auraient pu permettre d’enrichir l’étude, le problème
des données au sein de la base des données utilisée, le problème technique lié au

247
 Conclusion générale

choix des ratios et l’impossibilité de réaliser une enquête auprès des entrepreneurs
faillis.

Les résultats de notre étude se trouvent confrontés à des référentiels de la

littérature empirique, plus précisément au sujet des déterminants financiers de la
défaillance. Quant à la pertinence de prévision des modèles utilisés, celle-ci est
tributaire d’un certain nombre de facteurs tels que : la taille de l’échantillon, la taille
des entreprises, l’horizon de prévision, la démarche de validation du modèle et enfin
le nombre et le type de ratios comptables introduits dans le modèle.

3.2. Les voies de recherches futures

Nous pensons toutefois que ces résultats peuvent être améliorés, en

augmentant la taille de l’échantillon, c'est-à-dire le nombre d’entreprises composant
l’échantillon, en considérant notamment des données sur une durée plus longue, des
informations qualitatives telle que l’âge des firmes, l’expérience des dirigeants, le
secteur d’activité. Il est évident que ces éléments doivent être introduits dans les
modèles, car il ne fait plus aucun doute que la plupart de ces variables qualitatives
jouent un rôle crucial dans la prévision du risque de faillite. D’autres variables plus
stratégiques, comme la part de marché et l’organisation de la production sont à
prendre en considération dans l’évaluation de l’entreprise. Pour obtenir des résultats
plus consistants, notre recherche pourrait être élargie à la défaillance des grandes
entreprises. Une autre voie de recherche future pourrait porter notamment sur la mise
au point de modèles de durée de vie tels que les modèles de Cox ou Cox-PLS, qui
permettent de prévoir l’échéance de la faillite. L’application d’une telle approche
permettrait d’estimer la durée de vie d’une entreprise.

Notre travail est ouvert à de nombreux projets de recherche. En effet, cette

thèse ne constitue simplement que la première pierre d’un édifice qui reste à
construire, individuellement ou collectivement, tant les opportunités de travail sont
nombreuses. Il ne nous reste plus qu’à les évaluer et à les exploiter.

248
Références Bibliographiques

A
Abaoub E., Ben Larbi S., Molay E., Gensse P., Zolezzi G.(2008), Finance -
Manuel, Applications & Corrigés, sous la direction de Pierre Gensse, Éditeur :
Nathan, Paris

Abid F., Zouari A. (2000), Financial distress prediction using neural networks: the
Tunisian experience, in the proceedings of the MS’ 2000 international conference on
modelling and simulation, SPAIN, pp.399-406.

Abid F., Zouari A. (2001), Predicting corporate financial distress: A neural

networks approach, in proceedings of the international finance conference, Tunisia,
pp.183-195.

Albert M. (1982), Le pari français, Editions Seuil, Paris.

Albertini J.M., Silem A. (2001), Comprendre les théories économiques, Editions du

Seuil, Paris.

Aldrich h.E. (1979), Organizations and Environments. Prentice Hall.

Altman E.I. (2010), Default Recovery Rates, in Oxford Handbook of Credit

Derivatives, ed. by Lipton & Rennie, Oxford.

Altman E.I. (2009), An Alternative Plan for the Restructuring of US Carmakers,”

Journal of Credit Risk, 5-4.

Altman E.I., Karlin B. (2009), The Re-emergence of Distressed Exchanges in

Corporate Restructuring, Journal of Credit Risk, Vol. 5-2, 43-55.
Altman E.I. (2009), Post Chapter 11 Performance: How to Avoid Chapter 22,
Journal of Applied Corporate Finance, 11-3, 51-62.

Altman E.I. (2009), Corporate Credit Defaults, Recoveries and Ramifications, CFA
Institute, 26-3.

Altman E.I, Sabato G. (2007), Modeling Credit Risk for SMEs: Evidence from the
U.S. Market, ABACUS, 43-2.

Altman E.I. (2006), Corporate Financial Distress and Bankruptcy, 3rd edition, John
Wiley & Sons.

Altman E.I. (1968), Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy, Journal of Finance, 23(4), September, 589-609.

Altman E.I. (1971), Corporate Bankruptcy in America, Health Lexington Books,

DC Health and Cie.

Altman E.I., Hadelman R.G., Narayanan P. (1977), Zeta analysis, a new model o
identify bankruptcy risk of corporations, Journal of Banking andFinance, 1, 29-51.

Altman E.I., Lavallee M.Y. (1981), Business failure classification in Canada,

Journal of Business Administration, summer, 147-164.

Altman E.I. (1984), A Further Empirical Investigation of the Bankruptcy Cost

Question, The Journal of Finance, 39(4), september, 1067-1089.

Altman E.I. (1984), The success of business failure prediction models: an

international survey, Journal of Banking and Finance, 8(2), 171-198.

Altman E.I., Marco G., Varetto F. (1994), Corporate distress diagnosis:

comparisons using linear discriminant and neural networks: the Italian Experience,
Journal of Banking and Finance, 18, 505-529
250
Altman E.I. (2002), Bankruptcy, Credit Risk and High Yield Junk Bonds,
Blackwell Publishers Ltd, Oxford.

Albert A., Anderson J. (1984), On the Existence of Maximum Likelihood Estimates

in Logistic Regression Models, Biometrika, 71(1), 1-10.

Allen L., Delong G., Saunders A. (2004), Issues in the credit risk modeling of retail
markets, Journal of Banking & Finance, 28, 727-752.

Amemiya T. (1981), Qualitative Response Models: A Survey, Journal of Economic

Litterature, 19(4), 481-536.

Amemiya T. (1985), Advanced Econometrics, Cambridge, Harvard University

Pressand data analysis, 38, 465-473.

Anderson J.A. (1972), Separate sample logistic discrimination, Biometrika,

59, 19-35

Andersen P.K., Borgen O., Gill R.D., Keiding N. (1993), Statistical Models Based
on Counting Processes, Springer-Verlag, New York.

Anderson P.F. (1983), Marketing Scientific Progress and Scientific Method, Journal
of Marketing, fall, 18-31.

Anderson R., Sundararesan P. (1996), Design and valuation of debt contracts,

Review of Financial Studies, 9, 37-68.

Andrade G., Kaplan S. (1998), How Costly is Financial (not Economic) Distress?
Evidence from Highly Leveraged Transactions that Become Distressed, Journal of
Finance53, 1443-1493.

Ang J.S. (1991), Small business uniqueness and the theory of financial management,
Journal of Small Business Finance, 1(3), 1-13

251
Ang J., Chua J. et McConnell J. (1982), The Administrative costs of corporate
bankruptcy: a note, Journal of Finance, 37, 219–26.

Adjouad F. et Zéghal D. (1996), La défaillance des entreprises au Canada:

Facteurs explicatifs, Gestion, 21, 1, 38- 41.

Ang J.S., Fatemi A.M. (1997), Personal bankruptcy costs: their relevance and some
estimations, Financial Services Review, 6(2), 77-96.

Armendariz de Aghion B. (1990), International Debt: An explanation of the

commercial banks' lending behaviour after 1982, Journal of InternationalEconomies,
28, 173-186.

Armette M. (2009), Crise financière : modèles du risque et risque de modèle,

Mouvements, 58, 160-176.

Artus P., Lecointre P. (1990), Crise financière et crise de l'endettement privé aux
Etats Unis, document de la Caisse des Dépôts et Consignations, novembre.

Astebro T., J. Winter (2001),More Than a Dummy: The Probability of Survival,

Failure, and Acquisition of Firms in Financial Distress, Unpublished Manuscript,
University of Waterloo and University of Mannheim.

Aziz A, .Emanuel D.C et Lawson G.H. (1988), Bankruptcy Prediction: an

Investigation of Cash Flow Based Models, Journal of Management Studies, 25, 5,
419-437.

Avishur A., Tsoref Y. (2001), On the Predictability of Kibbutz Financial Distress:

A Principal Component Analysis with Bootstrap Confidence Intervais, Journal of
Accounting Auditing & Finance, winter, 16(1), 55-91.

Atiya A. F. (2001), Bankruptcy Prediction for Credit Risk Using Neural Networks: A
Survey and New Results, IEEE Transactions on Neural Networks, 12, 4,929-935

252
B
Bachelet C. (1995), GRH et communication interne : quelle place dans les
préoccupations des dirigeants des PMI, Gestion 2000, 11(1), 181-202.

Banque de France. (2009), Délais de paiement et solde du crédit interentreprises de

1990 à 2008, Bulletin de la Banque de France, n° 177, 3ième trimestre 2009.

Banque de France. (2009), Les délais de paiement - Statistiques de 1990 à 2008 en

nomenclature NAF.

Banque de france, Gourieroux C., Foulcher S., Tiomo A. (2003), La structure par
termes des taux de défauts et ratings, Cahiers Etudes etrecherches de
l'Observatoire des entreprises, Direction des Entreprises, Banque de France, 1.34.

Banque de france, Stili D. (2002), Détection précoce du risque de défaillance

dans le secteur de la construction. Cahiers Etudes et recherches de l’observatoire des
entreprises, Direction des entreprises, Banque de France, 1.70.

Banque de france, Planes B. (2000), Détection précoce du risque de défaillance

dans le secteur hôtels/restaurants: SCORE BDFHR, CahiersEtudes et recherches
de l'Observatoire des entreprises, Direction des Entreprises, Banque de France,
1.55.
Banque de France. (2008), Délais de paiement et solde du crédit interentreprises en
2007, Bulletin de la Banque de France, n° 174, juillet-août.

Bardos M. (2008), Scoring sur données d’entreprises : instrument de diagnostic

individuel et outil d’analyse de portefeuille d’une clientèle, Revue MODULA, 38,
159 – 177.

Bardos M. (2007), What is at Stake when Estimating the Probability of Default

using a Scoring Function ?, Credit Risk Assessment Revisited: Methodological

253
Issues and Practical Implications, European Committee of Central Balance Sheet
data Offices Working Group on Risk Assessment, 95-118.

Bardos M. (2007), What is at Stake in the Construction and the Use of Credit
Scores?, Computationnal Economics n°29, p. 159-172.

Bardos M. (2005), Les scores de la Banque de France : leur développement, leurs

applications, leur maintenance, Bulletin de la Banque de France n°144, décembre.

Bardos M., FoulcherS., Bataille E. (2004), Les scores de la Banque de France:

méthode, résultats, applications, Banque de France, décembre.

Bardos M. (2001) : Analyse discriminante: application au risque et scoring financier,

Dunod.

Bardos M. (2001) : Développements récents de la méthode des scores de la Banque

de France, Bulletin de la Banque de France n°90, juin.

Bardos M. (1995), Les défaillances d'entreprises dans l'industrie : ratios

significatifs, processus de défaillances, détection précoce, Banque de France,
Centrale des bilans, Collection Entreprises, janvier.

Bardos M. (1998), Detecting the risk of company failure at the Banque of France,
Journal of Banking and Finance, 22, 1405-1419.

Bardos M., Zhu W.H. (1997), Comparaison de l'analyse discriminante linéaire et

des réseaux neuronaux : application à la détection de défaillance d'entreprises,
Revue Statistique Appliquée, XLV (4), 65-92.

Baldawin C. Y, Scott P. M. (1983), The resolution of Claims in financial distress:

The case of Massey Ferguson, Journal of Finance, 38, 505-516.

254
Baird D. G. (1986), The Uneasy Case for Corporate Reorganisations, Journal of
Legal Studies, 15, 127-147.

Batsch L. (2000), Le diagnostic financier, 3è édition, Economica, Paris.

Bastien P, Vinzi V. E, Tenenhaus M. (2005), PLS generalised linear regression,

Computational Statistics and Data Analysis, 48-1.17-46.

Back B, Laitinen T, Sere K et Wezel M.V. (1996), Choosing bankruptcy predictors

using discriminant analysis, Logit analysis and Genetic Algorithms , Turku Center
for Computer Sience, Technical Report, 40, 1-18.

Ben Abd El Afou R. (2005), L’effet des mécanismes de gouvernement d’entreprises

sur le risque de faillite », International Conférence Tunisie. Hammamet.

Berger K. (2009), Les conséquences économiques de la crise, facteur plus important

de défaillance que les restrictions financières pour les entreprises françaises en 2008
et 2009, Analyse de la société Euler Hermes SFAC.

Beaver W. (1966), Financial ratios as predictors of failure, Empirical Research in

Accounting: Selected studies, supplement to The Journal ofAcccounting Research, 6,
165-182.

Belletante B., Levratto N. (1995), Finance et PME : Quels champs pour quels
enjeux ?, Revue Internationale PME, 8, 3-4, 5-35.

Belletante B., Levratto N., Paranque, B. (2001), Diversité économique et modes de

financement des PME, L’Harmattan, Paris.

Betker B. (1997), The Administrative Cost of Debt Restructurings: Some Recent

Evidence, Financial Management, 26, 56-68.

255
Berryman J. (1982), Small business failure and bankruptcy: A survey of the
literature, European Small Business Journal, 4, 1, 47-59.

Bescos P.L. (1989), Les facteurs de réussite dans le redressement des PMI en
difficulté, Revue Française de Gestion, 74, 55-67.

Bescos P.L (1989), Score et redressement d’entreprises en difficulté », Le revue

Banque 490, 50-54

Bescos P.L. (1989), Défaillance et redressement des P.M.I : Recherche des indices
et des causes de défaillance, Cahier de Recherche du CEREG, 8701, Université de
Paris-Dauphine, 1987.

Ben Jabeur. S. (2010), Corporate failure: A time series analysis, 7th International
conference on Applied Financial Economics, 01-03 July, Samos Island Greece.

Ben Jabeur.S (2010), Macroeconomic variables in financial distress: A French

cases, Internationl Risk Management Conference, Florence, 3-5, juin, 2010.

Ben Jabeur.S. (2009), Modeling Corporate Failure: A PLS Logistic Regression,

Federal Committee on Statistical Methodology Research Conference, Washington,
November 2-4.

Ben Jabeur.S.(2009), Predicting firm financial distress: A PLS Discriminant

analysis, European Regional Meeting of the International Society for Business and
Industrial Statistics,Cagliari, Italy, May 30 – June 3.

Ben Jabeur.S.(2009), Prévision de la détresse financière des entreprises : approche

par l’analyse discriminante PLS, AFFI 2009 colloque international de l’association
française de la finance, 13-14-15 Mai, Brest.

Ben Jabeur. S.(2008), « Comparaison de la régression logistique et de la régression

logistique PLS : Application à la détection de défaillance d’entreprise », First joint
256
meting of the société francophone de classification and the classication and data
analysis group of SIS, June, 11-13 th 2008 CASTRA Italy

Black F., Cox J.C. (1976), Valuing corporate securities: some effects of bonds
indenture provisions, Journal of Finance, XXXI, 2, 351-367.

Blazy R., Combier J. (1998), La défaillance d'entreprise : Causes économiques,

traitement judiciaire et impact financier, Economica/ INSEE Méthodes n° 72-73,
Paris.

Blazy R. (1996), Processus de défaillance des entreprises et modifications

comportementales par anticipation du défaut de paiement, Thèse de doctorat,
Université Paris Dauphine.

Blazy R. (2000), La faillite: éléments d'analyse économique,Economica, Paris.

Blot C., Le Bayon S., Lemoine M., Levasseur S. (2009), De la crise financière à
la crise économique : Une analyse comparative France-États-Unis, Revue de
L’OFCE, 110, 256-281.

Blum M. (1974), Failing companies Discriminant Analysis, Journal ofAccounting

Research,spring, 234-256.

Brys E., Varenne F. (1997), Valuing Risky Fixed Rate Debt: An Extension, Journal
of Financial and Quantitative analysis, 32(2), 239-248.

Bris A., Welch I., et Zhu N. (2006), The Costs of Bankruptcy: Chapter 7
Liquidation vs Chapter 11 Reorganization, Journal of Finance, 61, 1253-1304.

Bordes C., Melitz J. (1992), Endettement et défaillance d'entreprise en France,

Annales d'Economie et Statistiques, octobre/décembre, 45-67.

