LA PREVENTION DU RISQUE DE DEFAUT DANS

LES BANQUES TUNISIENNES. Analyse comparative

entre les méthodes linéaires classiques et les méthodes
de l’intelligence artificielle : les réseaux de neurones
artificiels
Hamadi Matoussi, Aida Krichène Abdelmoula

To cite this version:

Hamadi Matoussi, Aida Krichène Abdelmoula. LA PREVENTION DU RISQUE DE DEFAUT DANS
LES BANQUES TUNISIENNES. Analyse comparative entre les méthodes linéaires classiques et les
méthodes de l’intelligence artificielle : les réseaux de neurones artificiels. Crises et nouvelles problé-
matiques de la Valeur, May 2010, Nice, France. [Link]-ROM. �hal-00481087�

HAL Id: hal-00481087

[Link]
Submitted on 5 May 2010

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.
 LA PREVENTION DU RISQUE DE DEFAUT
DANS LES BANQUES TUNISIENNES :
Analyse comparative entre les méthodes linéaires
classiques et les méthodes de l’intelligence
artificielle : les réseaux de neurones artificiels
Hamadi Matoussi
Professeur de Finance
Université de La Manouba (Tunisie)
E-mail: hmato_isc@[Link]
[Link]@[Link]
Aida Krichène Abdelmoula
Assistante en comptabilité
Université de Carthage 7 Novembre (Tunisie)
E-mail: aidakrichene@[Link]
[Link]@[Link]

Résumé
Ce papier porte sur le risque de non Abstract
remboursement des crédits de gestion par une This paper addresses the question of default
banque commerciale tunisienne. Ainsi, la maîtrise prediction of short term loans for a Tunisian
du risque de défaut des crédits est devenue l'un commercial bank. We make a comparative
des axes stratégiques majeurs de la gestion des analysis of three different statistical method of
organismes bancaires. classification (artificial neural network and
Ce papier se fixe pour objectif de comparer le linear logistic regression with panel data). We
pouvoir prédictif de trois méthodes de use a database of 1435 files of credits granted
prévision du risque à savoir : le scoring, la to industrial Tunisian companies by a
régression logistique et les réseaux de neurones commercial bank in 2003, 2004, 2005 and
artificiels. Nous avons utilisé une base de [Link] results show that the best prediction
données composée de 1435 dossiers de crédit model is the multilayer neural network model
octroyés aux entreprises industrielles tunisiennes and the best information set is the one
en 2003,2004,2005 et 2006. Les résultats combining accrual, cash-flow and collateral
montrent la supériorité des réseaux de neurones variables. We got a good classification rate of
artificiels par rapport aux autres méthodes 97% in the training data set and 89.8% in the
classiques en matière de détresse financière des validation data set.
firmes emprunteuses. Dans ce sens nous avons Keywords: Banking sector, scoring, logistic
obtenu un taux de bon classement global de 97% regression, Default risk Prediction, Neural
pour l‟échantillon d‟apprentissage et 89.9% pour network Models.
l‟échantillon test
Mots clefs : Secteur bancaire scoring ;
régression logistique, panel, réseaux de
neurones, la prévision du risque de défaut

1
Introduction

Le monde traverse actuellement une crise financière grave qui a débuté avec la crise du
marché hypothécaire à risque aux États-Unis pendant l‟été 2007 et s‟est propagée
rapidement en Europe, ce qui a révélé de graves lacunes dans le contrôle et la
réglementation des institutions financières Saurina (2008). Cette situation a entraîné une
dégradation de la qualité des engagements des banques et une insuffisance de la confiance.
Ces dysfonctionnements ont montré que la solvabilité des banques assurées doit être
surveillée par les autorités de régulation avec la préoccupation constante de détecter
précocement les changements de leur profil de risque. C'est dans cette optique que s'est fait
sentir la nécessité d'inventer une nouvelle politique prudentielle plus soucieuse de moduler
le besoin en fonds propres réglementaires des banques en fonction de leurs risques, plus
exigeante en matière de publication d'informations sincères et pertinentes destinées aux
investisseurs (y compris les déposants), et plus rigoureuse dans le respect de la conformité
des pratiques bancaires avec les règles édictées par les autorités de supervision et de
contrôle.
Le risque de crédit est aujourd'hui considéré comme le plus important des risques auxquels
sont confrontées les entreprises, les banques et les institutions financières. Une banque ne
doit pas subir la gestion des risques mais la piloter Dietsch &Joël (2008). C'est pourquoi la
distribution de crédit implique une prise de risque qui doit être convenablement maîtrisée.
Les risques de crédit comprennent bien sûr tous les risques qui sont liés au défaut de
paiement du débiteur qui a emprunté l'argent auprès des banques. La connaissance de la
capacité de remboursement de l'emprunteur est donc fondamentale.

Le Comité de Bâle a proposé en 2004 un nouvel ensemble de recommandations, au terme

duquel est définie une mesure plus pertinente du risque de crédit, avec en particulier la prise
en compte de la qualité de l'emprunteur, y compris par l'intermédiaire d'un système de
notation interne propre à chaque établissement (dénommé IRB, Internal Rating Based).

L'accord Bâle 2 est destiné à permettre aux banques de répondre aux exigences de liquidité et
de solvabilité indispensables à une profession qui repose sur la confiance. Ainsi l'accord de
Bâle 2 met en lumière le fait que ces exigences reposent sur trois piliers :
 Un premier pilier qui établit les conditions des exigences minimales de fonds propres.
 Un deuxième pilier qui établit le processus de surveillance prudentielle.
 Un troisième pilier qui définit les règles de discipline des marchés.
Pour comprendre l'utilité de ces piliers il faut d'abord identifier les risques auxquels les
banques sont soumises. .
La plupart des banques ont initié leur démarche par la gestion des risques de crédit avant

2
de s‟intéresser aux risques opérationnels, compte tenu des économies de fonds propres
escomptées sur cette partie.
Dans le cadre de ce travail nous nous intéresserons uniquement au premier pilier et plus
précisément au risque de crédit. A l‟image de la plupart des pays émergents, le
financement de l‟économie tunisienne repose essentiellement sur l‟endettement bancaire.
En effet, le secteur bancaire constitue l‟unique bailleur de fonds pour le financement de
l‟ensemble des besoins de l‟économie. Les financements bancaires accordés en Tunisie
sont assujettis à des exigences de garanties réelles avec des échéanciers de remboursement
assortis d‟intérêts basés sur le Taux du Marché Monétaire.
Un tel système bien qu'il a joué un rôle de premier plan dans la création du tissu
économique tunisien voit aujourd'hui ses limites dans le niveau particulièrement élevé des
créances classées bancaires. Les mauvais crédits (Bad Loans) sont parfois le résultat d'une
mauvaise évaluation du risque mais souvent la conséquence d'une structure financière de
l'entreprise déséquilibrée.

Actuellement, au moment où s'ouvrent les frontières, où les banques tunisiennes doivent se

soumettre au rating, les pourvoyeurs de fonds étrangers ne peuvent désormais se permettre
de placer leur argent sans pour autant s'assurer que le système financier du pays fonctionne
d'une façon convenable. Toutes ces raisons ont posé la problématique des impayés
bancaires, plus particulièrement des créances douteuses, représentant aujourd'hui une
masse assez importante. De ce fait, le système bancaire mérite désormais d‟être consolidé
au moins, sur le plan de la gestion prudentielle des risques.

La consolidation de la santé et la solidité financière du système bancaire passe

inévitablement par l'amélioration de la qualité du portefeuille crédit qui comprend un
volume relativement élevé de créances classées par rapport aux normes internationales, et
ce, en dépit de l'effort déployé pour réduire leur part dans le total des engagements comme
a souligné le gouverneur de la Banque Centrale de Tunisie (BCT)
En Tunisie, l'action des autorités nationales se focalise actuellement sur le renforcement
des normes existantes en vue de favoriser une meilleure maîtrise des risques et une
consolidation des assises financières, l'objectif étant de préparer le passage sans heurt à
Bâle II, comme a souligné M. Baccar (gouverneur de la BCT).
Dans le cadre de ce travail nous nous intéresserons particulièrement à la gestion bancaire
du risque de non remboursement des crédits de gestion aux entreprises tunisiennes. La
question consiste alors à se demander dans quelle mesure la modélisation du risque de
défaut peut répondre aux soucis des banquiers et contribuerait à la de réduction du
volume ces créances douteuses.
Ce papier se fixe pour objectif de comparer le pouvoir prédictif de trois méthodes de
prévision du risque à savoir : le scoring, la régression logistique et les réseaux de neurones
artificiels afin de proposer au banquier la méthode la plus performante en terme
d‟amélioration de l‟estimation du risque des dossiers étudiés et de réduire le nombre de
défaut de paiement.
Tout au long de ce travail nous allons dans un premier temps traiter le problème de l‟accès au
crédit sous l‟hypothèse de l‟asymétrie informationnelle et dans un deuxième temps nous

3
allons nous focaliser sur une approche technique et pratique du risque à savoir les méthodes
de gestion des risques de crédit (une revue de la littérature).
Finalement, la troisième partie porte sur une étude comparative entre les méthodes
linéaires classiques (scoring et régression logistique) et une méthode de l‟intelligence
artificielle (Réseaux de Neurones Artificiels) sur un échantillon de 1435 dossiers de crédits
de gestion accordés aux entreprises industrielles tunisiennes durant 2003,2004, 2005 et
2006.

