Dédicaces

***

Je dédie cet humble travail, fruit des années d’études, de

patience et de persévérance

Mes parents, Ma grande famille

Ma femme CHOROUK RAOUDI et mes collègues

d’études et de travail

Je vous aime tous

Mohamme
d
 Remerciements
***

Je suis tout d’abord reconnaissant au Grand Dieu, aucun mot ne peut exprimer le sentiment de
ma gratitude envers lui, et ce n’est toujours jamais assez ...
Louange à Dieu, le tout puissant.

***

Je tiens à présenter mes vifs remerciements à aux gens qui m’ont soutenu, guidé et encouragé,
à tous ceux qui m’ont aidé de près ou de loin pour la réalisation de ce mémoire
que j’espère à la hauteur des attentes.

Mes sincères remerciements sont adressés à :

Mon encadrant : M. Fouad BENDI, Directeur de Gestion (Maghreb Titrisation)
L’ensemble du corps professoral de l’université HASSAN II
L’ensemble de mes collègues à la formation continue
M. Rabii EL BOUZAIDI TIALI, Responsable Département Risque (Banque du CIH)
M. El Mahdi CHRAA, Responsable Département ALM (BMCE Bank)
M. Mohamed KETTANI, Responsable Département Analyse des Crédits (BMCE Bank)
Mme Bahija MOUZAKI, Responsable Département Support Administratif (BMCE Bank)
M. Ilyass RAKHISS, Senior Risk Manager (BMCE Bank)
M. Montassir ZAHRAOUI, Analyste Financier Senior (BMCE Bank)
M. Aissa KAYL, Analyste Financier Senior (BMCE Bank)
M. Mohamed MARZOUKI, Inspecteur (BMCE Bank)
 ***
Un spécial remerciement à mes chers amis
M. Mohammed RIDA AMINE
M. Abderrahim AITBRAYME
Pour leur contribution appréciable
 Table des matières

Introduction ......................................................................................................................... 3
Mise en contexte.......................................................................................................................................................................... 3
Objectifs.............................................................................................................................................................................................. 3
Plan de travail de la recherche................................................................................................................................................. 4
Le risque de crédit et le recouvrement des banques.
Chapitre 1 Risque de crédit des banques ..............................................................................
4
Chapitre 2 Le recouvrement, fonction stratégique de la banque. ......................................... 4
Revue de littérature ......................................................................................................... 6
Revue de littérature – modélisation du risque de défaut des clients ........................................................................... 7
Données et statistiques descriptives des variables ................................................................. 9
Choix des variables ................................................................................................................................................................. 11
Matrice de corrélations............................................................................................................................................................. 16
Modèles – Probit et Logit.....................................................................................................17
Modèle probit ............................................................................................................................................................................ 18
Modèle logit............................................................................................................................................................................... 18
Résultats ..............................................................................................................................19
Résultats des régressions (voir simultanément avec annexe D)................................................................................ 19
Signes obtenus et coefficients ................................................................................................................................................. 22
Interprétation des coefficients pour le modèle choisi ................................................................................................... 25
Test de robustesse .................................................................................................................................................................... 25
Tests de stabilité ....................................................................................................................................................................... 26
Critiques du modèle.............................................................................................................27
Conclusion ...........................................................................................................................30
Résumé ........................................................................................................................................................................................ 30
Limites et recommandations................................................................................................................................................. 30
Références ...........................................................................................................................32
Annexe A .............................................................................................................................34
Annexe B .............................................................................................................................35
Annexe C .............................................................................................................................37
Matrice des corrélations entre les variables..................................................................................................................... 37
Test de multicolinéarité.......................................................................................................................................................... 39
Annexe D .............................................................................................................................40
Introduction

Mise en contexte
Dans le cadre de ma fonction au sein de l’équipe du pôle risque d’une banque marocaine,
l’idée est venue de produire un modèle économétrique d’estimation de probabilités de
défaut en utilisant les données de la banque. En tant que chargé de recouvrement au sein
de la direction de la gestion préventif de risque, je me retrouvais à jongler avec plusieurs
informations financières et non financières afin d’évaluer le risque de crédit auquel
s’exposait la banque, tout en ne connaissant pas l’apport de chacune de ces variables à
l’évaluation de la probabilité de défaut. Je crus donc qu’il était pertinent de tester par
moi-même certaines de ces informations puisqu’elles me seront utiles à mon futur
travail en tant que superviseur, de même qu’apporter des détails supplémentaires à la
Banque concernant ses pratiques d’analyse du risque de crédit.

Ma tâche principale au sein de mon équipe à la Banque se résumait ainsi à évaluer

le risque des prêts hypothécaires avant le déblocage des dossiers en effectuant des
visites terrain aux clients et donner un avis sur leur solidité financière, ainsi le
recouvrement des créances en souffrance pour les clients ayant octroyé un crédit
immobilier (FOGARIM). Pour ce faire, je procédais à différents types d’analyse, soit
principalement:

 Analyse financière basée sur le taux d’endettement et l’apport.

 Analyse économique basée sur les industries et secteurs d’activités dans
lesquels opèrent les clients.
 Analyse basée sur la situation familiale, nombre d’enfant à charge, nombre de
personne actif au foyer

Dans le cadre de ce projet, les différentes informations provenant de cette analyse ont été
pour la plupart évaluées, dans l‘optique de confirmer leur pertinence dans la
prévision du risque de défaut. Ainsi, l’apport de cette recherche ne concerne pas
seulement l’estimation des nouveaux modèles probabilistes, mais réside principalement
en la participation à la mise en place d’un système de recouvrement des créances plus
efficace et industrialisé.

Objectifs

L’objectif principal de ce projet constitue donc à tester les pratiques de la Banque en

termes d’analyse des différents risques des prêts octroyés ainsi de mètre en place un
système permettant l’identification de la typologie des clients ayants des retards de
payements, en estimant un modèle économétrique d’estimation des probabilités de défaut
de ces derniers. Pour ce faire, certaines données rendues disponibles par la Banque
seront utilisées afin de déterminer quelles sont les variables significatives dans la
prédiction du défaut. De plus, les méthodes statistiques pour en venir à ces résultats
seront étudiées, dont principalement les modèles la régression multiple , probit et logit.
Pour élaborer ce projet les logiciels suivant nous seront utiles :

 EVIEWS.
 STATISTICA 10.0
 XLSTAT.
 Quantum GIS.
 GEODASPACE 1.0.

Plan de travail de la
recherche

Le reste de ce projet sera présenté comme suit. Le risque de défaut de crédit auquel sont
exposées les banques sera défini dans la prochaine section, Ensuite, Le rôle du
recouvrement dans la gestion du risque crédit suivi d’une revue de littérature sur les
différents modèles de probabilité de défaut à travers le temps, en élaborant sur certaines
recherchent portant sur le risque crédit, Ensuite, les différentes variables testées
seront définies et évaluées. Les modèles économétriques PROBIT et LOGIT seront
expliqués dans la section suivante. Les résultats des différentes régressions opérées
seront présentés et analysés, suivis par quelques critiques portant sur le modèle.
Finalement, une courte conclusion terminera cette recherche. Les annexes peuvent
être trouvées à la suite de cette section.
 CHAPITRE II : LES RISQUES DES CREDITS
BANCAIRES

Le risque de crédit résulte de l’incertitude quant à la possibilité ou la

volonté des contreparties ou des clients de remplir leurs obligations. Il
existe donc un risque pour la banque dès lors qu’elle se met en situation
d’attendre une entrée de fonds de la part d’un client ou d’une contrepartie
de marché.