257
Blot C., Le Bayon S, Lemoine M., Levasseur S. (2009), De la crise financière à la
crise économique. Une analyse comparative France-Etats-Unis, Revue de l'OFCE,
110, 3, 255-281

Boston Consulting Group (1980), Les mécanismes fondamentaux de la

compétitivité, Paris, Hommes et Techniques.

Bunn P., Redwood V. (2003), Company Accounts Based Modelling of Business

Failures and the Implications for Financial Stability, Bank of England Discussion
Paper No. 210.

Bhattacharjee A, Higson C, Holly S et Kattuman P. (2002), Macro economic

instability and business exit: determinants of failures and acquisitions of large UK
firms, Accounting subject AREA, Working paper, 02-034, London Business School.

Bhattacharjee A, Higson C, Holly S et Kattuman P. (2004), Business failure in

UK and US quoted firms: impact of macroeconomic instability and the role of legal
institutions, Cambridge Working paper in Economics N° 0420, March 2004.

Bergström C, Sundgren S. (2002), Restructuring Activities and Changes in

Performance Following Financial Distress, SNS Occasional, 88.

Berry J.A., Linoff G. (2000) Mastering Data Mining: The Art and Science of
Customer Relationship Management, New York: John Wiley and Sons,ISBN 0–471–
33123–6.

Bell T. B., Ribar G. S., Verchio J. R. (1990), Neural Nets Vs. Logistic Regression :
A Comparison of Each Model's Ability to Predict Commercial Bank Failures,
Proceedings of the 1990 Deloitte and Touche-University ofKansas Symposium on
Auditing Problems, 29-58.

Branch B. (2002), The costs of bankruptcy: A review, InternationalReview of

Financial Analysis, 11, 39-57.

258
Bradley M., Rosenzweig M. (1992), The Untenable Case for Chapter 11 , The Yale
Law Journal, 101 : 1 043-1 095.

Bunn P et Redwood V. (2003), Company account based modeling of business

failures and the implications for financial stability , The Bank of England’s Working
Papers Series N°210

C
Chang T., McDonald J. (1996), Industry structure and ripple effect of bankruptcy
announcements, Financial Review, 783–807.

Chicha P., Julien P.A., Marchesnay M. (1990), Processus et procédures

stratégiques en PME, International Gewerbearchiev, 38(3).

Casta J.F, Zerbib J.P. (1979), Prévoir la défaillance des entreprises ?,Revue française
de comptabilité , 97, 506 - 526.

Casey C. et Bartczark N. (1985), Using operating cash flow data to predict

financial distress: some extensions, Journal of accounting research, 23, 1, 384-401.

Child J. (1972), Organizational structure, environment and performance: the role of

the strategic choice, Sociology, 6, 53-88.

Child J. (1997), Strategic choice in the analysis of action, structure, organizations

and environment: retrospect and prospect, OrganizationStudies, 18(1), 43-76.

Chen W-S., Yin-Kuan Du Y-K.(2009), Using neural networks and data mining
techniques for the financial distress prediction model, Expert Systems with
Applications 36, 4075-4086.

259
Charalambous C, Charitou A et Kaourou F. (2000), Comparative analysis of
artificial neural network models: application in bankruptcy prediction, Annals of
operations research, Octobre, university of Cyprus.

Chou H-I., Li H., Yin X. (2010), The effects of financial distress and capital
structure on the work effort of outside directors, Journal of Empirical Finance 17,
300–312.

Coase R.H. (1997), La firme, le marché et le droit, Diderot Editeur, Arts et

Sciences, Bonchamp-Les-Laval.

Cohen E. (1997), Analyse financière, 6è édition, Economica, Paris.

Coats P. K., FANT L. F. (1993), Recognizing Financial Distress Patterns Using a

Neural Network Tool, Financial Management, 22, 3, 142-154.

Cooper A.C. (1993), Challenges in Predicting New firm Performance, Journal of

Business Venturing,8, 520-551.

Cooper A.C., Gimeno-Gascon F.J. et Woo C.Y. (1994), Initial human and
financial capital as predictors of new venture performance, Journal of Business
Venturing, 9, 371-395.

Coulaud A. (1993), Gestion de trésorerie, Editions Peyrat & Courtens,

Boulogne.

Coulongues Y. (1977), Ratios financiers et prédictions de faillites des PME, Revue

Banque, septembre, 963-970

Couwenberg O, Jong A, (2008), Costs and recovery rates in the Dutch liquidation-
based bankruptcy system, European Journal of Law and Economics, 26, 2, 105-127.

Cox .D.R. (1972), Regression Models and life-tables, Journal of The Royal

260
Statistical Society, Series B, 187-220.

Chen G.M., Merville L.J. (1999), An analysis of the underreported magrutude of

the total indirect costs of financial distress, Review of quantitative finance and
accounting, 13, 277-293.

D
Daigne J.F. (1986), Dynamique du redressement d'entreprise, Les Editions
d'Organisation, Paris.

Dambolena I.G., Khoury S.J. (1980), Ratio stability and corporate failure, Journal
of Finance, 35, 1017-1026.

Deakin E.B. (1972), A discriminant analysis of predictors of business failure,

Journal of Accounting Research, spring, 167-179.

Derni A., Crucifix F. (1992), Symptômes de défaillance et stratégies pour le

redressement d'entreprise, Académia, Louvain-La-Neuve.

Desreumaux A. (1996), Nouvelles formes d’organisation et évolution de

l’entreprise, Revue Française de Gestion, 107, no107, 86-108.

Dunne T, Roberts M.J et Samuelson L. (1989), The growth and failure of US

manufacturing plants , Quarterly Journal of Economics, 104,4,671-698.

Derquenne C., Hallais C. (2004), Une méthode alternative à l’approche PLS :

Comparaison et Application aux modèles conceptuels marketing, Revue de
statistiqueAppliquée, LII (3), 85-100.
Desreumaux A. (1998), Théories des organisations, Editions Management Société
EMS, Caen.

261
Derwjst N., Westgaard S. (2001), Defaut probabilities in a corporate bank
portfolio: a logistic model approach, European Journal of Operational Research,
135, 338-349.

Doumpos M., Zopounidis C. (1999), A Multicriteria Discrimination Method for the

Prediction of Financial Distress: The Case of Greece, Multinational Finance Journal,
vol. 3, n° 2, p. 71-101.

Dietsch M., Petey J. (2003), Mesure et gestion du risque de crédit dans les
institutions financières, Revue Banque Edition, Paris.

Dietrich J., Arcelus F.J., Srinivasan G. (2005), Predicting financial failure: some
evidence from new brunswisck agricultural co-ops, Annals of Public and cooperative
Economics, 76(2), 176-194, 2005.

Ding Y., Song X., Zen Y. (2008), Forecasting financial condition of Chinese listed
companies based on support vector machine, Expert Systems with Applications 34,
3081–3089.

Duffee G.R. (1999), Estimating the Price of Default Risk. The Review ofFinancial
Studies, 12(1), 197-226.

Dumontier P. (1991), Vices et vertus des modèles de prévision des défaillances,

Banque, mars, 514, 48-76.

Dunne T., Roberts M.J., Samuelson L. (1989), The growth and failure of US
manufacturing Plants, Quaterly Journal of Economies, 19, 325-356.

262
E
Efron B. (1967), The efficiency of Cox's likelihood function for censored data,
Journal of American Statistical Association, 74, 557-565.

Edmister R. O. (1972), An Empirical Test of Financial Ratio Analysis for Small

Business Failure Prediction, Journal of Financial and Quantitative Analysis, 7, 2,
1477-1493.
1
Euler Hermes. (2010), Défaillances d’entreprises dans le monde : Année noire en
2009, stabilisation à un niveau élevé en 2010, Communiqué de presse.

Esposito Vinzi V, Trinchera L, Squillacciotti S, Tenenhaus M. (2008), REBUS-

PLS: A response-based procedure for detecting unit segments in PLS path modeling,
Applied Stochastic Models in Business and Industry, 24-5, 439-458.

Falbo P. (1991), Credit scoring by enlarged discriminant analysis, OMEGA, 19(4),

275-289.

Falissard B. (1998), Comprendre et utiliser les statistiques dans les sciences de la

vie,2è édition, Editions Masson, Collection "Evaluation et Statistique", Paris.

Fahlman S.E., Lebiere C. (1990), The cascade-correlation learning architecture,

Advances in Neural information processing systems, 2, 524-532.

Fisher N. (2004), Fusion statistique de fichiers de données, Thèse de doctorat,

CNAM, Paris.

263
Fitzpatrick P. J. (1932), A Comparison of Ratios of Successful Industrial
Enterprises with Those of Failed Firms, Certified Public Accountant,12, 598-605,
656-662, 727-731.

Fort G., Lambert-Lacroix S. (2005), Classification using Partial Least Squares

with Penalized Logistic Regression, Bioinformatics, 21(7), 1104-1111.

Finet A. (2001), Essai d'analyse du rôle de l'endettement dans le gouvernement

d'entreprise : le cas de la Belgique", Actes du 18ème Congrès de
l'AssociationFrançaise de Finance.

Flath D., Knoeber C. (1980), Taxes, failure costs and optimal industry capital
structure: an empirical test, Journal of finance, XXXV, 1, 99-117.

Franks J. R., Sussman O. (2005), Financial distress and bank restructuring of

small to medium size U.K. companies, The Review of Finance 9, 65–96.

Fedhila H. (1998), A Logit model using cash flow information to predict loan
delinquency, Université de Tunis, IHEC, Carthage.

Fedhila H. (1996), The construction of an expert system to make commercial loan

classification, Dissertation de PhD, university of colorado.

Fedhila H. et Dhiab A B. (2005), Les facteurs explicatifs de la politique d’octroi

des crédits d’investissements : Une analyse empirique appliquée au contexte
tunisien, International Conférence Tunisie, Hammamet, 2005.

G
Gentry A.J.., Paul N. et Whitford D.T. (1985), Classifying bankrupt firms with
funds flow components, Journal of accounting research, 23, 1, 146-160.

Gensse P., Topscalian P. (2004), Ingénierie financière, Economica.

264
Geniaux I., Mira Bonnardel S. (2001), La gestion des connaissances et des
compétences dans les petites entreprises technologiques : une approche empirique,
Revue Internationale PME, 14(2), 42-65.

Gervais M. (1978), Pour une théorie de l'organisation-PME, Revue française de

Gestion, 15, 37-48.

Gourieroux C. (1984), Econométrie des variables qualitatives, Economica, Paris.

Guilhot B. (2000), Défaillances d'entreprise : soixante-dix ans d'analyse théoriques

et empiriques, Revue Française de Gestion, 130, 52-67.

Gudmundsson S. (2002), Airline Distress Prediction Using Non-Financial

Indicators, Journal of Air Transportation, 7, 2, 3-23.

Gephardt G. (1980), Insolvency Prediction Based on Annual Financial Statements

According to the Company Law. An Assessment of the Reform of Annual Statements
by the Law of 1956 from the View of External Addresses., in H. Bester et alii, eds.
Bochumer Beitrage Zur Untennehmungs undUnternehmens-forschung, vol. 22.

Geniaux I., Mira Bonnardel S. (2001), La gestion des connaissances et des

compétences dans les petites entreprises technologiques : une approche empirique,
Revue Internationale PME, 14(2), 42-65.

Gentry J.A., Newblod P. Et Whiteford D.T. (1985).Classifying Bankrupt Firms

With Funds Flow Components.,Journal of Accounting Research, vol. 23, n°1, pp.
146-160.

Gentry A.J. Paul N. et Whitford D.T. (1987), Funds flow components, financial
ratio and bankruptcy, Journal of Banking Finance and Accounting,14,4, 595-606.

Gervais M. (1978), Pour une théorie de l'organisation-PME, Revue française de

Gestion, 15, 37-48.

265
Goldbger D.E. (1994). Algorithmes génétiques. Exploration, optimisation et
apprentissage, Ed. Addison-Wesley.

Gourieroux C. (1984), Econométrie des variables qualitatives, Economica, Paris.

Grover J., Lavin A. (2001), Financial Ratios, Discriminant Analysis and the
Prediction of Corporate Bankruptcy: A Service Industry Extension of Altman's Z-
Score Model of Bankruptcy Prediction, Southern Finance Association Annual
Meeting, November, 2001.

Gresse C. (1994), Les entreprises en difficulté, Paris, Economica.

Greene W.H. (2000), Econometrics Analysis, Prentice Hall, 4ème édition.

Grice J.S. etDugan M. T. (2001). .The limitations of bankruptcy models: some

cautions for the researcher, Review of Quantitative Finance and Accounting, 17,
151-166.

Gudmundsson S. V. (1999). .Airline failure and distress prediction: a comparison of

quantitative end qualitative models, Transportation Research Part E, 35, pp. 155-
182.

Gilson S.C., John K., Lang L. (1990), Troubled Debt Restructurings: An Empirical
Study of Private Reorganization of Firms in Default, Journal of Financial Economics,
27, 315-354.

Guilhot B. (2000). .Défaillances d’entreprises . Soixante-dix ans d’analyses

théoriques et empiriques., Revue Française de Gestion, n° 130, septembre-octobre,
pp. 52-67.

Gresse C. (1994), Les entreprises en difficulté, Economica 1994.

266
H
Hamel G., Prashalad C.K. (1989), Strategies intent, Harvard BusinessReview,
May-June, 625-642.

Hamza T., Bagdadi K. (2008), Profil et déterminants financiers de la défaillance

des PME tunisiennes (1993-2003), Banque & Marchés, 93, 45-62.

Hall G. (1992), Reasons for insolvency amongst small firms - A review and fresh
evidence, Small Business Economics, 4, 237-250.

Haswell S., Holmes S. (1989), Estimating the Small Business Failure Rate: A
Reappraisal, Journal of Small Business Management, 27, July, 68-74.

Hatch M.J. (2000), Théorie des organisations, DeBoeck Univeristé, Paris /

Bruxelles.

Haugen R., Senbet L. (1988), Bankruptcy and Agency Cost Significance for the
theory of optimal structure, Journal of Finance and QuantitativeAnalysis, March,
352-368.

Haugen R. A., Senbet L. W. (1978), The Insignificance of Bankruptcy Costs to the

Theory of Optimal Capital Structure, Journal of Finance, 33,383-392.

Hensher, D A., Jones S., William H. Greene W H. (2007), An Error Component

Logit Analysis of Corporate Bankruptcy and Insolvency Risk in Australia, The
Economic Record, 83, 86-103.

Hollander M., Wolfe D.A. (1999), Nonparametric Statistical Methods, 2nd edition,
Wiley.

Hol S, Westgaard S et Wijst V.N. (2002), Capital structure and the prediction of
bankruptcy, EWGFM Conference, Capital Markets Research (Bankruptcy
Prediction).
267
Honjo Y. (2000), Business failure of new firms: an empirical analysis using a
multiplicative hazard models, International Journal of IndustrielOrganisation, 18,
557-574.

Hui L., Jie S., Jian W. (2010), Predicting business failure using classification and
regression tree: An empirical comparison with popular classical statistical methods
and top classification mining methods, Expert Systems with Applications 37, 5895–
5904.

Hung Chang B., Lipsitz S., Waternaux C. (2000), logistic regression in meta
analysis using aggregate data, Journal of Applied statistics, 27(4), 411-424.

Hunter J., Isachenkova N. (2002), A panel analysis of UK industrial company

failure, ESRC Centre for Business Research Working Paper 228, Cambridge
University.

Hetzel P. (1996), Les entreprises face aux nouvelles formes de consommations,

Revue Françsaise de Gestion, 110, 70-82

Helal M. (1994), Le risqué crédit et la défaillance d’entreprise: une présentation

théorique et une évaluation empirique, Finances et Développement au Maghreb, 13,
66-96.

Hite G.L., Owers J.E., Rogers R.C. (1987), The Market for Interfirm Assets Sales:
Partial Sell-Offs and Total Liquidations, Journal of Financial Economics, 18, 229-
252.