SECTION 1 : L’accès au crédit sous l’hypothèse d’asymétrie

informationnelle : Revue de la littérature

Les conflits d‟agence sont de nature précontractuelle ou post-contractuelle et trouvent leur

origine dans l‟asymétrie d‟information et dans l‟impossibilité de rédiger des contrats complets
en raison de la rationalité limitée et de l‟incertitude informationnelle.
Goyer (1995) a distingué en fait l‟asymétrie informationnelle ex ante, ex post cité par Cieply
& Grondin (2000).

1-1: Asymétries ex ante et mécanismes producteurs d’information

La sélection adverse représente le risque que subit les créditeurs par les dirigeants, en leur
qualité d‟ « insiders ». Ces derniers détiennent des informations qu‟ils gardent à leur profit.
Dans ce sens, Tremblay&al (1993) ont montré que le gestionnaire pourra conserver, à ses
fins personnelles, certaines informations pertinentes sur l‟exploitation de l‟entreprise.
Ainsi, les « insiders » se permettent de sélectionner les informations à fournir. Plusieurs
informations pertinentes pour l‟évaluation de la firme peuvent être retenues au détriment des
créditeurs. Cette situation amène les créditeurs à participer au financement des entreprises à
haut risque. Ce risque de la sélection adverse est susceptible de conduire le banquier à limiter
son offre de financement et à exclure du marché du crédit les entreprises les plus risquées, et
donc en particulier les P.M.E. (Psillaki, 1995). Dans ce contexte informationnel, deux
catégories de mécanismes permettent néanmoins, théoriquement, aux entreprises d‟accéder au
crédit (Salanié, 1991), la banque, propose au représentant de l‟entreprise, un choix de contrats
parmi lesquels les différents types d‟agents (agents risqués versus agents sains) choisissent en
fonction de leurs caractéristiques.
Les contrats révélateurs les plus usuels reposent ainsi sur la fixation du niveau du taux
d‟intérêt et des garanties (Bester, 1985 ; Besanko, Thakor, 1987 ; Gillet, Lobez, 1992). Selon
ces modèles, une entreprise risquée accepte de supporter un taux d‟intérêt élevé. En revanche,
compte tenu de l‟importance de sa probabilité de défaut, le montant des garanties qu‟elle
accepte d‟apporter est relativement faible. A l‟opposé, les entreprises peu risquées n‟acceptent
pas de s‟endetter à un coût jugé excessif mais elles sont prêtes à apporter en garantie un
montant élevé d‟actifs.

1-2: Asymétries d’information ongoing ou l’aléa moral et mécanismes incitatifs

4
 L‟asymétrie d‟information ongoing appelé également l‟aléa moral se situe après l‟octroi du crédit et
provient de l‟incapacité des prêteurs à observer les actions de l‟emprunteur qui affectent la probabilité
de remboursement, et à s‟assurer de l‟usage des fonds distribués notamment le niveau d‟effort consenti
par l‟emprunteur pour gérer son projet d‟investissement et éviter de faire défaut sur sa dette. Cette
asymétrie d‟information conduit à un fonctionnement inefficace du marché du crédit Hind Sami et
Armelle Delorme (2004).
Le prêteur cherche ainsi à se prémunir contre les actions cachées de substitution des actifs
l‟emprunteur. Celui-ci est en effet susceptible de réduire son effort de production et/ou de lancer des
projets plus risqués puisque plus rémunérateurs pour les propriétaires. Le prêteur supporte alors un
risque de (Jensen, Meckling, 1976), encore appelé aléa moral (Stiglitz, Weiss, 1981). Il met néanmoins
en œuvre des mécanismes ayant pour but de limiter l‟apparition de ce type de phénomène.
Pour limiter les risques d'aléa de moralité, le contrat de crédit est élaboré de manière à inciter
l‟entreprise à respecter ses engagements. Il tente par conséquent de spécifier l‟ensemble des variables
qui peuvent avoir un impact sur les conditions de la relation contractuelle. Il stipule ainsi des clauses
restrictives dans l‟accord de financement. Il détermine également le montant et la nature des garanties
à apporter en cas de défaut. Il définit enfin la prime de risque optimale que l'emprunteur doit payer.
Face à ces asymétries d‟information et aux risques qu‟elles véhiculent, la question qui se pose quels
mécanismes le banquier peut-il mettre en œuvre pour pallier à ces problèmes ?

1-3 Mécanismes de résolution

1-3-1 : Les garanties exigées.

Des travaux, aussi bien théoriques que pratiques, ont montré l‟efficacité des garanties en
matière de maîtrise de risque de contrepartie. Pour Besanko et Thakor (1987), l'apport de
garanties peut limiter les risques d'aléa de moralité. Les garanties notamment externes (les
garanties personnelles en particulier) augmentent en effet les pertes de l'entreprise et de
l'entrepreneur en cas de défaut. Cet individu est incité à lancer les projets les moins risqués pour
ne pas perdre les garanties laissées en "otage" [Williamson, 1983]. Selon Gertler (1992), il
existe ainsi un niveau de richesse minimum mobilisable par le banquier telle que les entreprises
n'ont pas intérêt à sous-utiliser leur capital productif même si un mauvais état de la nature se
révèle.
Outre les garanties réelles la banque peut exiger une garantie personnelle telle que la caution
solidaire. En effet, la caution solidaire est la fois une garantie ex ante et ex post contre le risque
de défaut. Garantie ex ante, d‟une part, car elle conduit à un équilibre séparateur qui permet au
prêteur d‟éviter la sélection adverse (Ghatak, 1999 ; Morduch, 1999); garantie ex post, d‟autre
part, parce qu‟elle empêche l‟aléa moral, grâce à la surveillance effectuée par les partenaires
d‟un même groupe (Morduch, 1999 ; Stiglitz, 1990) cité dans Mawuli Couchoro Et Pierre
Rakotovao (2006)
Dans ce même contexte, Binks et Ennew (1997) rappellent que le problème de l‟information
asymétrique peut être géré soit par un rationnement du crédit, soit par l‟utilisation de garanties.
Ces dernières ont habituellement une valeur marchande relativement sûre pouvant satisfaire les
exigences de la banque en cas de défaut de paiement de l‟emprunteur (Strahan, 1999). De leur

5
côté, Avery, Bostic et Samolyk (1998) considèrent l‟utilisation de l‟engagement personnel de
l‟entrepreneur en proportion du problème de risque moral et des difficultés d‟évaluation de
l‟entreprise de la part du banquier. L‟utilisation des garanties personnelles devrait diminuer le
risque du prêteur et, par conséquent, améliorer les conditions de financement. Ceci dépend
toutefois de la répartition du risque entre le risque moral, le risque d‟anti-sélection et d‟autres
éléments de risque inhérents au contrat. Lorsque le risque moral est élevé, la banque pourra
insister pour l‟obtention de l‟engagement personnel du dirigeant, en plus de l‟utilisation de
garanties de l‟entreprise et ce, même s'il y a une distinction légale entre l'entreprise et son
propriétaire Storey et Cressy (1996).

1-3-2: Les caractéristiques des emprunteurs comme variable de signalisation

L‟asymétrie d‟information sur les caractéristiques de l‟emprunteur est particulièrement

préjudiciable au moment de l‟octroi du prêt car elle réduit la capacité du prêteur à distinguer
entre les bons et les mauvais emprunteurs. Les enseignements des modèles théoriques
soulignent que les caractéristiques des emprunteurs permettent de réduire les phénomènes de
sélection adverse et d‟améliorer la gestion du risque de crédit par les prêteurs. Cela semble un
enjeu particulièrement crucial dans les économies émergentes où les banques connaissent des
problèmes d‟insolvabilité récurrents dus à l‟importance des créances douteuses dans leur
portefeuille de prêts Sami et Delorme (2004)

1-3-2-1 : Taille de l’emprunteur

Les travaux réalisés sur le canal du crédit Bernanke(1993) mettant en évidence les effets
différenciés de la politique monétaire selon la surface financière des emprunteurs il apparaît
opportun de prendre en considération l'existence d'un effet taille sur la nature des relations
entre banques et entreprises. En effet, l'adoption d'un tel point de vue se révèle justifier
puisque le comportement des banquiers est caractérisé par une inégalité de traitement
financier entre les Petites et Moyennes Entreprises et les Grandes Entreprises Nadine
Levratto (1996).
Nadine Levratto (1996) a montré que les niveaux des taux d'intérêt sont fixés selon le montant
de crédit accordé mettent en évidence un différentiel de prix dont l'une des causes réside dans
la présence de coûts d'agence associés au crédit et paraissant évoluer d'une classe
d'emprunteur à l'autre.
Pour expliquer ce genre de phénomène, le chercheur a constaté l'existence d'une relation
inverse entre les coûts d'agence et la taille des entreprises. Due aux difficultés rencontrées par
ces firmes pour accéder aux marchés financiers, cette relation inverse explique, d'une part, la
réticence des PME à ouvrir leur capital et, d'autre part, le peu d'intérêt suscité par les firmes
de moins de 200 salariés auprès des investisseurs. En ce qui concerne plus spécifiquement le
financement bancaire, l'incapacité des PME à fournir une information –quantitativement et
qualitativement– conforme aux attente des banques et suffisante eu égard aux exigences des
logiciels d'aide à la décision, justifie le surcoût qu'elles doivent supporter.