Chaque banque adopte une stratégie qui lui est propre vis à vis des risques
des crédits, mais elles ont toutes certaines étapes en commun.
Premièrement, on évalue la perte potentiellement générée par la réalisation
du risque.

Ensuite, le contrôle du risque consiste à limiter a priori l'exposition en

définissant des limites de crédit à ne pas franchir sauf l'autorisation du
chargé d’affaire. Cette méthode est particulièrement utilisée pour le contrôle
du risque de crédit, elle vise à éviter la prise de risque au-delà d'une limite
jugée acceptable, ainsi l’évaluation des lignes d’autorisations résultera
d’une étude approfondie de chaque dossier de crédit à part et d’une
mesure rigoureuse de la surface des clients demandeurs de crédit et des
garanties qu’ils mettent en gage.

Il est possible également de transférer le risque sur un tiers, soit en

souscrivant une police d’assurance ou en ayant recours aux dérivés de crédit
qui ont connu une évolution notable ces dernières années.

Enfin les autorités de tutelle, via les accords de Bâle, réclament que la
banque alloue une quantité de fonds propres suffisante pour garantir
sa solvabilité en cas de réalisation des risques auxquels elle est exposée.
Les enjeux sont multiples :
 minimiser le risque d’impayés et le nombre de dossiers contentieux ;
 améliorer la rentabilité de la banque ;
 optimiser le ratio MC Donough (schéma ci-dessous).
CHAPITRE 1

REVUE DE LA LITTÉRATURE

1.1 Introduction

Divers articles de recherche et ouvrages ont été publiés au fil des ans sur les systèmes de notation
des risques de crédit et les modèles statistiques qui les composent. La documentation répertoriée
est variée et aborde les modèles de risque de crédit sous différents aspects. Cette documentation
a contribué à situer le sujet de recherche et à déterminer les objectifs de travail pour le
développement du modèle de risque qui sera présenté dans le chapitre Il. La revue littéraire se
limite à présenter l'origine et l'évolution des modèles au fil du temps, en mettant l'accent sur
divers aspects économiques tels que l'offre de crédit, le prix et la productivité, mais aussi sur
d'autres telles la sélection adverse, la modélisation des risques et l'utilisation de variables
macroéconomiques.

La revue de la littérature a été répartie en six sections afin d'en faciliter la synthèse et la
présentation. La première section décrit l'origine et l'évolution des modèles et systèmes au fil du
temps. La deuxième traite des effets de la diffusion de cette innovation sur la productivité, l'offre,
le prix et le risque des banques. La troisième section aborde la réforme des capitaux
réglementaires de l'Accord de Bâle II et de ses effets sur les pratiques d'octroi et d'évaluation des
risques de crédit des institutions financières. Dans la quatrième section, il y est discuté de
certaines critiques à l'égard de l'utilisation des modèles de notation lors de l'attribution du crédit.
La cinquième section survole les méthodes de modélisation des risques de crédit qui sont
couramment utilisées. Finalement, la septième section aborde l'utilisation de variables
macroéconomiques dans les modèles et de certaines approches répertoriées.

Les répercussions des conditions économiques sur la probabilité de défaut des emprunteurs ne
sont pas très bien connues. Peu de théorie économique existe sur l'utilisation de variables
macroéconomiques dans les modèles de risque de crédit à la consommation. Le sujet intéresse
plusieurs chercheurs et différentes approches sont proposées.

1.2 Origine des modèles statistiques pour les risques de crédit de détail

Pour débuter la revue de la littérature, il faut mentionner Thomas (2003) qui fait référence à Lewis
(1992) qui retrace les premières utilisations du crédit au temps des Babyloniens il y a trois milles
ans. Thomas (2003) poursuit en nous informant que le crédit à la consommation de masse tel que
nous le connaissons aujourd'hui date seulement des cinquante dernières années. L'auteur nous
mentionne que: « Vers les années 1920, Henry Ford et A. P. Sloan ont reconnu que ce n'était pas
suffisant de fabriquer des produits tels que des voitures, pour la consommation de masse, mais
qu'il fallait aussi développer des façons de financer ces achats. » (p. 1) Ce fut le coup d'envoi pour
le développement des compagnies de finance aux États-Unis au début du XXe siècle et à celui des
cartes de crédit plus tard dans les années soixante.

Thomas (2000) nous fait remarquer que depuis les trente dernières années, l'importance de
l'évaluation des risques financiers a contribué à la croissance de l'utilisation des statistiques et des
modèles de probabilité. Il nous mentionne que lorsqu'on pense au risque financier, on se réfère
aux portefeuilles d'actions, obligations et autres actifs du genre. Cependant, il existe la catégorie
du crédit à la consommation qui est moins connue et dont l'évaluation du risque est tout aussi
importante. Le crédit sous forme de prêts de détail peut être regroupé et former un actif
financier. L'évaluation du risque de cet actif s'effectue à l'aide de diverses approches statistiques
qui seront décrites dans la présente recherche.

La première méthode a avoir vu le jour, et qui est encore couramment utilisée aujourd'hui, est
l'analyse discriminante. Thomas (2000) nous apprend que l'origine de cette forme d'analyse
remonte aux années trente: « Cette idée de différencier des groupes à l'intérieur d'une population
a été introduite dans les statistiques par Fisher (1936). » (p. 151) Cette première application avait
lieu en sciences naturelles. Elle permit de différencier deux variétés d'iris comme également de
différencier l'origine de crânes distincts en comparant les tailles physiques respectives. Il nous
révèle aussi que: « David Duran (1941) a été le premier à reconnaître que ces mêmes techniques
pouvaient être utilisées pour différencier les bons des mauvais prêts. » (p. 151)

Schreiner (2000) résume bien l'approche. Il nous mentionne qu'il est possible d'anticiper la
performance future de prêts en se basant sur des caractéristiques prédictives, et en l'estimant à
partir de la performance passée de prêts dont les caractéristiques sont similaires.

Thomas (2000) explique que les débuts de l'automatisation des décisions de crédit remontent à
l'époque de la deuxième guerre mondiale. Alors que les analystes de crédit étaient appelés au
service militaire, le manque de main-d’œuvre spécialisée obligea les firmes à automatiser les
règles de décision humaine sous forme de systèmes experts. Au début des années cinquante, le
groupement de ces systèmes et des techniques d'analyse discriminante est à l'origine de
l'utilisation des notations des risques dans les attributions des prêts. C'est par ailleurs l'avènement
des cartes de crédit à la fin des années soixante qui a fait réaliser aux émetteurs l'importance des
notations puisque sans elles, il aurait été impossible d'automatiser les décisions de crédit et de
répondre à la demande en terme économique et de main d'œuvre.

L'utilisation de modèles statistiques a été rendue possible grâce à, entre autres, à l'innovation
technologique dans l'utilisation et l'échange d'information sur les emprunteurs. Ce volet sera
abordé dans la prochaine section.

Thomas (2000) nous révèle également que les méthodes de décision étaient basées
traditionnellement sur un jugement mental des 3 « Cs » et même des 5 « Cs » du crédit. Ces
critères d'évaluation sont tirés de l'anglais et correspondent aux termes suivants:
 i) « Character» : réputation de l'emprunteur.
ii) « Capital» : montant du prêt.
iii) « Collateral» : mise de fonds et valeur marchande versus le prêt.
iv) « Capacity » : capacité à rembourser.
v) « Condition» : conditions du marché.

L'inconsistance dans les décisions de crédit attribuée au jugement humain a également été un
facteur déterminant dans le développement des approches statistiques pour l'évaluation des
risques de crédit. L'auteur souligne finalement un élément qui nous intéresse particulièrement.