268
I
J
Jacquemin A. (1967), L'entreprise et son pouvoir de marché, Vander, Louvain.
Jayet H., Torre A. (1994), Vie et mort des entreprises : quelles analyses, Revue
d'économie industrielle, 3éme trimestre, 62-78.

Jensen M.C. (1986), The Agency Costs of Free Cash Flow: Corporate Finance and
Takeovers , American Economic Review, vol. 76, n° 2, May 1986.

John K. (1993), Managing Financial Distress and Valuing Distressed Securities: A

Survey and Research Agenda, Financial Management 2, 60-78.

Jones S., Hensher D.A. (2004), Predicting firm financial distress: a mixed Logit
model, The Accounting Review, 79(4), 1011-1038.

Julien P.A., Marchesnay M. (1996), L'entrepreneuriat, Economica, Paris.

Jayet H. (1993), La répartition géographique et sectorielle des créations et

disparitions d’établissements », CESURE, dossiers de recherche, 4.

K
Kalbfleisch J.D., Prentice R.L. (1973), Marginal likelihoods based on Cox's
regression and life model, Biometrica, 60, 267-279.

Kazanjian R.K. (1988), Relation of dominant problems to stages of growth in

technology based new ventures, Academy of Management Journal, 31, 2.

269
Keasy K et McGuinness P. (1990), The failure of UK industrial firms for the period
1976-1984, Logistic analysis and entropy measures, Journal of Business Finance and
Accounting, 17,1, 119-135.

Kiang M.Y. (2003), A comparative assessment of classification methods, Decision

Support Systems, 35, 441-454.

Kim C. (1996). Asset liquidity and the indirect costs of financial distress: evidence
from the contract drilling industry. Unpublished working paper (University of
Chicago) presented to First New England Doctoral Student Symposium, University
of Massachusetts.

Kim E.H., Schatzberg J.D. (1987), Voluntary Corporate Liquidations, Journal of

Financial Economics, 19, 311-328.

Koenig G. (1985), Entreprises en difficulté: des symptômes aux remèdes, Revue

Française de Gestion, janvier/février, 84-92.

Koenig G. (1991), Difficultés d’entreprise et inertie active », Direction et Gestion,

126-127.

Khoufi W et Feki R. (2004), The macroeconomic determinants of firms failure (the

case of Tunisian small and medium size industries, AFFI 2004.

L
Laitinen E.K. (1991), Financial ratios and different failure processes, Journal of
Business Finance and Accounting, 18(5), 649-673.

Laitinen E.K. (1992), Prediction of failure of a study of newly founded firm, Journal
of Business Venturing, 7, 323-340.

270
Laitinen E.K. (1993), Prediction predictors for different phases of the failure
process, OMEGA, 21(2), 215-228.

Lane W.R., Looney S.W., Wansley W. (1986), An application of the Cox

proportional hazards model to bank failure, Journal of Banking and Finance, 10,
511-531.

Lau A.H.L. (1987), A five-state financial distress prediction model. Journalof

Accounting Research, 25(1), 127-138.

Le Roy F. (2001), Agressivité concurrentielle, taille de l'entreprise et Performance,

Revue Internationale PME, 14(2), 67-84.

Lévy-Lang A. (2009), Globalisation, crise financière et gouvernance mondiale,

Politique étrangère, 1, 23-32.

Levratto N. (1990), Le financement des PME par les banques: contraintes des
firmes et limites de la coopération, Revue Internationale PME, 3(2), 192-213.

Lelogeais L. (2003), Un score sur variables qualitatives pour la détection précoce

des défaillances d’entreprises, Bulletin de la Banque de France, n° 114, pp. 29-46.

Lennox C. (1999), Identifying Failing Companies: A Re-evaluation of the Logit,

Probit and DA Approaches, Journal of Economics and Business, vol. 51, n° 4, pp.
347-364.

Lebrary J.F. (1996), L’intuition dans les décisions managériales, Revue Française
de Gestion, 109,57-71.

Lochard J. (2002), Les ratios qui comptent, Editions d'Organisation, Paris.

Louart P. (1996), L’apparente révolution des formes organisationnelles, Revue

Française de Gestion, 74-85.

271
Luom M., Laitinen E.K. (1993), Survival analysis as a tool for company failure
prediction, OMEGA, 19(6), 673-678.

Lubben S. (2000), The direct costs of corporate reorganization: an empirical

examination of professional fees in large Chapter 11 cases. American Bankruptcy Law
Journal, 509, 508–52.

Lia G R., Menon K., Schwartz K B. (1990), Predicting Bankruptcy for Firms in
Financial Distress, Journal of Business Finance and Accounting, 17,161-171.

Lin L., Piesse J. (2004), The Identification of Corporate Distress in UK Industrials:

A Conditional Probability Analysis Approach, Applied Financial Economics, 14:2,
73-82.

Lin T. H. (2009), A cross model study of corporate financial distress prediction in

Taiwan: Multiple discriminant analysis, logit, probit and neural networks models,
Neurocomputing 72, 3507-3516.

Li H., Jie Sun J. (2009), Predicting business failure using multiple case-based
reasoning combined with support vector machine, Expert Systems with Applications
36, 10085–10096.

Li H, Sun J, Wu J. (2010), Predicting business failure using classification and

regression tree: An empirical comparison with popular classical statistical methods
and top classification mining methods, Expert Systems with Applications 37, 5895–
5904

Lisa R, Gilbert, Menon K et Schwartz K. (1990), Predicting bankruptcy for firms

in financial distress, Journal of Business Finance and Accounting, 17, 1,161-171.

Liang L et Wu D. (2003), An application of pattern recognition on scoring Chinese

corporations financial conditions based on back propagation neural network,
Computers et Operations Research, 32, 1115-112
272
M
Malecot J.F. (1991), Analyse historique des défaillances d'entreprises: une revue de
la littérature, Revue d'économie financière, 19, hiver.

Malécot J.F. (1997), Gestion financière de l’entreprise en difficulté, Encyclopédie

de gestion, Economica, 2 ème édition Paris, Yves Simon et Patrick Joffre,1548-1563.

Mitchell W. (1994), The dynamics of evolving markets: The effects of business sales
and age on dissolutions and divestitures, Administrative Science Quarterly, 39, 575-
602.

Marchesnay M. (1985), La PME face aux risques, Travaux et recherche de L’IAE

de Toulouse, 33.

Marchesnay, M. (1993), PME, stratégie et recherche, Revue française de gestion,

95, 70-75

Malécot J.F. (1997), Gestion financière de l’entreprise en difficulté, Encyclopédie

de gestion, Economica, 2 ème édition Paris, Yves Simon et Patrick Joffre, 1548-1563.

Marco L. (1989), La montée des faillites en France: 19ème et 20ème siècle”,

Editions L’Harmattan, Collection “Logiques Economiques”, 1, 191p.

Morris R. (1997), Early Warning Indicators of Corporate Failure: A critical review

of previous research and further empirical evidence, Ashgate Publishing Ltd, Great
Britain, 421.

Mckee T.E., Greenstein M. (2000), Predicting bankruptcy using recursive

partitioning and a realististically proportioned data set, Journal of Forecasting, 19,
219-230.

273
Mossman C.E, Bell G.G, Swartz L.M et Turtle H. (1998), An empirical
comparison of bankruptcy model, Financial Review, 33, 35-54.

Molina C.A. (2002), Predicting bank failures using a hazard model: the Venezuelan
banking crisis, Emerging Markets Review, 3, 31-50.

Modigliani F., Miller M. H. (1959), The cost of capital, corporation finance, and
the theory of investment: Reply, American Economic Review 49(4), 655-668.

Merwin C. L. (1942), Financing Small Corporations in Five Manufacturing

Industries, 1926-1936, National Bureau of Economic Research, Financial Research
Program III, Studies in Business Financing, 172.

Michaux B. (1978), Profil et signification économique des faillites en Belgique: la

réponse du monde juridique, Entreprises en difficulté et initiative publique, 71-158.

Narayanan P. (2002), Business Failure, Classification Models: An International

Survey, in ALTMAN (2002), Bankruptcy, Credit Risk and HighYield Junk Bonds,
Blackwell Publishers Ltd, Oxford.

N
Nguyen D., Rocke D. (2004), On partial least squares dimension reduction for
microarraybased classification: a simulation study, Comput. Stat. Data Anal, 46,
407-425.

Ngokè A, Recasens G. (2007), Un modele de reorganisation des dettes de

l’entreprise en détresse base sur la valeur de shapley, Deuxième Journée d’études
sur les faillites, Université Paris X – Nanterre.

274
O
Opler T., Titman S. (1994), Financial distress and corporate performance. Journal
of Finance, 1015–1040.

Ooghe H., Van Wymeersch C. (1986), Modèles prévisonnels de la faillite, Annales

de Droit

Ooghe H., Van Wymmersch C.(1996), Traité d'analyse financière, 6è édition,

Presses Universitaires de Namur.

Ooghe H., Van Wymmersch C.(1990), Traité d'analyse financière, tomes 1,

PUN,4è édition, 395.

Ohlson J. A. (1980), Financial Ratios and the Probabilistic Prediction of

Bankruptcy, Journal of Accounting Research, 18-1,109-131.

Ohlson J.A. (1980), Financial ratios and the probabilistic prediction of bankruptcy,
Journal of Accounting Research, spring, 109-131.

P
Pache G. (1990), Risques de défaillance et options stratégiques, Directionet Gestion,
n° 128-129, 27-32.

Pal J., Medway D., Byrom J. (2010), Deconstructing the notion of blame in
corporate failure, Journal of Business Research

Pages J., Tenenhaus M. (2001), Multiple factor analysis combined with PLS path
modelling, Revue de Statistique Appliquée, XLIV (2), 35-60.

275
Pene D. (1983), Modèle d’évaluation des entreprises et modèles stratégiques ,
Analyse fiancière, 3ème trimestre.

Peel M.J., Peel D.A. (1987), Some further empirical evidence on predicting private
company failure, Accounting and Business Research, 18(6) 57-66.

Pindado J., Rodrigues L.F. (2001), Parsimonious models of financial insolvency in

small companies, Working Paper, SSRN Working Paper Series.
Pindado J., Rodrigues L., Torre C. (2008), Estimating financial distress likelihood,
Journal of Business Research 61, 995–1003.

Pulvino T. C., (1998), Do asset fire sales exist? An empirical investigation of

commercial aircraft transactions, Journal of Finance, 53, 939–978.

Press S. J., Wilson S. (1978), Choosing between logistic regression and

discriminant analysis, Journal of the American Statistical Association, 73, 699-705.

Platt H. D., Platt M. B. (1990), Development of a Class of Stable Predictive

Variables: The Case of Bankruptcy Prediction, Journal of Business Finance and
Accounting, 17, 1, pp. 31-51.

Platt H. D., Platt M. B. (2002), Predicting Corporate Financial Distress:

Reflections on Choice-Based Sample Bias, Journal of Economics and Finance, vol.
26, 2, 184-199.

Porter M. (1986), L’avantage concurrentiel, Paris, Inter éditions 1986.

Platt H. D., Platt M. B., Pedersen J. G. (1994), Bankruptcy Discrimination with

Real Variables, Journal of Business Finance and Accounting, 21-4, 491-510.

Platt H. D. et Platt M.B. (1991), A note on the use of industry-relative ratios in

bankruptcy prediction, Journal of Banking and Finance, 15, 11, 83-1194.

276
Philosophov L.V., Philosophov V.L. (1999), Optimization of corporate capital
structure: A probabilistic bayesian approach, IRFA, InternationalReview of
Financial Analysis, 8(3), 199-214.

Paquet P. 1997), L’utilisation des réseaux de neurones artificiels en finance,

Document de travail, Laboratoire Orleanais de gestion.

Pompe P.M et Bilderbeek J. (2005), The prediction of bankruptcy of small and

medium sized industrial firms, Journal of Business Venturing, 20,847-868.

Quintart A. (2001), Méthodes d’analyse des états financiers, deuxième, notes de

cours, université Catholique de Louvin, Louvin-La-Neuve.

R
Refait C. (2004), La prévision de la faillite fondée sur l’analyse financière de
l’entreprise: un état des lieux, Économie et Prévision, 162, 129-147.

Ross S.A., Westerfield R.W., Jaffe J.F. (2005), Finanzas corporativas, Ed.
McGraw Hill (7ª edición).

Rose P.S et Giroux G.A. (1982), Predicting corporate bankruptcy: an analytical

and empirical evaluation, Review of Business and Economic Research, 21, 1-12.

Ravisankar P., Ravi V. (2010), Financial distress prediction in banks using Group
Method of Data Handling neural network, counter propagation neural network and
fuzzy ARTMAP. Knowledge-Based Systems 23, 823–831.

277
S
Saporta B. (1994), La création d’entreprise enjeux et perspectives, Revue Française
de Gestion, 101, 74-86.

Saporta G. (1990), Probabilités, analyse des données et statistique, Technip, Paris.

Sandberg [Link] Hofer C.W. (1987), Improving New Venture Performance: the
role of stratégie industry structure and the entrepreneur, Journal of Business
Venturing, 2-1, 5-28.

Saporta G., Preda C. (2002), Régression PLS sur un Processus stochastique, Revue
de statistique Appliquée, 50 (2), 27-45.

Sévrin E. (2006), Les mesures de restructuration, Banque & Marchés, 83, 56-62.

Sévrin E. (2006), La reégociation financière des entreprises en difficulté, Revue

francaise de gestion, 166, 34-49.

Sun J., Li H. (2010), Financial distress early warning based on group decision
making, Computers & Operations Research 36, 885 – 906.

Shleifer A. et Vishny R.W. (1992), Liquidation Values and Debt Capacity: A

Market Equilibrium Approach, Journal of Finance, 47, 1343-1366.

Shirata C. Y. (1998), Financial Ratios as Predictors of Bankruptcy in Japan : An

Empirical Research, Proceedings of the Second Asian Pacific Interdisciplinary
Research in Accounting Conference, Osaka, 4-6, 437-445.

Sung T.K, Chang N et Lee G. (1999), Dynamics of modeling in data mining:

interpretive approach to bankruptcy prediction, Journal of Management Information
Systems, 16, 1, 63-85.

278
Stewart J, David A. Hensher. (2007), Modelling corporate failure: A multinomial
nested logit analysis for unordered outcomes, The British Accounting Review 39,
89–107.

Sharabany R (2004), Business failures and macroeconomic risk factors, Discussion

paper 06, Bank of Israel, Research Department.

Tabuteau D. (2009), Crises et réformes, | Presses de Sciences Po, 1- 22, 19 - 40.

Takahaski K., Kurokawa Y., Watase K. (1984), Corporate bankruptcy prediction

in Japan, Journal of Finance and Banking, 8, 229-247.

Tamura k. (2002), The problem of sovereign debt restructuring:How can we deal

with Holdout problem legally?, Harvard Law School International Finance Seminar.

Taffler R.J. (1982), Forecasting company failure in the UK using discriminant

analysis and financial ratio data, Journal of the Royal StatisticalSociety, Series A,
General, 145(3), 342-358

Taffler R.J. (1983), The z-score approach to measuring company solvency, The
Accountant's Magazine, 87(921), 91-96.

Taffler R.J. (1984), Empirical models for the monitoring of YK corporations,

Journal of Finance and Banking, 2, 199-227.

Thornhill S et Amit R (2003), Comprendre l’échec, mortalité organisationnelle et

approche fondée sur les ressources, Direction des études analytiques document de
recherche, statistique Canada 11F0019, 202.

Tenenhaus M. (1994), Méthodes statistiques en gestion, Dunod, Paris.

279
Tenenhaus M. (1998), La régression PLS : théorie et pratique, Technip, Paris.

Tenenhaus M. (1999), L’approche PLS, Revue de Statistique Appliquée, 47(2), 5-

40.

Tenenhaus M. (1995), Nouvelles méthodes de régression PLS, Les cahiers de

recherche, CR 540.

Thompson C.W. (1963), An analysis of environmental and managerial factors in

the success of failure of small manufacturing enterprise, Bureau of Economic
Research, University of Iowa.