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

6
une étude empirique sur des PME allemandes, obtiennent le même résultat et indiquent que
les banques utiliseraient la taille de la firme comme une mesure du risque de crédit de
l‟emprunteur. De son côté, Strahan (1999) affirme également que les taux d‟intérêt appliqués
aux prêts reflètent la différence de taille des firmes, les plus grandes présentant plus de
garanties, ayant développé leur réputation et prouvé qu‟elles étaient capables de demeurer en
affaires. Ces firmes empruntent plus, paient des taux d‟intérêt moins élevés, obtiennent des
prêts à plus long terme et semblent fournir moins de garanties que les firmes qui sont de plus
petite taille et moins rentables. Une capacité de négocier des grandes entreprises supérieures à
celle des PME pourrait aussi expliquer ces résultats.
Le critère de taille a été et reste donc un facteur prépondérant de différenciation du coût du
crédit entre les entreprises (Bardos, 1990 et 1991; Artus, 1991), d'autant qu'à risque égal, le
coût de l'endettement est d'autant plus élevé que la taille de l'entreprises emprunteuse est
réduite. Il semble bien que les critères de taille et de risque de non remboursement soient
indépendants, donc susceptibles de se cumuler, ce qui plaide en faveur de l'existence de coûts
d'agence assis sur la dimension de l'entreprise.

Pour conclure, la littérature recensée montre que les banques, dans la détermination des
conditions de crédit bancaire aux PME, accordent une importance particulière à la taille de
l‟entreprise et à ses résultats financiers, aux caractéristiques personnelles de l‟emprunteur et à
son engagement personnel, et à la qualité de la relation d‟affaires maintenue avec l‟entreprise.

1-3-2- 2- La qualité de la relation banque entreprise

Les problèmes d‟information asymétrique soulevés plus haut peuvent être réduits
sensiblement par une meilleure relation entre la banque et la firme et la présence d‟un climat
de confiance favorisant une relation d‟affaires harmonieuse. La qualité de la relation entre les
deux parties est donc fondamentale pour le succès de leurs liens commerciaux. Berger et
Udell (2002) précisent toutefois que la principale relation n‟est pas entre la banque et la firme
mais plutôt entre le banquier et l‟entreprise emprunteuse . Dans une étude réalisée sur des
PME allemandes, Harhoff et Korting (1998) ont prouvé que la confiance mutuelle entre ces
deux parties a un impact significatif négatif sur le taux d'intérêt d'une ligne de crédit. De leur
côté, D'Auria, Foglia et Reedtz (1999), tout comme Blackwell et Winters (1997),
reconnaissent que l'étroitesse des relations entre la banque et l‟entreprise constitue le
déterminant principal des taux d‟intérêt en Italie. Celle-ci a été définie par le degré
d‟implication du bailleur de fonds dans le financement de l‟emprunteur et la stabilité de son
support financier. Par contre, Sharpe (1990) et Greenbaum, Kanatas et Venezia (1989)
prétendent que ces relations ne réduisent pas les coûts de financement et suggèrent que la
banque exploite l'information privilégiée découlant d‟une relation étroite pour charger des
taux d'intérêt élevés, et même supérieurs à la moyenne des taux offerts sur le marché.

1-3-2 -3 : Le temps comme facteur d'éclaircissement de la relation banque emprunteur

Il faut signaler que l‟asymétrie de l‟information devrait diminuer avec le temps, soit à mesure
que se développe la relation entre le banquier et l‟entrepreneur, et contribuerait à
l‟amélioration des conditions de financement. Plusieurs auteurs ont observé de tels résultats,
alors que d‟autres sont moins convaincants. Les résultats de Boot et Thakor (2000) suggèrent

7
que des interactions plus fréquentes permettent aux banques de réviser à la baisse la classe de
risque de l‟entreprise en mitigeant les asymétries d‟information. D'Auria et al. (1999)
montrent que les relations de crédit à long terme fournissent à la banque une meilleure
information sur les perspectives des firmes et leur situation financière. De leur côté, Berger et
Udell (1995) affirment que les emprunteurs ayant de plus longues relations avec leur banque
paient des taux d'intérêt moins élevés. Meyer (1998) prétend qu‟arrivant à maturité de la
relation entre la PME et la banque, cette dernière réduit les taux d'intérêt et baisse souvent les
garanties exigées sur les emprunts. Les résultats de Fernando, Chakraborty et Mallick (2002)
montrent que la limite de
crédit augmente avec la durée de la relation, mais de façon non continue. Arrivée à un certain
seuil, une augmentation du nombre d‟années n‟est plus un facteur utile à l‟augmentation de la
limite de crédit. D‟autres études, par contre, n‟ont trouvé aucun impact significatif de la durée
de la relation entre la banque et l‟emprunteur sur les taux d‟intérêt (Petersen et Rajan, 1994 ;
Lehmann et Neuberger, 2000).

SECTION 2- L’emploi des méthodes statistiques de prévision

pour la décision des créditeurs (bailleurs de fonds) : Evidences
empiriques

Plusieurs études ont été menées dans l‟objectif de prévoir la décision des créditeurs à partir
des modèles statistiques. Il s‟agit particulièrement des modèles basés sur l‟analyse
discriminante, la régression logistique et les méthodes de l‟intelligence artificielle (RNA).

2-1 : Les modèles empiriques multivariés basés sur l’analyse discriminante

Depuis 1968, plusieurs recherches ont été menées aux états unis dans le cadre de la prévision
de la défaillance en recourrant à la technique statistique basée sur l‟analyse discriminante
linéaire.

Parmi les études on cite l‟étude d‟Altman (1968). Le chercheur a pu dégager 5 ratios les plus
discriminants parmi une batterie de 22 ratios. Altaman a conclu que les dimensions rotation
du capital et structure financière sont les plus discriminantes du risque de faillite d‟une
entreprise. Les résultats de cette étude font apparaître des taux de bons classements corrects
des entreprises dans leurs groupes d‟origine de l‟ordre de 79% et 96%. Ces taux sont
considérés efficaces notamment pour l‟année qui précède la défaillance.

L‟étude de Altman représente une avancée significative car elle constitue le résultat de la
première prise en compte simultanée de plusieurs ratios financiers pour juger la santé d‟une
entreprise ; ce qui a amené plusieurs chercheurs à effectuer des études similaires, c'est-à-dire
en adoptant cette approche multi dimensionnelle.

8
Deakin (1972) a effectué une analyse discriminante qui lui a permis d‟avoir une combinaison
linéaire de 14 ratios et ce pour les cinq périodes qui précédent l‟année de la défaillance. Au
terme de cette étude Deakin (1972) a pu conclure que l‟analyse discriminante est un outil
statistique robuste qui permet de prévoir la défaillance des entreprises à partir des données
comptables au moins trois ans à l‟avance avec une grande précision.

Edminster (1972) a pu dégager les indicateurs assimilés à des clignotants à savoir Le cash
flow, le fonds de roulement, l‟endettement, la rotation des stocks, la liquidité. Le taux de bon
classement obtenu avec cette fonction est de l‟ordre de 93%. Le chercheur n‟a pas validé le
modèle obtenu sur un échantillon de contrôle ce qui limite le pouvoir prédictif de ce modèle.

Altman, Haldeman et Narayanan (1977) ont présenté un modèle jouissant d‟un pouvoir de
prévision supérieur à celui du premier modèle de Altman (1968). En effet, la fonction
obtenue a permis de reclasser correctement 92% des entreprises un an avant la défaillance et
75% cinq ans avant.

En France, plusieurs recherches ont été menées sur l‟évaluation du risque de défaillance des
entreprises par l‟analyse discriminante. A titre indicatif on cite : L‟étude de Yves Collongues
(1977) qui a permis d‟avoir un taux de bons classements de 94% et de 96%. Ce chercheur a
pu conclure que ces deux modèles privilégient les indicateurs utilisés par les banques à
savoir la rentabilité de l‟activité le financement de l‟actif circulant par les capitaux
permanents et les frais financiers.

D‟autres études ont été menées par la centrale des Bilans de la Banque de France on cite les
travaux de Gensquiers, Micha & Pachot (1983) cités par Bernard Fioleau (1993) et de Bardos
(1984). On cite également l‟étude de Taffler (1983) menée en Grande Bretagne.

Dans le contexte tunisien, la recherche de Mamoughli (1984) qui a porté sur un échantillon
de 34 entreprises dont 17 jugées défaillantes par les banquiers vu qu‟elles n‟ont pas pu
rembourser leurs crédits et 17 tirées au hasard de la centrale des bilans de la banque centrale
de Tunisie durant la période allant de 1976 et 1982.
Le chercheur a pu conclure que les dimensions fonds de Roulement, endettement, équilibre
structurel, rentabilité et les cash flows sont les plus discriminantes
L‟étude de Matoussi &al (2004) qui a porté sur un échantillon de 800 dossiers de crédit de
gestion accordés aux entreprises tunisiennes a permis d‟avoir un taux de bon classement
global de 83.6%

Le caractère contraignant des hypothèses de base nécessaires pour une mise en œuvre
efficace de l‟analyse discriminante linéaire a conduit certains chercheurs à tester l‟efficacité

9
d‟autres outils statistiques telle que la régression logistique pour la prévision de la défaillance
des entreprises.