Dans le cadre de la recherche actuelle. Il mentionne la nécessité d'incorporer dans les modèles
une dimension qui capte les changements des conditions économiques puisqu'ils peuvent affecter
le risque de l'emprunteur.

Allen, Deong et Saunders (2004) nous font remarquer dans le même ordre d'idées les pratiques
traditionnelles: « Historiquement, les banquiers se confiaient aux analystes de crédit et leurs
systèmes experts basés sur les 5 « Cs» du crédit [... ]. » (p. 734) Les auteurs soulèvent le fait que
les systèmes experts traditionnels ne sont pas en mesure de pondérer l'importance relative de
chacun des «Cs» lors de l'estimation de la probabilité de défaut. Ils soulèvent par ailleurs que: «
Les modèles de notation de crédit sont relativement peu coûteux à implanter et ne souffrent pas
de subjectivité ni d'inconsistance comme les systèmes experts. » (p. 736) Un des avantages des
modèles de notation des risques est qu'ils sont basés sur des variables statistiquement
représentatives et ne souffrent pas de l'inconsistance du jugement humain.

Straka (2000) fait aussi mention des « Cs» du crédit dans son article portant sur les changements
de pratique d'évaluation des prêts du secteur hypothécaire au cours des années quatre-vingt-dix.
Suite aux succès de l'utilisation de ces modèles pour l'évaluation des cartes de crédit et des prêts
à la consommation dans les années soixante-dix et quatre-vingt, il mentionne que l'application de
modèles statistiques pour la notation des prêts hypothécaires a littéralement transformé les
pratiques de ce marché. Ceci est dû au fait que: « [...] les modèles statistiques d'automatisation
des décisions de crédit ne semblent pas être seulement plus rapides mais aussi plus efficaces,
consistants, objectifs et précis que les pratiques habituelles de décision du passé. » (p. 208)
L'auteur souligne que l'utilisation des notations statistiques, a permis d'évaluer l'ampleur du
problème relié au phénomène d'anti-sélection, présent dans la relation principal agent lors d'une
demande de crédit: « Les pertes de l'industrie reliées au défaut de paiement ont été réduites et
mieux couvertes à l'aide d'une méthode améliorée de dépistage des emprunteurs risqués et de
tarification qu'en comparaison aux méthodes d'évaluation manuelle traditionnelles» (p. 217) Ce
dernier aspect nous intéresse particulièrement sous un point de vue économique puisqu'une
évaluation plus précise de la qualité des emprunteurs permet de mieux provisionnel' et contrôler
l'exposition au risque et ainsi favoriser une stabilité financière. Autre point d'intérêt, l'auteur
mentionne l'importance de faire de la recherche dans le domaine et spécialement sur les
répercussions de la situation économique sur les projections du risque. Il suggère aussi de faire du
« stressed testing » sur les modèles, qui consiste à anticiper les conditions économiques futures,
afin d'évaluer l'effet des chocs et cycles économiques sur le risque du portefeuille de crédit.
L'objectif de la présente recherche consiste à évaluer les effets des conditions contemporaines du
marché lors de la demande de crédit sur la probabilité de défaut futur, l'aspect du « stressed
testing» ne sera pas abordé.

Le secteur des prêts aux petites et moyennes entreprises a suivi la tendance des autres secteurs
d'évaluation du risque de crédit en termes d'utilisation des notations. Akhavein, Frame et Wllite
(2005) soulignent: « Pendant que les notations du risque de crédit étaient utilisées depuis un
certain temps pour les autorisations de prêts et hypothèques aux particuliers, cette technologie a
débuté seulement vers la moitié de la décennie des années quatre-vingt-dix à être utilisée pour
les prêts aux entreprises. » (p. 578-579)

Comme le suggère divers auteurs, l'augmentation du nombre de décisions de crédit automatisées

par rapport aux décisions humaines tend à démontrer une meilleure performance des modèles
statistiques en terme de pouvoir de prédiction du défaut de paiement et de productivité. La
diffusion et l'adoption de cette technologie aux divers secteurs d'autorisation du crédit sont des
réponses à l'efficacité démontrée de ces modèles au cours des dernières décennies.

En résumé, pour le premier groupe d'articles, nous remarquons qu'il y a eu une adoption rapide
de cette innovation financière dans le secteur bancaire au cours des cinquante dernières années.
Aujourd'hui, l'utilisation de modèles prédictifs est répandue dans plusieurs activités telles la
gestion de portefeuille, la perception et la relation client. La compétitivité du marché du crédit fait
en sorte qu'il y a une pression constante sur les coûts. Ces modèles permettent d'augmenter la
productivité et de diminuer les délais de traitement.

Une meilleure évaluation du risque a des répercussions sur les quantités offertes et les prix. La
prochaine section abordera plus spécifiquement ces aspects qui ont contribué à modifier, au
cours des dernières décennies, les pratiques d'octroi et les méthodes d'évaluation des risques de
crédit des institutions financières.

1.3 Effets sur l'offre de crédit, le prix et le risque

Pour débuter la revue du deuxième groupe d'articles qui traite des répercussions de cette
technologie sur le marché du crédit, Berger (2003) mentionne que: « Des recherches sur les
notations du crédit aux États-Unis ont généralement démontré que les notations étaient les
meilleurs prédicteurs de la probabilité de paiement [... ] (e.g., Avery et al. 2000). » (p. 152) Plus
précisément, Avery et al. (2000) mentionnent que leur recherche a permis de trouver que les
notations basées sur les historiques de crédit sont des estimateurs très robustes du défaut de
paiement et de la délinquance.

Les conclusions des articles de recherche consultés abondent toutes dans la même direction, les
modèles statistiques permettent de mieux estimer et prédire le risque de crédit que le jugement
humain. Le développement et l'utilisation de ces notations requièrent cependant l'implication de
diverses technologies.
Berger (2003) a analysé des progrès technologiques et leurs effets sur l'industrie bancaire. Il
remarque qu'en plus d'être un excellent estimateur du risque, les modèles statistiques permettent
d'augmenter la productivité des firmes. Dans son article, il cite trois innovations technologiques
qui ont eu des répercussions importantes sur les coûts des institutions financières : les paiements
électroniques, les services bancaires par Internet et le partage de l'information. L'auteur soulève
l'importance du partage de l'information sur les activités de crédit. Il souligne que: « Une analyse
à travers différents pays a trouvé que l'offre de crédit des banques était plus élevée et le niveau
de défaut était plus faible dans les nations dans lesquelles les prêteurs utilisaient et échangeaient
de l'information publique ou bien privée. »

(p. 151) L'information publique dont il est question provient des registres où sont répertoriés les
poursuites et les jugements contre les individus. L'information privée quant à elle peut provenir
de sources internes des institutions prêteuses ou encore des agences de renseignement qui
répertorient l'historique de crédit des emprunteurs. Le constat de l'auteur est intuitif dans le
contexte du problème du principal et de l'agent. En présence d'asymétrie d'information, le
prêteur sera plus enclin à prêter lorsqu'il détient plus d'information qui lui permette de mieux
évaluer le type d'emprunteur auquel il fait face.

L'auteur souligne également: « L'utilisation de l'échange d'information a aussi démontré une

amélioration de la disponibilité du crédit dans les nations moins développées (e.g., Klapper and
Krauss 2002). » (p. 152) L'information financière permet d'améliorer la performance des modèles
statistiques et sert de signal afin de prédire les problèmes futurs reliés au crédit.