Tenenhaus M. (2000), La Régression Logistique PLS, Journées d’Etudes en

Statistique, Modèles Statistiques pour données Qualitatives, 261-273.

Tenenhaus M., Gauchi J.P., Menardo C. (1995), Régression PLS et Applications,

Revue de Statistiques Appliquée, 43(1), 7-63.

Temkin K., Johnson J., Levy D. (2002), Subprime Markets, The Role of GSEs and
Risk-Based Pricing, Prepared for U.S. Department of Housing and Urban
Development Office of Policy Development and Research.

Tilmont D. (1998), Le pronostic de défaillance des petites entreprises par réseau de

neurones, Document de travail, groupe de recherche et d’étude sur la gestion et
l’entreprise dans l’Océan Indien (GREGEOI), Université de la Réunion.

Theodossiou P. (1987), Corporate Failure Prediction Models for the US

Manufacturing and Retailing Sectors, Unpublished Ph.D. Thesis, City University of
New York.

280
Th Tirapat S. et Nittayagasetwat A. (1999), An investigation of Thai listed
firms’financial distress using macro and micro variables », Multinational Finance
Journal, 3, 2, 103-125.

Tomas A. (2000), Econométrie des variables qualitatives, Dunod, Paris.

U
Ucbasaran D., Westhead P., Wright M., Flores M. (2010), The nature of
entrepreneurial experience, business failure and comparative optimism, Journal of
Business Venturing 25, 541–555

Van Horne C. (1991), Principes de gestion financière, Economica, Paris.

Varetto F. (1998), Genetic Algorithms Applications in the Analysis of Insolvency

Risk, Journal of Banking and Finance, 22, 10-11, 1421-1439.

Vernimmen P. (2002), Finance d'entreprise, 5ème édition, Editions Dalloz, Paris.

W
Warner J. (1977), Bankruptcy, Absolute Priority and the Pricing of Risky Debt
Claims, Journal of Financial Economics, 20, 39-276.

Weiss L. (1990), Bankruptcy Resolution: Direct Costs and Violation of Priority of

Claims, Journal of Finance Economics, 27, 285-314.

Wei-Sen C., Yin-Kuan D. (2009), Using neural networks and data mining
techniques for the financial distress prediction model, Expert Systems with
Applications 36, 4075–4086.

281
White M. J. (1983), Bankruptcy Costs and the New Bankruptcy Code , Journal of
Finance: 477-487

Wruck K.H. (1990), Financial distress, reorganization, and organizational

efficiency, Journal of Financial Economies, 27, 419-444.

Winakor A. H., Smith R. F. (1935), Changes in the Financial Structure of

Unsuccessful Industrial Corporations, University of Illinois, Bureau of Business
Research, Bulletin n° 51, 44 p.

Wtterwulghe R., Janssen F. (1998), Le financement des PME par le recours à

l'endettement et leurs relations avec les banques, Revue de la Banque, 1, 26-35.

Wtterwulghe R. (1998), Les PME: une dimension humaine, De Boeck

Université, Bruxelles.

Y
Yang Z. R., Platt M. B. et Platt H. D. (1999), Probabilistic Neural Networks in
Bankruptcy Prediction, Journal of Business Research, 44, 67-74.

Z
Zavgren C.V. (1985), Assessing the vulnerability to failure of American industrial
firms: a logistic analysis, Journal of Business Finance andAccounting, 12(1), 19-45.

Zollinger M. (1982), L'analyse multicritère et le risque de crédit aux entreprises,

Revue Française de Gestion, 56-66.

282
Zmijeriski M. (1984), Methodological issues related to the estimation of financial
distress prediction models, Journal of Accounting Research, 22, 59-82.

Zopounidis C. (1995), Evaluation du risque de défaillance de l'entreprise :

Méthodes et cas d'application, Economica, série Techniques de Gestion, Paris.

Zhongsheng H., Yu W., Xiaoyan Xu, Zhang B., Liang L. (2007), Predicting
corporate financial distress based on integration of support vector machine and
logistic regression, Expert Systems with Applications 33, 434–440.

283
LISTE DES ANNEXES
ANNEXE 1 I6Statistiques descriptives

ANNEXE 2 I6Résultats de l’analyse discriminante PLS

ANNEXE 3 I6Résultats de la régression logistique

ANNEXE 4 IRésultats de l’analyse discriminante PLS6

ANNEXE 5IRésultats de la régression logistique PLS

 ANNEXE 1 : STATISTIQUES DESCRIPTIVES
Résultats 2008

Tests d'égalité des moyennes des groupes

Lambda de Wilks F ddl1 ddl2 Signification

R01 ,989 9,178 1 798 ,003

R02 ,894 94,348 1 798 ,000

R03 ,963 30,709 1 798 ,000

R04 ,794 207,313 1 798 ,000

R05 ,982 14,618 1 798 ,000

R06 ,999 ,576 1 798 ,448

R07 ,984 12,656 1 798 ,000

R08 ,988 9,731 1 798 ,002

R09 ,998 1,549 1 798 ,214

R10 ,991 7,367 1 798 ,007

R11 ,969 25,943 1 798 ,000

R12 ,982 14,469 1 798 ,000

R13 ,994 4,853 1 798 ,028

R14 ,956 36,325 1 798 ,000

R15 1,000 ,097 1 798 ,755

R16 ,993 5,599 1 798 ,018

R17 ,970 24,595 1 798 ,000

R18 1,000 ,105 1 798 ,746

R19 ,992 6,604 1 798 ,010

R20 ,554 643,209 1 798 ,000

R21 ,999 ,608 1 798 ,436

R22 ,998 1,480 1 798 ,224

R23 ,944 47,639 1 798 ,000

R24 ,877 112,185 1 798 ,000

R25 ,898 90,334 1 798 ,000

R26 ,877 111,596 1 798 ,000

R27 ,917 72,076 1 798 ,000

R28 ,982 14,323 1 798 ,000

R29 ,984 13,294 1 798 ,000

285
R30 ,927 62,870 1 798 ,000

R31 1,000 ,009 1 798 ,923

R32 ,978 18,032 1 798 ,000

R33 ,937 53,733 1 798 ,000

Résultats 2007

Tests d'égalité des moyennes des groupes

Lambda de Wilks F ddl1 ddl2 Signification

R01 ,995 4,145 1 798 ,042

R02 ,961 32,107 1 798 ,000

R03 ,986 11,695 1 798 ,001

R04 ,931 59,019 1 798 ,000

R05 ,997 2,144 1 798 ,144

R06 ,994 4,990 1 798 ,026

R07 ,986 11,223 1 798 ,001

R08 ,987 10,518 1 798 ,001

R09 ,998 1,848 1 798 ,174

R10 ,980 16,575 1 798 ,000

R11 ,986 11,186 1 798 ,001

R12 ,996 3,606 1 798 ,058

R13 ,995 3,721 1 798 ,054

R14 ,979 17,268 1 798 ,000

R15 ,999 ,532 1 798 ,466

R16 ,998 1,486 1 798 ,223

R17 ,928 61,892 1 798 ,000

R18 ,995 3,743 1 798 ,053

R19 1,000 ,118 1 798 ,731

R20 ,993 5,549 1 798 ,019

R21 ,993 5,463 1 798 ,020

R22 ,998 1,757 1 798 ,185

R23 ,992 6,667 1 798 ,010

R24 ,994 4,484 1 798 ,035

R25 ,910 79,096 1 798 ,000

R26 ,902 86,760 1 798 ,000

286
R27 ,986 11,717 1 798 ,001

R28 ,984 12,679 1 798 ,000

R29 ,988 9,717 1 798 ,002

R30 ,977 18,975 1 798 ,000

R31 ,998 1,855 1 798 ,174

R32 ,994 5,156 1 798 ,023

R33 ,981 15,147 1 798 ,000

Résultats 2006

Tests d'égalité des moyennes des groupes

Lambda de Wilks F ddl1 ddl2 Signification

R01 ,997 2,157 1 798 ,142

R02 ,980 16,259 1 798 ,000

R03 ,991 7,550 1 798 ,006

R04 ,959 33,914 1 798 ,000

R05 ,998 1,592 1 798 ,207

R06 1,000 ,146 1 798 ,703

R07 ,994 4,832 1 798 ,028

R08 ,995 4,199 1 798 ,041

R09 1,000 ,019 1 798 ,890

R10 ,984 13,079 1 798 ,000

R11 ,988 9,465 1 798 ,002

R12 1,000 ,011 1 798 ,916

R13 1,000 ,029 1 798 ,865

R14 ,994 5,091 1 798 ,024

R15 1,000 ,203 1 798 ,653

R16 1,000 ,228 1 798 ,633

R17 ,992 6,752 1 798 ,010

R18 ,995 4,334 1 798 ,038

R19 1,000 ,112 1 798 ,738

R20 ,995 3,694 1 798 ,055

R21 ,994 5,185 1 798 ,023

R22 ,998 1,209 1 798 ,272

R23 ,997 2,219 1 798 ,137

287
R24 ,998 1,634 1 798 ,202

R25 ,983 13,681 1 798 ,000

R26 ,986 10,947 1 798 ,001

R27 ,991 7,039 1 798 ,008

R28 ,993 5,323 1 798 ,021

R29 ,994 4,701 1 798 ,030

R30 ,997 2,110 1 798 ,147

R31 1,000 ,300 1 798 ,584

R32 1,000 ,297 1 798 ,586

R33 ,999 ,708 1 798 ,400

6

6
288
Matrice de corrélation

289
290
291
292
293
294
295
296
297
298
 ANNEXE 2: RESULTATS DE L’ANALYSE DISCRIMINANTE
(SPSS)
Résultats de l’analyse discriminante un an avant la défaillance
(2008)

Valeurs propres

Fonctio Corrélation
n Valeur propre % de la variance % cumulé canonique
a
1 2,542 100,0 100,0 ,847

a. Les 1 premières fonctions discriminantes canoniques ont été utilisées

pour l'analyse.

Lambda de Wilks

Test de
la ou
des
fonction Lambda de
s Wilks Khi-deux ddl Signification

1 ,282 997,765 18 ,000

Coefficients des
fonctions
discriminantes
canoniques
standardisées

Fonction

R02 ,278

R03 ,224

R04 ,319

R05 ,094

R08 -,904

R12 -,128

R13 ,251

299
R17 1,999

R18 -1,735

R19 ,802

R20 -,881

R23 -,608

R24 ,232

R25 -,496

R26 ,282

R27 ,133

R29 ,282

R33 ,190

Coefficients des fonctions de

classement

0 1

R02 ,215 ,192

R03 ,264 ,243

R04 ,065 ,023

R05 ,278 ,264

R08 ,069 1,074

R12 1,257 1,723

R13 ,262 -,043

R17 ,034 -,002

R18 -,065 -,013

R19 ,020 -,038

R20 -,020 ,145

R23 -,309 1,985

R24 ,116 -,015

R25 -,215 -,023

R26 -,019 -,124

R27 ,007 -1,032E-5

R29 ,123 ,078

R33 ,001 -,013

(Constante) -22,173 -22,394

300
 Coefficients des fonctions de
classement

0 1

R02 ,215 ,192

R03 ,264 ,243

R04 ,065 ,023

R05 ,278 ,264

R08 ,069 1,074

R12 1,257 1,723

R13 ,262 -,043

R17 ,034 -,002

R18 -,065 -,013

R19 ,020 -,038

R20 -,020 ,145

R23 -,309 1,985

R24 ,116 -,015

R25 -,215 -,023

R26 -,019 -,124

R27 ,007 -1,032E-5

R29 ,123 ,078

R33 ,001 -,013

(Constante) -22,173 -22,394

Fonctions discriminantes linéaires de

Fisher

b,c
Résultats du classement

Classe(s) d'affectation prévue(s)

Y 0 1 Total

Original Effectif 0 376 24 400

1 9 391 400

% 0 94,0 6,0 100,0

1 2,2 97,8 100,0

a
Validé-croisé Effectif 0 372 28 400

301
 1 9 391 400

% 0 93,0 7,0 100,0

1 2,2 97,8 100,0

a. La validation croisée n'est effectuée que pour les observations de l'analyse.

Dans la validation croisée, chaque observation est classée par les fonctions
dérivées de toutes les autres observations.

b. 95,9% des observations originales classées correctement.

c. 95,4% des observations validées-croisées classées correctement.

Résultats de l’analyse discriminante deux ans avant la défaillance

(2007)

Valeurs propres

Fonctio Corrélation
n Valeur propre % de la variance % cumulé canonique
a
1 ,177 100,0 100,0 ,388

a. Les 1 premières fonctions discriminantes canoniques ont été utilisées

pour l'analyse.

Lambda de Wilks

Test de
la ou
des
fonction Lambda de
s Wilks Khi-deux ddl Signification

1 ,850 129,830 4 ,000

Coefficients des
fonctions
discriminantes
canoniques
standardisées

Fonction

302
R03 ,278

R04 ,621

R10 -,344

R26 ,716

Coefficients des fonctions de

classement

0 1

R03 ,097 ,089

R04 ,161 ,136

R10 ,033 ,039

R26 ,048 -,027

(Constante) -5,161 -4,608

Fonctions discriminantes linéaires de

Fisher

b,c
Résultats du classement

Classe(s) d'affectation prévue(s)

Y 0 1 Total

Original Effectif 0 266 134 400

1 148 252 400

% 0 66,5 33,5 100,0

1 37,0 63,0 100,0

a
Validé-croisé Effectif 0 264 136 400

1 148 252 400

% 0 66,0 34,0 100,0

1 37,0 63,0 100,0

303
a. La validation croisée n'est effectuée que pour les observations de l'analyse.
Dans la validation croisée, chaque observation est classée par les fonctions
dérivées de toutes les autres observations.

b. 64,8% des observations originales classées correctement.

c. 64,5% des observations validées-croisées classées correctement.

Résultats de l’analyse discriminante trois ans avant la défaillance

(2006)

Valeurs propres

Fonctio Corrélation
n Valeur propre % de la variance % cumulé canonique
a
1 ,075 100,0 100,0 ,263

a. Les 1 premières fonctions discriminantes canoniques ont été utilisées

pour l'analyse.

Lambda de Wilks

Test de
la ou
des
fonction Lambda de
s Wilks Khi-deux ddl Signification

1 ,931 57,263 4 ,000

Coefficients des
fonctions
discriminantes
canoniques
standardisées

Fonction

R04 ,776

304
R05 -,291

R10 -,416

R25 ,359

Coefficients des
fonctions
discriminantes
canoniques
standardisées

Fonction

R04 ,776

R05 -,291

R10 -,416

R25 ,359

Coefficients des fonctions de

classement

0 1

R04 ,051 ,030

R05 ,108 ,115

R10 ,028 ,033

R25 ,051 ,028

(Constante) -5,664 -5,805

Fonctions discriminantes linéaires de

Fisher

b,c
Résultats du classement

Classe(s) d'affectation prévue(s)

Y 0 1 Total

Original Effectif 0 245 155 400

305
 1 171 229 400

% 0 61,2 38,8 100,0

1 42,8 57,2 100,0

a
Validé-croisé Effectif 0 245 155 400

1 173 227 400

% 0 61,2 38,8 100,0

1 43,2 56,8 100,0

a. La validation croisée n'est effectuée que pour les observations de l'analyse.

Dans la validation croisée, chaque observation est classée par les fonctions
dérivées de toutes les autres observations.

b. 59,3% des observations originales classées correctement.

c. 59,0% des observations validées-croisées classées correctement.

306
 ANNEXE 3: RESULTATS DE LA REGRESSIONLOGISTIQUE
(SPSS)
Les résultats de la régression logistique deux ans avant la
défaillance (2008)

Tests de spécification du modèle

Khi-deux ddl Signif.