2-2 : Les modèles empiriques multivariés basés sur la régression logistique

La méthode de la régression logistique est une technique probabiliste de classement qui

consiste à estimer la probabilité pour qu‟une entreprise tombe en faillite compte tenu de ses
caractéristiques financières.
Cette technique a été explorée par Ohlson (1980) et Aziz A. & Lawson G. (1989). Les
résultats de ces travaux sont comparables à ceux obtenus à l‟aide des modèles utilisant
l‟analyse discriminante linéaire.
Ohlson(1980) a mené une régression logistique sur un échantillon de 363 sociétés cotées dont
105 défaillantes , a conclu que les variables taille et rentabilité jouent négativement dans la
détermination de la probabilité de défaillance alors que la variable endettement joue
positivement.
Dans le contexte tunisien, l‟étude de Matoussi, Mouelhi et Sayah (1999) a permis de
conclure que les dimensions liquidité, solvabilité, équilibre financier, rentabilité et autonomie
financière sont les plus explicatives et ont permis d‟avoir un taux de bon classement de
l‟ordre de 91%.

2-3 Les réseaux de neurones et octroi des crédits

De nombreuses tentatives d‟application des réseaux de neurones en finance ont été publiées
ces dernières années. Il nous a semblé utile de faire le point sur les résultats obtenus en
matière d‟octroi des crédits. En effet, Reilly, Collins , Scofield et Gosh (1990) ont mené une
étude dans le cadre de l‟octroi de crédit en utilisant un réseau RCE ( Restricted Coulomb
Energy » à trois couches. L‟algorithme utilisé dans cette recherche permet d‟associer aux
cellules cachées des cas dits «exemplaires », dont la sélection est assurée automatiquement au
sein du jeu d‟apprentissage, auxquels seront comparés les cas rencontrés. Reilly & al (1990)
ont utilisé des données relatives à 1602 prêts hypothécaires accordés durant les années 1984,
1985 et 1986.L‟état de remboursement a été évalué à fin de 1987 afin de classer les prêts en
deux catégories. Les chercheurs concluent que pour 10% des demandes, il est possible de
prévoir avec une précision de 95% les prêts qui, s‟ils sont acceptés, conduiront à des
problèmes de remboursement. Dans cette étude les chercheurs n‟ont pas fourni des
comparaisons précises par rapport à d‟autres approches.

Une autre étude réalisée par Gosh et al (1990) a pour objectif de réaliser une classification des
demandes de crédit. Les chercheurs ont conclu que la mise en place du système basé sur les
réseaux de neurones a permis une augmentation de 16% des dossiers acceptés tout en
réduisant de 12% le nombre de défauts de paiement. Les chercheurs n‟ont pas également
fourni des comparaisons par rapport à d‟autres approches.
Smith (1990) a mené une recherche qui porte sur 271.000 dossiers de crédit. Cette étude a
pour objectif d‟évaluer l‟estimation des pertes pour chaque dossier étudié.

10
Pour ce faire Smith (1990) a exploré un perceptron multicouche. La couche de sortie est
composée d‟une cellule qui permet d‟évaluer une estimation des pertes pour chaque dossier.
Pour être accepté, un dossier doit présenter « un score » ou (risque de perte) inférieur à un
niveau donné.
L‟algorithme utilisé est celui de la rétropropagation classique des erreurs. Cet algorithme
utilise une fonction d‟erreur modifiée afin de chercher à améliorer la capacité de
discrimination entre les entreprises dont le score est proche du seuil retenu.
Le chercheur a conclu que la mise en place d‟un tel système a permis l‟accroissement de 18%
des profits de l‟entreprise utilisatrice par rapport aux performances des systèmes classiques
fondés généralement sur des modèles de l‟analyse discriminante.

2-4 : Analyses comparatives : réseaux de neurones, et autres techniques

statistiques

Les études comparatives menées dans le cadre des réseaux de neurones et d‟autres techniques
ayant les mêmes finalités mettent l‟accent sur les performances quantitatives obtenues. Les
chercheurs n‟ont pas abordé les dimensions relatives à l‟emploi des réseaux de neurones à
titre d‟exemple : les difficultés d‟utilisation, les coûts, la viabilité…
Bell & al (1990) et Tam &Kiam (1992) ont exploré la prévision de défaillance à l‟aide des
réseaux de neurones. Ces chercheurs ont comparé les performances des réseaux de neurones à
la régression logistique. L‟étude n‟a pas permis de conclure la supériorité l‟une des deux
techniques. Les taux d‟erreur mesurés à partir de différents niveaux de risques d‟erreur ont été
équivalents pour les deux techniques.
Tam & Kiam (1992) ont comparé les performances des réseaux de neurones à celles d‟autres
techniques comme l‟analyse discriminante ou la régression logistique. Ils ont constaté que les
réseaux de neurones présentent de meilleures performances que celles d‟autres techniques.
Les résultats comparatifs auxquels les chercheurs ont abouti sont présentés dans le tableau
suivant
Tableau n°1 : les réseaux de neurones comparés à différentes méthodes Tam &Kiang (1992) p 941cité par
De Almeida (1993)
Erreur de classement à partir de la méthode Jacknife
Pourcentages %
Une année avant la défaillance Deux ans avant la défaillance
Méthode Erreur type1 Erreur type Erreur total Erreur type1 Erreur type Erreur total
2 2
Analyse discriminante 17.3 11.1 14.2 17.3 13.9 15.6
Logit 12.3 17.3 14.8 15.2 20.3 17.7
Réseau sans couche intermédiaire 8.6 13.5 11.1 8.9 25.3 17.1
Réseau avec 10 neurones dans la couche 8.6 12.3 10.5 8.9 12.7 10.8
intermédiaire

Roy & Cosset (1989) ont également comparé les performances des réseaux de neurones aux
méthodes statistiques dans la détermination de la cotation du risque pays. Les cotes obtenues
servent à déterminer le risque de non remboursement des dettes par le pays considéré. Ces
recherches ont abouti à de bons résultats. En effet, ils ont mesuré la performance de chacune
des techniques à partir des termes d‟erreur absolue dans la détermination des cotes du risque

11
pays. L‟erreur absolue moyenne obtenue par les réseaux de neurones a été plus faible que
celle obtenue avec la régression logistique.
Ces résultats sont récapitulés dans le tableau suivant :
Tableau n°2 : Résultats de la recherche Roy et cosset (1989)
R2 Erreur moyenne absolue
Réseaux Régression Logistique Réseaux Régression Logistique
Modèles avec 8 variables 0.815 0.788 8.78 9.59
Modèles avec 10 variables 0.945 0.903 4.70 6.78

SECTION 3 : Méthodologie suivie : Description des données de l’étude :

échantillon et variables

En Tunisie, l‟encours des crédits consentis en 2007 par le système financier à l‟économie, tels
que recensés par les Centrales des risques et des crédits aux particuliers, s‟est élevé à près de
29,2 milliards de dinars au terme de l‟année 2007, en progression de 11,6%, taux supérieur à
celui enregistré une année auparavant de 3,5 points de pourcentage. Cette accélération a
touché principalement l‟encours des crédits d‟exploitation et accessoirement celui des crédits
d‟investissement.
Atteignant 15,5 milliards de dinars au terme de l‟année 2007 contre 14 milliards de dinars en
2006, l‟encours des crédits à court terme s‟est accru de 10,6% contre uniquement 3% une
année auparavant. Cette évolution s‟explique, essentiellement, par l‟accélération du rythme de
progression de l‟encours des crédits dispensés au secteur de l‟industrie.
Concernant le financement de l‟industrie, le total des crédits accordés s‟élève à 8.659 MDT1
au terme de l‟année 2007 contre 7.852 MDTl‟année précédente. En effet, l‟encours des
crédits octroyés au secteur de l‟industrie a enregistré une progression de 10,3% contre 2% une
année auparavant. Cette accélération s‟explique par le renforcement du rythme
d‟accroissement notamment de l‟encours des crédits à court terme ainsi que de celui des
crédits à moyen et long termes.
Nous opterons lors de cette recherche à étudier les crédits de gestion accordés aux entreprises
industrielles tunisiennes parce qu‟ils constituent la majeure partie des crédits accordés par les
banques commerciales tunisiennes.
Les crédits de gestion sont des crédits dont la durée ne dépasse pas deux années.
Le choix d‟analyser les situations des entreprises tunisiennes s‟explique par le fait qu‟en
Tunisie le financement de l‟économie tunisienne est confié presque exclusivement au secteur
bancaire. un problème général constaté par toutes les banques de la place est l‟augmentation
croissante et sans cesse du nombre des créances classées (impayés). La question qui se pose
est ce que le recours à la modélisation pour l‟octroi ou pas des crédits à l‟instar des pays
développés permet-il de réduire le nombre d‟impayés enregistré d‟une année à l‟autre.

1 MDT : Milliards de Dinars Tunisien

12
La base de données2 englobe 1435 états financiers couvrant la période 2003 et 2004 ; 2005
et 2006 soit 371 dossiers en 2003,391 dossiers en 2004, 378 dossiers en 2005 et 295 dossiers
en 2006 crédits accordés.