Leonard (1996) présente aussi les bienfaits des modèles statistiques pour l'évaluation du risque de
crédit. L'auteur va plus loin par rapport à l'importance d'utiliser et d'échanger de l'information. Il
soulève le point que les firmes prêteuses auraient avantage à partager de l'information technique
sur les modèles et les variables prédictives du risque qui sont utilisées. D'ailleurs au Canada, une
association a été mise en place afin de faciliter ces échanges entre spécialistes. Selon l'auteur,
l'industrie s'en portera mieux puisqu'il appert que les problèmes et solutions reliés aux modèles
d'évaluation des risques sont partagés de tous: « Il va y avoir moins de pertes sur prêt et de
radiations puisque les institutions prêteuses prêteront de façon plus responsable.

Finalement, comme avec les modèles de détection de la fraude, les économies pourront être
passées aux consommateurs sous forme de taux d'intérêt plus faibles ou d'un meilleur service à la
clientèle. » (p. 43-44) Cet énoncé est tout de même paradoxal. Il n'est pas certain que les
institutions financières prêteront de façon plus responsable dans un marché concurrentiel.
L'adoption de modèles statistiques qui permettent d'évaluer plus précisément le risque permet
d'adresser des segments d'emprunteurs marginaux qui n'étaient pas desservis jusqu'à présent, et
où le risque et les coûts de service sont plus élevés. L'apparition de produits financiers dérivés
telle la titrisation des portefeuilles de détail, qui permet de transférer le risque à des tiers, peut
aussi favoriser des pratiques plus risquées.
Des recherches récentes ont contribué à évaluer les effets de l'utilisation de ces nouvelles
pratiques d'estimation des risques comparativement aux anciennes. Ces études ont été faites
dans le secteur des prêts aux petites entreprises où le risque du propriétaire est prédictif de celui
de l'entreprise. Berger (2003) comme également Akhavein, Frame et White (2005) ont analysé le
risque de défaut des petites entreprises. Ces auteurs arrivent aux mêmes conclusions, soit que le
risque du propriétaire est prédictif de celui de la firme dans ce segment et que l'estimation du
risque pour les prêts aux petites entreprises est similaire aux approches d'estimation du risque de
crédit à la consommation.

Dans cet ordre d'idées, Berger, Frame et Miller (2002) ont analysé les effets de l'adoption des
notations des risques sur la disponibilité, le prix et le risque des prêts aux petites entreprises. Ils se
penchent sur l'introduction des notations pour l'attribution des prêts dans ce secteur à la fin des
années quatre-vingt-dix aux États-Unis. Ils remarquent que l'adoption des notations a eu des
effets mixtes différents selon le type de la firme et le profil de l'emprunteur.

Dans leur recherche, les auteurs séparent les emprunteurs en deux groupes, les marginaux
(risqués) et les non marginaux (non risqués) afin d'évaluer séparément l'effet de l'utilisation des
notations. Pour les non risqués, ils soulèvent le fait que l'adoption des nouvelles méthodes
d'évaluation peut avoir trois effets différents sur les coûts et le prix. Le premier effet est relié au
traitement des demandes de crédit. Si la productivité augmente et les coûts diminuent, les
réductions peuvent être transférées aux emprunteurs sous forme de taux d'intérêt plus faibles.
Cet effet dépend cependant du type de la firme. Si la technologie vient remplacer la précédente,
les coûts diminuent pour la banque alors que si elle est utilisée en complément, les coûts
augmentent.

Le deuxième effet est relié à une réduction des problèmes de sélection adverse et d'aléa moral.
Une meilleure évaluation du risque permet d'éliminer les pires emprunteurs et de diminuer les
chances qu'un comportement plus risqué se développe une fois le prêt octroyé. La diminution de
coûts découlant de cet effet peut également être transférée aux emprunteurs sous forme de taux
d'intérêt plus faibles.

Finalement, l'ajout d'information additionnelle dans le processus décisionnel permet de mieux

qualifier l'emprunteur. Ainsi, des emprunteurs pourraient se voir attribuer une meilleure ou une
pire notation qui représenterait une qualité de risque supérieure ou inférieure à la précédente.
Dans le premier cas, le prix diminuerait pour l'emprunteur puisqu'il est considéré conune un
risque de meilleure qualité alors que dans le second, le prix augmenterait puisqu'il serait jugé plus
risqué. L'effet net escompté par les auteurs pour le groupe des non marginaux est une
amélioration de la qualité du risque et une réduction du prix. Il n'y a pas nécessairement
d'augmentation de l'offre puisque cette clientèle est déjà desservie.

Pour ce qui est du groupe des marginaux, une diminution des coûts de traitement peut faire en
sorte que des prêts qui étaient jugés non rentables par le passé le deviennent maintenant.
Également, un meilleur modèle d'évaluation du risque qui prend en considération plus
d'information fait en sorte que des clientèles qui étaient refusées par le passé pourraient
maintenant être acceptées puisque des informations différentes sont prises en compte. Une
évaluation plus précise du risque fait en sorte que les emprunteurs plus risqués se verront
attribuer un prix plus élevé considérant les coûts de traitement, de suivi et le risque plus élevés
qu'ils représentent. L'effet net fait en sorte qu'il y aura une augmentation de l'offre, du prix et du
risque pour ce groupe d'emprunteurs.

Berger (2003) mentionne que la croissance de l'offre et du risque provient principalement des
banques qui ont adopté les notations de crédit comme méthode d'évaluation alors que celles, où
son utilisation est utilisée en complément, ont plutôt vu une augmentation des coûts et une
amélioration de l'évaluation du risque. Il mentionne aussi que ce sont les grandes banques qui
sont les plus propices à adopter cette nouvelle technologie afin de faire des gains en productivité.
C'est d'ailleurs conséquent avec Schumpeter (1950) qui soulève que ce sont les grandes firmes qui
évoluent sur des marchés concentrés qui sont les premières à adopter des nouvelles technologies
qui leur feront bénéficier d'économies d'échelle. Akhavein, Frame et White (2005) ainsi que
Bofondi et Lotti (2006) mentionnent également ce fait et trouvent des résultats similaires dans
leurs recherches.

Dans leur article version révisée, Berger, Frame et Miller (2005) concluent que suite à l'adoption
des notations des risques dans le marché des prêts aux petites entreprises aux États-Unis, l'offre
comme aussi le prix et le risque moyens ont augmenté en raison de l'accroissement du crédit à
des emprunteurs plus risqués: « Ces résultats sont consistants avec les hypothèses que l'utilisation
des systèmes de notation pour les petites entreprises augmente la disponibilité du crédit,
premièrement pour des emprunteurs relativement plus risqués qui paient relativement des prix
plus élevés pour le crédit. » (p. 220)

Dans leurs travaux, les auteurs n'abordent pas la question des conditions de marché et leur
relation avec l'évaluation du risque. Ils terminent cependant en mentionnant des effets adverses
qui peuvent découler de problèmes de spécification ou de variables omises dans les modèles. Ils
soulignent, par exemple, que l'utilisation d'un modèle en période de récession alors qu'il a été
développé avec des données provenant d'une période d'expansion peut créer des erreurs
systématiques. Ils notent aussi que ce type de problématique fait déjà l'objet de préoccupations
pour les modèles utilisés dans les secteurs des cartes de crédit et des prêts à la consommation où
les notations sont utilisées depuis longtemps. Plus récemment, ces problèmes ont aussi été
soulevés pour le secteur des hypothèques. Il est donc de l'intérêt des modélisateurs de valider et
faire évoluer les modèles en permanence. Le but consiste à s'assurer que les modèles continuent
à bien prédire le risque mais aussi à vérifier si l'introduction de variables omises ne pourrait pas
améliorer la performance.