Etape 1 Etape 538,521 1 ,000

Bloc 538,521 1 ,000

Modèle 538,521 1 ,000

Etape 2 Etape 95,701 1 ,000

Bloc 634,222 2 ,000

Modèle 634,222 2 ,000

Etape 3 Etape 93,112 1 ,000

Bloc 727,334 3 ,000

Modèle 727,334 3 ,000

Etape 4 Etape 123,842 1 ,000

Bloc 851,176 4 ,000

Modèle 851,176 4 ,000

Etape 5 Etape 42,264 1 ,000

Bloc 893,439 5 ,000

Modèle 893,439 5 ,000

Etape 6 Etape 53,942 1 ,000

Bloc 947,381 6 ,000

Modèle 947,381 6 ,000

Etape 7 Etape 24,470 1 ,000

Bloc 971,851 7 ,000

Modèle 971,851 7 ,000

Etape 8 Etape 8,896 1 ,003

Bloc 980,747 8 ,000

Modèle 980,747 8 ,000

Etape 9 Etape 6,408 1 ,011

Bloc 987,156 9 ,000

307
 Tests de spécification du modèle

Khi-deux ddl Signif.

Etape 1 Etape 538,521 1 ,000

Bloc 538,521 1 ,000

Modèle 538,521 1 ,000

Etape 2 Etape 95,701 1 ,000

Bloc 634,222 2 ,000

Modèle 634,222 2 ,000

Etape 3 Etape 93,112 1 ,000

Bloc 727,334 3 ,000

Modèle 727,334 3 ,000

Etape 4 Etape 123,842 1 ,000

Bloc 851,176 4 ,000

Modèle 851,176 4 ,000

Etape 5 Etape 42,264 1 ,000

Bloc 893,439 5 ,000

Modèle 893,439 5 ,000

Etape 6 Etape 53,942 1 ,000

Bloc 947,381 6 ,000

Modèle 947,381 6 ,000

Etape 7 Etape 24,470 1 ,000

Bloc 971,851 7 ,000

Modèle 971,851 7 ,000

Etape 8 Etape 8,896 1 ,003

Bloc 980,747 8 ,000

Modèle 980,747 8 ,000

Etape 9 Etape 6,408 1 ,011

Bloc 987,156 9 ,000

Modèle 987,156 9 ,000

Récapitulatif du modèle

-2log- R-deux de Cox & R-deux de

Etape vraisemblance Snell Nagelkerke

308
 a
1 570,515 ,490 ,653
a
2 474,814 ,547 ,730
b
3 381,701 ,597 ,796
c
4 257,860 ,655 ,873
d
5 215,596 ,673 ,897
e
6 161,654 ,694 ,925
e
7 137,185 ,703 ,938
e
8 128,288 ,707 ,942
e
9 121,880 ,709 ,945

a. L'estimation a été interrompue au numéro d'itération 6 parce

que les estimations de paramètres ont changé de moins de ,001.

b. L'estimation a été interrompue au numéro d'itération 7 parce

que les estimations de paramètres ont changé de moins de ,001.

c. L'estimation a été interrompue au numéro d'itération 8 parce

que les estimations de paramètres ont changé de moins de ,001.

d. L'estimation a été interrompue au numéro d'itération 9 parce

que les estimations de paramètres ont changé de moins de ,001.

e. L'estimation a été interrompue au numéro d'itération 10 parce

que les estimations de paramètres ont changé de moins de ,001.

Test de Hosmer-Lemeshow

Etape Khi-deux ddl Signif.

1 342,192 5 ,000

2 412,298 8 ,000

3 427,562 8 ,000

4 121,980 8 ,000

5 235,275 8 ,000

6 55,232 8 ,000

7 10,775 8 ,215

8 12,258 8 ,140

9 12,368 8 ,136

309
 a
Tableau de classement

Prévu

Pourcentage
Observé 0 1 correct

Etape 1 Y 0 368 32 92,0

1 38 362 90,5

Pourcentage global 91,2

Etape 2 Y 0 371 29 92,8

1 25 375 93,8

Pourcentage global 93,2

Etape 3 Y 0 373 27 93,2

1 8 392 98,0

Pourcentage global 95,6

Etape 4 Y 0 381 19 95,2

1 6 394 98,5

Pourcentage global 96,9

Etape 5 Y 0 384 16 96,0

1 3 397 99,2

Pourcentage global 97,6

Etape 6 Y 0 384 16 96,0

1 7 393 98,2

Pourcentage global 97,1

Etape 7 Y 0 385 15 96,2

1 5 395 98,8

Pourcentage global 97,5

Etape 8 Y 0 385 15 96,2

1 6 394 98,5

Pourcentage global 97,4

Etape 9 Y 0 388 12 97,0

1 4 396 99,0

Pourcentage global 98,0

310
 a
Tableau de classement

Prévu

Pourcentage
Observé 0 1 correct

Etape 1 Y 0 368 32 92,0

1 38 362 90,5

Pourcentage global 91,2

Etape 2 Y 0 371 29 92,8

1 25 375 93,8

Pourcentage global 93,2

Etape 3 Y 0 373 27 93,2

1 8 392 98,0

Pourcentage global 95,6

Etape 4 Y 0 381 19 95,2

1 6 394 98,5

Pourcentage global 96,9

Etape 5 Y 0 384 16 96,0

1 3 397 99,2

Pourcentage global 97,6

Etape 6 Y 0 384 16 96,0

1 7 393 98,2

Pourcentage global 97,1

Etape 7 Y 0 385 15 96,2

1 5 395 98,8

Pourcentage global 97,5

Etape 8 Y 0 385 15 96,2

1 6 394 98,5

Pourcentage global 97,4

Etape 9 Y 0 388 12 97,0

1 4 396 99,0

Pourcentage global 98,0

a. La valeur de césure est ,500

311
 Variables dans l'équation

B E.S. Wald ddl Signif. Exp(B)

a
Etape 1 R20 ,133 ,008 246,513 1 ,000 1,142

Constante -2,085 ,156 179,041 1 ,000 ,124

b
Etape 2 R20 ,136 ,009 238,853 1 ,000 1,146

R23 1,452 ,184 62,436 1 ,000 4,273

Constante -3,768 ,287 172,953 1 ,000 ,023

c
Etape 3 R20 ,130 ,009 209,732 1 ,000 1,139

R23 3,948 ,451 76,576 1 ,000 51,840

R29 -,100 ,013 59,881 1 ,000 ,905

Constante -2,715 ,324 70,333 1 ,000 ,066

d
Etape 4 R17 -,090 ,012 59,923 1 ,000 ,914

R20 ,122 ,011 133,584 1 ,000 1,129

R23 3,593 ,492 53,272 1 ,000 36,326

R29 -,094 ,014 42,292 1 ,000 ,910

Constante -1,983 ,400 24,534 1 ,000 ,138

e
Etape 5 R17 -,130 ,016 67,651 1 ,000 ,878

R18 ,039 ,007 31,305 1 ,000 1,040

R20 ,110 ,012 87,781 1 ,000 1,116

R23 4,042 ,561 51,834 1 ,000 56,958

R29 -,113 ,017 42,240 1 ,000 ,893

Constante -1,914 ,430 19,856 1 ,000 ,147

f
Etape 6 R04 -,078 ,013 36,112 1 ,000 ,925

R17 -,155 ,020 58,775 1 ,000 ,857

R18 ,066 ,010 45,668 1 ,000 1,068

R20 ,082 ,012 49,458 1 ,000 1,086

R23 4,575 ,700 42,744 1 ,000 97,051

R29 -,117 ,021 30,407 1 ,000 ,890

Constante -,188 ,544 ,120 1 ,729 ,828

g
Etape 7 R04 -,083 ,014 34,179 1 ,000 ,921

R17 -,172 ,023 54,173 1 ,000 ,842

R18 ,089 ,013 50,925 1 ,000 1,094

R19 -,038 ,008 21,826 1 ,000 ,963

R20 ,093 ,013 51,021 1 ,000 1,097

R23 3,880 ,724 28,699 1 ,000 48,404

312
 R29 -,101 ,023 19,114 1 ,000 ,904

Constante ,292 ,621 ,221 1 ,638 1,339

h
Etape 8 R04 -,088 ,015 35,595 1 ,000 ,915

R17 -,181 ,025 51,239 1 ,000 ,835

R18 ,094 ,013 50,339 1 ,000 1,098

R19 -,038 ,008 22,311 1 ,000 ,963

R20 ,096 ,013 51,215 1 ,000 1,100

R21 -,024 ,007 11,751 1 ,001 ,976

R23 4,492 ,781 33,121 1 ,000 89,291

R29 -,113 ,025 20,862 1 ,000 ,893

Constante ,427 ,629 ,461 1 ,497 1,532

i
Etape 9 R01 -,224 ,079 8,106 1 ,004 ,800

R04 -,091 ,015 35,343 1 ,000 ,913

R17 -,179 ,026 48,677 1 ,000 ,836

R18 ,098 ,014 51,622 1 ,000 1,103

R19 -,039 ,008 22,350 1 ,000 ,962

R20 ,102 ,014 51,192 1 ,000 1,108

R21 -,021 ,007 7,899 1 ,005 ,979

R23 4,589 ,805 32,491 1 ,000 98,430

R29 -,114 ,025 20,418 1 ,000 ,893

Constante ,696 ,662 1,104 1 ,293 2,005

a. Variable(s) entrées à l'étape 1 : R20.

b. Variable(s) entrées à l'étape 2 : R23.

c. Variable(s) entrées à l'étape 3 : R29.

d. Variable(s) entrées à l'étape 4 : R17.

e. Variable(s) entrées à l'étape 5 : R18.

f. Variable(s) entrées à l'étape 6 : R04.

g. Variable(s) entrées à l'étape 7 : R19.

h. Variable(s) entrées à l'étape 8 : R21.

i. Variable(s) entrées à l'étape 9 : R01.

313
 Canonical Discriminant Function Coefficients

Function
1
R02 ,007
R03 ,007
R04 ,013
R05 ,005
R08 -,315
R12 -,146
R13 ,096
R17 ,011
R18 -,016
R19 ,018
R20 -,052
R23 -,720
R24 ,041
R25 -,060
R26 ,033
R27 ,002
R29 ,014
R33 ,005
(Constant) ,069
Unstandardized coefficients

Canonical Discriminant Function Coefficients 2006

Function
1
R04 ,038
R05 -,013
R10 -,009
R25 ,041
(Constant) ,259
Unstandardized coefficients

Les résultats de la régression logistique deux ans avant la

défaillance (2007)

Tests de spécification du modèle

Khi-deux ddl Signif.

Etape 1 Etape 122,143 1 ,000

Bloc 122,143 1 ,000

Modèle 122,143 1 ,000

314
Etape 2 Etape 28,217 1 ,000

Bloc 150,360 2 ,000

Modèle 150,360 2 ,000

Etape 3 Etape 20,417 1 ,000

Bloc 170,777 3 ,000

Modèle 170,777 3 ,000

Etape 4 Etape 5,207 1 ,022

Bloc 175,984 4 ,000

Modèle 175,984 4 ,000

Récapitulatif du modèle

-2log- R-deux de Cox & R-deux de

Etape vraisemblance Snell Nagelkerke
a
1 986,893 ,142 ,189
a
2 958,675 ,171 ,228
a
3 938,258 ,192 ,256
a
4 933,052 ,197 ,263

a. L'estimation a été interrompue au numéro d'itération 5 parce

que les estimations de paramètres ont changé de moins de ,001.

Test de Hosmer-Lemeshow

Etape Khi-deux ddl Signif.

1 3,604 8 ,891

2 7,209 8 ,514

3 5,557 8 ,697

4 5,304 8 ,725

Tableau de contingence pour le test de Hosmer-Lemeshow

Y=0 Y=1

Observé Théorique Observé Théorique Total

Etape 1 1 64 66,382 16 13,618 80

2 57 53,976 23 26,024 80

315
 3 52 48,022 28 31,978 80

4 43 43,596 37 36,404 80

5 41 40,579 39 39,421 80

6 34 38,317 46 41,683 80

7 35 36,568 45 43,432 80

8 33 34,451 47 45,549 80

9 31 27,824 49 52,176 80

10 10 10,284 70 69,716 80

Etape 2 1 71 69,672 9 10,328 80

2 57 57,636 23 22,364 80

3 46 50,345 34 29,655 80

4 40 44,947 40 35,053 80

5 47 40,730 33 39,270 80

6 44 37,171 36 42,829 80

7 33 33,900 47 46,100 80

8 28 30,457 52 49,543 80

9 24 25,025 56 54,975 80

10 10 10,115 70 69,885 80

Etape 3 1 74 70,608 6 9,392 80

2 56 58,752 24 21,248 80

3 51 51,136 29 28,864 80

4 45 45,936 35 34,064 80

5 38 41,604 42 38,396 80

6 35 37,883 45 42,117 80

7 38 34,298 42 45,702 80

8 34 29,091 46 50,909 80

9 23 22,676 57 57,324 80

10 6 8,015 74 71,985 80

Etape 4 1 74 71,385 6 8,615 80

2 58 59,121 22 20,879 80

3 47 51,284 33 28,716 80

4 48 45,773 32 34,227 80

5 37 41,341 43 38,659 80

6 37 37,604 43 42,396 80

7 38 33,935 42 46,065 80

316
 8 33 29,189 47 50,811 80

9 22 22,538 58 57,462 80

10 6 7,829 74 72,171 80

a
Tableau de classement

Prévu

Pourcentage
Observé 0 1 correct

Etape 1 Y 0 246 154 61,5

1 132 268 67,0

Pourcentage global 64,2

Etape 2 Y 0 247 153 61,8

1 126 274 68,5

Pourcentage global 65,1

Etape 3 Y 0 260 140 65,0

1 133 267 66,8

Pourcentage global 65,9

Etape 4 Y 0 260 140 65,0

1 128 272 68,0

Pourcentage global 66,5

a. La valeur de césure est ,500

e
Variables dans l'équation

B E.S. Wald ddl Signif. Exp(B)

a
Etape 1 R26 -,159 ,018 74,071 1 ,000 ,853

Constante ,237 ,082 8,413 1 ,004 1,268

b
Etape 2 R04 -,023 ,005 25,997 1 ,000 ,977

R26 -,142 ,018 60,469 1 ,000 ,867

Constante ,810 ,142 32,743 1 ,000 2,249

c
Etape 3 R04 -,022 ,005 23,882 1 ,000 ,978

R10 ,009 ,002 18,471 1 ,000 1,009

R26 -,151 ,019 62,385 1 ,000 ,860

317
 Constante ,287 ,183 2,477 1 ,116 1,333
d
Etape 4 R04 -,018 ,005 12,156 1 ,000 ,982

R07 -,151 ,101 2,250 1 ,134 ,860

R10 ,009 ,002 20,122 1 ,000 1,009

R26 -,157 ,020 63,684 1 ,000 ,855

Constante ,378 ,201 3,551 1 ,060 1,460

a. Variable(s) entrées à l'étape 1 : R26.

b. Variable(s) entrées à l'étape 2 : R04.

c. Variable(s) entrées à l'étape 3 : R10.

d. Variable(s) entrées à l'étape 4 : R07.

e. La procédure pas à pas a été interrompue car la suppression de la variable la moins significative génère
un modèle précédemment ajusté.