Parmi ces dossiers il y a 231 dossiers de crédit des mêmes entreprises sur les 4 ans soit 924
dossiers.
Outre les états financiers nous avons collecté d‟autres données pour ces mêmes entreprises : il
s‟agit des garanties, de la taille de l‟entreprise et du secteur d‟activité, la nature des états
financiers (certifiés ou non certifiés), le total engagement bancaire de l‟entreprise mesuré par
le risque brut et l‟age de la relation (banque /entreprise) mesurée par la date d‟ouverture des
comptes ainsi que la classe de risque de ces entreprises mesurée par les échéances impayées..
Il faut signaler que ces entreprises sont classées par la banque selon 5 classes de risques à
savoir :
Classe 0 : l‟entreprise n‟a pas d‟impayés
Classe 1 : l‟entreprise emprunteuse a enregistré des impayés de 3 mois sans dépasser 6 mois
Classe 2 : l‟entreprise emprunteuse a enregistré des impayés de 6 mois sans dépasser 9 mois
Classe 3 : l‟entreprise emprunteuse a enregistré des impayés de 9 mois sans dépasser 12mois
Classe 4 : l‟entreprise emprunteuse a enregistré des impayés de plus de 12 mois
Notons que les entreprises qui constituent notre échantillon de base sont classées par le
banquier selon cinq classes comme nous l‟avons déjà cité. Toutefois, dans cette étude nous
avons regroupé les entreprises en deux classes : classe 0 : les entreprises saines et les
entreprises risquées celles appartenant à la classe 1,2,3 et 4.
Dans ce qui suit nous allons présenter la répartition des entreprises de notre échantillon sur les 4 ans
selon la classe de risque et la taille .
INSERER TABLEAU 3 et 4

3-1 : Les variables de l’étude

Les ratios financiers sont les variables le plus souvent utilisées dans les modèles de prévision du
risque. Les ratios retenus varient fortement d‟une recherche à l‟autre. Le nombre de ratios également
selon l‟étude. A titre d‟exemple, il existe des recherches qui ont été menée avecun seul ratio beaver
(1966), 6 ratios Bardos (1989) et Laitinen (1991), 5 ratios Altman (1968) et 7 ratios Zavgren (1985)
La plupart des études menées sur la défaillance ont montré que les dimensions endettement,
rentabilité, liquidité et flux de fonds sont les plus explicatives de la défaillance Dumontier (1990).
Evaluer le risque de crédit revient en premier lieu à se poser la question de la solvabilité de l'entreprise
considérée. Cette solvabilité dépend à la fois des éléments purement internes à l'entreprise, mais aussi

2Il s‟agit d‟une base de données informatisée fournie par une banque commerciale tunisienne privée. En effet, la
Banque Centrale de Tunisie (BCT) a émis une circulaire en 2003 obligeant toutes les banques tunisiennes à
constituer une base de données comportant principalement les états financiers de toutes les entreprises
emprunteuses.

13
d'éléments contextuels comme par exemples la localisation géographique, la situation
économique globale et les perspectives d'évolution sectorielle.
En ce qui concerne les données endogènes (internes à l‟entreprise), ce sont principalement des
critères purement financiers tels que les revenus, le niveau d‟endettement, le résultat
d‟exploitation, les flux de trésorerie générés les disponibilités… qui entrent en ligne de
compte donnent une idée assez précise sur la capacité d'un client/emprunteur à rembourser
sa dette en temps voulu.
A partir de ces données, le calcul de certains ratios de base mesurant l‟endettement, liquidités,
rentabilité, rotation, structure financière, fonds de roulement, le flux de trésorerie
d‟exploitation… permet immédiatement une première évaluation de la solvabilité de
l'entreprise Lawrence Revsine; Daniel W. Collins & W. Bruce Johnson (1999): Leopold A.
Bernstein JohnJ Wild(1998) Krishna G. Palepu; Paul M. Healy et Victor L. Berenard (2000)
Stephen A. Ross Randolph W. Westerfield & Jeffrey Jaffe(2005) Ainsi les ratios proposés par
ces chercheurs ont été inclus dans notre recherche.
Les variables de l‟étude sont récapitulées dans le tableau suivant

INSERER TABLEAU 5

3-2 : Les variables complémentaires

3-2-1 : Les garanties

Pour se prémunir contre le risque d‟insolvabilité des entreprises clientes, le banquier exige des
garanties des entreprises demandant un prêt. En effet, des études aussi bien théoriques que pratiques
ont montré l‟efficacité des garanties en matière de maîtrise de risque de contrepartie (
Besanko&Thakor(1987),Ghatak (1999) Couchoro&Pierre Rakotovao (2006) Binks &Ennew(1997).
En effet, lors de cette recherche, les garanties constituent une variable mesurée par le LOG (garanties).

3-2-2 : La taille de l’entreprise

Il s‟agit de distinguer entre les grandes entreprises et les PME. La taille a été mesurée par le
log (total actifs).

Notre étude a pour objectif de comparer le pouvoir prédictif de trois modèles à savoir :
 La première méthodologie basée sur l‟analyse discriminante appelée également le
scoring
 La deuxième méthodologie basée sur la régression logistique simple et en données de
panel
 La troisième méthodologie basée sur les réseaux de neurones artificiels.
En ce qui concerne le modèle basé sur la méthode de l‟analyse discriminante et la régression
logistique simple par année nous avons travaillé sur le logiciel SPSS. Concernant la

14
régression logistique avec des données de panel nous avons travaillé sur STATA. Finalement
pour la construction des modèles neuronaux nous avons utilisé le logiciel MATLAB

SECTION 4 : Résultats de l’étude

4-1 : Résultats de la fonction score

La validité de l‟analyse discriminante est vérifiée par le test de Box, de Lambda de Wilks et de la
corrélation globale (tableau n°6). En effet, l‟examen des résultats nous permet de conclure que le test
Box est bon puisqu‟il admet une valeur assez élevée (2005.785) et la significativité de Fisher est
assurée (sig : 0.000).
La corrélation globale se mesure quant à elle se trouve dans le tableau « Eigenvalues » (valeurs
propres)(tableau n°7) .On observe notamment la colonne “Canonical Corrélation” (corrélation
canonique).plus elle est élevée, meilleur est le modèle la corrélation globale est de l‟ordre de 77.6%.
Le Lambda de Wilks s‟observe quant à lui dans le tableau « Wilks‟ Lambda »(tableau n°8).
Plus la valeur de Lambda de Wilks (deuxième colonne) est faible, plus le modèle est bon. La
valeur de ce test est de 0.397 et il est significatif (sig 0.000)
D‟après les corrélations entre la fonction discriminante et les variables (tableau n°9), on observe que
les ratios suivants : liquidité des comptes clients, et le Ratio du Fonds de roulement, liquidité générale
et la Couverture des dettes par les flux de trésorerie, sont les ratios qui participent le plus avec un signe
négatif dans la formation de la fonction discriminante. En revanche et celui de la Valeur liquidative, la
capacité d‟autofinancement taux de la marge, la rentabilité des actifs et Taille de l'entreprise sont les
variables qui participent le plus avec un signe positif dans la fonction discriminante.
INSERER TABLEAUX 6,7,8 ET 9
Cette fonction discriminante a permis d‟avoir un taux global de bon classement3 de l‟ordre de 94.8%
INSERER TABLEAU 10

Après avoir calculé le score (qui s‟élève à 0.131), nous avons validé cette fonction discriminante sur
un échantillon de contrôle composé de 511 dossiers de crédit qui n‟ont pas fait l‟objet de l‟analyse.
Cette validation nous a permis d‟avoir un taux de bon classement global de l‟ordre de 82.60% nous
pouvons retenir que même si l‟analyse discriminante aboutit à de bons résultats de classement
et de significativité des ratios, ces résultats peuvent être très critiquables sur le plan statistique
dans la mesure où l‟hypothèse principale de normalité de la distribution des variables n‟est
pas vérifiée. De plus l‟analyse discriminante fournit des résultats sous forme de scores qui
sont comparés à un score critique fixé par celui qui a fait l‟analyse pour juger la situation de
l‟entreprise. Ceci rend la décision dépendante du score critique choisi.

3Le taux de bon classement global est le taux des entreprises bien classées dans leur groupe d‟origine. En
d‟autres termes, il s‟agit de la somme du nombre des dossiers de crédits des entreprises saines classées par le
modèle comme saines et du nombre des dossiers de crédit des entreprises risquées classées risquées par le
modèle divisée par le nombre total de l‟échantillon. Selon tableau 10 : 412+464/924=94.8%

15
4-2: Les résultats de la régression logistique

4-2-1: La signification du modèle

La régression logistique est sensible au problème de la multicolinéarité pour cela nous avons éliminé
les ratios qui présentent de fortes corrélations afin d‟éviter ce problème.

Le Log de vraisemblance, fourni par le logiciel SPSS, qui suit une loi de  est égal à 91.231
cette valeur avec 18 degrés de liberté est significative. Ce ratio de vraisemblance mesure le
pouvoir explicatif du modèle.
Les deux pseudo R2 nous permettent d‟expliquer le pourcentage de la variable dépendante
binaire qui est expliqué par les variables retenues il s‟agit de la statistique de Cox & Snell et
de Nagelkerke. Notons que la statistique de Nagelkerke est une version ajustée du Cox &
Snell et est donc plus près de la réalité. Dans notre modèle ces deux statistiques s‟élèvent
respectivement de 54.8% et 73 %.
Ainsi, 73% de la variation dans la classe de risque pourrait être expliquée par les variables
qui sont significatives

4-2-2 : La signification des variables indépendantes

INSERER TABLEAU 11

D‟après le tableau intitulé « Variables in the equation », chaque variable est associée à une
variable bêta qui constitue le paramètre ou le coefficient estimé par la méthode de maximum
de vraisemblance.
De plus, chaque ratio est associé à une valeur « Wald ». La statistique Wald suit une loi  à
un degré de liberté et permet de tester la signification de chaque ratio. En examinant les
valeurs de bêta et de la statistique Wald, nous constatons que les ratios relatifs à la couverture
du besoin en fonds de roulement, la liquidité, la capacité de remboursement, couverture des
dettes à moins d‟un an par les flux provenant de l‟exploitation, la rotation des actifs,
l‟équilibre structurel et la taille de l‟entreprise participent de façon significative dans la
formation de la fonction logistique. Ces variables ont les plus grands coefficients béta et les
plus grandes valeurs de la statistique Wald avec les plus bas niveaux de risque (sig <0.16).