Le deuxième groupe d'articles a survolé l'effet de l'utilisation des systèmes de notation des risques
dans l'industrie bancaire. Des recherches de divers auteurs ont démontré que l'échange
d'information et l'utilisation de modèles statistiques ont permis de faire des gains en productivité
et d'évaluer le risque plus précisément. Cette innovation a finalement permis d'augmenter l'offre
de crédit et de desservir des clientèles marginales. Les bénéfices tangibles des modèles de risque
ont contribué à l'expansion rapide de cette innovation aux différents segments du crédit (crédit à
la consommation, hypothèques et plus récemment, prêts aux petites entreprises). En bout de
ligne, le prix et le risque ont augmenté puisque ces nouvelles clientèles marginales sont plus
chères à desservir et elles représentent un risque de défaut plus élevé.

1.4 Cadre réglementaire

Thomas (2000) nous révèle comment la réglementation a favorisé la diffusion des notations aux
États-Unis: « L'événement qui a assuré une acceptation complète des notations des risques de
crédit est l'adoption de la loi « Equal Credit Opportunity Act» aux États-Unis en 1975 et 1976.» (p.
151) Dans le même ordre d'idées, Straka (2000) mentionne pour le marché des hypothèques: « La
ratification du gouvernement sur l'utilisation des notations de crédit, importante pour plusieurs
banques, est arrivée lorsque le « Federal Reserve Board» a publié ses propres recherches sur la
validité statistique de la capacité des notations de crédit à prédire les défauts de paiement sur les
prêts hypothécaires (Avery et al. 1996). » (p. 215-216) L'utilisation des notations est devenue une
pratique courante dans les activités d'octroi de crédit et sa reconnaissance à un niveau
gouvernemental a contribué à sa diffusion et son acceptation, mais également à transformer
littéralement le marché du crédit de masse au cours du dernier demi-siècle. L'acceptation
complète des notations des risques de crédit a été assurée par l'adoption d'une norme
d'évaluation à un niveau international.

Suite à des crises bancaires majeures dans divers pays, un comité de travail a été mandaté pour se
pencher sur les solutions possibles pour solidifier la stabilité du système bancaire international. Le
Comité de Bâle sur le contrôle bancaire (CBCB) a été institué à la fin de 1974. Il rassemble les
hauts représentants des autorités de contrôle bancaire et des banques centrales de divers pays
(Belgique, Canada, France, Allemagne, Italie, Japon, Luxembourg, Pays-bas, Espagne, Suède,
Suisse, Grande-Bretagne et États-Unis). Sans bénéficier de pouvoir supranational, les standards
que le comité propose ont été majoritairement adoptés par les pouvoirs gouvernementaux des
pays membres à travers les processus démocratiques en place.

En 1988, le CBCB a introduit un ensemble de mesures qui encadrent la gestion du risque et le

calcul des fonds propres minimaux requis pour éviter des déséquilibres concurrentiels entre
banques internationales. Plus précisément, cette réglementation obligeait dorénavant les
banques à détenir des fonds propres d'un niveau équivalant à 8 % au moins du total de leurs actifs
pondérés en fonction des risques (CBCB, 2007). Le Comité a mis en place des dispositifs pour
encadrer la gestion des risques à l'aide de pratiques de supervision prudentielle et de normes de
discipline de marché. Comme le soulèvent Thoroval et Duchateau (2003), cet accord visait à
prévenir les faillites des banques par des normes de fonds propres et limiter les crises sectorielles
ou macroéconomiques et ainsi améliorer la stabilité financière.

L'incapacité des débiteurs d'honorer les contrats de prêts est une source de problèmes pour les
institutions prêteuses puisque les prêts improductifs ont des répercussions sur le risque, le prix,
l'offre et la stabilité du système financier. L'évaluation des risques des portefeuilles de prêts est
primordiale. Le CBCB a émis en 2004 une version révisée de son règlement. Il était maintenant
permis aux banques, sous certaines conditions, d'utiliser les systèmes de notation internes des
risques comme principaux intrants pour évaluer le risque de crédit lors du calcul des fonds
propres requis (CBCB, 2004). Les principaux intrants dont il est question sont la probabilité de
défaut, la perte en cas de défaut et l'exposition en cas de défaut (CBCB, 2005). Dans la présente
recherche, nous nous intéressons uniquement au premier intrant qui est le calcul de la probabilité
de défaut.

Comme nous avons pu le constater jusqu'à présent, l'utilisation des systèmes de notation est déjà
largement répandue dans les activités d'octroi de crédit. Avec cette réglementation, les mêmes
notations des risques peuvent désormais servir d'intrants pour le calcul des capitaux
réglementaires. L'amendement mis de l'avant par le CBCB vise de ce fait à mettre en place des
standards internationaux pour le calcul du capital économique requis et assurer une saine gestion
des risques de crédit. Avec l'adoption de cette norme, il ne fait plus aucun doute que les notations
des risques de crédit ont été adoptées et intégrées dans les pratiques d'évaluation des risques de
crédit.

Lors de l'amendement de 2004, le CBCB a émis la recommandation suivante pour l'utilisation des
notations internes dans le calcul de la probabilité de défaut: « La notation doit représenter
l'évaluation par la banque de l'aptitude et de la volonté d'un emprunteur d'honorer son contrat,
même dans des conditions économiques défavorables ou en cas d'événements imprévus. [... ] La
gamme des situations économiques envisageables doit intégrer la situation du moment et celles
qui peuvent se produire pendant la durée d'un cycle économique pour le secteur économique ou
la région géographique en question. » (p. 75) Les notations internes doivent donc non seulement
prendre en considération le risque relié à l'emprunteur et au prêt, mais aussi évaluer le risque que
représente le contexte économique avec son incidence sur la probabilité de défaut du débiteur.

Nous remarquons que le cadre d'utilisation des systèmes de notation des risques a évolué au fil
du temps. Les notations, qui étaient initialement utilisées pour augmenter la productivité et mieux
évaluer la qualité du risque des emprunteurs lors de la demande de prêt, peuvent aussi être
utilisées afin d'estimer le risque des portefeuilles de prêts de détail et évaluer les effets des
conditions économiques contemporaines et futures sur la probabilité de défaut.

1.5 Critiques à l'utilisation des notations pour l'attribution de prêts

Les avantages de l'utilisation des notations des risques de crédit sont reconnus aujourd'hui. Tout
de même, diverses critiques ont été soulevées quant à leur utilisation dans les activités d'octroi de
crédit. La première concerne l'utilisation de caractéristiques qui pourraient s'avérer
discriminatoires pour certains individus comme le souligne Capon (1982). En 1976, le « Equal
Credit Opportunity Act » a été amendé aux États-Unis afin de proscrire l'utilisation dans les
systèmes des notation des risques de caractéristiques comme la race, le sexe, le statut
matrimonial, l'ethnie, l'âge, la religion et le fait de recevoir des prestation de programmes sociaux.