Résultats de la régression logistique trois ans avant la défaillance

(2006)

Variables dans l'équation

B E.S. Wald ddl Signif. Exp(B)

a
Etape 1 R04 -,021 ,004 30,793 1 ,000 ,979

Constante ,571 ,125 20,736 1 ,000 1,770

b
Etape 2 R04 -,021 ,004 30,383 1 ,000 ,979

R10 ,006 ,002 11,931 1 ,001 1,006

Constante ,200 ,163 1,511 1 ,219 1,221

c
Etape 3 R04 -,020 ,004 26,219 1 ,000 ,980

R10 ,006 ,002 10,137 1 ,001 1,006

R25 -,032 ,011 7,907 1 ,005 ,968

Constante ,268 ,168 2,537 1 ,111 1,308

d
Etape 4 R04 -,017 ,004 16,227 1 ,000 ,983

R10 ,007 ,002 13,399 1 ,000 1,007

R18 -,002 ,001 4,545 1 ,033 ,998

R25 -,041 ,012 11,202 1 ,001 ,960

Constante ,202 ,171 1,398 1 ,237 1,223

e
Etape 5 R04 -,015 ,004 12,513 1 ,000 ,985

R10 ,006 ,002 8,521 1 ,004 1,006

318
 R18 -,006 ,002 13,772 1 ,000 ,994

R19 ,007 ,002 10,548 1 ,001 1,008

R25 -,040 ,012 10,821 1 ,001 ,961

Constante ,264 ,172 2,346 1 ,126 1,302

f
Etape 6 R04 -,014 ,004 11,562 1 ,001 ,986

R10 ,006 ,002 9,293 1 ,002 1,006

R18 -,006 ,002 14,496 1 ,000 ,994

R19 ,007 ,002 8,646 1 ,003 1,007

R25 -,063 ,017 13,622 1 ,000 ,939

R33 ,007 ,004 3,458 1 ,063 1,007

Constante ,294 ,173 2,874 1 ,090 1,342

a. Variable(s) entrées à l'étape 1 : R04.

b. Variable(s) entrées à l'étape 2 : R10.

c. Variable(s) entrées à l'étape 3 : R25.

d. Variable(s) entrées à l'étape 4 : R18.

e. Variable(s) entrées à l'étape 5 : R19.

f. Variable(s) entrées à l'étape 6 : R33.

a
Tableau de classement

Prévu

Pourcentage
Observé 0 1 correct

Etape 1 Y 0 209 191 52,2

1 153 247 61,8

Pourcentage global 57,0

Etape 2 Y 0 227 173 56,8

1 166 234 58,5

Pourcentage global 57,6

Etape 3 Y 0 233 167 58,2

1 165 235 58,8

Pourcentage global 58,5

Etape 4 Y 0 239 161 59,8

1 172 228 57,0

319
 Pourcentage global 58,4

Etape 5 Y 0 230 170 57,5

1 147 253 63,2

Pourcentage global 60,4

Etape 6 Y 0 232 168 58,0

1 148 252 63,0

Pourcentage global 60,5

a. La valeur de césure est ,500

Récapitulatif du modèle

-2log- R-deux de Cox & R-deux de

Etape vraisemblance Snell Nagelkerke
a
1 1074,909 ,042 ,056
a
2 1062,262 ,057 ,076
b
3 1052,754 ,068 ,091
b
4 1047,700 ,074 ,098
b
5 1036,458 ,087 ,116
b
6 1031,795 ,092 ,123

a. L'estimation a été interrompue au numéro d'itération 3 parce

que les estimations de paramètres ont changé de moins de ,001.

b. L'estimation a été interrompue au numéro d'itération 4 parce

que les estimations de paramètres ont changé de moins de ,001.

Tests de spécification du modèle

Khi-deux ddl Signif.

Etape 1 Etape 34,127 1 ,000

Bloc 34,127 1 ,000

Modèle 34,127 1 ,000

Etape 2 Etape 12,647 1 ,000

Bloc 46,773 2 ,000

Modèle 46,773 2 ,000

Etape 3 Etape 9,509 1 ,002

Bloc 56,282 3 ,000

Modèle 56,282 3 ,000

320
Etape 4 Etape 5,054 1 ,025

Bloc 61,336 4 ,000

Modèle 61,336 4 ,000

Etape 5 Etape 11,242 1 ,001

Bloc 72,578 5 ,000

Modèle 72,578 5 ,000

Etape 6 Etape 4,663 1 ,031

Bloc 77,241 6 ,000

Modèle 77,241 6 ,000

321
 ANNEXE 4: RESULTATS DE L’ANALYSE DISCRIMINANTE PLS
Résultats de l’analyse discriminante PLS un an avant la
défaillance(2008)

Parameters
Parameters
Required axes 6
Redundancy cut value 0,0250

Results

12344565789A786B8C3DE74

Error rate 0,0350

Values prediction Confusion matrix
Value Recall 1-Precision S D Sum
S 0,9425 0,0131 S 377 23 400
D 0,9875 0,0550 D 5 395 400
Sum 382 418 800

12344565789EF383E78545E4

33974E85A5BD

Target attribute Z (2 values)

# descriptors 33

C789B69935494799

12344565E35BD96DE5BD4

Attribute S D VIP
R01 0,001740 -0,001740 0,4130
R02 0,001044 -0,001044 1,1266
R03 0,000607 -0,000607 0,7746
R04 0,002264 -0,002264 1,6604
R05 0,000956 -0,000956 0,6581
R06 -0,004374 0,004374 0,2769
R07 -0,007315 0,007315 0,8262
R08 -0,013257 0,013257 0,8681
R09 0,000233 -0,000233 0,5561

322
 R10 -0,000046 0,000046 0,7386
R11 0,000496 -0,000496 0,7431
R12 -0,019742 0,019742 0,8353
R13 0,009304 -0,009304 0,5917
R14 0,000110 -0,000110 0,9858
R15 -0,000001 0,000001 0,1063
R16 0,000196 -0,000196 0,2900
R17 0,000395 -0,000395 0,8810
R18 -0,000925 0,000925 0,8378
R19 0,002886 -0,002886 0,7531
R20 -0,015092 0,015092 2,7433
R21 -0,000036 0,000036 0,2465
R22 -0,001922 0,001922 0,3140
R23 -0,169707 0,169707 1,4851
R24 0,004285 -0,004285 1,1775
R25 -0,004962 0,004962 1,3493
R26 0,001906 -0,001906 1,3783
R27 0,000432 -0,000432 0,9647
R28 0,000001 -0,000001 0,5940
R29 0,003559 -0,003559 0,8469
R30 0,000227 -0,000227 1,1261
R31 0,002173 -0,002173 0,5864
R32 -0,001029 0,001029 0,9663
R33 0,001302 -0,001302 1,0706
constant 0,533051 0,466949 -

323
Résultats de l’analyse discriminante PLS deux ans avant la
défaillance(2007)

Supervised Learning 1 (PLS-DA)

Parameters
Parameters
Required axes 2
Redundancy cut value 0,0250

Results

12344565789A786B8C3DE74

Error rate 0,3287

Values prediction Confusion matrix
Value Recall 1-Precision S D Sum
S 0,6850 0,3333 S 274 126 400
D 0,6575 0,3239 D 137 263 400
Sum 411 389 800

12344565789EF383E78545E4

33974E85A5BD

Target attribute Z (2 values)

# descriptors 33

C789B69935494799

12344565E35BD96DE5BD4

Attribute S D VIP
R01 0,001573 -0,001573 0,4693
R02 0,000488 -0,000488 1,3036
R03 0,000168 -0,000168 1,0841
R04 0,002159 -0,002159 1,7454
R05 -0,000738 0,000738 0,4863
R06 0,021384 -0,021384 0,5073
R07 0,012272 -0,012272 0,7755
R08 0,008576 -0,008576 0,7344
R09 0,000104 -0,000104 0,5728
R10 -0,000990 0,000990 1,3525
324
 R11 -0,000450 0,000450 0,8065
R12 0,009391 -0,009391 0,7284
R13 0,005583 -0,005583 0,6850
R14 -0,000118 0,000118 1,0096
R15 0,000006 -0,000006 0,3017
R16 0,000032 -0,000032 0,3454
R17 0,004083 -0,004083 1,7248
R18 0,000032 -0,000032 0,4537
R19 -0,000174 0,000174 0,4990
R20 -0,000898 0,000898 0,7390
R21 -0,001049 0,001049 0,5871
R22 0,000009 -0,000009 0,3671
R23 0,013854 -0,013854 0,6937
R24 -0,018562 0,018562 0,8605
R25 0,005472 -0,005472 1,9736
R26 0,005889 -0,005889 2,0482
R27 0,000495 -0,000495 0,7861
R28 0,000042 -0,000042 0,9006
R29 0,000259 -0,000259 0,7763
R30 -0,000095 0,000095 1,1232
R31 0,004620 -0,004620 1,0064
R32 0,002571 -0,002571 0,8810
R33 -0,000055 0,000055 1,1564
constant 0,479070 0,520930 -

Résultats de l’analyse discriminante PLS trois ans avant la

défaillance (2006)

Supervised Learning 1 (PLS-DA)

Parameters
Parameters
Required axes 6
Redundancy cut value 0,0250

Results

12344565789A786B8C3DE74

325
 Error rate 0,3950
Values prediction Confusion matrix
Value Recall 1-Precision S D Sum
S 0,6125 0,3966 S 245 155 400
D 0,5975 0,3934 D 161 239 400
Sum 406 394 800

12344565789EF383E78545E4

33974E85A5BD

Target attribute Z (2 values)

# descriptors 33

C789B69935494799

12344565E35BD96DE5BD4

Attribute S D VIP
R01 0,004093 -0,004093 0,5802
R02 0,000764 -0,000764 1,4131
R03 0,000682 -0,000682 1,1087
R04 0,003866 -0,003866 2,1717
R05 -0,000822 0,000822 0,8716
R06 0,005497 -0,005497 0,2877
R07 -0,000826 0,000826 0,9318
R08 -0,000970 0,000970 0,9208
R09 0,000183 -0,000183 0,6203
R10 -0,000897 0,000897 1,4998
R11 -0,000134 0,000134 1,1660
R12 -0,009303 0,009303 0,6501
R13 0,012025 -0,012025 0,6395
R14 -0,000052 0,000052 0,9818
R15 0,000024 -0,000024 0,6002
R16 -0,000250 0,000250 0,3409
R17 -0,000828 0,000828 1,2374
R18 0,000551 -0,000551 1,0753
R19 -0,000425 0,000425 0,7035
R20 -0,001465 0,001465 0,9689
R21 -0,001510 0,001510 1,0355

326
 R22 -0,000093 0,000093 0,5237
R23 0,005759 -0,005759 0,6108
R24 -0,062355 0,062355 0,8394
R25 0,007485 -0,007485 1,3727
R26 0,000451 -0,000451 1,3288
R27 -0,001181 0,001181 1,2353
R28 0,000287 -0,000287 0,8165
R29 0,000758 -0,000758 0,8035
R30 0,000213 -0,000213 0,8179
R31 0,000184 -0,000184 0,4187
R32 -0,000303 0,000303 0,7617
R33 -0,000642 0,000642 1,1995
constant 0,456751 0,543249 -

327
 ANNEXE 5: RESULTATS DE LA REGRESSION LOGISTIQUE
PLS (SAS)

Résultats de la régression logistique PLS un an avant la

défaillance(2008)

Le Système SAS

The PLS Procedure

Percent Variation Accounted for

by Partial Least Squares Factors

Number of
Extracted Model Effects Dependent Variables
Factors Current Total Current Total

1 15.9500 15.9500 38.3937 38.3937

2 6.4233 22.3733 19.9286 58.3223
3 7.2952 29.6685 6.4010 64.7234
4 8.9610 38.6295 2.5374 67.2608
5 4.6987 43.3282 1.3426 68.6033
6 4.1592 47.4874 0.9255 69.5289
7 3.0320 50.5194 0.7809 70.3098
8 4.3360 54.8554 0.5377 70.8475
9 2.3385 57.1938 0.9615 71.8090
10 3.1748 60.3687 0.5167 72.3256
11 3.5867 63.9553 0.2846 72.6102
12 2.5471 66.5024 0.1800 72.7902
13 2.7207 69.2232 0.0879 72.8781
14 3.3039 72.5271 0.0754 72.9535
15 2.7387 75.2658 0.0625 73.0160

328
 Le Système SAS

The PLS Procedure

Dependent Variable Weights

Number of
Extracted
Factors Y

1 1.000000
2 1.000000
3 1.000000
4 1.000000
5 1.000000
6 1.000000
7 1.000000
8 1.000000
9 1.000000
10 1.000000
11 1.000000
12 1.000000
13 1.000000
14 1.000000
15 1.000000

Parameter Estimates for Centered and Scaled Data

Intercept 0.0000000000
R01 -.0451689263
R02 -.1662695685
R03 -.1324397160
R04 -.1488532710
R05 -.0376578833
R06 0.4203243689
R07 -.0183757417
R08 0.3078604320
R09 -.0113051844
R10 -.0345152978
R11 -.0421188228
R12 0.0164407462
R13 -.1141072457
R14 0.0430764574
R15 0.0006809362
R16 -.0248545671
R17 -.7435351537
R18 0.7081882525
R19 -.3301622930
R20 0.5417557467
R21 0.0348996922
R22 0.4456918708
R23 0.2716213904
R24 -.0683426528
R25 0.2581097972
R26 -.1641059417
R27 -.0690079897
R28 0.0045795768
R29 -.1445427135
R30 0.0133017317
R31 -.0226565989
R32 0.0361939445
R33 -.0817517056

329
 Le Système SAS

The PLS Procedure

Parameter Estimates

Intercept 0.5188910578
R01 -.0039255150
R02 -.0020561525
R03 -.0019538890
R04 -.0027507356
R05 -.0009061961
R06 0.0175237821
R07 -.0031804886
R08 0.0534545023
R09 -.0000799209
R10 -.0004071324
R11 -.0005046025
R12 0.0092964913
R13 -.0216976163
R14 0.0002723618
R15 0.0000001549
R16 -.0003013730
R17 -.0020846414
R18 0.0033234530
R19 -.0037501968
R20 0.0118596612
R21 0.0004057445
R22 0.0063366047
R23 0.1565296726
R24 -.0056867818
R25 0.0148817562
R26 -.0089651949
R27 -.0005261756
R28 0.0000039967
R29 -.0035807727
R30 0.0001645787
R31 -.0014787992
R32 0.0034403104
R33 -.0009414878

330
 Le Système SAS

The LOGISTIC Procedure

Informations sur le modèle

Data Set [Link]

Response Variable Y Y
Number of Response Levels 2
Number of Observations 800
Model binary logit
Optimization Technique Fisher's scoring

Profil de réponse

Valeur Fréquence
ordonnée Y totale

1 1 400
2 0 400

Probability modeled is Y=1.

État de convergence du modèle

Convergence criterion (GCONV=1E-8) satisfied.