4-2-2-2 : Le pouvoir prédictif du modèle

La régression logistique nous a permis d‟avoir un taux global de bon classement de l‟ordre de
88.7% pour l‟ensemble des entreprises et pour un niveau de probabilité de défaillance égal à
0.5 (cut value). Ce pourcentage est de 93,10% pour les entreprises saines et de 84,21% pour
les entreprises risquées.
Sur la base du modèle de régression, nous avons procédé au reclassement des entreprises
appartenant à l‟échantillon de contrôle composé de 511 dossiers. En effet, nous avons calculé
les probabilités de défaillance des différentes entreprises et nous avons comparé cette
probabilité à 0.5.

16
Les résultats de cette comparaison nous ont permis d‟avoir un taux de bon classement global
de 72.17%.

4-3 : Résultats de la régression logistique avec des données de Panel

La régression logistique avec des données de panel nous a permis d‟avoir les résultats
suivants :

INSERER TABLEAU 12

Le nombre total des observations s‟élève à 924, le Wald 2 est de l‟ordre de 187.22 et il est
très significatif (Prob=0.000). Le pseudo R2 est de 50.53%.
En ce qui concerne les variables explicatives du phénomène de la détresse financière nous
constatons que les variables relatives aux (garanties (r24), taille de l‟entreprise(r23), CAF
(r7), la couverture des dettes par les flux de trésorerie(r6)),rotations des stocks et de l‟actif,la
rentabilité des actifs,la rentabilité financière,la couverture des intérêts, la valeur liquidative et
la dimension fonds de roulement sont les variable les plus explicatives du phénomène de la
détresse financière.
INSERER TABLEAU 13
Le tableau 13 montre que le taux de bon classement global est de 86.58%
Nous pouvons donc conclure que la dimension financière classique à elle seule n‟est pas
suffisante pour prédire la probabilité de défaut il s‟avère que les garanties et les flux de
trésorerie sont très importantes d‟où la nécessité de les inclure dans les modèles de prévision.

4-4 - Résultats des modèles basés sur les réseaux de neurones artificiels

4-4-1 : Résultats des modèles neuronaux multicouches

On s‟intéresse dans ce qui suit aux réseaux à couches Multiples (Multi Layer Perceptron :
MLP) en association avec la méthode d‟apprentissage de rétro propagation du gradient de
l‟erreur communément appelé « Back Propagation ».
Il faut signaler que cette technique permet d‟avoir de meilleurs résultats au niveau de la
classification.

4-4-2 : Résultats du perceptron multicouches à deux sorties : MLP avec l’algorithme feed
forward

Pour construire le modèle neuronal à deux sorties nous avons utilisé un échantillon
d‟apprentissage comprenant un échantillon de 924 dossiers de crédits accordés durant
2003,2004 et 2005 et 2006 nous avons laissé 511 dossiers pour l‟échantillon test accordés
durant 2003, 2004, 2005 et 2006 (n‟appartenant pas à l‟échantillon d‟apprentissage).

17
4-4-3: Résultats des MLP avec toutes les variables : flux de trésorerie, taille et garanties et les
variables financières (ratios d’endettement, d’équilibre structurel, rentabilité, rotation, Fonds de
Roulement, liquidité)

L‟introduction de la variable garantie approchée par LOG (garanties) nous a permis

d‟améliorer encore les résultats en terme de bon classement par rapport aux autres méthodes.
Le tableau n°14 suivant récapitule les résultats obtenus suite à l‟introduction de cette variable.

Tableau n°14 : Récapitulation des résultats des réseaux de neurones entrainés avec toutes les variables
L’échantillon d’apprentissage L’échantillon test
924 dossiers 511 dossiers
Réseauxmulticouches : feed forward MSE Bon classement MSE% Bon classement
%
Model_full_inf_01 [24 2] 9.6 89.9 20.6 74.5
Model_full_inf_02 [24 12 2] 3.7 96.4 4.54 82.5
Model_full_inf_03 [24 12 10 2] 1 95.35 2.64 86.8
Model_full_inf_04 [24 12 12 12 2] 1.5 95.5 2.8 80.6
Model_full_inf_05 [24 15 15 15 2] 0.6 97 1.38 87.7
Model_full_inf_06 [24 15 15 2] 0.3 96.8 2.6 82.1
Model_full_inf_07 [24 12 12 2] 1 97.6 2 79.6
Model_full_inf_08 [24 21 15 10 2] 0.5 97 2.7 89.8

Ce tableau appelle les remarques suivantes

 L‟architecture du réseau optimal est composée de cinq couches dont trois cachées.
 L‟introduction de toutes les variables ensembles a permis d‟améliorer le taux de bon
classement global pour atteindre 89.8%.soit 90%.
 Les variables relatives aux flux de trésorerie et aux garanties sont très déterminantes pour la
prévision du risque de défaut.
Le graphique suivant présente l‟évolution de l‟erreur tout au long du processus d‟apprentissage du
réseau optimal
INSERER FIGURE 1
L‟introduction des variables garanties, taille et flux de trésorerie dans le modèle neuronal a
permis d‟avoir de bons résultats de classement. En effet, Les programmes de crédit […]
deviennent de plus en plus exigeants quant aux critères de rentabilité et de viabilité dans le
temps. Ainsi les institutions spécialisées tendent à professionnaliser davantage la gestion de
leurs crédits. Dans ce contexte, les systèmes de garantie trouvent leur place en tant que moyen
de faciliter l‟accès aux ressources financières et de partager les risques. Dominique
Lesaffre(2006).
En d‟autres termes l‟objectif de la garantie doit se limiter à faciliter l‟accès au crédit. Il s‟agit
d‟un instrument parmi d‟autres qui, doit permettre de couvrir le risque et de créer un effet de
levier Dominique Lesaffre (2006).

4-4-4 : Comparaison des résultats obtenus avec les différentes méthodes utilisées et avec
toutes les variables de l’étude

18
 Régression logistique Régression logistique avec Réseaux de neurones
Scoring des données de panel artificiels
BON CLASSEMENT BON CLASSEMENT BON CLASSEMENT BON CLASSEMENT
Echantillon Echantillon Echantillon Echantillon Echantillon Echantillon Echantillon Echantillon
principal test principal test principal test principal test
94.8 81.03 88.7 81.89 86.58 78.5 99.5 89.9

D‟après ce tableau nous remarquons que les réseaux de neurones artificiels apparaissent
comme étant un outil de prévision puissant en matière de la prévision de la détresse financière
des entreprises emprunteuses. En effet, l‟étude comparative des trois méthodes utilisées (à
savoir l‟analyse discriminante, la régression logistique simple et avec des données de Panel)
et la méthode basée sur les RNA nous a permis de conclure quant à la supériorité des réseaux
de neurones en matière de bon classement ce constat est confirmé par Tam Kiam (1992) à la
différence de Roy & Cosset (1989) qui ont conclu à la primauté des méthodes classiques tels
la régression logistique et l‟analyse discriminante. Dans ce cadre, le taux de bon classement
global a augmenté de 24% par rapport à l‟analyse discriminante et la régression logistique
avec des données de Panel.

Conclusion
Les résultats obtenus montrent que la décision de crédit ne repose pas uniquement sur l‟information
financière. L'exigence des garanties constitue aussi pour les banques, le mécanisme central d'ajustement
du risque permettant l'accès aux actifs si l'emprunteur fait défaut Storey (1994). Egalement la taille de
l‟entreprise constitue une variable très déterminante pour une telle décision.
L‟analyse des variables financières (les ratios) nous a permis de détecter celles les plus révélatrices de la
dégradation de la situation financière des entreprises demandant des crédits auprès des établissements
financiers.
En effet, aussi bien l‟analyse discriminante (méthode de crédit scoring) que la régression logistique
simple et avec des données de panel ont permis de conclure que les variables relatives à l‟équilibre de
trésorerie, l„endettement, fonds de roulement et de rentabilité et rotation ainsi que la taille et les
garanties s‟avèrent très déterminantes dans l‟explication du phénomène de la détresse financière.

Notons que le banquier lors de son étude d‟un dossier n‟utilise aucun indicateur basé sur les flux de
trésorerie d‟exploitation. Cependant selon cette analyse discriminante on peut conclure que l‟information
en flux de trésorerie d‟exploitation permet aux créditeurs et aux investisseurs d‟être avisés des signes
précurseurs de la défaillance financière des entreprises.
En fait, les flux de trésorerie liés à l‟exploitation sont très pertinents pour l‟évaluation du risque de crédit
dans la mesure où les décideurs évaluent la capacité de l‟entreprise à honorer ses engagements en
principal et intérêts dans le cadre normal de son activité zimmer (1981).
En fait les responsables de crédit doivent estimer la capacité de remboursement des entreprises à partir
des flux de trésorerie d‟exploitation et non sur la valeur liquidative des actifs ou des garanties.
Les réseaux de neurones artificiels apparaissent comme étant un outil de prévision puissant en matière
de détresse financière des firmes emprunteuses. Cette recherche confirme bien ainsi les études
empiriques déjà réalisées dans ce domaine.