Dans son article de recherche, Capon (1982) décrit un ensemble d'exemples qui peuvent mener à
des pratiques discriminatoires et rendre l'accès au crédit plus difficile pour certains segments de la
population. Par exemple, les données qui ont servi à modéliser proviennent des demandeurs de
prêts pour lesquels un historique de crédit existe, l'estimation du risque pour des individus qui
n'ont pas d'historique de crédit et qui ne répondent pas aux caractéristiques de la population de
développement est donc biaisée et peut créer un problème d'anti-sélection pour cette clientèle.
Avery et al. (2000) font des mises en garde lors du développement de modèles statistiques. Ils
abordent particulièrement le biais possible dans l'évaluation des risques qui est dû à l'omission
des conditions économiques spécifiques à l'emprunteur. Les auteurs soulignent dans leur travail
de recherche qu'il existe des problèmes statistiques dans la méthode actuellement utilisée pour le
développement des modèles de notation et spécialement pour les notations qui proviennent des
agences de renseignement : « En effet, le succès général du pouvoir prédictif présenté dans les
études antérieures n'exclut pas l'existence de problèmes statistiques lors du développement et de
l'implantation des modèles de notation des risques de crédit qui pourraient mener à une
évaluation incorrecte du risque d'un individu. »(p. 525)

Les problèmes que soulèvent Avery et al. (2000) peuvent entraîner des erreurs systématiques
dans l'estimation du risque. Ils identifient trois types de problèmes potentiels. Le premier
concerne l'omission de variables explicatives qui fait que la fonction d'estimation du risque ne
représente pas la fonction réelle et peut donc introduire un biais dans l'estimation. Le deuxième
problème entoure l'utilisation des données de l'historique de crédit des individus. Si cet historique
est incomplet ou contient des erreurs, un biais est transporté dans l'estimation du modèle.
Finalement, le troisième type de problèmes découle des populations de développement par
opposition aux populations pour lesquelles le modèle est utilisé. Si un segment de marché a été
sous représenté lors du développement du modèle, dans la pratique, la notation pourrait ne pas
représenter le risque réel de ces individus.

Comme le soulignent les auteurs, ces problèmes statistiques peuvent avoir des incidences tant
économiques que réglementaires. Une évaluation incorrecte du risque des demandeurs de crédit
peut avoir des effets sur l'offre de crédit, le risque et le prix. Une surévaluation du risque peut
restreindre l'offre de crédit puisque les emprunteurs sont jugés plus risqués qu'ils ne le sont en
réalité. Cette surestimation peut aussi engendrer un prix plus élevé puisque les emprunteurs sont
évalués comme étant plus risqués. Dans le cas contraire, une sous évaluation ferait en sorte que
les prêts seraient plus risqués qu'ils ne le sont en réalité et un prix moins élevé pourrait être
demandé. Comme le font remarquer les auteurs, cet état de fait peut avoir des conséquences
réglementaires: « D'un point de vue réglementaire, les effets cumulés de ces biais potentiels
peuvent soulever des questions sur l'adéquation des provisions pour pertes et du capital
économique. » (p. 528) Les auteurs soulèvent également une préoccupation par rapport aux
pratiques équitables en octroi de crédit: « Par exemple, la conformité avec les lois sur les
pratiques équitables en matière d'octroi de crédit peut être affectée par ces biais si les groupes
protégés sont disproportionnellement affectés par les erreurs statistiques ou d'omission. »(p. 528)

Tout comme Capon (1982), Avery et al. (2000) mentionnent la possibilité que certains segments
de la population aient un accès plus difficile au marché du crédit. Cependant, ils n'abordent pas la
question sous une forme de discrimination par l'utilisation de certaines variables mais plutôt par
le problème de biais que peut représenter un modèle mal défini.

Nous remarquons que les notations des risques de crédit ont été reconnues au niveau
gouvernemental et que cette reconnaissance a favorisé sa diffusion dans l'industrie du crédit.
Nous remarquons également que le CBCB a aussi contribué à l'adoption des notations des risques
de crédit par l'élaboration d'une norme internationale. Nous remarquons finalement que
l'utilisation des notations a évolué au fil des décennies. Originalement, elles étaient
principalement utilisées pour octroyer du crédit, elles ont ensuite été utilisées pour réaliser le
suivi et évaluer le comportement des prêts. Aujourd'hui, ces modèles servent de base au calcul du
capital économique en fonction du niveau de risque pour les prêts de détail.

1.6 Modélisation des risques de crédit pour un portefeuille de détail

Plusieurs méthodes sont utilisées pour modéliser les risques de crédit, Hayden et Porath (2006)
répertorient l'ensemble des méthodes utilisées pour évaluer les risques de crédit pour un
portefeuille de détail. Ils classifient les différentes approches d'estimation du risque en deux
groupes, soit les modèles paramétriques et les non paramétriques. Pour le premier groupe, ils
identifient six approches méthodologiques qui sont l'analyse discriminante, la régression linéaire,
les modèles logit, probit, de panel et d'aléa. Pour le deuxième groupe, ils identifient deux
méthodes qui consistent aux réseaux de neurones et aux arbres de décisions. Dans le cadre de la
présente recherche, nous nous intéressons uniquement au premier groupe de méthodes
puisqu'un modèle paramétrique sera utilisé pour estimer la probabilité de défaut. Plus
particulièrement, nous étudierons les quatre principales approches de modélisation que l'on
retrouve à maintes reprises dans la littérature et qui sont les plus utilisées dans la pratique, soit
l'analyse discriminante, la régression linéaire, les modèles logit et probit. Les modèles d'aléa, dont
le plus connu selon Hayden et Porath (2006), le « Cox proportional hazard model », ne seront pas
couverts puisqu'ils sont semi-paramétriques. Les modèles de panel ne seront pas couverts non
plus puisqu'ils font appel à l'analyse de données croisée. D'ailleurs, ce type de données crée des
problèmes sur le plan technique tels que l'hétéroscédasticité et l'autocorrélation des termes
d'erreurs.

Hand et Henley (1997) ont aussi répertorié les méthodes que décrivent Hayden et Porath (2006).
Ils listent dans leurs travaux les différentes approches utilisées pour modéliser les risques de
crédit et exposent les forces et faiblesses de chacune d'elles. Ils nous révèlent entre autres dans
leur article que des études réalisées par le passé ont démontré que peu importe la méthode
utilisée, le niveau d'exactitude pour classifier le risque de crédit est similaire et que les modèles
non paramétriques sont beaucoup plus difficiles à développer et requièrent des algorithmes
complexes en comparaison aux modèles paramétriques. Les auteurs nous informent qu'en
général, l'amélioration de la performance d'un modèle ne dépend pas tant de l'approche utilisée
mais bien de l'ajout de nouvelles variables qui s'avèrent prédictives du risque de défaut.

Dans le même ordre d'idées, Altman et Saunders (1998) soulèvent qu'il existe au moins quatre
approches méthodologiques pour développer des systèmes de notation des risque de crédit, soit
l'analyse discriminante, la régression linéaire, le logit et le probit. Ils soulignent que de loin, la
méthode la plus utilisée est l'analyse discriminante suivie de la régression logistique.

Allen, Delong et Saunders (2004) abondent dans la même direction et notent que l'utilisation des
notations des risques de crédit est largement répandue tant pour le crédit à la consommation que
pour les prêts aux petites entreprises : « La méthodologie traditionnelle d'estimation des risques
de crédit la plus généralement utilisée est l'analyse discriminante multivariée dont Altman (1968)
en a été le pionnier. » (p. 736) Les auteurs soulèvent que: « Il y a quatre formes méthodologiques
pour les modèles de notation des risques de crédit multivariées: (1) le modèle de probabilité
linéaire, (2) le modèle logit, (3) le modèle probit, et (4) le modèle d'analyse discriminante multiple.
» (p. 736)

Comme souligné plus tôt, nous nous arrêterons dans la présente recherche à décrire ces quatre
approches paramétriques. Hayden et Porath (2006) expliquent que pour évaluer le niveau de
risque du crédit de détail à l'aide de l'analyse discriminante, il faut procéder en deux étapes. La
première consiste à calculer un score pour chacun des emprunteurs et la deuxième, consiste à
calculer les chances (de l'anglais «odds ») d'être en défaut selon le niveau de score. Ces «odds»
représentent la probabilité de défaut. Une prémisse de base doit cependant être faite lors de
l'utilisation de cette technique. Il est considéré que les caractéristiques suivent une distribution
multivariée normale pour les individus d'un même groupe de risque.