Statistiques d'ajustement du modèle

Coordonnée à
l'origine
Coordonnée à l'origine
et
Critère uniquement
covariables

AIC 1111.035
207.034
SC 1115.720
281.988
-2 Log L 1109.035 175.034

R-Square 0.6889 Max-rescaled R-Square 0.9185

Test de l'hypothèse nulle globale : BETA=0

Test Khi 2 DDL Pr > Khi 2

Likelihood Ratio 934.0010 15 <.0001

Score 584.1282 15 <.0001
Wald 126.1729 15 <.0001

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

Intercept 1 -0.6035 0.2916 4.2840

0.0385

331
 xscr1 1 2.5736 0.2589 98.7850
<.0001
xscr2 1 1.4659 0.2394 37.4858
<.0001
xscr3 1 2.2278 0.3800 34.3764
<.0001
xscr4 1 -0.3429 0.2750 1.5544
0.2125
xscr5 1 0.1054 0.2305 0.2091
0.6475
xscr6 1 0.8934 0.2617 11.6545
0.0006
xscr7 1 0.8467 0.2775 9.3102
0.0023
xscr8 1 0.7367 0.2082 12.5219
0.0004
xscr9 1 1.3001 0.3045 18.2305
<.0001
xscr10 1 1.1370 0.2421 22.0552
<.0001
xscr11 1 0.5336 0.2716 3.8595
0.0495
xscr12 1 0.8312 0.2837 8.5838
0.0034

332
 Le Système SAS

The LOGISTIC Procedure

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

xscr13 1 0.5005 0.3462 2.0898

0.1483
xscr14 1 1.4361 0.2973 23.3365
<.0001
xscr15 1 1.0419 0.3218 10.4809
0.0012

Estimations des risques relatifs approchés

Estimation 95% Limites de confiance

Effet des points de Wald

xscr1 13.113 7.894 21.784

xscr2 4.331 2.709 6.925
xscr3 9.280 4.407 19.542
xscr4 0.710 0.414 1.217
xscr5 1.111 0.707 1.746
xscr6 2.443 1.463 4.081
xscr7 2.332 1.354 4.017
xscr8 2.089 1.389 3.142
xscr9 3.670 2.020 6.665
xscr10 3.118 1.940 5.011
xscr11 1.705 1.001 2.903
xscr12 2.296 1.317 4.004
xscr13 1.650 0.837 3.251
xscr14 4.204 2.348 7.529
xscr15 2.835 1.509 5.327

Association des probabilités prédites et des réponses

observées

Percent Concordant 98.9 Somers' D 0.979

Percent Discordant 1.0 Gamma 0.980
Percent Tied 0.1 Tau-a 0.490
Pairs 160000 c 0.9901

1 1

Le Système SAS 13:59

Friday, June 1, 2001 144

indices VIP: importance de la contribution à la

projection

Obs Predictor Y B VIP

1 R01 -.0148988307 . 0.29482

2 R02 -.0845465353 . 0.80651
3 R03 0.0213252054 . 0.55082
4 R04 -.2234217337 . 1.18107
5 R05 0.0709761561 . 0.36213
6 R06 0.0331463148 . 0.16901
7 R07 0.0147349960 . 0.48389
8 R08 0.0294367168 . 0.51370

333
 9 R09 -.0290807902 . 0.30821
10 R10 0.0590827837 . 0.28720
11 R11 0.0465095926 . 0.43959
12 R12 -.0214668153 . 0.54656
13 R13 -.0277896435 . 0.40336
14 R14 0.0133358272 . 0.63355
15 R15 0.0008356000 . 0.03305
16 R16 -.0291500747 . 0.20178
17 R17 -.0320703600 . 0.45522
18 R18 0.0656572144 . 0.45573
19 R19 -.0401187065 . 0.22650
20 R20 0.4045186308 . 1.97485
21 R21 0.0109019480 . 0.14923
22 R22 0.0338971052 . 0.16221
23 R23 0.2214782665 . 1.07746
24 R24 -.1014722774 . 0.85832
25 R25 -.0238698147 . 0.95462
26 R26 -.0398110375 . 0.99874
27 R27 -.1007866432 . 0.69578
28 R28 -.0198149181 . 0.36319
29 R29 0.0022192167 . 0.43319
30 R30 0.0242362873 . 0.79382
31 R31 -.0470330739 . 0.31514
32 R32 -.0183197595 . 0.57972
33 R33 -.0231839709 . 0.73537

Le Système SAS

The LOGISTIC Procedure

Table de classification

Correct Incorrect
Pourcentages
Niveau de Non- Non- Sensi- Spéci-
POS NEG
prob. Événement événement Événement événement Correct bilité ficité
fausse fausse

0.420 390 379 21 10 96.1 97.5 94.8

5.1 2.6
0.440 390 380 20 10 96.3 97.5 95.0
4.9 2.6
0.460 390 380 20 10 96.3 97.5 95.0
4.9 2.6
0.480 389 381 19 11 96.3 97.3 95.3
4.7 2.8
0.500 387 382 18 13 96.1 96.8 95.5
4.4 3.3
0.520 386 382 18 14 96.0 96.5 95.5
4.5 3.5
0.540 385 382 18 15 95.9 96.3 95.5
4.5 3.8
0.560 385 382 18 15 95.9 96.3 95.5
4.5 3.8
0.580 384 382 18 16 95.8 96.0 95.5
4.5 4.0
0.600 383 384 16 17 95.9 95.8 96.0
4.0 4.2
0.620 383 385 15 17 96.0 95.8 96.3
3.8 4.2
0.640 381 385 15 19 95.8 95.3 96.3
3.8 4.7
0.660 381 385 15 19 95.8 95.3 96.3
3.8 4.7

334
 0.680 380 385 15 20 95.6 95.0 96.3
3.8 4.9
0.700 377 386 14 23 95.4 94.3 96.5
3.6 5.6
0.720 377 386 14 23 95.4 94.3 96.5
3.6 5.6
0.740 377 386 14 23 95.4 94.3 96.5
3.6 5.6
0.760 374 386 14 26 95.0 93.5 96.5
3.6 6.3
0.780 372 386 14 28 94.8 93.0 96.5
3.6 6.8
0.800 371 387 13 29 94.8 92.8 96.8
3.4 7.0
0.820 368 388 12 32 94.5 92.0 97.0
3.2 7.6
0.840 366 389 11 34 94.4 91.5 97.3
2.9 8.0
0.860 358 389 11 42 93.4 89.5 97.3
3.0 9.7
0.880 352 389 11 48 92.6 88.0 97.3
3.0 11.0
0.900 342 389 11 58 91.4 85.5 97.3
3.1 13.0
0.920 329 389 11 71 89.8 82.3 97.3
3.2 15.4
0.940 313 389 11 87 87.8 78.3 97.3
3.4 18.3
0.960 285 390 10 115 84.4 71.3 97.5
3.4 22.8
0.980 246 391 9 154 79.6 61.5 97.8
3.5 28.3
1.000 0 400 0 400 50.0 0.0 100.0
. 50.0

Résultats de la régression logistique PLS deux ans avant la

défaillance(2007)

Le Système SAS

The PLS Procedure

Percent Variation Accounted for

by Partial Least Squares Factors

Number of
Extracted Model Effects Dependent Variables
Factors Current Total Current Total

1 16.9063 16.9063 12.1653 12.1653

2 6.1873 23.0936 3.5059 15.6713
3 10.5846 33.6783 0.7785 16.4498
4 8.6264 42.3047 0.7357 17.1855
5 6.6103 48.9149 0.4959 17.6814
6 4.9476 53.8625 0.3703 18.0517
7 2.6542 56.5168 0.3376 18.3893
8 4.3737 60.8905 0.1455 18.5349
9 2.9596 63.8501 0.1646 18.6995
10 4.9050 68.7551 0.1052 18.8047
11 2.6341 71.3892 0.1377 18.9424
12 3.4116 74.8007 0.0424 18.9848
13 2.9172 77.7179 0.0418 19.0266
14 1.2955 79.0135 0.1016 19.1282
335
 15 1.9280 80.9415 0.0497 19.1779

Le Système SAS

The PLS Procedure

Dependent Variable Weights

Number of
Extracted
Factors Y

1 1.000000
2 1.000000
3 1.000000
4 1.000000
5 1.000000
6 1.000000
7 1.000000
8 1.000000
9 1.000000
10 1.000000
11 1.000000
12 1.000000
13 1.000000
14 1.000000
15 1.000000

Parameter Estimates for Centered and Scaled Data

Intercept 0.0000000000
R01 -.0594853508
R02 -.1104085446
R03 -.0799251778
R04 -.0764335205
R05 0.0155789166
R06 -.3624556864
R07 -.0249376456
R08 -.0736647697
R09 0.0141074383
R10 0.1204013887
R11 0.0501552086
R12 0.0001644657
R13 -.0109172723
R14 -.0309167581
R15 -.0075722340
R16 -.0340543354
R17 0.1559345627
R18 0.0107193164
R19 0.3364773146
R20 -.1720349321
R21 0.0360657176
R22 0.0249178641
R23 -.3861904963
R24 0.1463142588
R25 -.2833446203
R26 -.1254840504
R27 -.1160337470
R28 0.0334673744
R29 0.0800770359
R30 -.1409655601
R31 -.0371505473
R32 0.0076067691
336
R33 -.1120548942

337
 Le Système SAS

The PLS Procedure

Parameter Estimates

Intercept 0.8930960941
R01 -.0041559822
R02 -.0016403849
R03 -.0013396394
R04 -.0018314186
R05 0.0003601656
R06 -.3669377345
R07 -.0079071795
R08 -.0236937797
R09 0.0001086224
R10 0.0013409330
R11 0.0005055338
R12 0.0001084170
R13 -.0056596637
R14 -.0002200745
R15 -.0000062787
R16 -.0000493773
R17 0.0094058327
R18 0.0000306040
R19 0.0020022028
R20 -.0032066600
R21 0.0011044243
R22 0.0003081596
R23 -.1249549906
R24 0.1426129985
R25 -.0158680423
R26 -.0074475693
R27 -.0025022879
R28 0.0001395064
R29 0.0019777676
R30 -.0014278044
R31 -.0027206862
R32 0.0011025426
R33 -.0011227502

338
 Le Système SAS

The LOGISTIC Procedure

Informations sur le modèle

Data Set [Link]

Response Variable Y Y
Number of Response Levels 2
Number of Observations 800
Model binary logit
Optimization Technique Fisher's scoring

Profil de réponse

Valeur Fréquence
ordonnée Y totale

1 1 400
2 0 400

Probability modeled is Y=1.

État de convergence du modèle

Convergence criterion (GCONV=1E-8) satisfied.

Statistiques d'ajustement du modèle

Coordonnée à
l'origine
Coordonnée à l'origine
et
Critère uniquement
covariables

AIC 1111.035
935.134
SC 1115.720
1010.087
-2 Log L 1109.035 903.134

R-Square 0.2269 Max-rescaled R-Square 0.3026

Test de l'hypothèse nulle globale : BETA=0

Test Khi 2 DDL Pr > Khi 2

Likelihood Ratio 205.9019 15 <.0001

Score 153.4230 15 <.0001
Wald 122.1499 15 <.0001

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

Intercept 1 0.000640 0.0832 0.0001

0.9939

339
 xscr1 1 0.5968 0.0665 80.4752
<.0001
xscr2 1 0.4064 0.0700 33.6922
<.0001
xscr3 1 0.0908 0.0631 2.0684
0.1504
xscr4 1 0.1215 0.0770 2.4909
0.1145
xscr5 1 0.1892 0.0679 7.7578
0.0053
xscr6 1 -0.0195 0.0824 0.0563
0.8125
xscr7 1 0.3168 0.1259 6.3321
0.0119
xscr8 1 -0.00790 0.1397 0.0032
0.9549
xscr9 1 0.1361 0.1181 1.3273
0.2493
xscr10 1 0.0297 0.0983 0.0911
0.7628
xscr11 1 0.1559 0.1361 1.3119
0.2521
xscr12 1 0.0365 0.1148 0.1009
0.7507

340
 Le Système SAS

The LOGISTIC Procedure

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

xscr13 1 0.1079 0.0967 1.2465

0.2642
xscr14 1 0.1062 0.1516 0.4905
0.4837
xscr15 1 -0.00907 0.1324 0.0047
0.9454

Estimations des risques relatifs approchés

Estimation 95% Limites de confiance

Effet des points de Wald

xscr1 1.816 1.594 2.069

xscr2 1.501 1.309 1.722
xscr3 1.095 0.968 1.239
xscr4 1.129 0.971 1.313
xscr5 1.208 1.058 1.380
xscr6 0.981 0.834 1.153
xscr7 1.373 1.073 1.757
xscr8 0.992 0.755 1.305
xscr9 1.146 0.909 1.444
xscr10 1.030 0.850 1.249
xscr11 1.169 0.895 1.526
xscr12 1.037 0.828 1.299
xscr13 1.114 0.922 1.346
xscr14 1.112 0.826 1.497
xscr15 0.991 0.764 1.285

Association des probabilités prédites et des réponses

observées

Percent Concordant 76.3 Somers' D 0.528

Percent Discordant 23.5 Gamma 0.529
Percent Tied 0.2 Tau-a 0.264
Pairs 160000 c 0.764

Le Système SAS

indices VIP: importance de la contribution à la

projection

Obs Predictor Y B VIP

1 R01 -.0225157201 . 0.31642

2 R02 -.0328619534 . 0.87887
3 R03 -.0100385609 . 0.73092
4 R04 -.0901209442 . 1.17672
5 R05 0.0319378009 . 0.32786
6 R06 -.0211230728 . 0.34201
7 R07 -.0387043485 . 0.52285
8 R08 -.0266637963 . 0.49515
9 R09 -.0134801410 . 0.38616

341
 10 R10 0.0889109767 . 0.91185
11 R11 0.0446840642 . 0.54377
12 R12 -.0142456426 . 0.49107
13 R13 -.0107689157 . 0.46182
14 R14 0.0166401910 . 0.68066
15 R15 -.0068630829 . 0.20342
16 R16 -.0218553989 . 0.23287
17 R17 -.0676949765 . 1.16286
18 R18 -.0112511919 . 0.30588
19 R19 0.0292721159 . 0.33642
20 R20 0.0481545982 . 0.49825
21 R21 0.0342668405 . 0.39584
22 R22 -.0007055594 . 0.24753
23 R23 -.0428174837 . 0.46769
24 R24 0.0190433154 . 0.58016
25 R25 -.0977121957 . 1.33062
26 R26 -.0992234258 . 1.38092
27 R27 -.0229339263 . 0.52996
28 R28 -.0100446120 . 0.60721
29 R29 -.0104753799 . 0.52336
30 R30 0.0093437852 . 0.75725
31 R31 -.0630815500 . 0.67853
32 R32 -.0177364668 . 0.59397
33 R33 0.0055332827 . 0.77967

Table de classification

Correct Incorrect
Pourcentages
Niveau de Non- Non- Sensi- Spéci-
POS NEG
prob. Événement événement Événement événement Correct bilité ficité
fausse fausse

0.000 400 0 400 0 50.0 100.0 0.0

50.0 .
0.020 400 9 391 0 51.1 100.0 2.3
49.4 0.0
0.040 400 23 377 0 52.9 100.0 5.8
48.5 0.0
0.060 400 30 370 0 53.8 100.0 7.5
48.1 0.0
0.080 398 37 363 2 54.4 99.5 9.3
47.7 5.1
0.100 394 45 355 6 54.9 98.5 11.3
47.4 11.8
0.120 394 53 347 6 55.9 98.5 13.3
46.8 10.2
0.140 394 64 336 6 57.3 98.5 16.0
46.0 8.6
0.160 391 76 324 9 58.4 97.8 19.0
45.3 10.6
0.180 389 79 321 11 58.5 97.3 19.8
45.2 12.2
0.200 387 93 307 13 60.0 96.8 23.3
44.2 12.3
0.220 386 104 296 14 61.3 96.5 26.0
43.4 11.9
0.240 382 109 291 18 61.4 95.5 27.3
43.2 14.2
0.260 377 118 282 23 61.9 94.3 29.5
42.8 16.3
0.280 373 127 273 27 62.5 93.3 31.8
42.3 17.5

342
 0.300 371 134 266 29 63.1 92.8 33.5
41.8 17.8
0.320 362 145 255 38 63.4 90.5 36.3
41.3 20.8
0.340 353 155 245 47 63.5 88.3 38.8
41.0 23.3
0.360 343 165 235 57 63.5 85.8 41.3
40.7 25.7
0.380 335 179 221 65 64.3 83.8 44.8
39.7 26.6
0.400 331 192 208 69 65.4 82.8 48.0
38.6 26.4

343
 Le Système SAS

The LOGISTIC Procedure

Table de classification

Correct Incorrect
Pourcentages
Niveau de Non- Non- Sensi- Spéci-
POS NEG
prob. Événement événement Événement événement Correct bilité ficité
fausse fausse

0.420 320 203 197 80 65.4 80.0 50.8

38.1 28.3
0.440 308 220 180 92 66.0 77.0 55.0
36.9 29.5
0.460 302 229 171 98 66.4 75.5 57.3
36.2 30.0
0.480 292 237 163 108 66.1 73.0 59.3
35.8 31.3
0.500 281 250 150 119 66.4 70.3 62.5
34.8 32.2
0.520 262 273 127 138 66.9 65.5 68.3
32.6 33.6
0.540 246 282 118 154 66.0 61.5 70.5
32.4 35.3
0.560 230 295 105 170 65.6 57.5 73.8
31.3 36.6
0.580 216 314 86 184 66.3 54.0 78.5
28.5 36.9
0.600 202 328 72 198 66.3 50.5 82.0
26.3 37.6
0.620 190 336 64 210 65.8 47.5 84.0
25.2 38.5
0.640 173 343 57 227 64.5 43.3 85.8
24.8 39.8
0.660 157 354 46 243 63.9 39.3 88.5
22.7 40.7
0.680 146 361 39 254 63.4 36.5 90.3
21.1 41.3
0.700 133 371 29 267 63.0 33.3 92.8
17.9 41.8
0.720 118 373 27 282 61.4 29.5 93.3
18.6 43.1
0.740 108 380 20 292 61.0 27.0 95.0
15.6 43.5
0.760 102 384 16 298 60.8 25.5 96.0
13.6 43.7
0.780 91 388 12 309 59.9 22.8 97.0
11.7 44.3
0.800 78 390 10 322 58.5 19.5 97.5
11.4 45.2
0.820 71 390 10 329 57.6 17.8 97.5
12.3 45.8
0.840 64 393 7 336 57.1 16.0 98.3
9.9 46.1
0.860 56 394 6 344 56.3 14.0 98.5
9.7 46.6
0.880 46 395 5 354 55.1 11.5 98.8
9.8 47.3
0.900 37 396 4 363 54.1 9.3 99.0
9.8 47.8
0.920 28 397 3 372 53.1 7.0 99.3
9.7 48.4
0.940 24 399 1 376 52.9 6.0 99.8
4.0 48.5
344
 0.960 16 399 1 384 51.9 4.0 99.8
5.9 49.0
0.980 12 399 1 388 51.4 3.0 99.8
7.7 49.3
1.000 0 400 0 400 50.0 0.0 100.0
. 50.0