19
La limite adressée à cette méthode est relative à la non transparence des pondérations du réseau qui
reste une question qui mérite d'être étudiée. Altman et al (1994), ont suggéré, en ce sens, l'utilisation
combinée des deux approches (réseaux de neurones et analyse discriminante), et ce afin de profiter des
avantages relatifs à chacune des deux méthodes.
La présente étude peut être répliquée en recourrant à l‟utilisation d‟autres méthodes de classification
pour pallier aux insuffisances des méthodes étudiées et qui sont de nature à améliorer la prévision . On
cite à titre indicatif les algorithmes génétiques.

20
BIBLOGRAPHIE

1-Articles

Altman, E.I. (1968) : «Financial ratios, discriminant analysis and the prediction of corporate
bankruptcy ». Journal of finance, vol.23, n°4, 1968.P589-609
Altman, E. ; R .Haldeman et P. Narayanan (1977) “Zeta Analysis- a New Model to Identify
Bankruptcy Risk of Corporation » Journal of Banking and Finance, vol 1 , pp 29 –
54
Altman, E.I. ; Marco, G. et Varetto,F. (1994): «Corporate Distress diagnosis : comparisons using
linear discriminant analysis and neural networks ». Journal of Banking and Finance
, 18; P505-529.

Avery, R.B., Bostic, R.W. et Samolyk, K.A., (1998): “The role of personal wealth in small business
finance”, Journal of Banking and Finance, 22 (1998), 1019-1061.
Aziz A. et Lawson G. (1989) : « Cash flow reporting and financial distress models testing of
hypotheses » Financial Management, 1989.
Beaver ,W.H., (1966) ”financial ratios as predictors of failure”journal of accounting research,4,71-
111.
.
Berger A., Udell G.F.,1990, « Collateral, Loan quality and Bank Risk», Journal of Monetary
Economics 25, 21-42.

Berger, Allen N., and Udell, Gregory F. 1995. “Relationship Lending and Lines of Credit in Small
Firm Finance.” Journal of Business, 68 (3): 351–381.

Bernanke, B. (1993) : Credit in the macroeconomy; Federal Reserve Bank of New York Quarterly
Review, printemps, pp. 50-76.
Besanko D., Thakor A.V. [1987], “ Collateral and Rationing : Sorting Equilibria in Monopolistic and
Competitive Credit Market ”, International Economic Review, vol. 28, October, pp.
671-690.

Bester H. [1985], “ Screening vs. rationing in crédit markets with imperfect information ”, American
Economic Review, 75, pp. 850-855.

Binks, M.R. et Ennew, C.T., “Smaller businesses and relationship banking: the impact of participative
behavior”, Entrepreneurship Theory and Practice, 21,4 (1997), 83-92.
Blackwell, David W., and Winters, Drew B. 1997. “Banking Relationships and the Effect of
Monitoring on Loan Pricing.” The Journal of Financial Research, 20(2): 275–289.
Collongue Y. (1977) “ ratios financiers et prévision des faillites des petites et moyennes entreprises ».
Revue Banque , N°365, PP963-970
D‟auria C., Foglia A. et Reedtz P. M. [1999], « Bank interest rates and credit relationships in Italy »,
Journal of Banking and Finance, 23, p. 1067-1093. ...
Deakin, E.B (1972): « A discriminant analysis of predictors of business failure », Journal of
accounting research, 1972,PP167-179.

21
Edmister R.« an empirical test of financial ratios analysis for small business failure prediction”
journal of financial and quantitative analysis mars 1972

Gertler M., (1988), “ Financial structure and aggregate economic activity : An overview ”, Journal of
Money, Credit and Banking, 20, pp. 559-588.

Ghatak M. (1999), "Group lending, local information and peer selection", Journal of Development
Economics, "Special issue on Group Lending", vol. 60, n°1, pp. 27-50.
Gillet R., Lobez F., [1992], “ Rationnement du crédit, asymétries de l‟information et contrat séparants
”, Revue de l’Association Française de Finance, 2, pp. 57-76.
Greenbaum S.I., George Kanatas, Itzhak Venezia, (1990), « Loan Commitment and Credit
Demand Uncertainty », University of California, Los Angeles.

Harhoff D., Körting T., (1998), « Lending relationships in Germany. Empirical evidence from
survey data », Journal of Banking and Finance, 22, 1317-1353.
Jensen M.C., Meckling W., (1976), “ Theory of the firm : managerial behavior, agency costs
andownership structure ”, Journal of Financial Economics, 3, pp. 305-360.

Jesús Saurina (2008) « Bâle II il prévenir ou aggraver les crises? » Finances & Développement Juin
2008 pp (29 31)
Krishna G. Palepu; Paul M. Healy et Victor L. Berenard (2000) “ Business Analysis & valuation
using financial Statements”, 2000 second Edition
Laitinen, E.K. (1991) : « Financial ratios and different failure process ». Journal of Business finance
and accounting, vol 18, n° 5, 1991, P649-673.
Lesaffre Dominique (2006), « Débat sur la Garantie Bancaire » texte espagnol adapté par Nicolas
Pirotte, ADA Dialogue, numéro 14, août 1998

Matoussi H., Mouelhi R. et Sayah S. (1999) « la prédiction de faillite des entreprises tunisiennes par la
régression logistique », Revue Tunisienne des Sciences de Gestion, Vol1, N°1,
Mars 1999
Matoussi,H., Karâa,A. et Krichène,A. (2004) « Utilité des informations financières dans le processus
d‟évaluation des crédits : Une étude exploratoire sur l‟apport informationnel du
SCE tunisien au processus d‟octroi des crédits » les quatrièmes journées
internationales de la recherche en sciences de gestion, l‟Association Tunisienne des
Sciences de gestion et la fondation Konrad Adenauer 11,12 ;13 Mars 2004.
Meyer, L. H., (1998), The present and future roles of banks in small business finance, Journal of
Banking and Finance 22.

Morduch J. (1999), "The microfinance promise", Journal of Economic Literature, vol. 37, pp. 1565-
1615
Nadine Levratto (1996) « Poids des asymetries informationnelles et de l'alea de moralite dans les
relations entre banques et PME » Editorial du numéro spécial de la Revue
Internationale PME consacré au "Financement des PME", Small business finance
in France dans "Small Business Economics, août 1996.

22
Ohlson, J. (1980): “ Financial Ratios and the probabilistic prediction of Bankruptcy” Journal of
accounting research, vol.18. 1980; PP10

Petersen, Mitchell A., and Rajan, Raghuram G. (1994). “The Benefits of Lending Relationships:
Evidence from Small Business Data.” The Journal of Finance, 49(1): 3–38.

Psillaki M. (1995) : “ Rationnement du crédit et PME : Une tentative de mise en relation ”, Revue
Internationale P.M.E., vol. 8, n°3-4, pp; 67-87.

Smith,J.C. (1990): “A neural network could it work for you?”. Financial executive, n°6, 1990P26-30.

Stéphan Brun (2005), « L'Essentiel des normes comptables internationales IAS/IFRS », Editions
Gualino, 168 pages, mai 2005

Stiglitz J.E., Weiss A. (1981), “ Credit rationing in markets with imperfect information ”, The
American Economic Review, 3, pp. 349-410.

Stiglitz J. (1990), "Peer monitoring and credit markets", World Bank Economic Review, vol. 4, n° 3,
pp. 351-366.
Storey, D.J., (1994) “Understanding the small business sector”, International Thomson Business
Press, Londres-Boston, (1994).

Taffler R. J., (1983) “The Assessment of Company Solvency and Performance Using aStatistical
Model”, Accounting and Business Research (Autumn, 1983), pp.295-308.

Tam,K.Y. et M.Y Kiam.(1992) : « Managerial applications of neural networks : the case of bank
failure predictions. ». Management science, Vol.38 n°7, juillet 1992. P 926-947.
Tremblay.D Cormier et M. Magnan, (1993) « Théories et modèles comptables : Développement et
perspectives » Presse de l‟Université de Quebec, page 99
Williamson S.D., (1986): “Costly monitoring, financial intermediation and equilibrium credit
rationing”, Journal of Monetary Economics, 4, pp. 158-179.
Zavgren, C. (1985) : “Assessing the vulnerability to failure of american industrial firms: a logistic
analysis.” Journal of business finance and accounting, vol.12, n°3, 1985.P19-46.

Zimmer, J. (1981) : “ Modeling lender‟s assessments of the ability of corporate borrowers to repay”
Abacus, vol.17, n°2, 1981.

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

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

23
Leopold A. Bernstein JohnJ Wild (1998) “ Financial statement analysis theory, application and
interpretation” 6 ème edition 1998

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

3- Documents de travail
Artus P. (1991) : Peut-on comprendre les écarts de taux d'intérêt sur le marché du crédit en France ?;
Caisse des Dépôts et Consignation, Document de travail SEEF, n° 1991-27/T,
décembre.
Bardos, M. (1984): “ le risque de défaillance d‟entreprises». Cahiers économiques et monétaires de la
banque de France, n°19, 1984.
Bardos, M. (1989): “ Trois méthodes d‟analyse discriminante : comparaison des résultats et
confirmation de la qualité du score B pour les PME du bâtiment gros œuvres et du
génie civil ». Cahiers économiques et monétaires de la banque de France, n°33,
1989. P151-185.
Bardos, M. (1990) : Le crédit plus cher pour les petites entreprises; Economie et Statistiques, octobre,
n° 236, pp. 51-64.
Bardos, M. (1991) : Liaison entre le risque et la taille; influence du risque et de la taille sur le taux
d'intérêt; Cahiers Economiques et Monétaires, n° 38, pp. 49-104.
Fernando, C., Chakraborty A., Mallick R., (2002), « The importance of being known:
relationship banking and credit limits », Economics Working Paper Archive at
WUSTL
Ghessouiere, Micha B. Et Pachot M. (1993) «L‟analyse des défaillances d‟entreprises » Journée
d‟études des centrales de bilans, 1993.
Goyer M., (1995), “ Corporate finance, banking institutionnal structure and economic performance : a
theoritical framework ”, Document de travail, MIT.
Lehmann E., Neuberger D., (2000), « Do lending relationships matter? Evidence from bank
survey data in Germany », Centre of Finance and Econometrics, Document de
recherche.