Dans la réalité, ce ne serait pas le cas et ce constat est la plincipale critique soulevée pour cette
méthode. Hand et Henley (1997) abordent d'ailleurs ce problème et concluent qu'il n'y aurait
cependant pas de répercussion sur l'exactitude de la classification des individus en terme de
risque et que son utilisation est de ce fait largement répandue dans la pratique.

Une deuxième approche utilisée pour l'évaluation du risque de crédit est la régression linéaire. Ce
modèle est estimé par moindres carrées ordinaires. Selon Hayden et Porath (2006), cette
technique est intéressante puisqu'elle a l'avantage d'être facile à utiliser et à comprendre. Elle
comporte cependant deux problèmes majeurs. Le premier concerne la variable expliquée qui est
calculée. Comme la variable dépendante recherchée est une probabilité, sa valeur doit être
comprise entre 0 et 1. Lorsque la régression linéaire est utilisée, les valeurs calculées pourraient
être inférieures à 0 ou supérieures à 1. Les résultats ne peuvent donc pas être interprétés en
termes de probabilité de défaut. Le deuxième problème de cette approche concerne la présence
d'hétéroscédasticité qui peut se présenter lors de l'analyse de données transversales. Nous
pouvons penser que la variance des termes d'erreur ui n'est pas constante pour tout i. Les auteurs
concluent pour cette méthode: «Comme conséquence, l'estimation de β est inefficace et de plus,
les écarts types des coefficients b estimés sont biaisés.» (p.3) Les auteurs soulèvent qu'une façon
de contourner l'obstacle d'hétéroscédasticité des termes d'erreur serait d'estimer le modèle par
moindres carrées pondérées. L'estimation de β serait efficace mais les écarts types des b
demeureraient biaisés en raison du fait que les termes d'erreur ne sont pas normalement
distribués.

Dans le même ordre d'idées, Dielman (1989) soulève le problème d'hétéroscédasticité lors de
l'analyse de données transversales mais aussi celui d'autocorrélation des termes d'erreurs lorsque
des séries chronologiques sont utilisées. L'auteur souligne que l'utilisation simultanée de ces types
de données sous forme de panel, crée un problème additionnel spécifique à l'étude de données
croisées. Il révèle que des chocs transversaux peuvent avoir des effets parallèles sur des individus
différents d'une même période et les termes d'erreurs sont donc corrélés. Hayden et Porath
(2006) soulèvent aussi ce point, ils soulignent que la présomption d'indépendance des
observations pour des données transversales ne tient plus. Ils font tout de même remarquer que
plusieurs développeurs ignorent cette dynamique particulière et procèdent sans appliquer de
correction.
Finalement, Hayden et Porath (2006) donnent une description des deux dernières méthodes
d'estimation qui sont analysées dans le cadre de cette revue littéraire. Ces méthodes consistent
aux modèles logit et probit. Ces méthodes d'estimation s'avèrent tout à fait appropriées pour
l'analyse de variables discrètes et l'estimation de probabilités. La principale différence entre ces
deux modèles se situe au niveau de leur fonction de densité. Alors que le modèle probit est
représenté par une fonction de densité normale, le modèle logit est quant à lui représenté par
une fonction de densité logistique. La différence réside dans les queues des distributions, celles du
probit étant plus épaisses. Ces deux approches donnent des résultats similaires et les différences
entre les résultats sont négligeables. Toujours selon Hayden et Porath (2006), l'estimation du
modèle par un maximum de vraisemblance est théoriquement convaincante et facile à manipuler.
Le modèle logit est plus simple à estimer que le modèle probit qui demande des algorithmes plus
complexes. La signification des paramètres du logit est facile à comprendre: un changement dans
la valeur d'une variable indépendante résulte en un changement dans le logarithme des « odds»
et de la probabilité de défaut de l'individu. En plus de générer un résultat en termes de
probabilité, il est possible de tester le degré de significativité du modèle et des coefficients. Les
auteurs soulignent finalement que cette forme fonctionnelle est parfaitement adaptée pour faire
du « stressed testing ».

La méthode de régression logistique sera privilégiée lors des travaux de développement et

d'estimation du modèle empirique qui seront présentés dans le chapitre II.

1.7 Utilisation de variables macroéconomiques

Il est intuitif de penser que les conditions économiques ont une incidence sur la probabilité de
défaut des emprunteurs. Plusieurs auteurs cités jusqu'à présent ont soulevé cette hypothèse sans
nécessairement en démontrer l'effet par des analyses empiriques. Avery et al. (2000) se sont
penchés sur la question du potentiel biais présent dans les modèles actuels qui découle, entre
autres, de l'omission de variables représentant les conditions économiques. Les auteurs soulèvent
qu'à leur connaissance, ils seraient les premiers à examiner ces enjeux statistiques. Pour leur
analyse réalisée aux États-Unis, ils ont utilisé un ensemble de données économiques et
démographiques régionalisées qu'ils ont combiné par le code postal au score de risque d'individus
d'un échantillon représentatif d'une agence de renseignement.

Dans leur étude, ils soulèvent l'interrogation suivante: « La stabilité du classement à travers les
régions et la robustesse des prédictions des modèles aux changements dans les conditions
économiques locales n'ont pas été typiquement explorées et il n'est pas clair que les modèles
performent uniformément bien pour tous les sous-groupes de la population. » (p. 525) Ils
soulèvent que l'omission de variables non reliées à l'historique de crédit de l'emprunteur, mais qui
le sont aux conditions économiques individuelles ou locales, peut ainsi créer un problème de
classement erroné du risque. Ils citent l'exemple suivant: « Par exemple, en n'incluant pas des
circonstances économiques individuelles, les modèles traitent implicitement un individu qui
performe pauvrement quand il est sans emploi de la même façon que quelqu'un qui performe de
la même manière lorsqu'il en occupe un. » (p. 526) Ils ajoutent que de la même façon, en ne
considérant pas les facteurs économiques régionaux, les modèles vont attribuer les mêmes
niveaux de risque pour les individus qui ont une mauvaise performance en temps de récession
qu'en temps de meilleures conditions économiques.
Cette omission fait en sorte qu'une évaluation uniforme du risque peut mener à une projection
future erronée puisqu'elle ne tient pas compte des probabilités de défaut sousjacentes qui sont
différentes. Les répercussions de cette évaluation biaisée se notent tel que décrit précédemment
sur le risque global, l'offre et le prix du crédit comme également sur le niveau de capital
économique requis pour assurer une stabilité financière.

Dans cette étude, les auteurs utilisent les variables économiques et démographiques par région
qui sont le taux d'inoccupation des logements, la croissance démographique, le taux de chômage,
le revenu médian, le prix médian des maisons, le taux de propriétaire-occupant, le taux de
pauvreté, le taux de minorité visible et le taux de scolarisation. Également, ils ajoutent une série
de variables individuelles qui sont l'âge, le revenu et le niveau d'éducation. En plus du score de
risque, l'agence de renseignement leur a fourni des indicateurs qui déterminent si l'individu fait
partie d'un ménage et s'il détient une hypothèque. De plus, les auteurs créent une variable qui
permet de déterminer si l'individu habite dans une zone urbaine ou rurale. Ils sont ainsi en
mesure de créer une nouvelle variable qui identifie le revenu médian relatif de la zone urbaine par
rapport à la zone rurale pour chacune des régions.