Résultats de la régression logistique PLS trois ans avant la

défaillance(2006)
Le Système SAS

The PLS Procedure

Percent Variation Accounted for

by Partial Least Squares Factors

Number of
Extracted Model Effects Dependent Variables
Factors Current Total Current Total

1 16.9063 16.9063 12.1653 12.1653

2 6.1873 23.0936 3.5059 15.6713
3 10.5846 33.6783 0.7785 16.4498
4 8.6264 42.3047 0.7357 17.1855
5 6.6103 48.9149 0.4959 17.6814
6 4.9476 53.8625 0.3703 18.0517
7 2.6542 56.5168 0.3376 18.3893
8 4.3737 60.8905 0.1455 18.5349
9 2.9596 63.8501 0.1646 18.6995
10 4.9050 68.7551 0.1052 18.8047
11 2.6341 71.3892 0.1377 18.9424
12 3.4116 74.8007 0.0424 18.9848
13 2.9172 77.7179 0.0418 19.0266
14 1.2955 79.0135 0.1016 19.1282
15 1.9280 80.9415 0.0497 19.1779

Le Système SAS

The PLS Procedure

Dependent Variable Weights

Number of
Extracted
Factors Y

1 1.000000
2 1.000000
3 1.000000
4 1.000000
5 1.000000
6 1.000000
7 1.000000
8 1.000000
9 1.000000
10 1.000000
11 1.000000
12 1.000000
13 1.000000
14 1.000000
345
 15 1.000000

Parameter Estimates for Centered and Scaled Data

Intercept 0.0000000000
R01 -.0594853508
R02 -.1104085446
R03 -.0799251778
R04 -.0764335205
R05 0.0155789166
R06 -.3624556864
R07 -.0249376456
R08 -.0736647697
R09 0.0141074383
R10 0.1204013887
R11 0.0501552086
R12 0.0001644657
R13 -.0109172723
R14 -.0309167581
R15 -.0075722340
R16 -.0340543354
R17 0.1559345627
R18 0.0107193164
R19 0.3364773146
R20 -.1720349321
R21 0.0360657176
R22 0.0249178641
R23 -.3861904963
R24 0.1463142588
R25 -.2833446203
R26 -.1254840504
R27 -.1160337470
R28 0.0334673744
R29 0.0800770359
R30 -.1409655601
R31 -.0371505473
R32 0.0076067691
R33 -.1120548942

346
 Le Système SAS

The PLS Procedure

Parameter Estimates

Intercept 0.8930960941
R01 -.0041559822
R02 -.0016403849
R03 -.0013396394
R04 -.0018314186
R05 0.0003601656
R06 -.3669377345
R07 -.0079071795
R08 -.0236937797
R09 0.0001086224
R10 0.0013409330
R11 0.0005055338
R12 0.0001084170
R13 -.0056596637
R14 -.0002200745
R15 -.0000062787
R16 -.0000493773
R17 0.0094058327
R18 0.0000306040
R19 0.0020022028
R20 -.0032066600
R21 0.0011044243
R22 0.0003081596
R23 -.1249549906
R24 0.1426129985
R25 -.0158680423
R26 -.0074475693
R27 -.0025022879
R28 0.0001395064
R29 0.0019777676
R30 -.0014278044
R31 -.0027206862
R32 0.0011025426
R33 -.0011227502

347
 Le Système SAS

The LOGISTIC Procedure

Informations sur le modèle

Data Set [Link]

Response Variable Y Y
Number of Response Levels 2
Number of Observations 800
Model binary logit
Optimization Technique Fisher's scoring

Profil de réponse

Valeur Fréquence
ordonnée Y totale

1 1 400
2 0 400

Probability modeled is Y=1.

État de convergence du modèle

Convergence criterion (GCONV=1E-8) satisfied.

Statistiques d'ajustement du modèle

Coordonnée à
l'origine
Coordonnée à l'origine
et
Critère uniquement
covariables

AIC 1111.035
935.134
SC 1115.720
1010.087
-2 Log L 1109.035 903.134

R-Square 0.2269 Max-rescaled R-Square 0.3026

Test de l'hypothèse nulle globale : BETA=0

Test Khi 2 DDL Pr > Khi 2

Likelihood Ratio 205.9019 15 <.0001

Score 153.4230 15 <.0001
Wald 122.1499 15 <.0001

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

Intercept 1 0.000640 0.0832 0.0001

0.9939

348
 xscr1 1 0.5968 0.0665 80.4752
<.0001
xscr2 1 0.4064 0.0700 33.6922
<.0001
xscr3 1 0.0908 0.0631 2.0684
0.1504
xscr4 1 0.1215 0.0770 2.4909
0.1145
xscr5 1 0.1892 0.0679 7.7578
0.0053
xscr6 1 -0.0195 0.0824 0.0563
0.8125
xscr7 1 0.3168 0.1259 6.3321
0.0119
xscr8 1 -0.00790 0.1397 0.0032
0.9549
xscr9 1 0.1361 0.1181 1.3273
0.2493
xscr10 1 0.0297 0.0983 0.0911
0.7628
xscr11 1 0.1559 0.1361 1.3119
0.2521
xscr12 1 0.0365 0.1148 0.1009
0.7507

349
 Le Système SAS

The LOGISTIC Procedure

Analyse des estimations du maximum de vraisemblance

Erreur Khi 2
Paramètre DDL Estimation type de Wald Pr
> Khi 2

xscr13 1 0.1079 0.0967 1.2465

0.2642
xscr14 1 0.1062 0.1516 0.4905
0.4837
xscr15 1 -0.00907 0.1324 0.0047
0.9454

Estimations des risques relatifs approchés

Estimation 95% Limites de confiance

Effet des points de Wald

xscr1 1.816 1.594 2.069

xscr2 1.501 1.309 1.722
xscr3 1.095 0.968 1.239
xscr4 1.129 0.971 1.313
xscr5 1.208 1.058 1.380
xscr6 0.981 0.834 1.153
xscr7 1.373 1.073 1.757
xscr8 0.992 0.755 1.305
xscr9 1.146 0.909 1.444
xscr10 1.030 0.850 1.249
xscr11 1.169 0.895 1.526
xscr12 1.037 0.828 1.299
xscr13 1.114 0.922 1.346
xscr14 1.112 0.826 1.497
xscr15 0.991 0.764 1.285

Association des probabilités prédites et des réponses

observées

Percent Concordant 76.3 Somers' D 0.528

Percent Discordant 23.5 Gamma 0.529
Percent Tied 0.2 Tau-a 0.264
Pairs 160000 c 0.764

350
 Le Système SAS

indices VIP: importance de la contribution à la

projection

Obs Predictor Y B VIP

1 R01 -.0134003130 . 0.38392

2 R02 -.0604739649 . 1.02311
3 R03 0.0300448501 . 0.69640
4 R04 -.1064766541 . 1.57519
5 R05 0.0378001959 . 0.52213
6 R06 0.0095130672 . 0.13077
7 R07 -.0117793602 . 0.63402
8 R08 -.0061509917 . 0.64149
9 R09 -.0178434269 . 0.37620
10 R10 0.0777374477 . 1.09067
11 R11 0.0475335787 . 0.78825
12 R12 -.0092916383 . 0.20480
13 R13 -.0115886762 . 0.26620
14 R14 0.0223114986 . 0.58068
15 R15 -.0238692940 . 0.36412
16 R16 0.0124617722 . 0.17103
17 R17 -.0011502603 . 0.89342
18 R18 -.0297722310 . 0.52742
19 R19 0.0210741270 . 0.33163
20 R20 0.0428206765 . 0.59686
21 R21 0.0519434674 . 0.72081
22 R22 -.0000935833 . 0.38454
23 R23 -.0279101861 . 0.41191
24 R24 0.0043954636 . 0.51034
25 R25 -.0434355914 . 0.92765
26 R26 -.0164332937 . 0.96241
27 R27 -.0028757816 . 0.89019
28 R28 -.0249698854 . 0.58634
29 R29 -.0219992362 . 0.55595
30 R30 -.0060926702 . 0.59626
31 R31 -.0153084346 . 0.21036
32 R32 -.0110293059 . 0.37008
33 R33 0.0336131283 . 0.87363

Table de classification

Correct Incorrect
Pourcentages
Niveau de Non- Non- Sensi- Spéci-
POS NEG
prob. Événement événement Événement événement Correct bilité ficité
fausse fausse

0.000 400 0 400 0 50.0 100.0 0.0

50.0 .
0.020 400 5 395 0 50.6 100.0 1.3
49.7 0.0
0.040 400 6 394 0 50.8 100.0 1.5
49.6 0.0
0.060 399 6 394 1 50.6 99.8 1.5
49.7 14.3
0.080 398 8 392 2 50.8 99.5 2.0
49.6 20.0
0.100 398 8 392 2 50.8 99.5 2.0
49.6 20.0
0.120 398 8 392 2 50.8 99.5 2.0
49.6 20.0

351
 0.140 397 9 391 3 50.8 99.3 2.3
49.6 25.0
0.160 396 11 389 4 50.9 99.0 2.8
49.6 26.7
0.180 395 14 386 5 51.1 98.8 3.5
49.4 26.3
0.200 394 21 379 6 51.9 98.5 5.3
49.0 22.2
0.220 389 27 373 11 52.0 97.3 6.8
49.0 28.9
0.240 389 37 363 11 53.3 97.3 9.3
48.3 22.9
0.260 384 46 354 16 53.8 96.0 11.5
48.0 25.8
0.280 380 56 344 20 54.5 95.0 14.0
47.5 26.3
0.300 376 63 337 24 54.9 94.0 15.8
47.3 27.6
0.320 375 74 326 25 56.1 93.8 18.5
46.5 25.3
0.340 369 86 314 31 56.9 92.3 21.5
46.0 26.5
0.360 364 101 299 36 58.1 91.0 25.3
45.1 26.3
0.380 355 109 291 45 58.0 88.8 27.3
45.0 29.2
0.400 340 127 273 60 58.4 85.0 31.8
44.5 32.1

352
 Le Système SAS

The LOGISTIC Procedure

Table de classification

Correct Incorrect
Pourcentages
Niveau de Non- Non- Sensi- Spéci-
POS NEG
prob. Événement événement Événement événement Correct bilité ficité
fausse fausse

0.420 327 144 256 73 58.9 81.8 36.0

43.9 33.6
0.440 311 157 243 89 58.5 77.8 39.3
43.9 36.2
0.460 291 180 220 109 58.9 72.8 45.0
43.1 37.7
0.480 264 205 195 136 58.6 66.0 51.3
42.5 39.9
0.500 239 234 166 161 59.1 59.8 58.5
41.0 40.8
0.520 206 257 143 194 57.9 51.5 64.3
41.0 43.0
0.540 183 281 119 217 58.0 45.8 70.3
39.4 43.6
0.560 166 303 97 234 58.6 41.5 75.8
36.9 43.6
0.580 147 323 77 253 58.8 36.8 80.8
34.4 43.9
0.600 135 334 66 265 58.6 33.8 83.5
32.8 44.2
0.620 119 350 50 281 58.6 29.8 87.5
29.6 44.5
0.640 101 359 41 299 57.5 25.3 89.8
28.9 45.4
0.660 86 365 35 314 56.4 21.5 91.3
28.9 46.2
0.680 70 372 28 330 55.3 17.5 93.0
28.6 47.0
0.700 59 379 21 341 54.8 14.8 94.8
26.3 47.4
0.720 52 384 16 348 54.5 13.0 96.0
23.5 47.5
0.740 47 389 11 353 54.5 11.8 97.3
19.0 47.6
0.760 40 393 7 360 54.1 10.0 98.3
14.9 47.8
0.780 33 396 4 367 53.6 8.3 99.0
10.8 48.1
0.800 26 398 2 374 53.0 6.5 99.5
7.1 48.4
0.820 17 398 2 383 51.9 4.3 99.5
10.5 49.0
0.840 12 398 2 388 51.3 3.0 99.5
14.3 49.4
0.860 9 399 1 391 51.0 2.3 99.8
10.0 49.5
0.880 8 399 1 392 50.9 2.0 99.8
11.1 49.6
0.900 8 400 0 392 51.0 2.0 100.0
0.0 49.5
0.920 5 400 0 395 50.6 1.3 100.0
0.0 49.7
0.940 3 400 0 397 50.4 0.8 100.0
0.0 49.8
353
 0.960 2 400 0 398 50.3 0.5 100.0
0.0 49.9
0.980 2 400 0 398 50.3 0.5 100.0
0.0 49.9
1.000 0 400 0 400 50.0 0.0 100.0
. 50.0

354
 Sami BEN JABEUR
Laboratoire : ERMMES, Université Toulon-Var

Statut de la faillite en théorie financière :

approches théoriques et validations empiriques
dans le contexte français
Dans la conjoncture économique actuelle un nombre croissant de firmes se trouvent
confrontées à des difficultés économiques et financières qui peuvent, dans certains
cas, conduire à la faillite. En principe, les difficultés ne surviennent pas brutalement,
en effet, avant qu’une entreprise soit déclarée en faillite, elle est confrontée à des
difficultés financières de gravité croissante : défaut de paiement d’une dette,
insolvabilité temporaire, pénurie de liquidité, etc. L’identification des causes de la
défaillance n’est pas évidente, puisqu’on ne saurait énumérer de manière limitative
les facteurs qui la provoquent. Les causes sont multiples et leur cumul compromet
d’autant plus la survie de l’entreprise. L’importance de ce phénomène et son impact
sur l’ensemble de l’économie justifie le besoin de le comprendre, l’expliquer en
analysant les causes et les origines.

L’objectif de notre étude est de classer les entreprises en difficulté selon leur degré
de viabilité et de comprendre les causes de la dégradation de leur situation. Nous
effectuerons une comparaison entre trois modèles (Analyse discriminante linéaire, le
modèle Logit et la régression PLS) ce qui nous permettra à partir des taux de bon
classement obtenus, de choisir le meilleur modèle tout en précisant l’origine et les
causes de ces défaillances.

Mot clés : détresse financière, défaillance des entreprises, régression PLS

Status of the bankruptcy of financial theory :
theoretical and empirical validation in the French context
In actual economic situation an increasing number of firms are facing economic and
financial difficulties which can, in certain cases, drive to failure. In principle,
difficulties do not happen suddenly, in effect, before a firm is declared bankrupt, it is
confronted to financial difficulties of growing seriousness: default in payment of a
debt, temporary insolvency, scarceness of liquidity, etc. Identifying the causes of the
failure is not obvious, since one can not exhaustively enumerate the factors that
cause it. The causes are multiple and overlapping compromise even more the
company's survival. The importance of this phenomenon and its impact on the
overall economy justifies the need to understand, explain it by analyzing the causes
and origins.

The aim of our study is to classify firms in trouble according to their degree of
viability and to understand the causes of the deterioration of their situation. We will
do a comparison between three models (linear differential Analysis, the model Logit
and decline PLS) what will allow us from the rates of good classification acquired, to
choose the best model while specifying origin and reasons of these faults.

Keywords: financial distress, business failure, PLS Regression.

355