Levratto N. (1996) : Les fondements contractuels des relations entre banques et emprunteurs,
Documents Monnaie et Financement, n°24, pp. 13-45.

Roy, J. & J.C. Cosset (1989) : « Forecasting country risk ratings using a neural network ».
Document de travail, n°89-74, Quebec, Faculty of business administration, 1989.

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

24
4-Communication dans des congrés
Bell, B.T., G.R. Ribar et J.R. Verchio (1990): ” Neural nets [Link] regression: a comparaison
of each model‟s ability to predict commercial bank failures” Actes du congrès
international de comptabilité tome 1, Nice Décembre 1990
Bernard Fioleau « Histoire des modèles empiriques de prévisions de défaillance des entreprises : un
essai de classification association française de comptabilité congré de Toulouse
MAI 1993, comptabilité et nouvelles technologies PP 483- 499
Gosh , S. Collins, E. et Scofield , L. (1990) : “ Prediction of mortgage loan performance with a
multiple neural ntework learning system, proceeding of Eurasip » Workshop
,Sesmbra,Portugal, P439.
Hind Sami et Armelle Delorme (2003) : « Diffusion d‟information et risque de crédit dans les
économies émergentes » Preliminary draft : septembre 2003 This version : février
2004 colloque de l‟Agence Universitaire de la Francophonie, GDR-CNRS
Economie Monétaire et Financière, Nice en juin 2004.
Mawuli Couchoro et Pierre Rakotovao (2006): « Microcrédit et maîtrise du risque de défaut : Entre le
crédit individuel sans garantie matérielle et la caution solidaire, comment choisir ?
Esquisse d‟un modèle d‟analyse théorique » Université Montesquieu- Bordeaux
IV, 23 au 24 novembre 2006. Deuxième journée du développement du GRES «
Quel financement pour quel développement ? »
Sylvie Cieply Marcelline Grondin (2000) : « Spécificité des banques dans l‟expertise et le contrôle des
risques - P.M.E. : Résultats d‟une enquête exploratoire » 17èmes Journées
Internationales d‟Economie Monétaire et Bancaire 7, 8 et 9 juin 2000, Lisbonne

5- Thèses de doctorat

De Almeida, F.C. (1993) « L‟évaluation des risques de défaillance des entreprises à partir des réseaux
de neurones insérés dans le système d‟aide à la décision ». Thèse de doctorat en sciences de gestion ;
Ecole Supérieure des Affaires (ESA) Grenoble.

Mamoughli, C (1984) : « La prévision du risque de défaillance des entreprises tunisiennes » Thèse de

Doctorat de troisième cycle, université de Paris Dauphine 1984.

6-Rapports

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

25
 LISTES DES TABLEAUX A INSERER

Tableau n°3 : Répartition des entreprises de l'échantillon selon la classe de risque sur 4 ans
2003 2004 2005 2006

Fréquences % Fréquences % Fréquences % Fréquences %

Saines 176 47.44% 206 52.68% 195 51.58% 150 50.85%

Risquées 195 52.56% 185 47.32% 183 48.42% 145 49.15%
TOTAL 371 100% 391 100% 378 100% 295 100%

Tableau n°4 : Répartition des entreprises de l'échantillon selon la taille

2003 2004 2005 2006

GE 148 39.89% 161 41.18% 158 41.80% 139 47.12%

PME 223 60.11% 230 58.82% 220 58.20% 156 52.88%

TOTAL 371 100% 391 100% 378 100% 295 100%

GE : Grandes Entreprises
PME : Petites et Moyennes Entreprises

Tableau n°5 : La mesure des variables de l’étude

Intitulés des variables Mesure des variables

Ratios relatifs à l’exploitation

R1 Ratio du fonds de roulement Fonds de roulement / Total actifs courants

R2 Ratio de couverture du BFR par le FR BFR /FR

R3 Liquidité des comptes clients Clients -Clients Nets /clients bruts

Ratios d’endettement

R4 Structure financière Endettement global/ Fonds Propres Nets

R5 Dépendance financière Dettes Long Moyen Terme/ Capitaux Permanents

R6 Capacité de remboursement Dettes Long Moyen Terme/ Cash Flow Nets

R7 Ratio de couverture des dettes à court terme Total passifs courants / chiffre d’affaires
par le chiffre d’affaires
R8 Ratio d’endettement 3 Charges financières / chiffre d’affaires
R9 valeur liquidative Total Passifs/Total Actifs
Ratios de rentabilité

R10 rentabilité financière Résultat net / revenus d’exploitation

R11 marge brute Excédent Brut d’exploitation / chiffre d’affaires

R12 Couverture des intérêts

Résultat d'exploitation /charges financières nettes
R13 Rentabilité des capitaux propres Résultat net / capitaux propres

R14 Rentabilité des actifs Résultat net / Total actifs

Ratios de structure
R15 Equilibre structurel 2 Total passifs non courant/ total actifs immobilisés

R16 autonomie financière Capitaux propres / capitaux permanents

R17 Solvabilité Capitaux propres / endettement global

26
 R18 Equilibre structurel 1 Passifs Non Courants /Total Actifs

Ratios de liquidité
R19 liquidité générale Actifs courants / Passifs courants

R20 liquidité réduite Actifs courants– stocks/ Passifs courants

Ratios de flux de fonds

R21 Ratio de couverture des dettes à moins d’un an Flux de Trésorerie d’Exploitation / passifs courants

R22 Ratio de couverture des charges financières par FTE Flux de Trésorerie d’Exploitation / charges financières

Ratios de rotation
R23 Ratio de rotation des immobilisations chiffre d’affaires / total actif immobilisé

R24 Ratio de rotation des stocks chiffre d’affaires / stocks nets

Autres variables
V25 Taille Log(total actifs)

V26 Garanties Log(garanties)

Tableau n°6: Récapitulation des résultats de la validité de l’étude

BOX’SM 2005.785
Fisher 9.710
Significativité 0.0000

Tableau n°7: récapitulation des valeurs propres (Eigenvalues)

Fonction Valeurs % de la Variance Canonical
propres variance cumulée corrélation
1 1.516 100,0 100.0 0.776

Tableau n°8 Le test de Wilks

Test de la fonction Wilks’ Lambda 2 Significativité
1 0.397 95.966 0.000

Tableau n°9 : Récapitulation des coefficients de la fonction discriminante

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

27
 Tableau n°10 : Récapitulation des taux de bons classements de la fonction discriminante

Risque calculé Total

Risque observé Saines Risquées
Saines 412 20 431
Risquées 30 464 493
Total 924
Saines 95.6% 4.4% 100%
Risquées 5.89% 94.11% 100%

Tableau 11 : la signification des ratios dans l’explication de la probabilité de la détresse financière

Variables Bêta Wald Sig
Liquidité des comptes clients -12,1220 8,0139 ,0046
Couverture BFR ,0501 3,1207 ,0773
Couverture des dettes 22,9965 13,2924 ,0003
Valeur liquidative -,0843 9,1965 ,0024
Structure financière 7,6334 7,7479 ,0054
Rotation des stocks ,0961 5,1494 ,0233
Taille de l'entreprise 3,5208 17,2789 ,0000
Garanties -,2477 3,1719 ,0749

Tableau n°12 :Coefficients et significativité des variables selon la régression logistique avec des données de
panel incluant les garanties et la taille de l’entreprise
Nombre d’observation :924
2
Wald χ (14)=187.22
2
Prob> χ =0.0000
Pseudo R2 =0.5053
Ratios utilisés Intitulés des variables Coefficients Significativité
R1 Ratio du BFR 0.0030 0.208
R2 Ratio du fonds de roulement -0.2259 0.019
R3 Liquidité des comptes clients 0.7260 0.343
R4 Liquidité générale 0.0566 0.578
R6 Couverture des passifs courants par les FTE 0.1049 0.008
R7 Capacité de remboursement 2.0647 0.001
R9 Structure financière -0.0135 0.189
R10 Valeur liquidative 4.3539 0.000
R12 Equilibre structurel_2 -0.2028 0.176
R13 Couverture des intérêts 0.0213 0.000
R14 Rentabilité financière 0.1638 0.088
R15 Taux de la marge -0.4745 0.457

28
R16 Rentabilité des actifs -5.6657 0.002
R17 Rentabilité des capitaux propres -0.0956 0.289
R21 Rotation des actifs 0.0070 0.044
R22 Rotation des stocks 0.0107 0.086
R23 La taille de l’entreprise 9.748 0.000
R24 Garanties -0.3670 0.000
CONSTANTE -38.7373 0.000

Tableau 13 : le pouvoir prédictif de la régression avec les données de panel

Risque calculé Total

Risque observé Saines Risquées
Saines 370 61 431
Risquées 63 430 493
Total 924
Saines 85.84% 14.16% 100%
Risquées 12.78% 87.22% 100%

Figure 1 : Evolution de l’erreur moyenne quadratique tout au long du processus d’apprentissage du

réseau optimal

29
30