Les conclusions de l'étude mettent en lumière que les variables omises créent un problème
potentiel. Ils remarquent que tout en contrôlant les autres facteurs, les scores de risque moyens
varient en fonction des conditions économiques locales et qu'ils sont statistiquement inférieurs
dans les régions avec un taux de chômage élevé par rapport aux régions où le taux est faible. Ils
remarquent aussi que la dynamique du taux de chômage joue un rôle mais pas celui qui est
attendu. Les régions qui ont un taux de chômage faible persistant ou qui ont vu le taux de
chômage passé d'un niveau faible à un niveau élevé ont un score de risque médian plus faible que
les régions où le taux de chômage est élevé de façon persistante. Cet effet serait dû au fait que les
prêteurs ont des standards plus stricts (prêtent moins) dans les régions où le chômage est élevé,
ce qui minimiserait les effets d'un taux de chômage élevé sur la délinquance des emprunteurs
(moins de délinquance).

D'autres variables utilisées ont démontré être statistiquement significatives. Les scores de risque
moyens se sont avérés être inférieurs dans les régions où il y a un taux élevé d'inoccupation des
logements, de pauvreté et de minorité visible comme également où le revenu médian, la valeur
des maisons et le niveau d'éducation étaient plus faibles que la moyenne nationale. Les auteurs
concluent à partir de leur recherche que les variables omises qui représentent les conditions
économiques locales et régionales sont des sources de biais dans les modèles de notation des
risques de crédit. Une des solutions qu'ils proposent pour solutionner ce problème consiste à
stratifier les modèles en fonction des considérations économiques. Jusqu'à présent, ces
informations n'ont pas été utilisées dans les modèles. Les auteurs soulignent que: « Une des
raisons pour ceci est que les méthodes appropriées pour incorporer de l'information
macroéconomique et régionale dans les modèles de notation des risques de crédit n'ont pas été
établies. Ceci est un secteur potentiel de recherche future. »

(p. 544) Ils ajoutent un autre commentaire intéressant: « Notre évidence suggère que l'utilisation
des notations des risques de crédit, en l'absence d'ajustements basés sur des informations
économiques et régionales, peut résulter en des décisions de détermination de prix erronées. »
(p. 545)
Avery et al. (2000) ont présenté dans leur article les enjeux statistiques qui entourent l'utilisation
des scores de risque des agences de renseignement aux États-Unis. Ils soulignent la présence d'un
biais due à l'omission de variables et au problème de couverture et de représentation dans
l'échantillon de développement. Ils concluent que ces facteurs ont une influence sur l'évaluation
du risque d'un individu qui peut être sur ou sous estimé. Dans notre étude, nous tenterons
d'introduire des variables macroéconomiques dans un modèle de risque afin de vérifier si nous
sommes en mesure d'améliorer la prédiction de l'événement de défaut par rapport au modèle de
base. Notre objectif de travail ne consiste pas à vérifier la présence ou non d'un biais mais bien à
vérifier si la performance du modèle peut être améliorée.

Avery et al. (2004) étudient les effets potentiels de ne pas inclure ce qu'ils appellent des données
circonstancielles dans les modèles de risque de crédit. Ils examinent également les difficultés
entourant l'ajout de ce type d'information dans les modèles. Ils soulèvent que l'omission de ces
données peut causer une évaluation erronée du risque de crédit et avoir des incidences tant sur la
stabilité financière que les politiques réglementaires. Ils citent en exemple le cas de deux
individus. Le premier subit un problème de santé temporaire qui l'empêche de rencontrer ses
obligations. Le deuxième a perdu son emploi momentanément en raison d'une détérioration de
l'économie. Dans les deux cas, le risque de défaut est traité de la même façon qu'un individu qui
n'a pas fait face à ce type de problèmes et qui est en défaut de paiement.

La projection future, étant basée principalement sur la performance passée, est donc biaisée par
l'omission de ce type d'information. Par ailleurs, les auteurs soulèvent le fait que de ne pas inclure
des variables qui captent des circonstances personnelles (autres que l'historique de crédit) ni des
variables économiques locales ou régionales, peut avoir deux conséquences économiques
primaires. La première concerne un classement du risque erroné, et par le fait même une
tarification inappropriée, tandis que la deuxième, concerne une inefficacité en terme d'octroi de
crédit, qui peut résulter en des pertes plus élevées et une profitabilité plus faible. Ils nous font
aussi remarquer qu'il existe des obstacles majeurs pour l'utilisation des informations
circonstancielles.

En ce qui a trait aux circonstances personnelles de l'individu, il est difficile de répertorier ces
événements en raison de la complexité que cela peut représenter mais aussi pour des questions
d'ordre éthique. Avec les lois de protection des informations personnelles, il n'est pas évident que
ces informations pourraient être utilisées dans les modèles. Également, sous un point de vue
technique, il serait difficile de lier la date d'occurrence de ces événements à celle du défaut de
paiement et d'intégrer correctement dans les modèles cette notion de cause à effet. En ce qui a
trait aux données économiques locales ou régionales, les auteurs soulèvent: « Bien que
l'information générale sur les conditions économiques locales telles que le taux de chômage
soient disponibles, il peut être difficile de déterminer l'endroit de résidence de l'individu lorsque
les problèmes de défaut se sont présentés. Obtenir plus d'information spécifique sur les
circonstances économiques affectant l'individu telle que les mises à pied dans une industrie
particulière où il est employé représente un défi encore plus important. » (p.6)

Dans cette étude, Avery et al. (2004) élabore tout de même un modèle empirique afin de tester
les effets de certaines variables circonstancielles sur les notations des risques de crédit d'une
agence de renseignement aux États-Unis. Ils créent un échantillon de nouveaux comptes de crédit
pour chacun desquels ils assignent la performance « mauvaise» si le compte a été 60 jours
délinquants ou pire, sinon il est jugé « bon ». Les auteurs testent deux modèles. Le premier
consiste à tester l'effet du taux de chômage du lieu de résidence et celui du statut matrimonial de
l'individu (les ménages sont plus solides financièrement que les célibataires ou les récents
divorcés). Le deuxième modèle quant à lui consiste à vérifier si la séquence des événements de
défaut passés ne suit pas un schéma particulier qui permet de détecter des défauts circonstanciels
qui sont dus à des déclencheurs spécifiques. Plus précisément, ce modèle consiste à vérifier si les
défauts de paiement arrivent tous au même moment ou s'ils sont plutôt dispersés dans le temps.
Dans le premier cas, les auteurs supposent que c'est dû à un événement particulier alors que dans
le deuxième, ils s'attendent plutôt au schéma d'un emprunteur qui a des problèmes récurrents.
Les résultats de leur étude démontrent que les conditions économiques tout comme les
conditions particulières de l'emprunteur influencent la probabilité de défaut. Ils concluent que
l'omission de ces variables dans les modèles actuels cause un problème de spécification et
engendre des externalités telles que des pertes additionnelles, des prix plus élevés et une offre de
crédit plus faible.

1.8 Conclusion

Nous avons vu tout au long de la revue littéraire comment les modèles statistiques et les systèmes
de notation des risques de crédit se sont développés au cours du dernier demi-siècle. L'origine de
ces modèles remonte aux années quarante avec l'apparition des analyses discriminantes.
L'efficacité de ces modèles a été démontrée par des gains en productivité et une amélioration de
la qualité des décisions de crédit. La reconnaissance de leur utilisation au niveau gouvernemental
a également favorisé leur développement. Leur intégration dans les pratiques de l'industrie du
crédit a eu des répercussions sur l'offre, le prix et le risque du crédit. Ces modèles prédictifs ont eu
comme utilisation originale les activités d'autorisation de prêts, ils ont été par la suite utilisés pour
suivre le comportement des emprunteurs et évaluer le risque des portefeuilles. Le CBCB avec
l'adoption d'une norme internationale a été le dernier déclencheur de l'acceptation complète de
ces modèles. Aujourd'hui, la recherche s'oriente du côté des conditions économiques afin d'en
évaluer les répercussions sur la probabilité de défaut des emprunteurs.